申万把结构化情绪指标重做成"状态×变化交互 + 双层 Ridge"，并用视觉大模型 ViT 从 K 线图中挖与数值因子正交的增量；兴证以转移熵刻画个股→行业的信息传导

0. 近月脉络

近月三条主线并行：深度学习因子的去风格化与稳定性（国盛 WPE/CDE、广发 StableAlpha）、Level-2 逐笔新切面与高频因子算子化（撤单、知情交易、长江高频因子十九/二十）、研究重心从”造因子”外扩到配置层与信号应用层。本期转向”已有信息如何重新合成、换一种表示”：情绪指标的模型化合成、K 线图的视觉表征、个股→行业的信息传导。

1. 本期研究灵感 ⭐

灵感点1：把结构化情绪指标从”离散等权求和”重做成”连续 State + 经济交互 + 双层 Ridge” ^[1]

• 灵感点：申万先诊断原框架三处简化——九个分项等权（忽略不同市场阶段边际作用不同）、默认彼此独立（忽略资金/杠杆/趋势的相互确认）、离散 -1/0/+1 打分加 20 日均线（压掉幅度、偏向描述过去）。改造分三层：①连续 State——除期权情绪（PCR 结合 VIX）外，其余八项改用 250 日滚动 z-score，保留偏离幅度；②12 项”状态×变化”交互，按经济逻辑预先固定、归入交易结构/动能趋势/资金行为/风险偏好四个模块（例如”主力资金状态×杠杆 D1 变化”看两类资金是否同向、“拥挤状态×RSI 5 日变化”看趋势变化所处的交易环境），其中与融资余额相关的变化统一取 D1、其余取 D5；③两层 Ridge——内层在各模块内把三项交互压成一个模块得分（模块内降维、抑制共线性下的权重漂移），外层把 4 个模块得分 + 9 项主效应共同回归，主效应施加非负系数约束以保住原有经济方向、模块系数不限符号。样本外（2018 年起，特征按数据可得时间逐季加入）新指标与万得全 A 未来 5/10/20 日收益的 Spearman 相关性均 >0.15（10 日最高 0.1924），总胜率 ≥55%，五分组 Q5−Q1 分别为 1.3/2.3/2.6 个百分点；阶梯仓位（0.2 单位一档映射仓位）在周频下把多空最大回撤从 −20.99% 收窄到 −13.65%、年换手从 48.19 降到 19.87。
• 出处：申万宏源金工沈思逸/邓虎/张楠——“量化择时策略研究系列之五《基于多维状态交互与双层 Ridge 的结构化情绪指标优化》“。切入角度是原指标多以”总量”衡量情绪、对结构与拐点不敏感，且合成方式把底层指标的信息传导挡住了。
• 启发 / 怎么用：①最可搬走的是 “状态×变化”交互设计——用一个指标的当前状态（绝对值）去正交另一指标的近期边际变化，等于把”确认/背离”这类经济学语言写成可回归特征：既避免把长期高/低位误当新增信息，也避免只看变化而丢掉变化发生的环境，几乎可以直接套到杠杆、资金流、趋势、拥挤度这几类变量的两两组合上。②两层 Ridge + 主效应非负约束是”经济逻辑约束下的正则化”的范例：内层解决模块内变量高度相关时的权重不稳，外层既让条件关系随环境变号、又不许模型靠反向使用主效应骗样本内拟合；这种做法比”全丢给一个黑箱”更容易解释和验收。③工程细节建议直接抄进自己的宏观/择时模型流程：季度 walk-forward 且 purge=20（训练截止日提前 20 个交易日防泄露）、对 5/10/20 日三个预测目标的系数做简单平均后再用同一套系数、新系数按约 1.5 年半衰期与历史平滑且季度内冻结、最后用 504 日历史 RMS 把原始得分转成”情绪强度是近期典型幅度的几倍”。④要警惕的是报告自陈的分年失效：2021 年排序与择时同时失效、2023 年排序减弱但择时仍有效、2025 年强趋势下出现期限错位（5/10 日相关性转负、20 日回升），说明这类指标更适合当”市场状态与右侧趋势的确认变量”而非独立择时器；另外时序相关性与择时有效性并不完全同步，评估时两类指标要分开看。

灵感点2：把 K 线图当图像喂给预训练视觉大模型，取残差后并入数值模型 ^[2]

