可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】

显示全部楼层 · 2023-8-6 04:09:17

引言

自己平时也在研究一些可转债策略，也会关注一些可转债的研报，近期阅读与研究了光大证券2020年8月发布的一篇研报《可转债轮动策略研究系列之一：着重低转股溢价率的策略占优》；这篇研报的内容还是很不错的，研究转债的小伙伴推荐阅读；今天我们来研究学习一下本篇研报，研报中介绍了三种低价类轮动策略、三种低估值轮动策略、三种高性价比轮动策略一共九种策略，我挑选了其中2个收益高的策略来进行复现
三种低价类轮动策略

回测设置：
1. 每月调仓 1 次，调仓时间为月末最后一个交易日，买入价为月末最后一个交易日收盘价
2. 组合选取择券指标排序在前的 10 只个券
3. 回测时段为 2018 年以来，主要原因为 2018 年 1 月二级市场存量可转债数量首次突破 40 个，之前可选择的标的数量偏少
4. 标的选择范围为债券余额大于 2 亿元（含），初始评级高于 AA-（含）
① 低价轮动策略：每期选择价格最低的标的
② 高到期收益率轮动策略：每期选择到期收益率最高的标的
③ 低纯债溢价率轮动策略：每期选择到纯债溢价率最低的标的

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-1.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-1.jpg

回测结论：低价格轮动策略、高 YTM 轮动策略、低纯债溢价率轮动策略在 2018 年 1 月 1 日至 2020 年 8 月 17 日的收益率（年化）分别为 13.15%、11.08%和 9.62%，与同期中证转债指数的年化涨幅（11.45%）差异不大
虽然这几个策略收益不高，但是对于价格能够低于100元面值或者到期收益率较高的标的买入，我们持有者拿着不慌，能睡好觉
三种低估值轮动策略

用转股价值（或称为平价）进行分类，这种方法本质上是弱化纯债价值的差异
将主要的可转债分为低平价（转股价值位于 70 元至 90 元之间）、中平价（转股价值位于90 元至 110 元之间）和高平价可转债（转股价值位于 110 元至 130 元之间）。
对于低平价、中平价、高平价三类可转债，转股溢价率是最常见和直观的可转债估值指标，但它又存在较大的缺陷，那就是单纯的依靠溢价率来作为转债股指是不科学的；因为转股溢价率与转股价值具有一定的相关性，我们可以来拟合其相关性，来构建修复后的溢价率，以此为依托来构建可转债轮动策略
研报回测结论

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-2.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-2.jpg

结论：高平价低估值轮动策略的收益明显高出低、中平价轮动策略，那么我们就来实现这个高平价低估值轮动策略
构建原理

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-3.jpg

第一：构建高平价可转债转股溢价率与转股价值的相关系数
根据研报，我们根据选择每个季度末转股价值在110元到130元之间的转债数据（转股价值和转股溢价率）分别拟合构建每个季度的转股溢价率与转股价值的相关系数；然后计算季度系数的平均值
代码如下：
def build_quarter_data(start_time):
"""
构建季度高平价可转债转股溢价率与转股价值的相关系数
"""
file_list = []
path = os.path.join(root_path, r'data\stock\basic_trading_data\convertible')

# 系统自带函数os.walk，用于遍历文件夹中的所有文件
for root, dirs, files in os.walk(path):
      if files:  # 当files不为空的时候
         for f in files:
            if '.csv' in f:
                  file_list.append(os.path.join(path, f))
# 并行
with Pool(processes=8) as pool:
      all_df = pool.map(cal_con_quarter, file_list)
all_df = pd.concat(all_df, ignore_index=True)

# 导入上证指数，保证指数数据和股票数据在同一天结束，不然会出现问题。
index_stock_code = 'sh000001'
index_path = os.path.join(root_path, r'data\stock\basic_trading_data\index_data\%s.csv' % (index_stock_code))
index_df = import_index_data(index_path)
index_df = index_df[index_df['交易日期'] >= start_time]
index_df['交易日'] = index_df['交易日期']
index_df.set_index("交易日期", inplace=True)
index_quarter = index_df.resample(rule='1Q').agg({'交易日': 'last'})
q_list = []
for index, row in index_quarter.iterrows():
      try:
         date = row['交易日'].strftime("%Y-%m-%d %H:%M:%S")
         q_df = all_df[all_df['交易日'] == date] # 获取季度末数据

         min_val = 110
         max_val = 130
         q_df = q_df[(q_df['转股价值'] >= min_val) & (q_df['转股价值'] <= max_val)]

         q_df['转股溢价率'] = q_df['转股溢价率'] / 100
         # x轴是转股价值，y是转股溢价率
         x = q_df['转股价值'].tolist()
         y = q_df['转股溢价率'].tolist()

         fit = np.polyfit(x, y, 2)  # 拟合二元一次方程
         p = np.poly1d(fit)  # 得到多项式系数，按照阶数从高到低排列
         # print(p)  # 显示多项式
         k = p.c[0] #得到系数
         #各季度系数平均值
         k_mean = (sum([x.get('k') for x in q_list]) + k) / (len(q_list) + 1) if q_list else k
         q_list.append({'quarter': date, 'k': k, 'k_m': k_mean})

