基于量价视角的行业拥挤度指标框架

1、0引言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。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

2、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。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

3、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

4、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。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。图 1：主要拥挤度因子一览，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

5、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，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10_days20_days30_days60_days0-5-10-15-20-25-30-35-40-45，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、

6、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。图 4：行业指数部分走势图示，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

7、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有色金属均线发散度有色金属指数(右轴)43210-1-2-3-4-5201120122013201420152016201720182019202020212022120001000080006000400020000，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10_day

8、s20_days30_days60_days0-5-10-15-20-25-30-35，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)：计算初始价TYP 的数值TYP=（H+L+C）3式中，H=当

9、日的最高价L=当日的最低价 C=当日的收盘价 TYP 为起始价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+（TYPLN） MR（N 日）=TYP +（HNLN） 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（HNTYP） MS（N 日）= TYP（HNLN）SS（N 日）= 2 * L

10、N 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

11、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，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有色金属mike_divergence原始因子值有色金属(右轴)6600056000460003600026000160006000-400201，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1510_days20_days30_days60_days1050-5-10-15-20-25

12、，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。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，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1010_days20_days30_days60_days50-5-10-15-20-25，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

13、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。图 12：有色金属 mkt_csad 因子原始值与有色金属指数走势对比有色金属有色金属mkt_csad指标120000.041000080006000400020000.0350.030.0250.020.0150.010.0050020102011201220132014201520162017201820192020

14、20212022，图 13：mkt_csad 指标高拥挤环境下行业的未来超额收益变动，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

15、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。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，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10_days20_days30_days60_days50-5-10-15-20-25-30-35-40-45，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。图 16：有色金属行业换手率(平滑)与价格相关关系原始因

16、子值与行业走势比较有色金属换手率(20日平滑：右轴)120001000080006000400020000，图 17：换手率指标高拥挤环境下行业的未来超额收益变动10_days20_days30_days60_days50-5-10-15-20-25-30-35，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。图 18：有色金属行业行业成交占比

17、指标原始因子值与行业走势比较有色金属成交占比(20日平滑：右轴)1200010000800060004000200002，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2010_days20_days30_days60_days151050-5-10-15-20-25-30，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

18、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)：挂单额小于 4 万元，小单；挂单额 4 万元到 20 万元之间，中单；挂单额 20 万元至 100 万元之间，大单；挂单额大于 100 万元，超大单。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，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

19、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有色金属小单量比120002.510000800060004000200021.510.50020122013201420152016201720182019202020212022，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，基于量价的拥挤度指标回测效果怎么样？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

20、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5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100-10-20-30-40-502016/22016/82017/22017/82018/22018/82019/22019/82020/22020/82021/22021/82022/2，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 的高拥挤度行业后构成新的组合来进

21、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剔除前5拥挤行业后等权等权组合累积超额收益(右轴)1.71.51.31.10.90.70.52016，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

22、%基准2.67%19.39%0.14-31.54%-1.95%，实际中怎样定位和使用拥挤度指标的方式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

23、。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。图 25：复合拥挤度指标与指数走势对比分析，图 26：拥挤度因子分组回测结果第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2.521.51 0.520，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

24、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，选择风险指标与动量指标配合来构建量价行业轮动系统。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：策略回测结果动量&拥挤度多头动量多头等权3.532.521.510.52016/22016/82017/22017/82018/22018/82019/22019/82020/22020/82021/22021/82022/22022/，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.