• 灵感点：申万探索”图形”作为与数值特征正交的新信息入口——把每只股票过去 60 个交易日的 K 线图渲染成 384×384 像素图像、切成 14×14 共 729 个 patch，喂入预训练视觉模型 SigLIP（约 4 亿参数，直接下载、不做微调），每张图输出 1152 维向量，再回归未来 20 日收益。四条结论：①对比带 105 个特征的 LightGBM，任何图形版本的 IC 都更低（GBM 0.0754 vs R0 线性 0.0594），“精确数值”仍有优势；②但 R0（60 日 K 线 + 成交量 + 20 日均线）线性模型对 GBM 的残差 IC 约 0.041、显著性 4.69，证明图形含增量信息；③给图形做”特征工程”（R1 加均线/VWAP/跳空标记、R2 再加周 K 副图）反而更差、稳定性下降，推测是预训练分布本就是原始 K 线；④1152 维向量用线性模型即可，优于小型神经网络。最终采用”正交取残差后与 GBM 得分标准化相加”，在压制双边换手 ≤20 倍时，2022–2026/7/23 中证 500 内费后年化超额 9.40%（GBM 8.05%）。
• 出处：申万宏源金工邓虎——“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”（2026/7/30 发布）。切入角度是量价机器学习策略已趋于同质化，需要新的信息入口或新模型。
• 启发 / 怎么用：①”图形是一种与数值正交的信息表达”是当前量价因子拥挤环境下少见的低相关增量来源，报告给出的用法值得照抄——不做独立因子，而是正交取残差后并入主模型；②”预训练基座不做微调、不加人工标记反而最优”提示我们在金融场景复用视觉/语言基座模型时，人为叠加特征可能破坏其预训练分布，先在原始形态上试一版是更省的路径；③高维稠密表征未必需要复杂头，1152 维上线性回归已够，这与”表征好则下游简单”的经验一致；④可迁移方向：把分时走势、盘口/逐笔成交做 2D 渲染，或做 K 线 + 资金流双通道图。需要警惕的是 ViT 自身换手极高（双边 50 倍以上）、2024 下半年以来多空与多头超额同步回撤（“IC 累计 ≠ 超额”），2025 年负超额约 8%，要靠对高波动/高动量前 10% 个股做极值中性约束才转正——即图形模型目前是”辅助增量”而非独立收益源，且对风格极值暴露敏感。

灵感点3：用转移熵刻画”个股→行业”的信息传导，做行业轮动的领先信号 ^[3]

• 灵感点：兴证把行业轮动下沉到个股层面：将个股划分为不同涨跌状态，用转移熵 (transfer entropy) 在控制行业自身历史状态的条件下，衡量个股状态对行业下一期状态所提供的信息增量，从而识别真正具有行业信息传导能力的股票，并据此形成”高转移熵股票动量策略”与”基于条件状态的方向性预测策略”。报告强调转移熵同时考虑信息传递的方向性、条件性与非线性，比相关性更适合刻画个股信息向行业的扩散过程。
• 出处：兴证金工郑兆磊/宫民/罗婧——风格轮动月报，对应 2026/8/27 外发《领先和传导——基于个股行业动态关系的行业轮动策略》。该框架被嵌入”分歧与共振”行业轮动模型的技术面维度。
• 启发 / 怎么用：①转移熵把”谁领先谁”从相关性升级为条件信息增益，天然含方向和非线性，可以平移到任何有传导方向的成对场景——龙头股→板块、上下游产业链→行业、海外映射→A 股映射、指数期货→现货；它和各家做”动量溢出/产业链景气溢出”是同一问题族，但提供了信息论工具。②实现上有几个坑：需先对状态离散化、估计联合/条件转移概率并做显著性检验，样本量不足时转移熵偏差大，建议配合置换检验或对状态数做敏感性。③要警惕：该月报的超额来自叠加技术面、基本面、资金流与宏观发布日效应的复合策略，转移熵单独的贡献并未拆解，把它当”新增一维正交信号”来验收更稳妥。

灵感点4：股债性价比 3.0——用汇率动态调整中美利率权重，把”估值锚会切换”显式建模 ^[3]

