请务必阅读正文后的声明及说明 Table_Info1 证券研究报告 Table_Title 金融工程研究报告 基于 量价视角的 行业 拥挤度 指标框架 - 行业轮动系列 (三 ) 报告摘要： Table_Summary 进行行业拥挤度的研究，是因为在行业的配置中收益持续累积，盈利的筹码被抛售套现的概率也就逐步提升，从而导致 beta 收益空间的被进一步压缩。 在报告的实证过程中， 我们发现行业处于高拥挤度环境中并不一定立刻出现较 为显著的区间趋势反转，但高拥挤度环境中往往意味着风报比表现不佳，资金的有效利用率下滑 。 我们将拥挤度因子按照构造原理分为三类： 1） 趋势跟踪类拥挤度因子： 价格乖离率，均线发散度，支撑压力线发散度。 2）趋势跟踪类补充拥挤度因子： 换手率、市值加权 csad指标、 大小单相关关系、超小单量能以及量价相关性。 3）行业间比较类因子： 行业超额收益偏度、行业成交占比。 高拥挤度环境中往往意味着风报比表现不佳，资金的有效利用率下滑，直观的认为 拥挤度因子是否越低越好，答案也是否定的。从 量价的 构造原理上看，在行业指数下跌的情况下相对拥挤度也是逐步降低的，单单从低拥挤的角度去判断，是存在过早进场的风险。 理想状况下，我们应该选择那些 行业自身趋势良好且拥挤度尚可的行业， 兼顾趋势与拥挤度 。 我们在这里选取了拥挤度排名前 N 的行业来进行回测，可以发现高拥挤度行业组相对 于行业等权组合的累积超额收益情况基本保持负值，初步印证了高拥挤度对于超额收益的空间挤压还是比较显著的。回测时间从2016 年至 2022 年 6 月，前 5 拥挤行业组累积超额收益 -38%，前 8 拥挤行业组累积超额收益 -26%。前 10 拥挤行业累积超额收益 -14%。 我们选择 行业动量 与拥挤度复合因子进行等权构建行业组合，配置标的选择中信一级行业进行回测，剔除综合与综合金融行业，回测时间从2016 年至 2022 年 5 月 30 日，最终组合年化收益 15.15%，相对行业等权组合超额 12.48%。 风险提示： 宏观数据、政策变化风险，模型失效风险 Table_Date 发布时间： 2022-08-04 Table_Invest 涨跌幅（ %） 1M 3M 多头 组合 -5.87% 7.16% 相对 基准 -6.11% 5.35% Table_Report 相关报告 今朝不似昨朝寒 -东北金工 2022年中期策略报告 -20220704 东北金工：行业生命周期 &动态估值下的成长价值选股 -20220516 东北金工双月报：资产表现回顾及市场展望 -20220502 东北金工：均衡配置或为现阶段主基调 -20220425 东北金工 如何构造更加“灵活”的基金组合？ -20220315 Table_Author 证券分析师：王琦 执业证书编号： S0550521100001 021 61002390 wangqi_ 研究助理： 李严 执业证书编号： S0550120080039 13929520462 liyan_ 0.511.522.533.52 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2多头 基准 请务必阅读正文后的声明及说明 2 / 23 Table_PageTop 金融工程研究报告 目 录 1. 引言 . 4 1.1. 为什么要进行行业的拥挤度研究？ . 4 1.2. 怎样的去理解拥挤度？ . 4 1.3. 报告中我们发现了怎样的问题？ . 4 2. 是怎样通过量价指标来 刻画拥挤度的？ . 4 2.1. 价格的乖离率 . 5 2.2. 行业均线发散度 . 6 2.3. MIKE 指标支撑压力线相对强弱 . 8 2.4. 行业相对市场超额收益偏度 . 10 2.5. Mkt-Csad 指标 . 11 2.6. 价格交易量相关性 基于 OBV 能量潮指标的应用 . 12 2.7. 换手率 . 13 2.8. 单行业的成交占比 . 14 2.9. 大小单的协同关系 . 15 2.10. 超小单量能 . 16 3. 基于量价的拥挤度指标回测效果怎么样？ . 17 3.1. 高拥挤度行业表现 . 17 4. 实际中怎样定位和使用拥挤度指标的方式 . 18 4.1. 使用方式及指标现象理解 . 18 4.2. 实际回测结果 . 20 4.3. 样本外情况统计 . 