标签： #可解释性

标准 PCA 的载荷是稠密的——30 个资产、3 个因子，90 个载荷系数全是小数，你看不出「哪个因子驱动哪组股票」。本文用 numpy 从零实现 Zou-Hastie 弹性网稀疏 PCA，在 30 资产 / 3 因子的块状合成因子模型上把 90 个稠密载荷压成 52 个非零项，恢复度 0.908 与标准 PCA 的 0.918 基本持平，但每个因子只落在 1 个板块里。附完整 numpy 实现与四张真实计算图。

深度学习因子模型 IC 高，但每笔预测都是黑盒——监管问你'为什么选这只票'，你拿不出可审计的理由。决策树把预测拆成一条条 if-then 规则，每条规则有明确的覆盖率和 IC，天然合规。本文从 numpy 实现一个简化版 CART 决策树因子模型，在合成数据上证明：深度 3 的决策树 OOS IC=0.072，虽低于 MLP 的 0.091，但全部 5 条规则可逐条审计、逐条设限、逐条关闭——合规代价为零。附完整 Python 实现与四张真实计算图，含规则提取、覆盖分析、IC 对照与合规评分。

梯度提升（GBM）在量化选股里精度高，但每一笔预测都是黑盒，合规和风控都问不出『为什么买这只』。TreeSHAP 用子集枚举 + 缺失特征边际化，把预测严格拆成每个因子的边际贡献。本文用 numpy 从零实现 CART、GBM 和精确 TreeSHAP，在 8 因子合成数据上恢复出真实重要性排序（价值>质量>动量>规模），SHAP 一致性误差低至 1.55e-14，按 SHAP 打分排序的十分位收益从 -1.69 单调上升到 +1.61。附完整 Python 与四张真实计算图。

MLP 把『线性加权 + 固定激活』焊死在每一层，而 KAN 把边上的权重换成一个可学习的一元函数。本文用 numpy 从零实现一个两层 KAN，在一个带交互项与平方项的合成因子任务上，对比同规模 MLP，证明它在小样本下泛化更稳、且每条边函数可读——你可以直接把『某个因子在低位线性、高位饱和』画出来。附完整 Python 与四张真实计算图。

PCA 的成分有正有负，你没法把 PC1 读成『40% 科技 + 30% 消费』——因为它允许负载荷，本质是方差最大的正交方向，不是构成。NMF 强制 W、H 全非负，分解出的每个基就是一个可加的『主题』，每个资产是这些主题的非负叠加，读起来像占比。合成实验：12 个资产由 3 个非负时间主题混合而成，NMF 乘法更新 400 次把重构误差从随机初值压到 2.536，还原的时间基激活与真实基相关 0.82~0.92、权重矩阵相关 0.80~0.91；PCA 拿同样数据，58.3% 的载荷是负的，PC1 根本没法解释成资产构成。秩选择靠误差肘部：K 从 1→2→3 时误差 17.48→10.98→2.52 断崖下跌，K=3 之后拐平（2.52→2.51→2.30）精确对上真实秩。纯 numpy 实现 Lee-Seung 乘法更新，拆穿 NMF 唯一解/成分自动对齐/负值数据也能用/秩越大越好/基一定有金融意义五类陷阱（中阶）。

N-BEATS 是 2019 年 M4 竞赛冠军——一个既没有卷积、也没有注意力、甚至没有 RNN 的纯残差网络，却把当时所有时序模型按在地上摩擦。它的秘密是「栈 + 残差 + 可学习基函数展开」：每个栈把输入同时做 backcast(拟合已知)与 forecast(外推未知)，残差层层传给下一栈。本文用自洽合成模型从零复现其机制，给出多步预测、95% 区间与对基线的 RMSE 对比，并诚实指出它在一步预测上打不过随机游走，附完整 Python 与六类真实陷阱。

TFT（Temporal Fusion Transformer，Lim 等 2020）是少有的「既用 Transformer 注意力、又刻意追求可解释」的时序模型。它靠三道门控——变量选择网络(VSN)、时序注意力(TIA)、门控残差——把「哪几个变量重要、过去哪段历史重要、线性还是非线性重要」全部量化出来。本文用自洽合成模型从零复现这三步，给出变量选择 265× 信噪比、多变量融合 SMAPE 比单变量低 43.7% 的实算结果，并诚实指出注意力可解释性的边界，附完整 Python 与六类真实陷阱。

把注意力机制从 NLP 搬进多因子选股：用特征级自注意力让模型自己决定看哪些因子，再门控加权出 1 维注意力因子。合成里门控因子 OOS R²=0.59 远超等权平均 0.15（高阶）。