AI看图：在去年发布的《基于卷积神经网络的股价走势AI识别与分类》研究报告中，创新性地采用基于深度学习的图像识别技术，将价量数据图表与未来股价走势进行建模，以实现股票价格预测。
　　股价预测之多模态多尺度：本文以“多模态、多尺度”为题，基于AI看图初版模型进行了大幅改进，新的模型结构如右图1所示。本文模型在日度价量数据图表的基础上，加入了高频因子数据、日频时序数据、周度价量数据图表，采用4个独立的深度时序模型和深度卷积模型进行多模态、多尺度的特征提取，并同时采用回归损失和分类损失以端到端的方式进行模型训练，有效提升了模型对未来股价的预测能力，取得了更为显著的超额收益。
　　对比提升：以2020/01/01~2024/10/31作为样本外回测区间，每20个交易日进行换仓，本文模型预测结果在全市场、沪深300、中证500、中证800、中证1000、国证2000、创业板的RankIC均值分别为8.7%、7.9%、6.6%、6.9%、8.2%、8.7、10.4%，RankIC胜率分别为86.7%、69.0%、73.5%、75.2%、84.8%、86.1%、89.2%。以全市场作为回测统计口径，对比AI看图初始版本，本文模型的RankIC均值提升了3.0%，RankIC胜率提升了7.8%。
　　超额表现：以2020/01/01~2024/10/31作为样本外回测区间，基于本文模型因子在全市场、沪深300、中证500、中证800、中证1000、国证2000、创业板分别构建10分档多头股票组合，双边千三计费后，多头股票组合分别相对对应板块指数取得了12.97%、9.17%、5.30%、8.38%、7.47、7.47%、11.52的超额年化收益率。
　　与Barra风格因子相关性：整体而言，本文模型因子与Barra风格因子的相关性较低，其中，相关性最高的三个Barra风格因子为流动性因子、波动率因子和市值因子，相关系数分别为-18%、-16%和-8%。
　　展望：本报告以研发为主要目的，对模型进行了严谨的训练、验证、以及回测。其中，训练样本为2008~2016年数据，验证样本为2017~2019年数据，回测样本为2020~2024年数据。从理论上来说，通过加入更新、更多的训练样本，结合滚动训练等方式，能够进一步提升模型对未来股价的预测能力，取得更为显著的超额收益。
　　风险提示：（1）本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；（2）本文策略在市场结构及交易行为改变时有可能存在失效风险；（3）因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。