      except:
         continue
return q_list

第二：高平价可转债估值指标的构建
高平价可转债的转股溢价率（修正版 H）= 转股溢价率+系数×（转股价值-120）
def cal_undervaluation(date, group, con_df, q_list):
"""
计算每天的因子数据
"""
print(date)
# 根据时间，获取使用的系数
k_m = 0
last_q = None
last_k_m = 0
cur_date = pd.to_datetime(date)
for q in q_list:
   cur_q = pd.to_datetime(q.get('quarter'))
   if last_q and cur_date > last_q and cur_date <= cur_q:
         k_m = last_k_m
         break
   last_q = cur_q
   last_k_m = q.get('k_m')

tmp_df = group
tmp_df = pd.merge(left=tmp_df, right=con_df[['到期日', '债券代码', '转债名称']], on='债券代码', how='left',sort=True, indicator=True)

tmp_df['转股溢价率'] = tmp_df['转股溢价率'] / 100

#指标计算公式
tmp_df['溢价率指标'] = tmp_df['转股溢价率'] + k_m * (tmp_df['转股价值'] - 120)
tmp_df.sort_values(by=['交易日期', '溢价率指标'], inplace=True)
return tmp_df构建策略因子后其它代码参考以前帖子，这里不再赘述
10只，回测结果如下：

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-4.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-4.jpg

三种高性价比轮动策略

可转债的转股溢价率越低，正股上涨时，可转债价格上涨的幅度越大，进攻性越强。可转债价格越低，往往纯债溢价率越低，正股下跌时，可转债价格下跌的幅度越小，防御性越强
我们根据价格、转股溢价率20%，50%，80%的分位值构建连线后，来构建修复后的价格，以此为依托来构建可转债轮动策略
研报回测结果

结论：高价段高性价比轮动策略的收益明显高出低、中价段高性价比轮动策略，那么我们就来实现这个高价段高性价比轮动策略
构建原理

第一：构建AD,BD,BE三条直线
可转债价格与转股溢价率的分布图上的四个关键点为：A（价格为 20%分位值，转股溢价率为 80%分位值）、 B（价格为 20%分位值，转股溢价率为 50%分位值）、D（价格为 50%分位值，转股溢价率为 20%分位值）、E（价格为 80%分位值，转股溢价率为20%分位值）。三个关键直线为：经过 A 和 D 的直线 AD（斜率为 KAD）、经过 B 和 D 的直线 BD（斜率为 KBD）、经过 B 和 E 的直线 BE（斜率为 KBE）。
认为价格低更为重要的投资者，使用AD直线作为低价段；对价格和转股溢价率的重视程度相近的投资者，使用BD直线作为中价段；对价格和转股溢价率的重视程度相近的投资者，使用BE直线作为高价段；
构建代码如下：
def my_plt_percentile():
file_path = '''可转债数据.csv'''
df = pd.read_csv(file_path, encoding='gbk')

# 溢价率数据转化
df['premium_rt'] = df['premium_rt'].apply(lambda x: pd.to_numeric(str(x).replace('%', '')))
df = df[(df['price'] <= 200)]
df = df[(df['premium_rt'] <= 60)]
x = df['price'].tolist()
x.sort()
x_max = max(x)
x_min = min(x)
price_80 = np.percentile(np.array(([x])), 80)  # 80%分位数
price_50 = np.percentile(np.array(([x])), 50)  # 50%分位数
price_20 = np.percentile(np.array(([x])), 20)  # 20%分位数

y = df['premium_rt'].tolist()
y.sort()
y_max = max(y)
y_min = min(y)
premium_80 = np.percentile(np.array(([y])), 80)  # 80%分位数
premium_50 = np.percentile(np.array(([y])), 50)  # 50%分位数
premium_20 = np.percentile(np.array(([y])), 20)  # 20%分位数

# 点坐标赋值
a_cor = (price_20, premium_80)
b_cor = (price_20, premium_50)
c_cor = (price_20, premium_20)
d_cor = (price_50, premium_20)
e_cor = (price_80, premium_20)

df['高阶段距离差值'] = df.apply(lambda row: cal_dis_test(row, b_cor, e_cor), axis=1)
df.sort_values(by=['高阶段距离差值'], inplace=True, ascending=False)
pass
# #AD、BD、BE斜率计算
k_ad = (a_cor[1] - d_cor[1]) / (a_cor[0] - d_cor[0])
k_bd = (b_cor[1] - d_cor[1]) / (b_cor[0] - d_cor[0])
k_be = (b_cor[1] - e_cor[1]) / (b_cor[0] - e_cor[0])

print("ad:%s,bd:%s,be:%s" % (k_ad, k_bd, k_be))

