从经济解释到业绩提升：机器学习投资组合的归因传播框架

01 摘要

作者提出一种局部一阶归因传播框架，把配置函数中的特征暴露映射到序贯组合业绩指标的局部敏感度，并将传播归因与直接针对组合目标定义的 Shapley 值相关联。作者还推导了夏普比率归因的统计推断，并设计归因指导的特征暴露干预，实现不重训练配置模型的后训练适应。作者报告称，在不同模型类别上此类干预带来净夏普比率的统计显著提升。上述提升属于作者的实证发现，框架的经济解释价值与干预效果仍需独立验证。

02 关键点

1. 提出局部一阶归因传播框架，将配置函数的特征暴露映射到序贯组合业绩指标的局部敏感度，并与直接针对组合目标定义的 Shapley 值相关联。
2. 为夏普比率归因建立统计推断，并设计归因指导的特征暴露干预，使组合业绩解释可转化为样本外决策而无需重训练配置模型。
3. 引入时间稳定化与跨模型平均作为补充正则化机制，并在不同模型类别上报告净夏普比率的统计显著提升。