金選·核心觀點
神經網路模型——以GRU為代表的最佳化探索
對於GRU模型，我們發現利用日度K線和轉債的三種溢價率作為輸入，可以取得最好的效果。為了提升模型的多頭表現，我們嘗試使用專註於多頭的損失函式，但效果不佳，反而導致資訊比率和多空指標下滑。為應對訓練樣本不足的問題，我們引入了數據增強策略，尤其在2022年之前的數據上取得了顯著成效。然而，在數據充足的2022年之後，使用原始數據反而更能適應市場變化。透過這一模型調整，GRU模型在多頭和多空上的表現均有所提升，這表明數據增強在數據量較少的情況下對於提升模型效能是有效的。
決策樹模型——以LGBM為代表的最佳化探索
對於LGBM模型，我們將轉債和正股的Alpha158因子，以及一組手工構建的12個因子作為輸入，以提供多樣化的因子視角。結果顯示，轉債和正股的Alpha158因子的組合在LGBM模型中實作了最佳的多頭表現，而手工構建的因子表現不佳，可能需要進一步的因子擴充來滿足模型需求。
機器學習轉債擇券策略
GRU模型與LGBM模型訓練得到的因子相關性較低，僅為0.35，因此我們將兩者等權合成得到機器學習轉債擇券因子（ML因子）。ML因子在全部轉債上IC均值為9.71%，5分組多頭年化收益率為22.80%，多空年化收益率31.83%；在偏股/平衡/偏債型轉債上IC均值為8.41%/9.42%/8.90%，多頭年化收益率為28.36%/18.99%/15.32%，多空年化收益率39.04%/25.41%/20.04%。進一步考慮扣費和換手率緩沖，使用20%的轉債，相對中證轉債指數構建機器學習轉債擇券策略，該策略在全部轉債上年化收益率14.59%，跟蹤誤差5.18%，資訊比率2.23，超額最大回撤4.24%；在偏股/平衡/偏債型轉債上年化收益率分別為20.77%/11.11%/9.09%，資訊比率分別為1.44/1.64/0.90。
風險提示
以上結果透過歷史數據統計、建模和測算完成，在政策、市場環境發生變化時模型存在時效的風險。策略透過一定的假設透過歷史數據回測得到，當交易成本提高或其他條件改變時，可能導致策略收益下降甚至出現虧損。
