银河金工可转债定价模型系列研究：条件特征神经网络对转债蒙特卡洛定价模型的改进.pdf

银河金工可转债定价模型系列研究：条件特征神经网络对转债蒙特卡洛定价模型的改进。蒙特卡洛转债定价模型存在耗时长、不可微等问题：前篇报告中我们构建了 蒙特卡洛转债定价模型，从模型假设、模拟方法、参数设置、代码实现等多方 面对传统转债定价模型进行了改进，相比传统模型有效提高了定价精度、充分 体现了赎回下修等附加条款对转债定价的影响，但仍存在耗时长、方差大、不 可微等问题，无法满足高频交易或大规模资产负债管理对转债定价“实时、可 微、批量”的要求，因此我们引入深度学习模型对转债定价做进一步改进。

构建条件 MLP 转债定价模型，“中心样本+局部扰动”数据增强策略扩充 样本池：多层感知机（MLP）模型是一类以全连接神经网络为基础的函数逼 近模型，可捕捉不同条款之间的交互效应与状态依赖性，可快速复现高精度的 蒙特卡洛价格，适用于内嵌多个复杂条款的可转债定价。为扩充训练集数据量， 我们在蒙特卡洛定价结果的基础上筛选误差较小的样本作为“有效样本”，并 实施“中心样本+局部扰动”数据增强策略扩充样本池。在模型结构构建上， 我们更进一步采用条件 MLP 模型，以转债平价 S/K、波动率σ等定义“转债状 态”，通过 FiLM 机制作用于主干 MLP 的各隐藏层，使赎回/下修概率等参数 均可根据转债所处状态实现动态调整。

条件 MLP 转债定价模型具有较高的定价精度，可快速计算定价结果、敏 感度指标与隐含波动率：我 们分 别 用 蒙 特 卡 洛 模 拟 价 格 与 市 场 真 实 数 据 对 MLP 模型的效果进行了检验，结果显示 MLP 模型不仅很好地学到了蒙特卡 洛定价的逻辑，对真实市场数据也展现出较高的定价精度，且预测转债定价速 度在毫秒级别，相比蒙特卡洛模型的计算速度有显著提升。此外，MLP 转债 定价模型还可应用于计算 Delta、Gamma 等参数敏感度指标与反推隐含波动 率，弥补了蒙特卡洛模型在这些应用场景的空白。

MLP 定价模型应用示例：平衡型转债配置策略：为综合展示 MLP 转债定 价模型的应用场景，我们以平衡型转债为基础样本池，构建量化择券策略。我 们根据定价误差、相对误差、正股波动率等因子对平衡型转债打分，并根据转 换平价 S/K 划分区间并进行分层抽样择券，每期选出 10 只转债，采用 MLP 模型计算出的 Delta 倒数计算权重。2023 年 12 月 29 日至 2025 年 12 月 19 日，平衡型转债配置策略实现年化收益 27.59%，相比基准中证转债指数实现 年化超额收益 14.72%，说明基于 MLP 定价模型计算的定价误差与 Delta 进 行择券的与配置的平衡型转债策略可实现超额收益。