行业轮动系列研究五：基于拥挤度的动态分域行业配置策略-微观结构异质性与因子有效性边界研究

目录引言 1因子构建 1行业相对扩散指数 1行业相对交易集中度 5行业相对交易换手率 8因子有效性检验及分域测试 10行业相对扩散指数 10行业相对交易换手率 12行业轮动策略构筑 13策略回溯测试 14策略行业配置明细 17总结与展望 18研究总结 18研究局限与展望 18风险提示 19图 目 录图1：电子行业相对扩散指数与行业指数变化示意图 2图2：通信行业相对扩散指数与行业指数变化示意图 2图3：电力设备行业相对扩散指数与行业指数变化示意图 3图4：电子行业相对扩散指数（历史分位数标准化）与行业指数变化示意图 4图5：通信行业相对扩散指数（历史分位数标准化）与行业指数变化示意图 4图6：电力设备行业相对扩散指数（历史分位数标准化）与行业指数变化示意图 5图7：电子行业相对交易集中度（历史分位数标准化）与行业指数变化示意图 6图8：通信行业相对交易集中度（历史分位数标准化）与行业指数变化示意图 7图9：电力设备行业相对交易集中度（历史分位数标准化）与行业指数变化示意图 7图10：电子行业相对交易换手率（历史分位数标准化）与行业指数变化示意图 8图11：通信行业相对交易换手率（历史分位数标准化）与行业指数变化示意图 9图12：电力设备行业相对交易换手率（历史分位数标准化）与行业指数变化示意图 9图13：行业相对扩散指数RDSI因子IC变化示意图 10图14：行业相对扩散指数RDSI因子IC变化示意图（剔除交易集中度位于历史高位的行业） 11图15：行业相对扩散指数RDSI因子IC变化示意图（仅保留交易集中度位于历史高位的行业） 12图16：行业相对交易换手率IRT因子IC变化示意图（仅保留交易集中度位于历史高位的行业） 13图17：中低拥挤度情绪扩散策略多头与基准指数净值变化示意图 14图18：基于拥挤度的动态分域配置策略多头与基准指数净值变化示意图 16图19：基于拥挤度的动态分域配置策略多头月度超额收益率变化示意图 16表 目 录表1：行业相对扩散指数RDSI因子信息系数分析 10表2：行业相对扩散指数RDSI因子信息系数分析（剔除交易集中度位于历史高位的行业） 11表3：行业相对扩散指数RDSI因子信息系数分析（仅保留交易集中度位于历史高位的行业） 11表4：行业相对交易换手率IRT因子信息系数分析（仅保留交易集中度位于历史高位的行业） 12表5：中低拥挤度情绪扩散策略收益表现 14表6：基于拥挤度的动态分域配置策略收益表现 15表7：基于拥挤度的动态分域配置策略行业配置明细 17引言或市场景气程度的工具。在前期报告《识时通变：宏微同频成长价值风格轮动策略》中，通过相对扩散指数刻画AA股市场中对成长价值风格的轮动切换具备较强的捕获能力。A股市构筑基于交易情绪边际变化的行业轮动策略。因子构建行业相对扩散指数w（CumulativeReturn作为行业相对扩散指数的计算依据。CRi,t

Close

Closi,t i,twClosClosei,tw1火热时，往往各个行业的交易情绪也将水涨船高；反之，当市场整体的交易情绪冰冷时，各个行业的交易情绪通常也将随之降温。为了降低市场Beta对行业交易情绪的直接冲击，捕获行业交易情绪真实的边际变化，设置同期沪深A股收益率的中位数作为比较基准（Bcmk，BH，以此为基础，计算同期股票相较市场平均水平的累计超额收益率（mltieExcsstn，E，t i,BHmedian(CR ) (it i,i,t i,t CER i,t i,t 其中M代表市场股票集合。对行业集合Iw1分，否则不计I中的股票得分的总市值加权平均值即为行业I的相对扩散指数（RelativeisinStimtx，S。i,t i,Mark sgn(CERi,t i,Weight

