本文针对含路径依赖下修条款与发行人赎回条款的可转债,构建基于路径依赖偏微分方程、固定网格动态规划和深度神经网络的定价框架,并分别在GBM、CEV和Heston模型下进行分析。以中信银行可转债为例,模型价格与LSMC基准高度接近,且在状态维度提升时具有更温和的计算扩展性;研究发现,契约条款对估值的影响大于股票动态模型的选择,赎回条款压低债券价值,而基准设定下的下修条款因改善转股条件而提高债券价值。自动微分得到的Delta和Gamma也与中心差分结果较为一致。
| 输入维度 | 二次LSMC基函数数量 | 三次LSMC基函数数量 | DNN参数数量 |
|---|---|---|---|
| 5 | 21 | 56 | 8,769 |
| 11 | 78 | 364 | 9,153 |
报告没有给出传统证券研究意义上的“买入/持有/卖出”评级,也没有针对二级市场投资者发布目标价。文中的价格是风险中性定价框架下的模型价值,而非市场预测价格或投资建议。,
报告的核心观点可以概括为四点:
可转换债券同时具有普通债券和股票期权的特征。持有人通常获得票息和到期本金,并拥有按约定转换价格将债券转换为股票的权利。因此,当股价较低时,债券的固定收益和本金保护构成主要价值;当股价上涨时,转换权提供权益性上行收益。
报告指出,可转债对发行人也具有融资优势:相较于直接发行股票,可转债可以推迟股权稀释;相较于普通债券,嵌入转换权通常允许发行人支付较低票息。
中国产品尤其常见两类路径依赖条款:
中信银行案例中,股票收盘价低于有效转换价格80%的交易日,在连续30个交易日中达到15日时,触发向下重置资格;股票价格达到有效转换价格130%以上的交易日,在30日内达到15日时,发行人获得赎回权。,
这两个条款方向相反:重置改善投资者未来转换条件,赎回则限制投资者继续持有债券并分享股价上涨。因此,价值不仅取决于当前股票价格,还取决于近期有多少天满足触发条件、过去已经发生过多少次重置、当前转换价格是多少,以及未来触发赎回的概率。,
报告将债券价值写为 (V(t,\omega_t,H_t)),其中:
普通PDE只把当前股价作为状态变量,而PPDE允许价值函数直接依赖历史路径。作者进一步指出,在具体的GBM、CEV和Heston模型下,可以通过加入足够的路径统计量,将原本无限维的历史路径问题转化为有限维的Markov状态问题。,
在没有触发条款的区间内,价值满足风险中性定价方程;在监测日期,赎回和重置通过“传输条件”连接前后两个区间。重置不是局部微分算子中的普通变量变化,而是通过非局部切换条件将 (H) 替换为新的转换价格,因此跨越重置边界时不要求价值函数具有完整的经典光滑性。
模型采用“赎回优先”规则:如果同一监测日赎回和重置同时满足,先检查赎回,不执行重置。这一设定使两种边界条件互斥,并避免同一状态同时适用两个相互冲突的合同操作。,
赎回触发后,债券价值取发行人赎回价格与持有人继续持有或转换价值之间的合同最优关系。报告的动态规划表达中,发行人可以在赎回价格低于继续价值时赎回,持有人则仍保留转换权。
GBM假设股票收益率波动率为常数,优点是结构简单、计算稳定,缺点是不能直接反映波动率随股价或时间变化的现象。
CEV模型将波动率与股价水平联系起来,并引入弹性参数。它比GBM具有更强的非线性,能够产生不同于常数波动率模型的价格曲面和尾部行为。,
Heston模型将瞬时方差作为额外状态变量,并由均值回复过程描述波动率。模型包含长期方差、均值回复速度、波动率的波动率以及股票与方差之间的相关系数等参数。,
报告还指出,在满足 (v_0>0) 且 (2\kappa\theta>\eta^2) 等条件时,Heston方差过程可以保持严格为正;这一条件有助于理论证明和数值稳定性。
报告为聚焦路径依赖条款,作出多项重要简化:
这些假设显著降低了模型难度,但也意味着模型结果不能直接等同于包含真实信用利差、股息、审批流程和合同价格下限后的市场公允价值。
