ViT（Vision Transformer）视觉大模型可以从K线转向更高维度的信息，比如筹码分布数据。由K线生成的ViT模型主要是补足了特征工程未识别的一些形态特征，视觉模型更重要的发挥空间，应该在于数值模型难以识别、或数值化工作量过大的一些领域。筹码分布天然属于高维数据，相比K线有独特适用于视觉模型的优势：首先，筹码分布在不同的“峰”、“偏度”等特征上，有一些数据模型不易量化的优势。第二，筹码分布在时间序列上的变化属于高维数据，数据模型分析起来数据量过大。第三，视觉模型分析筹码分布数据可以减少数据的单位统一等工作量，大幅减轻了数值模型的工作量。
　　K线和筹码分布的图形能提供额外的信息增量：经过测算，本文手工从筹码分布提取的信息可以完全被开、收、高、低、量的数值模型覆盖，不存在额外的增量信息。但如果根据K线和筹码分布的图形通过ViT模型进行训练，其IC在5%，ICIR在0.426，相比GBM模型的残差IC维持在3%附近，整体比单一的K线ViT模型要稍低，但可贵的是：相比GBM+k线ViT的合成模型，KC模型依然还有2.8%的残差IC，及0.3的残差ICIR，意味着筹码分布的图形可能提供了额外的增量信息。
　　三源合成模型采用滚动ICIR加权是较优的方式：如果只是简单的把GBM模型和KC模型按1：1合成，其表现比不上GBM与K线ViT模型的表现，原因在于：当GBM和K线ViT模型已经体现了大部分量价信息后，筹码图形所带来的额外信息增量是有限的，不适用于简单的1比1合成。我们使用滚动过去一年ICIR加权，在压20倍换手率的情况下费后超额达到了10.96%，成为较优的组合。
　　行业市值不做中性、对动量高波因子极值中性化的组合成为本文的推荐组合：对动量、高波前10%股票进行极值中性后，组合的年化超额收益都有了显著提升，其中较好的一组来自：不做行业市值中性、压20倍换手、动量高波中性的组合，费前年化超额收益达到了21.63%，费后年化超额收益也有18.94%，成为本文的推荐组合。
　　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。