拒绝“黑盒”交易！读懂量化决策底层逻辑
在量化投资中，最让投资者头疼的往往不是回撤，而是模型决策的“不可解释性”。 当机器学习模型（如 XGBoost、LSTM）给出买入信号时，它到底看中了什么？

这张手绘图带你拆解量化圈最主流的两个“模型解释神器”：SHAP 和 LIME。

1️⃣ 什么是“黑盒困境”？
传统的量化模型往往只给结果，不给原因。不知道模型是看中业绩、市盈率还是舆情，就难以评估真实的风险敞口。

2️⃣ SHAP：全局视角的“功劳簿”
原理：基于博弈论，计算每个输入特征（如市盈率、成交量）对模型预测结果的精确贡献。
核心：它能告诉你哪个因子是主导决策的“头号功臣”，帮你从全局把握模型的偏好。

3️⃣ LIME：局部视角的“显微镜”
原理：在特定的预测点周围拟合一个简单的可解释模型（如线性模型）。
核心：通过“扰动”数据，解释为什么 AI 在这一个特定时间点或特定股票上做出了这样的预测。

4️⃣ 模型透明化的 3 大价值
优化模型：通过解释结果发现逻辑漏洞，辅助清理数据或修正程序错误。
风险管理：穿透模型迷雾，看清决策逻辑是否符合金融直觉，让持仓更安心。
满足监管：在机构化交易中，模型的可解释性是合规的重要环。

码上生财，专注分享量化投资干货。
如果你也在研究多因子模型或波动率策略，欢迎在评论区一起交流！👇

量化投资 机器学习 SHAP LIME 金融科技 理财干货