拥挤交易是指因大量资金购买或出售一项资产或一组具有类似特征的资产，从而导致资产价格发生重大变化的现象。在A 股市场上，这样的拥挤聚集现象时有发生。当浪潮褪去时，没有及时离场的投资者将会蒙受较大的损失。因此，拥挤风险的研究一直是投资实践中的重要议题。本文作为行业轮动系列报告的续作，将从如何构建能有效识别拥挤风险的指标和如何将其融合至已有模型两个方面，对拥挤度的识别和运用进行探索。    本文首先对市场常见的拥挤度指标――波动率、换手率、配对相关性、集中度和相对估值进行了测试。发现了此类指标普遍存在两个问题，一是部分指标定义下的高拥挤行业组合往往跑赢低拥挤度组合，原因在于刻画的行业拥挤度提示风险过早，往往还未到见顶的时候。二是指标的有效性不够稳定，高拥挤组仅存在阶段性的相对低收益。因此，我们决定摒弃市场上常见的传统拥挤度刻画方式。    本文在剖析了历史波动率失效的原因之后，通过引入GARCH模型构造了预期特质波动率指标，能够较好的实现识别拥挤泡沫破裂。从测试结果来看，自2010以来高拥挤行业组总收益为-14.99%，最大回撤达到了69.26%（基准总收益为5.65%，最大回撤为50.55%）。    进一步的，我们利用预期特质波动率指标对动量因子施加拥挤惩罚，再将修正后的动量指标加入“预期共振”行业轮动体系得到改进的复合指标。并通过测试得到如下结果：    （1）加入拥挤度惩罚后的修正动量收益表现有显著的改善。修正后的动量指标的年化超额收益由3.83%提升至8.47%，超额收益的最大回撤由30.14%下降至17.69%，信息比率由0.39 提升至1.03。多空年化收益由7.95%提升至16.33%，最大回撤由44.37%下降至23.94%，夏普比率由0.48 提升至1.22。    （2）在加入拥挤惩罚后，“预期共振”模型年化超额收益率由10.50%提升至12.24%，最大回撤由16.19%下降至7.03%，信息比率由1.31 提升至1.77。多空组合年化收益由18.96%提升至22.12%，最大回撤由25.41%下降至16.24%，夏普比率由1.43 提升至1.88。    风险提示：本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险，不构成任何投资建议。