ViT（Vision Transformer）的架构是当前主流大模型视觉的架构，值得尝试进行量化选股策略的开发。早期AI视觉的代表是卷积神经网络（CNN），当Transformer模型成为大模型的重要方向后，以ViT（Vision Transformer）为代表的架构成为大模型视觉的主流骨架。本文以中证500指数成分股内选股构建指数增强策略为例，尝试对视觉大模型ViT进行选股策略的研发。
　　 ViT模型特点：相比CNN，ViT需要大量的数据进行训练，但借助下载模型本身的预训练，我们不必从头开始进行训练。我们在对该模型进行输入时：是把每个股票过去60个交易日的K线图生成384×384像素的图片，切成14×14的小方块，共729块，喂给模型，输出则是对每张图生成一个1152维的向量。这个向量数据虽然本身缺乏直观的经济学含义，但代表该图片的主要信息，我们继续以1152维向量的信息来进行和股价的回归。
　　对比经典机器学习GBM和ViT的表现，经过大量特征工程的GBM模型拥有更高的IC，这是“精确数值”的信息优势。可以准确的刻画开、收、高、低等信息是图形无法掌握的，图形模型的IC均比其要低。图形模型具有增量信息：R0线性模型相比GBM的残差IC显著且在4%的水平，证明了图形相比纯粹的数值模型有增量贡献。虽然大量的特征工程几乎穷尽了所有K线图上的规律，但一些可能的形态识别使得ViT相比GBM有额外的超额收益。R0线性模型的ICIR也要更高，足以体现增量信息在稳定性上的特征。图形模型不需要额外的特征工程。R1和R2的表现并不比简单的R0更好，甚至稳定性也有所下降，说明图形模型不需要额外单独做特征工程，我们猜测可能的原因是：我们使用的预训练模型未做参数调参，过往的大数据训练大概率是原始的K线图而非增加了其他标记的图形。线性模型比小型神经网络更好。无论是R0、R1还是R2，线性模型以ICIR为代表的预测效果比神经网络整体上要更好，即1152维的向量在转化到股价预测上使用线性模型即可。
　　将ViT对GBM正交取残差，将残差合并进GBM模型，合成模型的费后表现有了进一步提升。ViT本身的信息量有限，证明了其具有额外的信息增量后，其合适的使用方式是正交后与GBM模型合并，合成模型在费后超额表现上有了进一步的提升，在2022-2026.7.23的中证500内选股，费后年化超额收益可达9.40%
　　风险提示与声明：本报告对于量化策略、指数的研究分析均基于历史公开信息，可能受指数样本股的变化而产生一定的分析偏差；阅读本报告时，投资者需结合自身风险偏好及风险承受能力，充分理解因子表现及量化策略的波动、风格、历史表现、风险等因素。模型根据历史数据构建，历史表现不代表未来，市场环境发生重大变化时可能失效。