深度 | 如何构建高效实用的转债回测框架

摘 要   

本篇报告中，我们将首先介绍开展转债量化研究的关键“基础设施”——策略回测框架的基本构建思路。值得注意的是，并非只有严密的量化交易策略中才会使用到回测系统，在以基本面研究为基础的传统转债投研框架中，我们同样可以借助回测系统进行更高效的思路验证和策略比较分析，大大提升传统历史和案例研究的效率。

本质上，数量化回测框架是理性和客观还原特定投资思路的工具，可以帮助我们无资金成本且高效地测试策略效果，其基础用途有两种：其一，是对特定投资思路的效果进行验证；其二，是对不同策略的特性进行比较观测。

回测框架的搭建分为4个步骤，分别为数据准备、持仓统计、净值回测和数据分析。总地来说，我们可以将量化回测的过程概括为：收集研究所需的基础数据，在这些数据的基础上，依据事先设定的敲入敲出条件进行调仓决策，记录下策略的每日持仓，并结合日收益率数据计算出策略的净值序列，最后利用该序列计算出策略的指标数据和净值曲线。

在工具选择上，本文所述的框架构建思路基本适用于所有常见的数学和统计软件，例如R、Matlab和Python等都是理想的实现工具，因此在实际操作中挑选习惯的软件即可。但SPSS、EViews等可编辑程度较低的软件，并不适合用于回测程序的开发。具体的回测框架搭建细节可参考报告正文。

完成基础框架的构建之后，我们呈现了转债回测框架的四个典型用途：

第一，利用回测框架进行策略效果的比较。以经典的低价配置策略、中性配置策略、高股性策略和纯债底仓策略为例，在回测完成后可以清晰地观测出不同策略的历史优势期，对当前策略选择提供参考。

第二，在因子挖掘的过程中，探究具体参数设置对策略表现的影响。以“双低”因子为例，该因子的核心是挑选低绝对价格和低溢价率两个维度的高性价比品种。但两个因素的权重很难用定性方法确定，这时便可利用分组回测来搜寻最优的权重参数设置。

第三，测量转债与其他资产的组合配置效果。以纯债和特定转债策略的简单固收+组合作为范例，我们可以借助回测框架测试不同的转债仓位和策略选择下，固收+组合的风险收益特征，为产品设计提供参考。

第四，个性化的指数构建。以转债行业指数为例，现有的公开指数仅有Wind转债行业指数，但如果希望构建SW等其他分类口径下的转债行业指数，便可利用回测框架进行定制。

风险提示。模型基础数据存在口径偏误；转债市场规则出现超预期调整等。

从本篇报告开始，我们将开启全新的转债量化研究系列。作为系列的开篇，本次研究中，我们将介绍开展转债量化研究的关键“基础设施”——策略回测框架的基本构建思路。
我们在此前发布的报告《如何利用机器学习方法构建转债择券模型》中，曾展示过转债回测框架的一种运用模式，即利用机器学习模型构建转债胜率因子，并基于这些因子排序构建定期换仓的择券策略，观察策略组合在历史不同时期的风险收益表现，最后总结这些策略是否能在当前的市场环境下发挥作用。在本篇报告中，我们将对上述过程进行推广，介绍如何构建更为普适性的数量化策略测试框架，以对更多的投资策略思想进行还原实现，从而更高效地挖掘转债配置思路，以及构建实用的投资辅助工具。
同时值得注意的是，并非只有在严密的量化交易策略中才会使用到回测系统。在以基本面研究为基础的传统转债投研框架中，我们同样可以借助回测系统进行更高效的思路验证和策略比较分析，以大大提升传统定性和举例研究的效率。

1

回测框架的基础用途：思路还原与策略比较

本质上，数量化回测框架是理性和客观还原特定投资思路的工具，可以帮助我们无资金成本且高效地测试策略效果。例如，我们拟定一种简单的低价转债配置策略：在全市场的存量转债中，对110元以下的品种等权买入，同时在持仓个券达到130元以上时敲出止盈。按照这样的规则，我们可根据2017至2022年每个交易日的数据，按照策略设定的条件对转债市场上所有转债进行敲入敲出的判定，模拟在此期间每天的投资过程。根据每日持仓净值变化的记录，我们便可以计算出这种策略的净值、年化收益率、夏普比率等指标，对策略收益进行评估。若组合净值在样本测试区间内取得了良好的风险收益数据，那么即可验证上述低价策略的构建思路具有一定实用价值。

