导读

景气度、超预期和资金流等动量类策略，对于因微观交易结构恶化而导致的下跌没有规避能力；拥挤度是一种顶部择时类避险因子，可以弥补动量模型的不足。本篇报告我们从微观结构、波动率、流动性、相关性等多维度构建拥挤度因子，通过单因子测试和复合因子合成研究其在交易拥挤下跌风险规避中的作用。研究表明，拥挤度复合模型能够有效地规避交易拥挤下跌风险，相较原模型具有更好的行业配置能力：2011年初以来组合年化收益由18.56%提升为26.49%，相对市场基准的超额收益由12.98%提升为20.90%，组合最大回撤由49.28%下降为28.11%。

摘要

行业配置研究框架。证券市场受基本面、技术面、资金面和情绪面等多重因素共同影响，我们通过定量分析建模研究行业板块基本面、技术面、资金面和情绪面等多维度边际变化，优先配置行业景气度边际改善、机构资金持续净流入、市场微观结构健康的行业板块。

行业拥挤度因子分类。从行业指数量价特征和微观结构角度，构建了微观结构、波动率、流动性、相关性、乖离率以及分布特征等6类拥挤度因子。通过计算因子历史分位数的方法，构建了275个常规拥挤度因子；应用动量均线系统识别的方法，构建了275个改进的拥挤度因子。

行业拥挤度单因子测试。通过胜率与收益分析和参数敏感性测试，我们发现，相较常规拥挤度因子，应用动量均线系统改进的拥挤度因子交易拥挤下跌风险规避的准确度和效果均更好。其中收盘价波动率因子胜率为86.40%，负向收益为13.84%，超额年化收益为4.60%。我们选择波动率PrcVol_40_99A、换手率TurnoverRT_5_99A、收盘价峰度PrcKurt_40_99、量价相关系数PrcVolCorr_60_99A、金额价格相关系数PrcAmtCorr_60_99A以及兴登堡预兆HindenburgSqrt_20_99A等6个因子参与拥挤度复合因子合成。

行业拥挤度复合因子合成与测试。（1）拥挤度复合因子年化收益为11.62%，相对市场基准超额年化收益为6.09%，超额收益主要集中在市场大幅下跌阶段，超额回撤主要集中在2015年1月牛市阶段高点和2015年8月市场下跌反弹时期。（2）测试结果表明，拥挤度复合模型能够有效地规避交易拥挤下跌风险，相较原模型具有更好的行业配置能力：2011年以来组合年化收益由18.56%提升为26.49%，相对市场基准的超额收益由12.98%提升为20.90%，组合最大回撤由49.28%下降为28.11%。（3）拥挤度复合模型相对市场基准年胜率为100%，月胜率为67.14%，年度换手率均值为427%。

附录：原行业轮动复合模型因子定义及构建方法：（1）行业景气度模型。（2）业绩超预期模型。（3）北向资金流模型。

风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。

正文

在行业配置研究系列前四篇专题报告中，我们借鉴股票多因子研究框架，利用公司财务数据、分析师预期、北向资金等数据研究了行业景气度、业绩超预期和北向资金流等模型在行业配置中的应用。最终研究结果表明，行业景气度、业绩超预期以及北向资金流等模型具有较好的行业配置能力，行业轮动复合模型多头组合历史回测年化收益为19.22%，超额年化收益为12.29%。但这三类模型本质上都是动量类的策略，复合模型追求优先配置行业景气度边际改善、业绩超预期、北向资金持续净流入的行业板块，对于因市场微观交易结构恶化而导致下跌的行业板块没有规避能力，在市场交易拥挤时容易出现收益回撤较大的情况。

本篇报告我们从微观结构、波动率、流动性、相关性等多个维度识别交易拥挤行业，通过单因子测试和复合因子合成研究相关因子在交易拥挤识别与规避中的作用。研究结果表明，拥挤度模型能够有效地规避交易拥挤行业下跌风险，拥挤度复合因子相对市场基准的超额年化收益为6.09%。应用拥挤度的行业轮动复合模型年化收益率为26.49%，相对市场基准的超额年化收益率为20.90%，相对原复合模型的超额年化收益率为7.92%。

01行业配置研究框架

1.1 行业配置研究框架

我们认为证券市场是一个复杂系统，受基本面、技术面、资金面和情绪面等多重因素共同影响，不同时期影响市场运行的主导因素不一定相同，主要因素和次要因素在一定条件下可以相互转换。行业板块在基本面、技术面、资金面和情绪面等各维度可能出现共振，也存在相互约束的情形。我们通过定量分析多维度建模，研究各行业板块的基本面、技术面、资金面和情绪面等多维度的边际变化，优先配置行业景气度边际改善、机构资金持续净流入、市场微观结构健康、行业负面情绪较少的行业板块，并根据多维度边际变化动态调整组合行业配置。

