市场回顾及展望
转债市场策略展望
几乎每一次估值调整，都伴随着所谓错杀机会。但在此之前，我们要先能够明确地描述调整的幅度、结构、次序。也已经有投资者表示，在如今300余支个券的市场里，看清估值变化已经是越来越难的事情——不妨，我们在此结合近期行情，简单分享一部分我们日常观察估值变化的一些工具，然后给出我们的建议。
相对而言最容易描述的是估值变动的幅度。我们在此前的报告中已经多次用过“百元溢价率”这一指标，即百元平价品种对应的溢价率水平。实际上作用类似（纵向可比性强且不必大批量地剔除样本）的还包括隐含波动率。在早期的报告中我们曾介绍过百元溢价率的基本逻辑：首先拟合平价-溢价率曲线，得到方程f(x)，其中x为平价，然后再将x=100代入。仍然沿用这个指标可以看到百元溢价率已经从月初的16.5%附近降至13.5%附近，其中小品种下滑幅度更高，而大品种似乎伴随着更大的分化。暂不谈分化，均值来讲，无论大、小盘品种，转债市场估值比2019年12月初高1%，相比2019年6月中旬高5%附近——市场相比更为绝对意义上的安全有一段距离，但相比于这轮行情的起点已经相差无几。
分化程度则只是一个副产品，我们直接引用的场合也相对较少。不过，当下确实处于历史级别的分化——如果有投资者愿意拿当下市场的分化度与2018年下半年相比，那么现在的分化程度已经高过当时。我们无法从中得到更多结论，但不难理解的是，这应当是出自机构行为。
当然，前述结论都源自对转债个券截面数据的回归。实现起来很容易，对算力的依赖也比印象中更低，程序逻辑如下。难度较低，在此不赘述。
# 程序逻辑：平价、溢价率曲线拟合
defdropWird(obj, date):
'''用来算估值的合理样本'''
codes = selByAmt(obj, date, {'ConvV':[50,150],'Ptm':[2, 6]})
t = obj.DB['Amt'].loc[date, codes] < \
(obj.DB['Outstanding'].loc[date, codes] * obj.DB['Close'].loc[date, codes] / 100.0)
t *= ~((obj.DB['Close'].loc[date, codes] > 130) * (obj.DB['ConvPrem'].loc[date, codes] > 30))
return list(t[t].index)
defregressionCBVal(obj, date, codes=None):
'''输出三个变量：拟合系数（c + bx + a/x）,百元溢价率以及拟合优度'''
ifnot codes:
codes = selByAmt(obj, date)
if len(codes) >= 5:
dfL = pd.DataFrame(index=codes)
dfL['ones'] = 1.0
for field in ('ConvV','ConvPrem'):
dfL[field] = obj.DB[field].loc[date, codes]
dfL.dropna(inplace=True)
dfL['x'] = dfL['ConvV'] / 100.0
dfL['1_x'] = dfL['x'].apply(lambda x: 1.0/x)
lr = LinearRegression(fit_intercept=False)
lr.fit(dfL.loc[:,['ones','x','1_x']], dfL.loc[:,'ConvPrem'])
return list(lr.coef_), sum(lr.coef_), lr.score(dfL.loc[:,['ones','x','1_x']],dfL.loc[:,'ConvPrem'])
else:
printu'样本不足'
returnNone,None,None
有时我们还希望看到估值变化的结构和次序。原理上并不难，但难在如何直观地显示出来。这里，我们的做法是：
1、先拟合一个曲线（如前述，例如f(x) = a + bx + c/x，下称曲线C0），然后计算转债个券溢价率与曲线C0的距离（h1，即垂直高度，溢价率– f(x)），并以此来区分转债估值的相对高低（第二步要用到这个数）；
2、按照估值和平价，将每个时间点的转债按照低、中、高估值，以及平价低、中、高分为9组（即3x3）。随后，我们要去处理得到这9组个券，在时间T至T+1的估值变化幅度（注意此时我们已经有h1数据）；
3、在T+1时间，利用此时的平价、溢价率数据，计算每只个券与曲线C0之间的距离（下称h2，注意用来计算距离的曲线仍然是C0，不是新计算的曲线）。那么对于每组个券，h2-h1即为这段时间该组转债估值上升或下滑的幅度。
