研究背景与核心观点 [page::0][page::2]

• 探讨基于XAI技术，提升循环神经网络（RNN）选股模型的可解释性。

- 识别模型对不同市值股票和预测区间的非对称敏感性。

• XAI方法帮助理解复杂深度模型决策逻辑，为模型调优提供依据。

主要XAI解释方法及特点 [page::5][page::7]

| 方法简称 | 解释依据 | 事前/事后 | 运行效率 | 开发难度 | 说明 |
|----------|------------------|-----------|----------|----------|--------------------------------|
| TIG | 梯度积分法 | 事后 | 中 | 低 | 针对序列数据，稳定计算梯度敏感度 |
| TOCC | 特征遮挡扰动 | 事后 | 高 | 低 | 通过暂时遮挡特征观测输出变化 |
| TSHAP | SHAP价值代理模型 | 事后 | 低 | 中 | 计算特征边际贡献，适合单样本解释 |
| TATT | 注意力机制 | 事前 | 低 | 高 | 需修改网络结构，引入自我解释能力 |

预测阶段解释结果分析 [page::8][page::9][page::10]

• 序列长度（15/30/60日）对敏感度影响有限，预测标签跨度拉长时模型更关注较早时序信息。

- 特征标准化方法影响显著，经验参数保留时序特征优势，单截面标准化削弱敏感度。

• 小市值和低预测值股票模型敏感性更强，表明模型对这类股票决策更为依赖特征信号。

训练阶段解释结果分析 [page::11][page::12][page::13]

• 学习率1e-4为较优超参，权值曲线稳定且区分度明显，过高或过低学习率表现不佳。

- 不同随机种子训练结果后期趋同，随机性影响有限。

• 不同RNN单元结构中，RNN权值波动最大，LSTM最平滑，GRU表现居中。

特征重要性与数据周期性变化 [page::10][page::12][page::13]

• 日度价格特征中，最低价和收盘价贡献高，混合行情特征中价格类特征仍占主导。

- 周期维度特征对模型帮助有限，呈现冗余。

• 2022年模型收盘价权重时序模式明显变化，训练过程表现波动，提示模型对新数据适应出现挑战。

总结与应用价值 [page::14]

• XAI方法有效揭示循环神经网络选股模型中影响预测的关键因素。

- 结果支持针对不同模型参数及数据预处理的优化策略制定。

• 为金融量化模型的透明度及可解释性提升提供了实操路径。

证券研究报告详尽分析报告

基于 XAI 的循环神经网络可解释性探究——金融工程深度

---

一、元数据与报告概览

• 报告标题：基于 XAI 的循环神经网络可解释性探究

- 作者：陈升锐、姚紫薇、王西之

• 发布机构：中信建投证券股份有限公司金融工程及基金研究组

- 发布日期：2024年4月13日

• 研究主题：利用可解释人工智能（XAI）工具探索循环神经网络（RNN）在金融选股模型中的预测可解释性

- 核心观点总结：
- 通过四类代表性XAI方法（TIG、TOCC、TSHAP、TATT）改造并适配循环神经网络，深入解读模型对不同输入特征和参数的敏感性及影响。
- 发现在预测阶段和训练阶段，模型展示了不同的敏感影响：
- 模型预测对市值分组（小市值股票敏感性更强）和预测值分组表现出非对称影响；
- 模型对随机性和序列长度影响有限；
- 标签跨度、学习率、循环单元结构对模型有局部影响；
- 预处理方法、训练期、预测期和特征组合则对模型影响显著。
- 可解释性工具辅助理解深度模型决策依据，为模型调参优化提供参考

• 报告目的：以金融选股模型为应用背景，呈现如何结合XAI工具深入揭示黑盒深度学习模型内部机理，提升金融模型的透明度和可信度，为后续模型优化和业务应用奠定基础。[page::0,2]

---

二、逐章深度解读

2.1 前言概述

• 报告为《基于循环神经网络的选股模型初探》系列的延伸，重心在模型预测的可解释性。

- 采用四种XAI方法，在训练与测试两个阶段，分别对输入特征的影响展开分析。

• 通过解释性分析，得出模型对不同因素敏感度的层级区分，阐释模型的决策逻辑和性能影响机制，推动深入的模型优化和风险识别。[page::2]

2.2 可解释人工智能（XAI）基础

• XAI工具旨在突破复杂模型（如深度学习）在准确性与可解释性之间的折衷，扩展“准确性-可解释性”边界。

- 不同模型对解释需求不同，低透明度模型需依赖XAI技术补足解释能力；高透明度模型（如线性回归、决策树）自带较强透明性。

• 图表1清晰展示准确性与可解释性的权衡，强调通过XAI，用户能更好理解和调教复杂模型，提高实用性。[page::2]

