标签： #因子归因

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。

选股模型上线后，老板只问一句话：这个月赚的 3% 到底是谁贡献的？本文用 SHAP 把每一条预测（进而把组合 PnL）拆回单个因子与因子组，并进一步把样本按时间切片，追踪各因子 SHAP 贡献的分布漂移——漂移本身就是生产环境的预警信号。附完整 Python 实现与归因完整性自检。