从传统策略到深度学习的可转债投资——民生证券研究院量化专题报告详尽解析
一、元数据与报告概览
- 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(执业证书S0100522110002)、刘曦远(执业证书S0100123010018)
- 发布机构:民生证券研究院
- 发布日期:2023年10月09日
- 研究主题:以可转债市场为核心,探讨传统可转债投资策略的衰减及如何利用深度学习构建新型投资策略以提升收益,并进一步探讨深度学习策略在固收+组合中的应用。
核心论点及结论
- 传统可转债投资策略(如双低策略和隐波策略)尽管历史表现优异,近年因市场估值抬升表现出现衰减迹象。
- 利用深度学习,特别是门控循环单元(GRU)模型,结合可转债市场独特因子,能够构建更有效的投资因子,显著提升策略的绝对及超额收益。
- 基于深度学习因子构建的日频多头组合表现优异,年化绝对收益达到24.1%,超额收益超过21%,且固收+策略中融入转债深度学习策略可有效提升风险收益比。
- 报告提醒,量化模型基于历史数据,有策略失效的风险,且存在测算误差。
,1,19,20]
二、逐节深度解读
1. 可转债简介(第2-3页)
-
关键概念介绍:
- 可转债是一种混合资产,兼有债券和股票期权性质,投资者在一定条件下可以将其转换为发行公司的股票。
- 报告详细定义了“转股价值”、“纯债价值”及“平底溢价率”等核心指标,揭示了转债的股债两性,表现出债券的稳定收益和股票的上涨弹性。
-
图形解读(图1-3):
- 图1阐述转债的风险收益特征,显示不同股票价格区间内转债价格的波动特性,反映从债券型到权益型的特征演变。
- 图2-3换算为可转债的波动和收益特性,中证转债指数波动小于正股(表明债性),且转债相较纯债具备权益收益弹性,体现潜在上涨空间。
-
意义:明确可转债的双重属性为后文策略设计提供理论基础,同时界定了转债资产的风险收益定位。
2. 市场扩容及交易活跃(第3页)
-
市场规模扩张:
- 自2018年以来,存量转债数量由约30只迅速增长至500余只,余额突破8000亿人民币。
-
交易活跃度:
- 20日移动平均成交额超过500亿,是股票市场成交额的约6%,显示市场活跃,为量化策略提供宽广应用场域。
-
图形说明(图4-5):
- 图4展示转债余额和数量双增长趋势,体现市场扩容的实质。
- 图5对比转债和A股成交额比例,转债交易热度高,具备策略实施保证。
3. 可转债传统策略收益衰减(第4-6页)
-
策略介绍:
- 双低策略:选取转股溢价率与转债价格低的20%标的,定位于相对正股低估且价格合理的转债。
- 隐波策略:基于Black-Scholes模型计算转债期权的隐含波动率,选取期权价值被低估的转债。
-
策略有效性分析:
- 双低转债的平均纯债溢价率和转股溢价率均低于全市场,显示策略逻辑的合理性(图6-7)。
- 回测数据显示:自2022年起,双低策略的净值和超额收益持续下滑(图8-9)。
- 隐波策略以海澜转债为例,报告详细计算隐含波动率(31.1%),并用该指标构建策略。其超额收益同样呈现近年衰减趋势(图12-13)。
-
推理基础:
- 传统策略依赖于估值规律,市场估值抬升后,低估机会减少,策略空间收窄。
,5,6]
4. 可转债深度学习策略构建(第7-16页)
4.1 模型概述(第7页)
- 采用RNN中的GRU模型,解决传统RNN中的梯度消失问题,通过更新和重置门机制进行信息传递。
- GRU较少参数,计算高效,适合时序金融数据处理。
- 图14-15展示GRU结构及更新方程,清晰说明其机制。
4.2 GRU量价模型设计(第8-9页)
- 输入:过去40个交易日的7维量价特征(开盘价、最高价、最低价、收盘价、成交额、成交量、加权均价)。
- 结构:两层GRU+Dropout(0.1)+全连接层,预测未来5日收益率。
- 训练:半年为周期,半年度训练一次,采用L1损失,输出多次训练结果均值。
- 结果:RankIC(预期收益与预测排名相关性)稳定,均在5%~9%左右,但分组回测表现有限,空头区分较好,多头区分不明显(图18-20)。
