可转债套利基础 — 双低策略

日期: 2026-07-26 方向: Phase 3 / 可转债 阶段: Phase 3: 实盘+规模化+迁移 标签: #ConvertibleBond #DoubleLow #AShare #集思录 #LowPrice #LowPremium #Jisilu

---

今日目标

---

一、可转债到底是什么：债 + 期权的复合体

可转债（Convertible Bond，简称「转债」）是个人量化里结构最有意思的资产之一。表面是债，里面藏着一张永远在的看涨期权。

1.1 结构拆解

可转债 = 普通公司债 + 内嵌看涨期权（转股权）
       = 「下有保底」（债券属性，到期还本付息）
       + 「上有弹性」（正股涨可以转股，吃 upside）

具体看一个标准发行条款：

四大条款（强赎 / 回售 / 下修 / 到期赎回）就是这个产品的所有戏剧性来源。

1.2 价值组成与「价格 vs 溢价率」

对个人量化最关键的两个数：

转债价格 P            — 二级市场报价
转股价值 CV (Conversion Value) = 100 / 转股价 × 正股价
转股溢价率 = (P − CV) / CV × 100%

举个例子：

• 转债 A 价格 ¥102，正股股价 ¥10，转股价 ¥8 → CV = 100/8 × 10 = ¥125
  • 溢价率 = (102 − 125)/125 = −18.4%（折价！理论上可以套利）
• 转债 B 价格 ¥115，正股股价 ¥12，转股价 ¥15 → CV = 100/15 × 12 = ¥80
  • 溢价率 = (115 − 80)/80 = 43.75%（高溢价，纯期权时间价值）

双低策略的精髓就是同时盯住「转债价格」和「溢价率」两个维度。

---

二、双低策略：个人量化的「价值投资典范」

2.1 策略定义（最朴素的版本）

入选条件：
  1) 转债价格 P < 110 元（票面 100）
  2) 转股溢价率 < 20%
  3) 剩余存续期 > 6 个月（避免到期挤兑）
  4) 评级 ≥ AA-（避免信用风险尾部，可选）

构建：
  - 按 「P + 溢价率×100」 升序排列，取 top 20
  - 等权持有
  - 月度（或双月度）rebalance

风控：
  - 触发强赎预警（正股 ≥ 130% 转股价 ≥ 10/15 天）→ 5 个交易日内卖出
  - 信用评级下调 → 立即剔除
  - 单券权重 ≤ 8%（多 24 只时自动满足）

「P + 溢价率×100」就是经典的双低分数，越低越好。如 P=105 + 溢价率 10% → 双低分 = 115。

2.2 为什么这个粗糙的规则能赚钱

把这个问题拆成结构性 alpha 来源：

核心认知：双低策略本质是「用债的保底，换期权的免费 lottery ticket」。如果你能买到一个 ¥105 的转债（保底相当于 95% 本金），而它对应正股的看涨期权还没死透（溢价率 < 20%），那这就是个risk-defined long volatility 仓位。

2.3 用 PM 视角看：这就是「保险 + 期权」组合

如果你在保险公司做过产品，会立刻识别这个结构：

传统保险 = 保费 → 风险池 → 保障（赔付有上限）
转债   = 折价债 → 利息 + 期权 → 不对称收益

双低组合 ≈ 持有一组「便宜的延后看涨期权」
         本金保护率 ~95%，期权部分零成本（甚至负成本）

10 年金融 PM 看这个产品的第一反应应该是：为什么国内一级市场能让这种结构以低于内在价值的价格存在？ 答案就是上面那张表：结构性卖盘 + 机构容量限制 + 散户偏好 high-flyer。

