可轉(zhuǎn)債劍指何方？量化視角下的轉(zhuǎn)債配置策略

目錄TOC\o"1-2"\h\z\u策略概述 1中觀行業(yè)景氣模型 2參數(shù)選取 2循環(huán)神經(jīng)網(wǎng)絡(luò)模型 7預(yù)測成果 8微觀凱利配置模型 9模型原理 9參數(shù)選擇 11模型構(gòu)建 11回測結(jié)果 124結(jié)論 13歷史回測 13未來預(yù)測 145風(fēng)險提示 14請務(wù)必閱讀正文后的重要聲明部分策略概述3年進度條所剩無多?；赝堰^去的十月有余開年以來，市場在疫后復(fù)蘇進程中一路震蕩上行，于五月初蹣跚到達點上方后隨即掉頭向下，七月份上攻點遺憾未能企穩(wěn)，九月之后震蕩下行至今，已回到最初的起點。兜兜轉(zhuǎn)轉(zhuǎn)之中，轉(zhuǎn)債的表現(xiàn)差強人意。盡管轉(zhuǎn)債行情仍基本取決于大盤走勢，但仍存在一定1013日，2023只取得正收益，平均收益9.00%；246只收益為負(fù)，平均收益-8.65%。這意味著，盲選一只轉(zhuǎn)債持有，約有57%的概率在年內(nèi)賺錢。在一定程度上體現(xiàn)轉(zhuǎn)債的配置意義的同時，這也說明如不對標(biāo)的加以篩選，預(yù)期勝率并不能令人滿意。那么是否存在某種體系，能夠在轉(zhuǎn)債投資中獲取更強的確定性呢？圖1：中證轉(zhuǎn)債相對上證指數(shù)仍存相對收益415345034004103350330040532503200400315031003953050中證轉(zhuǎn)債 上證指數(shù)數(shù)據(jù)來源：wind,我們基于近五年的歷史數(shù)據(jù)，建立了中觀行業(yè)景氣輪動模型用于優(yōu)選行業(yè)，并基于在投資領(lǐng)域聲名顯赫的凱利公式在微觀層面確認(rèn)個券的時序配置。在宏觀經(jīng)濟筑底復(fù)蘇的大背景之下，我們的模型暫不對宏觀經(jīng)濟背景進行多余的論述，而是希望嘗試從中觀的行業(yè)輪動以及微觀的個券擇時角度出發(fā)，共同給出上文問題的答案。圖2：自上而下投資體系的直觀劃分?jǐn)?shù)據(jù)來源：回顧全市場現(xiàn)有研究成果，對于行業(yè)景氣輪動的探討并不鮮見，但采用量化方式構(gòu)建完整輪動模型的相對較少。微觀的凱利配置模型方面，本文在基于模型推導(dǎo)的基礎(chǔ)上，進行合理的假設(shè)與發(fā)散，引入個券的實際數(shù)據(jù)，計算得出其理論最優(yōu)投資倉位，解決轉(zhuǎn)債投資中遴選標(biāo)的、擇時、投資將凱利公式應(yīng)用于轉(zhuǎn)債領(lǐng)域的觀點仍較為稀缺。觀標(biāo)的配置上的一脈相承，提供了可持續(xù)、可實施的投資思路，并為存在進一步擇券需求的投資者提供了有價值的決策參考工具。中觀行業(yè)景氣模型參數(shù)選?。ò孀鳛榉诸愐罁?jù)。需要注意的是，現(xiàn)有數(shù)據(jù)中年之前的申萬行業(yè)分類為2014版，我們依據(jù)證券發(fā)布的《申萬行業(yè)分類標(biāo)準(zhǔn)2021年分類口徑。在申（2021版共計31模型對于余下的30個行業(yè)進行了全面覆蓋。表1：申萬2021版行業(yè)分類列表一級分類二級分類一級分類二級分類農(nóng)林牧漁種植業(yè)紡織服務(wù)紡織制造漁業(yè)服裝家紡林業(yè)飾品一級分類二級分類一級分類二級分類飼料輕工制造造紙農(nóng)產(chǎn)品加工包裝印刷農(nóng)業(yè)綜合家居用品畜禽養(yǎng)殖文娛用品動物保健醫(yī)藥生物化學(xué)制藥基礎(chǔ)化工化工原料中藥化學(xué)制品生物制品化學(xué)纖維醫(yī)藥商業(yè)塑料醫(yī)療器材橡膠醫(yī)療服務(wù)農(nóng)化制品公用事