财通证券-转债量化定价2.0——深度学习与转债定价

“精选摘要：了三个模型来进行转债定价，可谓“兼听则明”。我们在新券定价、市场解释、条款定价等很多实用场景下可以对投资活动进行辅助。在市场整体定价层面，神经网络模型的结果指向当前市场定价有高估，但并没有想象中那么大。这也印证了我们此前的判断，在固收资产荒以及权益市场景气度的延续下，转债估值确在高位，但也。”

1. 核心观点我们发现深度学习或能够对转债进行定价。

2. 参考BS公式可以用作转股期权价格的模拟，中国的可转债作为转股、下修、回售、强赎等多个期权嵌合得到的复杂期权，很有可能存在一个潜在的高度复杂的定价公式。

3. 那么基于万能近似定理（UAT），从理论上看，如果转债定价真的存在某个相对合理的解析解，神经网络模型可以拟合得到对应结果。

4. 基于此，我们设计了一个多层感知机模型（MLP）。

5. 我们建立了有限的隐藏层，通过多层非线性变换学习转债潜在的定价模型。

6. 同时从转债内嵌其他条款以及市场变化、转债定价特征出发，添加了转债特色因子以及市场表现因子，通过共11种因子来非线性拟合转债的定价特征。

7. 从效果上来看，模型收敛性很好，且外推泛化能力出色。

8. 我们选择2022年-2023年共两年的因子数据作为模型的训练和测试集合，同时针对数据集做一定的清洗，剔除双高转债等定价异常数据点。

9. 模型在第100轮迭代时误差基本收敛到底，在训练集和测试集上有基本相似的收敛速度。

10. 我们将所得的模型用于2024-2025年一季度的转债定价训练，从结果来看，模型对样本外数据具有很强的解释能力。

11. 在开发完成多个模型后，结合我们前期开发的MC模型额以及传统BS模型，我们相当于有了三个模型来进行转债定价，可谓“兼听则明”。

12. 我们在新券定价、市场解释、条款定价等很多实用场景下可以对投资活动进行辅助。

13. 在市场整体定价层面，神经网络模型的结果指向当前市场定价有高估，但并没有想象中那么大。

14. 这也印证了我们此前的判断，在固收资产荒以及权益市场景气度的延续下，转债估值确在高位，但也未必没有进一步上行的空间。

15. 在新券定价方面，MLP和MC模型形成"高低搭配"。

16. 从2024-1Q2025的新券定价结果来看，MC模型更擅长对大额高评级转债（上市价格相对更低）进行定价，而MLP对常规转债上市定价效果更好。

17. 在下修定价方面，模型同样有较好的效果。

18. 风险提示：历史统计规律失效风险；宏观经济变化超预期风险；超预期信用事件风险。