本报告针对可转债兼具债底防御与权益弹性、单一风格难以长期占优的特征,构建宏观与微观因子结合的胜率—赔率择时框架。报告基于2015年至2025年数据,从54个微观因子和146个宏观因子中,通过平稳性处理、格兰杰因果检验、滚动IC测试及相关性筛选有效变量,并采用OLS或ARDL模型预测未来不同期限收益率,以预测收益率正负决定满仓或空仓。宏微观复合策略在月度调仓下实现年化7.19%的超额收益、1.6的夏普比率、超过2的卡玛比率,最大绝对回撤约为5%,并在信用冲击及高估值阶段发出空仓信号以控制风险。
| 策略指标 | 月度复合策略表现 |
|---|---|
| 回测起始时间 | 2015年以来 |
| 调仓频率 | 月度 |
| 年化超额收益 | 7.19% |
| 夏普比率 | 1.6 |
| 卡玛比率 | >2 |
| 最大绝对回撤 | 约5% |
| 宏观因子胜率 | 33% |
| 宏观因子超额收益 | 5.7% |
报告的核心论点是:可转债兼具债券的下行防御与股票的上涨弹性,但其静态买入并持有的风险收益效率并不突出,因此需要进行择时;可转债不同风格之间不存在长期稳定的单一赢家,需要根据市场环境动态切换;在模型构建上,微观因子适合贡献较高的胜率,宏观因子则更适合在极端行情中贡献较高赔率,二者结合能够改善收益曲线、控制回撤。
报告最终构建了由 54 个微观因子和 146 个宏观因子组成的候选因子库,通过平稳性检验、格兰杰因果检验、时序 IC 检验和相关性筛选,利用 OLS 或 ARDL 模型预测未来 1 周、2 周、1 个月、3 个月和 6 个月的可转债指数收益,并据此采取“预测收益率为正则满仓、为负则空仓”的二元仓位策略。, ,
可转债的基本结构决定了其同时具有债券属性和股票属性。债底为价格提供一定下行保护,转股期权则使其能够分享正股上涨收益。然而,报告指出,近五年可转债的夏普比率约为 0.71,明显低于中债综合指数的 3.06,说明可转债虽然具有较高收益弹性,但单位风险所获得的回报效率并不理想。
与股票相比,可转债的近五年最大回撤约为 -16.99%,低于多数主流宽基指数,因此其风险控制能力相对较好;但与正股相比,可转债在 3 年、5 年维度上的上涨弹性又相对不足。换言之,可转债处在“股票收益弹性不够高、债券风险调整后收益又不够优”的中间状态,静态持有难以同时实现防御和进攻目标。
这构成择时的第一层逻辑:在权益市场牛市阶段,应提高对股性更强、正股联动性更高的可转债配置;在市场下跌、震荡或信用风险上升阶段,则应降低仓位或转向债性更强的品种。
图表 1 试图从收益、波动、最大回撤和夏普比率等维度比较可转债、股票和债券资产。其最重要的信息不是可转债绝对收益最高,而是可转债具有“中等波动、较高弹性、但风险调整后效率不占优”的组合特征。
该图表支持报告的两个判断:
报告在此处没有展开各指标的具体计算区间、无风险利率假设、是否计入交易成本,也没有明确解释“近五年夏普比率”采用日频还是月频数据。因此,图表更适合作为资产配置逻辑的方向性证据,而不是可直接复核的完整绩效表。
图表 2 展示高价与低价可转债指数的相对表现。图中深蓝色区域代表“高价—低价”的累计超额,整体上多数时期处于负值,说明低价转债在较长时间内相对占优;但在 2020—2022 年等权益市场风险偏好较高的阶段,高价转债出现明显阶段性反弹,甚至短期跑赢低价品种。
其经济含义是:高价转债通常意味着正股上涨、转股价值较高或市场风险偏好较强,具有更高的股性和上涨弹性;低价转债则往往具有更厚的债底和更高的到期收益率,在震荡、下跌或风险偏好下降阶段更具防御性。因此,低价策略虽在全样本中可能占优,但其优势并非稳定、线性地存在。
图表 3 显示高评级转债与低评级转债的相对表现。图中高评级—低评级的累计超额在较长阶段为负,低评级转债的收益表现更突出;但在信用环境收紧、风险偏好下降或信用冲击阶段,高评级品种的相对防御价值会提高。
