转债强赎的量化密码|信号|强赎|正股|行权

2026

联系人：谭逸鸣、刘宇豪

摘要

在权益市场牛市环境下，转债触发强赎条款及行权决策问题再次成为市场关注焦点。如何把握转债强赎规律？如何前瞻性预测强赎行权可能？

转债强赎历史案例

2018-2025 年市场共 1,191 例强赎触发案例，不强赎占比 62.6%，但 2022年后强赎比例逐年提升，2025 年达 134 例（历史新高），主要因权益市场走强、转债剩余期限缩短及发行人促转股意愿增强等。2026 年面临 67 只转债到期及 211 只进入回售期，若权益市场维持强势，触发强赎转债及强赎案例占比或进一步突破。

历史来看，强赎计数期转债超额收益大多呈先升后降趋势，峰值多出现在计数第 8-12 日。自计数第 10 日起，不强赎转债涨幅显著强于强赎转债（T日差额+5.32pct），市场定价特征明显。精准预判强赎预期对转债投资至关重要。

转债强赎预测因子框架

发行人强赎决策受多因素驱动，我们构建了融合市场行为与财务特质的六维预测因子体系，包含条款因子、市场表现因子、转股压力、偿债压力、盈利质量与经营效率、及公司治理特质因子等六维度 80+指标，并严格规避未来数据干扰。

对历史案例因子相关性及特征重要性分析来看，强赎决策本质上或是发行人基于条款成本、市场窗口与财务需求的三维博弈，多因素耦合作用的结果。条款成本（历史下修/不强赎惯性）与市场窗口（价格动能、市场定价信号）类指标权重最高；财务压力（偿债能力）、转股压力等次之。单因子与多因子模型结论存在差异，反映决策的复杂交互效应。

强赎预测机器学习模型

基于六维因子体系，采用机器学习算法构建强赎预测模型。2023-2025 年测试集上滚动窗口验证下模型 AUC、准确率来看Stacking 集成（随机森林+XGBoost+CatBoost）模型表现优于单一模型，具备高准确性和稳健性。

计数触发首日（1/N）模型整体预测性能最佳，且预测时效性最高：较 5/N、10/N 模型提前 1-2 周预警。转股溢价率作为市场定价预期的表征指标，其与发行人强赎决策的直接影响机制较弱，同时指标早期具有干扰性。综合预测性能（剔除后早期模型提升）与时效性（提前 1-2 周预警），最终剔除该因子以优化整体表现。

最终模型表现如何？1/N-Stacking 模型 2023~2025 测试集平均 AUC 为87.8%，准确率为 79.3%。以 2025 年测试集为例，模型整体准确率达 80.4%；细分来看：强赎样本：134 只中正确预测 118 只（88.1%）；不强赎样本：151 只中正确预测 111 只（73.5%）。此外，近期触发强赎的 10 只转债，其中 8 只在强赎计数首日即正确预警。

结合预测模型的强赎转债博弈策略

基于模型预测与市场定价分歧样本，构建多空组合策略，2023-2025 年样本外测试显示，策略整体胜率稳定在 80%，进一步验证了预测模型的有效性。其中做多不强赎博弈组合（预测概率<50%且溢价率<3%）：胜率 80.3%，超额收益中位数 3.1%；做空强赎博弈组合（预测概率≥50%且溢价率>10%）：规避损失成功率 86.7%，减少回撤中位数 8.4%。

核心图表（完整图表详见正文）

风险提示：模型失效风险；模型拟合风险；流动性风险。

报告目录

在权益市场牛市环境下，转债触发强赎条款及行权决策问题再次成为市场关注焦点。如何把握转债强赎规律？如何前瞻性预测强赎行权可能？

我们在2025年06月13日《转债策略研究：如何构建转债评级预测模型？》中构建了基于多类特征的机器学习算法来预测转债评级调整。本研究我们将该框架拓展应用于转债强赎与否预测方向。深入挖掘转债发行人强赎意愿的客观驱动因素，通过模型对转债强赎行权可能进行前瞻性预测，为转债投资价值评估提供新视角。

