机器学习模型中Shapley值方法如何揭示顶尖基金经理的选股逻辑？

Shapley值基于合作博弈论，衡量某一特征相对于所有观测值平均预测值的边际贡献，具有公平性、可加性等性质，并能考虑变量交互效应。本研究采用蒙特卡洛近似方法计算Shapley值，以揭示复杂机器学习模型的决策逻辑。

核心预测变量方面，规模、流动性、分析师覆盖度和12个月动量对预测顶尖持仓贡献最大。具体而言，12个月动量的变化平均可使股票成为顶尖持仓的概率变化3.4%。大多数股票特征均有非零贡献，表明顶尖基金经理决策时综合广泛变量。变量方向显示，较高5年每股收益增长率通常正向影响预测，与分析师长期盈利预测一致；较高股息率通常负向影响，反映顶尖基金经理偏好低股息股票。

非线性关系方面，机器学习模型捕捉到高度复杂的函数形式。以账面市值比为例：低值正向预测顶尖持仓，中等值负向预测，高值几乎无影响。这种分段模式无法被线性模型刻画。

交互效应的典型例证为股票规模与分析师覆盖度的组合。尽管二者各自单独提高成为顶尖持仓的可能性，但大盘股叠加高分析师覆盖度产生显著负向交互效应，降低成为顶尖持仓的概率。这表明顶尖基金经理偏好分析师覆盖度相对较低的中大型公司，可能因这类股票更易被错误定价而蕴含超额收益机会。

时变特征方面，各变量重要性随经济周期显著变化。12个月动量影响在样本后期逐渐增强；特质波动率在金融危机期间正向预测顶尖持仓，在随后牛市转为负向预测。这说明顶尖基金经理策略并非一成不变，而是随市场环境动态调整。

这些发现表明，顶尖基金经理的选股逻辑具有系统性、复杂性和动态适应性，其超额收益源于对公开信息中非线性模式和时变规律的深度挖掘，而非简单依赖某几个固定指标。