在这样的思路下，搭建回测框架的基础用途有两种：其一，是对特定投资思路的效果进行验证；其二，是对不同策略的特性进行比较观测。

对于第一种用途，在我们构建新的投资策略，或找寻新的择券因子时，需要借助定量化工具对策略的实际效果进行评估。例如，如果想构建一个基于价格和转股溢价率因素的低价因子，那么在对策略的效果进行验证时，仅依靠定性方法很难有效完成。而如果利用定量回测框架，便可以首先确认双低因子的挑选原则，并按照月度换仓的频率调整持仓，在每个月末都选择等权持有全市场“双低”维度上性价比最高的个券组合，观察是否能取得显著超过指数的收益。从图1所示的净值累计收益曲线来看，这里作为展示的双低策略效果显然得到了有效验证。

对于第二种用途，常见的基础转债策略往往没有绝对的好坏之分，而是会在不同的市场环境下各具优势。例如，低价配置策略曾在2018-2019年大放异彩，并一度成为了市场转债投资策略的标准范式。但到了2020年后，随着转债市场估值水平的上移，以及正股行情的持续支撑，低价配置策略的超额收益逐渐被注重正股弹性的高价策略所赶超。利用数量化回测框架，我们可以在事先拟定的策略交易思路下计算两种策略的累计净值收益率，从而直观地呈现出上述特征。在回测工具的帮助下，我们一方面可以从历史维度对策略在不同历史环境下的表现进行纵向比较，同时还可以对不同策略在特定环境下的相对优势进行横向比较，对不同策略的优势期形成更加深入的认识。

基于上述两个基本用途，我们可以派生出回测框架的更多实际用途。但在详细介绍这些具体的应用方向前，我们首先需要了解回测框架构建的具体方法和步骤。特别是，因为转债特性与正股存在差异，在许多细节处无法直接套用相对成熟的正股回测流程，需要进行特殊的定制化处理。

2

回测框架的搭建：测量策略表现所需的工具
回测框架的搭建分为4个步骤，分别为数据准备、持仓统计、净值回测和数据分析。总地来说，我们可以将量化回测的过程概括为：收集研究所需的基础数据，在这些数据的基础上，依据事先设定的敲入敲出条件进行调仓决策，记录下策略的每日持仓，并结合日度收益率数据计算出策略的净值序列，最后利用该序列计算出策略的指标数据和净值曲线图。接下来，我们详细介绍每个步骤的操作流程和细节。
需要补充说明的是，在工具选择上，本文所述的框架构建思路基本适用于所有常见的数学和统计软件，例如R、Matlab和Python等都是理想的实现工具，因此在实际操作中挑选习惯的软件即可。但SPSS、EViews等可编辑程度较低的软件，并不适合用于回测程序的开发。

（一）数据准备：确定策略细节，收集变量数据

在这一阶段，我们首先需要明确回测的样本区间、择券范围、调仓频率和敲入敲出规则。例如，我们确定回测的样本区间为2017年1月3日至2022年12月30日，择券范围为全市场转债，调仓频率为每日调仓，即对每支转债逐日进行敲入敲出判断。

确认好上述要素后，我们便需要收集策略规则中涉及到的变量信息，对每个变量形成存量转债的面板数据。例如，某策略的敲入规则需要对转债的价格、波动率和剩余期限进行判断，则我们需要将上述每个变量形成一个面板数据矩阵，其中包含每支存量债在样本区间内该变量的信息。

同时，为方便之后的净值计算，这一阶段我们还需要收集每支转债的日度收益率数据，整理为格式一致的面板数据矩阵。

最后，我们需要收集转债的特殊条款信息。与股票的回测框架不同，转债独有的特殊条款会影响回测的流程。例如，强赎会导致转债生命周期的提前结束，若在敲出判断时不考虑最后交易日，则会错误地持有已过期的转债，导致回测结果出现偏差。所以，我们需要定期更新每支转债的最后交易日或强赎公告日信息，保证触发强赎的转债在最后交易日或之前被敲出。