下图的前两个函数为计算估值提升或压缩的幅度，后面三个则是对所涉及的个券进行分组，例如“23”意味着中等估值、高平价。
# 溢价率拉升或压缩的计量
defdistanceWithFx(obj, date, c=None,codes=None):
'''计算距离（溢价率相距曲线f(x) ）,c为曲线参数'''
if codes isNone:
codes = dropWird(obj,date)
if c isNone:
c, _ , _ = regressionCBVal(obj, date, codes)
srsRet = pd.Series(index=codes)
srsConv = obj.DB["ConvV"].loc[date, codes] / 100.0
srsRet = obj.DB['ConvPrem'].loc[date, codes] - c[0] - c[1] * srsConv - c[2] / srsConv
return srsRet
defdistanceMoving(obj, date1, date2, c=None, codes=None):
'''d1至d2的估值调整幅度 '''
if codes isNone:
codes = dropWird(obj,date1)
codes = list(set(codes).intersection(dropWird(obj, date2)))
if c isNone:
c, _, _ = regressionCBVal(obj, date1, codes)
return distanceWithFx(obj, date2, c, codes) - distanceWithFx(obj, date1, c, codes)
defdistanceGroup(srsDis):
'''估值分组'''
return (3 * srsDis.rank(pct=True)).apply(pd.np.ceil).apply(lambda x: str(int(x)))
defconvGroup(srsDis, obj, date):
'''平价分组'''
codes = srsDis.index
return (3*obj.DB['ConvV'].loc[date, codes].rank(pct=True)).apply(pd.np.ceil).apply(lambda x: str(int(x)))
deftheNineGroup(srsDis, obj, date):
'''为得到一个9分组的标签'''
srsRet = pd.Series(index=srsDis.index)
return distanceGroup(srsDis) + convGroup(srsDis, obj, date)
# 前述函数的具体应用：得到分组估值变化的表格
cols = ['11','12','13','21','22','23','31','32','33']
dfRet = pd.DataFrame(index=list(dfWhole.index)[:-1], columns=cols)
for d1, d2 in zip(list(dfWhole.index)[:-1], list(dfWhole.index)[1:]):
srsDis = distanceWithFx(obj, d1)
df = pd.DataFrame(index=srsDis.index)
df['dis'] = srsDis
df['grp'] = theNineGroup(srsDis, obj, d1)
df['mv'] = distanceMoving(obj, d1, d2)
dfRet.loc[d2] = df.pivot_table(values='mv',index='grp')['mv']
dfRet.columns = ["低估值债性","低估值平衡","低估值股性",
"中估值债性","中估值平衡","中估值股性",
"高估值债性","高估值平衡","高估值股性"]
如前所述，难度在于表达形式，我们一般利用可交互的热力图来观察。下图越偏冷色调，转债估值越处于压缩的状态，反之则为拉升状态。近三年的情况如下图所示:
当然，这只是一个概览式的图表，一些筛选后我们更容易看清楚当下市场发生了什么。比如，我们暂且屏蔽所有在21日个交易日内估值下滑不超过3%的样本点。
能看到的几个结论：
1、自然高估值组比低估值组容易出现大幅的估值调整，这也是为何投资者会发现高溢价买下的“正股是好股票”的转债，最终表现甚至很难跑赢指数——当然，它们普遍来讲波动会低一些；