• 灵感点：经典股债性价比（股息率 − 10 年国债收益率）2022 年后长期高位而市场持续下行，兴证先做 2.0 版（用信用扩张增速趋势调整股票端、用中美 10 年国债等权均值调整债券端），3.0 版进一步引入汇率对中美利率权重的动态调整：人民币稳定或升值时，中债利率对 A 股定价影响更强、提高中债权重；出现明显贬值压力时，美债利率的权重被放大。指标随后按滚动 4 年历史分位数 Q 线性映射为仓位（灵活组合股票权重 = Q，长期中枢约 50%；固收加 = Q×30%，中枢约 15%）。
• 出处：兴证金工郑兆磊/宫民/罗婧——风格轮动月报，方法见《中低波组合解决方案：从股债性价比 3.0 到多资产动态仓位框架》；截至 2026/9/30 指标处于 19.80% 分位。
• 启发 / 怎么用：①把”无风险利率锚在不同阶段并非固定不变”写进指标，是处理一切长期失效的相对估值/风险溢价类指标（ERP、行业相对估值、股债利差）的通用思路——与其反复调参数，不如把”基准会换”本身参数化为状态依赖的时变权重；②汇率作为中美利率权重的中介变量，比固定等权更贴近跨境资金流的现实，这条思路也可用于港股/A 股溢价、外资持股比例类因子的构建；③”历史分位数直接当仓位”这条线性映射简单、可解释、易复现，值得作为宏观仓位模块的基线。

2. 方法论主题归类

• 模型与算法：申万本期贡献两条——结构情绪指标的”状态×变化交互 + 双层 Ridge”经济约束下合成 ^[1]，以及用视觉大模型 ViT 从 K 线图中提取与数值因子正交的表征 ^[2]。两者共同点是”不换数据源，换信息的组织与表示方式”。
• 另类视角：兴证把信息论工具（转移熵）引入行业轮动，把”谁领先谁”形式化为条件信息增益 ^[3]；申万把计算机视觉的图形表征搬到量价上 ^[2]。跨领域工具的移植是本期最鲜明的特征。
• 框架与方法：兴证改进股债性价比 3.0，用汇率驱动中美利率权重切换，并给出分位数→仓位的线性映射模板 ^[3]，是”如何救活长期失效的宏观估值指标”的一个成体系样本。

3. 值得持续追踪的系列

• 申万宏源”量化择时策略研究系列”：本期更新至之五（结构化情绪指标优化）^[1]，其之一即为原始的结构化情绪指标体系，可对照看”同一批指标被重新合成”的前后差异。
• 申万宏源”金工因子观察”：本期第 13 期（视觉大模型 ViT 选股）^[2]，是该系列探索非数值信息入口的一期，值得跟它后续是否做参数微调或换更大基座。
• 兴证金工”风格轮动 + 股债配置”系列：本期月报同时承载了转移熵信息扩散轮动 ^[3] 与股债性价比 3.0 ^[3] 两条方法论主线，可把其 2.0→3.0 的迭代当”估值指标失效修复”的连续案例来读。
• 长江金工 2026 深度研究合集（目录） ^[4]：该合集列出其全部在研系列的最新期号——高频因子（二十、算子化方法论三）、神经网络因子挖掘（六，含强化学习混频 Multi-Step DQN 择时）、多因子选股（二十二，分析师预期偏离因子）、港股量化洞察（二）、时序选股模型（一，平台突破）、投研工具箱（八，风险溢价监控）、AI 投研（一至三：CJPY 数据服务 / 行业四象限监控 Skill / WorkBuddy 应用），可作为追踪长江方法论线索的索引页。

---

附：补充信源

• ^[5] 招商金工 — “预期共振”行业轮动月报：三维 11 指标体系（投资景气度含”守正出奇”的边际上行贝塔、超预期报告、交易热度、基于点击量数据的关注情绪四个因子；量价含基于 Fama-French + GARCH 的预期特质波动率拥挤度、成交弹性等；分析师预期含分析师市场影响力算法与精选券商法）。其为月度跟踪报告，构造细节以 2023–2025 年早前深度报告为准，但”点击量另类数据”与”拥挤度的模型化定义”两条值得单列。
• ^[6] 广发金工 — 量化转债月报：三套因子体系（32 个基本面 + 80 个低频价量 + 32 个高频价量）＋定价偏差因子（转债市价 − 考虑赎回/下修/回售条款与退市信用风险的理论价）＋转债指数三视角择时（价量、定价偏差、转债弹性），可作为转债量化框架的完整样本；报告本身为月度跟踪。

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。