机器学习模型可解释性定义与重要性 [page::2][page::3]

• 可解释性是指以可理解的理念向人类提供模型决策解释的能力，尤其重要于金融等高风险领域。

- 深度模型虽预测准确但难以解释，缺乏透明度和信任度，需实现黑盒模型的可解释以满足监管要求。

• 统计学习模型（线性回归、逻辑回归、决策树）解释性较好但受预测能力限制。

机器学习可解释性框架分类与方法 [page::4][page::5][page::6]

• 可解释性方法分为主动与被动、解释类型（规则提取、特征归因等）、整体与局部解释三维度。

- 主要解释工具包括PDP、ICE、PFI，基于模型的LIME和基于博弈论的SHAP。

• SHAP计算特征对模型预测的贡献，结合博弈论的Shapley值具备公平性及唯一性。

基于卷积神经网络的沪深300指数择时策略设计与回测评估 [page::7][page::8][page::9][page::10][page::11][page::13]

• 采用沪深300日线数据，选用14个技术指标因子（如SAR、CCI、CMO等）作为模型特征。

- 超参数包括dropout（最佳值0.0163）、batchsize（20）、epochs（55）、学习率0.00244，均通过回测调优。

• 策略回测年化收益21.47%，夏普比率0.71，最大回撤15.53%，胜率63%，明显优于基准指数。

- ROC曲线AUC为0.808，PR曲线AUPRC为0.8178，证明模型分类准确度较好。

| 随机断开比例(dropout) | 夏普比率 | 最大回撤率 | 胜率 |
|----------------------|----------|------------|--------|
| 0.015 | 0.66 | 20.56% | 61% |
| 0.0163 | 0.71 | 15.53% | 63% |
| 0.017 | 0.60 | 16.93% | 57% |
| 0.018 | 0.36 | 29.79% | 57% |

基于SHAP框架的策略可解释性分析与因子贡献 [page::12][page::14][page::15][page::16]

• SHAP全局图显示CMO、SAR、CCI、SIGNALMACD是最重要的技术指标因子，分别对涨跌趋势有不同的正负贡献。

- 交互效应图揭示因子间的复杂关系及其对预测的影响，如SAR与CCI正相关，CMO与SIGNALMACD负相关。

• 特征重要性排名中，CMO权重最高(5.8933)，接着是SAR、CCI和SIGNALMACD，支持其在预测中的关键作用。

| 技术指标 | 权重值 |
|----------------|--------|
| CMO | 5.8933 |
| SAR | 5.5750 |
| CCI | 2.0124 |
| SIGNAL_MACD | 1.5427 |
| 其他指标 | <2.0 |

总结与风险提示 [page::16][page::17]

• 机器学习模型往往需要在性能和可解释性之间平衡，深度模型准确性高但解释难度大，SHAP方法为提供策略解释提供了有效工具。

- 策略内部因子的贡献和交互关系明晰，有助于风险管理和收益归因，推动量化策略在金融领域的应用和透明化。

• 模型采用历史数据进行训练预测，存有过拟合及样本外表现风险，投资者应注意风险提示，审慎决策。

金融研究报告详尽分析报告

1. 元数据与概览

报告标题： 机器学习策略的可解释性分析
系列： 机器学习研究系列之五
作者及分析师：

• 王or祥（责任分析师，执业证号：S1120520080004）

- 杨国平（证券分析师，执业证号：S1120520070002）

• 研究助理：周游（zhouyou2@hx168.com.cn）

发布机构： 华西证券研究所
发布日期： 2021年（具体时间未明，报告生成时间为1月20日）
主题： 基于卷积神经网络的量化择时策略的构建及其可解释性分析，重点在探索机器学习（尤其深度学习）模型的“黑盒”特性，通过引入SHAP可解释性框架，深度剖析模型的决策逻辑及各技术指标对策略表现的贡献。

核心论点：

• 深度学习尤其卷积神经网络在指数择时策略中显示出较好表现，但缺少透明和可解释性。

- 引入机器学习模型可解释性研究，尤其用SHAP (SHapley Additive exPlanations)框架来解析卷积神经网络择时策略。

• 通过SHAP值，定量刻画因子对模型预测和实际收益的贡献，提升模型的透明度和可信度。

- 在沪深300指数日度数据上，构建了基于14个技术指标的CNN模型，实现对涨跌趋势的预测，回测显示策略收益良好，风险可控。

• 机器学习模型的可解释性研究不仅助力理解模型，也促进策略风险管理和因子设计。

2. 逐节深度解读

2.1 引言与可解释性背景（第0页、第2至4页）

• 关键论点：

机器学习模型在金融领域的应用日益广泛，但因深度模型如CNN高复杂度，决策过程多为黑盒，不透明，增加了实际应用的风险和监管难度。可解释性研究致力于平衡模型预测性能和透明度的矛盾，符合金融行业监管对透明、公平的要求。

