拥挤度代理变量初筛与评测 [page::3][page::7][page::8]

• 选取换手率、下行波动率、配对相关性、乖离率和估值水平等指标尝试刻画行业拥挤度。

- 换手率作为市场交易热度的直观体现，高换手率组未来表现趋于跑输，提示高换手率行业潜在风险。

• 下行波动率表现不佳，未能有效预测拥挤度。

- 配对相关性衡量行业内个股联动性，高配对相关性反映资金追逐行业共性风险，但未完全区分上涨或下跌阶段。

传统资产集中度与相对价值指标在A股表现不佳 [page::10][page::12][page::13]

• 资产集中度能反映行业波动性及交易热度，适合判断泡沫存在与否，但A股行业资产集中度变动频繁，轮动节奏较快。

- 相对价值指标能体现行业冷热变化，泡沫膨胀期相对价值上升，破裂期下降，但在A股高估值行业反而表现强势，与理论不符。

• 象限分类法中，泡沫破裂组C在A股反而硬跑赢，说明两指标组合不适合A股泡沫破裂判别。

结合配对相关性与换手率构建改进的拥挤度指标 [page::14][page::15]

• 配对相关性替代资产集中度更好地反映A股行业交易热度，换手率表现出色可准确判断泡沫破裂时点。

- 基于配对相关性和换手率的四象限分类法，能稳定区分泡沫膨胀（收益最好）与泡沫破裂（收益最差）阶段。

• 泡沫破裂组年化收益率-3.5%，最大回撤64.4%；泡沫膨胀组年化收益率9.3%，最大回撤42.3%。

| 分组 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 月度胜率 |
|------------|------------|------------|----------|----------|----------|
| 非泡沫组 A | 7.7% | 24.2% | 0.32 | -49.0% | 57.6% |
| 泡沫膨胀组 B | 9.3% | 23.5% | 0.39 | -42.3% | 51.8% |
| 泡沫破裂组 C | -3.5% | 29.3% | -0.12 | -64.4% | 45.9% |
| 非泡沫组 D | 5.6% | 27.2% | 0.21 | -60.4% | 50.6% |
| 等权参照组 | 7.1% | 24.3% | 0.29 | -51.5% | 55.3% |

拥挤度指标在行业轮动模型中的应用效果 [page::15][page::16]

• 以开源证券行业轮动模型为例，剔除拥挤行业后年化超额收益提升约2%，剔除动作触发率71%，正超额收益率66%。

- 全市场均剔除拥挤行业效果不佳，主因为拥挤行业权重占比低，影响有限。

动量与拥挤度结合筛选策略表现优异 [page::16][page::17]

• 结合行业动量与拥挤度（换手率为拥挤代理）构建双因子月度调仓策略。

- 高动量+低拥挤组合年化18.8%，最大回撤42.9%，明显优于等权基准。

• 对冲组合夏普1.13，年化超额收益10.7%，风险水平大幅下降。

| 分组 | 年化收益率 | 年化波动率 | 夏普比率 | 最大回撤 | 胜率 |
|----------------|------------|------------|----------|----------|--------|
| 低动量+低拥挤 | 5.6% | 23.9% | 0.23 | -50.1% | 55.8% |
| 高动量+低拥挤 | 18.8% | 25.9% | 0.72 | -42.9% | 65.1% |
| 高动量+高拥挤 | 4.4% | 28.1% | 0.16 | -61.6% | 43.0% |
| 低动量+高拥挤 | 5.2% | 26.6% | 0.20 | -56.9% | 51.2% |
| 等权参照组 | 7.3% | 24.4% | 0.30 | -51.5% | 55.8% |
| 对冲 | 10.7% | 9.5% | 1.13 | -7.1% | 65.1% |

金融研究报告详尽分析与解读

---

一、元数据与概览（引言与报告概览）

• 标题：行业泡沫膨胀与破裂的识别：以拥挤之名

- 作者：金融工程研究团队，首席分析师魏建榕及分析师张翔、傅开波、高鹏等

• 发布机构：开源证券研究所

- 发布日期：2021年12月27日

• 研究主题：行业泡沫的识别与量化方法研究，聚焦于行业“拥挤度”指标的构建、测试及应用，尤其针对中国A股市场的特征进行适配和实证检验。

核心论点与主要信息

本报告旨在解决如何有效识别行业泡沫膨胀及其破裂的时点问题。作者主要观点为：

• 单个指标较难精准刻画“拥挤度”，呈现效果不齐，且参数敏感；

- 参考国外文献采用资产集中度与相对价值指标的双变量模型对泡沫进行象限划分，但该模型不适用于A股市场；

• 配对相关性和换手率这两个指标更符合A股泡沫识别需求，能够较好地区分泡沫膨胀和破裂阶段；

- 纳入“拥挤度”指标后的行业轮动模型，能有效提升策略表现，年化收益提升约2%；

• 风险提示指出模型基于历史数据，未来市场可能发生变化，需谨慎应用。

作者想传达的主要信息在于从“拥挤”这一角度切入，通过多指标融合和本土化改进，有望实现泡沫周期的有效识别，辅助资本市场行业配置和风险管控策略优化。[page::0,3]

