核心观点
　　本文使用Transformer架构对股票的时序价量信息进行特征提取并构建因子。经测试，基于Transformer挖掘的因子，样本外持有20日IC为16.39%，IR为1.68。该因子与其它因子相关性较低，可作为差异化Alpha收益来源。
　　添加Transformer挖掘的因子后，指增策略相比基准策略，绩效指标提升显著。以中证1000指增为例，策略年化超额收益提升16.42%，最大超额回撤缩减1.54%。
　　数据及模型
　　在机器学习与因子（二）报告基础上，对输入数据和模型架构进行重大调整。模型实现的功能由因子加权调整为因子挖掘；输入数据由月频因子数据，调整为日频价量数据，并对数据进行特别处理；时序信息由特征加位置编码调整为特征拼接时间向量；最终因子由多轮训练结果集成得到。
　　因子挖掘结果
　　Transformer挖掘出的因子，样本外（2020年1月1日至2023年11月20日）IC为16.39%，IR为1.68。模型10分层效果良好，单调性良好。该因子与现存的各大类因子相关性较低，仅与两个因子相关性超过0.3，最大相关系数0.44。该因子可作为差异化的Alpha收益来源。
　　指增策略结果
　　以月频调仓中证1000指增策略为例，费率设定为双边4‰。在现有因子库基础上，加入Transformer因子后，样本外，中证1000指增策略年化超额收益为26.67%，提升16.42%,最大超额回撤3.18%，减小1.54%，信息比率3.56，提升2.11。
　　风险提示
　　模型测算风险：超参数设定对深度学习模型结果有较大影响；收益指标等指标均限于一定测试时间和测试样本得到，收益指标不代表未来。
　　模型失效风险：机器学习模型基于历史数据进行测算，不能直接代表未来，仅供参考。
　　数据风险：未来的数据分布和特征可能与历史数据分布不一致，从而造成模型失效。