主要观点：
　　本篇是“学海拾珠”系列第二百七十篇，文献利用深度学习中的时间融合变换器（Temporal Fusion Transformer, TFT）模型，对美国共同基金业绩的动态时间序列模式进行学习与预测，并借助模型的可解释输出，揭示了基金技能何时具有信息性以及何时能够持续。
　　研究方法
　　1、TFT模型框架：文献采用序列到序列的深度学习模型，联合预测未来12个月的基金Alpha序列。模型包含变量选择模块、LSTM编码器-解码器、自注意力机制和分位数损失函数，能够同时处理动态、静态和确定性三类输入变量。
　　2、数据与验证：样本涵盖1990–2019年美国主动股票基金（3717只基金，50万+基金-月度观测）。采用滚动窗口10折交叉验证（训练窗口20年，前移12个月），每折内按基金ID80%:20%划分训练/验证集，确保无信息泄露。
　　文献主要结论
　　1、TFT预测能力显著优于传统模型：基于TFT预测构建的十分位多空组合，年化Carhart四因子Alpha差异达2.8%，且该业绩差异度持续长达四年。
　　2、历史Alpha是最重要的预测变量：基金自身的回报历史占模型决策权重的28.8%，其次是市场回报、期限利差、违约利差、通胀等宏观变量。历史Alpha的重要性呈现季节性，与公司盈利周期高度吻合。
　　3、危机时期获得更高注意力权重：衰退期的平均注意力权重比非危机期高出约46%，表明极端市场条件更能揭示基金经理的真实能力和策略。
　　4、条件技能度量具有长期持续性：基于变量重要性定义的“高信息性时期”内计算的条件Alpha，能够预测未来12–48个月的业绩，且在控制历史Alpha后仍然显著。
　　5、技能是状态依赖的：传统线性模型难以检测到无条件持续性，是因为技能只在特定信号重新具有信息性时才显现。
　　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。