基于XGBoost算法的可轉債非線性選券框架優化與回測驗證

線性定價邏輯失效與模型重構必要性

近年來，國內宏觀環境、利率中樞、權益風險偏好及外部沖擊經歷多輪切換，可轉債市場的定價邏輯已從單一的估值修復或流動性驅動，轉向由正股彈性、轉債估值、條款博弈及行業景氣共同作用的復雜階段。在此背景下，傳統線性多因子模型中“單一因子改善導致組合收益提升”的傳導鏈條逐漸弱化，因子間的交互關系、閾值效應及市場狀態依賴特征日益突出。相比之下，XGBoost（eXtreme Gradient Boosting）算法作為一種非線性集成學習模型，能夠在不預設固定線性關系的基礎上，自動識別多維變量（如轉股溢價率、價格、YTM、正股動量、波動率、流動性及條款進度等）之間的復雜非線性關系，更契合當前轉債市場非線性定價環境下的擇券需求。

因子體系擴展與訓練窗口優化

本報告在前期XGBoost轉債擇券模型基礎上，對因子體系和訓練框架進行了再優化。因子庫由原有的19個指標擴展至41個，并篩選出26個核心因子用于模型訓練，樣本區間覆蓋2016年1月至2026年5月29日。新因子體系在保留YTM、隱含波動率、平底溢價率等傳統有效指標的基礎上，進一步補充了轉債5日、6-20日、21-60日動量以及轉債相對正股動量等交易型變量，同時細化了強贖進度、下修進度等條款類指標，使模型能更精準地刻畫估值、價格、動量、風險、流動性、正股屬性和條款事件之間的非線性關系。

在單因子回測中，YTM仍具備穩定的橫截面預測能力，轉股溢價率、隱含波動率和平底溢價率延續較強解釋力，而轉債相對正股動量則增強了模型對轉債超漲或滯漲狀態的識別能力。為確定適配當前市場環境的最佳訓練樣本長度，研究以1年為起點、5年為終點，以6個月為步長進行滾動窗口測試。結果顯示，訓練窗口過短易受短期行情擾動，過長則可能因歷史環境與當前定價邏輯差異稀釋因子有效性。綜合比較9組訓練窗口，3.5年滾動訓練窗口在收益彈性、風險控制和市場適配性之間表現最優，在2020年1月至2026年5月期間，該窗口下模型最終凈值達到6.78，累計收益顯著，表明其既保留了足夠樣本信息，又較好適應了近年來轉債市場定價邏輯的變化。

多約束情景下的組合可執行性檢驗

在月度調倉框架下，XGBoost模型構建的無約束組合相較主要市場指數展現出較強收益優勢。Top20組合年化收益率達到19.66%，年化超額收益率達到12.96%，且2024年以來各年度表現較為穩健。進一步加入價格、信用和條款約束后，模型仍具備較好的可執行性。

具體而言，剔除130元以上高價轉債后，組合年化收益率達到19.90%，波動和回撤較無約束組合有所收斂，更適合穩健型資金；剔除評級低于A+標的后，組合年化收益率仍達到18.10%，說明模型收益并非完全來自信用下沉，該策略更適合信用風險約束較強的投資人。然而，剔除未來20日內可能觸發下修、強贖和回售的標的后，組合收益有所下降，表明條款事件并非單純的風險來源，在特定市場環境下也可能貢獻收益彈性。因此，條款風險更適合結合正股趨勢、價格位置和市場環境進行動態判斷，而非簡單剔除。

綜合來看，優化后的XGBoost轉債擇券框架在因子體系、訓練窗口和組合約束層面均具備較強擴展價值。無約束組合更適合作為模型原始擇券能力和候選券池生成工具；規避高價組合更適合穩健型資金；規避低評級組合則更適合信用風險約束較強的投資人。