转债强赎历史案例

历史强赎与否案例分布如何？2018~2025年转债市场中共有1191例曾触发强赎条款且已公告结果的案例，整体看不强赎转债更多，占比62.6%，且大多年份亦呈此规律。2022年开始不强赎转债占比下降，强赎转债占比逐步提升。2025年强赎转债数远超历史各年度，且公告强赎/不强赎转债数量之和在历年最高，主要系权益市场强势带动触发强赎转债数增多、转债整体剩余期限缩短，发行人促转股意愿增强等。存量转债中2026年内仍有67只转债将到期，211只转债已经或年内将进入回售期，转股压力推动下，若今年权益市场维持强势，触发强赎转债及强赎案例占比或超过去年，强赎条款研究重要性凸显。

强赎触发情形分析：从历史案例来看，强赎触发主要可分为两类：特殊情形：辉丰转债、天马转债、江南转债等因转债余额不足3000万元触发赎回；常规情形：在转股期内，正股连续30个交易日（典型值）中至少有15个交易日（典型值）的收盘价不低于当期转股价格的130%（典型值）。本文的研究将聚焦于第二种常规触发情形，因其更具普遍性和研究价值。

不强赎期限的设定特征：对于上述不强赎转债，发行人一般还会设置一定的不强赎期限。历史分布：2022年之前，不强赎期限主要集中在0、3、6、12个月四类；监管影响：2022年监管指引明确要求，若发行人选择不强赎，则未来至少3个月内不得再次行使赎回权，因此此后发行人不强赎期限多设定为3、6或12个月。

强赎条款触发进程中转债走势如何？我们计算上述案例转债，在满足强赎触发价计数的第二天开始直至 T 日 ( 强赎公告结果日 ) ，相对中证转债指数的累积涨跌幅。整体来看，超额为正，而 T 日前大多呈现先升后降趋势：从中位数来看，强赎触发进度至第 10 日转债超额收益率最高为 2.65% ，相比第二日（ 1.41% ）明显上升，随后逐渐回落。而第 15 日以及 T 日收益率再次上升，或主要由于历史案例中不强赎转债占比相对更多。且从数据来看，此时单日大幅上涨、下跌转债数明显更多，转债波动率、博弈风险明显提升。

分年度走势看，多数年份强赎计数转债T日前亦呈现先升后降趋势，不过各年度走势有一定差异。以余额加权均值看，强赎计数转债超额收益率峰值多集中于计数第8-12日（剔除第15日及T日），其中2024年为第12日、2025年为第8日。第10日收益率在各年度普遍保持相对高位。此外，2022及2023年强赎计数期的转债，超额涨跌幅明显弱于其他年度，且收益率高点提前至计数前期。

强赎预期对转债走势的影响如何？从后视视角，按最终是否强赎将转债拆为分两类单独来看：前期一致性：在条款触发初期，无论最终是否强赎，转债价格整体均呈现同步上行趋势；分化时点：自计数第10日起，市场或开始对强赎预期进行定价，不强赎转债的涨幅扩大/强赎转债下行，两者走势出现明显背离。截至T日，不强赎转债的余额加权平均涨幅较强赎转债高出5.32个百分点。

因此对于转债投资者来说，转债强赎预期判断尤为重要。

转债强赎预测框架

如何构建转债强赎意愿预测模型？基于对前述历史案例的实证分析，我们发现发行人的强赎决策呈现三方面典型特征：多因素驱动性：受条款压力、市场环境、财务特征等多维度因素共同影响；行为惯性特征：历史行权路径（如既往下修/不强赎记录）具有预测价值；市场定价效率：转股溢价率等指标对强赎预期存在前瞻性反映。