4.3 引入多因子综合模型(第10-12页)
- 将传统双低、隐波、纯债溢价率等转债特有估值指标加入GRU输入,结合转债截面属性如到期收益率、剩余期限、评级等与GRU输出拼接后,再由全连接层输出未来收益预测(图21)。
- 综合模型RankIC提升至10.7%-14.3%,时序稳定,胜率高达87.6%。
- 分组回测证明收益单调且明显,年化超额收益15.6%,空头收益负18.6%(图22-25)。
- 换手率较高(超过1600%/年),对交易成本敏感,通过3日加权移动平均信号(LWMA)平滑后,换手率降低至约1000%-1300%,预处理后信号表现仍然强劲,回测收益仍具显著超额(图26-31)。
4.4 模型组合特征分析(第13-14页)
- G5多头组合内部,转股溢价率普遍低于全市场平均,表明模型偏好相对低估转债(图32)。
- 收益贡献主要来自平衡型和偏债型转债,偏股型因权益市场波动贡献不稳定(图33-34)。
- 多头组合内信用评级分布以AA及以上为主,占84.2%,信用较高转债贡献大多数收益(图35-37)。
- 虽然低评级转债理论收益更高,深度学习模型偏好高评级转债,或体现风险控制考虑(图38)。
4.5 基于深度学习因子的TOP-N组合表现(第15-16页)
- Top30全市场组合2021年至2023年9月实现24.1%年化绝对收益,最大回撤11.4%,超中证转债21.1%年化超额收益,换手率超千%,表现显著(图39-40)。
- 平衡和偏债转债内Top30年化收益22.9%,回撤8.8%,夏普比2.49,显示更稳健的风险收益(图41-43)。
5. 在固收+组合中应用深度学习策略 (第17-18页)
- 可转债现为类固收+基金重要配置资产,混合债券基金中可转债占比明显提高。
- 统计显示,超五成混合债基金净值中可转债占比5%以上(图44-45)。
- 构建纯债(中长期纯债型基金指数)与转债(平衡及偏债单元Top30)组合,不同权重比表现分析(图46-47)。
- 推荐8:2配置兼顾收益和风险。该组合自2021年起至今年化收益7.05%,最大回撤仅1.9%,2023年收益4.13%,回撤0.5%,夏普比3.64,卡玛比率3.79,风险控制稳定,表现优异。
,18]
6. 总结与风险提示(第19-20页)
- 传统策略进入衰退期,市场结构或估值变迁使得简单估值策略效用下降。
- 深度学习介入成功,提升了因子信息挖掘效率和模型的非线性学习能力,带来收益和风险指标的全面提升。
- 固收+组合中,深度学习转债策略作为超额收益来源,提高组合的整体风险调整收益。
- 报告警示策略基于历史数据,存在策略失效和模型误差风险,需持续迭代优化。
,20]
三、图表深度解读重点摘录
- 图1风险收益剖面揭示转债作为权益与债券的复合衍生品,风险收益适中,且具备价格背离带来的套利机会(第2页)。
- 图6-7双低策略指标相较市场处于较低水平,策略逻辑基于转债低估定位验证有效,然而净值趋势(图8-9)表明策略近期表现疲软(第4-5页)。
- 图12-13隐波策略也展现近年收益衰退,说明期权价值偏离度不再持续提供超额收益(第6页)。
- 图14-15 GRU结构图揭示深度学习模型机制,支持复杂非线性关系的捕捉,为算法因子准确度夯实基础(第7页)。
- 图18-20 GRU量价模型RankIC稳定但回测表现有限,说明纯量价信息不足(第9页)。
- 图22-25 多因子GRU综合模型RankIC提升,回测收益出色且单调,体现估值因子与属性因子结合的重要性(第10-12页)。
- 图26-27 平滑处理显著降低换手率,有效提升实际操作的可行性(第11页)。
- 图32-38 持仓构成重点集中于低溢价率和高评级转债,反映稳健风险控制和优化收益的组合偏好(第13-14页)。
- 图39-43 TOP30组合绝对及超额收益出色,夏普稳健,说明深度学习因子择券效力及其策略的实用价值(第15-16页)。
- 图44-45 基金申报数据显示转债配置普及与提升趋势,为策略实施提供资金市场基础(第17页)。
- 图46-47 固收+组合表现突出,8:2配比达到收益与风险平衡的最佳点(第17-18页)。
