2026年量化可转债系列专题：基于宏微观胜赔率的可转债择时策略

胜赔率视角下可转债择时的必要性、重要性与可能性

赔率视角：可转债择时的必要性

可转债较高的收益弹性和有限的收益性价比，共同论证了其择时投资的必要性。可转债兼具债券的防御属性与股票的 弹性：债底属性为其提供下行保护，转股期权赋予期捕捉权益市场上涨收益的机会。从风险收益特征来看，与纯债相 比，可转债的夏普比率更低（近五年为 0.71，远低于中债综合指数的 3.06），风险调整后收益效率偏低，不具备长 期静态持有的配置优势，但其收益弹性较高，因此产生择机配置需求。与权益资产相比，部分报告期可转债具备更低 波动与回撤减弱的优势（近五年最大回撤-16.99%远低于主流宽基指数），近 3、5 年虽收益弹性低于正股端（中证 2000 为代表），但作为收益增厚的卫星策略，其投资性价比不逊于权益资产。总的来说，简单的“买入持有”可转债策略 无法放大组合股牛区间收益弹性，也难以抗衡中长周期债券资产的极致性价比，因此从长期配置角度来说，必须进行 适当的可转债择时配置，及时识别市场“债性”与“股性”占优的转换节点。

除可转债与大类资产择时外，可转债资产的内部不同风格择时或亦具备较高必要性：可转债市场中单一风格资产表现 无法长期稳定占优。根据主流的转债分类标准，本文讨论：高价 VS 低价、高评级 VS 低评级、高估 VS 低估、偏股 VS 偏债 4 类可转债风格细分指数是否存在稳定占优的可能性，从而论证可转债风格择时已具备较高必要性。从高价-低 价策略来看，虽低价指数占优区间更长，但超额稳定性依旧难令人满意。在股市上涨、风险偏好较高的“股性主导”阶 段，高价可转债因更强的正股关联性和弹性，能够持续跑赢低价品种；而在市场下跌或震荡、转向“债性主导”时，低 价可转债则依托其更厚的债底和更高的到期收益率，展现出显著的防御优势，使高价策略持续跑输。 从高评级-低评级策略来看，其超额收益同样存在显著的阶段性特征。在债市信用环境收紧或避险情绪升温时，高评 级可转债凭借其更优的信用资质和流动性成为避风港，表现更优；而随着市场走牛、市场风险偏好提升，低评级可转 债则因其更高的收益率和潜在的转股期权价值，往往能实现更大幅度的上涨。 从高估-低估策略来看，2024 年以来低估策略有效性降低。低转股溢价率往往代表更高的上行空间和上涨弹性，2024 年以来低溢价率策略在绝大部分区间稳定跑赢高溢价率策略，但随着可转债市场整体价格上行、估值偏高，相对低估 的可转债投资性价比更为有限，故而 2024 年以来低溢价率策略超额呈现回撤震荡特征。在资产荒背景下，随着可转 债市场热度近一步抬升，低溢价率策略有效性大不如前或成为常态，可转债高低估策略的择时研究或热度进一步提升。 从偏股-偏债策略来看，作为凸性资产代表之一，受益于高价格弹性，中长周期下偏股型转债稳定跑赢偏债型转债， 同时亦承担较高的收益波动风险。总的来说，可转债市场的 Alpha 亦存在于风格因子的动态切换之中，而非对大部分 风格因子的静态持有，再次论证了可转债择时的必要性。

赔率视角：可转债择时的重要性

为体现可转债择时的重要性，本文基于后验视角，探索可转债择时的理论收益上限。考虑到部分债基或无法投资权益 资产，为匹配不同可投池影响，本文模拟构建 2 种资产组合，可投范围分别为：股+债+可转债、债+转债。基于后验 视角，若能每个季度精准识别并配置以上资产中（代理变量分为别：中证 800、中证可转债指数、中债新综合财富指 数）中收益更优的资产，在较低换手水平下，所构建“理论最优组合”净值 10 年内分别增长至 4 倍、7 倍净值，远超 同期单一资产涨幅。也再次应证了在可转债这一兼具股债属性的资产领域，构建并执行有效的择时模型，是系统性优 化风险收益比、实现长期配置效率提升的重要路径之一。

