可转债研究系列之-二-：应用遗传算法构建的可转债策略.pdf

证券研究报告·金融工程报告年月日江海证券研究发展部

2025327

金融工程研究报告

金融工程研究组可转债研究系列之（二）

——应用遗传算法构建的可转债策略

分析师：梁俊炜投资要点：

执业证书编号：S1410524090001

◆研究要旨：本文应用遗传算法基于可转债的量价和基本面信息挖掘因子，并据

此构建策略。本文还展示了策略优化的过程，逐步展示策略经过不同处理步骤

后的差异，以体现更精细化的策略研究过程和更贴合的优化操作。本文提出的

相关研究报告

四个策略，分别适合机构投资者和个人投资者在量化交易和非量化交易中的使

可转债研究系列之（一）基于传统双

低策略的优化2025.02.28用场景。

量化因子掘金系列（三）遗传算法因◆策略表现：“持仓数10个加权”策略年化收益率为35.3%，年化超额为29.16%，

子挖掘与因子非线性合成2024.09.11贝塔为1.40，阿尔法为0.275，夏普为1.43%，周度胜率为53.0%，盈亏比为2.0，

最大回撤为19.5%，各项表现大幅超越转债等权和中证转债。

◆策略特点：持仓数10个的策略适合个人投资者操作；而持仓数约50个的策略

适合机构投资者，更符合集中度的要求，且胜率更高，持有人投资体验提升；

加权分配的仓位控制更适合量化交易场景。以上策略除2018年外，年年正收

益，且年度回撤幅度可控。

◆优势亮点：其一，持仓集中度与仓位分配的灵活组合，满足机构投资者分散化

需求与个人投资者操作便利性；其二，样本外测试(2024年)年化收益达45.4%，

验证模型对市场环境变化的适应性；其三，通过引入正股市值因子与量价特征

的交互项，有效捕捉小盘转债的弹性机会。

◆模型研究：研究发现，以收盘价收益率为拟合目标的因子稳健性较强；共线性

去除后，组合的表现显著提升；非线性合成能增强组合整体表现，但损耗最优

组合表现；保留极值信息有助于提升此模型效果；持仓个数与净值表现呈先增

后减关系，存在局部最优解，需警惕数据挖掘风险。

◆风险提示：本报告中所采用的模型及其预测结果可能受到多种因素的影响，包

括但不限于模型构建方法、参数估计的准确性、所依赖的假设条件以及模型应

用的局限性等。此外，市场环境和外部条件是动态变化的，历史数据无法完全

预测未来的市场走向。本文提供的信息应仅供参考，投资者在做出投资决策时

应谨慎，并结合实际市场分析和专业意见。

江海证券有限公司及其关联机构在法律许可的情况下可能与本报告所分析的企业存在业务关系，并且继续寻求发展这些关系。因此，投资者应当考虑到本公司可能存在影响本报告客观性的利益

冲突，不应视本报告为投资决策的唯一因素。

敬请参阅最后一页之免责条款

证券研究报告·金融工