• 一体化行业轮动模型需涵盖动量、景气度和拥挤度三个核心维度，单一拥挤指标如换手率、配对相关性等存在识别局限，参数敏感且效果不稳定[page::0][page::1]。

- 换手率反映市场交易活跃度，高换手率组自2016年以来表现出未来负超额收益，具较好的风险预警价值。

• 下行波动率指标无法有效区分行业拥挤状态，高下行波动率组不表现为收敛的负超额，且波动率与行业价格涨跌相关联性复杂[page::6]。

• 配对相关性衡量行业个股同涨同跌的联动性，高配对相关性意味着行业过热或抛售，但因无方向性导致预测表现波动较大[page::6].

• 成交量乖离率在A股早期表现为看多信号（新增资金入场），但整体不适合刻画拥挤度[page::7]。

• 相对估值指标（以PB为基础）不适合衡量行业拥挤度，高估值行业在A股表现优异，估值并非行业未来回撤充分理由[page::7][page::8]。

• 资产集中度通过主成分分析股价协方差量度板块交易活跃度，A股行业资产集中度变化频繁，显示轮动节奏快但未很有效预测泡沫破裂[page::9]。

• 相对价值指标反映行业估值相对水平可变动，体现市场冷热板块分布，但与资产集中度联合应用在A股未能有效识别泡沫破裂阶段[page::10][page::11]。

• 以配对相关性替代资产集中度，结合换手率构建的新象限切分模型更符合A股泡沫特征，其中配对相关性代表泡沫存在，换手率识别泡沫破裂时间点，组合区分出非泡沫、膨胀、破裂四阶段[page::11][page::12]。

• 泡沫破裂组C表现明显跑输其他象限，年化收益率-3.5%，最大回撤64.4%；泡沫膨胀组B表现优异，年化收益率9.3%，最大回撤42.3%，较等权参考组表现提升[page::12]。

| 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% |

• 每月基于配对相关性与换手率划分拥挤行业数中位数为3个，部分月份无拥挤行业[page::13]。

• 将拥挤行业剔除后，结合开源金融工程团队行业轮动模型，年度累计超额收益提升约2%，剔除触发率71%，当月剔除收益正占比约66%[page::13]。

• 拥挤行业权重较小，单纯剔除拥挤行业的市场影响有限，建议结合动量等其他因子综合使用[page::13][page::14]。

- 结合动量与换手率拥挤度构建双因子筛选，高动量+低拥挤组合表现最佳，年化收益达18.8%，夏普比率0.72，最大回撤42.9%。此组合年化超额收益达10.7%，风险控制显著提高[page::14]。


| 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% |

报告名称与概览

报告名称： 《行业泡沫膨胀与破裂的识别——以“拥挤”之名》
作者与机构： 开源证券金融工程首席分析师魏建榕及开源证券金融工程团队
发布日期： 2021年12月26日（报告正文多处标注）
研究领域： 行业轮动模型、行业泡沫识别、投资者交易“拥挤度”分析，基于A股市场的经验研究
核心论点与目标：

• 识别行业泡沫的关键维度应包括动量（价格趋势）、景气度（基本面）和拥挤度（投资者交易热度）。

- 传统单一拥挤度指标（如换手率、配对相关性、估值等）存在参数敏感性和效果不稳定问题。

• 资产集中度与相对估值模型在欧美市场有效，但不完全适用于A股。

- 配对相关性与换手率结合的象限模型，更适合捕捉A股行业泡沫膨胀及破裂的动态，能实现风险规避和收益提升。

• 将拥挤指标纳入已有行业轮动模型，剔除拥挤行业，能带来显著年化约2%的超额收益提高。

逐章节详解

1. 引言及研究背景

报告从行业轮动模型应包含的三个维度出发，提出行业拥挤度作为影响泡沫识别不可忽视的因素。引述索罗斯观点比喻泡沫膨胀与破裂过程为“假象”的演绎，强调识别泡沫膨胀及破裂时点重要性。本文尝试通过多指标度量“拥挤度”及建立象限模型，用量化方法拆解A股市场泡沫膨胀与破裂的识别问题[page::0,1]。

