遗传算法优势及模型设定 [page::3][page::6][page::7]

• 遗传算法具备全局搜索、非线性建模、多目标优化和自动生成能力，相较线性回归和随机森林更适合复杂因子挖掘。

- 设计双层因子运算体系，采用加减乘除与时间序列窗口统计量运算捕捉量价关系。

• 以收盘价收益率（Y1）、开盘调仓收益（Y2）和日内波段收益（Y3）作为多目标测试变量。

- 模型超参数设置详见表5，采用Pearson相关系数（IC）评价适应度，训练集2018-2021年，测试集2022-2023年，样本外2024年。

因子表达与筛选 [page::8][page::9][page::10][page::11][page::12]

• 挖掘 Y1 目标的因子在训练集和测试集表现较好，因子线性合成后采用相关性矩阵剔除高共线性因子，选择单调性强且表现优秀的因子（如F10, F14, F19等）。

- 多组因子分组日度回测结果（表9-11）显示因子稳定超额收益，分组超额收益在样本外也保持一致。

• 因子回测统计显示多个因子累计净值和夏普比率突出，高组别因子值对应更优收益表现。

策略构建与优化过程 [page::4][page::12][page::13][page::14][page::15][page::16]

• 提出四个基于因子合成的可转债策略，分别对应持仓10个和约50个仓位，采用等权和加权两种仓位分配方式。

- 策略周度调仓，交易成本考虑0.01%手续费及0.2%滑点，最小交易单位1手（10张）。

• 因子合成中，线性+权重优化策略净值最高，非线性合成提升组合整体表现，但削弱第十组进攻性。

- 持仓数10个为策略局部最优，5个持仓表现较差，持仓50个策略更适合机构投资者且胜率更高。

• 保留极值因子优于去极值策略，去极值降低选债能力和净值表现。

策略表现统计 [page::4][page::5][page::17][page::18]

| 策略 | 回测净值 | 年化收益率 | 年化超额 | 年化波动率 | 贝塔 | 阿尔法 | 夏普 | 胜率 | 周胜率 | 盈亏比 | 最大回撤 | 最大回撤起止 |
|----------------|----------|------------|----------|------------|------|--------|-------|--------|--------|--------|----------|----------------------|
| 持仓10个等权 | 8.02 | 33.8% | 27.68% | 23.2% | 1.41 | 0.260 | 1.37 | 55.5% | 53.8% | 1.94 | 21.2% | 2023-06-19 - 2024-02-05 |
| 持仓10个加权 | 8.68 | 35.3% | 29.16% | 23.3% | 1.40 | 0.275 | 1.43 | 55.7% | 53.0% | 2.00 | 19.5% | 2023-06-19 - 2024-02-05 |
| 持仓约50个等权 | 3.55 | 19.4% | 13.28% | 18.0% | 1.31 | 0.120 | 0.96 | 56.3% | 52.5% | 1.51 | 17.6% | 2022-01-04 - 2022-04-25 |
| 持仓约50个加权 | 4.54 | 23.5% | 17.43% | 19.2% | 1.33 | 0.161 | 1.12 | 57.7% | 54.4% | 1.64 | 18.5% | 2023-08-07 - 2024-02-05 |
| 转债等权 | 2.00 | 10.2% | 4.06% | 14.9% | 1.18 | 0.033 | 0.55 | 53.6% | 53.8% | 1.26 | 21.5% | 2022-08-15 - 2024-09-18 |
| 中证转债 | 1.53 | 6.1% | 0.00% | 11.5% | 1.00 | 0.000 | 0.36 | 53.0% | - | 1.21 | 17.0% | 2022-01-04 - 2024-09-18 |

• 持仓10个加权策略在收益、夏普、盈亏比及最大回撤上表现最优。

- 机构侧持仓约50个策略胜率更高，操作体验更佳。

• 策略年度表现稳健，除2018年外均录得正收益，2021和2024年表现尤为突出。

量化因子构建及策略概要 [page::3][page::4][page::7][page::12][page::17]

