原创力文档- 1、本文档共20页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
证券研究报告专题报告2025年03月13日
AI+HI系列（7）
DecompGRU：基于趋势分解的时序+截面端到端
模型
前言华创证券研究所
近年基于Transformer的深度学习模型已有广泛运用，但我们仍能看到一些研
究将注意力机制替换为MLP、CNN等模块，更简单的模型同样能取得有竞争证券分析师：王小川
力的表现，模型能力的贡献可能并不完全来自于特定的tokenmixer，而是相当
电话：021
程度源于框架性的设计。受此启发，本篇报告我们设计一个模块简单，但在框
邮箱：wangxiaochuan@
架流程上不同于基线的新模型。
执业编号：S0360517100001
模型流程
联系人：洪远
我们延续并拓展先前报告“股票时序内的局部-整体交互+截面股票间交互”的
整体思路，构建新的时序+截面端到端模型DecompGRU。我们通过趋势分解邮箱：hongyuan@
模块得到时序趋势与残差分量解耦表征，随后使用单独的分支进行特征提取，
其中股票的截面交互同样基于去均值处理实现；相关研究报告
因子测试《AI+HI系列（6）：对端到端模型泛化性的思考
与改进——基于样本加权与风格约束》
我们使用150D数据集，分别以IC、MSE两种损失函数训练模型，GRU模型2024-12-12
作为对比基线；DecompGRU与基线模型最低相关性为0.72，在风格倾向上与《AI+HI系列（5）：CrossGRU-2：基于Patch与
基线模型存在一定差异，在小市值选股域中优势更为明显；多尺度时序改进端到端模型》
在中证全20250228区间内，DecompGRU的10日RankIC为0.13、2024-07-05
RankICIR为1.1；20日RankIC为0.141，RankICIR为1.23，均优于基线模型；《AI+HI系列（4）：CrossGRU：基于交叉注意
力的时序+截面端到端模型》
周度分组测试中（不计交易成本），TOP组年化收益为52.82%，较基线提高2024-04-19
7.2%；在300/500选股域中，则整体表现弱于基线。
基于DecompGRU-MSE构建指增组合，在双边换手30%的约束下，回测区间
内300/500/1000指增组合年化超额收益分别为8.48%、11.65%、17.11%，对应
跟踪误差分别为4.8、5.88、6.69。
风险提示：
策略基于历史数据回测，不保证未来数据的有效性。深度学习模型存在过拟合
风险。深度学习模型受随机数影响。
证监会审核华创证券投资咨询业务资格批文号：证监许可（2009）1210号
文档评论（0）