证券市场估值与情绪存在极端悲观与极端乐观之间的周期往复运动，我们可以从微观交易结构角度解释市场的周期变化：

• 在市场持续、大幅下行时，随着悲观者持续抛出筹码、乐观者资金总量和资金成本优势逐步积累，市场风险实际上随着估值快速下降。随着市场多空力量对比逐渐翻转，此时持有资金的投资者都是潜在购买者，业绩、政策或资金任一方面的边际改善都可能成为市场反弹修复的催化剂。

• 在市场持续、大幅上行时，随着乐观者持续购进筹码、悲观者筹码总量和筹码成本优势逐步积累，市场风险实际上随着估值快速上升。随着市场多空力量对比逐渐翻转，此时持有筹码的投资者都是潜在抛出者，业绩、政策或资金任一方面不及预期都可能成为市场快速下行的导火索。

在行业配置研究系列前四篇专题报告中，我们研究了行业景气度、业绩超预期和北向资金流等模型在行业配置中的应用，但这三类模型本质上都是动量类的策略，对于因市场微观交易结构恶化而导致下跌的行业板块没有规避能力，在市场交易拥挤时容易出现收益回撤较大的情况。本篇报告我们从微观结构、波动率、流动性、相关性等多个维度识别交易拥挤行业，通过单因子测试和复合因子合成研究相关因子在交易拥挤识别与规避中的作用。

1.2 行业多因子研究流程

我们参考股票多因子模型研究方法论，将市场上所有上市公司依据所属行业分类（中信一级行业分类）划分为不同行业类别的公司集合，采用整体法或加权法，利用行业财务、资金与量价指标构造行业配置因子，探索有效的行业配置模型。行业多因子研究流程包括基础数据处理、行业因子合成、单因子测试、复合因子合成等步骤，详细内容参见行业配置系列深度报告《如何基于景气度构建行业轮动策略_行业配置研究系列01 _20220412》。

02 行业拥挤度因子分类

现有的行业景气度、业绩超预期和北向资金流三类模型本质上都是动量类的策略，对于因市场微观交易结构恶化而导致下跌的行业板块没有规避能力，我们试图从行业指数量价特征和微观结构角度研究拥挤度因子在交易拥挤状态识别与下跌风险规避中的作用。

2.1 行业拥挤度因子分类

我们从微观结构、波动率、流动性、相关性、乖离率以及分布特征等维度设计行业拥挤度因子，通过计算当前指标值在历史数据中所处分位数水平判断当前行业是否处于交易拥挤状态。具体因子类别如下：

• 微观结构因子主要包括描述行业个股分化程度的兴登堡预兆指标以及衡量行业指数连续上涨隐含风险的下跌能量指标。

• 波动率因子主要描述行业指数大幅波动对应的下跌风险。

• 流动性因子主要描述行业指数成交量、成交额与换手率等指标，可以通过流动性指标突增观察市场风险。

• 相关性因子主要描述行业指数价格与指数成交量、成交额、换手率等流动性指标之间走势相关性。

• 乖离率因子主要描述行业指数最新成交量、成交额、换手率等流动性指标与历史均值之间的偏离程度。

• 分布特征因子主要描述行业指数近期日收益率序列的分布是否偏离历史统计特征。

2.2.行业拥挤度因子说明

我们设计了微观结构、波动率、流动性、相关性、乖离率以及分布特征等行业拥挤度因子，通过计算当前因子值在历史数据中所处分位数水平判断当前市场是否处于交易拥挤状态，具体因子说明如下。

2.2.1 微观结构因子

微观结构因子包括描述行业个股分化程度的兴登堡预兆指标以及衡量行业指数连续上涨隐含风险的下跌能量指标。

1. 兴登堡预兆（Hindenburg Omen）

所谓“兴登堡预兆”是一套股市技术分析方法，它由一位美国盲人分析师米耶卡发明，并以兴登堡飞艇坠毁事件命名。该理论认为，正常情况下，当股市行至高点，多数股票应处于高位；股市跌至低位，多数股票应处于低位，这是股市常态。如果股市在高位盘整时，股价创出一年新高与创出一年新低的个股均达到一个较高比例，同时反映市场广度的麦克莱恩摆荡指标为负数时，显示市场可能正处于激烈分化之中，分化之后，市场可能出现大幅回落。