低评级转债通常具有更高票息、更高到期收益率以及更大的潜在转股期权价值,因此在市场走强时可能上涨更快;高评级转债则具有更好的信用质量、流动性和安全边际。该图表说明评级因子不是静态的收益来源,而是信用周期和风险偏好的函数。
图表 4 中,低转股溢价率或低估值组合的净值长期显著高于高估值组合,尤其在 2021 年之后更为明显;但 2024 年以后,低估策略的超额表现出现回撤和震荡。
转股溢价率本质上反映可转债价格相对于转股价值的溢价。低溢价率通常意味着转债价格更接近正股转股价值,向上弹性和估值安全边际较好;但当整个市场进入资产荒、可转债整体估值抬升时,“低估”品种本身也可能已经不便宜,低溢价策略的边际收益会下降。报告由此提出,2024 年以后低估值策略失效或弱化,反而提高了对估值择时的研究需求。
图表 5 显示偏股型转债在中长期显著跑赢偏债型转债,但其净值波动也更大。偏股型转债对正股上涨更加敏感,具有较强的凸性收益;偏债型转债则更接近信用债或利率债,收益弹性较低但防御性较强。
这里的关键结论是,偏股型转债的长期超额并不意味着任何时期都应持有偏股转债。其更高收益伴随更大波动,投资者仍然需要通过市场择时来降低在股市下跌阶段持有高股性资产的风险。
报告构造了两类资产组合:
在后验视角下,即假设每个季度都能提前知道未来表现最好的资产,并将资金配置到最优资产,两个组合在 10 年内的理论净值分别约增长至 4 倍和 7 倍,明显高于单一资产持有的净值表现。
这张图表的作用是说明择时的理论价值,而不是展示真实可复制的策略收益。因为“每个季度精准识别最优资产”使用了未来信息,属于事后最优选择,存在明显的前视偏差,不能直接作为可实现收益目标。它所能证明的是:股债转债之间的收益差异具有足够大的时间变化,如果能够部分识别这些环境切换,理论上可以显著改善组合收益风险比。
报告将策略收益拆解为两个维度:
报告认为,微观因子具有高频、高波动特征,适合在短期交易中提高胜率;宏观因子频率低、波动低,不适合持续贡献高胜率,但可以在信用冲击、政策变化、流动性转向等极端环境中贡献较高赔率。
这种框架的创新之处在于,它没有简单追求所有因子都具备高 IC 或高胜率,而是允许不同因子承担不同功能:微观因子负责“经常判断对”,宏观因子负责“关键时刻判断对且收益幅度大”。
报告对中证 800、中证 2000、中证可转债指数和中债新综合财富指数进行不同持有期的两两相对胜率分析,发现各资产间胜率大体分布在 40%—60%,没有某一资产能够长期稳定占据绝对优势。
图表 8 和图表 9 分别比较高低价、高低评级以及高低估值、偏股偏债策略的胜率;图表 10 和图表 11 则展示高低估值、偏股偏债策略的胜率分布。报告指出,低价、低评级、低估和偏股型转债的胜率在部分周期略高,且持有期拉长后部分策略胜率呈上升趋势,但这种优势并不充分稳定,特别是估值和偏股偏债策略的时序胜率存在明显不均衡。
这组分析的统计意义在于:由于不同资产或风格之间没有极端的数据不平衡,模型不需要简单地偏向某一长期赢家,因而适合使用机器学习或计量模型识别驱动变量。报告进一步推断,若能利用宏观和微观因子捕捉风格优势正在形成或正在收敛的阶段,便有机会在保持较高赔率的同时提高胜率。
样本期为 2015 年 1 月至 2025 年 12 月,共有 198 个候选预测变量,其中微观因子 54 个、宏观因子 146 个。研究目标是预测未来 1 周、2 周、1 个月、3 个月和 6 个月的中证可转债指数收益率。,
报告称 2015 年 1 月至 2024 年 6 月为样本内数据,2024 年之后为样本外数据,但原文“202年以来为样本外数据”的表述存在明显文字缺失或笔误,具体样本外起点需要进一步核实。