---

三、历史业绩与残酷的「双低破灭」事件

3.1 长周期回测数据（中国市场）

集思录、宁稳网、各券商研究所的回测数据基本一致，区别只在细节：

长周期合并（2018-2026 H1）：年化 ~13-15%，Sharpe ~1.2，MaxDD ~25%。

但平均数掩盖了一个关键事实：这条曲线不是一条平滑上升的线，是「先暴涨 → 突然死掉 → 局部复活」。

3.2 2021 双低破灭：经典「策略 crowding + 监管打击」案例

时间线复盘：

2018-2020:
  - 双低策略小众，主要在集思录论坛传播
  - 年化 25-30%，Sharpe 2+，几乎没有回撤
  - 规模 < ¥50 亿（机构基本不碰）

2021 H1:
  - 公募发了第一批「转债增强」基金，规模膨胀到 ¥500 亿+
  - 私募也跟进，「转债 + 网格 + T0」成网红策略
  - 双低分整体被打到历史低位 → alpha 被吃光

2021 Q3:
  - 监管出手：交易所收紧强赎条款执行（之前公司经常「不强赎」让转债继续涨）
  - 「不强赎承诺」窗口期从 12 个月缩到 3 个月
  - 高溢价转债集体崩盘

2021 Q4 - 2022:
  - 信用事件：「搜特转债」「蓝盾转债」等违约或退市
  - 双低策略一些券变成「双低 + 信用爆雷」
  - 公募从 ¥500 亿一路赎回到 ¥150 亿
  - 策略 Sharpe 跌到 0.3，MaxDD ~25%

2023:
  - 一批小盘转债退市
  - 信用利差扩大，「下有保底」假设被怀疑
  - 双低再次跌出散户视野

给个人量化的教训（这一段比策略本身重要）：

1. 任何公开传播的策略都有半衰期。集思录论坛火了之后 18-24 个月 alpha 衰减 70-90%，这是经验规律。
2. 机构进来 = 信号。一旦看到主流公募有 ¥500 亿规模在这个策略上，alpha 大概率被吃干净了。
3. 监管是 Black Swan，不是 Grey Swan。强赎规则一改、退市规则一改，整个策略前提就消失了。
4. 「下有保底」是个假设，不是公理。当信用违约真的发生，¥85 的「双低券」可以一夜归零。

3.3 2024-2026 双低复兴的细节

不是双低又「死灰复燃」，而是 universe 大幅缩窄后部分小盘转债重新出现 alpha：

2021 顶峰：双低 universe ~150 只
2023 谷底：双低 universe < 30 只（很多被退市/强赎/价格冲破）
2024-2026：双低 universe 维持在 ~50-80 只

特征变化：

• 规模门槛：以前 top 20 等权大约可承载 ¥5-10 亿规模，现在 < ¥1 亿
• AA 以下转债被剔除：信用风险溢价不收（被坑过的散户都学聪明了）
• 盈利转债优先：正股扣非净利 > 0 的优先
• 远离三年内强赎线：转股价距离现价 > 30%

对个人量化（<$5k 即 ¥35k 规模），这条 niche 完全够吃。这是「规模劣势 = alpha 来源」的典型案例。

---

四、数据源：集思录 vs AKShare vs Wind

4.1 数据源对比

我们的方案：集思录 + AKShare 双数据源。集思录用于双低分排序，AKShare 用作字段校验和历史回测。

4.2 集思录的核心字段（爬下来必有的）

---

五、完整策略实现：convertible_bond_screen.py

下面是一个可直接跑的最小版本。生产用还要加更多风控（强赎倒计时、停牌、新券保护期）。

# convertible_bond_screen.py
"""
双低可转债筛选器
数据源：集思录公开 JSON
逻辑：取价格 < 110 且溢价率 < 20%，按双低分排序 top N，等权持有，月度 rebalance
"""

import requests
import pandas as pd
from datetime import datetime
from typing import List, Optional