# 绘图部分
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.plot(df['price'].tolist(), df['premium_rt'].tolist(), '*', label='散点')
# 溢价率分位线
plt.plot([x_min, x_max], [premium_20, premium_20], c='gray', linestyle='--')
plt.plot([x_min, x_max], [premium_50, premium_50], c='gray', linestyle='--')
plt.plot([x_min, x_max], [premium_80, premium_80], c='gray', linestyle='--')

# 价格分位线
plt.plot([price_20, price_20], [y_min, y_max], c='gray', linestyle='--')
plt.plot([price_50, price_50], [y_min, y_max], c='gray', linestyle='--')
plt.plot([price_80, price_80], [y_min, y_max], c='gray', linestyle='--')

#  AD连线
plt.plot(
      [get_linear_equation_other_val(a_cor, d_cor, y=y_min), get_linear_equation_other_val(a_cor, d_cor, y=y_max)],
      [y_min, y_max], c='r', linestyle='-', label='低价段性价比')
#  BD连线
if get_linear_equation_other_val(b_cor, d_cor, y=y_max) < x_min:
      plt.plot([get_linear_equation_other_val(b_cor, d_cor, y=y_min), x_min],
               [y_min, get_linear_equation_other_val(b_cor, d_cor, x=x_min)], c='b', linestyle='-', label='中价段性价比')
else:
      plt.plot([get_linear_equation_other_val(b_cor, d_cor, y=y_min),
               get_linear_equation_other_val(b_cor, d_cor, y=y_max)],
               [y_min, y_max], c='b', linestyle='-', label='中价段性价比')
#  BE连线
if get_linear_equation_other_val(b_cor, e_cor, y=y_max) < x_min:
      plt.plot([get_linear_equation_other_val(b_cor, e_cor, y=y_min), x_min],
               [y_min, get_linear_equation_other_val(b_cor, e_cor, x=x_min)], c='g', linestyle='-', label='高价段性价比')
else:
      plt.plot([get_linear_equation_other_val(b_cor, e_cor, y=y_min),
               get_linear_equation_other_val(b_cor, e_cor, y=y_max)],
               [y_min, y_max], c='g', linestyle='-', label='高价段性价比')

plt.xlabel('价格(元)')
plt.ylabel('转股溢价率')
plt.legend(loc=1)  # 指定legend在图中的位置，类似象限的位置
plt.title('存量可转债价格与转股溢价率分布')
plt.show()这样我们也构建和研报中类似的三条线，我们依托这三条线中的高价段BE来构建因子

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-8.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-8.jpg

第二：高价段高性价比可转债估值指标的构建
性价比指标 BE=价格 – 1/KBE×转股溢价率
def cal_distance(date, group, con_df):
print(date)
if pd.to_datetime(date) == pd.to_datetime('2020-07-31'):
      a = 1
tmp_df = group
tmp_df = pd.merge(left=tmp_df, right=con_df[['到期日', '债券代码', '转债名称']], on='债券代码', how='left',
                  sort=True, indicator=True)

# 溢价率数据转化
x = tmp_df['close'].tolist()
x.sort()
price_80 = np.percentile(np.array(([x])), 80)  # 80%分位数
price_50 = np.percentile(np.array(([x])), 50)  # 50%分位数
price_20 = np.percentile(np.array(([x])), 20)  # 20%分位数

tmp_df['转股溢价率'] = tmp_df['转股溢价率'] / 100
y = tmp_df['转股溢价率'].tolist()
y.sort()
premium_80 = np.percentile(np.array(([y])), 80)  # 80%分位数
premium_50 = np.percentile(np.array(([y])), 50)  # 50%分位数
premium_20 = np.percentile(np.array(([y])), 20)  # 20%分位数

# 点坐标赋值
a_cor = (price_20, premium_80)
b_cor = (price_20, premium_50)
c_cor = (price_20, premium_20)
d_cor = (price_50, premium_20)
e_cor = (price_80, premium_20)

k = (b_cor[1] - e_cor[1]) / (b_cor[0] - e_cor[0])
#依托BE构建指标
tmp_df['性价比指标'] = tmp_df.apply(lambda row: cal_price_effective(row, b_cor, e_cor), axis=1)

tmp_df.sort_values(by=['交易日期', '性价比指标'], inplace=True)
# tmp_df['偏移值_排名'] = df.groupby('交易日期')['偏移值'].rank(method="first")
return tmp_df构建策略因子后其它代码参考以前帖子，这里不再赘述
选取10只，回测结果如下：

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-9.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-9.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-10.jpg

结束语

这两个回测不错的轮动策略，都属于包含高价的策略，我之前只关注一些低价标的，回测效果没有这么好，看来还是高价格的相对进攻性比较强，后期计划分出一部分资金参与一下；有对此策略感兴趣的朋友欢迎评论或私信讨论；
如果本篇对你有所帮助，请动动手指点个赞表示支持，感谢
附件:

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-11.jpg

可转债轮动着重低转股溢价率的策略占优收益爆炸【python数字货币量化_21精华帖_策略第35篇】-11.jpg