为系统捕捉上述特征，本研究以 " 特征工程 - 算法集成 - 动态验证 " 三阶段建模：因子量化：将非结构化决策信息转化为量化指标。算法适配：采用如 XGBoost 等决策树类模型处理因子间的非线性交互效应，并进一步将多模型融合。样本外验证：通过滚动时间窗口检验模型稳健性。

1、样本清洗

为确保模型预测结果的准确性与可靠性，本研究对样本数据（即上述历史案例）进行以下清洗处理：

（1）无效样本：根据监管指引规定——“赎回条件触发日与赎回日的间隔期限应当不少于15个交易日且不超过30个交易日”，例如华源转债，因赎回条件触发日与到期日间隔不足15个交易日因而发行人无法提前赎回，因此为无效样本；

（2）行为模式干扰样本（可选剔除）：为防范发行人决策惯性导致的模型过拟合，建议对连续多次不强赎且不强赎期设置完全相同的发行人样本，有保留的剔除（典型如艾华转债在2020年7月至2021年12月期间连续17次发布不强赎公告，且不强赎期限均一致）。上述处理可有效解决两类潜在偏差：其一，排除不符合交易所规定的技术性无效样本；其二，避免模型因学习过度重复的发行人主观决策模式而导致预测效率下降。

2、转债强赎预测因子体系

如何构建强赎预测因子体系？基于对发行人强赎决策的深入研究，我们构建了融合市场行为与财务特质的六维预测体系。通过多维度指标量化分析捕捉强赎决策的关键驱动因素。核心因子构成：

1、条款因子。历史行权路径：是否曾行使下修权/放弃强赎等行为记录。条款触发进度：当前强赎触发计数日数。

2、市场表现因子（动态指标）。价格动能特征：相对估值水平（如转股价值/强赎线动态缺口），趋势持续性（正股、转债价格历史分位），行业β属性等（正股、所属行业与大盘间相关性等）。定价效率信号：如隐含波动率、转债vs正股涨跌幅差异、溢价率等。

传统四维因子（沿用报告《转债策略研究：如何构建转债评级预测模型？》中指标框架，具体指标明细可参考该报告）：

3、转股压力因子：反映发行人促转股的潜在动力（如剩余期限、转股稀释率、债券余额与正股市值比率等）；

4、偿债压力因子：衡量公司现金流对还本付息的覆盖能力（资产负债率，EBITDA/带息债务、利息保障倍数、每股净资产等）；

5、盈利质量与经营效率因子：体现持续经营对股价的支撑作用（每股收益、EBIT利润率等）；

6、公司治理与特质因子：前十大持有人持债比例、大股东质押率，以及企业性质、所属板块（例如金融、 TMT 等）等公司特质信息。

在因子数据提取过程中，我们严格遵循前瞻性验证原则构建数据集，即避免引入未来数据。对每只转债，选择其触发强赎条件日以前，强赎计数期满足的第N日（N<=15，例N=1）作为数据截断时点，确保所有因子取值均来自该时点之前的历史信息。具体分类处理规则：

A、截面指标（如剩余期限）：采用第N日收盘数据

B、区间指标（如价格历史分位数）：计算窗口终止于第N日

C、财务指标：仅使用第N日前已披露的定期财务报告

D、其他指标：例如条款因子，统计第N日以前历史行权行为

3、因子相关性

上述每类指标中的因子作为自变量，因变量采用二元变量设定（强赎=1，不强赎=0）。首先通过单变量分析考察各因子与强赎决策的关联性。需特别指出，基于历史样本的分布特征分析表明：95%的因子与强赎决策呈现非对称分布（K-S检验p值<0.05），同时许多因子与因变量关系表现为非线性单调特征。鉴于上述特征，传统Pearson相关系数存在局限：对异常值敏感（受极端不强赎案例影响）仅能捕捉线性关系。因此采用Spearman秩相关系数，其优势在于：通过秩转换消除分布假设限制，有效识别单调非线性关系。

