因子投资基础：可转债因子投资概述

做可转债量化，说白了就是找规律。

我刚开始接触这个领域时，总觉得可转债就是个「股债混合体」，用股票那套因子直接套用就行。结果呢？回测曲线漂亮得很，实盘一跑就翻车。后来我才明白——可转债有自己的脾气，你得顺着它的性子来。

什么是可转债因子投资？

因子投资，本质上就是找到那些能解释资产收益的共同特征。比如股票的「低市盈率因子」、「动量因子」，到了可转债这边，逻辑类似但细节完全不同。

我个人习惯把可转债因子投资拆成三步：

1. 找因子：挖掘能预测可转债未来收益的特征
2. 验因子：用历史数据检验它是不是真的有效
3. 组组合：把多个有效因子组合起来，构建投资策略

你想想看，可转债有债底保护，又有转股期权，这决定了它的因子逻辑不能照搬股票。我在项目中遇到过用股票动量因子直接做可转债，结果发现大部分收益都被「回售条款」和「强赎条款」吃掉了。

因子分类体系

做因子分类，我习惯按「驱动逻辑」来分，而不是按「数据来源」。为什么？因为可转债的收益来源很特殊——它既不是纯股，也不是纯债。

我自己的分类框架是这样的：

这个分类体系我用了三年，迭代了五次。最开始只有估值和动量两类，后来发现「下修条款」带来的收益太明显了，才把基本面类单独拎出来。

1. 估值类因子

这类因子衡量的是「可转债到底贵不贵」。最常用的就是转股溢价率——说白了就是转债价格相对于转股价值的溢价程度。

举个例子：某转债转股价值100元，转债价格120元，转股溢价率就是20%。溢价率越低，转债越「股性」；溢价率越高，越「债性」。

2. 动量类因子

动量因子在可转债上表现很特别。我做过一个测试：用过去20日收益率排序，做多前20%做空后20%，年化收益能到15%以上。但有个坑——遇到强赎公告日，动量会瞬间反转。

为什么会这样？因为强赎公告后，转债价格会快速向转股价值收敛，之前的上涨动量反而成了反向指标。

3. 基本面类因子

这类因子包括正股基本面（营收增速、ROE等）和转债条款（下修条款、回售条款、强赎条款）。

我记得有一次，某只转债正股基本面很差，但下修条款特别宽松。我当时没在意，结果三个月后公司真的下修了转股价，转债一天涨了15%。从那以后，我把「下修概率」作为基本面因子的核心指标。

因子有效性评价指标

因子好不好，不能光看回测收益。我见过太多「回测王者、实盘青铜」的因子了。评价一个因子，我一般看五个维度：

指标	计算公式	我的判断标准
IC均值	因子值与未来收益的秩相关系数	绝对值 > 0.03 才算有效。低于这个数，基本就是噪音
ICIR	IC均值 / IC标准差	> 0.5 算合格，> 1.0 算优秀。ICIR低说明因子不稳定
分组收益单调性	按因子值分5组，看收益是否单调递增/递减	必须单调。如果第3组收益最高，第1组和第5组反而低，这因子就有问题
换手率	组合调仓时需更换的持仓比例	单边换手率 < 30% 可接受。太高的话交易成本会吃掉收益
最大回撤	因子多空组合的历史最大回撤	回撤超过20%的因子，我一般会谨慎使用

实际做因子评价时，我一般会写个简单的Python脚本来计算这些指标。核心代码大概长这样：

import numpy as np
from scipy.stats import spearmanr

def evaluate_factor(factor_values, forward_returns):
    """
    评价因子有效性
    factor_values: 因子值序列
    forward_returns: 未来N日收益序列
    """
    # 计算IC
    ic, _ = spearmanr(factor_values, forward_returns)
    
    # 计算ICIR（需要滚动窗口）
    ic_series = []
    for i in range(20, len(factor_values)):
        ic_window, _ = spearmanr(
            factor_values[i-20:i], 
            forward_returns[i-20:i]
        )
        ic_series.append(ic_window)
    
    ic_mean = np.mean(ic_series)
    ic_std = np.std(ic_series)
    icir = ic_mean / ic_std if ic_std != 0 else 0
    
    return {
        'ic': ic,
        'ic_mean': ic_mean,
        'icir': icir,
        'is_valid': abs(ic_mean) > 0.03 and icir > 0.5
    }

嗯，这里要注意：滚动窗口选20期是我个人的习惯。如果你做日频数据，20个交易日大概对应一个月。窗口太小噪音大，窗口太大又反应太慢。

最后说一句：因子评价不是一锤子买卖。我每个月都会重新跑一遍所有因子的评价指标，看看哪些因子「老化」了，哪些因子「觉醒」了。市场在变，因子的有效性也在变——这是量化投资的常态。

---

公众号:蓝海资料掘金营，微信deep3321