AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型-20页.docxVIP

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

证券研究报告专题报告2025年03月13日

AI+HI

AI+HI系列（7）

DecompGRU：基于趋势分解的时序+截面端到端模型

前言

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，但在框架流程上不同于基线的新模型。

模型流程

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；

因子测试

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，在风格倾向上与基线模型存在一定差异，在小市值选股域中优势更为明显；

在中证全指20250228区间内，DecompGRU的10日RankIC为0.13、RankICIR为1.1；20日RankIC为0.141，RankICIR为1.23，均优于基线模型；

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。

华创证券研究所证券分析师：王小川电话：021华创证券研究所

证券分析师：王小川

电话：021邮箱：wangxiaochuan@

执业编号：S0360517100001

联系人：洪远

邮箱：hongyuan@

相关研究报告

《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》

2024-12-12

《AI+HI系列（5）：CrossGRU-2：基于Patch与多尺度时序改进端到端模型》

2024-07-05

《AI+HI系列（4）：CrossGRU：基于交叉注意力的时序+截面端到端模型》

2024-04-19

专题报告

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2

投资主题

报告亮点

时序深度学习模型有较多工作，我们注意到学术研究上有不少尝试使用CNN、MLP、RNN等模块来替换注意力机制的工作，这些模型同样能取得有竞争力的结果，因此本篇报告中，我们继续完善时序+截面的端到端框架，使用最为简单的模块来实现框架背后的思路，为广大投资者提供新的研究思路，助力量化投资的发展。

投资逻辑

时序与截面数据在量化投资领域处处可见，通过深度学习网络实现时序或截面信息的信息挖掘具有相当的潜力。本篇报告提出了基于深度学习的量价因子挖掘模型，进一步探索深度学习在量化领域上的运用。

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3

目录

一、动机 5

二、模型介绍 6

（一）时序趋势分解 6

（二）双分支流程 6

三、测试结果 8

（一）数据集介绍 8

（二）模型参数 9

（三）因子测试结果 9

1、IC测试结果 10

2、分组测试结果 11

（四）指增测试 15

四、总结 17

五、风险提示 17

六、参考文献 1