可转债的独特魅力
可转债是一种特殊债券，持有人可以按约定价格转换成公司股票。它既有债券的保底属性，又有股票的上涨弹性。这种双重身份让可转债成为量化交易的热门标的。
普通散户做股票量化，往往面临因子失效快、波动大的问题。可转债的债底保护让下跌空间有限，同时正股上涨又能带动转债跟涨。量化模型可以在这种非对称收益中寻找稳定机会。
转债量化的核心逻辑
双低策略
双低指的是低价格、低转股溢价率。价格低意味着债性强，下跌风险小。溢价率低意味着股性强，正股上涨时转债容易跟涨。
量化系统每天计算全市场可转债的双低值，买入排名靠前的品种，定期轮动。这个策略在震荡市和牛市中都表现不错，熊市回撤也远小于股票。
多因子模型
单纯双低不够精细。量化模型可以加入更多因子：正股波动率、信用评级、剩余规模、换手率、到期收益率。每个因子赋予不同权重，通过历史回测确定最优参数。
正股波动率高的转债，期权价值更大。剩余规模小的转债，容易被资金炒作。信用评级高的转债，债底更扎实。这些因子组合起来，能筛选出风险收益比更优的标的。
套利机会
可转债存在多种套利模式。折价套利是当转股价值高于转债价格时，买入转债并转股，次日卖出股票。这种机会通常出现在正股涨停或大跌时。
量化系统可以实时监控全市场折价率，一旦超过阈值就自动下单。扣除交易成本和冲击成本后，年化收益能增厚不少。
散户如何上手转债量化
数据获取
可转债数据可以从聚宽、米筐、Tushare等平台获取。需要的历史数据包括：转债价格、转股价值、溢价率、正股价格、成交量、剩余规模、信用评级。
每日收盘后更新数据，计算因子值，生成交易信号。
策略回测
用Python写回测框架。核心代码不长，几百行就能跑通。
import pandas as pd
# 假设df包含date, code, price, premium, stock_price, stock_vol
# 计算双低值
df['double_low'] = df['price'] + df['premium'] * 100
# 按日期分组，选双低值最小的10只
def select_top(df):
return df.nsmallest(10, 'double_low')
signals = df.groupby('date').apply(select_top)
回测时注意交易成本：转债佣金约万分之0.5，卖出无印花税。滑点按0.2%计算。每周轮动一次，持有10到20只。
实盘执行
实盘用券商API自动下单。每天下午2点半计算信号，2点45分调仓。避免尾盘流动性不足。
单只转债仓位不超过10%，总仓位控制在80%以内。留出资金应对赎回和极端行情。
转债量化的风险控制
强赎风险
可转债触发强赎后，价格会迅速向转股价值靠拢。量化系统必须监控强赎公告，及时剔除相关标的。
信用风险
近年来出现个别转债违约。量化模型要加入信用因子，规避评级低、正股亏损的转债。
流动性风险
小规模转债日成交额可能只有几百万。量化策略要限制单日买入量，不超过当日成交额的1%。
策略失效
任何量化策略都有失效期。双低策略在2018年、2021年都出现过回撤。需要定期评估因子有效性，动态调整权重。
进阶玩法
日内高频
可转债T+0交易，没有涨跌停限制（有临停机制）。量化系统可以捕捉日内动量，结合盘口数据做高频套利。
这种玩法对硬件和网络要求高，散户直接拼速度不现实。可以改用分钟级K线，做小波段。
期权组合
可转债本身内含期权。量化模型可以计算隐含波动率，与正股期权对比，寻找定价偏差。
当转债隐含波动率低于正股期权时，买入转债同时卖出正股期权，锁定波动率差。
机器学习
用随机森林、XGBoost等模型预测转债未来收益。特征包括：溢价率、价格、正股动量、换手率、市场情绪。
训练集用2018年以前数据，验证集用2019到2020年，测试集用2021年至今。注意避免过拟合。
转债量化把债性保护、股性弹性和量化纪律结合在一起。双低策略是入门首选，多因子模型能提升收益，套利逻辑增厚利润。散户用Python和券商API就能搭建自己的系统。
关键在风控：分散持仓、限制仓位、监控强赎、规避信用风险。坚持执行，年化10%到20%可以期待。
