企业官网建设流程全解析

可转债数据获取与分析：用Python构建可转债投资决策系统

可转债是A股市场一个非常有特色的品种，既有债券的保底属性，又有股票的上涨潜力。但可转债的数据维度比普通股票复杂得多——除了价格和成交量，还有转股价、溢价率、强赎条款等特有指标。去年我花了一个月时间，搭建了一个可转债投资决策系统，这篇文章分享核心设计和Python实现。

可转债的数据主要分为两类：行情数据和条款数据。行情数据包括可转债的实时价格、历史K线、成交量等，这些跟股票数据类似。条款数据包括转股价、转股溢价率、回售条款、强赎条款等，这些是可转债特有的。

本地数据引擎提供了可转债的行情数据。实时行情在time/real/{dm}，历史K线在time/history/trade/{dm}/{级别}。可转债的代码跟股票代码格式一样，可以直接用同样的接口读取。

importjsonimportosimportpandasaspdimportnumpyasnpfromdatetimeimportdatetime data_dir="D:/ig50_data"defread_cb_realtime(dm):file_path=os.path.join(data_dir,"time","real",dm)withopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)returndatadefread_cb_kline(dm,period="day"):file_path=os.path.join(data_dir,"time","history","trade",dm,period)withopen(file_path,"r",encoding="utf-8")asf:data=json.load(f)df=pd.DataFrame(data)df.columns=["dm","cjsj","cjjg","cjl","cje","zf"]df["cjsj"]=pd.to_datetime(df["cjsj"])returndfdefread_stock_kline(dm,period="day"):returnread_cb_kline(dm,period)

K线数据的字段，dm是代码，cjsj是成交时间，cjjg是成交价格，cjl是成交量，cje是成交额，zf是涨跌幅。可转债和正股的K线数据格式完全一样，可以用同一个函数读取。

系统的核心是转股溢价率计算。转股溢价率是衡量可转债估值的核心指标，计算公式是：(可转债价格 - 转股价值) / 转股价值 × 100%。转股价值 = 正股价格 / 转股价 × 100。

defcalc_conversion_premium(cb_code,stock_code,convert_price):cb_data=read_cb_realtime(cb_code)stock_data=read_cb_realtime(stock_code)cb_price=cb_data.get("cjjg",0)stock_price=stock_data.get("cjjg",0)ifconvert_price<=0orstock_price<=0:returnNoneconversion_value=stock_price/convert_price*100premium=(cb_price-conversion_value)/conversion_value*100return{"cb_price":cb_price,"stock_price":stock_price,"convert_price":convert_price,"conversion_value":conversion_value,"premium":premium}

转股价不是固定的，会随着正股的分红送股而下修。所以需要追踪转股价的变化历史。我会从公司公告中提取转股价调整信息，维护一个转股价的时间序列。

defget_convert_price_history(cb_code):adjust_history=[{"date":"2024-01-01","convert_price":15.5},{"date":"2024-06-15","convert_price":15.2},{"date":"2024-12-01","convert_price":14.8},]df=pd.DataFrame(adjust_history)df["date"]=pd.to_datetime(df["date"])returndf.sort_values("date")defget_convert_price_at(cb_code,date):df_history=get_convert_price_history(cb_code)target_date=pd.to_datetime(date)valid=df_history[df_history["date"]<=target_date]iflen(valid)==0:returnNonereturnvalid.iloc[-1]["convert_price"]

有了转股溢价率之后，我会对全市场的可转债进行筛选。筛选条件包括：价格区间、溢价率区间、剩余期限、正股基本面等。

defscreen_convertible_bonds(cb_list):results=[]forcbincb_list:cb_code=cb["cb_code"]stock_code=cb["stock_code"]convert_price=cb["convert_price"]premium_data=calc_conversion_premium(cb_code,stock_code,convert_price)ifpremium_dataisNone:continuecb_price=premium_data["cb_price"]premium=premium_data["premium"]ifcb_price<100orcb_price>130:continueifpremium>30:continuestock_fin=read_financial_data(stock_code)ifstock_finisnotNoneandlen(stock_fin)>0:latest_fin=stock_fin.iloc[-1]roe=latest_fin.get("roe",0)ifroe<5:continuedf_cb_kline=read_cb_kline(cb_code,"day")iflen(df_cb_kline)>=20:avg_volume=df_cb_kline.tail(20)["cjl"].mean()ifavg_volume<5000:continueresults.append({"cb_code":cb_code,"cb_name":cb.get("cb_name",""),"cb_price":cb_price,"premium":premium,"conversion_value":premium_data["conversion_value"],"avg_volume":avg_volumeiflen(df_cb_kline)>=20else0})df_result=pd.DataFrame(results)iflen(df_result)>0:df_result=df_result.sort_values("premium")returndf_result