業(yè)電力非金屬材料燃氣鋼鐵冶鋼原料交通運輸航運港口普鋼物料特鋼鐵路公路有色金屬金屬新材料航空機場工業(yè)金屬房地產(chǎn)房地產(chǎn)開發(fā)貴金屬房地產(chǎn)服務(wù)小金屬商貿(mào)零售貿(mào)易能源金屬一般零售電子半導(dǎo)體專業(yè)連鎖元件互聯(lián)網(wǎng)電商光學(xué)光電子旅游零售消費電子社會服務(wù)旅游及景區(qū)電子化學(xué)品體育其他電子本地生活服務(wù)汽車汽車零部件專業(yè)服務(wù)汽車服務(wù)酒店餐飲摩托車及其他教育乘用車銀行國有大型銀行商用車股份制銀行家用電器白色家電城商行黑色家電農(nóng)商行小家電其他銀行廚衛(wèi)電器非銀金融證券照明設(shè)備保險家電零部件多元金融其他家電綜合綜合食品飲料食品加工建筑材料水泥白酒玻璃玻纖一級分類二級分類一級分類二級分類非白酒裝修建材飲料乳品計算機計算機設(shè)備休閑食品IT服務(wù)調(diào)味發(fā)酵品軟件開發(fā)建筑裝飾房屋建設(shè)傳媒電視廣播裝修裝飾游戲基礎(chǔ)建設(shè)廣告營銷專業(yè)工程影視院線工程咨詢服務(wù)數(shù)字媒體電力設(shè)備電機社交其他電源設(shè)備出版光伏設(shè)備煤炭煤炭開采風(fēng)電設(shè)備焦煤電池石油石化油氣開采電網(wǎng)設(shè)備油服工程機械設(shè)備通用設(shè)備煉化及貿(mào)易專用設(shè)備通訊通訊服務(wù)軌交設(shè)備通信設(shè)備工程機械環(huán)保環(huán)境治理自動化設(shè)備環(huán)保設(shè)備國防軍工航天裝備美妝護理個護用品航空裝備化妝品航海裝備醫(yī)療美容地面兵裝軍工電子數(shù)據(jù)來源：證券，作為一個中觀行業(yè)模型，我們盡量在中觀范圍內(nèi)選取參數(shù)，以避免覆蓋的參數(shù)超越中觀范疇導(dǎo)致越俎代庖。經(jīng)過綜合考慮參數(shù)性質(zhì)與更新頻率，我們選取了三大類九小類共計49個參數(shù)用于模型構(gòu)建。其中基本面指標(biāo)主要涉及該行業(yè)的基本面狀況。預(yù)測指標(biāo)覆蓋該行業(yè)的市場一致預(yù)期。轉(zhuǎn)債特有指標(biāo)則對于轉(zhuǎn)債層面的成交情況加以考慮。模型涉及參數(shù)較多，下表列出具有部分具有代表性參數(shù)。表2：中觀行業(yè)景氣模型部分參數(shù)一級分類二級分類參數(shù)名稱更新頻率基本面指標(biāo)盈利能力凈資產(chǎn)收益率-平均(整體法)季度總資產(chǎn)報酬率(整體法)季度總資產(chǎn)凈利率(整體法)季度銷售凈利率(整體法)季度銷售毛利率(整體法)季度營業(yè)利潤/營業(yè)總收入(整體法)季度一級分類二級分類參數(shù)名稱更新頻率營業(yè)總成本/營業(yè)總收入(整體法)季度EBITDA/營業(yè)總收入(整體法)季度凈利潤/營業(yè)總收入(整體法)季度投入資本回報率(算術(shù)平均)季度總資產(chǎn)報酬率ROA(TTM)(算術(shù)平均)季度收益質(zhì)量營業(yè)利潤/利潤總額(算術(shù)平均)季度所得稅/利潤總額(算術(shù)平均)季度經(jīng)營活動凈收益/利潤總額(算術(shù)平均)季度價值變動凈收益/利潤總額(算術(shù)平均)季度現(xiàn)金流量經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額/營業(yè)收入(整體法)季度資本支出/折舊和攤銷(整體法)季度經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額/經(jīng)營活動凈收益(整體法)季度營運能力存貨周轉(zhuǎn)率(整體法)季度應(yīng)收賬款周轉(zhuǎn