我们统计行业指数最近一个窗口期内创一年新高和一年新低的成分股数目，构造三类兴登堡预兆指标：HindenburgSqrt用来衡量行业成分股价格创一年新高和创一年新低的个股均比较高程度；HindenburgHigh用来衡量行业成分股价格创一年新高的个股数量占比；HindenburgDelta用来衡量行业成分股价格创一年新高个股数量减去创一年新低个股数量多少。

其中，Num指行业成分股数量；NewHighNum为最近窗口期价格创一年新高的行业成分股数量；NewLowNum为最近窗口期价格创一年新低的行业成分股数量。

2. 行业下跌能量

我们发现证券市场指数暴跌之前普遍存在价格暴涨现象，而且价格上涨并非匀速，在不同阶段股价的上涨速度不一样，距离风险爆发日越近上涨速度越快。具体特征如下：第一，当前股价已创出近期高点；第二，股价的上涨模式呈现指数型暴涨。我们可以通过指数函数刻画暴跌前的行业指数股价上涨特征，构建行业下跌能量指标。

2.2.2 波动率因子

2.2.3 流动性因子

一般来说行业板块持续上涨过程中随着市场情绪极度亢奋，行业板块成交量、成交额与换手率等流动性指标都会显著放大，出现天量成交现象，显示多空筹码大量交换、市场风险上升。我们通过流动性因子来衡量行业指数成交量、成交额和换手率的大小。由于日度流动性指标差异较大，我们采用窗口期数据平滑的方法计算日度数据。

2.2.4 相关性因子 

2.2.5 乖离率因子

2.2.6. 分布特征因子

分布特征因子主要描述行业指数最近窗口期日收益率的分布情况，可以 通过收盘价峰度和偏度两个指标观察行业指数日收益率分布是否存在异常。

2.3 行业拥挤度因子构建

我们计算当前行业拥挤度因子值在历史数据中所处分位数水平，通过与设定阈值比较，判断是否触发交易拥挤状态。具体构建方法如下:

• 依据窗口长度计算行业拥挤度因子值。各类因子窗口长度设定如下:

  1）波动率、相关性、分布特征等三类因子考察的是行业指数最近 一个时期的运行情况，窗口长度选择宜长短适中，我们分别选择 20、40 和 60 个交易日作为窗口长度;

  2）流动性和微观结构中下跌能量两类因子设置窗口期的作用主要是为了平滑单日数据差异，所以窗口长度设置宜偏短，我们分别选择 3、5 和 10 个交易日作为窗口长度;

  3）微观结构中兴登堡预兆类因子设置窗口期的作用主要是为了统计创一年新高、新低个股数目，由于单日创新高/新低个股数目历史区分度不够，我们统计窗口期内创新高/新低个股数目，分别选择 5、10和20个交易日作为窗口长度;

  4）乖离率因子主要描述行业指数最新成交量、成交额、换手率等流动性指标与历史均值之间的偏离程度，计算窗口长度设置不宜超过一年，我们分别选择 60、120、180和240个交易日作为窗口长度。

• 计算当前行业拥挤度因子值在历史数据中所处的分位数水平。具体方法如下:

  1）历史区间长度设定为 5 年，涵盖一个完整的牛熊周期;

  2）历史分位数阈值统一设定为85%、90%、95%、97%和 99%，因子值达到指定阈值后触发交易拥挤状态;

  3）因子所处历史分位数计算方向设定: 计算相关性和分布特征两类因子历史分位数时，因子值从大到小排序，因子值越小、所处历史分位数越高，代表市场风险越大;计算微观结构、波动率、流动性、乖离率其他类别拥挤度因子历史分位数时，因子值从小到大排序，因子值越大、所处历史分位数越高，代表市场风险越大。

• 交易拥挤状态判断：将行业拥挤度因子所处历史分位数与设定阈值比较，如果达到指定阈值则触发交易拥挤状态。我们可以用0/1信号量表示行业不处于/处于交易拥挤状态，触发交易拥挤状态也称为触发交易拥挤信号。

通过上述方法构建行业拥挤度因子，当行业拥挤度因子值达到或超过历史分位数阈值时，触发交易拥挤状态。我们可以通过“因子ID+窗口长度+历史分位数阈值”标志具体拥挤度因子，比如PrcVol_40_99表示当最近40交易日收盘价波动率所处历史（过去5年）分位数大于等于99%时，当前行业处于交易拥挤状态。

通过上述方法构建的行业拥挤度因子称为常规拥挤度因子，当行业拥挤度因子值达到或超过历史分位数阈值时，我们认定该行业触发交易拥挤信号。但处于交易拥挤状态的行业并不必然马上下跌，在乐观投资者资金推动下反而有可能继续上涨。针对这种现象，我们应用动量均线系统识别的方法筛选交易拥挤且微观交易结构恶化、下跌风险较大的行业板块。具体构建方法如下：

