【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-250327（22页）.pdf

1、江海证券有限公司及其关联机构在法律许可的情况下可能与本报告所分析的企业存在业务关系，并且继续寻求发展这些关系。因此，投资者应当考虑到本公司可能存在影响本报告客观性的利益冲突，不应视本报告为投资决策的唯一因素。敬请参阅最后一页之免责条款证券研究报告金融工程报告证券研究报告金融工程报告2025 年年 3 月月 27 日日江海证券研究发展部江海证券研究发展部金融工程研究报告可转债研究系列之（二）可转债研究系列之（二）应用遗传算法构建的可转债策略投资要点：投资要点：研究要旨：研究要旨：本文应用遗传算法基于可转债的量价和基本面信息挖掘因子，并据此构建策略。本文还展示了策略优化的过程，逐步展示策略经过不同

2、处理步骤后的差异，以体现更精细化的策略研究过程和更贴合的优化操作。本文提出的四个策略，分别适合机构投资者和个人投资者在量化交易和非量化交易中的使用场景。策略表现：策略表现：“持仓数 10 个加权”策略年化收益率为 35.3%，年化超额为 29.16%，贝塔为 1.40，阿尔法为 0.275，夏普为 1.43%，周度胜率为 53.0%，盈亏比为 2.0，最大回撤为 19.5%，各项表现大幅超越转债等权和中证转债。策略特点：策略特点：持仓数 10 个的策略适合个人投资者操作；而持仓数约 50 个的策略适合机构投资者，更符合集中度的要求，且胜率更高，持有人投资体验提升；加权分配的仓位控制更适合量化交

3、易场景。以上策略除 2018 年外，年年正收益，且年度回撤幅度可控。优势亮点：优势亮点：其一，持仓集中度与仓位分配的灵活组合，满足机构投资者分散化需求与个人投资者操作便利性；其二，样本外测试(2024 年)年化收益达 45.4%，验证模型对市场环境变化的适应性；其三，通过引入正股市值因子与量价特征的交互项，有效捕捉小盘转债的弹性机会。模型研究：模型研究：研究发现，以收盘价收益率为拟合目标的因子稳健性较强；共线性去除后，组合的表现显著提升；非线性合成能增强组合整体表现，但损耗最优组合表现；保留极值信息有助于提升此模型效果；持仓个数与净值表现呈先增后减关系，存在局部最优解，需警惕数据挖掘风险。风险

4、提示风险提示：本报告中所采用的模型及其预测结果可能受到多种因素的影响，包括但不限于模型构建方法、参数估计的准确性、所依赖的假设条件以及模型应用的局限性等。此外，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的市场走向。本文提供的信息应仅供参考，投资者在做出投资决策时应谨慎，并结合实际市场分析和专业意见。金融工程研究组金融工程研究组分析师：梁俊炜分析师：梁俊炜执业证书编号：执业证书编号：S1410524090001相关研究报告相关研究报告可转债研究系列之（一）基于传统双低策略的优化 2025.02.28量化因子掘金系列（三）遗传算法因子挖掘与因子非线性合成 2024.09.111敬请参

5、阅最后一页之免责条款证券研究报告金融工程报告目录1 研究概要.31.1 研究背景.31.2 研究概要.32 因子挖掘.52.1 因子介绍.52.3 模型设定.62.4 因子表达式.73 因子筛选.93.1 因子回测.93.2 因子处理.103.3 因子筛选.114 策略优化过程.124.1 因子筛选对比.124.2 因子合成方法对比.134.3 持仓个数对比.144.4 极值的处理对比.155 策略结果.166 总结.18风险提示.192敬请参阅最后一页之免责条款证券研究报告金融工程报告图表目录图 1、可转债遗传算法因子策略（周度调仓）.4图 2、因子线性合成的优化过程.13图 3、共线性去除

6、前后的分组回测结果.13图 4、因子线性与非线性合成的净值对比.14图 5、因子线性与非线性合成的分组对比.14图 6、持仓个数的变化对比.15图 7、去极值的处理对比.16图 8、可转债遗传算法因子策略（周度调仓）.17表 1、遗传算法与线性回归和随机森林的特性对比.3表 2、策略表现对比.5表 3、底层因子描述.5表 4、运算函数说明.6表 5、本研究中模型的超参数说明及输入.7表 6、以收盘价收益率（Y1）为拟合目标的因子.8表 7、以开盘价收益率（Y2）为拟合目标的因子.8表 8、以 t+1 日开盘价收盘价收益率（Y3）为拟合目标的因子.9表 9、以 Y1 为适应目标的因子分组日度回测