# 2026.06.24-日报-莫润麟

2026.06.24-日报-莫润麟### 今日内容**①整理重点机制筛选思路**
②**XGboost+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：
-  初版模型结果受变量口径、数据覆盖率、缺失情况影响较大-  有些机制理论上重要，但当前数据变量较弱，可能在模型中排名偏低-  有些变量模型重要性高，但可能只是结果同源、行为强相关或数据口径带来的“表面重要”-  博弈论部分需要重点机制能够进入统一收益函数，并解释其如何影响边际收益、边际成本或均衡投入。 **因此，后续筛选重点机制应综合考虑四个维度**：
- **模型信号****看该机制变量在 XGBoost / SHAP 中是否有稳定表现**，包括：-  特征重要性是否靠前； -  SHAP 方向是否清晰； -  是否存在非线性或阈值； -  不同模型或分组下是否稳定。 
- **理论解释力****看该机制能否在博弈论框架中解释清楚：**-  是否能进入效用函数或收益函数； -  是否影响边际收益、边际成本、胜率预期或收益分配； -  是否能够推导出清晰的机制命题。 
- **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：**-  是否有可观测字段； -  是否覆盖 3 月 / 5 月或多期数据； -  是否口径稳定； -  是否存在严重缺失； -  是否容易和综合投入产生同源泄漏。 
- **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：**-  是否能从玩法规则中找到明确制度载体； -  是否符合玩家实际体验； -  是否能解释平台规则如何影响玩家投入； -  是否有后续优化建议空间。 
**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：**
- 哪些变量对综合投入更有解释力- 哪些变量所属机制更靠前- 哪些机制值得后续重点分析- 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: 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：**
- **代码骨架：借 ESG 论文公开代码**- **方法写法：参考连续值回归论文**- **变量体系：使用游戏竞赛七机制框架****整体执行流程：**
- 读取数据- 划分训练集 / 测试集- 训练 XGBoost 模型- 输出模型指标- 运行 SHAP- 汇总变量重要性- 汇总机制重要性- 生成结果表和报告**关键调整：**
- 模型由 **XGBClassifier（分类） →  XGBRegressor（连续值）**- 评价指标由** Accuracy、F1、AUC → R²、RMSE、MAE**- 删除类别不平衡处理，按七机制变量 + 控制变量重新构建输入变量#### **（二）初版 XGBoost + SHAP 结果整理**- **完成第一轮连续值跑数后，对变量层 SHAP 结果按机制归属进一步汇总，初步形成机制层面的解释结果。**- **当前不直接根据单个变量重要性判断机制，而是将同一机制下变量的 SHAP 值聚合，观察不同机制整体对综合投入的解释贡献。**> 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**：
- 私有性 — 28.63%- 激励性 — 18.27%- 公平性 — 17.24%- 补偿性 — 13.22%- 互补性 — 11.83%- 互动性 — 6.19%- 流动性 — 4.61%**当前阶段判断**：
- 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- 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- 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- 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

---
*Source: feishu doc PWJWdhuE3opSQYxVqTicnBdzn7d*