（二）持仓统计：记录策略的每日持仓情况

在这一部分中，我们需要记录策略每日持仓的情况。具体来说，对每支转债进行逐日敲入敲出判断，若当日持有则记为1，未持有则记为0，形成转债持仓的面板数据。具体到一支债券的持仓上，我们需要首先查看上一交易日是否已持有该券，分为两种情况处理：

1.若上一交易日未持有该券，则对它进行敲入判断：若它满足策略的敲入条件，则将当日的持有情况调整为1；若不满足，则当日的记录保持为0。

2.若上一交易日已持有该券，则对其进行敲出判断：若它满足策略的敲出条件，则将当日的持有情况调整为0；若不满足，则当日的记录保持为1。

然后，按照上述规则遍历回测时段内所有交易日期，可获得单支转债的持仓记录。遍历样本内所有转债后，便可得出使用该策略择券的每日持仓情况。

（三）净值回测：根据策略的持仓记录计算净值

净值回测部分中，我们根据（二）中的持仓记录，结合（一）中收集的日收益率数据进行净值计算。为了方便记录，我们将（二）中的持仓记录记为矩阵H，其形式如下：

值得注意的是，在实细节处理上，矩阵H需要将（二）中得到的持仓记录向后移动一个交易日，因为在记录收益时，当日数据的观测点已经收盘，此后才能判断该券是否敲入或敲出。而收盘后的判断结果需要在下一个交易日才能执行，故而将（二）中持仓记录向后移动一个交易日得到的矩阵H更符合实际情况。

同时，为方便记录，我们将收益率矩阵记为R：

此时，我们可以根据持仓矩阵和收益率矩阵，计算出策略的净值序列。简单起见，此处我们先以等权配置转债的策略为例进行净值计算的呈现。

将持仓矩阵H和收益率矩阵R的每个元素对应相乘，得出持仓收益矩阵Y。该矩阵记录了持仓转债每日的收益情况。矩阵Y的计算方法可以表达为：

将矩阵Y的每行数据求和，并除以该日持有债券的数目，得到每日持仓的收益率；若该日持有转债数目为0，则将当日持仓收益率记为0。我们将该收益率序列记为r，则 r的计算公式为：

将上述收益率序列中的数据加1，并将每日的收益率与该日之前的数据进行累乘，可得到该策略的每日净值。将净值序列记为NV，则NV的计算方法可表示为：

按照上述流程，我们可计算出等权策略的净值序列。

推广来看，若需要计算加权策略的净值序列，只需确定权重矩阵W，并按如下规则计算收益率序列后，再进行上述累乘计算可得到加权策略的净值序列。

其中，等权策略即加权策略中：

的特殊情况。

（四）数据分析：分析策略的价值和效果

这一步骤的目的是最终衡量策略组合的投资效果，在这一过程中，我们一般需要首先确认策略的比较基准，若没有特定的对比对象，一般可以选择指数累计收益率作为参考，如果策略收益能够显著超过比较基准的收益率，那么即可作为策略具有收益增强效应的例证。当然，选择不同的比较基准，可以得出不同的结论。

然后，我们需要借助常见的风险收益指标来分析策略的整体表现，可挑选的指标多种多样，其中使用最为广泛的是年化收益率、最大回撤、夏普比率和卡玛比率四种常用指标。

1.年化收益率。该指标代表策略的绝对收益水平，是将样本空间内的策略累计收益率换算为一年的收益率。其中，由于净值序列NV的起始值均为1，累计收益率可直接由净值序列NV的末尾值减1得到，即：

则年化收益率的计算方法为：

2.最大回撤。该指标衡量策略在达到最高点后出现过的最大跌幅，用于衡量策略运行中可能出现的极端风险水平。其中回撤的含义为，当日较历史最高净值的跌幅占后者的比例。最大回撤的计算方法如下：

3.夏普比率。该指标的提出是为了衡量策略收益与普适性风险的比值，一定程度上反映了策略的性价比。具体而言，该指标测度了投资组合每承受一单位总风险，会产生多少超额报酬，是一种综合考虑了策略的收益和风险的指标。

