• 可转债市场近年来快速扩容，截至2023年9月存量可转债超500只，余额超8000亿，20日成交均额超过500亿，交易活跃，适合量化策略应用。[pidx::0][pidx::3]

• 经典传统策略“双低策略”和“隐波策略”均依赖转债估值，历史上表现优异，但2022年以来表现衰减，超额收益减少，策略有效性下降。[pidx::4][pidx::5][pidx::6]

• 深度学习模型采用GRU结构，解决传统RNN梯度消失问题，具备序列建模能力，适用于捕捉可转债复杂非线性定价逻辑。[pidx::7]

• 仅用40天量价数据训练的GRU模型表现有限，RankIC均值最高8.7%，多头分组表现单调性较差，需引入更多特征因子。[pidx::8][pidx::9]

• 综合模型在GRU时序结构内引入双低、隐波、纯债溢价率、转股溢价率等转债特有因素，并将债券信用评级等截面属性拼接输出，显著提升RankIC至13.3%，胜率87.6%，实现了收益率预测的稳定提升。[pidx::10][pidx::11]

• 高换手率影响费用后收益，采用三日线性加权移动平均（LWMA）进行信号平滑，换手率显著降低，RankIC保持稳定，组合收益依然单调，提升了策略的实际可操作性。[pidx::11][pidx::12]

• 持仓分析显示深度学习因子多头组优选低转股溢价率的转债，信用评级上偏好高等级（AA-及以上）债券，且平衡型转债贡献绝对收益最多，符合稳健风格配置需求。[pidx::13][pidx::14]

• 基于深度学习因子构建TOP30组合2021年至2023年9月22日表现优异，年化收益24.1%，最大回撤11.4%，年化单边换手约1365%；平衡偏债筛选组合夏普比提升至2.49，最大回撤降低至8.8%[pidx::15][pidx::16]。

• 可转债作为固收+$^+$资产获得广泛认可。2023年混合债券基金中，可转债市值占比显著，超过5%净资产的基金比例超过40%；利用纯债与转债（平衡&偏债TOP30）构建固收$^+$，8:2配比的组合年化收益7.05%，夏普达到3.64，最大回撤仅1.9%，2023年年内表现同样稳健[ pidx::17][pidx::18]。

• 报告总结指出，深度学习模型有效缓解传统策略衰退问题，未来将继续扩充因子变量和模型架构优化，深入探索可转债投资的收益驱动与市场环境匹配。[pidx::19]

金融研究报告详尽分析

报告元数据与概览

• 报告标题：从传统策略到深度学习的可转债投资

- 作者：叶尔乐、刘曦远（民生证券研究院）

• 发布时间：2023年10月

- 发布机构：民生证券研究院

• 主题：可转债投资策略的演变，重点在传统策略收益衰减背景下，如何应用深度学习提升可转债投资的收益性能。

- 核心观点与结论：
- 可转债作为兼具股性与债性的融合类资产，近年来市场快速扩张，交易活跃。
- 传统双低策略和隐波策略表现出显著的历史超额收益，但近年有效性衰减。
- 利用深度神经网络，尤其是GRU模型，结合量价信息以及特有估值因子，构建的新型深度学习模型显著提升预测能力和策略收益。
- 基于深度学习构建的TOP30可转债多头组合在2021年至2023年表现优异，年化收益超24%，表现优于传统指数。
- 在固收+组合中，融入可转债深度学习策略，通过纯债与转债配比，有效平衡收益与风险，显著提升组合的风险调整收益表现。
- 风险提示强调量化模型基于历史数据，有失效风险，且模型计算可能存在误差。
[pidx::0][pidx::19][pidx::20]

---

1. 可转债基础与市场背景

1.1 可转债指标介绍

• 可转债定义：债券发行人可按一定转换比例将债券转换为股票。

- 关键指标解释：
- 转股价值 = 100/转股价格 当前股价；
- 纯债价值 = 债券未来票息和本金折现和；
- 平价溢价率 = 转股价值/纯债价值 - 1，用于划分偏股型、平衡型、偏债型。

• 图1显示了可转债风险/收益的分布，突出其债券和股票的混合属性，风险弹性随股票价格变化

- 图2和图3通过数据对比展示可转债相较普通股票波动更小，展现债性特点；又相较纯债具备权益收益弹性，兼顾成长性。

• 可转债本质为债券＋股票看涨期权＋强赎、回售条款，是权益和固定收益的复杂衍生品。此双重属性赋予其风险收益的平衡特性。

[pidx::2]

