揭开机器学习模型的“黑箱”——华泰XGBoost选股模型解释方法研究
创建于 更新于
摘要
本报告系统介绍六种机器学习模型解释方法（特征重要性、ICE、PDP、SDT、LIME、SHAP），并以华泰XGBoost选股模型为案例，揭示其如何运用价量及基本面因子进行选股。分析发现：价量类因子整体重要性高于基本面因子，模型展示了因子的非线性使用逻辑，尤其在市值、反转、技术、情绪因子上体现明显。此外，SHAP方法能够从全局及个体层面直观呈现特征边际贡献和因子交互作用，推荐作为首选解释工具，为资管行业提供机器学习可解释性实务方案。[pidx::0][pidx::6][pidx::30]