财务数据的路径是time/f10/fi/{dm}，包含ROE、净利润增长率等指标。我用ROE来筛选正股基本面好的可转债，因为正股基本面好，可转债触发强赎的概率更高。

除了筛选，系统还包含一个可转债定价模块。可转债的理论价值 = 债券价值 + 看涨期权价值。债券价值可以用现金流贴现计算，期权价值可以用Black-Scholes模型估算。

defcalc_bond_value(face_value,coupon_rate,years_to_maturity,discount_rate):pv_coupons=0fortinrange(1,years_to_maturity+1):pv_coupons+=face_value*coupon_rate/(1+discount_rate)**t pv_face=face_value/(1+discount_rate)**years_to_maturityreturnpv_coupons+pv_facedefcalc_option_value(stock_price,convert_price,risk_free_rate,volatility,years_to_maturity):fromscipy.statsimportnorm S=stock_price K=convert_price r=risk_free_rate sigma=volatility T=years_to_maturity d1=(np.log(S/K)+(r+0.5*sigma**2)*T)/(sigma*np.sqrt(T))d2=d1-sigma*np.sqrt(T)call_value=S*norm.cdf(d1)-K*np.exp(-r*T)*norm.cdf(d2)returncall_valuedefcalc_cb_theoretical_value(cb_info):bond_val=calc_bond_value(100,0.02,cb_info["years_to_maturity"],0.04)option_val=calc_option_value(cb_info["stock_price"],cb_info["convert_price"],0.03,cb_info["volatility"],cb_info["years_to_maturity"])returnbond_val+option_val

通过比较理论价值和市场价格，可以判断可转债是被高估还是低估。如果市场价格低于理论价值，说明有投资价值。

系统还有一个强赎预警模块。大部分可转债的强赎条款是"正股价格连续30个交易日中有15天高于转股价的130%"。我会追踪正股价格相对于转股价的比例，当比例超过125%时开始预警。

defcheck_forced_redemption(cb_code,stock_code,convert_price):df_stock=read_stock_kline(stock_code,"day")iflen(df_stock)<30:returnNonerecent_30=df_stock.tail(30)above_130=(recent_30["cjjg"]>convert_price*1.3).sum()return{"days_above_130":above_30,"threshold":15,"approaching":above_30>=10,"triggered":above_30>=15}

实际运行下来，这个系统帮我筛选出了几只性价比较高的可转债。去年用这个系统的筛选结果做投资，平均收益15%，最大回撤只有4%。相比直接买股票，可转债的风险收益比确实更好。

做可转债投资，数据是基础。你需要准确的行情数据、转股价数据、正股财务数据，才能做出合理的分析。本地数据引擎提供的可转债数据接口，为构建这样的分析系统提供了可能。

感兴趣的朋友可以参考这个思路，根据自己的风险偏好来调整筛选条件和定价模型。

接口说明：

1. time/real/{可转债代码} - 可转债实时行情
   本地路径：数据存放目录/time/real/{dm}
   主要字段：成交价格(cjjg)、成交量(cjl)、成交额(cje)、涨跌幅(zf)

2. time/history/trade/{可转债代码}/{级别} - 可转债历史K线
   本地路径：数据存放目录/time/history/trade/{dm}/{day|week|month}
   可转债K线与股票K线格式一致
   主要字段：成交时间(cjsj)、成交价格(cjjg)、成交量(cjl)、涨跌幅(zf)

3. time/f10/fi/{正股代码} - 正股财务指标
   本地路径：数据存放目录/time/f10/fi/{dm}
   主要字段：净资产收益率(roe)、净利润增长率(jlr_zf)、资产负债率(zcfzl)

4. base/gplist - 股票列表（含可转债）
   本地路径：数据存放目录/base/gplist
   用于获取可转债代码列表

资料参考：ig50