2. 拥挤度代理变量的初筛与定义（Section 01）

报告选取换手率、下行波动率、配对相关性、乖离率和估值这五类量价指标作为衡量拥挤度的初步代理变量。

• 换手率： 反映市场交易热度。高换手率往往伴随市场情绪亢奋，但非必然导致回撤。示例中2021年采掘行业9月16日出现阶段性高点和换手率峰值后回撤，但8月20日高换手率时股价仍上涨，体现换手率指标敏感性与时滞特征[page::1,2]。

- 下行波动率： 捕捉极端下跌风险，相较总波动率理论上更聚焦下跌风险，但实测效果不佳，表明波动率同时在上涨拉动行情时也放大，导致指标失效[page::2,3,6]。

• 配对相关性： 反映行业内个股同涨同跌的联动强度，行业搬入资金增多时，beta属性占优，个股联动增强，但缺乏方向性，表现出波动较大预测能力有限[page::3,6,7]。

- 乖离率（价格及成交量）： 价格乖离表示股价偏离均值的程度，高乖离度屡示市场情绪过热，但实际测试中成交量乖离并非拥挤的良好代理，因为成交量放大可能是资金持续流入的信号[page::3,7]。

• 估值： 以PB衡量相对估值水准。报告指出高估值未必导致下跌，A股市场对高估值板块容忍度较高，如新能源，被动演出“贵则涨”的怪象，估值作为拥挤指标失效[page::3,7,8]。

此外，报告详细说明指标去量纲处理及时间窗口选取，采取历史分位点法及两步标准化法消除量纲和行业差异，采用指数加权衰减贴近最新信息，保证指标稳定同时敏感[page::4,5]。

图1、2、3、4、5详解：

• 图1展示采掘行业2021年股价与换手率关系，换手率高峰往往预示可能回撤，但有滞后性。

- 图2比较波动率与下行波动率走势一致性，表明二者大部分时间同步。

• 图3展现不同板块换手率水平差异，科技板块明显换手率高于金融、周期，强调指标间的行业特性差异。

- 图4示范指数加权后分位点和标准化指标走势接近，验证去量纲方式合理性。

• 图5显示高相对换手率组在2016年后产生负超额收益，支持换手率作为拥挤指标的作用。

3. 各拥挤度代理变量回测分析（Section 3）

• 换手率： 120日窗口定义累积半年视角，高换手率对应未来表现较弱，代表高拥挤度的风险信号，有较好稳定的预测力（图5）[page::5,6]。

- 下行波动率： 效果不佳（图6），表明市场波动率高时不一定呈现下跌，增强体系应谨慎采用。

• 配对相关性： 有反向预测能力，但表现不太稳定（图7），指标本身无涨跌方向信息，是其难点。

- 成交量乖离率： 不能良好刻画拥挤，成交量放大有时伴随行情上扬（图8）。

• 相对估值指标： 高估值行业反而表现优异，反对传统估值泡沫风险认知（图9），反映A股估值不敏感特征。

总体看，单一代理指标存在不足。

4. 代理变量融合与象限法应用（Section 04）

继承学术文献《Crowed Trades: Implications for Sector Rotation and Factor Timing》的资产集中度和相对价值框架，将行业分为四象限（非泡沫-泡沫膨胀-泡沫破裂-非泡沫）。资产集中度衡量市场交易活跃度（波动及共性），相对价值反映估值与历史均值的偏离，以此捕捉泡沫膨胀及拐点。

