随着transformer 结构近年来在自然语言处理（NLP）和计算机视觉领域大放异彩， 在时间序列预测的问题上，各类基于transformer 的模型也层出不穷，如Informer， Temporal Fusion Transformer, PatchTST 等，均取得了较好的结果。在2022 年的论 文“Are Transformers Effective for Time Series Forecasting?”中，作者提出了一种简 单的MLP 结构LTSF-Linear，结果表明，Linear 模型在许多数据集上均能超越现有 的transformer 模型。随后，基于MLP 的时序模型不断提出，包括哈工大/华为的MTS-Mixers 以及谷歌的TSMixer，TiDE 等。本文我们尝试将TiDE 模型应用于选股， 结果表明，原始的TiDE 模型并不适合股票收益率的预测，通过在原始的TiDE 模型 中加入GRU encoder 结构， 我们提出了TiDGE 模型， 能够提高模型表现。