胜率视角：可转债择时的可能性

胜率是可转债择时策略是否可行的重要视角。择时策略收益表现（赔率）固然是评价和筛选策略的重要考核维度之一， 然而量化择时策略除了赔率外，对于策略胜率亦具备天然的重视与优势，胜率则在决定持仓体验层面起到了决定性作 用。然而胜率与赔率（收益率）表现并非严格正挂钩，较高的收益表现亦可以在较高价格弹性的资产、较低的策略胜 率中实现，故而作为重要的补充视角之一，对资产择时胜率的研究，论证了量化转债择时的可能性。 基于四类资产（中证 800、中证 2000、中证可转换债券指数、中债-新综合财富指数）在不同持有周期下的两两相对 胜率矩阵发现，各资产间的胜率普遍分布在 40%至 60%的区间，说明各资产均不具备稳定跑赢、显著占优的特征，可 转债择时策略的训练目标基本不受数据不平衡性影响，论证了具备构建量化择时策略的可能性。

承接上文，不同风格的可转债是否具备构建量化择时策略的可能性，需考察其历史胜率是否均衡。在不同持有周期下， 虽然低价、低评级、低估与偏股型转债胜率略高，且随持有期拉长呈现单边上行态势，但前两者在中短周期胜率分化 并不突出,且后两者在时序胜率分布上并不均衡。因此简单跟随弹性较高的策略，或可获取高赔率带来的收益贡献， 但较低胜率带来的高波风险亦会拉低持有体验，该策略并非最优之举，或可以运用量化择时模型识别驱动变量，捕捉 风格优势在短期波动中加速或收敛的阶段，从而在获取高波动赔率贡献的基础上，通过量化择时模型增加胜率表现， 以优化模型整体风险收益。

胜率赔率策略框架与宏观微观因子框架的适配性

宏微观因子框架与胜赔率策略框架具备较好的适配性。上文主要从可转债择时策略的必要性、重要性、可能性三个视 角，构建胜赔率策略框架。不同于策略框架，宏微观因子框架需要从更为落地的视角论述其与可转债择时策略的适配 性。从收益归因视角来看，策略收益由模型胜率与模型赔率共同决定。量化择时策略一般优先考察策略胜率，更匹配 其需要基于历史数据统计的策略特征，微观因子由于其高频、高波的因子属性，与胜率策略具备较高的适配度，故而 微观因子不失为当前选股模型的主流。 然而结合前文收益图表可得，即使是胜率相近的高价-低价、高评级-低评级策略，在收益表现上仍呈现明显分化，侧 面论证了赔率仍是决定策略收益的重要表达。宏观因子由于其低频、低波的特征，从数据表征上看，中国国内宏观经 济数据与微观因子共同构建模型时往往被压缩 Beta 系数（影响力程度）；从金融原理上看，宏观环境变化相对平缓， 很难对高波的权益市场起到决定性影响因素和解释力度，反而与相对平稳的债券市场具备更高的相关性。可转债作为兼具股债属性的资产，宏观因子亦是应该核心考察的因子大类之一。 在部分极端市场环境（如：黑天鹤、灰犀牛、地缘政治等）下，宏观面、政策面是重要的导火索及领先指标，对于降 低最大回撤、增加模型赔率具备重要意义。传统量化择时模型相对忽视宏观因子的原因，一方面由中国宏观经济环境 2022 年以来发生显著变化相关，宏观因子回测单调性受影响，另一方面宏观经济数据对市场涨跌幅解释力度较小，更 适合模糊处理为不定期的极端预警信号值，做事件驱动策略；由于宏观因子无法发出时序稳定有效信号值，故而不适 合传统量化模型中胜率考核框架。胜赔率结合策略框架较好的适配了宏微观因子框架，引入宏观因子可模型在波动、 回撤等风险数据层面予以优化，重要的宏观利好亦远比微观事件驱动力更为强劲。

可转债择时模型研究框架

本文基于时序预测模型从宏观、微观角度构建量化择时框架，对未来不同期限的可转债市场涨跌幅进行动态预测，并 基于预测的信号构建择时策略，对策略的历史风险收益表现进行回测，评估策略的潜在绩效改善空间及未来适用性、 未来的收益提升空间等。此部分主要阐述该模型构建的通用性过程，包括因子构建与衍生、统计筛选、参数确定、模 型构建等关键性步骤。

数据预处理及因子构建

本文回测数据时间跨度为 2015 年 1 月 1 日至 2025 年 12 月 31 日，其中 2015 年 1 月-2024 年 6 月为样本内数据，2024 年以来为样本外数据；预测变量共 198 个，其中包括微观因子 54 个、宏观因子 146 个。