• 推理支撑：

- Google Brain的Been Kim定义可解释性为模型解释的最大理解度，考虑模型、人类、任务和数据四要素的匹配。
- 法律法规如《个人信息保护法》要求自动化决策透明，尤其影响个人权益的场景。
- 线性模型因简单而易解释，但预测能力有限。深度模型虽强大但缺乏直观解释，因此需要新的可解释框架。
- 在量化策略中，模型可解释性有助于识别过拟合、理解因子效应及控制风险。传统策略依赖线性模型，深度模型须破黑。

• 关键数据与说明：

- 报告指出在算法层面，目前的可解释性包含主动改造模型与被动解释模型两大类别，且解释可分为全局与局部两层面，表明了理论基础及方法论分类清晰。

2.2 统计学习模型的可解释性（第3至4页）

• 关键论点：

传统统计模型（线性回归、逻辑回归、决策树）天然具备较强可解释性，因为它们可用数理语言直接描述特征至结果的映射关系。线性模型权重、逻辑回归权重指数后的几率比、决策树的路径规则均可被直观理解。

• 推理支撑：

线性回归模型通过参数β的权重反映特征贡献；逻辑回归通过对数几率比转化解决分类概率；决策树则通过节点分裂规则明确决策路径。算法本质可以用解析函数或规则表达，便于解释和风险管理。

• 补充说明：

其他可解释模型包括规则学习、朴素贝叶斯、K近邻等。深度学习模型由于复杂非凸函数映射而难以用函数解析式有效解释。

2.3 机器学习模型的解释性方法（第4至7页）

• 关键论点：

当前可解释性方法大体分3个维度：主动/被动、解释类型（举例、特征归因、隐含语义、规则提取）、局部/全局。具体方法包括PDP、ICE、PFI、LIME、SHAP等。

• 推理支撑：

- 被动解释只需针对训练完成模型，主动解释则在训练阶段有额外改造。
- LIME采用局部线性模型近似黑盒模型局部决策，关注某一具体预测点。
- SHAP以博弈论的Shapley值理论为基础，公平分配特征对预测的贡献，是目前解释性研究前沿。

• 关键词解析：

- LIME损失函数：$\xi(x) = \arg\min{g \in G} L(f,g,\pix) + \Omega(g)$，其中$f$是黑盒模型，$g$是解释模型，$\pix$是邻域权重，$L$衡量拟合误差，$\Omega$限制复杂度。
- SHAP的Shapley值公式通过所有可能特征子集计算特征的边际贡献，满足公平性、公正性数学性质。

2.4 卷积神经网络（CNN）择时策略设计（第7至11页）

• 关键论点：

CNN利用局部感知、参数共享减少参数，提高特征抽取效率，被用于预测沪深300指数日涨跌趋势。采用60%数据训练，40%测试，使用14个技术指标作为输入特征，涨跌（二分类）为响应变量。

• 推理支撑：

- Dropout正规化防止过拟合。
- 批次大小（batchsize）、训练epochs和学习率等超参数设置采用实验优化，基于回测绩效如夏普比率、最大回撤率和交易胜率等衡量。
- 超参数灵敏度实验证明模型对dropout、batchsize、epochs、lr均较敏感，需精细调参以达到最佳表现。

• 关键参数：（表2至5）

- Dropout：最佳为0.0163，夏普比率0.71，最大回撤15.53%，胜率63%。
- Batch size：最佳20，随增大表现下降。
- Epochs：最佳55，学得充分避免欠拟合。
- 学习率lr：0.00244最好，平衡收敛速度与稳定性。

• 技术指标列表（表1，页面8-9）：

14项指标涵盖趋势、动量、波动幅度等多个方面，诸如布林带上下轨、加权移动均线（WMA）、指数均线（EMA）、SAR、CCI、CMO、DX、MACD信号线、动量（MOM）、变动率（ROC）、相对强弱指数（RSI）、平均趋向指数（ADX）、真实波幅（ATR），为模型提供全面技术面分析基础。

2.5 策略回测与评估（第11至13页）

• 回测结果（表6）：

- 年化收益率21.47%，总收益136.63%，夏普比率0.71，最大回撤15.53%，胜率63%，交易次数43次。
- 同比基准指数表现较弱（年化8.52%，夏普0.24，最大回撤46.7%），策略有明显超额收益和风险控制优势。

• 特征重要性示例（图3-6）：

通过不同买入交易（第5、10、15、20次）的SHAP值排名，发现金融技术指标CMO（钱德动量摆动指标）、CCI（顺势指标）、SAR（抛物线指标）、MACD信号线、UpperBands均在决策中占重要地位，不同交易中排名略有调整，体现策略因子贡献动态变化。