JISILU_URL = "https://www.jisilu.cn/data/cbnew/cb_list_new/"
HEADERS = {
    "User-Agent": "Mozilla/5.0",
    # 个人非商业研究用，遵守集思录 robots，加充足 sleep
}


def fetch_jisilu_data() -> pd.DataFrame:
    """拉取集思录全部转债数据。"""
    resp = requests.get(JISILU_URL, headers=HEADERS, timeout=15)
    resp.raise_for_status()
    payload = resp.json()
    rows = payload.get("rows", [])
    records = [r["cell"] for r in rows]
    df = pd.DataFrame(records)

    # 类型转换
    numeric_cols = ["price", "convert_price", "sprice", "convert_value",
                    "premium_rt", "dblow", "year_left", "volume",
                    "curr_iss_amt"]
    for c in numeric_cols:
        if c in df.columns:
            df[c] = pd.to_numeric(df[c], errors="coerce")

    return df


def screen_double_low(
    df: pd.DataFrame,
    price_max: float = 110.0,
    premium_max: float = 20.0,
    year_left_min: float = 0.5,
    rating_min: str = "AA-",
    issue_amt_min: float = 1.0,           # 亿元
    exclude_force_redeem: bool = True,
    top_n: int = 20,
) -> pd.DataFrame:
    """按双低标准筛选并取 top N。"""
    valid_ratings = {"AAA", "AA+", "AA", "AA-"}
    if rating_min == "AA":
        valid_ratings = {"AAA", "AA+", "AA"}
    elif rating_min == "AA+":
        valid_ratings = {"AAA", "AA+"}

    f = df.copy()
    f = f[f["price"] < price_max]
    f = f[f["premium_rt"] < premium_max]
    f = f[f["year_left"] > year_left_min]
    if "rating_cd" in f.columns:
        f = f[f["rating_cd"].isin(valid_ratings)]
    if "curr_iss_amt" in f.columns:
        f = f[f["curr_iss_amt"] >= issue_amt_min]
    if exclude_force_redeem and "force_redeem" in f.columns:
        # 进入强赎倒计时的剔除（即将被赎回，下行风险大）
        f = f[~f["force_redeem"].astype(str).str.contains("强赎", na=False)]

    # 计算双低分（若集思录已给则用，否则自算）
    if "dblow" in f.columns and f["dblow"].notna().any():
        f["score"] = f["dblow"]
    else:
        f["score"] = f["price"] + f["premium_rt"]

    f = f.sort_values("score", ascending=True).head(top_n).reset_index(drop=True)
    return f


def build_portfolio(
    candidates: pd.DataFrame,
    capital_rmb: float,
    min_face: int = 1000,   # 1 张 = ¥1000 起
) -> pd.DataFrame:
    """等权构建组合。考虑「1 张起买」约束。"""
    if candidates.empty:
        return pd.DataFrame()

    n = len(candidates)
    target_per = capital_rmb / n

    rows = []
    for _, r in candidates.iterrows():
        # 1 张 = 10 张面值 = ¥1000 票面 × 当前价/100
        price_per_unit = r["price"] * 10   # 1 张 (10 张面值) 报价
        # 实际买卖以「张」为单位，每张 10 张面值 × 当前价 × 0.01 = 价格 × 10 / 100 = ?
        # 集思录 price 已是「每 100 票面价」报价，所以 1 张实际花费 = price * 10
        n_unit = max(1, int(target_per // price_per_unit))
        cost = n_unit * price_per_unit
        rows.append({
            "bond_id": r["bond_id"],
            "bond_nm": r["bond_nm"],
            "price": r["price"],
            "premium_rt": r["premium_rt"],
            "score": r["score"],
            "year_left": r["year_left"],
            "n_unit": n_unit,
            "cost_rmb": cost,
            "weight": cost / capital_rmb,
        })
    return pd.DataFrame(rows)


def force_redeem_warning(df: pd.DataFrame, stock_price_threshold: float = 1.30) -> pd.DataFrame:
    """强赎风险预警：正股价 / 转股价 ≥ 1.30 视为接近强赎线。"""
    if df.empty:
        return df
    out = df.copy()
    out["redeem_ratio"] = out["sprice"] / out["convert_price"]
    out["redeem_risk"] = out["redeem_ratio"] >= stock_price_threshold
    return out[out["redeem_risk"]]