1.2 市场扩容与交易活跃

• 自2018年以来，可转债市场迅速扩容，截至2023年9月，存量转债逾500只，余额超8000亿。

- 成交活跃，20日均成交额超500亿元，约占股市成交额6%，为量化策略应用提供充足流动性。

• 图4和图5分别展示了转债余额及数量的平稳增长趋势，以及交易活跃度的持续提升。

[pidx::3]

---

2. 传统可转债策略及其收益衰减分析

2.1 双低策略

• 策略原理：选取双低指标（转股溢价率100 + 转债价格）较低的20%转债，理解为估值较低且价格不高，旨在捕捉相对正股低估和价格合理的转债。

- 双低转债的纯债溢价率和转股溢价率均明显低于市场平均水平（图6与图7），体现策略筛选出估值便宜的券种。

• 但策略表现存在衰减趋势。剔除低评级小市值转债，双低组合表现见图8和图9，自2022年以来其超额收益明显减弱。

[pidx::4][pidx::5]

2.2 隐波策略

• 策略核心在于利用转债作为债券＋看涨期权的定价拆分，计算隐含波动率（通过优化求解B-S模型反推）与历史波动率的差值，选取隐含波动率较低即被低估的转债。

- 以海澜转债为示例，计算得隐含波动率31.1%，期权价格基于转换比例和期权行权价格估算（图10与图11）。

• 该策略捕捉期权价值低估，但近年收益也出现下滑（图12与图13），与双低策略表现类似。

[pidx::5][pidx::6]

---

3. 深度学习策略构建与应用

3.1 GRU模型结构

• 采用序列模型GRU改进传统RNN，解决梯度消失问题，结构紧凑高效，适合对历史时间序列数据建模（图14、图15展示GRU网络结构和门控机制）。

- 通过更新门和重置门，模型动态调整保留和遗忘历史信息的比例，适合预测短期股债类产品未来收益。
[pidx::7]

3.2 量价信息GRU模型

• 输入40个交易日的量价7维特征序列，进行时序及截面z-score预处理，输出预测未来5日收益率。

- 模型结构包含两层GRU、Dropout（0.1）及线性层，训练采用L1损失，每半年重新训练，取多模型平均预测。

• 量价因子RankIC均值维持在5%-9%左右，表现稳定（图18）。

- 分组回测显示多头端区分度不明显，单靠量价模型表现有限（图19、图20）。
[pidx::8][pidx::9]

3.3 增加估值因子的综合GRU模型

• 将双低、隐波、纯债溢价、转股溢价等可转债特有因子纳入序列输入，同时拼接截面属性向量，共同预测未来收益（图21）。

- 综合GRU模型RankIC明显提升，达到10%-14%区间，且胜率高达87.6%（图22、图23）。

• 分组回测表现单调，盈利组年化超额收益15.6%，空头组表现负收益18.6%（图24、图25）。

- 高换手率是显著问题（单边1672%），后续利用3日线性加权移动平均（LWMA）平滑信号，换手率降至年化900%左右（图26、图27）。

• 平滑后的综合因子表现稳定，RankIC依旧维持在较高水平，夏普比率提升（图28-图31）。

[pidx::10][pidx::11][pidx::12]

3.4 模型持仓组合特征

• 多头组合内估值偏低，平均转股溢价率低于市场（图32）。

- 收益贡献主要来自平衡型转债，且占比最高，偏股型转债由于权益市场波动影响收益表现较弱（图33、图34）。

• 信用评级方面，高评级转债（AA及以上）占比84%，贡献大部分绝对收益，相比低评级更被模型青睐（图35-图38）。

- 说明深度学习模型对信用风险控制较为谨慎，偏好稳健信用标的。
[pidx::13][pidx::14]

3.5 TOP30组合收益表现

• 基于GRU综合LWMA因子构建的全市场及平衡偏债子市场TOP30组合，均表现出强劲的绝对及超额收益（图39-图42）。

- 全市场TOP30组合年化绝对收益24.1%，最大回撤-11.4%，超额收益21.1%，换手率约1365%（图43）。

• 平衡偏债TOP30组合收益稍低但夏普比更高（2.49），最大回撤更小（-8.8%），换手率相当（1367.6%）。

- 结果表明深度学习策略可以通过灵活选取子市场，优化收益与风险的权衡。
[pidx::15][pidx::16]

---

4. 可转债在固收+组合中的应用

• 2023年数据表明，可转债在混合债券类基金普遍存在且份额持续增长，多数基金设定了5%以上的可转债持仓（图44、图45）。

- 在纯债与转债间配置构建固收+组合，利用万得中长期纯债基金指数和平衡偏债TOP30转债组合，调整债券：转债比例，组合表现见图46。

• 纯债转债配比8:2为最佳，兼顾收益和风险，2021年至2023年9月22日，年化收益7.05%，夏普比3.64，最大回撤-1.9%，卡玛比3.79，2023年单年表现良好（图47）。

