转债入门手册之六：如何利用机器学习方法构建转债择券模型-20200824-广发证券-19页_1mb

转债入门手册之六：如何利用机器学习方法构建转债择券模型

核心内容

本报告探讨了如何利用机器学习方法构建可转债择券模型，旨在解决传统定价方法在复杂转债产品中的适应性不足问题。通过对比随机森林、XGBoosting和支持向量机（SVM）三种方法，展示了它们在转债择券策略中的应用效果和优势。

主要观点

• 机器学习的优势：可转债的复杂性使得传统定价模型难以准确捕捉其特征。机器学习的“黑箱”特性能够避免对模型做出过多假设，从而更灵活地应对复杂的市场环境。
• 模型选择：随机森林、XGBoosting和支持向量机分别代表了集成学习中的Bagging和Boosting方法，以及基于超平面划分的模型，各有其适用场景和优势。
• 回测结果：三种模型在样本测试区间内均表现优于中证转债指数，其中随机森林在稳定性和运算效率上占优，XGBoosting在累计收益和准确率上表现最佳，SVM则略逊一筹。

关键信息

一、为何引入机器学习方法？

• 传统定价方法（如B-S模型）在转债定价中存在适应性不足的问题。
• 投研人员的经验虽有助于预判，但受限于主观偏差和信息处理能力。
• 机器学习方法通过数据训练，使模型积累经验，从而更准确地模仿人脑的判断过程。

二、方法介绍

1. 随机森林（Random Forest）

• 原理：基于决策树和集成学习思想，通过自助采样（Bootstrap）生成多个决策树，形成“森林”以提高模型的稳定性和泛化能力。
• 优势：计算效率高，模型稳定性强，适合处理复杂数据集。
• 代码思路：通过多次采样和特征随机选择构建多个决策树，并在训练过程中优化信息增益。

2. XGBoosting

• 原理：基于GBDT的改进方法，通过损失函数的正则化项优化模型性能，使用贪心算法寻找最优分割点。
• 优势：在累计收益和准确率上表现突出，尤其在2020年后效果显著。
• 代码思路：使用贪心法对训练集进行分割，通过不断迭代优化模型参数。

3. 支持向量机（SVM）

• 原理：在样本空间中寻找最大间隔的超平面，以实现最优分类。
• 优势：在高维空间中具有较强的分类能力。
• 劣势：在低维数据中表现较弱，且计算效率较低。
• 代码思路：通过优化拉格朗日乘子来求解支持向量和超平面。

三、回测流程

1. 数据收集：使用2017年1月至2020年5月15日的转债数据。
2. 数据清洗：剔除成交量为0、数据长度不足、信用评级较低、规模较小的债券。
3. 特征提取：包括收盘价、纯债价值、转股溢价率、主体信用评级、债券余额和成交量。
4. 标签构建：以“过去一个月中转债价格是否上涨”作为标签。
5. 训练与测试：采用滚动窗口法，将数据分为23个月的有效数据集，其中10个训练集和10个测试集。
6. 模型训练与调参：在训练集内进行5折交叉验证，选取AUC最优的参数用于测试。
7. 样本外预测：等权买入预测概率前10名的转债，持有一个月后换仓。

四、结果分析

• 随机森林：表现稳定，累计收益率接近30%，运算效率高。
• XGBoosting：累计收益最高，但前期波动较大，后期表现优异。
• SVM：表现最弱，累计收益最低，运算时间较长。

五、风险提示

• 转债交易和发行规则可能发生变化，影响模型的有效性。
• 模型回测仅用于方法演示，实际策略需进一步优化和验证。

总结

本报告通过实际测试展示了机器学习方法在转债择券中的应用效果。随机森林和XGBoosting在不同维度上展现出优势，而SVM表现较弱。尽管机器学习方法在预测能力和收益上优于传统方法，但其效果仍受数据质量和市场变化的影响，需持续优化和验证。