因变量原始数据为日频,但为了降低日度噪声、适应周频及以上的持有期限,研究将数据转换为周频:每周所有交易日的因子数据取算术平均值。宏观数据主要为月频,采用月末最新值并向前填充至周度;微观日频数据则通过滚动均值转为周度。
图表 12 将收益归因拆解为赔率和胜率:赔率进一步包括收益弹性、凸性收益和宏观择时,胜率则主要对应更适合量化的数据平衡性以及微观择时。
该框架强调,宏观因子并非一定要像传统选股因子一样具有高频、稳定、连续的预测能力。宏观因子的价值可能集中体现于少数极端时期,例如信用风险暴露、流动性快速收紧或政策方向改变。
图表 13 展示了从数据准备、因子构建、因子筛选、预测模型构建到策略回测的完整流程。研究采用 ADF 平稳性检验、格兰杰因果检验、IC 检验和相关性检验对变量逐层筛选,然后根据残差自相关情况选择 OLS 或 ARDL 模型。
宏观因子被划分为经济水平、消费与价格、货币流动性、财政税收和海外市场五大类;微观因子则包括正股类、债券类和转债类因素。宏观因子示例包括 GDP、工业生产、消费者信心、房地产施工面积、M1、社会融资规模、财政收入、美国有效联邦基金利率等;微观因子示例包括正股估值、10 年期国债收益率、利率价差和转债百元溢价率。
宏观经济变量通常具有趋势、季节性和周期性,如果直接用于时间序列回归,容易产生伪回归。报告因此使用 ADF 单位根检验,并对宏观变量采取阶梯式差分:首先进行季节性环比差分,若仍不平稳则进行同比差分,必要时继续进行高阶季节性差分。
微观因子则采用一阶或二阶常规差分,原则上不采用三阶及以上差分,以避免可解释性下降和噪声增加。
最终结果显示,54 个微观因子经处理后均达到平稳;146 个宏观变量中,138 个需要差分或季节性调整,其中 95 个经一阶季节性差分后平稳、30 个需要年度差分、13 个需要更高阶季节性差分。
这一处理具有计量上的合理性,但也带来经济含义损失的可能。差分后的变量更多反映“变化速度”而非“水平状态”,例如房地产施工面积的同比变化与房地产绝对规模对市场的含义并不完全相同。
格兰杰因果检验并不证明真正的经济因果关系,而是检验变量 X 的历史信息是否能够改善对变量 Y 的预测。报告以 5% 为显著性阈值,最大滞后阶数设置为 52 周,并通过 AIC 选择最优滞后结构。,
之后,研究采用固定 26 周滚动窗口计算时序 RankIC,筛选条件包括:
因子相关性则以 Pearson 相关系数绝对值超过 0.3 作为较强相关的参考标准,在高度相关的因子组中保留 ICIR 更高或经济含义更清晰的因子。
这里存在一个需要审慎看待的问题:研究同时在 198 个变量、多个预测周期和多种滞后结构中进行筛选,即使每一步统计检验都符合标准,也可能产生多重检验导致的偶然显著。报告没有展示多重检验校正、完全冻结的样本外参数或交叉验证结果,因此因子筛选的过拟合风险仍然存在。
如果 OLS 模型残差不存在显著自相关,研究使用 OLS 预测未来收益;如果残差存在自相关,则使用 ARDL 模型。ARDL 同时纳入收益率自身的滞后项以及因子的当期和滞后项,用于刻画收益惯性、因子冲击的滞后传导和短期动态调整。,
研究还设计了全样本 OLS 和 26 周滚动 OLS。全样本 OLS 的参数稳定、可解释性强,但可能无法适应市场结构变化;滚动 OLS 能够反映因子影响系数随环境变化而变化,但牺牲了参数稳定性。
最终策略非常简单:预测收益率大于 0 时满仓中证可转债指数,预测收益率小于 0 时空仓。这种二元仓位设计有利于突出模型择时效果,但也意味着策略无法通过部分仓位、债券替代或风格轮动来平滑风险。
微观因子中,通过检验的主要类别包括债券价格、溢价率、量价、流动性和市场微观结构。例如 priceavg、convprice_diff、YTM_diff2、MaxPricePremium、bondratio_diff、bottomratio_diff、LowVolatility、Amihud_diff、dailyturnover 和 amplitude 等均被认为具有一定预测能力。
