本篇是“学海拾珠”系列第一百八十五篇，作者证明股票预测通常存在数据低信噪比（SNR）和数据同质化这两方面的数据稀缺问题，对准确预测构成重大障碍。为了解决问题，本文作者引入扩散模型（DM）来生成具有 Transformer 架构（DiffsFormer）的股票因子。该框架主要借助 标签和行业信息来增强时间序列 选 股 因 子 。此 外 ，深 入了 解DiffsFormer 各组件功能，并开发出几种新技术来提高模型的整体表现、时间效率以及降低波动性。最后，作者在沪深 300 和中证 800 两个数据集，采用 8 种常用的机器学习模型进行实证。回到国内市场，挖掘 alpha 的难度日益提高，本文基于 DiffsFormer的因子增强框架较为新颖，值得一看。将 DM 从生成任务调整为有监督学习任务提高股票预测能力股票预测任务中，干净且信息丰富的监督信号对于模型训练至关重要，但直接向标签添入因子向量是无效的，因此作者通过引导输入标签信息和行业信息来控制合成过程，以使得 DM 从生成任务适应到回归任务。此外，通过整合无预测器的引导来进一步增强引导的灵活性。在 DM 中引入迁移学习提高数据生成的保真度由于数据 SNR 较低，DM 中引入迁移学习，在更大的源域中进行学习，提炼新的知识和信息，而后在目标域中编辑现有因子，而不是合成新样本。实证结果表明，该方法与添加随机噪音相比效果更好。此外，该方法还可以缓解数据碰撞现象。实证分析表明 DiffsFormer 框架的有效性作者在沪深 300 和中证 800 两个数据集中，使用 8 个常见的机器学习模型验证了 DiffsFormer的有效性，所提出的方法在年化收益率方面分别实现了显著提升。风险提示文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。