AI+HI系列专题报告：DecompGRNv1，基于线性RNN的端到端模型初探.pdf

AI+HI系列专题报告：DecompGRNv1，基于线性RNN的端到端模型初探。

前言

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 挖掘任务中经典 GRU 网络内部改造的可能性。 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 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 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 量的双重简化，在综合性能上也超越了基线模型。

测试结果

我们在 150D 数据集，以 GRU 模型作为基线对 DecompGRN 进行测试； 在中证全指 / 沪深 300 / 中证 500 / 中证 1000 域内，10 日 RankIC 为 0.141 / 0.099 / 0.098 / 0.127，RankICIR 分别为 1.26 / 0.65 / 0.77 / 1.08，均强于基线模 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 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%。