20250327-江海证券-可转债研究系列之（二）_应用遗传算法构建的可转债策略_22页_1mb

金融工程研究报告总结

核心内容

本报告探讨了使用遗传算法构建的可转债投资策略，通过挖掘量价和基本面信息，优化因子组合以提高投资表现。该策略不仅适用于个人投资者，也适合机构投资者，并且能够适应市场环境变化，展现出较强的鲁棒性。

主要观点

• 遗传算法的应用：遗传算法作为一种搜索启发式算法，能够有效避免传统方法陷入局部最优解，适用于非线性、高维因子空间。
• 因子挖掘与合成：通过引入正股市值因子与量价特征的交互项，策略能够捕捉小盘转债的弹性机会，同时利用非线性合成增强整体表现。
• 策略表现优异：所提出的策略在样本外测试中表现突出，年化收益率高达45.4%，远超市场基准。

关键信息

策略表现

• 持仓数10个加权策略：

  • 年化收益率：35.3%
  • 年化超额收益：29.16%
  • 贝塔：1.40
  • 阿尔法：0.275
  • 夏普比率：1.43
  • 周度胜率：53.0%
  • 盈亏比：2.0
  • 最大回撤：19.5%

• 其他策略表现：

  • 持仓10个_等权：年化收益率33.8%，年化超额收益27.68%
  • 持仓约50个_等权：年化收益率19.4%，年化超额收益13.28%
  • 持仓数约50个_加权：年化收益率23.5%，年化超额收益17.43%
  • 转债等权：年化收益率10.2%，年化超额收益4.06%
  • 中证转债：年化收益率6.1%，年化超额收益0.00%

策略特点

• 持仓数量：分为10个和约50个两种，前者适合个人投资者，后者适合机构投资者。
• 仓位分配方式：等权与加权两种方式，加权更适合量化交易场景。
• 投资体验：持仓数约50个的策略胜率更高，提升持有人的投资体验。

优势亮点

1. 灵活的持仓集中度与仓位分配：满足不同投资者的需求。
2. 样本外测试表现优异：2024年的样本外测试年化收益达45.4%，验证模型适应性。
3. 引入交互项：有效捕捉小盘转债的弹性机会，提升策略表现。

模型研究

• 因子稳健性：以收盘价收益率为拟合目标的因子表现出较强的稳健性。
• 共线性处理：去除共线性后，组合表现显著提升。
• 非线性合成：增强整体表现，但可能损耗最优组合表现。
• 保留极值信息：有助于提升模型效果。
• 持仓个数与净值关系：存在局部最优解，需警惕数据挖掘风险。

风险提示

• 模型构建方法、参数估计和假设条件可能影响预测结果。
• 市场环境和外部条件是动态变化的，历史数据无法完全预测未来。
• 投资者应谨慎使用，结合实际市场分析和专业意见。

策略优化过程

• 因子筛选对比：通过不同因子的回测结果筛选出表现优异的因子。
• 因子合成方法对比：比较线性与非线性合成方法对策略表现的影响。
• 持仓个数对比：分析不同持仓数量对策略效果的影响。
• 极值处理对比：评估去极值对模型效果的影响。

策略结果

• 策略在多个指标上表现优于传统方法，如年化收益率、超额收益、夏普比率等。
• 回测数据涵盖多个时间段，包括训练集、测试集和样本外数据，验证了策略的稳定性和适应性。

总结

本研究通过遗传算法挖掘可转债因子，构建了适用于不同投资者的多因子策略，策略表现稳定，具备较强的适应性和收益能力。研究过程中注重策略优化的细节，展示了不同处理步骤对策略的影响，体现了精细化的策略研究过程。同时，报告也提示了模型的局限性，提醒投资者在实际应用中需谨慎评估和使用。

图表目录

• 图1：可转债遗传算法因子策略（周度调仓）
• 图2：因子线性合成的优化过程
• 图3：共线性去除前后的分组回测结果
• 图4：因子线性与非线性合成的净值对比
• 图5：因子线性与非线性合成的分组对比
• 图6：持仓个数的变化对比
• 图7：去极值的处理对比
• 图8：可转债遗传算法因子策略（周度调仓）

表格目录

• 表1：遗传算法与线性回归和随机森林的特性对比
• 表2：策略表现对比
• 表3：底层因子描述
• 表4：运算函数说明
• 表5：模型的超参数说明及输入
• 表6：以收盘价收益率(Y1)为拟合目标的因子
• 表7：以开盘价收益率(Y2)为拟合目标的因子
• 表8：以t+1日开盘价收盘价收益率(Y3)为拟合目标的因子
• 表9：以Y1为适应目标的因子分组日度回测结果
• 表10：以Y2为适应目标的因子分组日度回测结果
• 表11：以Y3为适应目标的因子分组日度回测结果
• 表12：筛选变量的相关性矩阵
• 表13：F10 (ccreturnf10) 因子分组表现统计
• 表14：F14 (ccreturnf14) 因子分组表现统计
• 表15：F19 (ccreturnf19) 因子分组表现统计
• 表16：策略表现对比
• 表17：策略分年表现统计