)率(整體法)季度流動資產(chǎn)周轉(zhuǎn)率(整體法)季度總資產(chǎn)周轉(zhuǎn)率(整體法)季度營業(yè)周期(整體法)季度存貨周轉(zhuǎn)天數(shù)(整體法)季度應(yīng)收賬款周轉(zhuǎn)天數(shù)(整體法)季度資本結(jié)構(gòu)資產(chǎn)負(fù)債率(整體法)季度流動資產(chǎn)/總資產(chǎn)(整體法)季度非流動資產(chǎn)/總資產(chǎn)(整體法)季度有形資產(chǎn)/總資產(chǎn)(整體法)季度非流動負(fù)債/負(fù)債合計(整體法)季度流動負(fù)債/負(fù)債合計(整體法)季度成長能力營業(yè)收入合計(同比增長率)季度營業(yè)利潤合計(同比增長率)季度凈利潤合計(同比增長率)季度凈資產(chǎn)收益率(整體法)(同比增長率)季度每股凈資產(chǎn)(整體法)(相對年初增長率)季度資產(chǎn)總計合計(相對年初增長率)季度預(yù)測指標(biāo)預(yù)測指標(biāo)預(yù)測每股收益(整體法)月度預(yù)測主營業(yè)務(wù)收入(合計)月度預(yù)測凈利潤(合計)月度預(yù)測凈資產(chǎn)收益率(算術(shù)平均)月度預(yù)測市盈率(整體法)月度行情指標(biāo)正股行情成交量(合計)日度成交金額(合計)日度換手率(流通市值加權(quán)平均)日度轉(zhuǎn)債行情行業(yè)內(nèi)轉(zhuǎn)債數(shù)量日度一級分類二級分類參數(shù)名稱更新頻率該行業(yè)轉(zhuǎn)債成交量(合計)日度該行業(yè)轉(zhuǎn)債成交額(合計)日度該行業(yè)換手率(算術(shù)平均)日度被解釋變量行業(yè)行情行業(yè)月度收益率(算術(shù)平均)月度數(shù)據(jù)來源：圖3：基本面指標(biāo)相關(guān)性數(shù)據(jù)來源：wind,圖4：預(yù)測指標(biāo)相關(guān)性 圖5：行情指標(biāo)相關(guān)性 數(shù)據(jù)來源：wind, 數(shù)據(jù)來源：wind,考慮到預(yù)測的時效性與實用性，我們希望以月度頻率構(gòu)建模型進行回歸與預(yù)測。由于基本面數(shù)據(jù)普遍以季度頻率更新，我們使用季頻數(shù)據(jù)為當(dāng)季度三個月進行賦值，將基本面數(shù)據(jù)加密到月度口徑；對于日頻更新的轉(zhuǎn)債行情數(shù)據(jù)，我們通過平均或加總的方式將其調(diào)整為季度口徑；值得注意的是，部分預(yù)測指標(biāo)在2018年至2020年間有數(shù)據(jù)缺失的情況。為避免引入不必要的影響因素，我們采用該指標(biāo)下全部數(shù)據(jù)的均值進行填充。循環(huán)神經(jīng)網(wǎng)絡(luò)模型型仍需考慮包含基本面、市場預(yù)期、個券行情等在內(nèi)的大量繁雜參數(shù)，此時簡單的回歸將面臨諸如過擬合在內(nèi)的許多問題；模型輸出為各行業(yè)表現(xiàn)，亦或是行業(yè)景氣程度的衡量。結(jié)合常識不難得知，行業(yè)景氣程度往往呈現(xiàn)周期性波動，即存在明顯的時間序列關(guān)系。而解決時我們選擇了循環(huán)神經(jīng)網(wǎng)絡(luò)Network,RNN）作為建模方法。RNN是一種特殊的神經(jīng)網(wǎng)絡(luò)，它在序列數(shù)據(jù)上進行遞歸，每個節(jié)點都與前一個節(jié)點鏈?zhǔn)絅（用于本次預(yù)測的參數(shù)，還接收上一個隱藏層的輸出（可近似理解為此前市場走勢帶來的經(jīng)驗。這意味著RNN可以捕獲動模型的構(gòu)建。我們以2018年10月至今，共計58個月的參數(shù)與各行業(yè)市場表現(xiàn)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。