ViT视觉大模型捕捉K线形态增量信息 vs 另类数据全景与"周期效应"反思
本期两条方法论主线：申万宏源将视觉大模型ViT引入量化选股，把K线渲染成图、经预训练ViT编码后与GBM正交残差融合，证明"图形"存在数值特征之外的增量信息 ；兴业金工以文献综述系统梳理另类数据九大类别与生成式AI的范式革命，并重点引介"短期高频数据过度使用会挤出长期预测能力"的周期效应 。
0. 近月脉络
近月灵感集中在：AI智能体因子挖掘（广发CogAlpha）、高频微观结构因子簇（国盛订单聚集）、组合约束精细化（申万偏度峰度）、深度学习分域训练与多状态融合（申万GRU、兴业机器学习系列）。本期两条线分别指向”新模型”与”新数据”：申万把深度学习选股推进到视觉大模型ViT的K线形态识别，兴业以综述形式给出另类数据从”数据丰度”到”周期效应”再到生成式AI的方法论演进地图。
1. 本期研究灵感 ⭐
灵感点1：视觉大模型ViT选股——用预训练K线编码器捕捉数值模型遗漏的形态信息 [1]
- 灵感点：申万宏源以中证500指增为例，把个股过去60个交易日K线图渲染为384×384像素图片，喂给预训练的视觉大模型ViT（SigLIP，约4亿参数，ModelScope可直接下载），输出1152维向量后再回归预测未来20日收益。三个关键发现：①ViT对经典LightGBM正交取残差后，残差IC显著（4%水平），证明K线”形态”确实含有数值特征工程之外的信息增量；②图形模型不需要额外特征工程——在图上叠加更多均线、跳空标记（R1/R2）的ICIR反而不如纯K线（R0）；③1152维向量用线性模型映射优于小型神经网络。将ViT残差因子与GBM得分合成后，费后年化超额从8.05%提升至9.40%，再叠加”动量/高波动极值中性”约束后各年超额全部转正。
- 出处：申万宏源邓虎团队——“申万金工因子观察第13期”《视觉大模型ViT在量化选股上的探索》。
- 启发 / 怎么用：这篇报告最可迁移的不是ViT本身，而是”新信息源如何并入主力模型”的三步流程：正交化→残差IC显著性检验→残差因子合成。研究者可以把任何异质信息源（文本向量、图像特征、另类数据打分）照此流程先做增量检验，避免”直接替换模型”的高昂代价。其次，“预训练视觉模型当特征抽取器”的工程路径成本很低、复现门槛不高，可推广到分时图、分钟热力图、订单簿快照等图形态数据；“线性头优于神经网络”的结论也提示视觉特征已是高质量抽象，下游无需复杂结构。值得警惕：ViT单独使用信息量不足、双边换手高达50倍以上（费后收益被成本大幅侵蚀），必须与数值模型合成并控制换手；2025年负超额显示图形alpha与量价alpha同受环境失效影响，增量需要配合组合约束才能转正。
灵感点2：另类数据方法论全景——从”数据丰度”红利到”周期效应”红线，再到GenAI范式革命 [2]
- 灵感点：兴业金工以综述形式梳理另类数据在因子挖掘中的完整逻辑链：首先引介Dugast & Foucault (2025)的”数据丰度”理论——数据池扩大带来”隐藏金矿效应”、管理人业绩分化加剧、价格信息含量提升；接着逐一回顾地理空间（卫星停车、热红外）、舆情情绪（社交媒体关注度与情绪分离）、消费行为（信用卡交易）、供应链（B2B支付及时性）、人力资本（员工评价）、ESG（评级分歧）、物联网（工业用电）、网页爬取（在线价格）、专家网络（分析师调研）九大类数据源的代表性实证；再重点引介Dessaint et al. (2024)的”周期效应”：短期高频另类数据被过度追逐会诱发注意力挤出，一年期以上长期盈利预测精度系统性下滑；最后提出生成式AI赋能另类数据的三个层次——文本语义理解、非文本结构化解析、多源异构融合，并给出”长短周期分层数据源建设""另类数据延伸至公司治理与风控”等未来方向。