20 5. 总结 . 21 6. 风险提示 . 21 请务必阅读正文后的声明及说明 3 / 23 Table_PageTop 金融工程研究报告 图表目录 图 1：主要拥挤度因子一览 . 5 图 2：有色金属价格乖离率原始因子与有色金属行业指数对比 . 6 图 3：价格乖离率指标高拥挤环境下行业的未来超额收益变动 . 6 图 4：行业指数部分走势图示 . 7 图 5：有色金属均线发散度原始因子与有色金属指数走势对比 . 7 图 6：均线发散度指标高拥挤环境下行业的未来 超额收益变动 . 8 图 7：有色金属行业 MIKE 指标 . 9 图 8：有色金属行业 MIKE 指标发散度原始因子值与行业走势比较 . 10 图 9： mike 指标发散度高拥挤环境下行业的未来超额收益变动 . 10 图 10：有色金属超额收益偏度因子与有色金属指数走势对比 . 11 图 11：超额收益偏度指标高拥挤环境下行业的未来超额收益变动 . 11 图 12：有色金属 mkt_csad 因子原始值与有色金属指数走势对比 . 12 图 13： mkt_csad 指标高拥挤环境下行业的未来超额收益变动 . 12 图 14：有色金属行业 obv 能量潮与价格相关关系原始因子值与行业走势比较 . 13 图 15： obv 能量潮价格相关关系指标高风险环境下行业的未来超额收益变动 . 13 图 16：有色金属行业换手率 (平滑 )与价格相关关系原始因子值与行业走势比较 . 14 图 17：换手率指标高拥挤环境下行业的未来超额收益变动 . 14 图 18：有色金属行业行业成交占比指标原始因子值与行业走势比较 . 15 图 19：成交占比指标高拥挤环境下行业的未来超额收益变动 . 15 图 20：有色金属大小单成交量相关关系指标原始因子值与行业走势比较 . 16 图 21：有色金属小单成交占比指标原始因子值与行业走势比较 . 16 图 22：大小单相关关系指标高拥挤环境下行业的未来超额收益变动 . 17 图 23：排名前 N 拥挤行业的历史表现情况 . 17 图 24：剔除前 5 拥挤行业的等权组合历史表现情况 . 18 图 25：复合拥挤度指标与指数走势对比分析 . 19 图 26：拥 挤度因子分组回测结果 . 19 图 27：策略回测结果 . 20 表 1：剔除拥挤行业后等权组合表现及对比 . 18 表 2：动量 &拥挤度复合策略表现 . 20 表 3：样本外策略情况统 计 . 20 请务必阅读正文后的声明及说明 4 / 23 Table_PageTop 金融工程研究报告 0 1. 引言 1.1. 为什么要进行行业的拥挤度研究？ 我们进行行业拥挤度的研究，是 因为 在行业的配置中收益持续累积，盈利的筹码被抛售套现的概率也就逐步提升，从而导致 beta收益空间的被进一步压缩。 在报告的实证过程中，我们发现行业处于高拥挤度环境中并不一定立刻出现较为显著的区间趋势反转，但高拥挤度环境中往往意味着风报比表现 不佳，资金的有效利用率下滑 。在高拥挤度环境中，依靠博弈依旧有获利的可能，但是难度相对来说较大，本报告中我们认为在行业配置层面，更倾向于对于高拥挤度环境进行规避风险的操作，保证确定性的收益落袋为安。 1.2. 怎样的去理解拥挤度？ 从交易的视角，在上升的趋势中，由于市场的观点达到某种程度的同一 ，此时各类型资金共同推动趋势来进行延申， 多方力量强于空方力量。但是由于不同交易者的风险偏好不同，当盈利的逐步累积下，部分低风险偏好者更倾向于止盈 ，此时空头的力量随着趋势的上行而逐步累积。当相对前期的交易者盈利达到相当高的积累，也意味着空方 的潜在力量逐步积蓄完毕。当多空双方力量达到动态平衡节点之时，也 意味 双方的博弈来到了最激烈的时刻，此时往往意味着交易层面的热度达到了高点。这个动态平衡的阶段往往不是一个价格点而是一个价格区间，我们希望去评估当下时间是否进入了这个动态平衡的价格区间，从而采取相应的交易行为来规避风险。同样，下行趋势中也可用该逻辑进行解释。 1.3. 报告中我们发现了怎样的问题？ 在理解拥挤这一情况时，我们就可以感受到交易拥挤是一个相对的概念，而不是一个绝对的概念，所以我们在参考当下时点是否拥挤时是需要寻找参考系的，这也带来了 问题。我们用常见的均线系统来举例，当趋势性行情来临之际，实际价格 会普遍偏离均线的走势，即显著高于 /低于原有一段时间筹码的平均价格。