强赎预测再探

2026

联系人：谭逸鸣、刘宇豪

摘 要

在2026年01月14日发布的报告《转债策略研究：转债强赎的量化密码》中，我们构建了基于多因子机器学习的强赎预测框架。作为系列研究的延续，本文将对既有模型因子进行调整。同时探讨是否能对潜在触发强赎计数的转债做强赎预测。

强赎预测因子升级

我们在前期研究构建的六维因子框架基础上进行迭代升级：

针对条款因子，我们在原有0/1变量（如是否曾下修、曾不强赎）的基础上进行细化升级：1、将二元指标扩展为连续变量，包括累计下修次数和不强赎次数，以更精准反映发行人的条款执行特征；2、捕捉期限博弈：新增不强赎期限变化因子，计算发行人连续触发强赎后两次不强赎期限的差值，用于跟踪发行人强赎意愿的边际变化。从相关性分析来看，调整后的指标与强赎相关性得到提升，更为量化模型提供了更具区分度的预测特征。

市场表现因子，新增"近期成交量比"指标，为预判发行人强赎意愿提供了新的市场行为维度参考。该指标与强赎行为呈现显著正相关关系。随着成交量比的提升，转债强赎概率呈现明显的单调递增趋势。

强赎定价前移？

市场对强赎预期的定价呈现动态前移趋势。历史数据显示，市场在强赎计数第9日开始显著定价转债强赎预期。然而，随着市场学习效应的增强，定价时点或逐步提前：近三年中，2024、2025年整体仍与历史趋势一致，而2026年整体提前至第5日，部分转债甚至在未进入计数期时即被纳入市场博弈框架，投资者对强赎预期的前瞻性定价能力持续增强。

我们在前期研究中构建的1/N预测模型以转债进入强赎计数首日作为预测起点（转股价值≥130%触发线），具前瞻性优势。然而，针对转股价值接近但尚未触及强赎触发线的转债（如120%-130%区间），其潜在赎回倾向的预判同样具有重要实践价值。这促使我们思考：如何将预测窗口进一步前移，以捕捉转债从"潜在触发"到"实际触发"这一关键过渡期的特征变化？

鉴于现有指标体系（如财务指标、长期价格趋势等）多具中期稳定性特征，我们尝试将预测时点前移至首次触及强赎线前N个交易日，剔除尚处不赎回期的个券后，构建转股价值临近130但未达触发条件的模拟场景。沿用基于2018-2024年数据训练的1/N-Stacking模型进行预测验证。

模型效果如何？

测试结果显示，模型整体性能保持稳健。虽时点前移或致特征分布差异，但实测影响有限：当预测时点前移至强赎触发日前（1/N-2日），2026年AUC下降0.6pct，准确率微降1.1pct。模型差异化表现：强赎精确率下降2.3pct的同时，召回率提升2.4pct，显示预警覆盖更全面。

同时，若将观测时点提前至首次触及强赎线前5个交易日（1/N-5），模型对强赎个券的识别能力显著增强（召回率高达96.8%），但对不强赎个券的判别精度有所降低。这一结果表明，模型在更前瞻的预测场景下仍保持实用价值，尤其在强赎预警方面。

转股溢价率指标的取舍？基于前期研究结论，我们继续维持对转股溢价率指标的排除处理。虽然转股溢价率能够反映市场预期，但其与发行人强赎决策的直接关联性较弱。且回测表明，无论是在强赎触发早期阶段，还是在当前测试框架下，引入该指标均会导致模型预测性能的下降。

核心图表（完整图表详见正文）

风险提示：1）模型失效风险；2）模型拟合风险；3）流动性风险。

报告目录

在2026年01月14日发布的《转债策略研究：转债强赎的量化密码》中，我们基于多因子机器学习框架构建了强赎预测模型。作为系列研究的延续，本文将对既有模型因子进行调整。同时探讨是否能对潜在触发强赎计数的转债做强赎概率预测。

1

强赎预测因子升级

我们在前期研究构建的六维因子框架（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、公司治理特质）基础上进行迭代升级：

首先针对条款因子，我们在原有0/1变量（如是否曾下修、曾不强赎）的基础上进行细化升级：1、将二元指标扩展为连续变量，包括累计下修次数和不强赎次数，以更精准反映发行人的条款执行特征；2、捕捉期限博弈：新增不强赎期限变化因子，计算发行人连续触发强赎后两次不强赎期限的差值，用于跟踪发行人强赎意愿的边际变化。

从相关性分析来看，调整后的指标与强赎相关性得到提升，更为量化模型提供了更具区分度的预测特征。下修次数指标（18.09%）相比原曾下修指标（15.17%）具有更强的解释力，而不强赎次数指标（-30.64%）也较原曾不强赎指标（-29.24%）展现出更高的相关性。历史数据进一步验证了这一改进：2018年至今的样本显示，曾下修的转债强赎概率更高（强赎/不强赎比值达1.23）。进一步地，当下修次数划分为更多不同区间时，呈现清晰的单调递增规律——例如下修3次及以上的转债组别中，强赎/不强赎比值达2.0（10/5），显著高于整体水平。

作为与强赎负相关的指标，历史数据表明：有过不强赎记录的转债再次触发强赎条款时，继续选择不强赎的概率显著更高。具体来看，此类转债的强赎/不强赎比值仅为0.33。值得注意的是，当按过往不强赎次数划分为5个区间时，亦呈现明显的单调递减规律——在不强赎5次及以上的转债组别中，继续不强赎的比例高达84.4%（130/154），强赎占比则降至15.6%（24/154），对应比值仅为0.18。

