多因子模型构建分类型可转债周度策略研究

可转债量化研究背景与多因子模型构建

随着中国可转债市场自2017年以来的爆发式增长，市场体量的扩张为量化投资策略提供了充足的样本空间和流动性基础，使得多因子模型在可转债领域的应用从理论探讨走向实践可行。在低利率背景下，机构投资者对可转债的配置需求日益增加，且不同类型的投资者对风险收益偏好不同，这要求可转债多因子研究向更精细化方向发展。本报告基于多因子模型，针对偏债型、平衡型、偏股型三类可转债分别构建周度调仓策略。

多因子模型属于主流量化选股模型之一，其理论基础可追溯至套利定价理论。在可转债量化应用中，首先需对因子进行去极值、标准化和缺失值填充等数据处理。因子测试方法主要采用因子IC测试和分组回测，通过计算因子值与未来收益率的RankIC来评价因子的显著性和有效性，并通过分组测试考察组合的累计收益率和超额收益表现。

多维度因子梳理与单因子回测效果

报告系统梳理了七个维度的因子：转债估值、转债量价、转债深度学习、转债分钟、转债Level2高频、正股量价及正股基本面。单因子测试结果显示，不同维度的因子有效性存在显著差异。

在转债估值因子方面，整体上估值类因子的RankIC绝对值较高，其中偏债型转债的RankIC绝对值最高，平衡型次之，偏股型较低。分位数因子如双低的6月ZSCORE、转股溢价率的3月ZSCORE等在各类别中均表现出较好的预测效果。在转债量价因子中，转债价格因子在不同类型上RankIC绝对值均较高，而换手率因子在偏股型转债上表现更佳。正股量价因子用于可转债分组测试的有效性明显高于转债自身量价因子，特别是动量因子在偏股型和平衡型转债上效果较好。

深度学习因子（如GRU、TCN模型）整体RankIC较高，使用全部可转债样本及9个特征训练的因子效果优于仅使用样本池或6个特征的因子。分钟因子和Level2高频因子在偏股型转债上RankIC较高，但这类因子投资逻辑较弱，更偏向数据挖掘，存在过拟合风险。正股基本面因子主要在偏股型转债上有效，在偏债型和平衡型转债上基本无效。

分类型因子选择与组合构建

基于单因子回测结果，报告针对不同类型可转债筛选有效因子构建多因子模型。偏债型转债主要选用估值因子和深度学习因子；平衡型转债主要选用估值因子、量价因子和深度学习因子；偏股型转债则综合选用估值、量价、深度学习、分钟高频因子及正股基本面因子。各维度因子间截面相关性不高，有助于分散风险。

在组合构建上，报告首先构建了各类型可转债多头组（前20%）组合。偏债型多头组年化收益相对较高且稳健，平衡型次之，偏股型收益最高但波动也较大。将三种类型组合等权配置后，历史回测显示组合年化收益显著提升，相对中证转债指数获得稳定的超额收益。然而，周度调仓导致的高换手率对收益侵蚀较大。

控制换手率策略与最终组合表现

为降低交易成本对策略收益的影响，报告引入了控制换手率的组合优化模型。通过施加个券权重上限和双边换手率不超过50%的约束，求解最优权重。结果显示，控制换手率后的组合在保持较高超额收益的同时，显著降低了交易频率。

最终构建的等权配置控制换手率组合，历史回测年化收益达到较高水平，相对中证转债指数年化超额收益显著，且费后超额收益依然可观。2026年以来，该策略实现了正收益，费后超额收益表现良好。总体而言，通过分类型构建多因子模型并控制换手率，能够有效提升可转债量化策略的风险调整后收益，适应不同风险偏好的投资需求。