猜你想问
申万宏源金工的研报主要讲了什么内容？
该研报探讨了视觉大模型ViT在量化选股中的应用。报告对比了ViT模型与经典决策树模型LightGBM，发现ViT模型在结合K线图和筹码分布数据后，能够提供额外的信息增量，并通过线性回归等方式降低算力需求。初步测试显示，仅使用K线图的ViT模型表现最优，残差IC达4%，证明其相比LightGBM有额外信息增量。策略组合测试中，将ViT模型与LightGBM、纯K线ViT模型结合，采用滚动SAR加权，压20倍换手率后，策略费前年化超额12.68%，费后年化超额10.96%
量化选股领域的发展趋势如何？
量化选股领域的发展趋势是从传统的CNN模型向ViT模型过渡。过去，CNN模型因自带图像局部与位置无关的先验，仅需少量数据即可训练而被广泛应用。2017年起，Transformer逐步取代CNN，当前主流为微型Transformer（ViT）。ViT模型虽然训练成本较高，但通过预训练和降维技术，已能在量化选股中发挥效用。报告显示，ViT模型结合K线图和筹码分布数据后，相比LightGBM有额外信息增量，证明其在量化选股中的潜力。未来，随着算力提升和数据处理技术的进步，ViT模型有望在更多量化领域得到应用
报告重点分析了哪些方向？
报告重点分析了ViT模型在量化选股中的应用方案和效果。首先，报告对比了ViT模型与LightGBM，发现仅使用K线图的ViT模型表现最优，残差IC达4%，证明其相比LightGBM有额外信息增量。其次，报告引入了筹码分布数据，发现基于K线加筹码的ViT模型相比LightGBM和纯K线ViT模型，残差IC仍有2.8%，具备增量信息。最后，报告将LightGBM、纯K线ViT、K线加筹码ViT作为三个因子，用滚动SAR加权，压20倍换手率后，策略费前年化超额12.68%，费后年化超额10.96%
当前量化选股的市场现状如何？
当前量化选股市场的主流模型是微型Transformer（ViT），但ViT模型的普及仍面临算力成本和数据处理挑战。报告显示，仅使用K线图的ViT模型表现优于LightGBM，但初始测试中仅图像模型的IC低于LightGBM，符合预期。这表明ViT模型在量化选股中的应用仍需进一步优化，例如通过预训练和降维技术降低算力需求。此外，报告还测试了引入筹码分布数据的效果，发现其能提供额外信息增量，证明ViT模型在处理高维凌乱数据方面的优势。综合来看，量化选股市场正从传统模型向ViT模型过渡，但仍有较大优化空间
研报提示了哪些风险？
报告提示了ViT模型在量化选股中应用的风险。首先，行业市值中性不建议使用，因为其对收益的影响大于回撤控制。其次，压换手率建议控制在20倍，否则可能因交易成本过高影响策略收益。此外，动量高波中性是提升策略稳定性的关键步骤，但若使用不当可能导致策略适应性下降。最后，报告未提及投资涨跌或买卖时机，但强调了模型应用中的约束条件，如算力成本和数据质量要求，这些因素可能影响策略的实际效果