此外，前述基于历史数据的实证分析表明，转债的强赎预期定价效应在计数期第10日即逐步显现。从实操角度，选择相对早期的时点来预测或更具时效性，此处我们选择计数期触发首日（N=1）作为数据截断时点，提取各类因子数据，亦即对于所有历史触发强赎案例，仅考虑其计数期触发首日截面及以前特征信息。

基于单因子相关性分析，市场表现因子与条款因子等均呈现显著预测力。历史案例与因子相关性来看，发行人决策是否强赎时或离不开以下三个维度：

1、条款博弈层面：

触发难度效应：当发行人历经较长时间才满足强赎条件时，往往表现出更强的强赎意愿。特别是在临近触发时点，若股价/转股价值处于相对高位，且长期低于强赎线幅度较大，发行人的强赎动机通常更为显著。历史行为惯性：历史条款调整行为具有明显指示意义：曾主动下修转股价的发行人通常促转股意愿更迫切，而历史上未行使强赎权的发行人则倾向于延续这一行为惯性。持有人结构影响：当转债前十大持有人持债比例较低时，发行人面临的赎回阻力相对较小，强赎概率相应提升。

2、市场定价层面：

市场对强赎预期存在前瞻性反应，表现为转债转股溢价率持续收窄，以及转债价格相对正股涨幅明显落后或超跌，这反映了投资者对潜在强赎的提前定价。

3、财务动机层面

偿债压力驱动：发行人的偿债压力与盈利能力是重要考量因素，偿债压力较大或盈利能力较弱的发行人通常更具强赎倾向。资本金补充需求：行业特性同样影响显著，例如金融类转债出于补充资本金的需求，往往在首次触发强赎条件时即选择行使权利。

总体而言，强赎决策本质上或是发行人基于条款成本、市场窗口与财务需求的三维博弈，采用多因子耦合模型综合考量各维度交互影响更具合理性。

4、特征重要性

上述单因子相关性分析仅能衡量各变量对强赎决策的独立影响，而实际发行人的赎回决策本质上或是多因素耦合作用的结果。为更全面捕捉因子的交互效应，此处进一步采用XGBoost算法进行特征重要性分析：通过决策树的分裂过程动态评估变量在组合条件下的信息增益，该方法能够量化因子在非线性关系中的边际贡献，自动识别高维特征间的协同效应，并通过树结构剪枝规避多重共线性干扰。

XGBoost模型的特征重要性排序与单因子分析结论形成互补验证：模型滚动测试结果显示，重要性均值排名前列的指标主要集中在Spearman相关系数绝对值较高的变量上，尤其是市场表现因子与条款因子等高权重特征。这一结果与前文基于历史案例及相关性分析的结论具有一致性。

同时值得注意的是，部分因子在单因子相关性与XGBoost重要性排序中存在显著差异。这种分歧揭示了强赎决策的复杂作用机制：一方面源于高维特征间的非线性协同效应，另一方面则反映了不同市场环境下决策逻辑的差异性。这种差异亦印证了多维分析框架的必要性——单一方法难以全面捕捉发行人动态博弈的决策过程。

强赎预测机器学习模型

1、基模型表现

基于上文构建的转债强赎预测因子体系，我们采用机器学习方法进行二分类预测。模型以50%概率为阈值，预测值低于阈值为0（不强赎），高于阈值为1（强赎）。为全面评估模型性能，我们选取八类代表性算法构建基准模型，包括：线性模型：逻辑回归；非线性模型：K近邻（KNN）、支持向量机（SVM）；树模型：决策树、随机森林；梯度提升框架：XGBoost、LightGBM、CatBoost。

为动态验证模型的泛化能力，我们采用滑动窗口法进行样本划分：以2018年至测试年份的前一年数据作为训练集，分别以2023年、2024年和2025年数据作为独立测试集。实证结果显示，XGBoost、LightGBM、CatBoost和随机森林四类树模型在强赎预测中表现突出，其ROC曲线最接近左上角（以2025年测试集为例）。从2023-2025年的跨期测试结果看，这些模型的平均AUC和预测准确率均显著优于其他算法。

