Alpha系列分析报告：GBDT+NN机器学习，可转债择券策略.pdf

神经网络模型——以GRU为代表的优化探索

对于GRU模型，我们发现利用日度K线和转债的三种溢价率作为输入，可以取得最好的效果。为了提升模型的多头表

现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。为应对训练样本不足的

问题，我们引入了数据增强策略，尤其在2022年之前的数据上取得了显著成效。然而，在数据充足的2022年之后，

使用原始数据反而更能适应市场变化。通过这一模型调整，GRU模型在多头和多空上的表现均有所提升，这表明数据

增强在数据量较少的情况下对于提升模型性能是有效的。

决策树模型——以LGBM为代表的优化探索

对于LGBM模型，我们将转债和正股的Alpha158因子，以及一组手工构建的12个因子作为输入，以提供多样化的因

子视角。结果显示，转债和正股的Alpha158因子的组合在LGBM模型中实现了最佳的多头表现，而手工构建的因子表

现不佳，可能需要进一步的因子扩充来满足模型需求。

机器学习转债择券策略

GRU模型与LGBM模型训练得到的因子相关性较低，仅为0.35，因此我们将两者等权合成得到机器学习转债择券因子

（ML因子）。ML因子在全部转债上IC均值为9.71%，5分组多头年化收益率为22.80%，多空年化收益率31.83%；在

偏股/平衡/偏债型转债上IC均值为8.41%/9.42%/8.90%，多头年化收益率为28.36%/18.99%/15.32%，多空年化收益

率39.04%/25.41%/20.04%。进一步考虑扣费和换手率缓冲，使用20%的转债，相对中证转债指数构建机器学习转债择

券策略，该策略在全部转债上年化收益率14.59%，跟踪误差5.18%，信息比率2.23，超额最大回撤4.24%；在偏股/

平衡/偏债型转债上年化收益率分别为20.77%/11.11%/9.09%，信息比率分别为1.44/1.64/0.90。

风险提示

1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。

2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出

现亏损。

1

扫码获取更多服务

金融工程专题报告

内容目录

一、传统可转债择券因子效果不佳5

二、神经网络模型——以GRU为代表的优化探索5

2.1增量信息的影响5

2.2专注多头的损失函数尝试7

2.3数据增强有效缓解极端分布8

三、决策树模型——以LGBM为代表的优化探索11

四、机器学习转债择券策略13

4.1GRU与LGBM因子合成13

4.2机器学习转债择券因子检验14

4.3机器学习转债择券策略16

总结19

风险提示19

图表目录

图表1：可转债数量变化5

图表2：GRU模型数据集6

图表3：GRU模型增量信息统计数据6

图表4：GRU模型增量信息多头净值6

图表5：GRU模型增量信息多头超额净值6

图表6：GRU模型增量信息多空净值7

图表7：GRU模型增量信息分组年化超额7

图表8：GRU模型多头损失统计数据7

图表9：GRU模型多头损失多头净值7

图表10：GRU模型多头损失多头超额净值7

图表11：GRU模型多头损失多空净值8

图表12：GRU模型多头损失分组年化超额8

图表13：可转债分年度训练样本数8

图表14：数据增强举例（1）9

图表15：数据增强举例（2）9

2

扫码获取更多服务