銀河金工可轉債定價模型系列研究：條件特征神經網絡對轉債蒙特卡洛定價模型的改進.pdf

銀河金工可轉債定價模型系列研究：條件特征神經網絡對轉債蒙特卡洛定價模型的改進。蒙特卡洛轉債定價模型存在耗時長、不可微等問題：前篇報告中我們構建了 蒙特卡洛轉債定價模型，從模型假設、模擬方法、參數設置、代碼實現等多方 面對傳統轉債定價模型進行了改進，相比傳統模型有效提高了定價精度、充分 體現了贖回下修等附加條款對轉債定價的影響，但仍存在耗時長、方差大、不 可微等問題，無法滿足高頻交易或大規模資產負債管理對轉債定價“實時、可 微、批量”的要求，因此我們引入深度學習模型對轉債定價做進一步改進。

構建條件 MLP 轉債定價模型，“中心樣本+局部擾動”數據增強策略擴充 樣本池：多層感知機（MLP）模型是一類以全連接神經網絡為基礎的函數逼 近模型，可捕捉不同條款之間的交互效應與狀態依賴性，可快速復現高精度的 蒙特卡洛價格，適用于內嵌多個復雜條款的可轉債定價。為擴充訓練集數據量， 我們在蒙特卡洛定價結果的基礎上篩選誤差較小的樣本作為“有效樣本”，并 實施“中心樣本+局部擾動”數據增強策略擴充樣本池。在模型結構構建上， 我們更進一步采用條件 MLP 模型，以轉債平價 S/K、波動率σ等定義“轉債狀 態”，通過 FiLM 機制作用于主干 MLP 的各隱藏層，使贖回/下修概率等參數 均可根據轉債所處狀態實現動態調整。

條件 MLP 轉債定價模型具有較高的定價精度，可快速計算定價結果、敏 感度指標與隱含波動率：我 們分 別 用 蒙 特 卡 洛 模 擬 價 格 與 市 場 真 實 數 據 對 MLP 模型的效果進行了檢驗，結果顯示 MLP 模型不僅很好地學到了蒙特卡 洛定價的邏輯，對真實市場數據也展現出較高的定價精度，且預測轉債定價速 度在毫秒級別，相比蒙特卡洛模型的計算速度有顯著提升。此外，MLP 轉債 定價模型還可應用于計算 Delta、Gamma 等參數敏感度指標與反推隱含波動 率，彌補了蒙特卡洛模型在這些應用場景的空白。

MLP 定價模型應用示例：平衡型轉債配置策略：為綜合展示 MLP 轉債定 價模型的應用場景，我們以平衡型轉債為基礎樣本池，構建量化擇券策略。我 們根據定價誤差、相對誤差、正股波動率等因子對平衡型轉債打分，并根據轉 換平價 S/K 劃分區間并進行分層抽樣擇券，每期選出 10 只轉債，采用 MLP 模型計算出的 Delta 倒數計算權重。2023 年 12 月 29 日至 2025 年 12 月 19 日，平衡型轉債配置策略實現年化收益 27.59%，相比基準中證轉債指數實現 年化超額收益 14.72%，說明基于 MLP 定價模型計算的定價誤差與 Delta 進 行擇券的與配置的平衡型轉債策略可實現超額收益。