不少投资者已经在准备“年度展望”，但转债的“展望”做起来也许会难一些。转债对估值是敏感的，估值又是多变的，也许一次意外的拉升或者压缩，就能让整体的预测结论出现很大变化——与其说展望难，不如说“展望到年度”更难。比股、债更难的另一个方面在于，转债的股债性是动态的，有更鲜明的非线性（也即混沌性），起点、参数上的一些微小变化，也许会带来完全不同的结局。我们的一个建议是，相比“预判”，此时更主要的工作应该是给2025年一个“预案”。前面提到的“难点”也许正是值得分析的两个内容，在此，我们给出两个可能不同于“传统展望”的分析，我们先从股债性开始。
我们在2021年的《被遗忘的Theta》后，不少次讨论过“希腊字母”，到了今年末，投资者也逐渐开始熟悉这些概念——尤其是其中的Gamma。不过，近期已经逐渐有过度使用的倾向。比如，有投资者问及Gamma的均值曲线图。实际上Gamma的均值序列并无太多意义，因为它主要取决于平价分布，平衡性的越多，Gamma自然越大，不能说Gamma越大（或小）就可以有怎样的结论。
以及，尤其对于中短期表现，Gamma似乎不能很好地刻画出跟涨、跟跌能力的差异。这一点已有很多现实案例，而深层次来说，是因为在这个公式里被隐藏的Vega在发挥作用——我们不准备沿着这条路展开，而是想更具体直接的刻画：究竟，在正股涨\跌的过程中，转债将如何压缩\拉升溢价？
现实中，个券溢价率拉升、压缩可能与以下因素有关，我们只保留相对可解释的：
1. 最主要的，股价涨跌，一般来说股价上涨压溢价（导致涨幅比正股略低）、下跌拉溢价（体现一些防御性），这是显然的。而同样明显的是，这个指标对溢价率变化的预测不令人满意，我们也正是想要研究不同个券，对正股涨跌幅的不同反应。
资料来源：Wind，中金公司研究部
注：横轴为正股涨跌幅，纵轴为转股溢价率变动值
2. 转债当前状态：当前的价格、溢价率、剩余期限、规模，我们没有把隐含波动率和YTM这两个计算成分较高的因子纳入，而是让算法更显性地去考虑基础指标的作用。显然，这些都对转债的属性有影响。
3. 正股的性质因子和技术因子：包括规模、市值、绝对股价（与退市风险相关，我们希望模型不忽略这一点）、PB与PE等基础的因子。技术因子主要包括动量与偏离度，这样反应投资者诸如“这个券短期涨的太多了，不愿意给溢价”、“这个券是中长期趋势”等等不同的考虑。
当然，这里的反应是复杂的，我们引入一个三层的学习网络。此前我们也介绍过深度学习的网络设置和训练，但投资者可能仍不熟悉，在此也给出一个示例。
class SimpleNN(nn.Module):
def __init__(self, input_dim, hidden=128,
device='cuda' if torch.cuda.is_available() else 'cpu'):
super(SimpleNN, self).__init__()
self.device = device
self.Net = nn.Sequential(nn.Linear(input_dim, hidden),
nn.Sigmoid(),
nn.Dropout(0.2),
nn.Linear(hidden, hidden),
nn.ReLU(),
nn.Dropout(0.2),
nn.Linear(hidden, 1))
self.to(self.device) # 将模型移动到指定设备
def forward(self, x):
x = x.to(self.device)
y = self.Net(x)
return y
几处细节：一是如果利用显卡计算，在训练时亦需要注意将目标值也移至显卡，否则可能无法计算损失函数。此外，本内容计算量偏大，尽可能不使用cpu模式；二是虽然有很多控制过拟合的方法，但对于这样的模型来说，丢弃法（dropout）依然显得更加实用。
训练过程比较标准化，仅需注意：1、网络本身有dropout层（随机丢弃一些神经元），因此在训练时需要将其打开，评估时使用"net.eval()"关闭；2、需要提前归一化，尤其存在市值、规模这样的很大数量级的变量；3、我们设置了50万次训练和0.01的学习率，但实际上10万次训练已经足够。
# 随机切割训练集与测试集（8:2）
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=42)
Y_train = Y_train.to(net.device)
Y_test = Y_test.to(net.device)
# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(net.parameters(), lr=lr)
# 记录每次训练和测试的损失
loss_record = pd.DataFrame(columns=['Epoch', 'Train_Loss', 'Test_Loss'])
# 训练过程
for epoch in range(num_epochs):
net.train()
optimizer.zero_grad()
# 前向传播
yh_train = net(X_train)
# 计算训练损失
train_loss = criterion(yh_train, Y_train)
# 反向传播和优化
train_loss.backward()
optimizer.step()
# 计算测试损失
net.eval()
with torch.no_grad():
yh_test = net(X_test)
test_loss = criterion(yh_test, Y_test)
# 记录损失
loss_record.loc[epoch] = pd.Series({
'Epoch': epoch + 1,
'Train_Loss': train_loss.item(),
'Test_Loss': test_loss.item()
})
经过训练的模型，即便在样本外，对溢价率反应的预测，也可高度拟合，相关系数可达91.9%。我们可以借助它，更深入了解，转债的“股债性”究竟如何。
资料来源：Wind，中金公司研究部
注：横轴为预测的溢价率变动值，纵轴为实际的溢价率变动值
