可转债的”双低轮动策略+多因子“

昨天罗胖的跨年演讲，结束了他坚持了十年的“语音60秒”，看似一个“行为艺术”的行动。这是罗胖厉害之处，发个语音不难，60秒有点难，最难的是坚持，你说差一天有没有问题，没有话题了就不说有没有问题，后来他已经在商业上取得了成功，不做了行不行？似乎都可以，但他坚持了下来，有零有整，正好十年，给自己一个交待——这就是罗胖。

老俞关于东方甄选的评价——做有价值的且自己内心认同的事情，然后坚持下去。价值是摆上前面的。

01 投资篇——可转债的”双低轮动策略+多因子“

主动投资能力，对于社群的价值？有朋友留言说——我们更关心能赚钱的策略，如何开发出一个能赚钱的策略？

什么叫能赚钱的策略呢？这是需求和痛点，我们需要拆解一下：年化8%，还是20%？回撤控制是40%还是20%。仔细想来，这个问题定义并不清晰，要说能赚钱，”年化2%可以保本“算吗——余额宝就是。年化5%保本，很多理财可能也做得到。那大家可能要更高的收益。更高的收益会伴随更高的风险。那么问题就来了，就算回测时最大回撤在20%，当这个发生的时候，你会坚定坚守，认为仅是模型回调还是策略失效？

投资是一个概率游戏，并不存在一个所谓“永动机”的“圣杯”。我们做的所有努力，都是试图提升概率按我们有利的方式。长期做“正概率”的事，重复下来就会赚钱。

因此，能赚钱的策略可能没有答案，但如何提升我们赚钱的概率。

我想起西医和投资。能用量化完全取代西医吗？不能，但量化在西医看病过程是个基础，血常规，验尿，B超，彩超等等，化验单给出一系列指标。医生拿到这些“量化”的结果，结合自己的经验，再问一系列不好“量化”的问题，结合起来，就可以给出诊断结果，并开出相应的药。这个过程，能够完全自动化和智能化嘛？目前看很难。一个专业医师需要本硕博连续，然后再执业多少年，才能上岗看病。

投资类似。量化可以给标的做全面体检，把很多维度指标化，节省我们的时间，但融合不好量化的信息，投资的经验，才形成自己的投资体系，这才是自己的投资策略。

因此，量化努力的方向是什么？不是造一个系统，或者给出一个策略机械执行，然后做等收钱。再更像是一台多功能CT机，可以透视更多指标，然后纳入你自己的投资理念，投资预期，投资偏好，形成自己的投资逻辑与投资逻辑。

所以，下一步的方向——造一台量化机器，给资产做体检，做画像。

另外，我准备一个主题征集——星球社群的直播。

大家可以把感兴趣的话题提交上来，我们找个时间面对面沟通。

从可转债和ETF开始。

可转债无论是估值还是趋势，可“量化”的维度比较多。

“双低”可转债指的就是价格低，同时溢价也低的可转债。转债价格越低，转债的债性越好，正股下跌时会更加抗跌；转股溢价率越低，转债的股性越好，正股上涨时才能跟涨。

双低值=可转债价格+转股溢价率*100

下面是集思录的数据：

当然这里还需要排除：已公告强赎的，比如元力转债。

还有1年内到期的，久期太短，比如光大转债。

可转债价格好理解，转股溢价率是指啥，就是买转债的成本，与直接卖正股的成本相比，“贵了”多少。一般转股溢价不太可能为负，为负意味着，你买入转债，然后直接转股都能套利。而转债除了正股，还有“看涨”期权的价值呢。所以，一般比直接买股票要更贵一些。

转股价值 = 100/转股价 * 正股价。

溢价率= 转债价格/转股价值 – 1。

当然双低轮动也有需要择时的时间，比如双低都高。

当然还有“新双低”的指标计算：

根据正股的质地、所处行业、信用评级、转债条款等因素，在初步筛选数据的基础上，进一步筛选和优化。比如有的同学会对pb<1的转债进行剔除。因为转股价不能下调到最近一期经审计净资产以下，所以pb<1的转债没有下修空间。

这其实就是一个“多因子‘的逻辑，还是回到我们说的量化投资本质，是提升我们决策正确的概率。投资的世界以概率来呈现，很难说确定一个规则，但这些”因子“指标可以指导我们做出更加正确的决策。

02 技术篇——可转债数据

先建立股票列表、转债列表。

from django.db import models


class StockBasic(models.Model):
    code = models.CharField(max_length=10, verbose_name='股票代码')
    name = models.CharField(max_length=20, verbose_name='股票名称')
    full_name = models.CharField(max_length=100, verbose_name='股票全称')
    industry = models.CharField(max_length=20, verbose_name='行业', null=True)
    list_date = models.DateField(verbose_name='上市日期')
    market = models.CharField(max_length=20, verbose_name='所属市场')
    class Meta:
        verbose_name = '股票信息'
        verbose_name_plural = verbose_name



class StockIndicator(models.Model):
    stock = models.OneToOneField(to=StockBasic, verbose_name='股票', on_delete=models.CASCADE)
    price = models.FloatField(verbose_name='价格')
    change_rate = models.FloatField(verbose_name='涨跌幅')
    PB = models.FloatField(verbose_name='市净率(PB)')
    PE = models.FloatField(verbose_name='市盈率(PE)')


# Create your models here.
class CBBasic(models.Model):
    code = models.CharField(max_length=10, verbose_name='转债代码')
    name = models.CharField(max_length=20, verbose_name='转债名称')
    full_name = models.CharField(max_length=50, verbose_name='转债全称')
    stock = models.OneToOneField(StockBasic, verbose_name='正股', on_delete=models.CASCADE)
    maturity_date = models.DateField(verbose_name='到期日')


class CBIndicator(models.Model):
    bond = models.ForeignKey(CBBasic, verbose_name='转债', on_delete=models.CASCADE)
    conv_price = models.FloatField(verbose_name='最新转股价')
    price = models.FloatField(verbose_name='最新价格')
    remain_year = models.FloatField(verbose_name='剩余年限(年)')
    remain_size = models.FloatField(verbose_name='剩余规模(亿)')
    volume = models.FloatField(verbose_name='成交额(万)')
    turnover = models.FloatField(verbose_name='换手率')

    conv_value = models.FloatField(verbose_name='转股价值')
    double_low = models.FloatField(verbose_name='双低值')

从脚本里批量创建数据：

if __name__ == '__main__':
    df = get_stock_basic()

    list = []

    import os

    os.environ['DJANGO_SETTINGS_MODULE'] = 'backend.settings'  # 配置系统变量
    import django

    django.setup()
    from quant.models import *

    for column_index, row in df.iterrows():
        if row['ts_code'] == '000001.SZ':
            continue
        item = StockBasic(code=row['ts_code'], name=row['name'], full_name=row['fullname'],
                          market=row['market'], industry=row['industry'],
                          list_date=datetime.strptime(row['list_date'], '%Y%m%d'))

        list.append(item)
    StockBasic.objects.bulk_create(list)
    print(df)