报告行业投资评级 未提及 报告的核心观点 - 以中证500指数成分股内选股构建指数增强策略为例，尝试对视觉大模型ViT进行选股策略研发 [3][10] - 对比经典机器学习GBM和ViT表现，GBM有“精确数值”的信息优势，图形模型有增量信息且无需额外特征工程，线性模型比小型神经网络更好 [3] - 将ViT对GBM正交取残差后合并进GBM模型，合成模型费后表现有进一步提升，2022 - 2026.7.23在中证500内选股，费后年化超额收益可达9.40% [3] 根据相关目录分别进行总结 1. 从CNN到ViT：视觉大模型的演变 - 量化策略研发中策略趋于同质化，需寻找新策略开发方向，探索图形作为信息增量入口，用ViT分析股价走势为经典Light BGM模型提升表现 [5] - 经典机器学习模型以数值为基础挖掘alpha，但图形有模糊规律等可能的信息增量，不过图形天然信息总量低于数值模型，重点考察其相比数值模型的增量信息 [6] - CNN曾是AI视觉主流模型，Transformer跨界后ViT成为大模型视觉主流骨架，ViT需更多数据但有全局注意力机制 [7] 2. 视觉大模型ViT的设置和训练 - 以中证500指数成分股内选股构建指数增强策略为例研发ViT选股策略，选择SigLIP模型，借助其预训练无需从头训练，输入是股票过去60个交易日K线图生成的图片，输出为1152维向量用于和股价回归 [10][11][14] - 同步跑经典Light GBM模型对比，对其进行105个特征工程，以2018 - 2021年为样本内训练，2022年开始样本外推，采用季度滚动训练和1年半衰期加权方式；设计不同“特征工程”的ViT模型，预测频率为周频，目标是未来20个交易日股价 [18][19][22] - 测算结果显示，GBM有最高IC，图形模型有增量信息，无需额外特征工程，线性模型比小型神经网络好；ViT相比GBM累计残差IC持续贡献，但在量价因子失效环境下也受影响，回撤幅度更低，适合正交后作为GBM补充 [26][27][38] 3. 利用视觉的信息增量提升模型表现 - 将正交后的残差ViT因子与GBM模型结合，计算不同模型在不控制换手和控制换手在双边20倍以下的费前和费后年化超额收益等指标 [39][42] - 不控制换手时合成组合年化超额收益比GBM略有提升，限制20倍换手后合成模型优势更明显；分年度看合成模型多数年份超额表现出色，但2025年负超额较多 [42][43][45] - 对动量和高波动因子极值中性后组合年度超额转正，超额回撤下降，选择双约束下未行业中性和未控制换手的组合作为最终组合，表现有提升 [47][48][50]