本报告围绕行业泡沫的膨胀与破裂阶段,通过构建并测试多个拥挤度代理变量,发现单一拥挤指标存在局限性。资产集中度和相对价值模型在A股市场适用性有限,无法有效预测泡沫破裂。研究指出,结合配对相关性与换手率指标表现更优,能较好识别泡沫存在及破裂时间节点,辅助行业轮动模型进行拥挤行业剔除,提高年化收益率约2个百分点。基于换手率与动量构建的双维度行业筛选策略表现出色,年化收益18.8%,最大回撤42.9%,显著改善策略风控与收益表现,为量化行业轮动提供新思路
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。
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。
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.
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。
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。
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。
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。
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。
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。
| 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。
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%。
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。
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。
| 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: 《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:
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,1]。
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。
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,5]。
图1、2、3、4、5详解:
总体看,单一代理指标存在不足。
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。
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),12]。
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。
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):
从整体图表分析可总结:
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。
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:
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 |
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。
行业泡沫膨胀与破裂的识别--以“拥挤”之名 | 开源金工.pdf