作者将到期日划分为 (N) 个时间步,步长为 (h=T/N)。状态变量包括当前股价 (S_i)、转换价格 (H_i)、时间以及滚动窗口统计量。滚动窗口统计量包含赎回计数、重置计数以及必要的历史价格特征。,
动态规划从到期日向前递推:
基准网络为三层全连接网络,每层64个神经元,采用ReLU激活函数,输出一个标量作为当前时点的继续价值。GBM和CEV输入通常包括标准化后的股价、转换价格、时间、赎回触发指标和重置触发指标;Heston模型还加入当前方差。,
训练目标是使神经网络输出接近下一期价值、票息和贴现构成的单步动态规划目标。作者使用Adam优化器,初始学习率为 (10^{-3}),保留10%的样本做验证,并使用验证损失早停和学习率调整。
图1清晰展示了从输入状态到三层隐藏层再到继续价值输出的流程。该结构的实质是:网络不是直接学习市场价格,而是在每个时间点学习风险中性动态规划中的条件期望。
图1的另一个重要含义是,不同股票动力学共享相似的网络结构,但输入状态不同:Heston额外输入方差,路径依赖则通过触发指标和窗口统计量进入网络。
作者证明单步动态规划算子在 (L^2) 意义下具有非扩张性质,并进一步证明神经网络近似误差会沿时间递归累积,但在固定时间网格上,如果各单步训练误差趋于零,则整体价格会收敛到精确的固定网格递归结果。,
需要特别注意的是,报告并没有证明当网格步长 (h\to0) 时,神经网络价格必然收敛到连续时间PPDE的真实解。作者明确承认,连续时间收敛还需要处理触发边界的不连续性、稳定性以及滚动窗口结构,因此属于未来的独立理论问题。
表1汇总了中信银行可转债的合同参数。案例债券发行规模约400亿元,单张面值100元,发行日为2019年3月4日,期限至2025年3月3日,转股期从2019年9月11日开始。
表1还包含80%重置阈值、130%赎回阈值、15日/30日窗口规则以及票息、无风险利率等定价输入。报告将赎回价格简化为面值,即 (K=B),而没有加入累计利息带来的复杂性。
表2列出GBM、CEV和Heston的基准参数。报告在不同模型下保持合同结构一致,通过比较价格曲面来区分“股票动力学差异”和“合同条款差异”。原文提取版本没有完整显示表2的全部数值,因此无法对每个参数逐项复核,但正文明确说明三种模型均使用统一的案例合同和相应基准参数。,
图2分为GBM、CEV和Heston三组,每组包含三个曲面:
第一列显示,债券价格总体随波动率提高而上升,因为更高波动率增加了股票大幅上涨、转换权进入价内状态的可能性。股价较低时,固定收益部分占主导;随着股价上升,转换权价值增强,价格对股价的响应变得更明显。,
第二列显示,赎回阈值 (b) 越高,债券价值越高。原因是较高的赎回门槛降低了发行人提前赎回的概率,使持有人有更多时间保留转换权和股票上涨收益。期限越长通常也会提高价值,但当赎回阈值较低时,长期限的收益受到提前赎回的限制。
第三列显示,重置阈值 (a) 越高,重置越容易发生,债券价格在基准范围内上升。重置降低转换价格、提高转换比例,从而提升投资者的潜在股票价值;虽然较低转换价格也会降低有效赎回门槛,使未来赎回更容易,但在基准参数下,前者影响更大。
三种模型的曲面形状整体一致,差异主要体现在价格水平和曲率上。这支持作者“合同条款的重要性高于底层扩散模型选择”的结论,但该结论严格来说只是在三个特定模型、一个案例合同和一组参数范围内成立。
表3使用相同的模拟路径、合同规则和时间离散方式比较DNN与LSMC。基准五维输入下,DNN价格为129.555,LSMC价格为129.760,绝对差约0.205,相对差约0.158%。加入2个、4个和6个滞后股价后,相对差仍低于0.5%,LSMC价格保持在129.760至129.788之间。,
这说明DNN并没有产生明显偏离LSMC的数值结果。不过,LSMC在这里仅是数值基准,不是解析真值,因为该合同没有闭式解。因此,二者接近只能证明两种近似方法具有一致性,不能证明价格已经接近真实市场公允价值。,
表4比较多项式LSMC和神经网络在状态维度上升时的复杂度。输入维度从5增加到11时,二次多项式基函数数量从21增加到78;三次多项式基函数数量从56增加到364。
