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token mixer，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；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