4、双低值计算：从定义到实战

双低策略的核心，说白了就一个东西——双低值。

我刚开始做可转债量化的时候，市面上还没有「双低」这个说法。大家要么看价格，要么看溢价率，很少有人把两者结合起来。后来有个前辈跟我说：「你想想看，价格低但溢价高的债，跟价格高但溢价低的债，哪个更安全？」这个问题让我琢磨了好几天。

嗯，双低值就是用来回答这个问题的。

4.1 双低值的定义与公式

双低值的公式非常简单：

双低值 = 可转债价格 + 转股溢价率 × 100

注意，这里的转股溢价率是百分比数值。比如溢价率是 20%，公式里就用 20，而不是 0.2。

举个例子：

• 某转债价格 105 元，转股溢价率 15%
• 双低值 = 105 + 15 = 120

为什么这么算？我个人的理解是：价格代表债性保护，溢价率代表股性弹性。两者相加，就是一个综合的「性价比」指标。

我在项目中遇到过一个问题：有些转债价格极低（比如 80 元），但溢价率奇高（比如 200%）。双低值算出来是 280，看起来很高，但其实这种债有债底保护，风险并不大。所以后来我加了一个价格下限过滤，低于 90 元的债直接剔除。

4.2 双低值的 Python 实现

讲完理论，咱们直接上代码。我习惯用 pandas 来处理数据，干净利落。

import pandas as pd
import numpy as np

def calc_double_low(df):
    """
    计算双低值
    df 必须包含列：'price', 'premium_rate'
    premium_rate 是百分比数值，如 15.2 表示 15.2%
    """
    # 计算双低值
    df['double_low'] = df['price'] + df['premium_rate']
    
    # 添加过滤条件
    df['valid'] = (
        (df['price'] >= 90) &           # 价格不低于 90
        (df['price'] <= 150) &          # 价格不高于 150
        (df['premium_rate'] >= 0) &     # 溢价率非负
        (df['premium_rate'] <= 100)     # 溢价率不超过 100%
    )
    
    # 只保留有效数据
    result = df[df['valid']].copy()
    result = result.sort_values('double_low')
    
    return result

# 示例数据
data = pd.DataFrame({
    'code': ['123456', '123457', '123458'],
    'price': [105.3, 112.8, 98.6],
    'premium_rate': [15.2, 8.7, 35.4]
})

result = calc_double_low(data)
print(result[['code', 'price', 'premium_rate', 'double_low']])

输出结果：

     code   price  premium_rate  double_low
0  123456  105.3          15.2       120.5
1  123457  112.8           8.7       121.5
2  123458   98.6          35.4       134.0

你看，代码其实就几行。但这里有个细节：排序后，双低值最小的就是最优标的。上面这个例子，123456 的双低值最低，理论上最值得关注。

4.3 双低值的可视化分析

光看数字不够直观。我习惯把双低值画成散点图，一眼就能看出哪些债值得关注。

下面这张图展示了双低值的核心逻辑：

这张图怎么看？我解释一下：

• 横轴：可转债价格，越低债性保护越强
• 纵轴：转股溢价率，越低股性弹性越好
• 虚线：双低值等高线，同一条线上的债双低值相同

你想想看，左下角的债（价格低、溢价低）双低值自然就低，这就是我们要找的「黄金坑」。右上角的债（价格高、溢价高）双低值高，风险较大。

实际分析中，我还会加一个时间维度。比如把过去 30 天的双低值走势画出来，看看哪些债的双低值在持续下降——这说明它在变得越来越便宜。

import matplotlib.pyplot as plt

def plot_double_low_trend(df, code):
    """
    绘制某只转债的双低值走势
    """
    bond = df[df['code'] == code].copy()
    
    plt.figure(figsize=(10, 5))
    plt.plot(bond['date'], bond['double_low'], 
             color='#3498db', linewidth=2, marker='o')
    plt.title(f'{code} 双低值走势', fontsize=14)
    plt.xlabel('日期')
    plt.ylabel('双低值')
    plt.grid(True, alpha=0.3)
    plt.axhline(y=120, color='red', linestyle='--', 
                label='双低值 120 警戒线')
    plt.legend()
    plt.show()

嗯，双低值的计算和可视化就讲到这里。记住一个原则：双低值不是万能的，但没有双低值是万万不能的。它帮我们快速缩小选债范围，但最终决策还需要结合其他指标。

---