2、Stacking集成模型——剔除转股溢价率因子

为提升模型的泛化能力与预测稳健性，我们采用双层Stacking集成框架：第一层：基于随机森林、XGBoost和CatBoost的并行三模型融合，结合五折交叉验证生成概率预测；第二层：通过带弹性网（Elastic Net）正则化的逻辑回归模型进行元学习，对第一层输出进行概率校准。该方法通过模型多样性降低过拟合风险，同时增强跨周期预测的稳定性。

Stacking集成模型在2023-2025年的测试集上表现出显著优势，其性能均优于前述单模型结果。2023-2025年的AUC值分别为89.6%、83.9%和88.0%，测试集预测准确率分别为81.5%、76.9%、79.3%。为可转债强赎预测提供了兼具高准确性和稳健性的解决方案。能够较好地识别转债发行人的强赎预期。

上述结果为基于计数期触发强赎线首日（ 1/N 模型）的测试结果，为验证模型时效性，我们进一步构建了基于触发后第 5 日（ 5/N ）、第 10 日（ 10/N ）和第 15 日（ 15/N ）的预测模型。例如 5/N 模型，其含义类似地为对于所有历史触发强赎案例，仅考虑其计数期触发第 5 日截面及以前特征信息。对比分析显示： AUC 来看 1/N 模型整体模型性能优于 5/N 模型，其次是 15/N 、 10/N 模型。另一方面来说， 1/N 模型相较 5/N 、 10/N 模型能提前 1-2 周捕捉强赎信号，预测时效性最高。

上述因子体系中的转股溢价率作为市场定价预期的表征指标，其与发行人强赎决策的直接影响机制较弱。实证发现：一方面，转股溢价率指标早期具有干扰性：在触发进度早期（如1/N、5/N模型），溢价率波动较大，剔除后模型AUC、预测准确率提升；另一方面，转股溢价率指标后期有效性增强，临近公告日（如15/N模型），溢价率与强赎相关性增强（Spearman系数显著上升），剔除导致模型性能明显下降。综合预测性能（早期模型提升）与时效性（提前1-2周预警），最终剔除该因子以优化整体表现。

最终模型表现如何？1/N-Stacking模型2023~2025测试集平均AUC为87.8%，准确率为79.3%。以2025年测试集为例（统计强赎计数期首日落在2025年的样本）：整体准确率：在285只触发赎回条款的转债中，1/N-Stacking模型正确预测229只，准确率达80.4%；细分来看：强赎样本：134只中正确预测118只（召回率88.1%）；不强赎样本：151只中正确预测111只（召回率73.5%）。此外，从近期数据验证看：截至2026年1月13日，最近触发强赎的10只转债，其中8只在强赎计数首日即正确预警（精达转债、崧盛转债除外）。

3、结合预测模型的强赎转债博弈策略

尽管上述1/N-Stacking模型剔除了转股溢价率因子，但该指标仍是市场定价的核心观测维度。基于强赎预测模型结果与市场定价的差异，我们设计如下博弈策略：

策略逻辑：在强赎触发首日（1/N日）同步可获取：模型预测结果（概率≥50%为强赎，<50%为不强赎）、当日转股溢价率（阈值K%）

组合构建：1、不强赎博弈组合，筛选满足预测概率<50%且溢价率的转债，1/N+1~T+1日做多“不强赎博弈组合”。2、强赎博弈组合，筛选满足预测概率≥50%且溢价率>K%的转债，1/N+1~T+1日做空“强赎博弈组合”。

基于2023-2025年样本外测试，该博弈策略表现优异，博弈胜率较高：整体表现来看，当模型预测与市场溢价率出现背离时，策略胜率稳定在80%左右。对于极端背离组合：不强赎组合（概率<50%且溢价率<3%）：胜率达80.28%，收益中位数达4.85%（相比中证转债指数超额中位数3.12%）。强赎组合（概率≥50%且溢价率>10%）：正确规避率86.67%，规避损失中位数-8.42%。