四、估值方法与模型结构解析
- 传统隐波策略基于Black-Scholes欧式期权定价模型,利用市价转债与纯债价值,二分法求解隐含波动率,标识期权被低估程度。
- 深度学习模型利用GRU架构:
- 输入为多因子时序数据与截面属性。
- GRU门控机制确保长期依赖捕捉及信息过滤。
- 输出层采用线性全连接层将隐状态映射为未来收益预测。
- 损失函数使用L1,半年度再训练保证模型对市场变化敏感。
- 预测结果通过RankIC评价因子信息量,通过分组回测验证后续实际投资效果。
- 以多条换仓路径考虑换仓时点不确定性,资金均摊方式反映真实交易策略表现。
五、风险因素评估
- 策略失效风险:市场未来结构、政策、估值等变化可能导致历史的因子关系失效,进而削弱模型表现。
- 模型误差风险:深度学习模型复杂且为黑盒,在训练过程和实现中存在计算及数据偏误的可能。
- 高换手率引发的交易成本风险:尤其深度学习策略初期换手率过高,虽通过平滑处理有所缓解,仍需关注由于交易成本带来的资产净值冲击。
- 个券信用风险:模型偏好高评级,低评级转债的意外信用事件仍是潜在风险。
- 市场流动性风险:尽管市场日成交活跃,个券流动性分布不均,突发流动性紧缩可能影响策略执行。
- 报告提出风险提示,但未详细衔接具体缓解措施,投资者应结合实际审慎应用。
,6,20]
六、批判性视角与细节观察
- 传统策略衰减可能不仅是估值提升,还可能与市场机构参与度提升、信息透明度增强等结构变化相关,报告未展开讨论。
- 深度学习模型的黑盒问题尚未得到充分披露,如何解释模型预测与实际持仓的关联,理解收益来源尚需深入研究。
- 策略回测多为历史数据的拟合表现,实际应用中的执行滑点、市场冲击、流动性变化风险均存在不确定。
- 高换手率虽平滑处理后有所下降,但仍远超一般公募基金换手率,实际执行成本及投资者心理成本需评估。
- 深度学习模型偏好高评级转债,表面看来降低风险,但可能错失因评级下调后的收益机会,模型偏好形成机制值得探讨。
- 缺乏对宏观经济周期及极端行情下表现的讨论,在转债市场周期属性明显的背景下此点显得尤为重要。
- 报告风格严谨但未提供策略的稳健性检验(例如不同时间窗、样本外测试)详细信息,呈现层面尚有提升空间。
七、结论性综合
本报告系统梳理了可转债传统量化投资策略及其效用的变迁,透彻分析了双低策略和隐波策略在近年来市场估值上升背景下表现逐步衰减的内在逻辑。创新地引入深度学习算法,特别是门控循环单元(GRU)模型和多因子融合框架,深入挖掘转债市场的非线性与复杂时序特征,显著提升了预测准确度和组合投资回报。图表数据清晰表明,深度学习模型的RankIC在10%以上,回测中全市场TOP30多头组合实现逾24%的年化绝对收益,超额收益强劲且风险调整后指标表现良好。
此外,报告探讨该策略在固收+资产配置框架中的实际应用,利用纯债与转债的8:2配比,在保证较低波动率及最大回撤的同时,实现了7%以上的年化收益,凸显模型在实际资产配置中的价值。
报告整体研究框架完整,数据详实,图表丰富,深度学习模型结构和训练细节充分披露,支持其结论的科学性。然而,报告在策略潜在风险的披露和模型解释性方面仍有提升空间,适用性仍需结合市场微观环境审慎评估。
综上,报告为转债投资者提供了传统策略的反思及深度学习策略的实践路径,体现了量化研究与现代机器学习技术结合的前沿探索,具备较强的实用和参考价值。
全文引用标识:本分析所有结论及推断均来源于民生证券研究院《从传统策略到深度学习的可转债投资》报告正文及图表。
附:部分关键图示样例
图1:可转债风险收益刻画
图22:GRU综合因子5日收益率累计RankIC
图43:GRU综合LWMA因子TOP30组合分年度表现
图47:固收+策略收益统计(2021至2023.9)
(完整图表及更多数据请参见报告正文)
结语
通过本报告的深刻剖析,我们可见,深度学习技术为传统可转债策略注入新活力,提升了投资绩效和风险管理水平。对投资者而言,理解并合理利用这些先进模型,可增强市场竞争力。同时,不断关注市场变化和模型适应性,保持策略的动态优化,是未来持续成功的关键。