⚫ 单个指标捕捉行业拥挤情况存在不达预期和参数敏感的问题一个好的行业轮动模型至少应该包含三个维度的信息，跟踪行业价格走势变化的动量，代表行业基本面强弱的景气度，和体现投资者交易热度的拥挤度。

单一指标在识别拥挤度方面存在不足，通常存在效果不达预期且参数敏感的问题。比如，换手率具有较优的识别泡沫破裂的能力；配对相关性由于本身只能识别泡沫是否存在，无法预测泡沫破裂时间节点，在表现方面稍逊一筹；下行波动率、乖离率和估值水平测试效果不达预期。

⚫ 以资产集中度和相对价值构建的泡沫识别模型不适用于A 股市场资产集中度衡量了行业的波动性和关联度，其能够识别泡沫是否存在，但无法预测泡沫何时破裂。

相对价值的走势能够较好拟合泡沫破裂前后的形态特征，即泡沫膨胀期相对价值迅速提升，泡沫破裂期则快速下降。相对价值在识别出泡沫的基础上，可以用来判断泡沫从膨胀到破裂的拐点。

根据参考文献观点，理论上高资产集中度和低相对价值的泡沫膨胀组表现最好，高资产集中度和高相对价值的泡沫破裂组表现最差。但A 股的测试结果表明，泡沫破裂组反而表现最好，与预期不符。

⚫ 配对相关性和换手率或许是识别泡沫拐点更好的指标配对相关性能够有效地衡量行业内个股的同涨同跌现象。且在行业股价处于相对高位时，无论股价上涨或下跌，配对相关性均能够稳定地保持在高位，适合用来判断泡沫是否存在。

换手率能够有效跟踪泡沫破裂前后的形态变化，在泡沫膨胀期，由于赚钱效应，换手率提升；在泡沫破裂后，由于处置效应，换手率快速衰减。

基于配对相关性和换手率的象限切分，能够有效复现参考文献中的观点。高配对相关性和低换手率的泡沫膨胀期跑赢其他象限，测试期内年化收益率9.3%，最大回撤42.3%；高配对相关性和高换手率的泡沫破裂期大幅跑输其他象限，测试期内年化收益率-3.5%，最大回撤64.4%；同期以行业等权构建的参照组年化收益率7.1%，最大回撤51.5%。

以“拥挤”之名构建的泡沫识别模型对既有行业轮动信号有一定改善作用。以开源金融工程行业轮动模型为例，在每期选出的9 个行业中，进行拥挤行业剔除，测试期内年化收益率提升2%，剔除胜率约66%。

⚫ 风险提示：模型测试基于历史数据，市场未来可能发生变化。