宏观因子则覆盖经济景气度、经济结构、货币流动性、CPI/PPI 等价格因素。其共同含义是,转债市场不仅受到正股和自身估值影响,也受到经济增长、房地产、流动性和通胀预期的影响。
报告还提供了两个具有解释力的失效案例:
宏观因子方面,自有资金、房地产施工面积、回购利率等表现较强,PPI 相关指标多数呈稳定负向关系,说明通胀压力可能压制短期转债市场表现。3—6 个月周期下,进出口和出口同比等外贸指标的预测能力增强,利率期限结构因子在 6 个月周期开始呈现正向预测关系。,
微观因子体现出明显的期限结构:
图表 21 中 priceavg 与一周收益 y_1w 的累计 IC 持续下降,表明该因子在短期内主要呈负向预测关系。
图表 22 中 stkratio 与 y_1w 的累计 IC 总体向上,支持正股联动对短期转债收益具有正向预测作用。
图表 23 中 bottomratio 与 y_1m 的累计 IC 主要向下,说明该因子在一个月周期内的预测方向总体偏负,但曲线局部存在波动。
图表 24 中 bondvalue 与 y_1m 的累计 IC 长期向上,最高约达到 50 以上,支持债底价值在中期具有正向解释力。
图表 25 中 bondratio 与 y_6m 的累计 IC 持续向下,说明该因子对六个月收益的预测方向较稳定但为负。
图表 26 中 diffturnover 与 y_6m 的累计 IC 持续向上,最终约达到 120,视觉上显示其长期预测稳定性最强。
这些图表共同说明,因子有效性不仅取决于因子本身,也取决于预测期限。短期市场更多由正股联动和交易情绪主导,中期由量价和债底安全垫主导,长期则更明显地表现为高估值反转。
报告特别指出,部分因子虽然满足 ICIR 的数量阈值,但累计 IC 不单调,因此被剔除。平底溢价率的 ICIR 未达到 0.15,说明其正负方向切换频繁;转股稀释率由于属于偏长期的股本结构因素,在一个月周期内难以形成有效传导;百元溢价率和隐含波动率则都出现了样本阶段性反转。,
图表 28 的 rho 累计 IC 先负后正,说明其与收益率之间的关系发生结构性变化,可能受到经济周期和利率传导机制改变的影响。
图表 29 的百元溢价率_diff 累计 IC 在样本期内先正、后负、再转正,非单调特征明显,说明市场规模、参与者结构和定价效率变化可能改变其含义。
图表 30 的隐含波动率_diff 累计 IC 总体为正,但中间出现明显回落,后期重新上升。报告认为,平稳期的隐含波动率上升可能代表期权价值提高,而恐慌或过热时期的高隐含波动率则可能代表风险溢价过高,随后面临波动率回落。
本报告没有采用 DCF、P/E、EV/EBITDA 或可比公司估值,也没有给出可转债指数目标价。其“估值分析”主要体现为转债价格、转股溢价率、平底溢价率、债底价值、正股 PE/PB 等因子在择时模型中的使用。,
从经济含义看:
报告的实证结论是,估值和价格因子短期可能表现为动量效应,即强势品种延续强势;但中长期则表现为反转效应,高估值最终压制未来收益。报告没有提供估值分位数、具体阈值、敏感性分析或不同估值区间下的目标收益,因此估值部分更接近统计因子研究,而非传统意义上的资产定价报告。
以月度调仓为例,宏微观复合策略自 2015 年以来实现:
报告认为,复合策略优于单独使用宏观因子或微观因子。微观因子在胜率方面更强,而宏观因子虽然胜率较低,但在极端行情中贡献更高赔率。例如月度策略中,宏观因子胜率只有约 33%,但仍获得约 5.7% 的超额收益,说明其收益可能集中来自少数关键风险规避阶段。
需要注意的是,“最大绝对回撤约 5%”与图表中的策略净值走势之间如何对应,报告没有完整给出计算口径,尚不清楚是否包含交易成本、滑点、指数复制误差、空仓期间现金收益以及调仓执行时滞。