一个结论是：“老龄化”的影响可能比预想中要大。我们以正股涨5%和跌5%下，转债的涨幅/跌幅为“盈亏比”，这样可以观察不同类型的品种，有何差异，如下图。其中，颜色代表盈亏比（越红越高）、横轴为剩余期限、纵轴为平价水平，气泡大小为溢价率。即便全图显得纷繁复杂，不难看出，在左侧中间的位置，有不少蓝色散点 —— 也就是，短期限、平衡性品种，有着更低的盈亏比。
资料来源：Wind，中金公司研究部
注：横轴为剩余期限(单位：年)，纵轴为转债转换价值(单位：元)，气泡大小为转债溢价率水平(单位：%)，颜色为转债的盈亏比
更多结论也许无法用图表直观展示，一些观察和解释如下：
1. 短期限、平衡性的问题在于，转债的转股、债底溢价率“需要”在不久的将来基本归零，当期限尚有2年甚至更久时，投资者不易直观察觉。但这个过程会在最后1年半的时间里集中释放。相应地，老龄纯股性及纯债性券，问题就要小一些——简单说，至少对于行将到期的老券来说，（平价的）两端比中间更好；
2. 即便有赎回的考虑，各期限的股性券都具备不错的盈亏比，尤其是带有较高中期动量的，投资者对其宽容度更高，常见上涨不压溢价、下跌拉溢价的情景。但这种"动量效应"，也不适用于最后1年的老券；
3. 3~4年债性票的高盈亏比，可能是因为市场尚未完全从此前的"退市"、"出库"问题中走出；
4. 无论如何，新券是相对安全的选择，盈亏比很少表现得太差。
首先，我们仍建议更关注"静态信息"，因为估值水平很大程度上决定了中长期表现。当然这一点现在不应有很大的争议，毕竟从市场反弹以来，估值就没有明显推升，代表市场难易程度的"甜点率"(见《转债择时体系（一）：这些指标怎么看》)依然居高不下。因此，年度级别上，我们容易得到较积极的预判。
需要探讨的是，这样的原地踏步，是否有契机转为拉升？此前的问题在于，一是股债保持着比较明显的负相关，这一点导致二者不容易同时上涨形成“股债双牛、估值抬升”的情景。当然，技术上观察，债券市场的趋势性也可能比预期中更强。
更重要的是，“增量资金”是明确滞后的，市场需要积累更长时间的上涨才可实现。历史上，转债隐含波动率的月度变化，与股票指数（这里用万得全A）过去100日的涨跌幅有正相关，特别地，在涨幅达到30%左右时，容易出现更加明显的推动作用。因此，“增量资金”当然可以重返，只是需要一些时间的积累。
图表9：Wind全A涨跌幅对于隐含波动的推动(单位：%)
除了拉升，类似今年退市的风险，是否有类似的时点？需注意的是关于分红的ST规定从2024年年报开始实施，我们需要关注是否可能存在，有公司被ST后，一些对转债不熟悉的投资者被动出库的可能性。但历史上，存在此类冲击的年份后的次年，一般不会再存在大幅冲击，例如2018年与2021年（即便2022年的行情不佳，也未有类似今年的冲击）。原因在于，投资者刚刚经历过市场洗礼和内部调整，不同风险偏好，刚刚形成稳定的分层，无法为风险定价的投资者，也更明确地执行规避。
我们更倾向于认为，反而是在今年的冲击过后，投资者的过度反应的逆过程可能较慢，而市场的实质风险随着小盘企稳而明显缓解，因此投资者如有条件尽早介入低评级策略，可能获得较长时间的竞争优势。
当然，也有投资者会讨论供求。我们始终不认为供求是一个好的研究起点，接触转债时间不久投资者可参考《为何转债研究不重视供需？》，在此不赘述。投资者可以关注的是：1、由于今年转债预案少，明年的上半年是否可能出现阶段性的短缺，是否会有其他投资者出现“稀缺性”的描述，若如此，容易成为年内估值的一个高点；2、定向转债的动向。
转债一级新发边际“加快推进”，近期新增2单预案，合计22.52亿元；股东大会合计审议2单项目，合计20亿元；目前合计过会待核准项目合计6单共计88.26亿元。核准待发项目合计5单共计72.82亿元。
宏观环境超预期变动，市场政策扰动，个券基本面超预期调整。
本文摘自：2024年11月29日已经发布的《转债的“年度展望”，可以从何说起》
杨 冰 分析员 SAC 执业证书编号：S0080515120002 SFC CE Ref：BOM868
罗 凡 分析员 SAC执业证书编号：S0080522070003 SFC CE Ref：BUL744
陈健恒 分析员 SAC 执业证书编号：S0080511030011 SFC CE Ref：BBM220
特别提示
本公众号不是中国国际金融股份有限公司（下称“中金公司”）研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料，须寻求专业投资顾问的指导及解读。
本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。
中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，中金公司及/或其关联人员均不承担任何形式的责任。
本公众号仅面向中金公司中国内地客户，任何不符合前述条件的订阅者，敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础，中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。
一般声明
本公众号仅是转发中金公司已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见中金研究网站（http://research.cicc.com）所载完整报告。
本资料较之中金公司正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。
在法律许可的情况下，中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此，订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访http://research.cicc.com/disclosure_cn，亦可参见近期已发布的关于相关公司的具体研究报告。
本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有，未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。