---

二、逐节深度解读

1. 拥挤度代理变量初筛

1.1 换手率

换手率衡量市场交易活跃度，反映市场交易热度和情绪的直观指标。行业换手率持续上升通常预示市场关注度及投机热情升温，可能临近价格阶段高点。换手率的计算采取行业内成分股换手率按流通市值加权的形式：

$$
indk = \frac{\sumi^n wi tri}{\sumi^n wi}
$$

其中$wi$为个股流通市值权重，$tri$为该股换手率。报告中特别以2021年采掘行业为例，展示换手率高点往往先于股价高点出现，存在阶段性领先效果（图1）[page::3,4]。

1.2 下行波动率

下行波动率针对收益负向部分计算波动率，更加聚焦于极端下跌风险。通过计算历史收益率低于均值的部分波动率来量化。但测试中发现其和传统波动率走势高度接近，且并未表现出比波动率更优的拥挤度代理效果（图2）。这主要是因为波动性无论上涨或下跌都会放大，不可单纯以下行波动率捕捉“拥挤”特征。[page::4,5]

1.3 配对相关性

行业内个股两两之间收益的相关性均值，反映行业资金无差别买卖带来的共涨共跌特征。配对相关性升高意味着资金更倾向于系统性或行业性共同行为，行业“拥挤度”升高。其公式为：

$$
corrk = \frac{2}{n(n-1)} \sum{i=1}^n \sum{j=1, i \ne j}^n corr(ri, rj)
$$

其中$ri$和$r_j$为股票超额收益序列。作者指出配对相关性虽有一定反向预测能力，但无方向性限制（高关联不区分涨跌），因此单独使用预测效果存在不足（图7）[page::5,8,9].

1.4 乖离率

乖离率刻画当前价格相较于移动均线的偏离幅度，乖离率过高反映短期获利盘压力大，可能诱发回调。报告尝试成交量乖离率（当日成交量与均值的偏离）来反映行业资金流向。实测结果表明成交量乖离并不适合作为拥挤指标，反而在2020年前表现为做多信号，表明放量更多代表新增资金介入而非风险信号（图8）[page::5,9].

1.5 相对估值

使用PB比率衡量行业估值水平，溢价部分被视作潜在泡沫的信号。然而A股数据显示高估值行业反而稳定跑赢基准，形成“贵而持续”的局面。此现象与A股高估值包容度与高景气行业持续受追捧的市场行为相符，体现A股市场对于高估值的独特容忍度（图9）[page::5,9,10].

2. 数据预处理

针对不同行业指标量级差异，报告提出采用历史分位点法及两步标准化法进行去量纲处理。两者均对指标数据进行时间序列和横截面上双重标准化，令指标具有可比性。采用指数加权赋予近期数据更高权重以平滑波动。经测试，两种方法效果高度一致，决定以加权历史分位点为后续指标计算主方法（图4）[page::6,7].

3. 拥挤度代理变量测试

基于去量纲指标，作者以月度频率回测高拥挤行业是否在未来出现相对跑输（负超额表现），测试结果如下：

• 换手率：高换手率组从2016年开始持续跑输低换手率组，验证换手率作为拥挤代理的有效性。（图5）

- 下行波动率：高下行波动率组表现不理想，无法稳定识别行业拥挤与回撤风险。（图6）

• 配对相关性：高配对相关性组在2021年开始表现出一定预测反转能力，但整体波动较大。（图7）

- 成交量乖离率：不适合作为风险指标，更多反映资金流入。（图8）

• 相对估值：高估值板块反而表现优异，体现A股独特估值行为。（图9）[page::7–10].

4. 拥挤度代理变量融合

4.1 资产集中度

借鉴国外方法，资产集中度通过行业收益率协方差矩阵的主成分分析衡量行业间的交易热度和泡沫存在性。A股的行业资产集中度变动频繁，反映行业轮动节奏快且行情持续能力弱（图10）[page::10,11].

4.2 相对价值

该指标基于行业PB的标准化相对估值，捕捉泡沫从膨胀到破裂的转折点。A股调整参数后，相对价值能够较好映射行业的冷热，观察到农林牧渔、采掘等行业明显通道（图11）[page::11,12].

