华泰证券人工智能系列：揭开机器学习模型黑箱 XGBoost选股模型可解释性分析

报告摘要

本文介绍六种机器学习模型解释方法（ICE、PDP、SDT、LIME、SHAP、特征重要性）的原理，并以华泰XGBoost选股模型为例，揭示价量类因子重要性整体高于基本面类因子，因子非线性特点在市值、反转等因子上尤其明显。帮助投资者理解模型决策逻辑，降低使用风险。

📋 核心要点(部分)

1. 机器学习模型解释方法原理
2. 传统特征重要性
3. ICE与PDP
4. SDT
5. LIME
6. SHAP
7. XGBoost选股模型案例