• 因子基于量价及正股Barra市值，综合加减乘除运算及时间窗口统计量进行构造。

- 因子筛选通过相关性考察和日度回测验证，剔除高相关性因子提升组合稳健性。

• 策略分为持仓数10个和约50个，仓位分配有等权与加权，适配不同投资者需求及交易方式。

- 回测包含手续费、滑点及最小交易单位，周度调仓确保策略实时适应市场变化。

• 样本外测试验证了策略对市场环境变化的适应性，表现持续优异。

金融工程研究报告《可转债研究系列之（二）应用遗传算法构建的可转债策略》详尽分析

---

一、元数据与报告概览

• 报告标题：《可转债研究系列之（二）应用遗传算法构建的可转债策略》

- 发布机构：江海证券研究发展部

• 分析师：梁俊炜（执业证书编号：S1410524090001）

- 发布日期：2025年初（具体未注明，报告内含2025年部分数据）

• 研究主题：可转债投资策略构建，基于遗传算法进行量价及基本面因子挖掘与策略优化，适配不同投资者群体。

- 相关研究：
- 《可转债研究系列之（一）基于传统双低策略的优化》
- 《量化因子掘金系列（三）遗传算法因子挖掘与因子非线性合成》

核心论点与投资建议：

该研究核心在于利用遗传算法挖掘可转债的有效因子，构建多种策略并对策略进行逐步优化，表现优异，超越传统等权和指数基准。四套策略适合不同投资者和交易场景，实现年化收益显著提升。其中，"持仓数10个加权"策略表现尤为突出，回测年化收益35.3%，夏普1.43，且最大回撤控制在19.5%以内。整体报告给出积极的策略建议，强调策略的稳健性及适应性，同时提醒投资者风险。本报告重点展示了遗传算法在复杂非线性因子挖掘上的优势，为可转债多因子策略提供创新路径[page::0,3,4,19]。

---

二、章节深度解读

1. 研究概要

• 研究背景：可转债兼具债券稳定收益和股性弹性特征，传统双低策略（低转股溢价率与低久期）效果有限，需更智能化因子挖掘方法。遗传算法具有全局搜索、多目标优化、非线性建模和自动化生成特点，能克服线性模型局限[page::3]。

- 方法对比（表1）：
- 线性回归无法进行全局搜索或非线性建模
- 随机森林允许非线性但缺乏多目标优化和自动化生成
- 遗传算法支持全局搜索、非线性建模、多目标优化且自动化生成因子

• 研究概要：结合遗传算法与Barra市值因子（体现小市值正股的超额收益），整体构建非线性、动态调整的多因子策略框架[page::3]。

2. 因子挖掘

• 研究基于可转债的日度量价数据（交易金额、开盘收盘价等）及部分基本面数据（正股Barra市值因子、转股比例、转股溢价率、传统双低因子等），以辅助基因算法构建复合因子。

- 表3明确展示了各底层因子的含义和计算方法，交易金额（money）和Barra市值因子（size）为最核心变量。

• 模型设定部分（节2.3）介绍遗传算法如何通过双层运算架构（如加减乘除函数及统计量）构建复杂因子表达式，适应非线性动态市场。

- 目标变量Y分为三类：Y1为收盘价收益率，Y2为开盘调仓收益率，Y3为t+1日的开盘收盘收益率比，采用Pearson相关系数评估适应度（IC）。实验当中，Y1因子稳健性最佳，Y2存在过拟合风险，Y3性能介于两者之间[page::5,6,7]。

3. 因子筛选与回测

• 对所有挖掘出的因子进行了日度回测筛选，重点观察因子分组的超额收益表现。

- 表9-11展示了Y1、Y2、Y3因子在训练集、测试集及样本外阶段的超额收益率，Y1因子整体表现更平稳且持续性更好。

• 因子处理环节采用市值加权的标准化和归一化，努力消除量纲分布偏差，提升多因子合成效果。

- 相关性矩阵（表12）用于删减共线性较高的因子，筛选出3个相关性较低、分组表现较优的因子（F10、F14、F19）。

• 表13-15详细给出这三大因子分组的净值表现、年化收益率、夏普率、最大回撤等多维指标，显示出良好的风险调整收益能力，且对比基准如转债等权和中证转债均表现优越[page::9,10,11].