i,t

TotalValue

i,t

(iI)TotalValuei,tiRDSII,ti

Mark Weigh

(iI)ii,t i,以目前机构投资者关注度较高的电子、通信、电力设备3个行业为例，设置滚动观察窗口w10，上述行业的相对扩散指数与对应行业指数的走势依次如下所示。图1：电子行业相对扩散指数与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对扩散指数（电子） 行业指数（电子）恒生聚西证券算整理 注样本为图2：通信行业相对扩散指数与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对扩散指数（通信） 行业指数（通信）恒生聚西证券算整理 注样本为图3：电力设备行业相对扩散指数与行业指数变化示意图1.00 0.905.500.800.704.500.600.503.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对扩散指数（电力设备） 行业指数（电力设备）恒生聚西证券算整理 注样本为观察上述行业相对扩散指数与对应行业指数的走势，可以看到行业的相对扩散指数与行业指数的走势具备显著的同步性，揭示了交易情绪与动量之间的关联性。最后，由于行业自身的基本面特征的风险收益特征存在客观差异，参与行业的投资者也存在客观差异，不同行业往往呈现出截然不同的交易节奏和波动形态。高弹性的科技成长板块往往吸引激进的短线资金，而稳健的红利板块则多为配置型的长线资金持有，投资者结构的错位，将直接影响不同行业的相对扩散指数的分布。为了剔除行业自身存在的客观差异对相对扩散指数造成的干扰，提升不同行业之间相对扩散指数的可比性，采用历史分位数标准化的方法对行业相对扩散指数进行处理。m日加权平均值与其过去n绝对数值作为最终的观测指标。其中，每日线性衰减权重的计算方式如下。tWeight

t1,2,3,...,mt mtt1令m20，n60，以电子、通信、电力设备3个行业为例，上述行业经过历史分位数标准化的相对扩散指数与对应行业指数的走势依次如下所示。0.002013-120.002014-042014-122015-04相对扩散指数（通信，历史分位标准化）2015-12相对扩散指数（通信，历史分位标准化）2016-042016-082016-122017-042017-082018-042018-082019-042019-082020-042020-082021-042021-082021-122022-042022-08行业指数（通信）行业指数（通信）2023-082023-122024-082024-122025-082025-12行业轮动系列研究五0.50行业轮动系列研究五0.50

1.000.900.800.700.600.500.400.300.200.100.001.000.900.800.700.600.500.400.300.200.102013-121.000.900.800.700.600.500.400.300.200.100.001.000.900.800.700.600.500.400.300.200.10图4：电子行业相对扩散指数（历史分位数标准化）与行业指数变化示意图图5：通信行业相对扩散指数（历史分位数标准化）与行业指数变化示意图2014-04图4：电子行业相对扩散指数（历史分位数标准化）与行业指数变化示意图图5：通信行业相对扩散指数（历史分位数标准化）与行业指数变化示意图2014-082014-122015-042015-08相对扩散指数（电子，历史分位标准化）2015-12相对扩散指数（电子，历史分位标准化）2016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-08行业指数（电子）2023-04行业指数（电子）2023-082023-122024-042024-082024-122025-042025-082025-125.504.503.502.501.500.505.504.503.502.501.502026-045.504.503.502.501.500.505.504.503.502.501.5044图6：电力设备行业相对扩散指数（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对扩散指数（电力设备，历史分位标准化） 行业指数（电力设备）恒生聚西证券算整理 注样本为通过历史分位数标准化，不同行业的相对扩散指数均锚定在其自身的波动中枢上，从而有效剥离了行业固有波动率和投资者结构差异带来的基准偏移，实现了跨行业相对扩散指数的均衡可比。进一步观察上述行业经过历史分位数标准化的相对扩散指数与对应行业指数的走势变化，不难发现以下规律：较强（弱）的交易情绪具有动量特征，相对扩散指数对行业具备一定的预测能力；轮动策略的核心实证依据与逻辑起点。正是这种“强弱延续”与“物极必反”的双重属性，为我们识别趋势性机会与规避阶段性风险提供了可行的量化抓手。行业成交额的市场占比是刻画行业交易拥挤度的有效度量。相较于行业的绝对成交金额，成交额占比剔除了市场整体流动性扩张或收缩的干扰，更能反映资金在行业间的真实配置偏好。当某一行业的成交额占比持续处于历史高位时，往往意味着交易结构趋于拥挤，投资者预期高度一致，此时稍有风吹草动便可能引发剧烈调整；反之，当成交额占比回落至中低位区间，则代表交易情绪充分出清，行业配置性价比重新显现。为了进一步突出行业成交额市场占比的差异化，使用A股市场股票成交额的中位数作为比较基准，以此构建相对成交指标（ltieriglm,RV，相较于直接使用全市市值行业在流动性分配中的边际变化，从而更纯粹地反映行业交易拥挤的结构性特征。i,t i,t i,RTV Value median(Vai,t i,t i,行业超额成交之和与市场超额成交之和即为行业相对交易集中度指标（Relativestyigctti，T。RT i,tRTRITC

