报告行业投资评级 未提及 报告的核心观点 - 深度学习或能对转债定价，基于万能近似定理，若转债定价存在解析解，神经网络模型可拟合结果 [2][5] - 设计多层感知机模型（MLP），通过多层非线性变换学习定价模型，添加 11 种因子非线性拟合定价特征 [2][5] - 模型收敛性好且外推泛化能力出色，对样本外数据有强解释能力 [2][8] - 结合 MC 模型和传统 BS 模型，三个模型可在多场景辅助投资活动 [2][13] - 神经网络模型显示当前市场定价有高估，但仍有上行空间 [2][13] - MLP 和 MC 模型在新券定价上“高低搭配”，MC 适合大额高评级转债，MLP 对常规转债效果好 [2][16] - 模型在下修定价方面有较好效果 [2][19] 根据相关目录分别进行总结 深度学习定价模型的思路与设计 - 参考 BS 公式，中国可转债是复杂期权，可能存在复杂定价公式，基于万能近似定理，神经网络模型可拟合定价结果 [5] - 设计 MLP 模型，建立有限隐藏层，通过多层非线性变换学习定价模型，添加 11 种因子拟合定价特征 [5] - 模型收敛性好且外推泛化能力出色，选择 2022 - 2023 年因子数据训练和测试，剔除异常数据，第 100 轮迭代误差收敛，对 2024 - 1Q2025 数据解释能力强 [8] - 与 BS 公式和 MC 模型相比，MLP 模型定价效果更强，拟合市场整体转债价格平均值和所有转债价格时误差更小、稳定性更强 [10] - MLP 模型批量计算定价结果速度快，考虑转债特性和市场环境，定价更贴近实际，但存在不可解释性和需大量历史数据训练的问题 [11] 转债量化定价 2.0——模型有哪些应用？ - 结合 MC 模型和传统 BS 模型，三个模型可在新券定价、市场解释、条款定价等场景辅助投资 [13] - 神经网络模型显示当前市场定价有高估，但截至 2025 年 8 月 15 日，市场价格中位数估值高估幅度不大，转债估值虽在高位但仍有上行空间 [13] - MLP 和 MC 模型在新券定价上“高低搭配”，MC 适合大额高评级转债，MLP 对常规转债效果好，超 50% 转债上市价格在 MC - MLP 框定区间，2024 年 11 月后超 80% 被捕捉 [16] - 模型在下修定价方面有较好效果，2025 年一季度多数转债提议下修第二个交易日价格能被 MLP 预测价格区间框定或接近上下沿 [19]