2.3 模型可解释性思路

• 模型根据透明度分为三层级：

1）可模拟性：模型结构和决策规则人脑可完全掌控（适合简单模型）
2）可分解性：模型拆解为输入、参数、子模块等皆可理解（适合中等复杂度模型）
3）算法透明：算法本身明确，但复杂度高难以直观理解，需要辅助工具解析（典型深度学习模型归属）

• 循环神经网络作为典型深度模型，难达前两层级透明，需要依赖事后和事前可解释方法弥补。通过事后方法直观衡量预测受输入影响的程度；通过事前方法调整模型架构引入透明组件（如注意力机制）实现自解释。

- 事后方法优势为易部署、无须修改模型，但解释可信度受限；事前方法透明度高但成本大，可能影响性能。

• 图表2、3分别展示这一层级体系及主流解释路径，突出循环神经网络可解释性的独特挑战和应对策略。[page::3,4]

2.4 选择的可解释方法

• 选取四种核心方法：

1）TIG（基于积分梯度的梯度法）
2）TOCC（基于特征遮挡的扰动法）
3）TSHAP（基于代理模型的夏普值法）
4）TATT（基于注意力机制的结构改造，事前自解释法）

• 事后方法（TIG、TOCC、TSHAP）均不改动模型，适合已训练模型的可解释；事前方法（TATT）需重构神经网络结构，成本高且涉及新训练流程。

- 每种方法的数值意义不同：TIG反映敏感度，TOCC为预测变化量，TSHAP计算贡献值，TATT给出注意力权重。

• 运行效率层级由高到低依次为TOCC、TIG、TSHAP、TATT，开发复杂度依次相反。

- 图表4清晰罗列各方法特征对比，图5至图8辅助理解各方法计算思路和模型结构改造细节。[page::5,6,7]

2.5 模型可解释性测试

2.5.1 预测阶段分析（事后方法）

• 数据及模型设定为：默认日度行情特征，回溯30日，预测未来10日收益，采用GRU单元，样本时间窗口基于滑动方式设置。

- 标签跨度与序列长度的影响（图表9）：
- 标签跨度拉长后，模型更关注输入序列前端信息，体现预测跨度对输入权重的影响，但整体序列长度对敏感性影响有限。

• 截面预处理方法对敏感性的影响（图表10）：

- 经验参数预处理保留了时序信息，保持较高的预测敏感度；
- 面板与单截面标准化方法削弱了时序差异，导致敏感度大幅降低，提示预处理策略对模型效果至关重要。

• 市值和预测值分组敏感性差异（图表11）：

- 小市值股票和低预测值股票模型的特征敏感性显著高于大市值和高预测值组，提示模型在不同市场分层中的差异反应。

• TSHAP贡献值分布分析（图表12、13）：

- 时序维度上，2019年模型贡献均匀并随时间衰减；2023年贡献集中在近一周，显示模型对近期信息依赖加重。
- 特征维度中，日度价格特征集显示收盘价贡献居次，混合行情特征集下，收盘价贡献显著下降，其他指标替代作用明显。

• 综上，预测阶段的分析揭示了预测标签跨度、截面预处理与市值分组等因素对模型敏感性的差异影响，而时序长度和随机性影响有限。[page::8,9,10]

2.5.2 训练阶段分析（事前方法TATT）

• 学习率调整（图表14）：

- 学习率过高（1e-3）导致特征权值波动剧烈且差异过大；
- 学习率过低（1e-5）权值差异过小，模型难以学习明显区分度；
- 适中学习率（1e-4）权值稳定且区分明显，是合理超参数。

• 随机种子影响（图表15）：

- 不同随机种子下初始权值波动较大，但迭代尾声收敛至相近权值，显示随机性对后期模型权重影响有限。

• 循环单元结构差异（图表16）：

- RNN权值分布跨度最大，对“均价”偏好明显；
- GRU和LSTM权值分布较接近，偏重“最低价”且均较低“开盘价”，体现不同结构对特征重要性权重的根本影响。

• 特征集相对权值分布（图表17）：

- 周频价格特征整体重要性较低，尤其在混频价格特征集；日频行情中的换手率和收益等补充信息对模型有正贡献，提示多频率特征整合需注意冗余。

• 模型训练年份权值演化（图表18、19）：

- 2016至2020年模型时序权值波动平稳；
- 2022年模型出现明显模式突变，训练过程动态复杂，暗示近期训练数据适应性与之前存在差异，可能带来稳健性风险。

• 训练阶段透过TATT方法，为模型的结构参数及特征组合优化提供了完整的动态量化视角。[page::11,12,13]