4. 策略优化过程

• 通过因子筛选（图2）、共线性处理（图3）和权重优化，策略表现逐步提升，最终策略组合净值显著优于基准。

- 非线性合成与线性合成对比分析（图4,5）显示，非线性增强了各分组的整体表现，但削弱了最优组（第十组）的锋芒，提示非线性合成需平衡进攻性与稳健性。

• 持仓个数（图6）对策略表现有显著影响，显示先增后减的局部最优效应，10支持仓在多因素权重优化下表现最佳，避免过度集中或稀疏带来的风险或收益损失。

- 极值处理（图7）显示对极值的去除反而损害了策略表现，保留极值信息可以提升因子及策略的区分能力，反映本模型对数据特性的敏感处理策略[page::12-16]。

5. 策略结果分析

• 图8和表16详细展示了最终四套策略（持仓10个/50个，等权/加权）在2018年至2025年期间的累计净值增长及风险收益指标对比。

- 样本外2024年表现尤其出色，年化收益达45.4%，策略稳健性与适应性得到验证。

• “持仓数10个加权”策略整体最优，年化收益35.3%，年化超额收益达29.16%，夏普比率高达1.43，最大回撤仅19.5%，显著优于转债等权和中证转债。

- 持仓约50个策略更适合机构投资者，胜率更高，投资体验更优，风险收益表现相对温和。

• 表17进一步细化年度表现，四策略2018年唯一亏损年份，后续年度均实现正收益，尤其2021年和2024年表现突出，最大回撤相对于收益水平较低，符合稳健投资要求[page::16-18]。

6. 总结与风险提示

• 该研究证实遗传算法在可转债因子挖掘中优势明显，能够捕捉传统双低策略难以识别的市场异象和非线性特征，提升因子信息量和策略收益。

- 策略同时满足机构和个人投资者需求，支持多样化持仓和灵活仓位分配，针对不同投资风格设计差异化解决方案。

• 强调收盘价收益率因子稳健可持续，持仓数量中庸（约10只）可实现风险与收益平衡，非线性合成提升整体表现但需谨慎组合设计。

- 策略超额收益依赖市场波动性，低波动环境下需严格仓位管理，未来研究或关注因子权重动态调整以提高鲁棒性。

• 风险提示充分指出模型构建、参数估计、假设前提及历史数据不完美预测未来的局限，提醒投资者结合实际情况审慎使用本报告内容[page::18-19]。

---

三、关键图表与数据深度解读

图1 可转债遗传算法因子策略（周度调仓）

• 该图对比了四个遗传算法策略（持仓10个/50个，等权/加权）与转债等权和中证转债指数的累计净值表现。

- 时间跨度从2018年至2025年初，净值基点设为1。

• 视觉上，策略净值稳步上升，波动幅度明显高于基准，且样本外期（2024年以后）加速增长。

- “持仓10个加权”策略净值最高，显著领先其他组合和指数，表明该策略优化后的仓位分配取得明显超额收益。

• 该图佐证研究对仓位数量及加权方法的论断：适度集中持仓配合加权分配更能捕捉市场机会[page::4]。

表2 策略表现对比

• 该表详细量化策略间的多项指标差异，包括年化收益率、超额收益、波动率、Beta、Alpha、夏普比率、胜率、盈亏比和最大回撤。

- “持仓10个加权”策略收益率35.3%，超额29.16%，夏普1.43，最大回撤19.5%。

• 对比基准中证转债指数收益率6.1%，超额收益优势明显，夏普和最大回撤均处于理想区间。

- 其中Beta >1说明策略波动性大于市场，衡量为积极进攻型策略。

• 盈亏比2.0表明每获利一单位对应损失0.5单位，风控表现出色。

- 数据直观反映了投资组合的风险调整后优异表现[page::5,17]。

因子表达式（表6至表9）

• 多个利用遗传算法构建的复合表达式因子例子，涉及trigonometric函数（sin, tan）、时间序列统计（tsmean, tsstd）、基础运算（min, neg, inv）等，体现非线性与时间序列结合。

- 训练测试集显示因子IC（信息系数）普遍在0.04至0.06之间（部分最高0.08），对应的IR（信息比率）也表现稳定，表明因子具备一定预测能力。

• 以收盘价收益率Y1为目标的因子更稳健，开盘价收益Y2因子虽表现较好但存在可能过拟合迹象，结合表10-11的分组超额收益情况做进一步筛选与剔除。

- 表12的相关矩阵确认筛选了低相关性的因子集合，提升组合多样性与信息量[page::8-11]。

因子筛选优化过程（图2，3）

• 图2显示因子筛选和权重优化对累积净值的正向影响。

- 图3通过左（去除前）右（去除后）两张图对比，揭示了共线性去除有效强化了核心组别性能，降低噪音，使第十组因子表现更突出，验证了因子筛选过程中降维的必要性[page::13]。