def main(capital_rmb: float = 35000) -> None:
    print(f"[{datetime.now():%Y-%m-%d %H:%M}] Fetching Jisilu data...")
    df = fetch_jisilu_data()
    print(f"  Total CBs: {len(df)}")

    candidates = screen_double_low(df, top_n=20)
    print(f"  Double-low candidates: {len(candidates)}")
    print(candidates[["bond_id", "bond_nm", "price", "premium_rt",
                      "score", "year_left"]].to_string(index=False))

    portfolio = build_portfolio(candidates, capital_rmb=capital_rmb)
    print("\n  Suggested portfolio:")
    print(portfolio.to_string(index=False))
    print(f"\n  Total cost: ¥{portfolio['cost_rmb'].sum():,.0f}")
    print(f"  Cash remaining: ¥{capital_rmb - portfolio['cost_rmb'].sum():,.0f}")

    warnings = force_redeem_warning(candidates)
    if not warnings.empty:
        print("\n  [!] Force redeem warning:")
        print(warnings[["bond_id", "bond_nm", "sprice",
                        "convert_price", "redeem_ratio"]].to_string(index=False))


if __name__ == "__main__":
    main()

5.1 月度 rebalance 的小细节

• 不要每天调：日间波动小，频繁换券吃掉手续费（券商佣金 ~0.05%，最低 ¥1/张）和买卖价差
• 触发式调仓：发现某券进入强赎倒计时 → 立刻减仓，不等月底
• 缓冲区：双低分排名进 top 30 之外才剔出，避免「踩边界反复换券」
• 新券保护期：上市 < 30 天的新券默认不入选（流动性和定价混乱）

5.2 强赎风控的具体做法

# 强赎触发条件（典型）：正股连续 15/30 交易日 ≥ 130% 转股价
# 一旦触发，公司公告后 ~30 天内必须按 ¥100 + 累计利息赎回
# 所以你必须在公告后 5 个交易日内卖出（流动性还在 + 价格还未跌到 ¥100）

if 'force_redeem_days' in cb and cb['force_redeem_days'] >= 10:
    # 触发线 90% 已经走到，准备退出
    action = 'SELL'
elif cb['stock_price'] / cb['convert_price'] >= 1.30:
    # 已经在触发区间，但不一定会真的强赎
    action = 'MONITOR'
else:
    action = 'HOLD'

---

六、<$5k 的可行性分析

6.1 资金路径

$5,000 ≈ ¥35,000（按 1 USD ≈ 7 RMB）

1 张转债面值 = ¥1,000，市价约 ¥1,000-1,150（双低券价格 < 110）
1 张实际买入 ≈ ¥1,050 平均

¥35,000 / ¥1,050 ≈ 33 张
top 20 等权 → 每只 ~1.5 张

可行：是
分散度：每只 1-2 张，已经够双低策略需要的分散

6.2 账户问题

关键限制：A 股可转债只能国内券商账户交易，IBKR、富途国际、老虎国际都不支持（富途/老虎港版可买港股转债，但 universe 极小且没双低 alpha）。

所以这个策略路径是「中国大陆居民独占机会」——既是 alpha 来源（机构容量限制），也是劣势（不能跨境扩展）。

6.3 与美股策略的资金配置

两条腿走路：美股+期权追求技能可迁移性（90 天后可以扩到 $50k），双低转债追求当下确定性 alpha（容量小但 Sharpe 高）。

---

七、几个容易被新手忽略的坑

7.1 「下有保底」是有前提的

• 公司不违约：信用评级 AA- 以下要慎重
• 公司不退市：正股 ST 后的转债流动性可能消失
• 监管不修改规则：2024 年退市新规导致一批小盘转债剧烈波动

