AI+HI系列（8）：DecompGRN v1，基于线性RNN的端到端模型初探

核心观点

本报告探讨了基于线性RNN的端到端模型在量价因子挖掘任务中的应用潜力，并提出了名为DecompGRN的时序-截面模型。报告首先对比了线性RNN与GRU模型，发现线性RNN在参数量和训练效率上具有优势，但在性能上略逊于GRU。随后，报告提出了DecompGRN模型，该模型将截面信息整合进RNN的门控单元，在性能上超越了GRU模型，同时参数量更少。

关键数据

• DecompGRN模型在150D数据集上，10日RankIC在 中证全指 / 沪深300 / 中证500 / 中证1000 域内分别为0.141 / 0.099 / 0.098 / 0.127，RankICIR分别为1.26 / 0.65 / 0.77 / 1.08，均高于基线GRU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%；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%、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增强组合累计超额分别为3.93% / 6.72% / 18.26%。

研究结论

DecompGRN模型在量价因子挖掘任务中展现出优异的性能，其参数量更少，训练效率更高，且在综合性能上超越了GRU模型。该模型为量化投资领域提供了新的研究思路，具有进一步探索和应用的潜力。