• 图表展示（图7-10）：

- 累计收益与相对基准表现（图7）呈稳步攀升趋势，超额收益明显（图8）。
- ROC曲线图（图9）和PR曲线图（图10）显示模型分类性能良好，AUC达0.808，AUPRC 0.818，表明分类准确度和正负样本区分度较高。

2.6 SHAP框架下的可解释性分析（第14至16页）

• 总体解释（图11）：

- SHAP值散点图展示了特征值大小（颜色编码）与对模型输出贡献方向的关系。
- CMO和SIGNALMACD为负向贡献指标，取值高则倾向预测跌。
- SAR和CCI为正向贡献指标，取值高则倾向预测涨。
- 其他指标表现相对较弱。

• 特征交互效应（图12-15）：

- 图12（SAR与CCI）：当SAR高，CCI高，预测涨趋势的SHAP值更高，两者协同增强涨势信号。
- 图13（CMO与SIGNALMACD）：CMO高且SIGNALMACD低时，SHAP值较高，暗示跌势预测显著。
- 图14（CMO与CCI）：CMO高且CCI低时，涨趋势信号增强。
- 图15（SAR与SIGNALMACD）：SAR和SIGNALMACD高时联合增强涨趋势预测。

• 特征权重（表7和图16）：

- CMO权重最大5.8933，SAR次之5.5750，CCI 2.0124，SIGNALMACD 1.5427，显著领先其他指标。其他指标权重均在1以下。
- 说明这四个指标是模型涨跌趋势判断的关键因子。

2.7 总结（第16至17页）

• 机器学习模型性能与可解释性通常存在权衡。统计学习模型容易解释但性能一般，深度模型预测准但不透明。

- SHAP框架适用范围广，能提供全面稳定的解释，优于LIME和基础特征分布方法。

• 对CNN量化策略的SHAP分析帮助识别关键因子，增强对模型收益和风险来源的理解，有助于策略优化和风险控制。

- 模型解释性不仅是学术热点，也是金融实务中提升AI可信度和合规性的核心需求。

2.8 风险提示与合规声明（第0页，第17至19页）

• 模型基于历史数据，存在历史数据不代表未来风险，用户需谨慎参考。

- 报告声明分析师具备合法执业资格，保证数据合规，分析客观公正，无第三方干预。

• 华西证券免责声明强调报告仅供客户参考，不构成投资建议，风险自负，且报告版权受到保护。

3. 图表深度解读

3.1 图1：机器学习模型可解释性方法分类维度（第5页）

• 描述： 图示按照“主动与被动”、“解释类型”、“局部与全局”三个维度分类机器学习模型的可解释方法。

- 解读趋势：
- 主动方法需训练阶段改动，能提升模型透明度；被动方法基于训练完成模型，不改动本体。
- 解释类型层级包括规则提取（最清晰）、隐含语义、特征归因、举例解释（最模糊）。
- 局部解释关注单样本，便于具体事例剖析；全局解释旨在理解整体模型行为。

• 支持文本： 该表明晰了各种解释方法的定位，有助于报告后续深入分析SHAP和LIME的选择及定位。

3.2 图2：LIME局部解释示例（第6页）

• 描述： 展示LIME通过在某输入点邻域轻微扰动采样，用简单线性模型近似黑盒非线性模型决策边界的示意图。图中蓝红分区指示模型决策分割，红色十字表示样本点及扰动采样点，虚线为生成的局部可解释模型。

