机器学习模型及智能选股应用( 32 页)

目录

资管行业的伦理需要“白箱”模型............5

解释机器学习模型的常用方法..........6

模拟数据和机器学习模型.........6

特征重要性.............7

概念.......7

结果.......8

ICE 和PDP ............8

概念.......8

结果.......9

全局代理：SDT.............10

概念.....10

结果.....10

局部代理：LIME............11

概念.....11

结果.....12

SHAP ..........13

概念.....13

结果.....15

揭开XGBoost 选股模型的“黑箱”.............18

XGBoost 选股模型........18

特征重要性...........21

PDP.............21

ICE .....22

全局代理：SDT.............23

局部代理：LIME............24

SHAP ..........26

总结............31

参考文献......32

风险提示......32

图表目录

图表 1： 模型解释方法总结............6

图表2： 模拟因子值构建方式（N(μ,σ)代表均值为μ、标准差为σ 的正态分布）...........6

图表3： 模拟因子值及所属类别（红、白、蓝分别对应上涨、震荡和下跌分类） ..........7

图表4： 模拟因子选股数据集的XGBoost 模型特征重要性........8

图表5： ICE 和PDP 示意图...........8

图表6： 模拟因子选股数据集的XGBoost 模型X3 对应“上涨”类别的ICE 和PDP....9

图表7： 模拟因子选股数据集的XGBoost 模型X2 对应“上涨”类别的ICE 和PDP..10

图表8： 全局代理SDT 示意图.....10

图表9： 模拟因子选股数据集的XGBoost 模型SDT 可视化展示......11

图表10： 局部代理 LIME 示意图1........11

图表11： 局部代理LIME 示意图2........12

图表12： 模拟因子选股数据集的XGBoost 模型第1 条样本的LIME .........13

图表13： 模拟因子选股数据集的XGBoost 模型第50 条样本的LIME .......13

图表14： SHAP 值简单案例........14

图表15： SHAP 值计算实例（X1~X4 四项特征，计算X3 的SHAP 值）...........14

图表16： 模拟因子选股数据集的XGBoost 模型“上涨”类别的|SHAP|均值.....15

图表17： 模拟因子选股数据集的XGBoost 模型“上涨”类别的各样本SHAP 值.......15

图表18： 模拟数据集的XGBoost 模型“上涨”类别X1 的SHAP 值........16

图表19： 模拟数据集的XGBoost 模型“上涨”类别X2 的SHAP 值........16

图表20： 模拟数据集的XGBoost 模型“上涨”类别X3 的SHAP 值........17

图表21： 模拟数据集的XGBoost 模型“上涨”类别X4 的SHAP 值........17

图表22： XGBoost 选股模型净值（月调仓，全A 选股500 中性） ...........18

图表23： XGBoost 选股累计超额收益（月调仓，全A 选股500 中性）.............18

图表24： 人工智能选股模型测试流程示意图..........18

图表26： 年度滚动训练示意图.....20

图表27： XGBoost 选股模型和超参数...........20

图表28： XGBoost 选股2019 年模型特征重要性............21

图表29： XGBoost 选股2019 年模型5 个因子PDP.......22

图表30： XGBoost 模型2019 年1 月末截面期ln_capital 因子ICE...........22

图表31： XGBoost 模型2019 年1 月末exp_wgt_return_6m 因子ICE .............22

图表32： XGBoost 模型2019 年1 月末截面期wgt_return_1m 因子ICE...........23

图表33： XGBoost 模型2019 年1 月末截面期bias_turn_1m 因子ICE .............23

图表34： XGBoost 模型2019 年1 月末截面期macd 因子ICE ........23

图表35： XGBoost 选股2019 年模型SDT 可视化展示............24

图表36： XGBoost 选股模型2019 年1 月末截面期预测上涨概率最高个股|LIME|最大的前10 个因子........24

图表37： XGBoost 选股模型2019 年1 月末截面期预测上涨概率最低个股|LIME|最大的前10 个因子........25

图表38： XGBoost 选股模型2019 年2 月实际超额收益最高个股在1 月末截面期|LIME|最大的前10 个因子......25

图表39： XGBoost 选股模型2019 年2 月实际超额收益最低个股在1 月末截面期|LIME|最大的前10 个因子......26

图表40： XGBoost 选股2019 年模型|SHAP|均值...........27

图表41： XGBoost 选股2019 年模型SHAP 值......27

图表42： XGBoost 选股2019 年模型ln_capital 因子SHAP 值........28

图表43： XGBoost 选股2019 年exp_wgt_return_6m 因子SHAP 值........28

图表44： XGBoost 选股2019 年模型wgt_return_1m 因子SHAP 值........28

图表45： XGBoost 选股2019 年模型bias_turn_1m 因子SHAP 值...........28

图表46： XGBoost 选股2019 年模型macd 因子SHAP 值......29

图表47： XGBoost 选股2019 年模型return_12m 因子SHAP 值.....29

图表48： XGBoost 选股2019 年模型rating_change 因子SHAP 值..........29

图表49： XGBoost 选股2019 年模型rating_average 因子SHAP 值........29

图表50： XGBoost 选股2019 年模型DP 因子SHAP 值.........30

图表51： XGBoost 选股2019 年模型SP 因子SHAP 值..........30

×