20260812-申万宏源-筹码分布图形_视觉大模型ViT在高维数据上的运用_申万金工因子观察第14期20260810_8页_1mb

申万金工因子观察第14期：视觉大模型ViT在高维筹码分布数据上的运用

核心内容

本文探讨了视觉大模型ViT在股票分析中的新应用场景，特别是对高维数据——筹码分布数据的处理与建模。通过将筹码分布图形与传统量价模型进行对比和合成，研究发现ViT在捕捉筹码分布形态特征方面具有一定的增量信息价值，尤其是在结合因子极值中性化后，模型表现显著提升。

主要观点

• ViT模型的扩展应用：ViT模型不仅适用于K线图识别，还适用于高维的筹码分布数据，能够有效提取形态特征，为模型提供额外信息。
• 筹码分布的高维特性：筹码分布数据基于不同价位的筹码分布，每日形成二维图形，具备时间、价格、数量的三维结构，适合视觉模型分析。
• 手工特征工程的局限性：通过手工提取筹码分布特征的GBM模型，其IC和ICIR表现较弱，且对GBM模型的残差IC几乎为零，表明筹码分布信息已被量价模型所覆盖。
• 模型合成效果：简单的1:1合成GBM与KC模型效果不佳，而采用滚动过去一年的ICIR加权合成方式，能够有效提升模型表现，尤其是在压20倍换手率的情况下，费后年化超额收益达到 $10.96%$。
• 因子极值中性的重要性：对动量和高波动因子的极值中性处理显著提升了组合的年化超额收益，其中“不做行业市值中性、压20倍换手、动量高波中性”的组合表现最优，费前年化超额收益为 $21.63%$，费后为 $18.94%$。
• 模型表现的稳定性：在进行极值中性化处理后，组合在2022年至2026年期间均实现了正超额收益，且回撤控制较好，展现出较好的稳定性与持续性。

关键信息

1. 筹码分布数据的特性

• 筹码分布数据是高维数据，具有时间与价格维度的双重特征。
• 通过颜色区分筹码形成时间，便于视觉模型快速提取信息。
• 筹码分布图形可以反映价格压力、获利空间、套牢深度等特征，但这些信息可能已被传统数值模型所捕捉。

2. 模型合成方式对比

• 等权合成：GBM+ViT、三源等权模型表现均不如GBM+K线ViT模型。
• ICIR加权合成：在压20倍换手率的情况下，三源（GBM、K线ViT、筹码ViT）滚动ICIR加权合成模型表现最佳，费后年化超额收益达 $10.96%$。
• 极值中性处理：对动量和高波动因子进行极值中性化后，模型表现显著改善。

3. 最终推荐组合

• 推荐组合：不做行业市值中性、压20倍换手、动量高波中性。
• 费前年化超额收益：$21.63%$
• 费后年化超额收益：$18.94%$
• 回撤：$9.79%$
• 年化换手率：$29.94$ 倍

4. 分年度表现

• 2022年：费前超额收益 $20.62%$，费后 $18.07%$
• 2023年：费前超额收益 $9.45%$，费后 $9.45%$
• 2024年：费前超额收益 $14.17%$，费后 $10.13%$
• 2025年：费前超额收益 $14.47%$，费后 $10.56%$
• 2026年：费前超额收益 $5.56%$，费后 $5.56%$

风险提示

• 本报告基于历史公开信息，可能受指数样本股变化影响，存在分析偏差。
• 模型表现不代表未来，市场环境变化可能导致策略失效。
• 投资者需结合自身风险偏好及承受能力，充分理解策略波动、风格及历史表现。
• 本报告不构成具体投资建议，仅作参考，操作需谨慎。

结论

• 筹码分布图形作为高维数据，可为ViT模型提供额外信息。
• 通过因子极值中性化与换手率控制，可以显著提升模型表现。
• 视觉大模型在处理高维数据方面具有潜力，未来可作为量化策略的重要组成部分。