其中σ表示策略持仓组合的年化波动率，计算时采用策略日收益率标准差的年化值。rf为无风险收益率，一般用一年期国债收益率代替。

4.卡玛比率。该指标在固收策略研究中较为常用，目的是衡量策略收益与极端风险的比值。这种收益风险比通过年化收益率与最大回撤的比率反映，即：

最后，绘制净值的时序折线图也能较好地呈现出策略的性质。（三）中所得净值序列NV中含有该策略每日的净值数据。将不同策略计算出的净值序列绘制到同一坐标系中，可以直观地看出不同时段下各种策略的分化表现。

总结来看，搭建回测框架的4个步骤分别为数据准备、持仓统计、净值回测和数据分析。按照上述步骤，我们可以测算出策略的净值序列和指标表现，并将回测框架运用于策略的比较分析中。接下来，我们将介绍转债量化回测框架的一些典型应用场景。

3

转债回测框架的四个典型用途

（一）利用回测框架进行策略对比

回测框架的第一类用途，是对不同策略思路的性质进行比较验证和特征归纳，为择券提供参考。为更具体地展示上述的策略比较过程，我们选择了4种最常规的转债策略进行测算。这4种策略具体包括：

第一，注重在债底保护下博弈未来波动的低价配置策略——挑选价格靠近债底，同时正股历史波动较高的转债，以求在相对可控的回撤幅度下博取未来正股上行带来的收益；

第二，注重“进可攻退可守”的中性配置策略——通过衡量个券的绝对价格、隐含波动率和正股波动率的比值，以及转债估值等因素，综合挑选正股上行时收益更多，而下行时受损更小的品种，博弈转债的“非对称”性优势；

第三，注重正股弹性的高股性策略——通过衡量转债的平价和转股溢价率，挑选估值较低的高弹性品种，以尽可能博取正股上涨带来的弹性收益；

第四，注重绝对回撤保护的纯债底仓策略——通过衡量转债的信用资质和纯债溢价，挑选理论回撤空间最小的品种，以在熊市环境下尽可能规避风险。

通过反复的参数调试，我们已经提前确定了4种策略的具体持仓敲入&敲出条件，并在表1中详细列示。在接下来的回测过程中，我们将严格按照这里的条件对策略持仓进行调整，并计算对应的策略净值。

具体操作上，本次回测的样本区间为2017年1月至2023年4月，择券范围为全市场转债，并根据前文所述的敲入&敲出条件实施调仓，在转债满足单策略所有敲入条件时纳入持仓，而满足其中一种敲出条件即需移除出仓，并在调整时对仓位维持等权状态。

在数据准备方面，我们依据策略条件和收益评判标准，统计了样本区间内每只转债的日收益率、绝对价格、正股波动率、平价、转股溢价率等历史数据。值得注意的是，由于转债存在特殊的强赎转股退出路径，我们还需要额外统计已退市样本券的最后交易日数据，便于在其到来之前敲出对应转债。接下来，我们对样本区间内存续的每只转债逐日进行敲入敲出判断，并结合收益率矩阵计算出4种策略的净值序列。最后，我们将4种策略的净值曲线绘制于同一坐标系中，并测算了每种策略的指标数据，观察其在不同历史环境下的表现。

从净值曲线的运算结果来看，回测结果清晰且直观地体现出了不同策略的相对差异，以及在不同市场环境下的占优选择。总体来看，低价配置策略、中性配置策略和高股性策略均在样本回测区间内取得了明显超过指数的收益水平，其中高股性策略取得最高的累计收益率，而纯债底仓策略的收益则与指数基本相当。

从不同历史区间的对比中，我们能挖掘出关于不同策略特质的更多信息。以当前应用最为广泛的低价配置策略和高股性策略对比为例，在2020-2021年间，高股性策略上行幅度明显大于其他策略，不仅迅速抹平了与低价配置策略之间的收益差值，还在此后累积了显著的超额收益率。从时间背景来看，这一阶段适逢权益市场表现强势，且纯债收益下降&流动性宽松，转债市场估值中枢上移的历史时期，高股性策略能够有效地博取平价和转股溢价率两个维度的双重收益。然而到了2022H1，随着权益市场行情趋弱，以及随之而来的估值压缩，低价配置策略的防御属性发挥作用，其与高股性策略间的收益差距也迅速缩小。