571次訓(xùn)練（160Epoch）后，模型對于訓(xùn)練集數(shù)據(jù)可實現(xiàn)預(yù)測前15名正確率68.85%15名正確率60%，在當(dāng)前情境的數(shù)據(jù)量限制下令人較為滿意。預(yù)測成果使用訓(xùn)練集數(shù)據(jù)對模型訓(xùn)練完畢后，嘗試對于每個月的突出行業(yè)進行預(yù)測。此處以每月預(yù)測的首選行業(yè)為例，模型預(yù)測成果在多個月份取得突出成效。表3：驗證中觀行業(yè)景氣模型所預(yù)測的歷史行業(yè)表現(xiàn)時間當(dāng)月預(yù)測首選行業(yè)當(dāng)月行業(yè)實際表現(xiàn)2019-05食品飲料42020-05食品飲料22021-04醫(yī)藥生物12021-09公用事業(yè)12021-12交通運輸32022-07公用事業(yè)42022-10醫(yī)藥生物3數(shù)據(jù)來源：基本面數(shù)據(jù)暫未更新9月最新數(shù)據(jù)。預(yù)測結(jié)果如下表格所示。表4：通過中觀行業(yè)景氣模型預(yù)測2023年10月份轉(zhuǎn)債行業(yè)景氣排名序號行業(yè)1交通運輸2石油石化3醫(yī)藥生物4基礎(chǔ)化工5通信6輕工制造7零售商貿(mào)8建筑材料9環(huán)保10食品飲料數(shù)據(jù)來源：圖6：行業(yè)系列指數(shù)2023年10月漲跌幅（截至2023年10月18日）0.57-1.600.57-1.60-2.16-2.54-2.71-2.91-3.07-3.07-0.50-1.00-1.50-2.00-2.50-3.00-3.50

-3.76金融 醫(yī)療保健 能源 公用事業(yè) 信息技術(shù) 工業(yè) 材料 可選消費 日常消費品數(shù)據(jù)來源：wind,由于暫無完整的轉(zhuǎn)債行業(yè)指數(shù)，此處使用編制的行業(yè)轉(zhuǎn)債指數(shù)驗證模型預(yù)測準(zhǔn)確性。即使編制的行業(yè)轉(zhuǎn)債指數(shù)并未全面覆蓋全部行業(yè)，仍可發(fā)現(xiàn)，模型提示本月景氣程度可能較高的石油石化、醫(yī)藥生物兩行業(yè)與轉(zhuǎn)債行業(yè)指數(shù)覆蓋范圍內(nèi)本月漲跌幅位居第二、第三名的醫(yī)療保健、能源基本吻合，且均低于月內(nèi)中證轉(zhuǎn)債跌幅。這提示，即使是在季度數(shù)據(jù)未能更新、部分參數(shù)采用過時數(shù)據(jù)的情況下，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的中觀行業(yè)景氣模型仍然體現(xiàn)了一定的預(yù)測能力。待季度數(shù)據(jù)正常更新之后再進行預(yù)測，其預(yù)測結(jié)果準(zhǔn)確性或可進一步提升。微觀凱利配置模型模型原理凱利公式由貝爾實驗室的J.L.Kelly于1956年提出。值得一提的是，這一信息論的副產(chǎn)品，促使Kelly的同事——大名鼎鼎的信息論之父克勞德·香農(nóng)——發(fā)現(xiàn)了投資的新大陸，并在35年內(nèi)取得了年化28%（獲勝概率大于光本金離場。隨后，這一公式由于其簡潔實用的特性被廣泛運用于金融投資甚至博彩等相關(guān)領(lǐng)域，以不同的形式為其使用者賺取財富?？哨A回一倍本金，輸了則血本無歸。在消息不完全可靠的情況下，他的獲勝幾率為??，失敗幾率為1???，且已知??>0.5。假設(shè)初始資本??，每次投資比例為??，??次對局過后，假設(shè)此人的獲勝與失敗次數(shù)分別為??、??，此人的剩余財富應(yīng)為：????=???