• 通过上述方法构建行业拥挤度因子并判断其是否触发交易拥挤状态。

• 对触发交易拥挤状态的行业板块，筛选最近一月收益率大于零的行业，我们认为最近一月收涨的交易拥挤行业后续下跌风险较大。

• 对触发交易拥挤状态且最近一月收涨的行业板块，我们通过均线系统判断其是否开始步入下跌趋势，我们认为处于交易拥挤状态的近期上涨行业开始下跌时，其后续下跌风险较大。

应用动量均线系统改进的交易拥挤度因子可以通过“因子ID+窗口长度+历史分位数阈值+A”标志，比如PrcVol_40_99A表示当最近40交易日收盘价波动率所处历史（过去5年）分位数大于等于99%、最近一月行业收益率大于零、当前已开始步入下跌趋势三个条件同时满足时，当前行业触发交易拥挤状态。

03行业拥挤度单因子测试

我们采用胜率与收益统计、参数敏感性测试、历史回测分析等方法测试行业拥挤度因子在规避交易拥挤行业下跌风险中的作用。

3.1 胜率与收益分析

我们统计行业拥挤度因子所处历史分位数达到设定阈值时（触发交易拥挤状态），未来一个月行业指数收益率均值、收益为负的胜率以及触发交易拥挤状态的次数。我们使用20个交易日代表一个月。胜率越高代表触发交易拥挤状态后一个月行业指数收跌的概率越大；负向收益率越高代表触发交易拥挤状态后一个月行业指数下跌幅度越大，说明拥挤度因子下跌风险规避效果越显著；触发次数越高代表触发交易拥挤状态越频繁。

整体看来，常规拥挤度因子触发交易拥挤状态的次数过多，对于交易拥挤行业下跌风险规避的准确度和效果并不显著。

从胜率与收益率角度分析，收盘价波动率类因子表现较好：40日收盘价波动率所处历史分位数达到99%时，未来一个月行业指数收跌的胜率为64.78%，负向收益率均值为7.96%。收盘价峰度、成交额与收盘价相关系数、收盘价偏度等类因子也有一定的下跌风险规避作用，但整体效果并不显著。

从触发次数角度分析，我们统计胜率超过50%的因子，发现触发交易拥挤状态的次数在1500到5000次之间，平均每个行业每年触发4.6到15.2次交易拥挤状态，交易拥挤状态触发次数过多、交易拥挤下跌风险规避准确度不高。

为解决常规拥挤度因子交易拥挤下跌风险规避准确度和效果不显著的问题，我们应用动量均线系统改进拥挤度因子，仅关注处于交易拥挤状态且微观交易结构恶化、下跌风险较大的行业板块。相较常规拥挤度因子，应用动量均线系统改进的拥挤度因子，触发交易拥挤状态的次数明显下降，交易拥挤下跌风险规避的准确度和效果显著增强。

从胜率与收益率角度分析，应用动量均线系统改进的收盘价波动率、换手率、收盘价峰度、成交量与收盘价相关系数、成交额与收盘价相关系数、兴登堡预兆等类因子交易拥挤下跌风险规避的准确度和效果均较好。其中40日收盘价波动率所处历史分位数达99%且通过动量均线系统筛选时，未来一个月行业指数收跌的胜率为86.40%，指数负向收益率均值为13.84%；5日换手率所处历史分位数达99%且通过动量均线系统筛选时，未来一个月行业指数收跌的胜率为87.18%，指数负向收益率均值为11.19%。

从触发次数角度分析，我们统计胜率超过60%的因子，发现触发交易拥挤状态的次数在50到500次之间，平均每个行业每年触发0.15到1.52次交易拥挤状态，交易拥挤状态触发次数较为适中、交易拥挤下跌风险规避准确度较高。其中40日收盘价波动率所处历史分位数达99%且通过动量均线系统筛选时，交易拥挤触发次数从2328次下降到272次；5日换手率所处历史分位数达99%且通过动量均线系统筛选时，交易拥挤触发次数从1364次下降到39次。