进一步地，我们可以通过计算策略净值的各类风险收益指标归纳出更多信息。我们选取回测期间内代表性较强的2018年（熊市环境）、2020年（牛市环境）和2022年（震荡环境）为例，进一步观察各类策略的表现。

具体来看，在权益市场大幅回调的2018年，纯债底仓策略体现出了强大的防御属性，最大回撤仅为3.22%，且年内取得正向收益，而其他三类策略中，配置型策略同样具有一定防御优势，回撤幅度和卡玛比率优于高股性策略。2020年，高股性策略展现出强进攻性，收益率和卡玛比率大幅领先于其他策略，卡玛比率高达4.69，而低价配置策略和纯债底仓策略表现不甚理想，指向债底保护效应在牛市环境下很难体现出正向效果。而在2022年的震荡行情下，底仓和配置型策略再次发挥作用，其中低价配置策略的最大回撤仅为7.57%，同时取得了1.54%的正向收益，但高股性策略受正股下行的影响，出现了幅度较大的最大回撤。

总结来看，通过构建适当的回测框架，我们清晰地归纳出了4种常见策略的基本特征：高股性策略的优势期主要体现在正股强势和转债估值走扩的阶段，缺点是回撤幅度较大，策略收益需得到来自正股情绪、流动性环境和纯债替代效应的多方面支撑；低价配置策略在整个历史维度下都取得了相对稳健的收益，并且具有相对更强的风险抵御能力，但牛市中的收益效率不及高股性策略；中性配置策略收益与低价配置策略类似，但大多数情况下收益效率和防御属性均不占优势；而纯债底仓策略主要在熊市环境下起到风险规避的作用。

相较于传统的定性研究和个券案例研究，量化回测可以更加清晰和直观地呈现不同策略的基本特性和优势时期，为我们策略决策提供更有效的参考。

（二）因子挖掘过程中的参数设置

回测框架的第二类用途，是在因子挖掘的过程中，探究具体参数设置对策略表现的影响。以市场应用较为广泛的“双低”因子为例，该因子包含绝对价格低和转股溢价率低两个维度，其中低价因子主要影响转债价格到触发债底保护的距离，注重回撤防护；而低溢价因子主要影响转债价格中提前透支的未来正股上涨预期，注重后续配置的性价比。综合来看，两项因子均能在各自维度发挥正向作用，理论意义也同等关键，然而在涉及到“双低”因子的构建时，两个因子的具体权重如何配比，便成为了很难运用定性方法精确处理的难题。

为解决上述问题，我们可以在不同的因子权重下构建双低策略因子，并对投资效果进行回测，找寻收益最优的权重配置。具体而言，我们设参数w为价格因子的权重，对应转股溢价率因子权重则为1-w，构建出双低因子如下：

其中，price和conv_premium_ratio分别代表价格和溢价率因子，但由于量纲不同，我们需要根据日行情数据对价格和转股溢价率原始序列进行标准化（减去均值后除以标准差），消除量纲的影响。完成数据预处理后，通过控制参数w的变化，我们可以配置出不同权重下的双低因子，定期挑选双低维度下市场相对“便宜”的个券作为持仓，以探究两个细分因子配比对策略表现的影响。

在具体操作上，我们确定样本区间为2017年1月3日至2022年12月30日，择券范围为全市场转债，调仓频率为月度调仓。接下来，我们配置了不同权重下的双低因子择券策略，其中绝对价格因子的权重w以10个百分点为一档，从低到高取0%、10%、20%至100%，对应溢价率因子的权重相应从高到低，构建低价和低溢价因子按照“零十开”、“一九开”到“十零开”的不同尺度组合。接下来，我们在每个月末根据双低因子升序排列全市场转债，选择前20%的转债作为代表性品种，形成下一个月的持仓。此后在每个月末换仓点重复上述过程，以保证每个月都持有不同的双低因子下全市场“性价比”排名前20%的个券。

