基于XGBoost算法的可转债非线性选券框架优化与回测验证

线性定价逻辑失效与模型重构必要性

近年来，国内宏观环境、利率中枢、权益风险偏好及外部冲击经历多轮切换，可转债市场的定价逻辑已从单一的估值修复或流动性驱动，转向由正股弹性、转债估值、条款博弈及行业景气共同作用的复杂阶段。在此背景下，传统线性多因子模型中“单一因子改善导致组合收益提升”的传导链条逐渐弱化，因子间的交互关系、阈值效应及市场状态依赖特征日益突出。相比之下，XGBoost（eXtreme Gradient Boosting）算法作为一种非线性集成学习模型，能够在不预设固定线性关系的基础上，自动识别多维变量（如转股溢价率、价格、YTM、正股动量、波动率、流动性及条款进度等）之间的复杂非线性关系，更契合当前转债市场非线性定价环境下的择券需求。

因子体系扩展与训练窗口优化

本报告在前期XGBoost转债择券模型基础上，对因子体系和训练框架进行了再优化。因子库由原有的19个指标扩展至41个，并筛选出26个核心因子用于模型训练，样本区间覆盖2016年1月至2026年5月29日。新因子体系在保留YTM、隐含波动率、平底溢价率等传统有效指标的基础上，进一步补充了转债5日、6-20日、21-60日动量以及转债相对正股动量等交易型变量，同时细化了强赎进度、下修进度等条款类指标，使模型能更精准地刻画估值、价格、动量、风险、流动性、正股属性和条款事件之间的非线性关系。

在单因子回测中，YTM仍具备稳定的横截面预测能力，转股溢价率、隐含波动率和平底溢价率延续较强解释力，而转债相对正股动量则增强了模型对转债超涨或滞涨状态的识别能力。为确定适配当前市场环境的最佳训练样本长度，研究以1年为起点、5年为终点，以6个月为步长进行滚动窗口测试。结果显示，训练窗口过短易受短期行情扰动，过长则可能因历史环境与当前定价逻辑差异稀释因子有效性。综合比较9组训练窗口，3.5年滚动训练窗口在收益弹性、风险控制和市场适配性之间表现最优，在2020年1月至2026年5月期间，该窗口下模型最终净值达到6.78，累计收益显著，表明其既保留了足够样本信息，又较好适应了近年来转债市场定价逻辑的变化。

多约束情景下的组合可执行性检验

在月度调仓框架下，XGBoost模型构建的无约束组合相较主要市场指数展现出较强收益优势。Top20组合年化收益率达到19.66%，年化超额收益率达到12.96%，且2024年以来各年度表现较为稳健。进一步加入价格、信用和条款约束后，模型仍具备较好的可执行性。

具体而言，剔除130元以上高价转债后，组合年化收益率达到19.90%，波动和回撤较无约束组合有所收敛，更适合稳健型资金；剔除评级低于A+标的后，组合年化收益率仍达到18.10%，说明模型收益并非完全来自信用下沉，该策略更适合信用风险约束较强的投资人。然而，剔除未来20日内可能触发下修、强赎和回售的标的后，组合收益有所下降，表明条款事件并非单纯的风险来源，在特定市场环境下也可能贡献收益弹性。因此，条款风险更适合结合正股趋势、价格位置和市场环境进行动态判断，而非简单剔除。

综合来看，优化后的XGBoost转债择券框架在因子体系、训练窗口和组合约束层面均具备较强扩展价值。无约束组合更适合作为模型原始择券能力和候选券池生成工具；规避高价组合更适合稳健型资金；规避低评级组合则更适合信用风险约束较强的投资人。