不强赎期限变化因子虽然样本覆盖率较低（非空比例低），但一旦出现（即发行人连续两次调整不强赎期限），其差值变化具有显著预测价值——尤其是期限缩窄的情形。由于该因子仅在有过不强赎记录的转债中出现，其样本天然具有更强的不强赎倾向（整体强赎占比仅20.7%）。但关键在：当不强赎期限缩窄超1个月时，下次强赎概率大幅提升至44.4%，强赎/不强赎比值0.80，远高于期限延长超1个月时的对应比值（0.29）。这一规律为预判发行人强赎意愿转变提供了一定的参考依据。

其次对于市场表现因子，新增"近期成交量比"指标，该指标计算转债截面前4日成交量均值与前30日均值的比值。实证结果显示，该指标与强赎行为呈现显著正相关关系（相关系数19.36%）。分组分析进一步验证了这一规律：随着成交量比的提升，转债强赎概率呈现明显的单调递增趋势。具体而言，成交量比低于1（即未放量）的转债强赎比例较低（强赎/不强赎比值为0.39），而当成交量比达到5倍以上时，强赎概率显著提升（强赎/不强赎比值达1.68，样本中42/67转债选择强赎）。这一发现为预判发行人强赎意愿提供了新的市场行为维度参考。

此外，考虑到转债正股多集中于中小盘，我们尝试将原有市场表现因子中的基准指数从沪深300替换为中证2000。但实证结果显示，无论是因子相关性还是模型整体预测性能，这一调整均未带来显著提升，因此最终仍维持原有沪深300的基准设置。另一方面，前文所述的下修次数、不强赎次数等指标优化后强赎模型整体预测性能亦得到提升。

2

强赎定价前移？

市场对强赎预期的定价呈现动态前移趋势。历史数据显示，整体上市场在强赎计数第9日开始显著定价强赎与否的转债——不强赎转债的涨幅扩大，而强赎转债走势转弱。然而，随着市场学习效应的增强，定价时点或逐步提前：近三年中，2024、2025年整体仍与历史趋势一致（第9日分化），而2026年整体提前至第5日。年内来看，部分转债甚至在未进入计数期（如转股价值突破120时）即被纳入市场博弈框架，反映出投资者对强赎预期的前瞻性定价能力持续增强。

我们在前期研究中构建的1/N预测模型以转债进入强赎计数首日作为预测起点（转股价值≥130%触发线），这一设计确保了模型的前瞻性优势（例如市场定价通常从第9日开始）。然而，针对转股价值接近但尚未触及强赎触发线的转债（如120%-130%区间），其潜在赎回倾向的预判同样具有重要实践价值。这促使我们思考：如何将预测窗口进一步前移，以捕捉转债从"潜在触发"到"实际触发"这一关键过渡期的特征变化？

鉴于现有指标体系（如财务指标、长期价格趋势等）多具中期稳定性特征，我们尝试将预测时点前移至强赎触发前。具体方法上：以2025-2026年强赎触发案例为测试样本，将观测截面提前至首次触及强赎线前2个交易日（1/N-2），剔除尚处不赎回期的个券后，构建转股价值临近130但未达触发条件的模拟场景（2025年包含181只样本，转股价值均值122.63元；2026年73只样本，均值121.78元）。在此前瞻性测试框架下，继续沿用基于2018-2024年数据训练的1/N-Stacking机器学习模型进行预测验证。

测试结果显示，当预测时点前移至强赎触发日前（1/N-2日），模型整体性能保持稳健：2026年AUC仅下降0.6pct至68.2%，准确率微降1.1pct至67.9%。需注意的是，训练样本均基于强赎计数首日数据，而预测样本时点前移可能导致特征分布差异，尽管实测影响有限。

具体来看，模型展现出差异化表现：强赎精确率下降2.3pct的同时，召回率提升2.4pct，显示预警覆盖更全面。同时，若将观测时点提前至首次触及强赎线前5个交易日（1/N-5），模型对强赎个券的识别能力显著增强（召回率高达96.8%，仅1只强赎转债未被预警），而对不强赎个券的判别精度有所降低。这一结果表明，模型在更前瞻的预测场景下仍保持实用价值，特别在强赎预警方面展现突出优势。

转股溢价率指标的取舍？基于前期研究结论，我们继续维持对转股溢价率指标的排除处理。虽然转股溢价率能够反映市场预期，但其与发行人强赎决策的直接关联性较弱。回测表明，无论是在强赎触发早期阶段（如我们此前报告所述），还是在当前测试框架下，引入该指标均会导致模型预测性能的下降。这一现象可能源于市场预期与发行人决策逻辑的差异。因此，最终模型仍保持不含转股溢价率的指标体系。

3

模型最新预测

※风险提示

1、模型失效风险。模型构建基于可转债市场历史案例推演，如果市场基本面出现较大变化，或是发行人决策模式调整，模型可能会失效；

2、模型拟合风险。机器学习模型本身或存在一定的局限性，如过拟合、欠拟合问题。本文使用了多种方法进行模型优化和验证，但仍无法完全排除模型在实际应用中出现偏差的可能性；

3、流动性风险。部分可转债可能流动性较差，无法按照模型测算的时点与价位进行交易，存在流动性风险。

※研究报告信息

证券研究报告：《转债策略研究：强赎预测再探》

对外发布时间：2026年06月07日

报告发布机构：天风证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）

本报告分析师：谭逸鸣S1110525050005 ；刘宇豪S1110525080004