五张图分别展示周度、双周、月度、季度和半年度换仓的策略净值与基准净值。总体来看,策略净值均明显高于基准,但短周期净值波动更频繁,长周期策略的空仓区间更长、净值曲线更阶梯化。
从图形上看,1 周策略在 2021—2022 年和 2024—2025 年的超额较为明显,但期间也存在策略净值快速回撤;2 周策略的超额更加突出;1 个月、3 个月和 6 个月策略在 2021 年以后明显拉开与基准的差距,尤其 1 个月和 6 个月策略在 2024 年后表现较强。长周期策略虽然可能减少交易成本,但由于预测收益是长期累计结果,信号变化后反应也可能较慢。
图表 42 的仓位图以 0 和 1 表示空仓和满仓,可以看出策略并非长期满仓,而是在多个阶段主动切换仓位。2024 年信用冲击前后,模型出现持续空仓信号;2025 年 9 月以来,在可转债整体价格和估值偏高的背景下,模型多次发出空仓信号。
图表 43 进一步列出月末确定的下月仓位,但原文没有呈现具体明细表格数值,因此无法逐月核验信号与市场涨跌之间的对应关系。历史仓位图支持模型“风险规避型绝对收益策略”的定位,但也显示策略收益可能集中在少数空仓规避阶段,而不是稳定地来自每日或每周的持续择券收益。
附录图表 44—47 列示宏观因子框架及具体名单,覆盖经济、价格、消费、流动性、财政、房地产、海外市场等多个方面。,
图表 48—51 列示微观和宏观因子的平稳性检验结果,支持正文关于 54 个微观因子和 146 个宏观变量平稳性处理的结论。,
图表 52—53 列示一个月预测周期下的格兰杰检验结果,是正文筛选宏观、微观因子的统计依据之一。不过,正文和附录并未完整展示所有因子的 P 值、滞后阶数、样本量和多重检验修正结果,因此外部读者难以逐项复算模型筛选过程。
报告列示的风险包括:
首先,研究进行大量因子和预测周期筛选,存在数据挖掘风险。其次,宏观月频数据采用前值填充,虽然符合数据可得性要求,但如果没有严格按照实际发布日期处理,可能产生信息提前使用问题。第三,策略只设置满仓或空仓,未考虑仓位梯度、交易成本、滑点、资金占用和实际可复制性。第四,宏观因子数量多且大量进行差分,差分后变量的经济含义可能弱于原始指标。第五,报告将样本内和样本外区间表述得不够清晰,且绩效图从 2019 年左右开始,而完整数据样本始于 2015 年,可能意味着滚动训练窗口或可用数据窗口导致回测起点延后,需要进一步说明。, ,
此外,报告称 ARDL 可以兼顾短期动态和长期均衡关系,但正文主要强调预测功能,没有展示协整检验、ARDL 参数、样本外误差或与其他机器学习模型的对比。因此,ARDL 的理论优势是否转化为实际预测优势,尚未被充分证明。
总体而言,本报告的价值不在于提出某一个简单的“买入低价转债”或“长期持有偏股转债”结论,而在于建立了一个“胜率—赔率—宏观—微观”相结合的可转债择时框架。报告通过图表 2—5 说明不同风格的相对收益具有明显周期性;通过图表 6 说明股债转债之间的择时理论收益空间较大;通过图表 7—11 说明各资产和风格胜率相对均衡,具备模型识别和动态配置的空间。,
从因子层面看,短期预测主要依赖正股联动和市场交易结构,中期更加依赖量价和债底价值,长期则表现出高估值反转。宏观因子不一定带来最高胜率,但在信用冲击、利率变化、流动性收缩和估值泡沫等极端阶段可能提供较高赔率。,
从策略表现看,宏微观复合模型月度调仓实现约 7.19% 的年化超额收益、1.6 的夏普比率和约 5% 的最大回撤,显示其历史回测具有较好的风险收益特征。但这些结果仍依赖历史样本、因子筛选和回测设定,不能直接等同于未来可实现收益。该策略更适合作为绝对收益产品中的风险开关或仓位择时模块,而不是独立、无条件长期持有的收益来源。
20260310-国金证券-量化可转债系列专题:基于宏微观胜赔率的可转债择时策略.pdf