7.2 双低分相同的两张转债，差别可能很大

• 一张是「价格 105 + 溢价率 5%」（贴近转股价，对正股敏感）
• 一张是「价格 95 + 溢价率 15%」（深度 OTM，纯债性 + 弱期权）

后者在熊市更抗跌，前者在牛市弹性大。两类要混着配，不要只挑分最低的。

7.3 流动性陷阱

• 单只日成交 < ¥500 万的转债，¥35k 资金虽然进得去，但要分批
• 不要用市价单（A 股转债日内涨跌幅 20%，市价单的滑点可以非常大）
• 用限价单 + 中间价（midpoint），耐心等成交

7.4 集思录数据更新延迟

• 集思录的双低分通常 T+1 更新
• 实盘下单前应该用券商行情确认当前价格
• 不要直接照集思录的 dblow 排名下单（可能已过时 1 天）

---

八、PM 视角：双低策略给我的三个迁移性教训

8.1 「保险 + 期权」是普适的不对称结构

任何能拆解成「下方有底 + 上方有弹性」的资产都值得研究：

• 可转债：债底 + 转股期权
• 高股息股票 + 期权对冲：股息底 + 期权 hedge
• 锚定稳定币的 LP：本金 + 部分手续费 yield
• 一些 RWA 产品：本金 + 利率敞口

PM 在金融产品设计里见过太多这种结构，反过来用在量化上完全成立。

8.2 容量限制 = 结构性 alpha 来源

很多策略不是「不存在 alpha」，而是「机构进不来」。例子：

• A 股双低转债（¥1 亿规模就饱和）
• 小盘新股套利（容量 < ¥500 万）
• 美股低流动性期权 Wheel（容量 < $1M）

个人量化的优势就是规模小。不要试图模仿对冲基金的策略，要找对冲基金「看不上 / 进不去」的策略。

8.3 公开传播 ≠ 死亡，但快速 crowding 必然发生

集思录论坛 2018 年开始传播双低，2020-2021 达到顶峰，2022 崩盘。Half-life ~24 个月。

迁移到其他公开策略：

• 美股 Wheel：传播 2-3 年，2024 年后规模化已经把 alpha 打掉一半
• Volatility Targeting ETF：传播 5 年，alpha 接近零
• 0DTE 期权卖方：传播 2 年，2024 年开始普及

结论：任何在 Reddit / Twitter / 集思录上能直接搜到完整方法的策略，都要预设 18-24 个月内 alpha 衰减 70%。Edge 来自三类——更深的领域知识、更好的执行、更小的容量——这三类都是不能简单复制粘贴的。

---

九、明日预告

Day 79: A 股回测的特殊坑 — 涨跌停 / T+1 / 停复牌 / 退市 / 分红除权

明天会用今天的双低策略做完整回测，但重点不是策略本身，而是 A 股回测特有的陷阱：

• 涨跌停板：信号触发但买不到怎么办（survivorship bias 的反面）
• T+1：今天买的不能今天卖，回测如果忽略会高估 10%+
• 停牌：长期停牌的转债价格如何处理（停牌前 vs 复牌后）
• 退市：搜特、蓝盾这种最后归零，回测里必须有「退市处理」逻辑
• 分红除权：转债不分红但正股分红会导致转股价调整（除权日的不连续）
• 强赎计算：触发后是按 ¥100 还是按现价结算

这些坑任何一个忽略都会让回测年化高估 5-10%。

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 集思录数据拉取测试 — ...
• [hh:mm] 双低筛选输出 top 20 — ...
• [hh:mm] 模拟组合构建（¥35k）— ...
• [hh:mm] 强赎风险预警跑通 — ...
• [hh:mm] 决策：是否开国内券商账户 + 投入比例 — ...
• 卡点 / 学到的：

---

总字数：约 6,400 字 今日完成度：理论 ✓ / 策略实现 ✓ / 历史复盘 ✓ / 实操（待执行）/ 笔记 ✓