我们采用过去一段时间价格走势，用均值回复的想法来看待当下偏离过大的价格时，就存在 过早离场 或者过早进场 的风险，从而导致收益空间的压缩。我们在这里并不是否认均线系统参考的有效性，只是面对较为极端的行情时由于缺乏足够多的参考系，从而产生 误导性参考 的状况。我们在这里采用不同的视角去构建拥挤度因子的目的，也是希望各类型的因子在趋势跟踪拥挤度因子类预警 时能有更多的参考系，进而综合判断当下时点的行业配置情况。 量价因子的使用中会涉及到诸多参数的情况，我们在这里尽量的规避多参数以及样本内参数过度优化的问题 。 我们在因子的构造中，无法避免使用的参数为因子构建的量价数据时间区间长度，以及原始因子构造完毕后，为了能行业间比较进行去量纲处理的时间区间长度。 2. 是怎样通过量价指标来 刻画拥挤度的？ 我们在这里列举不同类型的描述拥挤度因子，同时进行展示因子原始值与行业指数走势的对比，及高拥挤度的情况下未来行业相对于全市场的超额收益。 请务必阅读正文后的声明及说明 5 / 23 Table_PageTop 金融工程研究报告 图 1：主要拥挤度因子一览 数据来源：东北证券 ， Wind 2.1. 价格的乖离率 指数的交易量与原有趋势的背离，往往能够指示出指数原有的走势与交易量的错位。在上行 /下行趋势的过程中， 如果出现 交易量相对于原有交易量级别的回缩，那么指数趋势的延续就无法得到原有交易量趋势的配合， 该阶段可能就指示出该趋势的无法延续。无论是 阶段性回调 还是趋势的彻底反转，遇到交易量的级别型调整，我们都将重新观察指数的下阶段走势。价格指标同理。 这里指标计算方式采用 ：每日收盘价 / 过去 n日均线 -1 请务必阅读正文后的声明及说明 6 / 23 Table_PageTop 金融工程研究报告 图 2：有色金属价格乖离率原始因子与有色金属行业指数对比 数据来源：东北证券 ， Wind 图 3：价格乖离率指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.2. 行业均线发散度 在描述价格运动的趋势之时，我们经常会观察长短均线的交叉信号来判断入场、离场的时机。同样的想法进行逆向的考虑，长短均线的离差程度是否能够给与我们判断市场拐点带来帮助？答案是肯定的。简单的例子出发，我们观察下图可以看到，指数不同长度的均线的距离会随着上行趋势的到来而逐步扩大， 这个是 显而易见 的。长短均线的距离是描述市场趋势较为简单直观的视角，但是趋势和反转本身是一体两面的，当均线距离的长度扩大到一定的程度，我们就需要去预警这种扩大的趋势是否会继续延续下去。 - 3 0 %- 2 0 %- 1 0 %0%10%20%30%02 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 60 日均线乖离率 ( 平滑，右轴 )- 4 5 %- 4 0 %- 3 5 %- 3 0 %- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%10 _d ays 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 7 / 23 Table_PageTop 金融工程研究报告 图 4：行业指数部分走势图示 数据来源：东北证券 ， Wind 使用长短均线的离差来进行趋势反转的描述，需要注意的是指数整体是 上行的，那么均线绝对距离的大小所代表的含义在当今和十年前的节点是有着质的区别，所以在构建和使用指标的时候，我们需要去考虑将时间带来的量纲进行去除。此处我们使用滑动窗口的方法，在窗口期内使用离差的历史百分位来进行描述。 指标构建方法： 采用 5 日 250 日若干不同长度的均线，将短均线与长均线两两配对做差，然后再将差值做和并求该值在过去一段时间的百分位进行描述均线的背离程度。 图 5：有色金属均线发散度原始因子与有色金属指数走势对比 数据来源：东北证券 ， Wind 02 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 0-5-4-3-2-1012342 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属均线发散度 有色金属指数 ( 右轴 ) 请务必阅读正文后的声明及说明 8 / 23 Table_PageTop 金融工程研究报告 图 6：均线发散度指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.3. MIKE 指标支撑压力线相对强弱 MIKE 指标 是随 股价波动 幅度大小而变动的 压力支撑指标 ，是一种路径型指标。