20250108-国金证券-Alpha掘金系列之十四_GBDT+NN机器学习可转债择券策略_20页_2mb

金融工程专题报告：机器学习转债择券策略优化总结

神经网络模型（以GRU为代表）

1. GRU模型输入优化
   使用日度K线和转债溢价率（平底溢价率、纯债溢价率、转股溢价率）作为输入特征，可获得最佳策略表现。
   正股量价信息对模型表现贡献为负，应从输入中剔除。

2. 数据增强策略
   在训练样本不足（2022年前）的情况下，采用随机窗口、波动率缩放等数据增强方法有效缓解极端分布问题。
   2022年后因数据量充足，直接使用原始数据更有效捕捉市场变化，避免过拟合。

3. 专注多头损失函数尝试
   尝试使用负增益损失函数提升多头表现，但导致信息比率下滑，表明需进一步优化损失函数设计。

决策树模型（以LGBM为代表）

1. 因子输入组合
   输入转债与正股Alpha158因子及手工构造因子，发现转债Alpha158与正股Alpha158组合（1041%IC均值）在多头策略中表现最优。

2. 手工因子表现
   手工构造的12个因子组合表现较弱，可能需要进一步扩充或优化因子质量。

机器学习转债择券因子合成

• GRU与LGBM模型生成的因子相关性低（0.35），表明两者互补性强。
• ML因子（等权合成）：基于日度量价数据，无需依赖复杂因子，IC均值达97.1%，多头年化超额收益率22.8%，显著优于传统线性因子。

策略表现检验

• 各转债类型表现：

  • 偏股/平衡/偏债型转债中，ML因子均表现更优，信息比率分别达1.94、1.64、0.90。
  • ML因子策略在控制换手率和交易成本下，年化超额收益高于传统因子，最大回撤更低。

• 风险提示

  • 历史回测结果可能受政策和市场环境变化影响，存在时效性风险。
  • 交易成本上升或策略假设变化可能导致收益下滑或亏损。

总结
通过神经网络与决策树模型的优化探索，结合因子合成策略，本报告构建的机器学习转债择券因子在不同转债类型中均取得显著风险调整收益。数据增强与模型组合策略在数据不足场景下表现突出，但需平衡市场变化响应能力。