下文中统一采用应用动量均线系统改进的拥挤度因子进行单因子与复合因子测试。如无特别说明，下文中拥挤度因子均指应用动量均线系统改进的拥挤度因子。

3.2 参数敏感性测试

我们通过参数敏感性测试，分析不同窗口长度、历史分位数阈值以及收益观察区间长度设置下，拥挤度因子对于交易拥挤下跌风险规避的准确度和效果如何。具体统计指标包括不同参数设置下的因子收益率均值、收益为负的胜率以及触发交易拥挤状态的次数。我们对胜率与收益分析中表现较好的收盘价波动率、换手率、收盘价峰度、成交量与收盘价相关系数、成交额与收盘价相关系数、兴登堡预兆等6类因子进行参数敏感性测试。

历史分位数阈值方面，阈值设定越高，因子胜率与负向收益越高、交易拥挤状态触发次数越少。历史分位数阈值设置为99%时，各类因子同等参数下交易拥挤状态触发次数最少，整体因子胜率和负向收益最高。其中40日/60日收盘价波动率15/20/25/30/35日因子平均胜率为84%，负向收益均值为14%，触发次数均值为259次；3日/5日换手率20/25/30/35/40日因子平均胜率为84%，负向收益均值为12%，触发次数均值为32次。

窗口长度方面，因子最佳窗口长度与因子特性及窗口作用有关。收盘价波动率与峰度类因子考察行业指数最近时期运行状况，最佳窗口长度为40日；相关系数类因子考察量价相关性，最佳窗口长度为60日；换手率因子日度数据差异较大，数据平滑最佳窗口长度为5日；兴登堡预兆因子单日数据区分度不够，最佳统计窗口长度为20日。

收益观察区间方面，因子最佳收益观察区间长度为20或30日，超过30日因子胜率与负向收益逐步衰减，低于20日表现也不理想。综合考虑因子胜率与负向收益大小，收盘价波动率、换手率、收盘价峰度、成交量与收盘价相关系数、成交额与收盘价相关系数、兴登堡预兆的最佳收益观察区间长度分别为20/30、20/25/30、20/25/30、15/20、15/20、20日。为方便后续单因子历史回测及复合因子合成，我们将各类因子最佳收益观察区间长度统一设置为20日。

综上，按照“窗口长度+历史分位数阈值+收益观察区间长度”的形式，收盘价波动率、换手率、收盘价峰度、成交量与收盘价相关系数、成交额与收盘价相关系数、兴登堡预兆等6类拥挤度因子的最佳参数分别为“40+99%+20”、“5+99%+20”、“40+99%+20”、“60+99%+20”、“60+99%+20”、“20+99%+20”。

3.3 历史回测分析

行业拥挤度因子是一种顶部择时类避险因子，前面通过胜率与收益分析、参数敏感性测试我们发现PrcVol_40_99A、TurnoverRT_5_99A、PrcKurt_40_99、PrcVolCorr_60_99A、PrcAmtCorr_60_99A、HindenburgSqrt_20_99A等因子具有较好的交易拥挤下跌风险规避作用。

我们通过历史回测的方法，将组合中触发交易拥挤状态的行业剔除，测试基于上述6个拥挤度因子构建的行业组合能否有效规避下跌行业、获取超越市场基准的超额收益。市场基准指数采用剔除“综合”和“综合金融”后的中信一级行业指数等权合成，每月月底调仓。历史回测日期区间为2011年1月至2022年8月。基于拥挤度的回测框架如下：

• 整体思想：“月度调仓、实时监控、动态调整”。实时监控组合持仓，将触发交易拥挤状态的行业板块置换为现金仓位，在触发交易拥挤状态满20交易日后将现金仓位切换回行业持仓，或者在月底进行组合调整。

• 组合与市场基准：均采用剔除“综合”和“综合金融”后的中信一级行业指数等权合成，每月月底再平衡。

• 月度调仓：每月月底进行组合调仓，对于触发交易拥挤状态20交易日内的行业以现金仓位替代。

• 实时监控：每日实时监控行业是否触发交易拥挤状态，计算行业指数距离上一次信号触发日期的时间跨度。

• 动态调整：对于触发交易拥挤状态的行业持仓当日收盘前置换为现金仓位；对于触发交易拥挤状态20交易日内的行业继续以现金仓位替代；对于触发交易拥挤状态满20交易日的行业从现金仓位切换回行业持仓；月底组合重新调整。

上述回测框架支持相对不同比较基准的回测分析：通过与市场基准比较，测试剔除交易拥挤行业后，组合相对市场基准的超额收益；通过与原行业轮动复合模型比较，测试剔除交易拥挤行业后，组合相对原复合模型的超额收益。

基于拥挤度因子的组合相对市场基准的回测结果：

• 超额收益：6个拥挤度单因子相对市场基准均有超额收益，其中，收盘价波动率因子超额年化收益率为4.60%。

• 超额收益分布：拥挤度因子超额收益主要集中在市场大幅下跌阶段，其中，201506、201507、201601、202003、202109等月份超额收益较为显著。