2、即便是低估值组里，债性品种也相对更加不可靠，同理自然适用于中等估值组。而上图如果我们保留暖色，投资者还会看到，债性品种的估值反弹能力普遍也颇为有限。因此，即便历史上估值大幅调整的时刻，我们一般也不推荐债性品种——当然，这个问题主要出在正股上；
3、即便估值调整中，中低估值的股性品种也会被拖累，但一来它们的调整很短暂，二来它们的反弹能力也更强。此外，我们会将中等估值股性品种组作为一个重要的观察窗口，它们也开始受连累出现估值较快压缩时，则提示我们调整接近尾声——原理接近于股市上的“强势股补跌”当前没有这个信号，但看更具体的数值来说，差别也并不大。
此外，我们也在意转债估值的“分化机制”。例如类似下图的树状模型投资者可能已经看到我们用过多次，该图即转债估值决策树。当然这个模型上显示出的很多数据都是统计学习上的参数，投资者不必全部理解，但我们能从中看到，什么因素对转债估值产生影响。这里需要提示投资者的是：
1、以往的第一大决策因素是“转债上市时间”（也就是转债新旧的差异很大），但现在是对数流通市值，80亿元市值以内的公司很难得到高估值——最近的新券实际上估值已经够低，但这仍无法让上市时间超过市值成为第一大影响因子；
2、股权质押比例已经逐渐成为第二重要的指标——所有代表信用等级、资质的指标都未能进入这个决策树，相比之下市场开始更在意这个更加实际风险；
3、平价仍有区分度，即债性品种的估值要更高一些；
4、市场开始在意波动率。
这颗树的生成并不难，此前我们在研究分级A市场时曾手动构建了决策树，但如今sklearn库已经较为完善，我们在做好数据后直接调用即可。而在生成如上的图像时，我们利用graviz。以下是程序，投资者应注意的是其中的一些参数。（而dfFactor为一个dataframe变量，index为转债代码，columns为转债涉及的一些常用因子，如平价、规模、期限、正股市值、动量、波动率、分析师预期等等）
# 决策树生成的实现
from sklearn import tree
import graphviz
lstName = ["LOW","HIGH"]
lstFeature = ['VAL_LNFLOATMV','VAL_PEINDU_SW','VAL_PBINDU_SW','RISK_RESIDVOL252',
'ANNUALSTDEVR_24M','TECH_REVS60','TECH_REVS120','TECH_REVS250',
'ConvV','Ptm','SHARE_FROZEN','COMMEND']
clf = tree.DecisionTreeClassifier(max_depth=4, min_samples_leaf=15)
clf.fit(dfFactor[lstFeature].values, dfFactor['Grp'].values)
dot = tree.export_graphviz(clf, feature_names=lstFeature,
class_names=lstName,
filled=True, rounded=True, special_characters=True)
gr = graphviz.Source(dot.decode('utf-8'))
gr.view()
我们的结论：总地来说，我们认为虽然当下并没有看到标准的“估值调整完结”的信号，但可能已经很接近，我们建议积极地对待市场，此处应为机会。但我们仍不看好债性品种（无论估值档次），以往的经验看中等估值的平衡、股性品种，以及低估值的股性品种是此时重点关注对象。
当然投资者应该已经注意到市场比过去2年都更加“讲品质”，我们在年度展望以及前周周报中都有强调，尤其前周报告中有介绍刻画指标，建议参考。
一周市场回顾
转债/公募EB一级市场跟踪
本周新公告了两个转债预案，为宏发股份（20亿元）与江丰电子（5.2亿元）；证监会及交易所共受理两个转债预案，分别为中际旭创（30亿元）与晶科科技（30亿元）；万兴科技（3.79亿元）与震安科技（2.85亿元）过会；利民股份（9.8亿元）、彤程新材（8亿元）、伯特利（9.02亿元）、星源材质（10亿元）以及弘亚数控（6亿元）拿到核准批文。目前已核准发行个券33只，合计金额986.74亿元。已过会未核准个券12只，合计金额99.58亿元。
私募EB信息追踪
本周新受理顾家集团私募EB申请，正股为顾家家居，拟发行规模25亿元，主承为中信证券。天壕投资集团有限公司EB（3亿元）获反馈，山东鲁信投资EB（30亿元）获通过。
注
报告原文请见2020年12月25日中金固定收益研究发表的研究报告。
