研究结论
　　针对股票收益率预测任务，采用TRA模型，用以识别不同的交易模式，直面“市场规律具有时变特性”这一核心问题。期望为每只股票，在每个时刻，都能找到与之相适应的股票收益率预测器或预测器组合，从而达到更优的预测效果。为了防止输出结果集中在个别预测器，借鉴了最优传输问题（OT）来指导路由器的学习。
　　多股票交易模式：现有的股票收益率预测方法通常假设股票数据独立同分布，采用单一模型对股票数据建模。但实际上：（1）股票数据通常会包含多种不同的分布。（2）市场存在不止一种交易模式。（3）交易模式存在时变特性。
　　TRA：由股票收益率预测器和路由器组成。预测器用于建模不同的股票交易模式，路由器用于预测样本属于哪种交易模式。TRA可以作为一个扩展模块来增强现有的股票预测模型，使其具有学习多种交易模式的能力。
　　OT：为了防止输出结果集中在个别预测器，将样本到预测器的分配问题表述为一个最优传输问题，并通过一个正则化损失项来指导路由器的学习。
　　多输入：使用alpha因子和风险因子两类输入数据。不同输入得到的因子低相关，多输入模型进行等权合成，可以进一步提升模型效果。
　　特征提取：引入注意力机制，transformer模型为更优选择。
　　路由器输入：利用两种类型的信息作为路由器的输入，用于预测样本的交易模式。特征的潜在表示和预测器的预测误差对路由器都有价值。
　　多预测器：多个预测器比1个预测器好；预测器不应高度相关，应有差异；预测器应分散配置，不应一直只选择某一个预测器；预测器数量不需要太多
　　。端对端：TRA是一个端对端模型，直接给出多因子的加权方案，并且对于每个时刻每个股票，加权方式都可以不一样，完全灵活。
　　合成因子绩效：在中证全指股票池中，TRA模型合成因子得分在测试集（20202023年）上rankic16.38%，rankicir1.22（未年化），20分组多头年化超额收益23.86%，月均单边换手仅57%。样本外未出现衰减，今年表现最好，2023年rankic达到20.18%。因子整体衰减速度较慢，rankic滞后20天仅衰减30%左右。因子中性化后rankic仍有13.88%。随机种子对全市场训练的的TRA模型结果影响很小，5个路径下得到的因子值相关系数在90%左右。
　　Top组合绩效：在中证全指内，使用TRA模型构建的top100组合，2020年以来年化超额收益达到31.27%，单边年换手8倍，最大回撤21.67%。2021-2023年，每年相比中证全指的超额收益都在20%以上，2023年到10月19号绝对收益达到17%，超额收益达到25%。
　　沪深300指数增强组合：TRA模型在沪深300指增组合中表现突出，2020年以来信息比达到1.87，年化对冲收益超13%，单边年换手仅6倍。每年均取得正超额，2023年到10月19号对冲收益达到10.53%。
　　中证500指数增强组合：TRA模型在中证500指增组合中表现突出，优于300增强。2020年以来信息比达到1.85，年化对冲收益达14%，单边年换手仅8倍。2020-2023年每年超额都超过10%，2023年到10月19号对冲收益达10%。
　　中证1000指数增强组合：TRA模型在中证1000指增组合中表现突出，优于300和500增强。2020年以来信息比达2.35，年化对冲收益达18.47%，单边年换手仅8.8倍。2020-2023年每年超额都超过10%，2023年到10月19号对冲收益达10%。
　　风险提示
　　1.量化模型失效风险。
　　2.极端市场环境对模型的影响。