主要观点：
　　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。