研究结论
股票预测长期受困于数据稀缺，论文将其归为信噪比低（特征与收益率相关性不足 0.03）与数据同质化（同行业个股走势趋同）两点，导致模型易过拟合、样本外泛化能力下降。为此论文引入以 Transformer 为骨干的条件扩散模型 DiffsFormer，先在更大源域训练，再对目标域真实样本做“编辑”以扩充训练集。DiffsFormer 是上游的即插即用数据增强模块，只增强历史特征、不生成收益率标签，不直接做预测或交易，仅为下游模型扩充训练样本。实证显示，合成数据增强使下游模型在 A 股的样本外年化收益率明显提升。
核心框架
- 扩散增强原理：对真实特征逐步加噪、再学习逐步去噪，从而拟合特征分布。
- 编辑式增强与迁移学习：在更大源域（全 A 股）训练，对目标域（CSI300/CSI800）样本只加噪 T′ 步再去噪，由 T′ 控制生成样本偏离目标域的程度。
- 条件扩散：以收益率标签与行业为条件、并令生成特征沿用原标签，将扩散模型从生成适配到监督回归，采用 predictor-free guidance 免去额外预测器、简化训练流程。
- 即插即用：作为上游模块挂接 MLP、LSTM、Transformer 等八类下游模型，无需改动骨干。
亮点分析
相较普通生成式增强方法，DiffsFormer 有四点突破：
- 编辑式增强提升样本保真度：从真实样本出发、只施加有限扰动，生成样本天然锚定在真实分布附近，保真度更高。
- 迁移学习引入更大源域信息，缓解样本同质化：先在覆盖更广的源域训练，再对目标域样本做编辑，蒸馏新信息、缓解同质化问题。
- 条件机制解决生成样本标签难匹配问题：以收益率标签与行业信息作为条件，并让生成特征沿用原标签，使扩散模型从单纯生成任务适配到带监督信号的回归任务。
- 即插即用，可适配多类下游预测模型：不要求下游模型改变结构，也不依赖某一个特定预测器，可挂接到 MLP、LSTM、GRU、Transformer 等不同骨干之上。
实证结果
实证在 A 股进行，股票池为 CSI300 与 CSI800，特征取自 Qlib 的 Alpha158（回看 8 日），数据期 2008–2022 年；CSI300 测试八类模型，CSI800 因概念数据限制未纳入 HIST。年化收益率的相对提升上，CSI300 与 CSI800 分别达 7.2% 与 27.8%（均为相对提升，并非绝对年化收益率）。机制上，编辑步存在保真度与多样性的权衡（CSI300 上 T′=300 最优），标签加行业的联合条件最优；源域选择需结合实证，单纯扩大源域并不必然有效，全 A 股作为源域时迁移效果最好。对照实验显示，编辑式增强优于直接生成、随机加噪与 Shake-shake；仅用增强数据反优于“真实加增强”并集，作者推测与缓解 data collision 有关。
改进方向
结合 A 股投研流程，四个落地方向：
- 适配本土因子池，对接自有因子体系。
- 扩展条件维度，纳入市值、风格与宏观状态。
- 将增强模块嵌入因子挖掘、训练、压力测试与组合风控流程。
- 加强实盘约束，重点评估数据泄漏、交易成本与容量。
风险提示
- 生成样本依赖历史分布，对全新市场环境外推有限。
- 编辑步 T′ 需调参，过大偏离目标域、过小增强有限。
- 条件信息设置不当可能导致生成特征与标签匹配度下降。
- 合成数据训练存在数据泄漏风险。
- 论文以年化收益率为主要指标，采用 top30drop30 规则且未充分扣费，A 股实盘需检验扣费后净收益。
