可转债强赎定价逻辑与风险管理策略研究

市场定价机制：历史外推与机械效应的辨析

基于2018年至2026年中的转债公告事件分析，市场对强赎预期的定价逻辑并非简单的“历史外推”。在控制同期正股收益与平价倒数的机械效应后，此前是否公告过不赎本身并不显著影响溢价率压缩幅度。对于从未公告过不赎的转债，无论最终是否强赎，触发前均遭遇无差别的溢价率压缩，这实质是不确定性下的保险性折价。而对于拥有不赎历史的转债，市场体现出一定的前瞻性，层内强赎与不强赎两种结局的事前压缩差异显著。这意味着当发行人赎回意愿发生转向时，市场会提前对历史信誉重新定价，其中“强赎×有历史”组是预期差最大、潜在回撤风险最高的类别。

因子构建体系：分域残差与变动因子的复合

基于上述事件规律，研究构建了以转股溢价率截面回归残差为核心的定价因子。由于偏债、平衡、偏股三类转债的定价逻辑迥异，全域排序时偏债域会严重干扰偏股域信号。因此，按平底溢价率划分子域，分别进行横截面回归并实施域内标准化，构建“分域截面因子”，使全域多空组合的夏普值大幅提升。在静态因子基础上，进一步构造与基准因子近乎正交的变动因子体系，通过提取短期溢价率变动剥离正股涨跌后的残差，衡量近期恐慌性压缩速度。最终，将分域残差因子与变动残差因子等权复合，复合因子在全域和分域的表现均有显著提升，显著优于单因子表现。

风险管理挑战：强赎常态化下的策略失效

2025年以来，发行人赎回意愿发生系统性转变，强赎事件从低频尾部事件演变为密集浪潮，这是导致残差因子表现衰减的核心原因。以复合因子偏股域多头组合为例，未来四周内被强赎的比例大幅飙升，使得“做多压缩最深”的策略从捕捉定价偏误异化为承接赎回归零风险。传统的基于触发进度的“硬规则”过滤虽能完全规避短期强赎风险，但因错杀大量触发但公告不强赎或自然消退的标的，导致组合表现反而落后于基准。

优化方案：基于概率模型的软规则过滤

为应对强赎风险，研究引入基于机器学习的“软规则”概率模型。该模型以剩余期限、不赎公告次数、近期最低平价等为核心特征，对赎回进度达到一定阈值的标的进行概率预测。相比硬规则，基于概率模型的软规则过滤显著更优，能在有效降低组合未来强赎比例的同时，保留具有超额收益潜力的标的。回测显示，过滤组合每年均获得正超额，且在强赎频发的年份超额收益尤为明显，验证了概率模型在平衡Alpha获取与风险控制方面的实际应用价值。