第二十一期：可转债专题1——提一个用机器学习研究可转债定价的思路

点击蓝字
关注我们
可转换债券的定价问题一直是学术界研究的一个难点，尤其是国内的可转债，除了标配的转股条款之外，还包括强赎、回售、下修转股价三大组件，尤其是其中的下修转股条款，影响因素复杂，加大了可转债的定价难度。

可转债定价常用的方法有B-S模型、二叉树模型、蒙特卡洛模拟法等等，各自有各自的优势和不足。

小编想换一种思路，尝试使用机器学习或神经网络中的有监督学习的方法，找出更有效的可转债估值方法，或者找到更为重要的可转债价格的影响因素，比如：用机器学习中的Lasso回归对影响可转债价格的因素（或是影响可转债下修转股价可能性的因素）的重要性进行排序等等。

有监督学习需要事先给出标签和特征，其实就是我们常说的因变量（Y）和自变量（X），比如研究可转债价格的影响因素，可转债价格就是标签，影响因素就是特征。找到标签和特征之后，就可以尝试使用不同的机器学习方法进行训练，根据预测的准确率找到最有效的方法。

与计量经济学相比，机器学习不需要事先给出X与Y的关系模型，也得不出X与Y的关系，就像一个黑箱子，但是可以通过反复训练及交叉验证的方法，得出一个分类或预测结果，同时知道这个结果准确的概率。

计量经济学常常追求每个影响因素的显著性，而忽视R方，这样的好处是能准确解释某个因素的影响能力，但是实际预测效果常常较差。与之相比，机器学习虽然无法解释每个因素的影响，但是由于模型常常以类似于最优R方为训练目标，其预测效果更佳，通过反复交叉验证，也可以解决模型中的过拟合问题。实用性更高。

很多读者抱怨小编文章写的太长，因此小编计划把这一专题拆成几部分，下期会从含权债券的入手介绍可转债的各个组成部分，接下来几期会逐一对可转债的五个组成部分（债券、转股、强赎、回售、下修）的影响因素进行分析。最后如果小编的研究有进展的话，会分享小编的研究结果，也欢迎感兴趣的高手进一步尝试，共同探讨研究。

2019年10月2日
写于：北京朝阳