它随着 股价 的变化而变化，能有效地预测股价未来可能上涨或下跌的空间。为了在某种程度上去弥补那些由于利用 股票 的开盘价、 收盘价 等价格的技术指标在 行情 研判上的误差， MIKE指标 设定了一个起始价格（简称 TYP），以此作为计算基准，求得股价的初级、中级和强力等 6 种支撑或压力价位区 。 MIKE 指标计算方法 (细节描述参考百度百科及 wind数据库 )： (1) 计 算初始价 TYP的数值 TYP=（ H+L+C） 3 式中， H=当日的最高价 L=当日的 最低价 C=当日的 收盘价 TYP 为 起始价 (2) 计算股价的三个压力价位 MIKE 指标中的三个压力价位分别为：初级压力 WR、中级压力 MR 和强力压力 SR。它们的计算公式为： WR（ N日） = TYP +（ TYP LN） MR（ N日） = TYP +（ HN LN） SR（ N日） = 2*HN LN 式中， TYP = 起始价 LN = N 日的 最低价 HN = N 日的最高价 (3) 计算 股价 的三个支撑价位 MIKE 指标中的三个支撑价位分别为：初级支撑 WS、中级支撑 MS 和强力支撑 SS。它们的计算公式为： WS（ N日） = TYP（ HN TYP） MS（ N 日） = TYP（ HN LN） - 3 5 %- 3 0 %- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%10 _d ays 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 9 / 23 Table_PageTop 金融工程研究报告 SS（ N日） = 2 * LN HN 式中， TYP = 起始价 LN = N 日的 最低价 HN = N 日的最高价 MIKE 指标拓展使用方法： 本文中对于 MIKE指标的使用方法有所变换，由于 MIKE 指标的计算是基于一段时间区间内的最高价、最低价和均价的关系来构建的，对于行情的趋势性运行的延伸条件下，区间内最高价最低价的空间会被趋势行情撕扯拓宽，进而造成了压力价、支撑价区间的发散度逐步提升，当行情中段加速运行完毕后，压力线支撑线的发散度被拓宽至区间内最大值，这时我们认为达到了风险区间内，我 们应重新评估当下节点的风险回报比是否超出了我们的承受范围。 我们在这里使用三条压力线分别与三条支撑线来做差，将做差的总值加和来作为原始的 MIKE 指标发散度因子值。因为从计算方式我们可以看出该因子值总是正数，但是在使用中，下跌趋势与上涨趋势中因子值对未来的方向预测是不同的，所以在原始计算得到的因子值我们还要加上因子方向。 图 7：有色金属行业 MIKE 指标 数据来源：东北证券 ， Wind 请务必阅读正文后的声明及说明 10 / 23 Table_PageTop 金融工程研究报告 图 8：有色金属行业 MIKE 指标发散度原始因子值与行业走势比较 数据来源：东北证券 ， Wind 图 9： mike 指标发散度高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.4. 行业相对市场超额收益偏度 偏度（ skewness），是 统计数据 分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。 我们在这里计算行业的收益相对于全市场的超额收益时间序列，并计算该时间序列的偏度来进行描述现阶段行业相对于全市场是否过热。 