标签： #可解释ai

PDP 有个绕不过的死穴：因子彼此相关时，它会把某个因子强行设成某值、其余保留原值，从而外推到根本不存在的样本组合，把相关因子借来的效应算成自己的。ALE（Accumulated Local Effects）换个算法——把因子取值切成窄箱，在每个箱内只用真实存在的样本算『局部差分』（同一批样本换到箱边界两侧的预测之差），再沿因子方向累加。这样它永远不外推、只在数据支撑的邻域里说话。本文用相关系数 0.92 的两个因子做对照：一个是真驱动、一个纯冗余，看 PDP 如何被冗余因子骗、ALE 如何把它的伪效应修正回近零，附纯 numpy 从零实现的 ALE（中阶）。

机器学习因子模型跑出了收益，你却说不清『动量到底怎么影响预测』——因为模型是黑箱，特征重要性只给排名不给形状。PDP（Partial Dependence Plot）把某个因子在其取值范围上扫一遍、其余特征原样保留后对全样本预测求平均，画出这个因子与预测收益的边际曲线：是单调、倒U 还是阶梯，一眼看穿。本文用合成因子数据训练梯度提升树，画动量的倒 U 型甜区、四因子 PDP 面板、动量×规模的二维交互热图，并诚实拆穿 PDP 最致命的陷阱——相关因子下它会强行外推到根本不存在的样本组合、把借来的效应算成自己的（附完整 Python，中阶）。

树模型自带的 gain 重要性有两个死穴：它偏爱高基数特征、而且只给全局排名，答不了『这一只股票为什么被模型看多』。SHAP 借来博弈论里的 Shapley 值——把预测当成一场合作博弈，每个因子是玩家，公平分配它对这次预测的贡献。本文讲清 Shapley 值的可加性从哪来、为什么 base value 加上所有 SHAP 值恰好等于 f(x)，用合成因子数据做单样本瀑布图、全局重要性对比、依赖图揭示交互效应，并诚实指出相关特征分摊、计算成本、因果幻觉三大陷阱，附完整 Python（中阶）。