I,t

i

(iI,mM)RT m,tRTm类似的，为了剔除行业客观差异对相对交易集中度指标分布的干扰，提升行业间相对交易集中度的可比性，采用历史分位数标准化的方法对相对交易集中度进行处理。将每个行业的相对交易集中度过去m日的移动平均值与其过去n日的历史数据进行比较，计算出其在特定时间窗口下的分位点水平，以此替代绝对数值作为最终的观测指标。令m3，n252，仍以电子、通信、电力设备3个行业为例，上述行业经过历史分位数标准化的相对交易集中度与对应行业指数的走势依次如下所示。图7：电子行业相对交易集中度（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易集中度（电子，历史分位标准化） 行业指数（电子）恒生聚西证券算整理 注样本为图8：通信行业相对交易集中度（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易集中度（通信，历史分位标准化） 行业指数（通信）恒生聚西证券算整理 注样本为图9：电力设备行业相对交易集中度（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易集中度（电力设备，历史分位标准化） 行业指数（电力设备）恒生聚西证券算整理 注样本为如图所示，当行业相对交易集中度（RITC）位于历史滚动极大值点时，未来行业往往有较大概率面临阶段性调整甚至显著回撤。这一现象揭示了交易拥挤所引发的流动性陷阱：当相对交易集中度触及极值时，增量买盘通常难以为继，而获利盘的兑现意愿显著上升，市场微观结构随之趋于脆弱。一旦市场出现边际利空，过度集中的筹码结构将导致流动性迅速收缩，任何边际卖压的放大都可能引发价格的非线性下跌。这一机制也从微观交易结构层面解释了前述相对扩散指数（RDSI）呈现反转特征的内在原因，并为后文构建行业轮动策略、识别行业阶段性顶部提供了重要的实证依据。除了交易拥挤度外，换手率同样是判断行业阶段性顶部的重要量化抓手。比较基准，构建相对换手率指标（ltie,i,t i,t i,RT Turnovermedian(Ti,t i,t i,在此基础上，采用总市值加权，计算行业内相对换手率的加权平均值，得到行业相对交易换手率（styltieroe,R。该加权处理在保留行业交易结构信息的同时，有能够更稳健地刻画资金在行业层面的聚集与消散。Weight

i,t

TotalValue

i,t

(iI)IRTI,ti

TotalValuei,tii,t ii,t i,

(iI)mn窗口下的分位点水平，以此替代绝对数值作为最终的观测指标。m3n2523个行业为例，上述行业经过历史分位数标准化的相对交易换手率与对应行业指数的走势依次如下所示。图10（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易换手率（电子，历史分位标准化） 行业指数（电子）恒生聚西证券算整理 注样本为图11：通信行业相对交易换手率（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易换手率（通信，历史分位标准化） 行业指数（通信）恒生聚西证券算整理 注样本为图12：电力设备行业相对交易换手率（历史分位数标准化）与行业指数变化示意图1.000.90

