From Economic Explanation to Performance Improvement in Machine-Learning Portfolios
说明从经济解释到机器学习投资组合的性能改进
简介本文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为序列化组合绩效指标的局部敏感度，使模型解释延伸到组合层面的经济结果。作者还将归因与针对组合目标定义的Shapley值相联系，并推导了夏普比率归因的统计推断。基于归因的特征暴露干预可在不重新训练模型的情况下进行训练后调整，实证显示其在不同模型类别上都带来了统计上显著的净夏普比率提升。