02 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 0- 4 0 0 06 0 0 01 6 0 0 02 6 0 0 03 6 0 0 04 6 0 0 05 6 0 0 06 6 0 0 02 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 mi ke_ div er gen ce 原始因子值 有色金属 ( 右轴 )- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%5%10%15%10 _d ays 20 _d ays 30 _d ays 60 _d ay s 请务必阅读正文后的声明及说明 11 / 23 Table_PageTop 金融工程研究报告 图 10：有色金属超额收益偏度因子与有色金属指数走势对比 数据来源：东北证券 ， Wind 图 11：超额收益偏度指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.5. Mkt-Csad 指标 我们在观测行业指数的走势变动时，指数收益率只是提供行业内整体的表现，同时我们还需要关注行业指数内成分股的走势异动。当行业内成分股的收益率出现较大的分化之时，可能代表着投资者对于行业内观点的分歧，而往往分歧就代表着行业内的走势存在着风险。 指标构建方法： 我们这里采用行业内成分股的收益率与行业指数收益率的偏差绝对值的市值加权来进行描述该分歧的程度。因为指标取绝对值的缘故，所以此处我们需要增添因子的方向。 -1- 0 . 500.511.522.502 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 0 / 7 / 5 2 0 1 1 / 7 / 5 2 0 1 2 / 7 / 5 2 0 1 3 / 7 / 5 2 0 1 4 / 7 / 5 2 0 1 5 / 7 / 5 2 0 1 6 / 7 / 5 2 0 1 7 / 7 / 5 2 0 1 8 / 7 / 5 2 0 1 9 / 7 / 5 2 0 2 0 / 7 / 5 2 0 2 1 / 7 / 5有色金属 超额收益偏度 ( 右轴 )- 2 5 %- 2 0 %- 1 5 %- 1 %-5%0%5%10%10 _d ays 20 _d ays 30 _d ays 60 _d ay s 请务必阅读正文后的声明及说明 12 / 23 Table_PageTop 金融工程研究报告 图 12：有色金属 mkt_csad 因子原始值与有色金属指数走 势对比 数据来源：东北证券 ， Wind 图 13： mkt_csad 指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.6. 价格交易量相关性 基于 OBV 能量潮指标的应用 OBV 能量潮指标介绍： 量潮是将成交量 数量化 ，制成 趋势线 ，配合股价趋势线，从价格的变动及成交量的增减关系，推测市场气氛。其主要理论基础是市场价格的变化必须有成交量的配合，股价 的波动与成交量的扩大或萎缩有密切的关连。 OBV 能量潮指标计算方法 : 以某日为 基期 ，逐日累计每日 上市股票 总 成交量 ，若隔日 指数 或股票上涨，则基期OBV 加上本日成交量为本日 OBV。隔日指数或股票下跌，则基期 OBV 减去本日成交量为本日 OBV。 OBV 能量潮在量价匹配上的使用方法： 窗口滑动的方式计算得到单行业指数的 OBV 指标，将该指标与指数的价格数据再次进行窗口滑动求相关系数来进行描述指数的量价匹配度。 00 . 0 0 50 . 0 10 . 0 1 50 . 0 20 . 0 2 50 . 0 30 . 0 3 50 . 0 402 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 有色金属 mk t_c sad 指标- 2 0 %- 1 5 %- 1 0 %-5%0%5%10%10 _d ays 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 13 / 23 Table_PageTop 金融工程研究报告 图 14：有色金属行业 obv 能量潮与价格相关关系原始因子值与行业走势比较 数据来源：东北证券 ， Wind 图 15： obv 能量潮价格相关关系指标高风险环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.7. 换手率 换手率指在一定时间内市场中股票转手买卖的 频率 ，是反映股票流通性强弱的指标之一。 