5.500.800.70

4.500.600.50

3.500.400.300.200.10

2.501.502013-122014-042013-122014-042014-082014-122015-042015-082015-122016-042016-082016-122017-042017-082017-122018-042018-082018-122019-042019-082019-122020-042020-082020-122021-042021-082021-122022-042022-082022-122023-042023-082023-122024-042024-082024-122025-042025-082025-122026-04相对交易换手率（电力设备，历史分位标准化） 行业指数（电力设备）恒生聚西证券算整理 注样本为如图所示，当行业处于阶段性的顶部，往往伴随着相对交易换手率（IRT）位于历史滚动的较大值点。当行业相对换手率伴随价格冲高而急剧放大并触及历史极值区间时，往往意味着多空分歧达到顶峰，筹码加速在不同投资者之间进行交换，早期获利盘正在加速离场，而新进资金则在高位承接。尽管这种高换手在短期内维持了行情的表面繁荣，但其本质是动能消耗而非动能积累。随着潜在买盘被逐步透支，上涨动力趋于枯竭，一旦后续资金承接力度减弱，微观结构将迅速恶化，行业指数随即面临显著的回调压力。因此，行业相对交易换手率（可以作为高拥挤度行业见顶的判别信号。其内在机理在于：高拥挤度（极值）意味着流动性分布不均，而高换手率（极值）意味着这种不平衡达到了极限。当两者共振时，意味着这种拥挤已经无法通过内生增长来消化，必IRT的极值不再代表繁荣，而是代表微观结构的崩溃临界点。综上，IRT指标能够有效识别高拥挤行业的阶段性顶部，为后续行业轮动策略的构筑提供坚实依据。因子有效性检验及分域测试1231531一级行业分类标准，数据来自同花顺 数据终端及恒生聚源数据库，换仓频率为月度。行业相对扩散指数设置滚动观察窗口w10，线性衰减加权的周期m20，历史分位数标准化的滚动回望窗口n60，行业相对扩散指数RDSI因子有效性测试如下所示表1：行业相对扩散指数RDSI因子信息系数分析因子IC均值IC标准差t统计量IC胜率IR比率行业相对扩散指数RDSI0.05***0.262.87***59.06%0.20，恒聚 注：样本期为图13：行业相对扩散指数RDSI因子IC变化示意图2014-012014-052014-092015-012014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-050.60.680.4760.2504-0.23-0.42-0.6 1-0.8 0IC IC累计恒生聚 注样本为如图所示，在31个申万一级行业中，RDSI因子整体上呈现出显著的动量效应，但有效性存在一定的波动，反映出交易情绪具有一定延续性。m3n252，计算行业相对交易集中度I（T>8.%次测试行业相对扩散指数RDSI因子的有效性。表2：行业相对扩散指数RDSI因子信息系数分析（剔除交易集中度位于历史高位的行业）因子IC均值IC标准差t统计量IC胜率IR比率行业相对扩散指数RDSI0.07***0.283.57***59.06%0.25，恒聚 注：样本期为图14：行业相对扩散指数RDSI因子IC变化示意图（剔除交易集中度位于历史高位的行业）0.8 120.6 100.4 80.2 60 4-0.2 2-0.4 02014-012014-052014-092015-012014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05IC IC累计恒生聚 注样本为更进一步，仅保留交易集中度位于历史高位的行业（T>.%，再次测试行业相对扩散指数RDSI因子的有效性。表3：行业相对扩散指数RDSI因子信息系数分析（仅保留交易集中度位于历史高位的行业）因子IC均值IC标准差t统计量IC胜率IR比率行业相对扩散指数RDSI0.010.520.4152.08%0.03，恒聚 注：样本期为图15：行业相对扩散指数RDSI因子IC变化示意图（仅保留交易集中度位于历史高位的行业）1 540.530 21-0.5 0-1-1-22014-012014-052014-092014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05IC IC累计恒生聚 注样本为如图所示，行业相对扩散指数RDSI因子在高拥挤度的行业中有效性大幅降低；在非高拥挤度的行业中有效性大幅提升。这一现象表明RDSI效应（sldEfct。当行业交易集中度（I）处于中低位时，SI与未来收益呈突破临界值进入高拥挤区间后，资金博弈取代了情绪扩散延续逻辑，成为行业波动的主导力量，此时，RDSI所衡量的情绪扩散往往陷入“追涨杀跌”的正反馈循环，导致指标出现钝化或假信号，从而大幅削弱了其预测能力。RDSI因子在行业交易集中度（RITC）处于中低位时具有较高的有效性。然而，剔除行业交易集中度（RITC）处于高位的所有行业，或将导致投资者错过阶段性的主线行业行情。因此，对高行业交易集中度（RITC）的行业进行有效筛选势在必行。m3n252，计算行业相对交易换手率R，仅保留相对交易集中度位于历史高位的行业（T>8.%，测试行业相对交易换手率因子的有效性。表4：行业相对交易换手率IRT因子信息系数分析（仅保留交易集中度位于历史高位的行业）因子IC均值IC标准差t统计量IC胜率IR比率行业相对交易换手率IRT-0.10***0.46-3.12***44.14%-0.21，恒聚 注：样本期为图16：行业相对交易换手率IRT因子IC变化示意图（仅保留交易集中度位于历史高位的行业）1.5 201-2-40.5-60 -8-0.5

