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
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。
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
- 机器学习模型解释方法原理
- 传统特征重要性
- ICE与PDP
- SDT
- LIME
- SHAP
- XGBoost选股模型案例
报告信息
- 文件全名
- 《华泰人工智能系列之二十七：揭开机器学习模型的“黑箱”-华泰证券》
- 适合读者
- 核心数据
- 价量因子重要性高于基本面因子
- 六种解释方法
- 非线性特征明显
- 核心议题
常见问题
《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》主要包含哪些内容?
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。核心数据:价量因子重要性高于基本面因子;六种解释方法;非线性特征明显。
这份报告由哪家机构发布?
本报告由华泰证券发布,发布于 2020 年。
这份报告覆盖哪一年、篇幅多大?
覆盖 2020 年,全文约 33。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合投资机构、量化研究人员、金融科技从业者等读者参考。
报告涉及哪些关键议题?
重点分析了金融投资、XGBoost等议题。
继续阅读
查看全部 →