20251225-中国银河-银河金工可转债定价模型系列研究_条件特征神经网络对转债蒙特卡洛定价模型的改进_26页_1mb

条件特征神经网络对转债蒙特卡洛定价模型的改进总结

核心内容

本报告探讨了条件特征神经网络（条件MLP）对传统转债蒙特卡洛定价模型的改进，旨在解决其计算耗时、方差大、不可微等局限性，以满足高频交易和大规模资产负债管理对“实时、可微、批量”定价的需求。

主要观点

1. 蒙特卡洛模型的局限性
   蒙特卡洛模型虽然能准确模拟转债价格，但由于其计算成本高、输出不可微，难以满足实时计算和敏感度分析的需要。

2. 条件MLP模型的构建
   条件MLP模型引入“中心样本+局部扰动”的数据增强策略，扩展了训练集规模，并通过FiLM机制实现条件输入，使模型能根据转债状态动态调整权重，从而提升模型对复杂条款的适应能力。

3. 模型的高效性与准确性
   条件MLP模型能够在毫秒级别完成定价，且在训练集和真实市场数据上的平均绝对误差分别控制在2.95元和5.54%以内，展现出较高的定价精度。

4. 模型的应用场景
   条件MLP模型不仅能够高效计算转债价格，还可用于计算Delta、Gamma等敏感度指标，并反推隐含波动率，拓展了传统模型的应用边界。

5. 策略应用示例
   基于条件MLP模型，构建了平衡型转债配置策略，实现了年化收益27.59%，年化超额收益14.72%，验证了模型在实际投资中的有效性。

关键信息

• 模型结构：采用三路输入结构，包含主特征、条件特征与概率特征。
• 数据增强策略：通过筛选误差较小的样本并施加局部扰动，将训练数据量从2046条扩展至21625条。
• 损失函数：使用Huber Loss，平衡误差敏感性与鲁棒性。
• 优化方法：采用AdamW优化器并配合学习率衰减与早停机制。
• 策略回测表现：2023年12月29日至2025年12月19日，年化收益27.59%，年化超额收益14.72%，最大回撤-19.16%。

模型结构与训练

1. 模型结构

• 条件输入机制：通过FiLM（Feature-wise Linear Modulation）对主干MLP进行动态调制，使其输出能根据转债状态（如S/K、σ等）进行调整。
• 三路输入结构：
  • 主特征X_main：包括票息、折现因子、正股价格、转股价格、剩余期限等。
  • 条件特征Z_cond：S、K、σ、μ等，定义转债当前状态。
  • 概率特征P_prob：原始赎回与下修概率，作为模型输入的一部分。

2. 训练方式

• 数据集划分：80%数据用于训练，20%用于验证。
• 损失函数：采用Huber Loss，以减少异常值影响。
• 训练结果：
  • 平均绝对误差（MAE）为2.95元。
  • 决定系数（R²）超过0.93。
  • 平均绝对百分比误差（MAPE）控制在2.2%左右。

模型评估

• 与蒙特卡洛模型的一致性：
  • 验证集上模型预测价格与MC理论价格的平均绝对误差为2.95元。
  • 在价格区间110-130元内表现最佳，MAE仅为2.0-3.0元。
• 对真实市场的一致性：
  • 使用真实数据进行回测，平均相对误差为5.54%，显著优于蒙特卡洛模型的6.45%。
  • 单次定价耗时约10毫秒，远低于蒙特卡洛模型的3-5秒。

应用实例

1. Delta与Gamma计算

• 利用模型的可微性，实现Delta与Gamma的快速计算。
• Delta表示转债价格对正股价格变化的敏感性。
• Gamma表示Delta对正股价格变化的敏感性，是衡量对冲头寸稳定性的指标。

2. 隐含波动率反推

• 网格搜索法：在波动率范围内进行搜索，平均误差6.44%，耗时63秒。
• 连续优化法：通过迭代优化算法，平均误差6.08%，耗时800秒，但精度更高。

3. 平衡型转债配置策略

• 筛选标准：
  • 转换平价S/K在[0.9,1.6]之间。
  • 转股稀释率根据市场趋势进行筛选。
  • 定价误差控制在合理范围内。
• 择券方法：
  • 分层抽样：根据S/K区间划分，每个区间按综合得分择券。
  • 权重配置：采用Delta倒数加权法，权重受Delta值影响。
• 回测结果：
  • 年化收益27.59%。
  • 年化超额收益14.72%。
  • 最大回撤-19.16%。
  • Sharpe比率1.2231，Calmar比率1.4401。

未来改进方向

• 数据增强：对S、σ等变量施加更大扰动，以提高模型对尾部价格的适应性。
• 分区间训练：按价格区间分别训练模型，以提高对极端情况的处理能力。
• 策略优化：在模型精度进一步提升后，优化配置策略以实现更优收益。

风险提示

• 报告结论基于历史数据与统计规律，但市场可能受政策等因素影响，出现与统计规律不符的走势。
• 历史收益不构成未来业绩保证，文中观点仅供参考，不构成投资建议。

图表目录

• 图1：银河金工转债蒙特卡洛定价模型计算流程
• 图2：MLP多层感知机模型结构示意图
• 图3：定价误差分布对比
• 图4：条件MLP模型结构
• 图5：条件MLP模型训练Loss变化
• 图6：条件MLP模型训练MAE变化
• 图7：训练集预测值与真实值对比
• 图8：训练集估计值误差分布
• 图9：条件MLP模型特征重要性排序
• 图10：条件MLP模型定价结果相对误差分布
• 图11：蒙特卡洛模型定价结果相对误差分布
• 图12：MLP模型对真实市场数据定价的差值分布（全样本）
• 图13：MLP模型对真实市场数据定价的差值分布（差值在±20以内）
• 图14：市场数据转换平价S/K比率分布
• 图15：MLP模型定价差值与S/K的关系（全样本）
• 图16：MLP模型定价差值与S/K的关系（S/K<2）
• 图17：MLP模型定价差值与S/K的关系（差值在±20以内）
• 图18：不同S/K区间内平均定价差值
• 图19：不同定价差值区间内S/K的均值
• 图20：定价差值与正股波动率之间的关系
• 图21：定价差值与正股收益率之间的关系
• 图22：SW一级行业定价差值分布箱线图
• 图23：SW一级行业定价差值的平均值
• 图24：SW一级行业定价差值绝对值的平均值
• 图25：MLP模型计算的转债Delta分布
• 图26：MLP模型计算的转债Gamma分布
• 图27：网格搜索法隐含波动率相对正股历史波动率误差分布
• 图28：连续优化法隐含波动率相对正股历史波动率误差分布
• 图29：转债未来一月收益率与定价差值的关系
• 图30：转债未来一月收益率与正股波动率的关系
• 图31：转债未来一月收益率与剩余期限的关系
• 图32：转债未来一月收益率与转换平价S/K的关系
• 图33：平衡型转债配置策略回测净值表现

表格目录

• 表1：可转债特征构建与经济含义对照
• 表2：转债赎回/下修概率取值与S/K的对应关系（线性插值法）
• 表3：条件MLP模型训练误差分析
• 表4：平衡型转债打分指标
• 表5：平衡型转债配置策略回测业绩指标

分析师信息

• 马普凡：金融工程首席分析师，十四年量化研究经验，曾任职于华泰柏瑞基金、广发证券、中信证券，2022年加入银河证券研究院。
• 刘璐：金融工程分析师，2023年加入银河证券研究院。

免责声明

• 本报告仅供客户参考，不构成投资建议。
• 报告内容基于历史数据，不保证未来准确性。
• 客户应自行判断并承担使用报告的风险。