相比之下,三层64神经元网络的参数量按 (64d+8,449) 计算,从维度5时的8,769个增加到维度11时的9,153个,相对增幅约4.4%。实际计算时间中,DNN耗时增加约5.9%,而LSMC耗时增加约261%。
这一结果揭示了DNN的真正优势:不是低维情况下运行得更快,而是当滚动窗口历史变量增加时,DNN不需要不断扩展高阶交叉项和多项式基函数。
表5考察每年52、104、208和416个时间步。52步提高到104步时,均值价格变化约0.297%,平均配对绝对变化为0.3832;208步提高到416步时,均值价格变化只有0.064%,但平均配对绝对变化达到2.3908,最细网格的种子标准差升至3.5623。
因此,0.064%的均值差并不意味着真正的高精度收敛,因为不同随机种子下价格变化方向可能相反,导致均值差异相互抵消。运行时间则从52步的191秒增加到416步的1,629秒,输入维度也从11增加到55。,
作者因此选择104步/年作为后续计算的合理折中。需要注意的是,时间网格映射本身是近似的:104步使用6/12规则,而208步使用12/25规则,后者并不完全等同于严格的15/30比例,这可能引入额外的离散化差异。,
表6比较普通债券、仅含赎回条款的债券以及同时含赎回和重置条款的债券。
这组结果是全文最重要的经济含义之一:赎回条款是投资者让渡给发行人的上行期权,重置条款则是投资者获得的下行保护和更有利转换条件。不过,“重置增加价值”依赖于基准设定,并非所有合同或参数下都必然成立。
图3横轴为赎回计数 (N^{call}),纵轴为累计重置次数,颜色表示当前股票价格,圆点表示继续持有,星号表示转换。图中展示了约第1、2、3、4、5和5.5年的横截面状态。,
图3显示,累计重置次数越多的路径通常对应越低的当前股价,因为持续弱势的股票更容易反复满足重置条件。另一方面,重复重置降低转换价格,使债券在未来更容易进入价内状态,从而可能增加转换和赎回相关事件的发生概率。
该图还说明,最优转换决策不能再由“股价是否超过某一固定阈值”简单表示。相同的当前股价,可能因为累计重置次数、赎回计数和距离赎回触发条件的程度不同,而对应继续持有或转换两种不同决策。,
三张敏感性表分别对应GBM、CEV和Heston模型。结果显示:
具体而言,波动率下降20%时,GBM和CEV价格分别下降约2.35%和2.73%;波动率上升20%时,价格分别上升约2.70%和2.96%。Heston初始波动率下降和上升20%时,价格变化约为-1.17%和+1.56%。
赎回阈值下降20%会导致三种模型价格大约下降19%,而上升20%时,GBM、CEV和Heston价格分别上升约6.61%、7.91%和12.93%。这表明发行人赎回权的触发难易程度对价值具有非常强的非线性影响。
报告使用自动微分计算Delta和Gamma。由于ReLU网络二阶导数不够平滑,作者先拟合局部ReLU网络,再用Softplus网络对局部价值进行光滑近似。,
表10显示,局部ReLU网络对一步动态规划目标的解释度超过90%;相对MAE约为0.41%至1.05%,相对RMSE约为0.64%至1.50%。ReLU与Softplus价值近似的差异低于0.11%。自动微分和中心差分的平均绝对Delta误差低于0.004,平均绝对Gamma误差低于0.005,最大误差分别不超过0.015和0.042。
图4比较有重置和无重置情况下的敏感度曲线。
无重置情形下,Delta在股价接近转换价格7.45附近时上升更快,随后逐步下降;Gamma在转换价格以下较高,接近转换区域时快速下降,并在更高股价区间转负。加入重置后,Delta整体明显降低,Gamma的正负波动也有所缓和,说明重置条款削弱了债券价值对当前股价的局部敏感度,但并没有消除合同边界附近的曲率变化。
本文没有采用DCF、P/E或EV/EBITDA等企业估值方法,而是采用风险中性定价和动态规划。核心输入包括无风险利率、股票价格动力学、波动率、期限、票息、转换价格、赎回价格、重置阈值、赎回阈值和滚动窗口触发规则。,
