深度学习择时和择券：转债量化定价2.0

核心观点

• 基于 MLP 模型寻找低估转债，2024 年以来年化收益 30%。当 MLP 模型给出的价格明显高于当前转债价格时，未来一段时间转债价格向模型价格回归的概率较高。因子 IC 在 8.4% 左右，因子分组单调性明显。
• MLP 低估因子具有较强的择时效果，控回撤效果明显。历史上来看，当 IC 因子值小于 0 时，后续市场回调概率大。基于择时指标的多空判断做中证转债指数的模拟投资，2024 年以来策略能较大程度规避市场的潜在回撤，并获得相较中证转债指数的明显超额。
• 基于 MLP 模型设计以赔率为基础的凸性策略，“进可攻，退可守”。赔率因子为正股涨 10% 模型估计转债涨幅/正股跌 10% 模型估计转债跌幅，每个月月末买入 30 只 AA-评级及以上，赔率最高的 30 只转债，双边千四的费率下，2024 年至今策略年化收益率在 22% 左右，在回测期内基本稳定跑平等权重指数。整体来看，赔率策略在回撤上明显低于 MLP 误差策略，“进可攻，退可守”属性凸显，更适合稳健类型的投资者。

关键数据

• 深度学习低估策略：2024 年至 2025 年 9 月 8 日，年化收益率 30%，其中 2025 年至 9 月 8 日绝对收益 26.69%，夏普比 1.68，卡玛比 2.39。
• 深度学习凸性策略：2024 年至今年化收益率 22%，在回撤上明显低于 MLP 误差策略。

研究结论

• MLP 低估因子兼具择时择券效果，跑赢等权指数。
• MLP 赔率因子策略在回撤上明显低于 MLP 误差策略，更适合稳健类型的投资者。
• 两种策略最新一期仓位参见附录。

风险提示

• 历史统计规律失效风险；宏观经济变化超预期风险；超预期信用事件风险。