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。