(1+??)???(1???)??而要使財富最大化，應(yīng)使其增長率取得最大值。對上式左右同除以??再求導(dǎo)后可得：??′(??)=???(1???)???(1+??)?(1???)令導(dǎo)數(shù)為零時，財富增長率最大化，此時可解得：??=2????1即，當(dāng)投資比例為2????1，亦或說投資比例是獲勝概率與失敗概率的差值時，其財富值增長最快。而本文所使用的凱利公式選用正態(tài)分布假設(shè)。假設(shè)某資產(chǎn)符合對數(shù)正態(tài)分布，期望收益率????)=??????)=??2??????為無風(fēng)險收益率，則投資后某一時點資本應(yīng)為：??(??)=??????+???)???)=???(1+??+??????))基于這一表達式計算此時財富增長率并取期望，用??(??)表示，得到??(??)=??(ln(1+??+???(?????)))考慮該資產(chǎn)符合對數(shù)正態(tài)分布，結(jié)合上式，令上式導(dǎo)數(shù)等于零時，財富增長率最大，此時可解得：??=

???????2此時，以??作為投資比例，可取得財富增長率最大值。分子端為該風(fēng)險資產(chǎn)相對無風(fēng)險收益率的超額收益，超額收益越高，應(yīng)進行越多配置；而風(fēng)險資產(chǎn)的波動率越高，則更應(yīng)該慎重對待。10Pearson相關(guān)性檢驗可知，絕大多數(shù)轉(zhuǎn)債的收益率與其超額收益并不存在明確的相關(guān)性，或相關(guān)性為負(fù)值，比例達97.50%。另有一只轉(zhuǎn)債因上市時間過短暫時未納入統(tǒng)計。表5：近五年歷史存續(xù)轉(zhuǎn)債超額收益與收益率之間的相關(guān)關(guān)系檢驗結(jié)果轉(zhuǎn)債總數(shù)無相關(guān)關(guān)系有相關(guān)關(guān)系799691108正相關(guān)20負(fù)相關(guān)88數(shù)據(jù)來源：在此前提下，我們主張對上述模型進行微調(diào)。我們將上式中對于無風(fēng)險收益率的系數(shù)修改為0.5，使得更多轉(zhuǎn)債可以通過凱利公式進行實現(xiàn)配置，且不必?fù)?dān)心調(diào)整超額收益門檻會拉低凱利公式遴選出的個券勝率。經(jīng)調(diào)整后的投資比例為：???0.5?????=

??2參數(shù)選擇要將上式運用于轉(zhuǎn)債的個券配置計算，首先明確所選用的指標(biāo)。不同于權(quán)益資產(chǎn)僅需將其市盈率取倒數(shù)便可獲取預(yù)期收益率，要確定轉(zhuǎn)債資產(chǎn)的期望收益率需小費一番周折。我們認(rèn)為轉(zhuǎn)債的預(yù)期收益率可按其來源拆分為股性與債性收益率。其中股性收益率來自轉(zhuǎn)債轉(zhuǎn)股可分享的公司凈利潤，債性收益率為計算時點轉(zhuǎn)債票面利率。據(jù)此，可以構(gòu)建如下關(guān)系：??=股性收益率+債性收益率轉(zhuǎn)股獲取的公司凈利潤=轉(zhuǎn)債價格轉(zhuǎn)股比例?每股凈利潤=轉(zhuǎn)債價格

+轉(zhuǎn)債當(dāng)期票面利率+轉(zhuǎn)債當(dāng)期票面利率對于無風(fēng)險利率??，我們選用調(diào)倉周期內(nèi)的十年期國債收益率均值。對于方差指標(biāo)??2的選取，由于因為不希望模型的預(yù)測結(jié)果淪為明日黃花，我們希望所選用的波動率能夠衡量未來的波動率情況，因此我們選用轉(zhuǎn)債的隱含波動率作為價格的波動率水平。實際操作中，為避免轉(zhuǎn)債的隱含波動率起伏過于劇烈引發(fā)投資比例的大幅調(diào)整，我們采用選取一段固定時長作為隱含波動率的滾動計算周期，而不是采用某一日的波動率水平。