行业研究公司研究宏观策略财报招股书会议纪要 Token 低空经济十五五 AIGC 大模型

AI+HI系列（7）：DecompGRU，基于趋势分解的时序+截面端到端模型

2025-03-13 王小川华创证券用户-GVI8k

核心观点：本报告提出了一种名为DecompGRU的时序+截面端到端模型，该模型在先前模型框架的基础上进行拓展，通过趋势分解模块将初始输入拆分为趋势与残差分量，并用双分支结构进行分别建模。模型在趋势分支中加入了基于去均值操作的简单截面模块，以实现股票间的截面信息交互。
关键数据：
- 在150D数据集上，DecompGRU与基线模型（GRU）的相关性最低为72%。
- 在中证全指20190101~20250228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。
- 分组测试中，DecompGRU的TOP组年化收益最高达52.82%，相比基线实现了7.2%的提高。
- 基于DecompGRU构建指增组合，在双边换手30%的约束下，回测区间内300、500、1000指增组合的年化超额收益分别为8.48%、11.65%、17.11%，跟踪误差为分别4.8、5.88、6.69。
研究结论：
- DecompGRU在小市值股票池中相比基线GRU提高较为明显；而在300、500股票池中，DecompGRU在整体统计上弱于基线模型，仅在局部区间能跑赢基线。
- DecompGRU在GRU的基础上引入时序的趋势分解以及截面交互，在框架流程上区别于基线模型。模型虽然仍有明显低波、低流偏好，但在市值、贝塔等风格的暴露不同于基线，能在近年风格多变的市场环境下提供更多选择。
- 加权MSE损失同样对模型的风格倾向存在较大影响，为后续模型融合研究提供更多样的选择。