第2章拥挤度度量指标（上）

2. 拥挤度度量指标（上）：因子收益率自相关、因子波动率、因子换手率

各位好，我们接着聊因子拥挤度。上一章我们讲了拥挤度是什么，以及为什么它这么重要。今天咱们来点实在的——怎么量化它。

我个人习惯把拥挤度度量指标分成两类：价格类指标和交易类指标。这一节我们先啃价格类，也就是因子收益率自相关、因子波动率、因子换手率。这三个指标，说白了就是看因子本身有没有「过热」的迹象。

先讲因子收益率自相关。这个指标衡量的是：今天的因子收益率，跟昨天的因子收益率，有没有关系？

计算方式很简单。你拿因子每天的收益率序列，算一下滞后1期的自相关系数。公式长这样：

# 伪代码示意
import numpy as np

def factor_autocorr(returns, lag=1):
    # returns: 因子日收益率序列
    return np.corrcoef(returns[:-lag], returns[lag:])[0,1]

嗯，这里要注意：自相关高，不一定就是坏事。得看正相关还是负相关。

正自相关高：因子收益率在「自我强化」。今天涨了明天还涨。这说明资金在持续涌入，拥挤度在快速积累。我在项目中遇到过，某个动量因子在2020年Q3自相关飙到0.6以上，结果一个月后直接崩了。
负自相关高：因子收益率在「反复横跳」。今天涨明天跌。这往往意味着多空博弈激烈，拥挤度虽然高，但方向不明确。

关键阈值参考（我个人经验）

避坑指南：我曾经犯过一个错——只看正自相关，忽略了负自相关。有一次一个因子自相关是-0.55，我以为没事，结果是因为多空双方在激烈换手，波动率急剧放大，最后因子直接失效了。所以，绝对值大就要警惕，不管正负。

因子波动率，说白了就是因子收益率的「心跳速度」。心跳太快，肯定不正常。

计算上，我们通常用滚动窗口的时序标准差。窗口长度我建议用20个交易日（一个月），太长反应太慢，太短噪音太大。

def factor_volatility(returns, window=20):
    # 滚动标准差
    return returns.rolling(window).std()

你想想看，一个因子正常情况下波动率应该是相对稳定的。如果突然飙升，说明什么？说明有大量资金在短时间内集中交易这个因子。这就是拥挤的典型信号。

我在实盘中遇到过最典型的案例：2021年春节后，某个低波因子波动率在5个交易日内从0.8%飙到2.3%。我当时就觉得不对劲，赶紧检查了一下持仓，发现因子内部个股的相关系数也在同步上升。嗯，果断减仓。一周后因子回撤了8%。

一个小技巧：不要只看波动率的绝对值，要看它的变化率。我习惯用「波动率的波动率」——也就是波动率的滚动标准差。如果这个指标也飙升，那基本可以确定是异常拥挤了。

因子换手率，衡量的是因子持仓的变动速度。换手率越高，说明资金越「浮躁」。

计算方式：

def factor_turnover(weights_old, weights_new):
    # 权重变化绝对值之和 / 2
    return np.sum(np.abs(weights_new - weights_old)) / 2

这个指标很有意思。正常情况下，一个稳健的因子换手率应该在10%-20%之间（月度）。如果换手率突然超过30%，甚至40%，那就要小心了。

为什么会这样？因为拥挤的因子往往伴随着「羊群效应」——大家看到别人赚钱了，赶紧跟进去，然后又看到别人跑了，赶紧跟着跑。这一进一出，换手率就上去了。

三个指标联合使用才是王道

单一指标都有局限性。比如因子波动率飙升，可能是因为市场整体波动加大，不一定是拥挤。但如果你同时看到：

三个红灯同时亮起，那基本可以确定：这个因子已经拥挤到危险了。我在系统里把这套逻辑做成了一个「拥挤度热力图」，每天自动扫描所有因子，一旦触发就报警。

避坑指南：我曾经遇到过一个因子，自相关和波动率都正常，但换手率奇高。我当时没在意，觉得前两个指标没问题就行。结果后来发现，是因为因子内部有大量「对倒交易」——资金在自买自卖制造活跃假象。所以，三个指标缺一不可。

好了，这一节我们讲了三个价格类指标。下一节我们会讲交易类指标——因子资金流、因子持仓集中度、因子拥挤度综合指数。到时候我们会把这些指标整合成一个完整的监控体系。

记住一句话：拥挤度不是靠一个指标看出来的，是靠多个指标交叉验证出来的。我做了这么多年量化，最大的体会就是：单一指标永远会骗你，但多个指标一起看，真相就藏不住了。