AI%2bHI系列(8)：DecompGRNv1，基于线性RNN的端到端模型初探-250905.pdfVIP

证券研究报告专题报告2025年09月05日

AI+HI系列(8)

DecompGRNv1:基于线性RNN的端到端模型初探

❖前言华创证券研究所

随着LLM模型对处理序列长度的要求日益严苛，RNN/SSM模型因其线性推

理效率的优势而重返学术前沿。受此启发，我们重新审视了在端到端量价因子证券分析师：王小川

挖掘任务中经典GRU网络内部改造的可能性。

邮箱：wangxiaochuan@hcyj

我们首先从一个高度简化的线性RNN出发，发现在参数量锐减的前提下，其执业编号：S0360517100001

表现足以媲美GRU基线，在此基础上，我们延续并拓展了先前“时序-截面”

交互的研究思路，设计了全新的DecompGRN模型。该模型的核心创新在于将联系人：洪远

股票间的截面信息直接整合进RNN的门控单元，不仅实现了模型逻辑与参数邮箱：hongyuan@hcyj

量的双重简化，在综合性能上也超越了基线模型。

❖测试结果相关研究报告

我们在150D数据集，以GRU模型作为基线对DecompGRN进行测试；《AI+HI系列（7）：DecompGRU：基于趋势分

在中证全指/沪深300/中证500/中证1000域内，10日RankIC为0.141/解的时序+截面端到端模型》

2025-03-13

0.099/0.098/0.127，RankICIR分别为1.26/0.65/0.77/1.08，均强于基线模《AI+HI系列（5）：CrossGRU-2：基于Patch与

型；多尺度时序改进端到端模型》

周度分组测试中，不计交易成本，TOP组在全指域内年化收益达57.68%；在2024-07-05

中证全指/沪深300/中证500/中证1000域内，年化收益分别相比基线

+5.28%/-0.64%/+0.73%/+1.88%。

基于DecompGRN构建指增组合，在双边换手30%约束，千三交易成本下，沪

深300/中证500/中证1000指增组合年化超额收益分别为10.24%、10.05%、

19.58%，2025年截至8月27日，沪深300/中证500/中证1000增强组合累

计超额为3.93%/6.72%/18.26%。

❖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

专题报告

投资主题

报告亮点

我们注