报告核心观点 - 报告提出了一种结合宏观与微观因子的胜率与赔率框架，用于构建可转债的量化择时策略，论证了择时的必要性、重要性与可能性[2] - 核心结论是：简单的“买入持有”可转债策略长期无法跑赢纯债或充分捕捉股票牛市收益，且可转债内部不同风格（如高价/低价、高评级/低评级）在不同市场环境下表现分化显著，不存在单一长期占优风格，因此必须进行风格切换和仓位择时[2][12] - 宏微观复合择时策略在回测中表现优异，以月度调仓为例，自2015年以来实现年化超额收益7.19%，夏普比率1.6，最大绝对回撤控制在5%左右，证明了该框架的有效性[5] 胜赔率视角下可转债择时的必要性、重要性与可能性 - 必要性（赔率视角）：可转债虽兼具债底防御与股票弹性，但近五年夏普比率仅为0.71，远低于中债综合指数的3.06，风险调整后收益效率偏低，不具备长期静态持有的配置优势[12]。同时，可转债内部不同风格（如高价VS低价、高评级VS低评级）的表现存在显著的阶段性特征，不存在长期稳定占优的风格，因此择时是必要的[14] - 重要性（赔率视角）：基于后验视角的理论模拟显示，若能每个季度精准配置最优资产（股、债、转债），所构建的“理论最优组合”净值在10年内可增长至4-7倍，远超同期单一资产涨幅，证明了择时是优化风险收益比的关键路径[21] - 可能性（胜率视角）：各类资产及可转债内部风格间的历史胜率分布较为均衡，普遍在40%-60%区间，不存在绝对优势方，这为量化模型通过识别驱动变量来提升胜率提供了数据基础[2][23] 宏微观因子框架与胜率赔率策略的适配性 - 微观因子（共54个）呈现高频、高波特征，主要贡献策略胜率，适合捕捉短期市场波动和交易机会[2] - 宏观因子（共146个）呈现低频、低波特征，主要贡献策略赔率，在极端市场环境下能提供领先信号，有助于降低回撤并获取高额回报[2] - 两者结合能有效平滑净值波动，宏观因子虽然在胜率上较低，但在极端行情下能提供高赔率回报；微观因子则提供了稳定的胜率支撑，宏微观两类相关性较低的Alpha因子结合能更好地增加策略稳定性[5] 模型构建与数据处理 - 研究基于2015年至2025年数据，构建了54个微观因子和146个宏观因子，预测可转债指数未来1周、2周、1个月、3个月、6个月的收益率[3][37] - 因子经过严格的预处理，包括去噪、标准化及平稳性处理（ADF单位根检验）[3] - 使用格兰杰因果检验（显著性阈值5%）筛选具有预测能力的因子，并辅以IC测试（要求ICIR绝对值大于0.15）评估预测稳定性，再通过相关性分析（相关系数绝对值高于0.3）剔除存在多重共线性的因子[3][52][54] 因子有效性分析结果 - 不同持有周期的有效因子分布：以1个月持有期为例，通过检验的宏观因子有60个，微观因子有16个，合计76个[71] - 微观因子预测能力的期限特征： - 短期（1-2周）：股性指标占主导，如stkratio（正股占比）在1周周期ICIR达0.60，呈现稳定的正向预测关系[4][70] - 中期（1-3个月）：量价类因子及债底价值因子表现突出，如diffturnover（换手率差）和bondvalue_diff（债底价值）[4][70] - 长期（6个月）：估值与价格类因子呈现反转特征，高估值显著压制收益，如priceavg（平均价格）的ICIR低至-1.53，IC均值达-58.52%[4][70] - 宏观因子预测能力的期限特征： - 短周期：预测能力最强的因子集中于金融机构资产负债表项目与高频利率指标，如自有资金、房屋施工面积、回购利率等[4][69] - 中长期（3-6个月）：预测能力结构转变，对外贸易类指标（如进出口同比）成为预测能力最强的类别，同时利率期限结构类因子开始呈现正向预测关系[4][69] 预测模型与策略构建 - 根据残差自相关检验结果，选用ARDL（自回归分布滞后）模型进行收益率预测[3] - 策略基于预测收益率的正负进行满仓或空仓操作[3] - 最终用于月度预测的典型宏观因子包括：自有资金（衡量政府资产负债状态）、贷款、房屋施工面积（代表经济活跃度）、回购利率（代表利率及流动性环境）；典型微观因子包括：转债价格、期权时间价值和权益市场估值安全垫[3] 策略回测表现 - 宏微观复合策略显著优于单一因子策略[5] - 以月度调仓为例，2015年以来策略年化超额收益达7.19%，夏普比率为1.6，卡玛比率大于2，最大绝对回撤控制在5%左右[5] - 策略在极端行情下表现稳健，如在2024年信用冲击及2025年高估值期间成功发出空仓信号规避风险[5] - 宏观因子与微观因子的结合有效优化了策略在极端市场环境下的表现，契合绝对收益产品的定位[5]