>> 華西證券-機器學習研究系列之五：機器學習策略的可解釋性分析-221220
| 上傳日期： |
2022/12/21 |
大?。?/td>
| 2320KB |
| 格式： |
pdf 共20頁 |
來源： |
華西證券 |
| 評級： |
-- |
作者： |
楊國平,王祥宇 |
| 下載權(quán)限： |
無限制-登錄即可下載 |
|
|
投資要點:
機器學習類量化策略效果較好但無法直觀理解
在前期的報告中，我們構(gòu)建了利用卷積神經(jīng)網(wǎng)絡(luò)進行自動化特征抽取并通過全連接層輸出分類結(jié)果的非線性擇時模型，并在指數(shù)擇時的場景下取得了良好的結(jié)果。但深度模型的預測過程往往被人看作是一個黑箱（Blackbox），本文將通過構(gòu)建機器學習的可解釋性框架從定量的角度解釋機器學習策略的內(nèi)在邏輯。
引入可解釋性框架對機器學習策略進行可解釋性分析，深入理解策略收益來源
機器學習模型的可解釋性一直是學術(shù)界研究的重要方向，但模型的效果和可解釋性卻難以權(quán)衡。例如，深度學習模型往往效果最為突出，但無法直觀理解。本文介紹了當前已有的解釋性框架及原理，并嘗試使用SHAP框架對擇時策略進行可解釋性分析。
SHAP框架適用范圍較廣，能夠解釋特征輸入如何影響預測值
SHAP框架的核心是計算特征的Shapley值，該值衡量了特征對于預測結(jié)果的貢獻。通過特征的Shapley值進行分析可以判斷在一次或多次預測過程中輸入特征的重要程度，從而得到因子對于資產(chǎn)收益率的非線性相關(guān)性關(guān)系，相比于因子的IC值，因子的Shapley值信息含量更高。
風險提示
模型基于對歷史數(shù)據(jù)統(tǒng)計，僅作為投資參考。
|
|
