> **来源：[研报客](https://pc.yanbaoke.cn)** # 视觉大模型ViT在量化选股上的探索总结 ## 核心内容概述 本文探讨了视觉大模型ViT在量化选股策略中的应用，以中证500指数成分股内选股构建指数增强策略为例，评估ViT在股价预测中的表现及其与经典机器学习模型（如GBM）的结合效果。研究结果显示，ViT在图形信息上具有一定的增量价值，但需与数值模型结合使用以获得更优表现。 --- ## 主要观点 1. **ViT模型架构特点** - ViT将K线图分割为14×14的小方块（共729块），输出1152维向量。 - 相较于CNN，ViT需要更多数据训练，但可通过预训练模型避免从头训练。 - 模型本身不提供直观的经济学含义，但能捕捉图形的潜在规律。 2. **模型对比与表现** - **GBM模型**表现最优，具有最高的IC值（0.754），依赖于精确数值信息。 - **R0线性模型**相比GBM具有显著的残差IC（4%），表明图形信息存在增量贡献。 - **R1和R2模型**表现不如R0，说明图形模型本身无需额外特征工程。 - **线性模型优于神经网络**，在ICIR指标上表现更优，表明ViT的1152维向量更适合用线性方式转化。 3. **模型合成效果** - 将ViT残差因子与GBM模型结合，合成模型在费后年化超额收益上优于GBM。 - **合成模型在不控制换手时**，费后年化超额收益可达13.45%，但在2025年表现不佳。 - **限制换手至20倍时**，合成模型费后年化超额收益可达9.40%，优于GBM的8.05%。 4. **模型稳定性与风险控制** - 对动量和高波动因子进行极值中性化后，合成模型的超额收益稳定性显著提升。 - 2025年超额收益在极值中性约束下转正，回撤下降。 - 2026年合成模型表现稳定，费后超额收益约为9.40%。 5. **模型应用建议** - ViT作为图形信息的补充模型，应与数值模型（如GBM）正交结合使用。 - 图形模型需注意交易成本，换手控制有助于提升费后表现。 - 综合ViT与GBM，再对动量和高波动因子进行极值约束，可获得更优的策略表现。 --- ## 关键信息 ### 模型输入与输出 - 输入：每个股票过去60个交易日的K线图（384×384像素），附加成交量、均线等信息。 - 输出：1152维向量，用于后续的股价预测。 ### 模型类型与表现 | 模型类型 | IC均值 | ICIR | 残差IC | 残差显著性 | |----------|--------|------|--------|------------| | GBM | 0.754 | 0.446| - | - | | R0线性 | 0.0594 | 0.51 | 0.0411 | 4.69 | | R0神经网络 | 0.0428 | 0.268 | 0.0195 | 1.34 | | R1线性 | 0.0482 | 0.401| 0.0278 | 3.04 | | R1神经网络 | 0.0504 | 0.3 | 0.026 | 1.76 | | R2线性 | 0.0493 | 0.361| 0.0262 | 2.59 | | R2神经网络 | 0.0384 | 0.208| 0.0143 | 0.88 | ### 合成模型表现 | 模型 | 费前年化收益 | 费后年化收益 | 费后年化超额收益 | 换手率 | |------|----------------|----------------|------------------|--------| | R0线性 | 10.28% | 5.88% | 10.79% | 54.66 | | R0模型（压≤20倍） | 9.10% | 7.47% | 12.64% | 20.11 | | GBM模型 | 13.09% | 9.78% | 13.85% | 39.78 | | GBM模型（压≤20倍） | 9.69% | 8.05% | 17.72% | 20.13 | | 残差合成 | 13.45% | 9.45% | 12.90% | 48.21 | | 残差合成（压≤20倍） | 11.06% | 9.54% | 17.97% | 20.12 | ### 分年度表现（2022-2026.7.23） | 年份 | 费前策略收益 | 费后策略收益 | 指数 | 费前超额收益 | 费后超额收益 | 超额最大回撤 | 年化双边换手 | |------|----------------|----------------|------|----------------|----------------|----------------|----------------| | 2022 | -0.06% | -3.59% | -20.31% | 20.25% | 16.72% | 2.75% | 51.5 | | 2023 | 7.54% | 3.97% | -7.42% | 14.96% | 11.39% | 4.40% | 48.4 | | 2024 | 22.44% | 18.37% | 5.46% | 16.98% | 12.90% | 10.81% | 48.5 | | 2025 | 25.92% | 21.55% | 30.39% | -4.47% | -8.84% | 12.29% | 50.4 | | 2026（截至7.23） | 16.11% | 13.98% | 3.60% | 12.51% | 10.38% | 9.63% | 48.2 | --- ## 风险提示 1. **模型依赖历史数据**：历史表现不能完全代表未来表现，市场环境变化可能导致模型失效。 2. **指数样本变动**：分析基于历史公开信息，可能因指数成分股调整产生偏差。 3. **交易成本影响**：ViT模型换手率较高，需注意交易费用对收益的侵蚀。 4. **模型稳定性**：尽管ViT有增量信息，但需与GBM模型结合使用以提升稳定性。 5. **风险控制**：建议对动量和高波动因子进行极值中性化处理，以增强模型的稳健性。 --- ## 结论 ViT作为视觉大模型，在量化选股中展现出一定的信息增量价值，但其表现仍依赖于与经典数值模型（如GBM）的结合使用。通过正交化处理，将ViT的残差因子与GBM模型合并，能够有效提升模型的稳定性与收益表现。在实际应用中，需注意换手控制与风险中性化处理，以确保模型在不同市场环境下具备更好的适应性和收益表现。