年化27.9%，最大回撤-13.6%的可转债因子策略，结合机器学习特征筛选（附python代码）

原创文章第603篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

我们重新更新了可转债的全量数据，包含全量已经退市的转债。

——这是与股票市场不一样的地方，股票退市相对少，而转债本身就有退出周期。

因此，如果没有包含进来，那么策略就是有偏差的。

双低指标，单调性非常好：

单因子回测一下：

年化27.9%，最大回撤-13.6%。

策略核心代码如下：

import bt
from bt_algos_extend import SelectTopK
order_by = 'close'#'double_low'#'double_low'
signal = CSVDataloader.get_col_df(df,col=order_by)
#signal.dropna(inplace=True)
all = []
for K in [30,]:s = bt.Strategy('可转债单因子策略'.format(K), [bt.algos.RunWeekly(),SelectTopK(signal,K,sort_descending=False),bt.algos.WeighEqually(),bt.algos.Rebalance()])all.append(s)
stras = [bt.Backtest(s, data) for s in all]

把转债的价格单独拆分出来：

分层单调性一般：

IC值很好，但回测结果一般。

回测结果，年化12.6%，最大回撤-11.7%。

转股溢价率因子——单调性良好：

IC值一般：

年化28.6%，回撤-33.6%。

三个因子的分析结果看下来，有一个简单的结果：

分层单调性，对于轮动因子非常。

IC值大，但分层效果不好，大概率因子里包含了非线性因素。

IC值大的因子，可以经由机器学习模型来组合。

今天我们开始用机器学习的方式来初筛因子集。

咱们还是使用lightGBM集成学习的方式，决策树是可以筛选特征的重要性的。

import pandas as pd
from lightgbm import LGBMRegressor
from sklearn.metrics import mean_squared_error, r2_scoredef calc_metrics(model, X, y):y_pred = model.predict(X)mse = mean_squared_error(y, y_pred)r2 = r2_score(y, y_pred)print('r2：', r2, 'mse：', mse)def split_data(df, date):df_train = df[df.index <= date]df_val = df[df.index > date]return df_train, df_valdef train(df_train, df_val, feature_cols, label_col='label'):model = LGBMRegressor(boosting='gbdt',  # gbdt \ dartn_estimators=600,  # 迭代次数learning_rate=0.1,  # 步长max_depth=10,  # 树的最大深度seed=42,  # 指定随机种子，为了复现结果num_leaves=250,# min_split_gain=0.01,lambda_l1=2,lambda_l2=2000)X_train = df_train[feature_cols]y_train = df_train[label_col]X_test = df_val[feature_cols]y_test = df_val[label_col]model.fit(X_train, y_train)calc_metrics(model, X_train, y_train)calc_metrics(model, X_test, y_test)"""模型保存"""from config import DATA_DIR# model.booster_.save_model(DATA_DIR.joinpath('models').joinpath('lgb_regressor.txt'))feat_importances = pd.Series(model.feature_importances_, index=X_train.columns).sort_values(ascending=False)print(feat_importances.head(20))return modelif __name__ == '__main__':import pandas as pdfrom config import DATA_DIR_BASICfrom datafeed.dataloader import CSVDataloader# bonds = pd.read_csv(DATA_DIR_BASIC.joinpath('cb_list2.csv'))# bonds =  bonds[bonds['delist_date'] is None]# bonds = bonds['ts_code']df = CSVDataloader.get_df(symbols=None, set_index=True, start_date='20190101', path='bonds_all')print(df)df = CSVDataloader.calc_expr(df, ['close+cb_over_rate', 'roc(close,20)', 'ta_cci(high,low,close,20)','shift(close,-10)/close-1'],['double_low', 'roc_20', 'cci_20', 'label'])df.dropna(inplace=True)df_train, df_val = split_data(df, '2023-12-31')train(df_train, df_val, feature_cols=['cb_over_rate','close','bond_value','cb_value','ps_ttm','bond_over_rate','double_low', 'pb','pe_ttm'], label_col='label')

机器学习的权重排序：