• A股行业资产集中度（图10）波动频繁，体现激烈且快节奏轮动，与美股市场的稳定性不同[page::8,9]。

- 相对估值指标（图11）较好反映行业热度变化（例：农林牧渔因“猪周期”、周期板块走势），时序性较强[page::9,10]。

• 象限划分（四象限方法，图示见图12）结果与美股显著不同，泡沫破裂组反而表现最好，泡沫膨胀组表现平平，显示传统模型在中国市场的失败或失效（图12、13）[page::10,11]。

- 原因分析：A股市场对估值相对不敏感，资产集中度对交易热度刻画不足，估值升高反映投资热度持续，导致论文模型代理变量适用性差[page::11]。

改进尝试： 替换资产集中度指标为配对相关性，替换相对价值指标为换手率，二者均具备较好风险预测能力和时序逻辑（见煤炭行业案例图14、15）[page::11,12]。

• 配对相关性高表示泡沫存在（行业内个股联动增多），但方向不明，能够判断泡沫存在且持久性长。

- 换手率在泡沫膨胀时上升，在泡沫破裂时快速下降，有助于提前识别泡沫破裂信号。

采用配对相关性+换手率的象限划分，能够明显区分泡沫膨胀与破裂组（图16），验证了模型修正有效[page::12]。

• 泡沫破裂组C表现最差（年化收益率-3.5%，最大回撤64.4%），泡沫膨胀组B表现最好（年化收益率9.3%，最大回撤42.3%），均优于等权参照组（年化7.1%，最大回撤51.5%）（表1）[page::12]。

5. 拥挤度指标的实战应用（Section 5）

• 月度拥挤行业数中位为3个，最大5个（图17）[page::13]。

- 将拥挤行业剔除应用在开源金融工程已有轮动模型上，剔除触发率71%，剔除后当月超额收益66%为正，累积超额收益率提升约16%，年化超额提升2%（图18）[page::13]。

• 全市场剔除拥挤行业收益改善不明显，因行业权重分散，拥挤行业权重总量少、贡献有限。

结合行业动量（简化为最近一个月涨幅）与拥挤度形成双因素筛选模型，发现在双维度的框架下效果更佳（图19、表2）[page::14]：

• 高动量+低拥挤组合表现最优，年化收益18.8%，最大回撤42.9%，夏普0.72。

- 对冲组合（高动量低拥挤减低动量高拥挤）年化超额收益达10.7%，最大回撤7.1%，表现更稳健。

图表深度解读

从整体图表分析可总结：

• 图1-2: 揭示换手率和波动率的有效性与局限性，换手率虽为直观市场热度指标，但滞后性明显。

- 图3-5: 行业间换手率差异显著，去量纲标准化处理后指标稳健性提升。

• 图6-9: 验证不同拥挤度代理变量的有效性，换手率和配对相关性较优，下行波动率、成交量乖离、估值表现不佳。

- 图10-13: 资产集中度与相对价值指标在A股灵敏度过高、稳定性不足，导致象限划分失效，泡沫破裂组表现异常。

• 图14-16: 替换为配对相关性+换手率的指标组合改善显著，符合泡沫膨胀和破裂的理论划分，预测性能提升。

- 图17-19: 拥挤行业数量统计与模型实战表现，实证剔除拥挤行业提升年化超额收益，结合动量筛选优势更明显，实现了收益与风险的有效平衡。

估值分析

本报告聚焦于行业泡沫识别，不涉及传统估值方法（如DCF等），但引用了相对PB估值指标作为相对价值的代理变量，发现其在A股市场不适用，部分原因是A股对高估值的宽容度及估值高度反映行业景气度与投资热度，导致估值作为拥挤代理变量失效。

资产集中度基于主成分分析和协方差矩阵分解来测量系统性波动，在美股市场表现良好，但A股多变的行业轮动节奏影响其稳定性和预测性。报告改用配对相关性代替资产集中度，更简洁且更符合A股特点。