• 超额收益回撤：除收盘价波动率和收盘价峰度因子外，其他因子超额回撤均在5%以内。2015年8月市场下跌反弹过程中，收盘价波动率因子规避了交易拥挤行业，导致超额收益短期回撤较大。

04行业拥挤度复合因子合成与测试

4.1 行业拥挤度复合因子合成与测试

我们采用单因子分步合成的方法，构建拥挤度复合因子，测试复合因子在交易拥挤下跌风险规避中的作用。具体方法如下:

• 候选因子选择：综合胜率与收益分析、参数敏感性测试以及历史回测分析结果，我们选择收盘价波动率PrcVol_40_99A、换手率TurnoverRT_5_99A、收盘价峰度PrcKurt_40_99、成交量与收盘价相关系数PrcVolCorr_60_99A、成交额与收盘价相关系数PrcAmtCorr_60_99A以及兴登堡预兆HindenburgSqrt_20_99A等6个因子作为候选因子。

• 复合因子分步合成：以第一个候选因子为起点，按照候选因子顺序每次叠加一个因子合成复合因子，测试叠加后复合因子相对叠加之前是否更优。如果绩效更优则保留该因子并继续测试下一个，否则跳过该因子并测试下一个。拥挤度因子叠加是指参与叠加的任一因子触发交易拥挤信号视为复合因子触发交易拥挤状态。比如复合因子2、复合因子3分别指由前2个候选因子和前3个候选因子叠加合成，以此类推。

• 复合因子历史回测：应用“3.3历史回测分析”中基于拥挤度的回测框架，测试拥挤度复合因子相对市场基准的超额收益情况。市场基准指数采用剔除“综合”和“综合金融”后的中信一级行业指数等权合成，每月月底调仓。历史回测日期区间为2011年1月至2022年8月。

拥挤度复合因子分步合成测试结果：

• 所有候选单因子均能提升之前组合绩效表现，候选因子1到6分步叠加后，组合相对市场基准的超额年化收益从4.60%稳步提升到6.09%；组合最大回撤从41.31%逐步下降到37.60%；信息比率从0.42稳步提升到0.52。

• 最终复合因子由6个候选单因子叠加合成，采用复合因子规避交易拥挤下跌风险后，组合年化收益率为11.62%，相对市场基准超额年化收益率为6.09%。

• 复合因子超额收益主要集中在市场大幅下跌阶段。其中，201112、201506、201508、201601、202003、202109、202204等月超额收益较为显著。

• 复合因子超额回撤主要集中在2015年1月牛市阶段高点和2015年8月市场下跌反弹时期。

4.2 基于拥挤度的交易拥挤行业统计

我们通过拥挤度复合因子识别交易拥挤行业，统计交易拥挤行业分布特征。统计日期区间为20110104到20220805，采用剔除“综合”和“综合金融”的中信一级行业分类。结果如下：

• 按日统计，从2011年初至今，有12.77%的交易日触发过交易拥挤信号，平均每4个交易日触发一次交易拥挤信号。

• 按月统计，从2011年初至今，有56.43%的月份触发过交易拥挤信号，平均每月有2.15个行业触发交易拥挤信号。

• 交易拥挤信号呈现集中分布特征，主要产生于2015年牛市高点暴跌、2016年初熔断、2020年3月疫情期间。其中，2015年6月、2015年7月、2015年8月、2020年3月、2015年12月分别有25、24、25、13、10个行业触发交易拥挤信号。除此之外，2011年11月、2013年8月、2014年12月、2015年1月、2021年3月、2021年9月、2022年4月等月份也有超过5个行业触发交易拥挤信号。

• 从最近一年交易拥挤信号行业分布来看，2021年9月中旬开始，钢铁、煤炭、石油石化、基础化工陆续触发交易拥挤信号；2021年10月中旬开始，电力及公用事业、消费者服务陆续触发交易拥挤信号；2021年12月上旬，电力设备及新能源、通信陆续触发交易拥挤信号；2022年4月中旬开始，农林牧渔、非银行金融、房地产陆续触发交易拥挤信号；2022年4月下旬开始，交通运输、食品饮料、消费者服务陆续触发交易拥挤信号；2022年6月底银行、7月初汽车触发交易拥挤信号。

4.3 应用拥挤度的行业轮动复合模型

我们将行业拥挤度复合因子应用于现有的行业轮动复合模型，利用基于拥挤度的回测框架，测试应用拥挤度的复合模型相对市场基准的超额收益情况。市场基准指数采用剔除“综合”和“综合金融”后的中信一级行业指数等权合成，每月月底调仓。历史回测日期区间为2011年1月至2022年8月。拥挤度复合模型相对市场基准的回测结果：