换手率是描述交易情绪的一个非常直观的指标，在本报告中换手率也是我们的重要参考。 - 0 . 4- 0 . 200.20.40.60.811.202 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属指数 o bv 量价匹配度- 4 5 %- 4 0 %- 3 5 %- 3 0 %- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%5%10 _d ays 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 14 / 23 Table_PageTop 金融工程研究报告 图 16：有色金属行业换手率 (平滑 )与价格相关关系原始因子值与行业走势比较 数据来源：东北证券 ， Wind 图 17：换手率指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.8. 单行业的成交占比 如果我们描述指数的成交是否过热，单行业 的时序上来直观的观察是存在一定问题的，当下的成交额可能受到市场流动性等因素的影响被动性的被放大，而不是交易带来的，所以我们更应该观察单行业指数的成交额占全市场的比值变化来判断是否存在成交过热。在指标的使用中我们也采用了滑窗均值的方式来进行平滑指标。 0%1%2%3%4%5%6%7%02 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 换手率 ( 2 0 日平滑：右轴 )- 3 5 %- 3 0 %- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%5%10 _d ays 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 15 / 23 Table_PageTop 金融工程研究报告 图 18：有色金属行业行业成交占比指标原始因子值与行业走势比较 数据来源：东北证券 ， Wind 图 19：成交占比指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 2.9. 大小单的协同关系 我们采用大小单的交易量数据的相关关系作为风险指标之一，本身内在逻辑认为大单的成交量数据由机构 等大资金交易者占主导，小单的数据由 中小投资者占主导，当二者的相关关系出现波动时即认为二者的投资观点出现了高度一致 /分歧，我们就应当注意内在的潜在风险。 注：数据来源 wind 数据库，数据算法中根据挂单金额来划分超大单、大单、中单或小单。具体标准如下 (细节叙述摘自 wind数据库函数说明 )： 1）挂单额小于 4 万元，小单； 2）挂单额 4 万元到 20 万元之间，中单； 3）挂单额 20 万元至 100万元之间，大单； 4）挂单额大于 100万元，超大单。 0%2%4%6%8%10%12%14%16%02 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 成交占比 (20 日平滑：右轴 )- 3 0 %- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%5%10%15%20%10 _d ay s 20 _d ays 30 _d ays 60 _d ays 请务必阅读正文后的声明及说明 16 / 23 Table_PageTop 金融工程研究报告 指数数据为当天未停牌的成份股买入量总和。 在报告的数据处理中，将中单 +小单统一划分为小单数据，将大单 +超大单统一划分为大单数据。按照该标准计算每只股票的大小单数据，再将大小单数据归总为行业指数的数据并进行指标计算。 图 20：有色金属大小单成交量相关关系指标原始因子值与行业走势比较 数据来源：东北证券 ， Wind 2.10. 超小单量能 在测试中我们发现，小单的成交具有追涨杀跌的交易属性，代表这小额投资者的热度往往和行业的拥挤度是有正向的相关关系。我们在这里用行业内小额成交量量比来进行描述该指标。 