图2所示为11组双低策略的净值曲线，蓝色越深代表转股溢价率因子权重越高。从整体趋势来看，样本回测区间内，深色曲线相对位置更偏上，指向2017-2022年间溢价率因子占比更高的双低策略普遍有着更好的表现。但进一步细分来看，值得注意的是，双低策略的收益并非随转股溢价率因子权重增大而单调递增，典型的代表是图中黄色曲线代表的纯溢价率因子策略，其表现反而不如部分“轻价格”的双低策略，说明虽然溢价率因子在双低的构造过程中相对关键，但若完全丢弃价格因子，则会失去低价因子带来的部分收益。总体来看，当价格因素的权重在10-20%，溢价率因素的权重在80-90%时，双低策略能最有效地搜寻出性价比靠前的个券。

此外，可以将回测框架与插值法的思想相结合，展示出因子权重与指标数值的相关关系。我们使用参数w序列将对应的卡玛比率和年化收益进行线性插值，并将曲线平滑后绘制于坐标系中。可以看出价格因子权重在约20%时年化收益最高，约30%时卡玛比率最高。同时，价格因子权重大于30%时，指标对因子权重变化的敏感性更强。

总结来看，我们运用回测框架解答了双低策略中因子配比孰轻孰重的问题，得出结论为：在样本回测区间内，“轻价格，重溢价率”为最优权重配比，其中溢价率因子的权重在80-90%的范围为宜。

推广来看，回测框架能展示出参数大小变化对策略表现的影响，帮助我们定性择券时决定因子的优先级，把握因子的“尺度”。

（三）净值测量转债与其他资产的组合配置效果

回测框架的第三类用途，是测量转债与其他资产的组合配置效果。利用量化回测得到的策略净值曲线，我们可以进一步观察不同策略结合使用的配比效果，一个典型的案例，就是测试固收+产品中纯债与转债混合投资的组合收益。从目前存量固收+产品的持仓特征来看，转债是最常见的弹性增强资产之一，但是不同的转债仓位选择和投资策略，会对组合带来截然不同的风险收益特征。那么如何选择适当的转债配比策略，以达成产品目标的风险收益水平呢？这个问题便可以借助回测框架来辅助完成。

在这一部分中，我们以纯债和特定转债策略的简单组合作为范例，探讨不同的转债&纯债仓位配比，以及不同转债策略的选择下，固收+组合会呈现出怎样的风险收益特征。在测试过程中，我们用中债-综合财富（总值）指数收益来指代纯债仓位的收益，而转债策略则与本章第一部分中所述的低价配置策略和中性配置策略思路一致，样本区间为2019年1月至2023年3月，假设本次固收+组合的目标是构建一个中低波动+中等收益的稳健型产品，我们将测试转债低价配置与中性配置策略占比从10%到30%的情况下（其余仓位为纯债），组合策略的收益情况。

值得注意的是，由于转债与纯债仓位的净值会随着收益的累计发生变化，使得两部分仓位的配比与初始状态发生较大偏移，因此我们在回测中需要对组合进行季度换仓，即每季度初重新调整纯债和转债的仓位比例，以防止两者的配比失衡。

为更清晰地呈现不同组合策略的收益和波动性对比，我们将组合策略的净值曲线与纯债指数、转债指数绘制于同一坐标系中进行观察。如图8所示，组合策略的收益均高于纯债指数，同时波动情况较转债指数更为温和。说明“纯债+转债”的配置思路符合收益增强+控制波动的预期效果。

进一步来看，为了探究组合策略的收益风险比是否提升，我们测算了部分组合策略与单策略、单指数的指标数据。如表3所示，组合策略的卡玛比率和夏普比率大多较单策略、单指数的数值有显著提高，其中90%纯债+10%低价策略的组合和80%纯债+20%低价策略分别在夏普比率和卡玛比率方面最为占优，说明将转债作为结合品种能提高组合的收益风险比，并且在合理的策略选择和仓位配比下，可以构建出性价比较高的固收+策略思路。