• 拥挤度复合模型年化收益率为26.49%，相对市场基准指数的超额年化收益率为20.90%；

• 拥挤度复合模型SHARP比率为1.15，信息比率为1.41；

• 拥挤度复合模型最大回撤为28.11%，相对市场基准超额收益最大回撤为22.24%。

我们将行业拥挤度复合因子应用于现有的行业轮动复合模型，利用基于拥挤度的回测框架，测试应用拥挤度的复合模型相对原复合模型的超额收益情况。原复合模型指基于行业景气度、业绩超预期和北向资金流等模型构建的行业轮动复合模型，具体参见“5.附录：原行业轮动复合模型因子定义及构建方法”。复合模型中剔除了“综合”和“综合金融”两个中信一级行业。历史回测日期区间为2011年1月至2022年8月。拥挤度复合模型相对原复合模型的回测结果：

• 拥挤度复合模型年化收益率为26.49%，相对原复合模型的超额年化收益率为7.92%；

• 拥挤度复合模型超额收益主要集中在市场大幅下跌阶段，其中，201112、201506、201508、201601、202003、202109等月超额收益较为显著。

• 拥挤度复合模型超额回撤主要集中在2015年1月牛市阶段高点和2015年8月市场下跌反弹时期。

4.4 应用拥挤度的行业轮动复合模型绩效分析

我们将行业拥挤度复合因子应用于现有的行业轮动复合模型，测试应用拥挤度的复合模型相对市场基准的超额收益情况。市场基准指数采用剔除“综合”和“综合金融”后的中信一级行业指数等权合成，每月月底调仓。历史回测日期区间为2011年1月至2022年8月。拥挤度复合模型年化收益率为26.49%，最大回撤为28.11%，SHARP比率为1.15，信息比率为1.41。

年度超额收益方面，拥挤度复合模型相对市场基准指数超额年化收益率为20.90%。组合相对市场基准年胜率为100%，超额收益前三的年份为2015、2017、2020，超额收益率分别为84.32%、29.59%、28.05%；超额收益后三的年份为2018、2022、2019，超额收益率分别为5.95%、8.09%、9.76%。

月度超额收益方面，拥挤度复合模型相对市场基准月胜率为67.14%，超额收益前三的月份为201601、201507、201412，超额收益率分别为18.85%、16.05%、13.01%；超额收益后三的月份为201505、202112、201803，超额收益率分别为-8.65%、-5.16%、-4.78%。

换手率方面，拥挤度复合模型年度换手率均值为427%，换手率前三的年份为2015、2021、2019，换手率分别为800%、680%、500%；换手率后三年份（2022年不满一年不参与统计）为2011、2013、2017，换手率分别为280%、300%、300%。

05附录：原行业轮动复合模型因子定义及构建方法

目前，行业轮动复合模型是我们借鉴股票多因子研究方法，基于景气度、超预期和北向资金流3个细分模型根据一定权重复合而成。未来随着我们研究的深入，将有更多细分模型加入其中。目前，各细分模型使用因子定义及构建方法简要说明如下：

5.1 行业景气度模型

我们通过财务质量、盈利能力和成长能力三类因子衡量行业景气度，基于正式财报、业绩预告和业绩快报共设计了108个因子，通过单因子IC测试与分组测试，筛选出3类8个因子合成行业景气度复合因子，具体因子含义及构建方法如下（详细内容见行业配置系列深度报告《如何基于景气度构建行业轮动策略_行业配置研究系列01 _20220412》和《如何使用业绩预告和业绩快报改进景气度行业轮动模型_行业配置研究系列03_20220611》）：

1. 财务质量类因子

1）客户议价力环比增量

客户议价力（ClientBarginPow），指行业对下游经销商或客户议价能力，高客户议价力代表行业对下游经销商或客户议价能力高、行业产品或服务竞争力强。客户议价力环比增量是客户议价力指标通过环比增量方式构建。

2）供应商议价力环比增量

供应商议价力（SupplyBarginPow），指行业对上游供应商议价能力，高供应商议价力代表行业对上游供应商议价能力高、行业竞争地位强。供应商议价力环比增量是供应商议价力指标通过环比增量方式构建。

2. 盈利能力类因子

1）销售净利率1单季同比增量

销售净利率（ROS），指行业扣非归母净利润/行业营业收入，可以衡量行业整体销售对应的净利润水平，高销售净利率代表行业产品服务销售获利能力强。销售净利率1单季同比增量是通过正式财报和业绩快报计算，采用单季指标同比增量方式构建。