图 21：有色金属小单成交占比指标原始因子值与行业走势比较 数据来源：东北证券 ， Wind 00.10.20.30.40.50.60.70.80.9102 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 2 / 4 / 9 2 0 1 3 / 4 / 9 2 0 1 4 / 4 / 9 2 0 1 5 / 4 / 9 2 0 1 6 / 4 / 9 2 0 1 7 / 4 / 9 2 0 1 8 / 4 / 9 2 0 1 9 / 4 / 9 2 0 2 0 / 4 / 9 2 0 2 1 / 4 / 9 2 0 2 2 / 4 / 9有色金属 大小单相关关系00.511.522.502 0 0 04 0 0 06 0 0 08 0 0 01 0 0 0 01 2 0 0 02 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2有色金属 小单量比 请务必阅读正文后的声明及说明 17 / 23 Table_PageTop 金融工程研究报告 图 22：大小单相关关系指标高拥挤环境下行业的未来超额收益变动 数据来源：东北证券 ， Wind 3. 基于量价的拥挤度指标回测效果怎么样？ 3.1. 高拥挤度行业表现 我们在这里选取了拥挤度排名前 N 的行业来进行回测，可以看到高拥挤度行业组相对于行业等权组合的累积超额收益情况基本保持负值，初步印证了高拥挤度对于超额收益的空间挤压还是比较显著的。回测时间从 2016 年至 2022 年 6 月，前 5 拥挤行业组累积超额收益 -38%，前 8 拥挤行业组累积超额收益 -26%。前 10 拥挤行业累积超额收益 -14%。 图 23：排名前 N 拥挤行业的历史表现情况 数据来源：东北证券 ， Wind 在跟踪组合的回测中 ，我们首先选择在行业等权的基础上，剔除掉排名前 N的高拥- 2 5 %- 2 0 %- 1 5 %- 1 0 %-5%0%5%10 _d ays 20 _d ays 30 _d ays 60 _d ays- 5 0 %- 4 0 %- 3 0 %- 2 0 %- 1 0 %0%10%2 0 1 6 / 2 2 0 1 6 / 8 2 0 1 7 / 2 2 0 1 7 / 8 2 0 1 8 / 2 2 0 1 8 / 8 2 0 1 9 / 2 2 0 1 9 / 8 2 0 2 0 / 2 2 0 2 0 / 8 2 0 2 1 / 2 2 0 2 1 / 8 2 0 2 2 / 25 个高拥挤行业累积超额 8 个高拥挤行业累积超额 10 个高拥挤行业累积超额 请务必阅读正文后的声明及说明 18 / 23 Table_PageTop 金融工程研究报告 挤度行业后构成新的组合来进行回测。对比基准为剔除掉综合后的中信一级行业等权组合，回测时间从 2016年至 2022年 5月，之后的回测采用相同的时间区间。通过对比可以看到，剔除高拥挤度后的等权组合相对基准在收益端和风险端均有一定程度的改善。多头组合年化收益 4.28%，相对等权基准超额 1.61%，最大回撤降低2.06%。 图 24：剔除前 5 拥挤行业的等权组合历史表现情况 数据来源：东北证券 ， Wind 表 1：剔除拥挤行业后等权组合表现及对比 年化收益 年化波动 夏普比率 最大回撤 5%VaR 多头 4.28% 19.15% 0.22 -29.48% -1.90% 基准 2.67% 19.39% 0.14 -31.54% -1.95% 数据来源：东北证券 ， Wind 4. 实际中怎样定位和使用拥挤度指标的方式 4.1. 使用方式及指标现象理解 拥挤度指标的试验中，我们对于指标表现进行进一步的解释。在 图 25 中我们展示了两种构造上不太相同的拥挤度因子的对比。其中橙色的线为 60 日均线乖离率指标，而灰色的线为 mkt-casd 指标。 可以看到在标明的两 段 上 升趋势中， 乖离率指标的历史百分位在上涨中期阶段已经达到了最高点，提示了行业配置的拥挤风险。事后来看该指标在极速上升的趋势中表现得过于灵敏，导致指标过于提前指示风险，对于行业配置中带来了 踏空的可能性。 本报告中采取不同的视角构建拥挤度因子，希望在因子之间能够形成补充。在图示的上升趋势中，虽然乖离率因子灵敏的提示了过热的风险，但是同时观察 mkt-csad指标我们可以发现，指数内成分股的运动方向相对较为一致，尚未出现行业内股票的表现分化，两个指标的综合后的结果我们可以理解为目前的行业趋势尚可给与更高的容忍度。