风险因素评估

报告特别指出模型基于历史数据，未来市场环境若发生重大变化，历史规律不再适用，风险显著增加。此外：

• 拥挤度指标参数设定（如窗口期、分位数阈值）可能对结果产生较大影响。

- 拥挤行业剔除策略在极端市场行情下效果或会弱化。

• 单一指标存在失效概率，必须组合使用才能较稳定判断泡沫状态。

- A股市场特异性较强，理论模型需本地化调整，跨市场推广存在风险。

审慎视角与细节

• 报告多次强调传统拥挤度指标在A股表现不佳，充分展现其严谨的实证态度，避免理论套用。

- 标明模型尚有不足，暗示未来可能结合更多维度完善拥挤度指标。

• 使用工业案例（采掘行业）具体剖析配对相关性和换手率有效性，增强说服力。

- 但由于配对相关性无方向性，在实际操作中还需配合多种组合，说明模型仍有改进空间。

• 数据集主要覆盖2014~2021年，样本点评估结果需关注数据停止点之后的市场延续性。

- 风险提示清晰，蓄意不夸大模型效果，保持科学态度。

结论性综合

本报告通过详尽的实证分析，说明“拥挤度”是行业轮动和泡沫识别中不可或缺的维度，单一指标难以准确捕捉拥挤风险。资产集中度与相对估值这套成熟的美股模型，在A股市场效果有限，主要因市场对估值容忍与行业轮动节奏快。替代性地，配对相关性与换手率的组合指标能够准确区分泡沫膨胀与破裂阶段，预测未来行业表现的分化。通过构建四象限模型实现了风险控制与收益增厚。将拥挤度纳入行业轮动模型，有效剔除高拥挤行业，显著提升年化超额收益率约2%。进一步结合动量指标筛选，策略表现优异，最大回撤显著降低。

整体来看，报告结合严谨的数据处理与本土市场特性，系统地提出了一套切实可行的行业泡沫识别与轮动优化框架，具有重要实操价值和理论贡献。

---

全文主要图表清单（含解读）：

| 图号 | 内容 | 主要结论 |
|---|---|---|
| 图1 | 采掘行业换手率与股价关系 | 换手率高峰预示风险但有滞后 |
| 图2 | 波动率与下行波动率走势 | 大致同步，部分时间差异 |
| 图3 | 不同行业换手率差异 | 科技行业换手高于金融周期 |
| 图4 | 两种去量纲指标走势对比 | 指标敏感度合理，去量纲有效 |
| 图5 | 高换手率组收益表现 | 2016后换手率高组表现差 |
| 图6 | 高下行波动率组表现 | 失效较多 |
| 图7 | 高配对相关性组表现 | 反向预测能力有限波动大 |
| 图8 | 成交量乖离率表现 | 非拥挤度良好代理 |
| 图9 | 高相对估值行业表现 | 高估值组跑赢基准，违背预期 |
| 图10 | A股行业资产集中度热力图 | 行业资产集中度变化频繁 |
| 图11 | 相对价值指标热力图 | 能较好反映行业行情热度 |
| 图12 | 资产集中度与相对价值划分象限收益 | 泡沫破裂组表现优于泡沫膨胀组，违背预期 |
| 图13 | 高分组行业数敏感性测试 | 更多只选行业数收益更强 |
| 图14 | 柴采掘行业配对相关性与采掘指数 | 配对相关性可预测泡沫存在 |
| 图15 | 柴采掘行业换手率与指数 | 换手率预测破裂时点 |
| 图16 | 新指标组合象限切分收益 | 明显区分泡沫膨胀与破裂组表现 |
| 图17 | 每月拥挤行业数分布 | 平均剔除3个行业 |
| 图18 | 剔除拥挤行业后轮动模型超额收益 | 提高约2%年化收益 |
| 图19 | 动量与拥挤双因子筛选表现 | 高动量低拥挤组最优 |

---

参考标注

根据报告各正文页码标识，本分析中引用分别带有 [page::x] 以示出处，确保后续的文字源头追溯准确。

报告