>> 中郵證券-金工專題報告：深度學習增強的可轉(zhuǎn)債量化策略-250321
| 上傳日期： |
2025/3/24 |
大?。?/td>
| 1307KB |
| 格式： |
pdf 共24頁 |
來源： |
中郵證券 |
| 評級： |
-- |
作者： |
肖承志 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
投資要點
時序標準化算子能夠顯著改善傳統(tǒng)可轉(zhuǎn)債因子的穩(wěn)定性。量化多因子模型在可轉(zhuǎn)債市場有一定作用，GRU模型能夠從可轉(zhuǎn)債行情數(shù)據(jù)和正股行情數(shù)據(jù)中挖掘有效信息，顯著提升可轉(zhuǎn)債多因子模型的表現(xiàn)。
可轉(zhuǎn)債傳統(tǒng)因子改進
引入時序標準化算子對傳統(tǒng)因子進行調(diào)整，顯著提升了傳統(tǒng)因子的穩(wěn)定性。改進后的轉(zhuǎn)股溢價率因子多空最大回撤從28.62%縮小至17.56%，多空夏普比率從1.91提升至2.60。改進后的雙低因子多空最大回撤從30.43%縮小至10.91%，多空夏普比率從2.09提升至2.57。
可轉(zhuǎn)債多因子模型表現(xiàn)
運用不同的合成方式和因子構(gòu)建可轉(zhuǎn)債多因子模型。基于所使用的因子，從合成方式上看，歷史ICIR加權(quán)相比等權(quán)和歷史線性回歸有較大優(yōu)勢，歷史線性回歸略弱于等權(quán)。從因子角度看，使用調(diào)整因子合成的模型相比基礎(chǔ)因子合成的模型的表現(xiàn)提升顯著。結(jié)合基礎(chǔ)因子和調(diào)整因子的模型多頭收益表現(xiàn)進一步提升。
GRU模型表現(xiàn)
可轉(zhuǎn)債行情以及正股行情對可轉(zhuǎn)債未來收益預測均存在有效性?；诳赊D(zhuǎn)債日行情的GRU模型多空年化收益率45.74%，最大回撤13.04%，夏普比率3.05?？赊D(zhuǎn)債分鐘行情的GRU模型多空年化收益率49.74%，最大回撤13.04%，夏普比率3.51。正股映射的GRU因子多空年化收益率77.18%，最大回撤7.36%，夏普比率5.39?；谡煞昼娦星橛柧毜目赊D(zhuǎn)債GRU模型多空年化收益率51.51%，最大回撤10.23%，夏普比率4.67。
結(jié)合GRU模型和多因子模型
結(jié)合GRU模型和多因子模型得到的最終因子表現(xiàn)顯著提升。多空年化收益率高達113.35%，最大回撤4.83%，夏普比率7.17?；谧罱K因子構(gòu)建的多頭組合顯著跑贏萬得可轉(zhuǎn)債等權(quán)指數(shù)（889033.WI），超額年化收益率8.70%，超額最大回撤4.64%，信息比率1.96。
風險提示：
因子失效風險；模型失效風險；實盤交易風險。
|
|