---

三、图表深度解读

3.1 市场表现图（页0）

• 图示国债指数与上证指数2022年中至2023年中走势对比，国债指数稳步上扬，上证指数在2022年下半年跌幅较大后，2023年呈现反弹但整体低于起点，反映出债券市场与股市表现分化的宏观背景，为研究背景提供市场环境。

3.2 准确性-可解释性边界图（页2）

• 以坐标轴强调准确性和可解释性两端的矛盾，深度学习和集成模型准确性高但可解释性低，展示XAI努力向绿色XAI区域推动效果的背景。

3.3 模型透明性层级（页3）

• 演示三层模型透明度层级，强调简单模型易模拟，复杂模型算法透明但难以拆解，人脑难以直接理解深度学习内部复杂细节。

3.4 事后解释类型示意（页4）

• 通过四象限展示局部解释、实例解释、模型简化和特征关联四种事后解释子类，方便理解事后解释的多样形式。

3.5 四种解释方法对比（页5）

• 表格展示四方法的原理、开发难度、是否需要模型改写等细节，为后续具体应用奠定基础。

3.6 TIG示意图（页6）

• 展示积分梯度计算思路，定义基准值与输入值之间的路径，对特征计算平均梯度以避免梯度饱和，直观展示方法数学基础。

3.7 TOCC示意图（页6）

• 采用遮挡法，依次遮挡输入特征并对比输出变化，图中以多张矩阵表示原始与遮挡数据的对比，清晰说明扰动原理。

3.8 TSHAP建模流程（页7）

• 详细展示将输入映射为简化特征，通过代理线性模型拟合原模型预测，应用带约束优化求解特征贡献的数学框架，凸显方法计算复杂度。

3.9 TATT模型结构示意（页7）

• 图左展示单元结构拓展过程，变更节点连接方式实现维度拓展保证各隐藏单元与输入特征对应；图右展示双重注意力层设计，时序和特征维度分别设注意力权重，有助实现模型的自解释。

3.10 TOCC敏感性热力图（页8）

• 比较预测标签跨度和序列长度下收盘价、最高价等五项特征在时序维度上的影响强度。明显发现标签跨度增长时前端时序贡献更显著，序列长度变化对整体敏感性影响微弱，体现模型对时序信息权重的微调机制。

3.11 TOCC标准化方法影响（页9）

• 对比经验参数、面板与单截面三种标准化方法，发现单截面明显降低特征敏感性。经验参数维持较高的时序敏感度，凸显时序标准化的关键作用。

3.12 TIG 特征敏感性对比（页9）

• 按股票市值与模型预测值分组三组，集中体现小市值和低预测值股票对应特征敏感度更高，反映模型在不同市值层次中的风险偏好与预测敏感性差异。

3.13 TSHAP时序维度贡献（页10）

• 2019及2023年全市场样本时序贡献对比，2019年贡献分布均匀、递减；2023年近端时序贡献显著集中，可能反映市场变化导致模型对近期数据敏感性增强。

3.14 TSHAP特征维度贡献（页10）

• 两组特征集贡献排序表现替代关系，单纯日度价格特征贡献集中于收盘价及最低价，混合特征集增加成交量、换手率等指标后收盘价贡献明显降低，展示多特征融合下特征权重的重新分配。

