從傳統策略到深度學習的可轉債投資.pdf

從傳統策略到深度學習的可轉債投資?？赊D債是一種在一定條件下可以轉換為發行公司股票的債券。可轉債市場近 年來不斷擴容，交易投資活躍，量化策略有廣闊應用前景。截至 2023 年 9 月， 存量可轉債數量已超過 500 只，可轉債余額也突破 8000 億，市場成交額 20 日 移動平均超過 500 億。

可轉債傳統投資策略有衰減跡象。雙低策略通過投資雙低指標較低的轉債， 尋找相對正股偏低估并且價格不高的可轉債進行投資。雙低策略歷史上絕對收益 和超額收益顯著，但自 2022 年以來整體超額收益逐漸衰減，策略有失效跡象。 隱波策略尋找轉債期權價值相對于理論價值偏低的轉債進行投資，本質也是利用 轉債的估值。隱波策略歷史表現出色但近年來超額收益也有衰減跡象。

將深度學習應用于可轉債投資，策略收益得到顯著提升。針對可轉債傳統投 資策略近年來超額收益逐漸衰減的問題，利用深度神經網絡，學習可轉債復雜的 非線性的市場定價邏輯，構建新的投資策略。門控循環單元(Gated Recurrent Unit, GRU)是一種改進的 RNN 架構，旨在解決傳統 RNN 中的梯度消失問題， 并在計算效率上有一定優勢。僅考慮量價的 GRU 模型分組回測效果欠佳，將可 轉債特有的時序因子引入到 GRU 模型中，并且將轉債截面屬性因子與 GRU 模 型輸出拼接后預測未來收益，模型表現提升顯著。

利用深度學習因子可進行可轉債日頻多頭組合構建。基于深度學習因子構建 全市場 TOP30 可轉債投資組合，組合自 2021 年初至 2023 年 9 月 22 日，扣費 后（買入賣出各 1‰）年化絕對收益 24.1%，最大回撤-11.4%，相對于中證轉債 指數年化超額收益為 21.1%，年化單邊換手率為 1365.5%；在平衡和偏債轉債 中構建的 TOP30 組合同期年化收益雖有所下降，為 22.9%，但夏普比率達到 2.49，最大回撤提升至-8.8%，年化單邊換手率為 1367.6%。

在固收+中融入可轉債深度學習策略提升組合風險收益比。可轉債兼具股性 與債性，現已成為類固收+基金的重要投資標的。2023 年基金中報顯示，混合債 券型一級、二級基金持有的可轉債占基金凈值比分別為 8.4%和 15.2%，可轉債 成為絕對收益策略的重要投資標的。利用純債與轉債構建低風險固收+組合。純 債轉債 8 比 2 的配比兼顧絕對收益與回撤風險。8 比 2 的固收+組合自 2021 年 至 2023 年 9 月 22 日，年化絕對收益為 7.05%，夏普比達到 3.64，最大回撤為 -1.9%，卡瑪比率為 3.79。2023 年年初至 9 月 22 日，絕對收益達到 4.13%， 最大回撤僅為-0.5%。