DNN和LSMC都在模拟风险中性股票路径基础上递归估计条件期望。LSMC使用二次多项式基函数,DNN则通过非线性网络直接逼近继续价值。报告没有给出市场价格与模型价格的系统性比较,也没有估算信用利差或校准误差,因此其“129.555”等数值应理解为模型内生价值,而不是经过市场校准的目标价。,
最重要的局限是重置机制被简化为“触发后直接令新转换价格等于股票价格”。真实中信银行合同包含董事会提议、股东批准、监管限制、30日和20日平均交易价格、最近交易日价格、每股净资产和面值等下限约束。模型忽略这些内容,可能高估或低估重置条款价值。,
基准模型没有信用风险、违约回收、股息、配股和反稀释调整。作者在附录中给出了加入连续股息收益率和企业行动调整的方向,但这些扩展没有进入主要实证结果。,
报告假设赎回触发前主动转换通常不是最优,从而省略了普通继续区域中的持有人提前转换停止决策。这一假设简化了模型,但对于股价大幅上涨、票息较低或临近到期的状态,可能影响最优策略和价格。,
DNN与LSMC的一致性不是对真实价格的验证,因为两者都是近似方法,且LSMC本身不是解析基准。时间网格实验使用的独立种子只有三组,标准差同时受到路径抽样和网络初始化影响,因此统计稳定性证据仍然有限。, ,
DNN在输入维度上升时参数增长较慢,但网络仍需要大量模拟路径和反向训练。时间网格从52步增加到416步时运行时间显著上升,说明DNN并没有消除路径依赖定价的总体计算成本,只是改善了维度增长下的函数逼近方式。,
第一,作者认为合同条款比底层动力学更重要,这一结论与图2、表6和表7至表9一致,但其证据范围限定在GBM、CEV和Heston三个模型、中信银行一个案例及给定参数区间,不能直接推广到信用风险高、流动性低或海外市场可转债。,
第二,作者同时指出“局部参数敏感性中,赎回阈值最重要”,但表6显示引入重置条款的绝对价值影响约18,明显大于赎回条款约3.8至4.4。两者并不真正矛盾:前者衡量参数局部变化,后者衡量从无条款到有条款的制度变化,但报告需要明确区分这两个概念,避免把“最敏感参数”误读成“最有价值条款”。,
第三,图3中作者说明所展示的横截面没有发行人实际赎回状态,但赎回计数达到触发区域后,仍使用拟合的赎回前继续价值和赎回价格评估持有人决策。因此,图中的星号并不表示已经发生赎回,而是表示在该状态下的转换决策,这一点对于理解图形非常重要。
第四,附录F关于不同神经网络结构的表格在提供的文本提取中存在明显排版损坏,表格数值无法完整核验;表1、表2、表10以及附录D、G的部分公式或数值也未完整呈现。因此,虽然主文给出了主要结果,但读者无法仅凭当前文本复现所有参数和架构比较。,
总体而言,报告提出了一个面向复杂中国可转债条款的深度学习定价框架。理论上,它用PPDE描述股票路径和转换价格的联合演化,用监测日传输条件表达赎回和重置,用粘性解理论处理边界不光滑问题;数值上,它使用反向动态规划和神经网络近似条件期望,并证明在固定时间网格、单步训练误差趋于零时,DNN价格收敛于精确的离散递归。,
实证结果显示,DNN与LSMC在中信银行可转债上的价格高度接近,基准价格分别为129.555和129.760;随着输入中加入滞后股票价格,跨方法差异仍低于0.5%。DNN的主要优势并不是低维场景下的绝对运行速度,而是随着路径状态维度增加,参数和计算复杂度增长更加温和。
从经济解释看,赎回条款通过截断投资者上行收益降低债券价值;向下重置条款通过降低转换价格提升转换价值,在本文基准设定下其正面影响超过较低赎回门槛带来的负面影响。图2、表6以及敏感性分析共同支持这一结论。, ,
不过,报告的结论依赖无信用风险、无股息、简化重置映射、简化赎回价格和省略普通提前转换等假设。因而,该研究更适合被理解为一种处理复杂路径依赖合同的数值方法论,而不是已经完成市场校准、可以直接替代交易定价系统的完整估值模型。未来若加入信用风险、真实审批和价格下限、股息、反稀释条款以及更充分的市场数据校准,其实际金融应用价值将更高。,
2605.12189.pdf