那么這個固定的時長如何選??？模型構(gòu)建為了確認(rèn)模型中余下兩個“超”參數(shù)——調(diào)倉周期與隱含波動率計算周期，我們選取了多組較為合理的參數(shù)組合，以近五年來存續(xù)過的800只轉(zhuǎn)債進行回測，將觸發(fā)了凱利公式的個券勝負(fù)情況及超額收益表現(xiàn)統(tǒng)計并列出，用以選取最優(yōu)結(jié)果。此處將“觸發(fā)凱利公式”定義為，經(jīng)過凱利公式計算，具有配置價值的情況。表6：凱利公式不同參數(shù)選擇結(jié)果一覽待確定參數(shù)正超額轉(zhuǎn)債數(shù)量負(fù)超額轉(zhuǎn)債數(shù)量正負(fù)超額收益?zhèn)€券數(shù)量比值平均正超額年化收益平均負(fù)超額年化收益調(diào)倉周期隱含波動率計算周期51039327059.28%32.6856%-19.3235%52040524762.12%30.3975%-18.6667%53040723163.79%29.6582%-17.1747%101035925558.47%29.6135%-21.0304%102035824659.27%28.9618%-23.7899%待確定參數(shù)正超額轉(zhuǎn)債數(shù)量負(fù)超額轉(zhuǎn)債數(shù)量正負(fù)超額收益?zhèn)€券數(shù)量比值平均正超額年化收益平均負(fù)超額年化收益調(diào)倉周期隱含波動率計算周期103036123360.77%30.7896%-20.1442%151033824458.08%31.9868%-22.2371%152033923758.85%27.1153%-22.6906%153035021761.73%29.5329%-19.7257%201031225155.42%25.8783%-24.5627%202031922758.42%29.5778%-21.1611%203032021260.15%25.6590%-21.6729%數(shù)據(jù)來源：但調(diào)倉周期為5個交易日時，兩個指標(biāo)的表現(xiàn)均明顯更佳，調(diào)倉周期定為5個交易日似乎已經(jīng)沒有懸念。另一方面，隱含波動率計算周期為20或30個交易日的表現(xiàn)相差甚微。但考慮到歷史隱含波動率需逗留30個交易日才可退出對于模型靈活性以及對市場變化反映及時性的潛在影響，選取20個交易日的性價比明顯更為突出。因此，當(dāng)調(diào)倉周期為5個工作日、隱含波動率計算周期為20個工作日時，模型基于現(xiàn)有數(shù)據(jù)的回測表現(xiàn)最好。在參與回測且觸發(fā)了凱利模型的652只個券中，405只實現(xiàn)正的超額收益，占比62.12%；實現(xiàn)正超額收益的轉(zhuǎn)債中，平均年化正超額收益為30.3975%?？梢哉f，采用凱利配置模型，有較大概率可以實現(xiàn)增厚收益的效果，且增厚幅度相對可觀。另一方面，在存在負(fù)超額的轉(zhuǎn)債中，其平均年化負(fù)超額收益約有-18.6667%，相對平均年化正超額收益明顯較低，該模型存在突出的性價比?；販y結(jié)果（版）進行歸類、進行回測，并采取等權(quán)配置作為對比。特殊地，由于凱利公式可以兼容杠桿的使最低投資倉位定為80%，不足部分以中證轉(zhuǎn)債指數(shù)補齊?；販y結(jié)果如下表。表7：不同杠桿限制下的行業(yè)回測結(jié)果一覽杠桿限制正超額行業(yè)數(shù)量負(fù)超額行業(yè)數(shù)量正負(fù)超額收益?zhèn)€券數(shù)量比值平均正超額收益平均負(fù)超額收益100%18121.50004.2749%-5.4088%110%19111.72735.4587%-5.2417%