多因子模型在分類型可轉債策略中的因子選擇邏輯與有效性差異

在可轉債量化策略中，因子選擇需緊密結合可轉債的股性與債性特征。報告通過單因子測試發現，不同維度因子的有效性存在明顯差異。首先，轉債估值因子（如雙低、轉股溢價率ZSCORE）和正股基本面、量價中的動量因子投資邏輯較強，歷史回測效果較好，是構建策略的核心基礎。其中，估值因子在偏債型轉債中表現尤為突出，而正股因子在偏股型轉債中更有效。 其次，深度學習因子（如GRU、TCN）雖然整體RankIC較高，預測效果不錯，但其邏輯不透明，屬于黑盒模型，需依賴大量數據訓練，且對樣本空間敏感。分鐘因子和Level2高頻因子雖然在偏股型轉債上回測效果較好，但投資邏輯較弱，更偏向數據挖掘，極易產生過擬合風險，因此在使用時需格外謹慎，通常僅作為輔助因子或在特定類型（如偏股型）中有限使用。 針對不同類型可轉債分別構建多因子模型的原因在于，投資者對風險收益的偏好不同。偏債型轉債注重安全邊際，適合固收類投資者，其價格波動小，債性強，因此估值因子和深度學習因子效果更佳；偏股型轉債股性強，價格波動接近正股，適合追求權益彈性的投資者，因此正股基本面、量價動量及高頻因子更有效；平衡型轉債則介于兩者之間。通過分類型構建模型，能夠更精準地捕捉各類轉債的收益來源，滿足精細化配置需求，避免“一刀切”策略導致的收益損耗或風險暴露。