（四）个性化配置转债指数

回测框架的第四类用途是能够根据特性需求灵活构建转债指数。其中一个最典型的场景就是构建单个行业的转债收益指数。以医药转债指数为例，市场上仅有Wind可转债医疗保健指数（以下简称Wind指数）跟踪医药类转债的走势。但直接使用该指数存在两处局限：

1.行业分类方法与市场主流习惯不尽相同。该指数按照Wind行业分类选择成分转债，若我们想以更常用的SW或ZX行业分类进行跟踪，则会存在成分转债的偏差；

2.加权方式不同。Wind指数的加权方式为债券余额加权，若我们想跟踪等权或其他加权方式指数的走势，则结论会受权重不同的影响。

借助量化回测框架，我们可以轻松完成上述工作。以SW医药转债等权指数（以下简称SW等权指数）为例，我们将全市场转债按照SW一级行业分类，筛选出属于医药生物类的转债纳入持仓，将其持有至最后交易日或到期时敲出，构建出组合换仓规则。同时，在净值计算阶段赋予持仓转债同等权重，便可构建出符合研究要求的转债指数。

以2018年以来的回测结果为例，从指数净值曲线图可以看出，本文中构造的SW等权指数与Wind指数走势有明显区别，进一步说明若使用Wind指数作为研究对象，则会与研究目标产生偏差。

具体来看，SW等权指数与Wind指数主要的差异来源于两个区间。

一是在2020H1，SW等权指数涨幅较Wind指数更大。这段区间内医药正股涨势较好，而SW等权指数对正股涨幅的敏感程度较Wind指数更高。

二是在2020H2，SW等权指数回撤幅度较Wind指数更小。这段区间内医药正股下跌，但全市场转债等权指数仍然略有上行。从结果来看，SW等权指数受到全市场转债的支撑效应较强，而Wind指数的走势与医药正股更为相近。

从细节来看，这两个指数的走势差异与成分和加权方式不同都有关。为探究成分差异对指数表现的影响，可提取出SW指数与Wind指数的自有成分，研究其在2020年的表现情况。从对比结果来看，在2020H1，SW指数的自有成分整体涨幅较大，其中益丰转债与一心转债涨幅领先，与该指数2020H1大幅上涨的表现相契合。

同时，我们对共有成分的研究体现出了加权方式对指数走势的影响。我们提取出两种指数的共有成分，并分别研究了2020上、下半年内涨跌幅突出的转债。可以看出在2020H1，英科转债、振德转债涨幅较大，但由于其债券余额较少，故而在Wind指数中所占的权重较小。此时，等权计算的SW指数更好地吸收到了这段涨幅。在2020H2，溢利转债获得了较好的收益，但因其余额数值较小，这部分收益对指数走势的作用效果较弱；同时，余额较高的蓝帆转债在此期间跌幅较大，其下跌趋势在很大程度上影响了Wind指数的走势。所以Wind指数2020H2的回撤幅度大于SW指数。

总体来看，在这一部分中，我们使用回测框架构造了SW医药转债等权指数，以修正Wind可转债医疗保健指数的成分和加权方式与研究预期的偏差。利用类似思路，投资者可以借助回测框架个性化地设计敲入敲出条件，配置出更多指数进行跟踪研究。

风险提示：

模型基础数据存在口径偏误。若转债市场规则出现超预期调整，转债市场整体规模或者活跃度可能受到影响。若权益市场风格加速轮动，偏股型转债估值可能受到大幅影响。

转债入门手册系列：

之十：《转债信用分析框架指南》

   

已外发报告标题：《转债入门手册系列之十五: 如何构建高效实用的转债回测框架》

对外发布时间：2023年6月5日报告作者：

刘 郁，SAC 执证号：S0260520010001，SFC CE No.BPM217，邮箱：[e-mail]

田乐蒙，SAC 执证号：S0260520090001，邮箱：[e-mail]

法律声明

请向下滑动参见广发证券股份有限公司有关微信公众平台推送内容的完整法律声明：本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，相关客户须经过广发证券投资者适当性评估程序。其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，若使用本微信号推送内容，须寻求专业投资顾问的解读及指导，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。
完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。
在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。
本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。
本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。您的星标、点赞和在看，我都喜欢！