- 说明深度学习策略下可转债可有效提升类固收产品的风险收益特征。
[pidx::17][pidx::18]

---

5. 总结与展望

• 传统的估值类策略存在收益衰退，说明市场竞争加剧和信息充分对其效果形成挑战。

- 深度学习模型利用非线性和时间序列特征综合挖掘转债市场隐含信息，显著提升策略表现和风险管理能力。

• 多头组合以高评级、低估值的转债为主要持仓，收益稳健且夏普表现良好。

- 固收+组合中融入此策略有效提升风险调整收益，显示应用前景广阔。

• 未来将继续探索更多因子、创新模型结构并深化对模型收益来源的理解，以进一步优化策略表现。

[pidx::19]

---

6. 风险提示

• 模型基于历史数据，具备失效风险，未来市场环境变化可能导致策略效果下降。

- 计算过程存在误差，需警惕量化模型非完美性和模型风险。
[pidx::20]

---

图表深度解读

• 图1（风险/收益刻画）

通过图形分区表现可转债价格对应不同股价下的风险特征，从“信用”和“权益”两大属性观察，将转债价值分为债性、平衡及股性区域，突出转债双重属性。

• 图2、图3（可转债债性与权益弹性）

时间序列对比显示中证转债相比万得全A股票指数波动明显降低（债性），同时相比纯债指数展现更高的价格涨幅潜力（权益弹性）。

• 图4、图5（市场扩容及成交额）

余额及数量呈指数增长，成交活跃度提升至股票市场约6%，体现其高流动性和活跃交易的潜力。

• 图6、图7（双低转债估值指标）

双低指标转债纯债溢价率和转股溢价率均显著低于市场均值，筛选出低估值转债。

• 图8、图9（双低策略净值与超额收益）

策略净值持续上升但增长速度放缓，超额收益自2022年开始递减，显示策略有效性下降趋势。

• 图10（期权定价公式）

标明用B-S期权定价模型计算隐含波动率的详细数学公式，结合转债作为欧式看涨期权资产特性进行估值。

• 图12、图13（隐波策略表现）

与双低策略趋势类似，绝对收益虽上涨但超额收益出现降低且波动加大。

• 图14、图15（GRU结构）

介绍GRU网络单元核心机制，展示其门控与更新流程，体现网络对序列数据记忆与信息筛选功能。

• 图16、图17（GRU量价模型结构）

输入为40日7维量价时序数据，经两层GRU与Dropout再经MLP映射，输出未来5日收益预测，仅限量价信息。

• 图18（GRU量价因子RankIC）

多维市场子分类均表现RankIC正向稳定积累，偏债型表现最好。

• 图19、图20（量价因子分组收益）

空头端有显著区分度，多头端表现平坦，表明未完全捕捉涨势信号。

• 图21（GRU综合模型结构）

除量价序列外并入双低、隐波、转债评级等属性拼接再预测，增强模型表征能力。

• 图22、图23（GRU综合因子RankIC）

综合因子RankIC提升至10%以上，时间序列表现稳定，胜率强。

• 图24-图25（综合因子分组收益）

收益更单调且凸显多空差异，投资信号更强。

• 图26-图27（换手率分析）

全因子模型换手率高，经过3日LWMA平滑后显著降低，减少交易成本。

• 图28-图31（平滑后因子表现）

RankIC、收益及超额收益仍维持强信号，平滑操作未减弱有效性。

• 图32-图38（持仓特征分析）

多头持仓低溢价、主要为平衡型转债，且信用评级集中在高评级，符合风险调整后的收益最大化准则。

• 图39-图43（TOP-N组合表现）

不同规模组合均稳定跑赢基准，中型组合（TOP30）收益风险最优，验证模型有效性和实际应用价值。

• 图44-图45（可转债在基金中的配置现状）

不同基金类型转债占比稳步提高，高比例基金数量明显，凸显转债资产重要性。

• 图46-图47（固收+策略回测）

不同比例配置转债后提升组合表现，8:2配置显示最佳风险收益比，降低最大回撤同时提升夏普比率。
[pidx::2][pidx::3][pidx::4][pidx::5][pidx::6][pidx::7][pidx::8][pidx::9][pidx::10][pidx::11][pidx::12][pidx::13][pidx::14][pidx::15][pidx::16][pidx::17][pidx::18]

