Alpha掘金系列之十四：GBDT与NN机器学习可转债择券策略.docx

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

增量信息的影响 5

专注多头的损失函数尝试 7

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

GRU与LGBM因子合成 13

机器学习转债择券因子检验 14

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

图表16：GRU模型时序数据增强方案 9

图表17：GRU模型数据增强统计数据 9

图表18：GRU模型数据增强多头净值 10

图表19：GRU模型数据增强多头超额净值 10

图表20：GRU模型数据增强拼接后统计数据 10

图表21：GRU模型数据增强拼接后多头净值 10

图表22：GRU模型数据增强拼接后多头超额净值 10

图表23：GRU模型数据增强拼接后多空净值 11

图表24：GRU模型数据增强拼接后分组年化超额 11

图表25：LGBM模型数据集 11

图表26：LGBM模型增量信息统计数据 12

图表27：LGBM模型增量信息多头净值 12

图表28：LGBM模型增量信息多头超额净值 12

图表29：LGBM模型增量信息多空净值 13

图表30：LGBM模型增量信息分组年化超额 13

图表31：GRU与LGBM各输入对应因子相关性 13

图表32：机器学习转债择券因子统计数据 14

图表33：机器学习转债择券因子多头净值 14

图表34：机器学习转债择券因子多头超额净值 14

图表35：机器学习转债择券因子多空净值 14

图表36：机器学习转债择券因子分组年化超额 14

图表37：ML转债因子在偏股型转债中统计数据 15

图表38：ML转债因子在偏股型转债中多头净值 15

图表39：ML转债因子在偏股型转债中多头超额净值 15

图表40：ML转债因子在平衡型转债中统计数据 15

图表41：ML转债因子在平衡型转债中多头净值 15

图表42：ML转债因子在平衡型转债中多头超额净值 15

图表43：ML转债因子在偏债型转债中统计数据 16

图表44：ML转债因子在偏债型转债中多头净值 16

图表45：ML转债因子在偏债型转债中多头超额净值 16

图表46：机器学习转债择券策略统计数据 16

图表47：机器学习转债择券策略净值 17

图表48：机器学习转债择券策略超额净值 17

图表49：机器学习偏股型转债择券策略统计数据 17

图表50：机器学习偏股型转债择券策略净值 17

图表51：机器学习偏股型转债择券超额策略 17

图表52：机器学习平衡型转债择券策略统计数据 18

图表53：机器学习平衡型转债择券策略净值 18

图表54：机器学习平衡型转债择券策略超额净值 18

图表55：机器学习偏债型转债择券策略统计数据 18

图表56：机器学习偏债型转债择券策略净值 19

图表57：机器学习偏债型转债择券策略超额净值 19

一、传统可转债择券因子效果不佳

可转债，即可转换公司债券，是一种兼具债券和股票特性的投资工具。它允许投资者在特定条件下将债券转换为公司股票。可转债的优势在于它提供了两方面的安全性和灵活性：首先，作为债券，它提供定期的利息收益和本金偿还的优先性；其次，作为股票，它赋予投资者在公司股价上涨时转换为股票以获取潜在资本增值的机会。因此，可转债不仅提供了较低风险的投资选择，还有机会参与公司的未来增长。

A股可转债市场规模经历了从1993年的不足10亿元到2024年初的8462亿元的显著增

长。1993年至2002年市场规模从不足10亿元增长至2002年末的63亿元，