我们在这里仅拿出两个因子的走势作为简化的对比参考。 -2%0%2%4%6%8%10%12%14%16%0.50.70.91.11.31.51.72 0 1 6 / 2 2 0 1 6 / 8 2 0 1 7 / 2 2 0 1 7 / 8 2 0 1 8 / 2 2 0 1 8 / 8 2 0 1 9 / 2 2 0 1 9 / 8 2 0 2 0 / 2 2 0 2 0 / 8 2 0 2 1 / 2 2 0 2 1 / 8 2 0 2 2 / 2剔除前 5 拥挤行业后等权 等权组合 累积超额收益 ( 右轴 ) 请务必阅读正文后的声明及说明 19 / 23 Table_PageTop 金融工程研究报告 图 25：复合拥挤度指标与指数走势对比分析 数据来源：东北证券 ， Wind 图 26：拥挤度因子分组回测结果 数据来源：东北证券 ， Wind 基于量价的拥挤度因子是否越低越好，答案也是否定的。从构造原理上看，在行业指数下跌的情况下相对拥挤度也是逐步降低的，单单从低拥挤的角度去判断，是存在 过早进场 的风险。 理想状况下，我们应该选择那些 行业自身趋势良好且拥挤度尚可的行业， ”兼顾趋势与拥挤度 ”。 从拥挤度因子的分组回测效果来看，也能很看到问题所在，回测效果呈现 ”两头差中间好 ”的效果分布。原因也非常直观，高拥挤度行业往往会有风报比不足的风险，而低拥挤度很多存在于尚未调整完毕或过于弱势的行业上。所以我们应该追求的是拥挤度相对有限但是趋势较为良好的行业。 所以我们在实际的回测中，选择风险指标0.511.522.52 0 1 6 / 2 2 0 1 6 / 8 2 0 1 7 / 2 2 0 1 7 / 8 2 0 1 8 / 2 2 0 1 8 / 8 2 0 1 9 / 2 2 0 1 9 / 8 2 0 2 0 / 2 2 0 2 0 / 8 2 0 2 1 / 2 2 0 2 1 / 8 2 0 2 2 / 2第 1 组 第 2 组 第 3 组 第 4 组 第 5 组 第 6 组 第 7 组 第 8 组 第 9 组 第 10 组 请务必阅读正文后的声明及说明 20 / 23 Table_PageTop 金融工程研究报告 与动量指标配合来构建量价行业轮动系统。 4.2. 实际回测结果 我们选择 120 日收益率与拥挤度复合因子进行等权构建行业组合，配置标的选择中信一级行业进行回测，剔除综合与综合金融行业，回测时间从 2016 年至 2022 年 5月 30日，最终组合年化收益 15.15%，相对行业等权组合超额 12.48%。 图 27：策略回测结果 数据来源：东北证券 ， Wind 表 2：动量 &拥挤度复合策略表现 年化收益 年化波动 夏普比率 最大回撤 5%VaR 多头 15.15% 20.03% 0.76 -29.81% -1.99% 数据来源：东北证券 ， Wind 4.3. 样本外情况统计 表 3：样本外策略情况统计 多头组合配置行业 组合绝对收益 相对动量超额 相对等权超额 2022 年 6 月 钢铁 轻工制造 农林牧渔 银行 非银行金融 传媒 6.15% 3.15% -1.64% 2022 年 7 月 建筑 纺织服装 农林牧渔 银行 房地产 交通运输 -2.50% 2.31% 0.35% 2022 年 8 月 石油石化 煤炭 有色金属 纺织服装 食品饮料 农林牧渔 数据来源：东北证券 ， Wind 0.511.522.533.52 0 1 6 / 2 2 0 1 6 / 8 2 0 1 7 / 2 2 0 1 7 / 8 2 0 1 8 / 2 2 0 1 8 / 8 2 0 1 9 / 2 2 0 1 9 / 8 2 0 2 0 / 2 2 0 2 0 / 8 2 0 2 1 / 2 2 0 2 1 / 8 2 0 2 2 / 2 2 0 2 2 / 8动量 & 拥挤度多头 动量多头 等权 请务必阅读正文后的声明及说明 21 / 23 Table_PageTop 金融工程研究报告 5. 总结 本文通过不同维度构建了拥挤度风险因子， 来进行比较行业在阶段性位置时配置的风报比，从而 实现规避高风险低收益区域的目的。在趋势跟踪类（例如均线乖离率、长短均线发散度等）拥挤度因子的观察中 ，我们发现该类因子可能存在在趋势性行情中 表现的过于敏感，可能存在压缩趋势性行情