-10-12-14-1-162014-012014-052014-092014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05IC IC累计恒生聚 注样本为如图所示，在相对交易集中度位于历史高位的行业中，行业相对交易换手率IRT因子与行业的未来收益率呈现显著的负相关性，且该相关性远高于同期行业相对扩散指数RDSI因子的表现。这一发现从实证层面验证了高拥挤环境下的流动性陷阱假说：当资金过度集中于单一行业时，极高的IRT不再代表上涨动能，反而意味着增量买盘的枯竭与获利盘的集中涌出。这种负向关系的存在，使得IRT能够有效弥补RDSI在高拥挤环境下的失效短板，成为识别阶段性顶部，执行止盈避险操作的灵敏指标。行业轮动策略构筑本章构建了基于市场微观结构异质性的行业轮动分域策略。前文实证分析表明，行业相对扩散指数（RDSI）的有效性存在显著的拥挤度边界：在非高拥挤环境下，RDSI能有效捕捉行业交易情绪的扩散与延续，具备有效且稳定的行业筛选能力；然而一旦行业交易集中度（RITC）进入历史高位，RDSI因子将因资金博弈的干扰而趋于钝化甚至失效。由于高拥挤的行业中往往包含着阶段性的投资主线，剔除所有的高拥挤行业将使得策略丧失对市场核心矛盾的捕捉能力，沦为一种单纯的“边缘行业”配置策略。市场的主流资金与关注度通常集中在高拥挤的主线行业中，剔除它们意味着策略主动放弃了与市场主流认知博弈的机会，转而去非拥挤的边缘行业寻找机会。这不仅降低了策略的容量，也使得策略表现与市场整体赚钱效应严重脱节。RDSIRITC（作为替代信号。利用IRT在高拥挤环境下的显著负向溢价，策略能够敏锐识别天量见天价的筹码派发特征，从而在保留主线行情参与权的同时，构筑起应对流动性枯竭的防线。策略回溯测试回溯测试设定样本区间：2013年12月31日——2026年5月31日。（。调仓频率：月度调仓。比较基准：行业等权配置。中低拥挤度情绪扩散策略以行业交易集中度（I）作为前置过滤器（Pilt，逐期剔除IT＞%的高拥挤度行业，在剩余行业中，根据行业相对扩散指数（S，选择5个行业作为策略多头等权配置，捕捉交易情绪延续带来的投资机会。通过剔除RITC>80%的高拥挤行业，策略主动规避了微观结构脆弱，多空分歧极大的高风险区域，从源头上切断了因接盘高拥挤赛道导致收益大幅回撤的可能。样本期内中低拥挤度情绪扩散策略表现如下所示。表5：中低拥挤度情绪扩散策略收益表现行业轮动策略年化收益率年化波动率累计净值Sharpe比率最大回撤率多头（5）14.25%0.185.230.7740.69%申万一级行业等权6.40%0.192.160.3551.16%多头超额6.97%0.072.310.949.85%，恒聚 注：样本期为图17：中低拥挤度情绪扩散策略多头与基准指数净值变化示意图6.52.45.5

