华泰证券转债量化手册：因子投资实践与AI挖掘

可转债市场因其兼具股性与债性的双重特征，天然适合采用因子模型进行定价分解与收益归因。华泰证券发布的《转债量化手册：因子投资实践》基于2022年至2026年3月的数据，系统性地对50余个转债因子进行了回测，并引入大模型技术拓展因子挖掘边界。研究旨在通过量化手段提升个券选择效率，核心结论指出债性因子表现最为稳定，股债均衡策略为最佳复合策略，且AI挖掘可发现隐波修正、溢价放量等优质新因子。

单因子回测：债性主导，股性与动量表现有限

在单因子视角下，债性因子被证实为转债市场最关键的收益来源。YTM（到期收益率）因子与纯债溢价率因子在超额收益和稳定性上均显著领先，年化超额收益分别达到6.90%和7.88%。这一现象主要源于市场对偏债品种流动性、信用风险及期权价值的低估。相比之下，股性因子（如平价溢价率）并未体现出明显的超额收益，其有效性弱于债性因子，表明仅依靠股性择券难以获得稳定超额回报。动量与反转类因子在转债实践中效果不佳，这可能与转债定价速度快于正股、量化资金套利迅速抹平超额收益有关。此外，低价因子虽有效，但更多作为辅助择券维度；期权价值等特质因子可作为差异化补充，而正股传统因子对转债回报的提升作用有限。

多因子策略：股债均衡与流动性约束

基于单因子表现，报告构建了100余组多因子策略。结果显示，股债结合类策略IC稳定且具备现实可解释性，是最佳复合策略。通过结合YTM与平价溢价率或期权价值，既能利用债底保护，又能保留股性弹性。在防御型策略中，将债性因子与流动性因子（如换手率）结合，能有效解决纯债性策略交易执行难的问题，构建出更具实操性的绝对收益组合。量价类因子虽稳定性偏弱，但结合超跌、成交方向等指标，可识别价格回落后的资金承接信号。复合因子则融合了基本面估值与资金行为，通过风险平价配权，拓宽了收益来源，更适合中长期配置。

大模型挖掘：算子进化与新增因子

报告尝试利用大模型（LLM）通过遗传规划、深度学习等方式拓展因子库。通过限定字段库与算子白名单，模型生成了具备增量信息的新因子。挖掘结果显示，冲击择时因子通过成交冲击成本动态切换“三低”或YTM信号；隐波修正因子在股债均衡基础上剔除短期隐波过度抬升的品种；债底压力因子同时关注债底支撑与下修压力；溢价放量因子则结合低溢价与成交活跃度。这些新因子在回测中表现出较好的IC与超额收益，验证了AI在拓展因子发现边界方面的潜力。

结论与价值

转债量化投资应坚持“债性为底、股性为翼”的核心逻辑。投资者在构建策略时，应优先关注YTM、纯债溢价率等债性因子，并结合流动性约束以增强实操性。同时，可引入大模型挖掘的隐波修正、溢价放量等新因子作为增强信号，以应对市场结构变化。尽管AI挖掘因子存在可解释性不足的风险，但其作为传统研究的补充，能有效提升因子挖掘的效率与广度。