由表及里——转债择券为何需要转向非线性框架？
　　2023年以来，国内利率中枢、权益风险偏好、转债估值水平及外部冲击均经历多轮切换，转债定价逻辑逐渐由单一估值修复或流动性驱动，转向“正股弹性、转债估值、条款博弈、行业景气”共同作用的复杂阶段。在此背景下，传统线性多因子模型中“单一因子改善—组合收益提升”的传导链条有所弱化，因子之间的交互关系、阈值效应和市场状态依赖特征更加突出。相比之下，XGBoost模型能够在不预设固定线性关系的基础上，识别转股溢价率、价格、YTM、正股动量、波动率、流动性及条款进度等多维变量之间的复杂关系，因此更适合当前转债市场非线性定价环境下的择券需求。
　　推陈出新——因子体系从数量扩展走向质量优化
　　本篇报告在此前XGBoost转债择券模型基础上，对因子体系和训练框架进行再优化。因子库由原有19个指标扩展至41个，并筛选其中26个核心因子用于模型训练，样本区间覆盖2016年1月至2026年5月29日。新因子体系在保留YTM、隐含波动率、平底溢价率等传统有效指标的基础上，进一步补充了转债5日、6-20日、21-60日动量以及转债相对正股动量等交易型变量，同时细化强赎进度、下修进度等条款类指标，使模型能够更好刻画估值、价格、动量、风险、流动性、正股属性和条款事件之间的非线性关系。从单因子结果看，YTM仍具备稳定横截面预测能力，转股溢价率、隐含波动率和平底溢价率延续较强解释力，转债相对正股动量则进一步增强了模型对转债超涨或滞涨状态的识别能力。
　　精筛窗口——3.5年训练样本表现更优
　　为确定更适配当前市场环境的训练样本长度，我们以1年为起点、5年为终点，并以6个月为步长进行滚动窗口测试。结果显示，训练窗口过短时模型容易受到短期行情扰动影响，训练窗口过长时则可能因历史环境与当前定价逻辑差异较大而稀释因子有效性。综合比较9组训练窗口后，3.5年滚动训练窗口在收益弹性、风险控制和市场适配性之间表现最优。2020年1月2日至2026年5月28日期间，该窗口下模型最终净值达到6.78，累计收益达到577.52%，说明其既保留了足够样本信息，又较好适应了近年来转债市场定价逻辑的变化。
　　落地检验——多约束回测验证模型有效性
　　在月度调仓框架下，XGBoost模型构建的无约束组合相较主要市场指数展现出较强收益优势，其中Top20组合年化收益率达到19.66%，年化超额收益率达到12.96%，且2024年以来各年度表现均较为稳健。进一步加入价格、信用和条款约束后，模型仍具备较好的可执行性。剔除130元以上高价转债后，组合年化收益率达到19.90%，波动和回撤较无约束组合有所收敛；剔除评级低于A+标的后，组合年化收益率仍达到18.10%，说明模型收益并非完全来自信用下沉；但剔除未来20日内可能触发下修、强赎和回售的标的后，组合收益有所下降，表明条款事件并非单纯风险来源，也可能在特定市场环境下贡献收益弹性。因此，条款风险更适合结合正股趋势、价格位置和市场环境进行动态判断，而非简单剔除。
　　综合来看，优化后的XGBoost转债择券框架在因子体系、训练窗口和组合约束层面均具备较强扩展价值。无约束组合更适合作为模型原始择券能力和候选券池生成工具；规避高价组合更适合稳健型资金；规避低评级组合则更适合信用风险约束较强的投资人。
　　风险提示：1）模型训练窗口和参数设置可能与未来市场环境不完全匹配的风险；2）因子口径处理和数据统计可能存在误差的风险；3）市场风格快速切换或极端事件冲击可能导致模型阶段性失效的风险；4）转债信用风险、条款风险、流动性风险和交易成本可能影响组合实际表现的风险；5）历史回测结果不代表未来收益的风险。