转债量化定价2.0——深度学习与转债定价

2025-08-20 孙彬彬,隋修平,李浩时财通证券车伟光

核心观点
深度学习模型（MLP）能够有效对可转债进行定价，通过多层非线性变换拟合转债的潜在定价模型。模型结合转债特色因子（如波动率、剩余期限、转换价值等）和市场表现因子，展现出良好的收敛性和外推泛化能力。
模型设计与效果
- 设计了MLP模型，通过11种因子非线性拟合定价特征，训练集和测试集误差在第100轮迭代后收敛。
- 样本外数据（2024-2025年一季度）解释能力强，以爱迪转债为例验证了定价准确性。
- 相较于BS公式和MC模型，MLP在批量计算和实际场景贴合度上优势明显，但存在“黑箱”和需大量历史数据训练的局限。
模型应用与结论
- 市场整体定价：当前转债估值偏高（中位数高估约2%），但上行空间有限。
- 新券定价：MLP与MC模型形成“高低搭配”——MC擅长大额高评级转债，MLP更适配常规转债，两者覆盖超过50%新券价格。
- 下修定价：MLP预测下修触发价和目标价区间准确，多数转债价格落在区间内。
风险提示
- 历史统计规律失效风险、宏观经济超预期风险、信用事件风险。