核心观点
　　时间序列模型从最初的基于统计学的模型一直发展到如今的机器学习模型，在机器学习模型中，又从一开始的经典机器学习模型，发展到深度学习模型，直到最新的预训练时间序列大模型。模型的复杂程度不断提高，处理信息的能力也不断提高，在传统领域，自然模型效果也不断提高。
　　本文我们采用alpha360因子作为输出，测试了不同模型的表现，包括各类截面模型，LSTM,GRU,DARNN,TCN,和以Transformer为基础的各类Xformer模型以及基于MLP的时序模型Dlinear，TiDE等。
　　结果表明，在因子结构较为简单时，时序模型相比截面模型有明显优势，其中RNN，TCN与原始Transformer结果较好，复杂Xformer没有明显效果。
　　因子结构复杂且数量更多时，RNN，TCN，Transformer模型表现均有所提升，其中Transformer以及GRU效果最好。
　　风险提示
　　本报告中所有数据结果是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议。