Alpha掘金系列之十四：GBDT%2bNN机器学习可转债择券策略-250108-国金证券
神经网络模型——以 GRU 为代表的优化探索 对于 GRU 模型，我们发现利用日度 K 线和转债的三种溢价率作为输入，可以取得最好的效果。 现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。
报告摘要
神经网络模型——以 GRU 为代表的优化探索 对于 GRU 模型，我们发现利用日度 K 线和转债的三种溢价率作为输入，可以取得最好的效果。 现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。
核心要点
- 1、 以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。
- 2、 策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出
报告信息
- 文件全名
- 《Alpha掘金系列之十四：GBDT%2bNN机器学习可转债择券策略-250108-国金证券-20页.pdf》
- 适合读者
- 核心数据
- ML 因子在全部转债上 IC 均值为 9.71%，5 分组多头年化收益率为 22.80%，多空年化收益率 31.83%；
- 偏股/平衡/偏债型转债上 IC 均值为 8.41%/9.42%/8.90%，多头年化收益率为 28.36%/18.99%/15.32%，多空年化收益
- 率 39.04%/25.41%/20.04%。
- 进一步考虑扣费和换手率缓冲，使用 20%的转债，相对中证转债指数构建机器学习转债择
- 券策略，该策略在全部转债上年化收益率 14.59%，跟踪误差 5.18%，信息比率 2.23，超额最大回撤 4.24%；
- 核心议题
常见问题
《Alpha掘金系列之十四：GBDT%2bNN机器学习可转债择券策略-250108-国金证券》主要包含哪些内容?
神经网络模型——以 GRU 为代表的优化探索 对于 GRU 模型，我们发现利用日度 K 线和转债的三种溢价率作为输入，可以取得最好的效果。 现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。核心数据:ML 因子在全部转债上 IC 均值为 9.71%，5 分组多头年化收益率为 22.80%，多空年化收益率 31.83%；;偏股/平衡/偏债型转债上 IC 均值为 8.41%/9.42%/8.90%，多头年化收益率为 28.36%/18.99%/15.32%，多空年化收益;率 39.04%/25.41%/20.04%。。
这份报告由哪家机构发布?
本报告由国金证券发布,发布于 2025 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2025 年,全文共 20 页。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合投资人、行业研究员等读者参考。
报告涉及哪些关键议题?
重点分析了可转债等议题。
继续阅读
查看全部 →