Evilom
12 lines
6.4 KiB
JSON
12 lines
6.4 KiB
JSON
{
|
||
"ok": true,
|
||
"identity": "user",
|
||
"data": {
|
||
"document": {
|
||
"content": "<title>2026.06.24-日报-莫润麟</title><h3>今日内容</h3><p><b>①整理重点机制筛选思路</b></p><p>②<b>XGboost+SHAP初跑筛选重要机制</b></p><p><b>③参加财务对接会</b></p><h3>一、重点机制筛选思路</h3><p><b>重点机制筛选不能只依赖初版 XGBoost / SHAP 的变量排序结果。</b></p><p>原因：</p><ul><li> 初版模型结果受变量口径、数据覆盖率、缺失情况影响较大</li><li> 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</li><li> 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”</li><li> 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。 </li></ul><p><b>因此，后续筛选重点机制应综合考虑四个维度</b>：</p><ol><li seq=\"1\"><b>模型信号</b></li></ol><p><b>看该机制变量在 XGBoost / SHAP 中是否有稳定表现</b>，包括：<ul><li> 特征重要性是否靠前； </li><li> SHAP 方向是否清晰； </li><li> 是否存在非线性或阈值； </li><li> 不同模型或分组下是否稳定。 </li></ul></p><ol><li><b>理论解释力</b></li></ol><p><b>看该机制能否在博弈论框架中解释清楚：</b><ul><li> 是否能进入效用函数或收益函数； </li><li> 是否影响边际收益、边际成本、胜率预期或收益分配； </li><li> 是否能够推导出清晰的机制命题。 </li></ul></p><ol><li><b>数据可支撑性</b></li></ol><p><b>看当前竞赛数据中是否能找到较稳定的变量代理：</b><ul><li> 是否有可观测字段； </li><li> 是否覆盖 3 月 / 5 月或多期数据； </li><li> 是否口径稳定； </li><li> 是否存在严重缺失； </li><li> 是否容易和综合投入产生同源泄漏。 </li></ul></p><ol><li><b>业务机制代表性</b></li></ol><p><b>看该机制是否真正对应游戏竞赛活动的核心规则设计：</b><ul><li> 是否能从玩法规则中找到明确制度载体； </li><li> 是否符合玩家实际体验； </li><li> 是否能解释平台规则如何影响玩家投入； </li><li> 是否有后续优化建议空间。 </li></ul></p><callout emoji=\"🤔\"><p><b>总结：</b></p><p>重点机制筛选<b>不应只看 XGBoost / SHAP 排名</b>，而应结合<b>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</b>，综合判断哪些机制真正适合作为后续重点机制深化</p></callout><h3><b>二、XGboost+SHAP初跑筛选重要机制</b></h3><h4><b>（一）初版连续值 XGBoost + SHAP 执行思路</b></h4><p><b>目的是获得一版模型信号：</b></p><ol><li seq=\"1\">哪些变量对综合投入更有解释力</li><li>哪些变量所属机制更靠前</li><li>哪些机制值得后续重点分析</li><li>哪些变量需要继续优化口径</li></ol><callout emoji=\"📖\"><p>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。</p><p><b>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。</b></p></callout><img name=\"image.png\" alt=\"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\" href=\"https://internal-api-drive-stream.feishu.cn/space/api/box/stream/download/authcode/?code=MGQ1MWVmZTE0NjFiM2JmNDY2YTUxMGRiZDQ0ZDE3ZmJfNjkxNDc1ZmM1OTQzZDE2OWMxYWU4NmE0ODhhYmQwMDZfSUQ6NzY1NDk5MTQxODgyNTU5MjAwNV8xNzgyMzUxNjQ2OjE3ODIzNTUyNDZfVjM\" mime=\"image/png\" scale=\"0.395736\" src=\"UYzUbShDQoPe9Yxl1NHc635nnnb\"/><callout emoji=\"🔎\"><p>整理之后发现该论文原始任务<b>偏分类问题</b>，本文研究对象是<b>综合投入连续值</b>，<b>不能直接照搬，需结合钲鼓连烽的数据结构重新改造。</b></p></callout><p><b>当前思路是：</b></p><ul><li><b>代码骨架：借 ESG 论文公开代码</b></li><li><b>方法写法：参考连续值回归论文</b></li><li><b>变量体系：使用游戏竞赛七机制框架</b></li></ul><p><b>整体执行流程：</b></p><ul><li>读取数据</li><li>划分训练集 / 测试集</li><li>训练 XGBoost 模型</li><li>输出模型指标</li><li>运行 SHAP</li><li>汇总变量重要性</li><li>汇总机制重要性</li><li>生成结果表和报告</li></ul><p><b>关键调整：</b></p><ul><li>模型由 <b>XGBClassifier（分类） → XGBRegressor（连续值）</b></li><li>评价指标由<b> Accuracy、F1、AUC → R²、RMSE、MAE</b></li><li>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</li></ul><h4><b>（二）初版 XGBoost + SHAP 结果整理</b></h4><ul><li><b>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。</b></li><li><b>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。</b></li></ul><blockquote><p>当前结果反映的是：<b>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。</b></p></blockquote><p><b>初版机制层 SHAP 汇总结果</b>：</p><ol><li seq=\"1\">私有性 — 28.63%</li><li>激励性 — 18.27%</li><li>公平性 — 17.24%</li><li>补偿性 — 13.22%</li><li>互补性 — 11.83%</li><li>互动性 — 6.19%</li><li>流动性 — 4.61%</li></ol><callout emoji=\"📖\"><p><b>当前阶段判断</b>：</p><ol><li seq=\"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</li><li>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</li><li>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</li><li>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</li></ol></callout>",
|
||
"document_id": "PWJWdhuE3opSQYxVqTicnBdzn7d",
|
||
"revision_id": 242
|
||
}
|
||
}
|
||
}
|