2.24.53.5

21.81.62.5

1.41.21.512014-012014-052014-092014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05策略多头 行业等权 多头超额（右）恒生聚 注样本为.%Se比率为0.77，最大回撤率40.69%；相较于行业等权基准年化超额收益率为6.97%，多头超0.94，最大回撤率为9.85%。基于拥挤度的动态分域配置策略根据行业交易集中度（RITC）进行分区，定义RITC>80%分位数的行业为阶段性高拥挤度行业，RITC≤80%的行业为阶段性中低拥挤度行业。策略采用非对称的动态配置机制，一共选择5个行业等权配置，具体执行规则如下：高拥挤区：左侧防御，严控风险敞口假设高拥挤组的行业数量为K。当K≥1时，采取审慎参与原则，执行严格的尾部风控：熔断机制：首先剔除相对交易换手率（IRT）处于历史滚动99%分位以上的行业，以规避“天量见天价”的流动性枯竭风险。2（进行逆序筛选。中低拥挤区：右侧增强，捕捉交易情绪动量在高拥挤组进行行业选择后，策略将剩余的全部仓位分配至中低拥挤区。剩余行业在低拥挤组依据行业相对扩散指数RDSI进行正序筛选，直至补齐5个行业。该策略突破了传统行业轮动策略对动量因子的线性依赖，构建了“高拥挤区防御+中低拥挤区进攻”的非对称架构。通过在高拥挤区执行熔断机制与上限约束，策略既保留了参与市场主线的权利，又通过预留安全垫规避了流动性枯竭引发的非线性下跌。样本期内基于拥挤度的动态分域配置策略表现如下所示。表6：基于拥挤度的动态分域配置策略收益表现行业轮动策略年化收益率年化波动率累计净值Sharpe比率最大回撤率多头（5）18.89%0.198.570.9734.81%申万一级行业等权6.40%0.192.160.3551.16%多头超额11.51%0.083.871.4314.46%，恒聚 注：样本期为图18：基于拥挤度的动态分域配置策略多头与基准指数净值变化示意图9.5 4.38.57.56.55.5

3.83.32.84.5

2.33.52.51.5

1.81.32014-012014-052014-092014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05策略多头 行业等权 多头超额（右）恒生聚 注样本为图19：基于拥挤度的动态分域配置策略多头月度超额收益率变化示意图9%7%5%3%1%-1%-3%2014-012014-052014-012014-052014-092015-012015-052015-092016-012016-052016-092017-012017-052017-092018-012018-052018-092019-012019-052019-092020-012020-052020-092021-012021-052021-092022-012022-052022-092023-012023-052023-092024-012024-052024-092025-012025-052025-092026-012026-05超额收益恒生聚 注样本为18.89%，年化Se比率为..%.%，多头超额年化Se比率为..%.%，最大回撤率仅为14.46%。回测结果显示，基于拥挤度的动态分域配置策略在收益表现与风险控制上均显著优于中低拥挤度情绪扩散策略，其超额收益主要源于以下两个维度的机制优势：策略解决了高拥挤度行业Alpha的捕获难题中低拥挤度策略在执行剔除高拥挤度行业时，往往将市场上最具爆发力的主线行情拒之门外。而分域策略通过审慎参与机制，成功保留了高拥挤主线中的部分泡沫化收益。实证表明，这部分收益是分域策略年化收益率显著跑赢的核心来源。策略规避了低拥挤度陷阱单纯在中低拥挤区选择行业，虽然避开了高波动，但也可能陷入死水微澜的陷阱，即行业虽然不拥挤，但也缺乏上涨动能。分域策略通过在高拥挤区引入IRT指标进行风险控制，在低风险区通过RDSI指标捕获情绪