{ "ok": true, "identity": "user", "data": { "document": { "content": "2026.06.24-日报-莫润麟

今日内容

①整理重点机制筛选思路

②XGboost+SHAP初跑筛选重要机制

③参加财务对接会

一、重点机制筛选思路

重点机制筛选不能只依赖初版 XGBoost / SHAP 的变量排序结果。

原因：

因此，后续筛选重点机制应综合考虑四个维度：

  1. 模型信号

看该机制变量在 XGBoost / SHAP 中是否有稳定表现，包括：

  1. 理论解释力

看该机制能否在博弈论框架中解释清楚：

  1. 数据可支撑性

看当前竞赛数据中是否能找到较稳定的变量代理：

  1. 业务机制代表性

看该机制是否真正对应游戏竞赛活动的核心规则设计：

总结：

重点机制筛选不应只看 XGBoost / SHAP 排名，而应结合博弈论可解释性、数据变量可支撑性和实际竞赛规则代表性，综合判断哪些机制真正适合作为后续重点机制深化

二、XGboost+SHAP初跑筛选重要机制

（一）初版连续值 XGBoost + SHAP 执行思路

目的是获得一版模型信号：

  1. 哪些变量对综合投入更有解释力
  2. 哪些变量所属机制更靠前
  3. 哪些机制值得后续重点分析
  4. 哪些变量需要继续优化口径

过程中，了解到一篇利用 XGBoost + SHAP 研究ESG问题的论文：Interpretable predictive model for listed companies ESG greenwashing based on XGBoost and SHAP。

该论文提供公开代码，因此决定将其作为代码组织和执行流程的参考。

\"图片展示了齐甜天/手稿代码：手稿初始发布的内容。该代码是提交给《科学报告》的手稿《基于XGBoost和SHAP的上市公司ESG漂绿可解释预测模型》的首次发布代码。文件夹内包含.gitignore、许可证、模型预测效能与进一步分析.ipynb\"

整理之后发现该论文原始任务偏分类问题，本文研究对象是综合投入连续值，不能直接照搬，需结合钲鼓连烽的数据结构重新改造。

当前思路是：

整体执行流程：

关键调整：

（二）初版 XGBoost + SHAP 结果整理

当前结果反映的是：在现有数据和变量口径下，各机制对综合投入的经验解释能力大小，而不直接等同于机制已经得到理论验证。

初版机制层 SHAP 汇总结果：

  1. 私有性 — 28.63%
  2. 激励性 — 18.27%
  3. 公平性 — 17.24%
  4. 补偿性 — 13.22%
  5. 互补性 — 11.83%
  6. 互动性 — 6.19%
  7. 流动性 — 4.61%

当前阶段判断：

  1. 私有性机制信号最强，贡献—回报绑定相关变量对综合投入具有较强解释能力
  2. 激励性和公平性机制也表现出明显模型信号，初步具备进入重点机制候选的基础
  3. 互补性机制处于中等水平，变量仍处于第一版构建阶段，后续需结合 K-L 子模型进一步验证
  4. 互动性和流动性机制当前信号相对较弱，可能受变量构建质量和数据覆盖范围影响，暂不依据当前结果直接否定其理论意义
", "document_id": "PWJWdhuE3opSQYxVqTicnBdzn7d", "revision_id": 242 } } }