- 出处：兴业证券郑兆磊/林沁莹团队——“海外文献推荐系列之一百九十二”《另类数据的量化投资图景：从数据丰度到范式革命》。
- 启发 / 怎么用：这篇综述的实用价值是给出一张”另类数据落地清单+避坑指南”。对A股研究者，可落地性较高的方向包括：分析师实地调研数据（深交所强制披露，已有公开数据）、ESG评级分歧（多家评级机构可得）、工业用电（省级月度数据）、在线价格爬取——都可以按综述中的因子构造逻辑做本土化复验。“周期效应”是最值得记住的一条认知红线：短期高频另类信号增厚收益的同时，会系统性挤占对长期基本面的研究投入，这提示在因子库建设时要有意识做长短周期分层，而不是全部堆短期信号。GenAI三个层次则可直接作为工程路线图：先用大模型做文本语义因子，再扩展到图像/时序的结构化解析，终极目标是跨模态融合。
2. 方法论主题归类
本期灵感仅2条且方向分散（新模型 vs 新数据综述），暂不做主题归类。
3. 值得持续追踪的系列
- 申万宏源”申万金工因子观察”系列：第13期《视觉大模型ViT在量化选股上的探索》 [1]，从既往的因子/组合约束主题跨界到视觉大模型，可关注后续是否对预训练权重做金融数据微调，或拓展到分钟级图形输入。
- 兴业金工”海外文献推荐系列”：第192期《另类数据的量化投资图景》 [2]，该系列已从单篇文献翻译转向主题综述（此前覆盖风险平价、风格轮动、智能体与深度学习），可关注下一期主题及其对A股实践的映射。
附：补充信源
- [3] 广发金工 — 中证港股通信息技术综合指数分析：虽是指数产品介绍，但包含”港股科技资产分层（平台互联网/综合科技龙头/AI硬科技）""需求—资本开支—硬件订单—盈利兑现”产业链传导框架，对AI硬件主题的另类指标跟踪有背景参考价值。
- 本期其余报告（[4][5][6][7]）为跟踪型周报（指增组合超额、因子表现监控、择时观点、基金仓位跟踪），无方法论或新因子创新。
本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。
本系列近 30 天回顾 9/17 – 10/17
- 从“造因子”转向“重做信息表示”：近月先见成长因子困境修补、Level-2 撤单与知情交易等新切面，随后申万把情绪指标重合成状态×变化交互、把 K 线图交给视觉大模型，兴证用转移熵刻画个股到行业传导，主线从换数据源演变为换信息组织方式。
- 深度学习选股从端到端黑箱走向职责分离与状态自适应：国盛把量价指纹预训练与收益解耦、Alpha/Beta 双头训练单头部署，申万用可实时状态标签给 GRU 做时序分域，广发 StableAlpha 继续追风格捷径，重心从模型复杂度转向可复现的约束与归因。
- Level-2 与高频因子从成交信息扩向“非成交、极端时点、图形”：广发把撤单与知情交易概率做成因子族，长江以极端时间点为离散向量锚点，申万再用 ViT 从 K 线图取与数值因子正交残差，信息切面持续外扩。
- 配置与轮动从截面选股外扩到风格、行业和多资产：广发用宏观预期差、相对波动极端分位、多维行业打分构建轮动，兴证把转移熵嵌入行业轮动并迭代股债性价比，国盛把量价事件信号改造成绝对收益策略，信号应用层成为新战场。
- 验收标准从 IC 高低转向增量、正交与真实约束：多篇开始强调量价中性后衰减、回归取残差、与既有因子低相关、按数据发布时点起算收益、状态标签不可含未来信息，评价重心从“因子有效”变为“在真实流程中是否仍有增量”。