1.因变量界定。考虑到部分债券型基金或无法大比例持仓权益资产，可转债作为相对高波资产，其投资性价比的对标 对象主要为债券指数，考虑到两个指数的价格弹性差距，研究目标可被近似简化为可转债资产的绝对收益择时策略。 预测期限设置为未来 1、2 周、1、3、6 个月，原始数据为日频。为适配短中长期收益率预测需求并降低日度数据波动 较大对预测造成的干扰，将日频数据转换为周度数据：每周所有交易日的因子数据取算术平均值，形成转债周度因子 数据。 2.自变量衍生。对于微观数据，参考以往专题3构建的微观因子框架为基础，涵盖正股因子、转债因子、债券因子等， 并对微观因子进行迭代优化（如期权因子等），找寻符合市场主流投资逻辑因子，以满足因子挖掘诉求，原始数据为 日频。对于宏观数据，本文从经济水平、消费与价格、货币流动性、财政税收及外部环境五大宏观维度细分，以系统 性捕捉影响转债市场的宏观驱动力。对于在样本期内存在大量缺失值（如人均国内生产总值、支出法、收入法）、颗 粒度过细、低频指标不予纳入。大部分宏观因子数据公布频率为月频，其余少量日频或周频宏观因子对的指标提取每 个月末最新一期构建因子值。 3.因子预处理。考虑到本文择时策略持周期为周频及以上，故而将月频宏观数据采用前值填充法插值为周度序列，将 日频的微观数据通过滚动均值得到周频因子序列。因子预处理方面，微观因子均经过异常值缩尾、缺失值、Z-Score 标准化等流程，考虑到核心研究转债市场整体特征，暂不进行行业中性化。为最大化保留宏观数据固有的经济信息结 构与状态特征，增加模型可理解性，本文对宏观因子不进行标准化、行业中心化等横截面数据预处理。

因子衍生、筛选及参数确定：格兰杰因果检验

为筛选出更有效预测可转债市场收益率的指标，本文基于 Granger 检验模型，辅以 IC 测试、Spearman 相关性检验， 实现因子衍生、筛选等功能，格兰杰和 IC 模型分别对收益率及其相对排名进行研究，一定程度上亦分别对上文赔率、 胜率框架进行呼应。 1.平稳性检验。检验自变量与因变量间格兰杰因果关系的有效性，需以时间序列的平稳性为前提。若序列非平稳，检 验结果可能产生“伪回归”，导致统计推断失真。因此在进行格兰杰因果关系检验之前，首先对各指标时间序列的平 稳性进行 ADF 单位根检验。宏观与微观因子采取差异化的平稳性处理方法： 1）对于宏观因子，由于多数指标具有明显的季节性、周期性或趋势性特征，本文采用阶梯式差分方法逐级处理：首先 对原始序列进行环比差分，即计算当期值与四期前（对应月度频率）数值的差值；若仍不平稳，则进一步施行同比差 分，即取当期值与五十二期前（对应年度频率）的差值；若序列仍未能达到平稳，则继续对已差分序列进行高阶季节 性差分，具体包括环比差分的环比，以及同比差分的环比。该方法在消除趋势的同时，尽可能保留序列的经济含义与 周期结构。 2）对于微观因子，其生成过程多源于市场交易数据，季节效应相对并不突出。因此，本文采用常规差分法进行处理： 依次进行一阶差分与二阶差分，直至通过 ADF 检验。考虑到三阶及以上差分后的因子可解释性较弱，且可能引入过多 噪声，本研究不予纳入。 2.滞后阶数确定。确保变量均为平稳序列后，本文首先构建向量自回归（VAR）模型，并以赤池信息准则（AIC）作为 模型最优滞后阶数的选择标准。AIC 准则在模型拟合优度与参数简洁性之间寻求平衡，避免滞后阶数的主观设定偏误。 其中，本文将最大滞后阶数设定为 52 期（对应一年的周频数据），系统搜索使 AIC 值最小的最优滞后长度。 3.格兰杰因果关系检验。基于确定的滞后结构，本文对每一对平稳处理后的因子序列与目标收益率序列进行格兰杰因 果检验。其基本思想是：若在包含了变量 X、Y 的过去信息的条件下，对变量 Y 的预测效果要优于只单独由 Y 的过去 信息对 Y 进行的预测效果，即变量 X 有助于解释变量 Y 的将来变化，则认为变量 X 是引致变量 Y 的 Granger 原因。通 过这一过程，本研究得以从大量宏观与微观因子中，筛选出对可转债未来收益率存在显著因果关系的预测变量集合。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）