---

7. 估值及投资逻辑分析

• 传统策略主要基于估值指标（转股溢价率、纯债溢价率、隐含波动率）筛选被低估转债，依赖经典套利与期权定价理论。

- 深度学习通过GRU模型捕猎非线性和时序复杂关系，突破单因子策略限制，增强预测精度。

• 融合多因子和资产属性的复合模型映射转债隐含价格反应，赋能策略灵活适应多变市况。

- 投资逻辑上，模型通过对过去量价及估值因子的动态记忆与筛选，预测未来短期收益，利用多头分组形成多空对冲，增强风险调整后的收益。

• 方案还通过信号平滑技术降低交易频度，兼顾成本与收益。

- 估值方法依托Black-Scholes期权定价模型估算隐含波动率，构成隐波策略基础。

• 综合模型通过神经网络将非线性函数逼近，对转债多维度信息进行映射，是超越传统估值模型的升级。

[pidx::5][pidx::7][pidx::10][pidx::11]

---

8. 风险因素评估

• 模型风险：作为基于历史数据训练的模型，深度学习策略可能因未来市场结构、监管政策、宏观经济等变化导致失效。

- 计算误差风险：模型训练与推断中可能存在数据误差、参数估计误差等，影响预测准确性。

• 交易成本与流动性风险：高换手率带来的交易费用和市场冲击成本可能降低策略实际收益。

- 信用风险：转债信用等级虽整体偏高，但低评级转债暴露的信用风险依然存在，对整体组合构成潜在下行压力。

• 市场风险：转债市场波动性依然较大，权益市场波动波及转债价格，模型需持续适应市场动态。

- 报告指出量化策略的局限性，提醒投资者注意策略应用的风险与不确定性。
[pidx::0][pidx::20]

---

9. 批判性视角与细微差别

• 报告强调深度学习策略优越性，然而目前样本涵盖时间有限（2020年后），难以完全验证模型在极端市场环境下稳定性。

- 高换手率虽通过信号平滑得到改善，但交易频率依旧相对较高，未具体量化假设市场冲击成本变化对策略的影响，实际交易成本可能被低估。

• 高度依赖次日均价VWAP成交价假设可能低估流动性影响，实际执行风险需评估。

- 模型更偏好高评级转债，虽然风险较低，但可能错失部分高收益标的，投资机会可能受限。

• 传统策略表现衰减归因于估值抬升和市场效率提高，暗示未来超额收益挖掘难度加大，深度学习模型虽表现良好，仍需警惕过拟合和数据泄露风险。

- 报告未涉及宏观变量与政策风险对模型的适应性，这在可转债市场影响较大，需作为后续研究方向。

• 文件整体论点自洽，但不同策略样本期限及指标细节可能导致收益对比存在非完全可比性。

[pidx::0][pidx::19]

---

10. 结论性综合

本报告系统回顾了可转债市场结构及传统投资策略的历史表现，明确指出双低策略和隐波策略近年来受到估值抬高影响，表现衰减。随后，报告创新性地引入深度学习技术，基于GRU循环神经网络，结合市场量价信息及转债结构特有估值指标，构建综合因子，提高了对未来5日收益的预测精度。经过信号平滑处理，策略换手率虽依旧较高但有所控制，收益和风险数据表现优异。

深度学习策略构建的多头投资组合展现低估值、高评级的持仓偏好，有利于风险控制。实证回测表明基于该策略构建的TOP30组合，自2021年至2023年，年化收益达24.1%，最大回撤控制在11.4%，相较于中证转债指数表现出显著超额收益及较好风险调整表现。在固收+资产配置中，合理配置比例的可转债深度学习策略组合，实现年化7%以上的收益，夏普比接近3.6，极大提升了资产配置的风险收益效率。

报告明确指出深度学习策略尽管表现优异，但仍面临模型假设、交易成本及市场环境变化等风险，需持续迭代和优化。未来工作的重点在于扩展因子库和创新模型架构，同时增加对策略内在机理的理解与解释。

整体而言，报告展现了深度学习在可转债投资领域的显著潜力，提供了从理论到实证的完整路径，尤其强调了量化模型在日频转债市场的高活性条件下的应用优势和策略优化空间，具备较高的学术和实务价值，为投资者提供一个创新且有效的转债投资框架。
[pidx::0][pidx::2][pidx::3][pidx::4][pidx::5][pidx::6][pidx::7][pidx::8][pidx::9][pidx::10][pidx::11][pidx::12][pidx::13][pidx::14][pidx::15][pidx::16][pidx::17][pidx::18][pidx::19]

---

总结

本报告从市场背景、传统策略演变、深度学习模型构建再到投资组合实证全面系统地诠释了可转债量化投资的进阶路径。通过详尽的模型架构及多维因子分析，结合丰富的图表展示了策略的性能和风险控制。风险提示和批判性视角的提出显示出研究团队的严谨态度，保证了报告的客观性和科学性。该报告是深度学习应用于固定收益衍生产品投资领域的优质示范，具有重要的参考价值和推广应用潜力。

报告