4.3 象限切分及验证

以资产集中度和相对价值两指标划分行业四个象限：

1. 低资产集中度+低相对价值（非泡沫A）

2. 高资产集中度+低相对价值（泡沫膨胀B）

1. 高资产集中度+高相对价值（泡沫破裂C）

4. 低资产集中度+高相对价值（非泡沫D）

测试结果显示，泡沫破裂组C业绩反而较好，与国外文献相反，反映A股高容忍估值与轮动节奏快的特性，且资产集中度难以刻画A股活跃度（图12，13）[page::12,13].

4.4 代理变量修正为配对相关性和换手率

基于以上不足，作者以配对相关性替代资产集中度，换手率继续用作热度指标。以2021年采掘行业为例，配对相关性高且在价格下跌初期持续高位，换手率高位后快速回落，符合泡沫破裂伴随交易活跃度下降的特征（图14，15）[page::14].

利用这两个指标划分四象限，结果符合预期：泡沫破裂组C显著跑输市场，泡沫膨胀B组表现最好。年化收益率与最大回撤显著改善（图16、表1）[page::15].

5. 拥挤度的实践价值

5.1 拥挤行业剔除效果

拥挤行业数量中位数为3个。剔除拥挤行业后，在开源团队现有行业轮动模型中，触发频率为71%，剔除后超额收益为正比例约66%，年化超额提升约2%（图17，18）[page::15,16].

全市场28个等权行业中剔除拥挤行业效果不明显，原因在于权重较小导致剔除带来的效应有限。

5.2 将拥挤度纳入行业轮动多因子模型

拥挤度指标加入动量因子筛选。动量以近1个月涨跌幅衡量。组合按拥挤度和动量高低4个象限划分。实证显示高动量+低拥挤组合收益最佳，2017年后高动量高拥挤组合表现下降，市场抛弃过热高动量策略（图19、表2）[page::16,17].

---

三、图表深度解读

【图1】采掘行业2021年9月16日，股价与换手率同创新高，后续阶段性的下跌（图1展示K线与换手率曲线同步顶峰），指示换手率高点为潜在泡沫破裂的先行指标。

> 【图2】食品饮料行业波动率对比示意。蓝色为整体波动率，红色为下行波动率，整体趋势一致但关键时点差异体现下行风险特征，表明下行波动率虽更聚焦下跌风险，但与传统波动率走势较为贴合。

【图3】不同行业平均换手率柱状图显示，金融、周期板块换手率明显偏低，显示行业特质显著影响交易热度，因此需要去量纲方法消除行业异质性。

> 【图4】换手率的两种去量纲标准化处理走势相近，证实技术可行性并为指标比较提供基础。

【图5】相对换手率最高的行业组合表现出从2016年之后的持续负超额，验证换手率与高拥挤风险关联紧密。

> 【图6】高下行波动率组未来超额收益未见一致降低，示波动率并非高效拥挤代理。

【图7】配对相关性高组有反向预测能力，收益表现波动剧烈，说明其强关联性伴随不同股价方向可能导致预测不稳定。

> 【图8】成交量乖离率高组反倒表现优异，不适作拥挤负面信号。

【图9】高相对估值组获得持续超额收益，反映高估值行业持续吸引资金，A股高估值惯性明显。

> 【图10】A股行业资产集中度热力图，红色高峰较频繁变动，显示行业轮动快，资产集中度波动显著。

【图11】相对估值热力图表现出多个行业周期性冷热更替，指示指标能反映行业阶段性波动。

> 【图12】资产集中度和相对价值象限划分中，泡沫破裂组C收益意外最佳，与美股世界相反。

【图13】随着泡沫破裂组C纳入行业数量变少，其未来超额收益反而下降，证实指标适用性局限。

> 【图14】采掘行业K线与配对相关性走势示例，配对相关性在价格上涨及初期下跌均保持高位，表现为泡沫存在信号。

【图15】采掘行业换手率与价格走势，价格下跌伴随换手率回落，呈现破裂后市场冷却特征。

> 【图16】配对相关性与换手率联合作为泡沫阶段划分指标，成功划分出盈亏显著不同的象限，泡沫破裂组C跑输明显。

【图17】2014-2021年每月拥挤行业数量波动，中位数3个行业。

> 【图18】剔除拥挤行业后策略收益提升曲线，叠加回撤和对冲比率，模型表现改善明显。

【图19】引入动量因子后的双因子切分，显示高动量+低拥挤组组合优势显著，图示累计超额收益领先其他分组。

以上图表系统地佐证了核心指标的有效性和A股市场特殊性，重点见证了换手率和配对相关性组合在泡沫识别的关键作用。[page::4–17]

