证券研究报告·金融工程报告年月日江海证券研究发展部
2025327
金融工程研究报告
可转债研究系列之（二）
——应用遗传算法构建的可转债策略
投资要点：
◆研究要旨：本文应用遗传算法基于可转债的量价和基本面信息挖掘因子，并据
此构建策略。本文还展示了策略优化的过程，逐步展示策略经过不同处理步骤
后的差异，以体现更精细化的策略研究过程和更贴合的优化操作。本文提出的
相关研究报告
四个策略，分别适合机构投资者和个人投资者在量化交易和非量化交易中的使
可转债研究系列之（一）基于传统双
低策略的优化2025.02.28用场景。
量化因子掘金系列（三）遗传算法因◆策略表现：“持仓数10个加权”策略年化收益率为35.3%，年化超额为29.16%，
子挖掘与因子非线性合成2024.09.11贝塔为1.40，阿尔法为0.275，夏普为1.43%，周度胜率为53.0%，盈亏比为2.0，
最大回撤为19.5%，各项表现大幅超越转债等权和中证转债。
◆策略特点：持仓数10个的策略适合个人投资者操作；而持仓数约50个的策略
适合机构投资者，更符合集中度的要求，且胜率更高，持有人投资体验提升；
加权分配的仓位控制更适合量化交易场景。以上策略除2018年外，年年正收
益，且年度回撤幅度可控。
◆优势亮点：其一，持仓集中度与仓位分配的灵活组合，满足机构投资者分散化
需求与个人投资者操作便利性；其二，样本外测试(2024年)年化收益达45.4%，
验证模型对市场环境变化的适应性；其三，通过引入正股市值因子与量价特征
的交互项，有效捕捉小盘转债的弹性机会。
◆模型研究：研究发现，以收盘价收益率为拟合目标的因子稳健性较强；共线性
去除后，组合的表现显著提升；非线性合成能增强组合整体表现，但损耗最优
组合表现；保留极值信息有助于提升此模型效果；持仓个数与净值表现呈先增
后减关系，存在局部最优解，需警惕数据挖掘风险。
◆风险提示：本报告中所采用的模型及其预测结果可能受到多种因素的影响，包
括但不限于模型构建方法、参数估计的准确性、所依赖的假设条件以及模型应
用的局限性等。此外，市场环境和外部条件是动态变化的，历史数据无法完全
预测未来的市场走向。本文提供的信息应仅供参考，投资者在做出投资决策时
应谨慎，并结合实际市场分析和专业意见。
证券研究报告·金融工程报告
目录
1研究概要3