金融工程高智威丨Alpha掘金系列之十四：GBDT+NN机器学习可转债择券策略

文章预览

金选·核心观点 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Alpha15 ………………………………