---

四、估值分析

报告未直接展开市盈率或现金流折现（DCF）等传统估值法，而主要聚焦于相对估值指标的应用（基于PB），配合资产集中度和配对相关性等风险衡量指标构建了行业泡沫的识别体系。

• 资产集中度通过主成分分析行业收益协方差矩阵提取市场集中风险；

- 相对估值基于行业PB比率归一化处理衡量行业估值相对高低；

• 配对相关性反映行业内资金共振程度；

- 换手率作为交易活跃度的量化指标，反映交易热度。

融合模型测算了泡沫膨胀与破裂的阶段，评估指标有效性并应用于行业轮动与风险剔除。

估值部分更多侧重于相对估值的历史分位应用，并理解其在A股高估值持续市场中的局限性；代之以配对相关性与换手率的使用体现风险视角与交易行为量化的创新。[page::5,10–15]

---

五、风险因素评估

报告明确指出：

• 模型基于历史数据，未来市场结构、投资者行为可能发生变化，导致模型失灵；

- A股市场估值机制与发达市场不同，导致部分指标（如资产集中度和相对价值）的适用性受限；

• 有限的历史时序样本和参数设定敏感性可能影响结果的稳健性；

- 行业拥挤定义的阈值与选择带来策略应用时的操作风险；

• 市场跨期滞后与结构跳变可能加剧模型预警的时效问题。

报告没有针对具体风险提供缓解措施，但依托多指标融合和本土特征调整已体现风险控制意识。[page::0,17]

---

六、批判性视角与细微差别

• 研究带有明显的A股市场本土化调适痕迹，充分体现中国市场估值容忍度与资金行为与外国市场的差异，客观但也限制了研究的跨市场通用性；

- 资产集中度与相对估值指标理论框架与国外文献一致，但A股应用失效体现样本选择和市场结构差异，突出市场异质性问题；

• 配对相关性和换手率的引入体现对市场交易数据更敏感的改进，但也带来一定指标噪音，部分走势的波动性较大，指标的稳定性和阈值选择需要后续深挖；

- 模型重点关注月度回测表现，未见对更短期信号或高频数据的探讨，存在一定滞后风险；

• 报告强调剔除拥挤行业带来的收益提升，但实际操作中行业权重分散导致剔除效应有限，组合构建需谨慎权衡；

- 对乖离率、成交量乖离率等指标的否定，符合实证但未探讨这些指标在特殊市场环境或极端情绪下的辅助价值；

• 在策略评估中，风险调整收益指标（夏普比率）及最大回撤均被详尽考量，体现全面风险收益视角。

整体上，报告结构严谨，实证扎实，细节处理体现专业性，但仍需关注指标稳定性和适用范围的限制。[page::0–17]

---

七、结论性综合

本报告以“拥挤”作为切入点，系统评估了多种拥挤度代理指标在识别行业泡沫膨胀及破裂时点的效用，融合并本土化改良了国外理论模型，提出了适合中国A股市场特点的泡沫识别办法。

• 单个指标（换手率、配对相关性、乖离率、估值等）表现各异，均存在明显局限；

- 国外经典的“资产集中度+相对价值”模型在A股失效，泡沫破裂组反而表现最好，反映市场对估值高容忍和快速轮动特征；

• 采用配对相关性代替资产集中度，辅以换手率刻画交易热度，模型能够有效识别泡沫阶段，泡沫破裂组出现负超额收益且波动加大，泡沫膨胀组则表现最好；

- 结合实际行业轮动模型，剔除基于该拥挤度识别的拥挤行业，显著提高了年化超额收益率约2%，并降低最大回撤，提升了策略风险调整表现；

• 纳入动量因子与拥挤指标双因子模型，进一步强化了行业选股效果，表现出高动量低拥挤组合的显著优势；

- 图表系统明晰展示了指标表现、行业阶段划分及实证收益效果，辅助理解和策略应用；

• 报告忠实反映A股市场特殊状态及其与全球成熟市场的显著差异，强调需基于本土经验调整海外理论模型；

总体，报告确立了拥挤度指标在中国A股行业泡沫识别和行业配置中的战略价值，明确了换手率与配对相关性作为核心驱动指标的实证优势，为风险控制与泡沫管理提供了量化工具。同时，警示市场结构差异可能带来的局限与未来风险。

---

参考页码标注

所有结论均涵盖以下页码：[page::0,1,3–17]

---

总结

本报告通过详实实证分析和方法论框架解构，完整阐述了“行业拥挤度”在泡沫识别中的理论与实务应用，凸显了配对相关性和换手率在中国A股环境下的优越表现，克服了传统资产集中度和相对估值指标的局限，显著提升行业轮动模型的收益与风险表现，为量化投资策略设计和风险管理提供了有力支撑。

报告