3.15 TATT学习率影响（页11）

• 不同学习率设定下特征权值迭代曲线，1e-3波动剧烈，1e-5趋于平坦，1e-4表现最佳，体现超参数调整对模型训练稳定性和特征区分度的重要性。

3.16 TATT随机种子影响（页11）

• 三个随机种子下特征权值同质化趋势明显，验证模型训练稳定性和结果重复性的合理假设。

3.17 TATT循环单元结构差异（页12）

• 三种单元（RNN、GRU、LSTM）对五个价格特征权值分布差异明显，尤其RNN与其他两者偏好差异突出，说明结构选择直接影响输入特征解读。

3.18 TATT特征集相对权值（页12）

• 不同特征子集权重对比，混频价格组中周频价重要性低，日频行情指标起补充作用，提示筛选过程需削减冗余，提高有效特征利用率。

3.19 不同年份模型收盘价权值趋势（页13）

• 2016、2018、2020三个年份权值时序模式稳定，2022年出现突变，结合训练过程中权值动态变化，预示模型对新兴数据环境的适应性挑战及潜在风险。

---

四、估值部分

• 本报告聚焦模型可解释性及深度学习内部逻辑展示，未涉及公司或资产直接估值，因此无估值模型说明或目标价设定。

---

五、风险因素评估

• 报告明确指出模型基于历史数据，未来可能失效，历史规律不能保证未来适用。

- 市场的系统性风险、政策风险等难以完全纳入模型，可能导致模型偏差和组合策略失灵。

• 模型结构及假设简化了现实环境，存在统计偏误的微弱累积效应。

- XAI方法本身存在可靠性限制，事后方法可信度有限，事前方法虽提升透明度但牺牲模型复杂性和训练效率。

• 训练数据适应性问题如2022年模型权值突变，提示潜在模型稳健性风险和未来不可预见性。

- 报告未明确提出完整风险缓解措施，但通过XAI辅助理解模型，间接提升调优和风险管理能力。[page::14]

---

六、批判性视角与细微差别

• 报告整体客观严谨，基础理论引用充分，模型创新与方法适配紧密结合当前主流研究。

- 事后方法普遍忽略特征联合分布关系，可能影响真实特征贡献的准确评估，报告已提示此点但未深入解决。

• 事前方法（TATT）虽然结构设计精细，拓展维度明确对应输入特征，但其训练复杂度高，实际应用成本较大，同时可能对模型性能存在一定影响，需权衡使用场景。

- 2022年模型训练过程出现模式突变，报告分析基于权值变化，未深挖训练数据本质变异，未来可考虑结合宏观经济或政策数据进一步验真。

• 报告以“特征→预测”视角深刻剖析，未涉及“预测→收益”一端收益现实表现的反馈机制，留待系列后续研究。

- 无具体给出模型在真实环境中的验证（如模拟交易结果、实盘检验），模型表现可信度受限。

• 报告图表数据主要基于Wind数据库，依赖数据质量和完整性，缺失处理未详细说明。

---

七、结论性综合

该报告系统地研究了基于XAI技术的循环神经网络选股模型的可解释性问题，选取了代表性的四种方法（TIG、TOCC、TSHAP、TATT）从不同角度解析模型“黑盒”内部逻辑。以下为主要结论：

• 模型对市值和预测风险敏感性非对称：小市值及低预测值股票的模型输出对输入特征更敏感，提示模型对风险较大资产的信息响应更显著，可能利于捕捉市场异动。

- 序列长度和随机性对模型影响有限：模型表现稳定，不易受到样本长度和随机权重初始化差异的显著影响，保障模型训练稳定性。

• 标签跨度、学习率及单元结构影响具有局部性：对模型预测敏感性的局部调整影响突出，合理选择学习率与单元结构是提升模型表现的关键。

- 数据预处理、训练期限与特征组合影响显著：截面预处理方法对 retaining 时序信息极为重要；特征组合揭示冗余和互补，为特征筛选提供科学依据；训练年份体现了模型适应环境变化的重要挑战。

• 图表解读强化观点：

- 热力图揭示特征在不同时序及特征维度的权值分布，辅助发现模型信息聚焦和关注点转移趋势（如2019与2023年的贡献分布）。
- 注意力模型拓展和权值动态跟踪揭示模型训练过程细节，有助识别模型潜在不稳定时段。

总体来看，作者呈现了深度金融模型可解释性领域极具价值的实证研究，报道充分展示了XAI技术对量化选股模型内部机理的深度剖析能力，提升了模型透明度和应用信任度，同时揭示了可解释技术在高维时序金融数据上的实现难点及效果。

---

参考：

本报告引用多篇国际顶级文献并结合Wind数据，确保理论和数据基础稳健。[page::14]

---

附录

• 分析师背景：三位分析师均具备扎实的金融工程和量化经验，确保研究质量。

- 评级说明与法律声明：报告不涉及明确投资评级，仅提供技术分析与模型研究；法律合规信息详尽规范。

---

总体评价

该报告不仅仅是技术层面的研究，更是金融工程领域内XAI应用的范例，有效填补了循环神经网络模型在金融中可解释性不足的空白，为未来模型开发及策略改进指明了方向。通过详实的数据分析和丰富的图表支持，报告展现了深度学习复杂结构下的决策透明化路径，具备高度学术和实务参考价值。

---

以上为本报告的详尽分析解读，文本中引用所有观点、数据及论断均附加了页码标注，便于后续追溯和验证。

报告