为什么可转债适合量化分析？

可转债（Convertible Bond）是一种"下有保底、上不封顶"的金融工具。它同时具备债券的固定收益属性和股票的看涨期权属性，这种双重特性使得它特别适合用量化模型来分析。

与纯股票不同，可转债的价格受多种因素影响：正股价格、转股溢价率、纯债价值、到期收益率、正股波动率等。这些因素之间存在复杂的非线性关系——而这正是机器学习擅长的领域。

六因子打分体系

我们使用六个维度的因子对每只可转债进行打分：

1. 估值因子（30%权重）

- 转股溢价率：衡量转债价格相对转股价值的溢价程度。溢价越低，转债越"便宜" - 纯债溢价率：转债价格相对纯债价值的偏离度

2. 动量因子（25%权重）

- 正股动量：正股近期涨跌趋势 - 转债动量：转债自身价格趋势

3. 质量因子（20%权重）

- 正股ROE：正股盈利能力 - 信用评级：债券信用风险

4. 波动率因子（15%权重）

- 历史波动率：价格波动程度 - 隐含波动率：市场对未来波动的预期

5. 流动性因子（5%权重）

- 日均成交额：交易活跃度 - 买卖价差：交易成本

6. 条款因子（5%权重）

- 强赎触发距离：距离强制赎回条件的远近 - 下修概率：转股价下调的可能性评估

为什么选随机森林（Random Forest）

Random Forest（随机森林）是一种基于决策树的集成学习算法。形象地说：

> 你请了 100 个分析师独立评估一只转债，然后投票决定最终分数。每个分析师只看一部分数据，这样避免了个别分析师的偏见。

相比深度学习，RF的优势在于：
- 可解释性强：可以输出每个因子的重要性排名
- 不易过拟合：天然的抗过拟合机制
- 对缺失值友好：实际数据常有缺失，RF处理得好
- 训练快：67只标的×60个模型，几分钟跑完

策略表现

我们的模型在回测中展现出稳定的表现：

| 策略等级 | 覆盖标的 | 年化波动 | 最大回撤 | 夏普比率 |
|---------|---------|---------|---------|---------|
| 稳健配置 | 12只 | 5-8% | <5% | 1.8+ |
| 精选成长 | 35只 | 8-12% | <8% | 1.5+ |
| 全市场灵活 | 67只 | 12-18% | <12% | 1.2+ |

风控设计：为什么有时会空仓？

很多人问：为什么策略有时候不推荐任何标的？

这是因为我们的风控系统会在以下情况主动空仓：

1. 数据覆盖率不足：当日数据缺失超过30%的标的
2. 价格异常：检测到异常波动或数据错误
3. 模型置信度低：所有标的的预测概率低于阈值

空仓不是失败，是风控。在量化投资中，减少无效交易本身就是一种alpha。

下一步：构建你自己的量化系统

如果你也想搭建类似的系统，需要三样东西：

1. 数据源：免费的 akshare 库可以获取A股和可转债数据
2. Python + scikit-learn：模型训练的核心工具
3. 耐心：量化是长期工程，需要持续迭代优化

后续文章会深入讲解：特征工程怎么做、模型如何调参、风控体系如何设计。