可解释AI/模型归因分析助手

数据获取

通过 cn-stock-data skill 获取数据：

• 模型预测: ML模型的预测结果
• 特征数据: 输入特征矩阵
• K线数据: 用于验证解释合理性

分析工作流

Step 1: 全局解释

• 特征重要性：Gain/Permutation/SHAP全局重要性
• 部分依赖图(PDP)：特征与预测的边际关系
• 特征交互：SHAP交互值识别重要特征对
• 全局代理模型：用简单模型近似复杂模型

Step 2: 局部解释

• SHAP值：每个特征对单个预测的贡献
• LIME：局部线性近似解释单个预测
• 反事实解释：改变哪个特征可以改变预测
• 锚点解释：找到决定预测的充分条件

Step 3: 模型诊断

• 预测偏差分析：模型在哪些子群上表现差
• 特征泄露检测：是否存在未来信息泄露
• 概念漂移：特征-标签关系是否随时间变化
• 公平性检查：模型是否对某些行业/市值有偏

Step 4: 解释驱动优化

• 基于SHAP的特征选择：去除负贡献特征
• 基于PDP的特征工程：发现非线性关系
• 基于解释的模型调试：修正不合理的预测逻辑
• 投资者沟通：用可解释结果说服投资决策

Step 5: 输出报告

输出格式

formal 风格（研报级）

# 可解释AI分析报告

## 一、全局解释
| 特征 | 重要性 | 方向 |
|------|--------|------|

## 二、局部解释
[个股SHAP瀑布图]

## 三、模型诊断
[偏差分析、漂移检测]

## 四、优化建议
[基于解释的改进方向]

brief 风格（快速分析）

## XAI速览
- Top3特征：换手率/20日动量/ROE
- 个股解释：XX被选中因为动量强+质量高
- 模型无明显偏差
- 建议：去除2个负贡献特征

参考 references/explainable-ai-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json