- 解读趋势：
- 强调LIME通过局部线性模型捕捉复杂模型的预估趋势，便于理解具体单点的推断依据。

• 支持文本： 说明LIME的局限仅为局部，不适合做全局解释，形象反映了它作为模型近似工具的作用。

3.3 图3至6：特定交易的特征重要性排名（第12页）

• 描述： 用条形图展示第5、10、15、20次买入操作中影响模型买入决策的前十技术指标SHAP值大小排序。

- 解读趋势：
- CMO、SAR、CCI是持续排名靠前的关键因子。不同交易中的排名有微调，如SIGNALMACD第20次排名升高。

• 联系文本：印证上述因子权重高的结论，显示策略在多次买入决策中依赖相似且稳定的技术要素，增强策略鲁棒性。

3.4 图7与图8：累计收益及超额收益（第13页）

• 描述： 红线为CNN策略累计净值，黄线为沪深300累计净值。策略净值持续超越指数。累计超额收益图展示策略相对于基准跑赢的幅度。

- 解读趋势：
- 策略展现良好正收益，趋势稳定，显著优于基准。确认策略的有效性。

• 联系文本：验证了模型超高夏普比率及年化回报的实证，可用于策略投资吸引力评价。

3.5 图9与图10：ROC及PR曲线（第13页）

• 描述： ROC曲线的AUC为0.808，PR曲线的AUPRC为0.818，均表明分类性能较好。

- 解读趋势：
- 道出模型对涨跌预测的准确率强，且在样本不均衡环境下仍表现稳定。

• 联系文本：支持模型技术有效性论断。

3.6 图11：SHAP全局特征解释图（第14页）

• 描述： SHAP值对14个指标的贡献展示。红蓝渐变色表示指标值大小，与预测贡献方向关联。

- 解读趋势：
- 突出CMO、SAR、CCI和SIGNALMACD对预测结果最具影响力，且有明显正负贡献区别。

• 联系文本：支持核心技术因子分析，为理解深度模型“黑盒”打开了一把钥匙。

3.7 图12至15：四关键指标特征交互图（第15页）

• 描述： 点图分别呈现SAR与CCI，CMO与SIGNALMACD，CMO与CCI，SAR与SIGNALMACD四组指标的交互对SHAP值的影响。颜色也编码另一指标数值，表现出复杂非线性关系。

- 解读趋势：
- 显示指标间潜在互补与互抑作用，表明模型捕捉了因子间非线性交互效应。

• 联系文本： 深化对模型内部逻辑理解，验证非线性组合能有效预测涨跌。

3.8 图16与表7：特征权重排名（第16页）

• 描述： 跨指标平均SHAP绝对值排序和对应权重数值，清晰量化指标重要性。

- 解读趋势：
- CMO权重最高，表明策略重点依托动量摆动指标。SAR、CCI紧随其后，支撑价格与趋势的双重观察。

• 联系文本： 进一步坚实了模型核心因子的理论合理性和实证管用度。

4. 估值分析

本报告核心为策略构建与解释性分析，没有直接涉及公司估值模型或目标价，不涉及传统的DCF、PE、EV/EBITDA估值方法。研究侧重于模型性能和解释，用综合指标评价交易策略有效性，侧重量化策略自身的收益风险分析，而非企业基本面估值。

5. 风险因素评估

• 主要风险提示：

模型基于历史数据统计，历史收益与风险不能保证未来表现，策略可能因市场环境变化而失灵，历史数据过拟合风险仍存。

• 潜在影响：

如果市场出现结构性变化，策略表现可能大幅下跌。风险管理需谨慎控制回撤，避免过度依赖模型预测。

• 缓解策略：

利用模型解释机制识别过拟合现象和异常因子，加强风险控制体系，结合专业知识判断。报告无详细缓解措施，用户需综合应用。

6. 批判性视角与细微差别

• 报告较为详细，采用了多个数据验证手段和解释框架，增加了严谨性。

- 但报告对深度模型的训练细节（如具体网络架构）、数据时序样本构造等缺乏透明说明，可能影响复制性。

• 超参数选取灵敏性说明模型稳定性有限，对新数据环境适应性需进一步验证。

- SHAP值虽然提供因子贡献度，但仍属于统计归纳，深层因果机制需领域专家与模型结合进一步剖析。

• 报告的风险提示仍然比较保守和简略，未细致讨论市场极端情况对策略的影响。

7. 结论性综合

本报告系统全面地探讨了基于卷积神经网络的沪深300指数技术指标量化择时策略的设计、回测表现及其可解释性分析。选取14项具有代表性的技术指标，利用精心调参的CNN实现股市日涨跌的二分类预测，策略回测表现优异，凭借21.47%的年化收益率和0.71的夏普比率大幅优于基准指数，且最大回撤受控于15.53%。模型分类性能亦十分优秀（AUC=0.808，AUPRC=0.818）。

针对深度学习“黑盒”内核问题，报告采用基于博弈论的SHAP方法进行个体及全局解释，量化核心因子（CMO、SAR、CCI、SIGNALMACD）对模型预测贡献，展示特征值大小与预测方向的关系及不同重要因子间交互影响，极大地提升了模型的透明度和可信性。

报告还就不同超参数进行敏感性测试，强调dropout、batchsize、epochs及学习率对模型回测效果有显著影响，体现了深度模型设计的复杂性。风险提示保守，提醒用户模型基于历史统计，存在潜在过拟合风险，提醒策略仅作为投资参考。

总结来看，报告不仅验证了深度机器学习在量化策略中的有效性，也展现了先进可解释技术在金融领域的必然价值，有助于行业推动人工智能与量化投资的深度融合与规范发展。

---

主要图表展示

图1：可解释性方法分类维度


图2：LIME方法局部解释示例


图3-6：不同买入交易特征重要性排名示例
第5次买入：

第10次买入：

第15次买入：

第20次买入：


图7-8：策略累计收益与超额收益率



图9-10：模型ROC和PR曲线



图11：SHAP全局特征解释图


图12-15：关键因子特征交互图
SAR与CCI：

CMO与SIGNALMACD：

CMO与CCI：

SAR与SIGNAL_MACD：


图16及表7：特征重要性与权重


---

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]

报告