3. 成长能力类因子

1）核心利润单季同比增长率

核心利润（CoreProfit），指行业公司营业收入扣除营业成本、税金、销管财三费等公司所得税扣减前的利润总和。与营业利润相比，核心利润剔除掉与公司经营无关的损益，可以更好地刻画公司实际利润水平。核心利润单季同比增长率是单季核心利润指标通过同比增长率方式构建。

2）归母净利润2单季同比增长率

归母净利润2（NetProfitOwner）2，采用业绩预告或业绩快报观察报告期时指行业公司归属于母公司股东的净利润之和；采用正式财报观察报告期时指核心利润（CoreProfit），即行业公司营业收入扣除营业成本、税金、销管财三费等公司所得税扣减前的利润总和。归母净利润2单季同比增长率是单季归母净利润2指标通过同比增长率方式构建。

3）预收款项同比增长率

预收款项（AdvPaym），指行业预收款项与合同负债之和，可以衡量行业产品服务竞争力和业绩保障程度高低，高预收款项代表行业下游经销商先打款后拿货等情况较多、产品服务竞争力和业绩保障程度高。预收款项同比增长率是预收款项指标通过同比增长率方式构建。

4）核心利润TTM同比增长率环比增量

核心利润TTM同比增长率环比增量是核心利润TTM同比增长率指标通过环比增量方式构建。

5）归母净利润2TTM同比增长率环比增量

归母净利润2TTM同比增长率环比增量是归母净利润2TTM同比增长率指标通过环比增量方式构建。

5.2 业绩超预期模型

我们通过对超预期因子进行单因子IC测试与分组测试，筛选出5类12个因子并按照等权加权合成北向资金复合因子，具体因子含义及构建方法如下，详细内容见报告《如何基于PEAD超预期因子构建行业轮动策略 ——行业配置研究系列02 _20220426》。

1. 盈余公告前后异常收益类因子

先计算盈余公告（正式报告、业绩预告、业绩快报）前N日至公告后M日的每日超额收益之和，然后自由流通市值加权得到行业因子。

1）公告后1天异常收益

2）公告后3天异常收益之和

3）公告后跳空

计算方法是股票业绩公告后t日的开盘价相对t-1日收盘价的收益率减去中证500的收益。

2. SUE类因子

使用分析师预期数据作为预期净利润的估计，计算个股1） 单季度归母净利润超分析师预期幅度，然后自由流通市值加权得到行业因子。

3. SUE衍生类因子

我们还使用ROE、ROA等财务指标替换公式中的净利润，计算标准化预期外ROE、标准化预期外ROA等SUE衍生因子。计算公式和方法与SUE因子相同。

1）标准化预期外单季度归母ROA-带漂移项

2）标准化预期外单季度归母ROE（TTM）

4. 券商/报告上下调比例类因子

使用分析师预测数据，计算个股过去N日分析师预测上调减去下调比例然后自由流通市值加权得到行业因子。

1）过去90日券商上调-下调比例

过去90日券商上调比例-下调比例=（上调家数-下调家数）/总家数。

2）过去180日报告上调-下调比例

过去180日报告上调比例-下调比例=（上调数-下调报告数）/总报告数

3）过去90日报告上调比例

过去90日报告上调比例=上调报告数/总报告数。

5. 预测调整类因子

5.3 北向资金流模型

我们通过对北向资金静态持仓、动态流入、流入增速、交易活跃度4类453个因子进行单因子IC测试与分组测试，筛选出3类6个因子并按照等权加权合成北向资金复合因子，具体因子含义及构建方法如下，详细内容见报告《如何基于北向资金构建行业轮动策略 ——行业配置研究系列03 _20220610》。

1. 动态流入类因子

1）北向资金60日净流入占市值比

使用北向资金近60个日净流入金额除以行业平均流通市值计算。

其中，行业平均流通市值等于行业内陆股通标的股当期和60个交易日前的平均流通市值。

2）北向资金120日正向净流入占市值比

使用北向资金近120日正向净流入金额除以行业平均流通市值计算。

其中，正向净流入金额为剔除卖出日期的行业净流入金额加总，行业平均流通市值同上。

2.  流入增速类因子

1）北向资金月净流入占市值比环比增速

使用北向资金月度净流入金额占市值比环比相减计算而得。

2）券商资金10日净流入占市值比环比增速

使用券商结算资金近10个交易日净流入金额占市值比环比相减计算而得。

3.  交易活跃度类因子

06风险提示

量化模型基于历史数据构建，而历史规律存在失效风险。