线性与非线性合成对比（图4，5）

• 图4净值表现表明非线性合成方法（maxICIR）提升了整体收益率水平。

- 图5分组表现显示非线性增强了平均水平，但减弱了最优组的锋芒，意味着非线性合成需要权衡进攻与保守，避免过度平滑带来的策略锐度损失[page::14]。

持仓数量与极值处理（图6，7）

• 图6展示不同持仓数量对策略净值表现的影响，10支持仓表现最佳，之前少量持仓（5支）或等分前10%的做法均不如10支组合稳健。

- 图7对比极值处理情况，表明保留极值可以增加模型信息量，削弱极值反而降低了策略区分度和收益水平，体现对极值的特殊处理需求[page::15,16]。

最终策略净值表现（图8）与年度统计（表16，17）

• 图8展示最终策略（四个不同持仓及权重组合）净值走势，一致优于市场基准。

- 表16详细量化了策略指标，强化了策略的优越性和稳定性。

• 表17年度绩效显示，策略除2018年小幅回调外，其他年份均有稳定甚至爆发性收益，夏普和Alpha指标表现出色，认同组合策略的持久有效性[page::16-18]。

---

四、估值分析

报告本质为策略和量化模型研究，未涉及对某单一股票或可转债标的的估值分析，因此无传统DCF或PE估值。目前策略估值体现在风险调整收益指标（夏普、Alpha、Beta）及最大回撤对投资价值的描述，重点反映策略预期收益与风险配置平衡。

---

五、风险因素评估

• 模型风险：参数估计、模型构建方法可能有误差，尤其基于历史数据的假设未必适应未来市场。

- 过拟合风险：检测到Y2目标收益因子存在过拟合风险，策略设计中有意识剔除或优化。

• 市场风险：策略表现依赖市场波动性，低波动震荡市场可能削弱策略超额收益，需要结合仓位控制。

- 其他：动态市场环境变化、基于量价和基本面数据的模型可能面临数据滞后或异常情形。

• 投资者需结合实际市场与专业意见谨慎使用报告结论，避免盲目跟随[page::0,19]。

---

六、批判性视角与细节审慎

• 报告高度聚焦遗传算法，明显对该方法持积极态度，但对可能存在的计算资源消耗、参数敏感性没有过多披露，未完全展现算法潜在限制。

- Y2因子被判断过拟合，但相关技术细节和具体处理措施未详述，投资者应关注策略稳定性验证。

• 极值保留策略虽提升表现，但是否在不同市场或极端行情仍优有效需持续验证。

- 不同持仓数表现的先增后减规律体现了数据驱动风险，作者谨慎设置10支持仓的设计符合业界经验，但最后持仓构建的动态调整逻辑尚未详细阐述。

• 年度与样本外表现优异，但历史数据时间较短，对极端市场环境下策略稳健性未知。

- 文章未提供明确投资评级，但整个报告基调偏积极，读者需结合自身风险偏好判断接纳程度[page::0,19,20]。

---

七、结论性综合

本报告由江海证券研究团队梁俊炜主导，详细介绍了基于遗传算法的可转债多因子挖掘和策略构建过程，涵盖因子设计、筛选、线性与非线性合成、持仓数和极值处理等多个投资关键环节。遗传算法以其全局搜索与非线性建模能力，规避传统方法局限，实现了稳健且显著优越于市场基准的策略收益。

具体优势如下：

• 多因子策略年化收益率达35%以上，夏普远高于基准，最大回撤控制在20%以内。

- 适配不同投资者需求的多样化策略设计（个人10支持仓与机构50支持仓）。

• 因子筛选体现非线性合成与共线性去除的有效结合，使策略更精准且风险更可控。

- 样本外2024年数据验证了模型较强的市场适应性。

• 通过引入正股Barra市值因子捕捉小盘弹性机会，提升因子预测效力。

- 详细的风险提示强化了投资者风险意识，提醒慎重决策。

图表数据贯穿描述了策略优化背后的多维度表现和演进过程，特别是图1、2、4、6和8与表2、13-17共同构筑了策略有效性和超额收益的坚实实证基础。策略优势及风险均被全面阐释，体现专业且科学的量化研究方法。

总体来说，该报告提出了一套创新且实用的可转债投资解决方案，对行业量化投资研究有重要参考价值，适合资本市场投资者做为策略参考和模型构建蓝本[page::0,4-5,9-18,19]。

---

附：全文关键图表示例（Markdown）

• 图1 可转债遗传算法因子策略（周度调仓）

• 图2 因子线性合成的优化过程

• 图3 共线性去除前后的分组回测结果

• 图4 因子线性与非线性合成的净值对比

• 图6 持仓个数的变化对比

• 图7 去极值的处理对比

• 图8 可转债遗传算法因子策略最终呈现

---

【全文溯源页码】
[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

报告