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。为了提升模型的多头表现，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。为应对训练样本不足的问题，我们引入了数据增强策略，尤其在2022年之前的数据上取得了显著成效。然而，在数据充足的2022年之后，使用原始数据反而更能适应市场变化。通过这一模型调整，GRU模型在多头和多空上的表现均有所提升，这表明数据增强在数据量较少的情况下对于提升模型性能是有效的。
决策树模型——以LGBM为代表的优化探索
对于LGBM模型，我们将转债和正股的Alpha158因子，以及一组手工构建的12个因子作为输入，以提供多样化的因子视角。结果显示，转债和正股的Alpha158因子的组合在LGBM模型中实现了最佳的多头表现，而手工构建的因子表现不佳，可能需要进一步的因子扩充来满足模型需求。
机器学习转债择券策略
GRU模型与LGBM模型训练得到的因子相关性较低，仅为0.35，因此我们将两者等权合成得到机器学习转债择券因子（ML因子）。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%；在偏股/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%；在偏股/平衡/偏债型转债上年化收益率分别为20.77%/11.11%/9.09%，信息比率分别为1.44/1.64/0.90。
风险提示
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。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现亏损。
