本文研究了在资产定价领域中,基于领域知识提出的若干风险相关公理,分析了两种主流归因方法——Shapley值和积分梯度(IG)在满足这些公理方面的表现。结果表明,Shapley值和IG均能保留大部分公理,但均存在不足,尤其是IG无法保持需求单调性,Shapley值则可能使用训练域外的计算,限制了其在金融危机等极端情况下的适用性。通过金融危机中的标普500期权价格实证分析,验证两种方法在风险归因中的优劣,提示实践中需根据具体风险特征选择合适归因方法。
核心论点:
随着机器学习的广泛应用,尤其在金融资产定价模型中,解释机器学习模型输出中的风险因素变得尤为重要。现有的归因方法侧重于通用公理体系下的解释,但缺乏领域知识的结合。该报告提出并基于金融资产定价中的领域知识,建立一套反映风险的公理体系,进而考察Shapley值和IG是否满足这些公理。结果显示,两者均可保留大部分公理,但皆存在不足,特别是IG不能满足需求单调性(demand monotonicity),而BShap(基线Shapley)计算时可能跨出了训练域,限制了其在金融危机等状况下的适用性。报告结合理论及实证案例说明归因方法如何反映风险及其使用时机。
报告从行业需求出发,强调金融中机器学习的成功及随之而来的可解释性需求,尤其在高风险、高利益冲突的领域(如金融)显得尤为关键。列举美国监管机构对ML模型需解释清晰的指令背景,指出现有ML解释方法主要基于抽象的公理体系,缺少领域知识的融合。金融资产定价与风险管理密切相关,强调SVB倒闭事件中风险管理失败的教训,提出核心问题:归因方法是否准确反映模型中的风险,进而指导决策。
重点提出研究目标和贡献:基于资产定价知识,设计能反映风险的公理;理论分析Shapley和IG,并用大量例证说明两者的优缺点及应用边界。
该部分为后续论述提供数学、符号基础,突出了BShap与IG的数学表达式和性质。
聚焦两类金融资产:
报告指出基于金融领域公理化知识(数学导数)进行解释的重要性,提示模型归因需与这些风险参数符合。
针对资产定价中的风险特点,报告提出以下公理:
一阶效应公理(Section IV-A):
表4中示例III.1的利率对零息债券应是负向归因,体现风险价值。
二阶主效应公理(Section IV-B):
公理IV.7、IV.10分别定义归因方法需反映这些特性,例如零息债券利率具有RDME特性,应体现在归因中。
资产间比较公理(Section IV-C):
训练域相关公理(Section IV-D):
鉴于金融数据的实际分布特征及特征间的相关性(如图1显示的股价与波动率的负相关),归因方法计算应限制在训练数据支持域内,避免基于无数据支持点的风险误导。
该点响应金融危机等极端情况下模型预测的局限性。
报告通过理论证明总结如下定理:
通过债券利率示例详细阐释了IG在利率极高时(长债+高利率环境)DIM不满足的现象,强调IG可能低估风险。另一方面,BShap虽满足DIM,但计算时需多个组合点,其中部分点不在训练域,导致违反CG。在实际金融危机数据(图1)解释时,BShap需要评估在训练域外点的函数值,存在不可用风险,而IG的积分路径多处于训练数据附近,表现较好。
以2008年全球金融危机时期美国欧式期权市场为例,构建包含标的价格、风险利率、到期时间、行权价及波动率五个特征的神经网络,模拟期权定价函数。使用已定基线与待解释点,分别计算IG和BShap归因(图2、图3)。两者结果整体相似,主要归因于股价和行权价的变化,且符合期权定价领域理论。
接下来的实验进一步验证了两种方法对风险特性(如Delta为正负的call/put选项,Gamma为正的凸性)保留公理的能力(图4-6)。
总结:
图1(股票价格 vs VIX波动率散点图)
展示了2008年危机期间股价与VIX波动率的负相关性,数据位于图中标记的区域内,但未覆盖高股价高波动率和低股价低波动率区域,证明训练数据非矩形分布。基线Shapley计算需要四个角对应函数值,可导致训练域外估计。IG路径是连接基线与解释点的线段,位于训练数据分布附近,避免了外推风险。该图形象地支持了Convex Geometry公理的提出和归因方法比较的讨论。
图2 和图3(IG与BShap的归因条形图)
对2023年2月5日某期权的解释,横轴显示每个特征归因值,纵轴为特征名称(股价S,利率r,到期时间τ,行权价K,波动率σ)。
归因重心在股票价格(S,负归因)和行权价(K,正归因),反映了期权价格主要受这两者影响。利率和波动率归因较小,符合金融理论。IG和BShap归因大小、方向一致,验证解释方法的一致性。
差异体现在具体数值细节(如利率、波动率),但总体趋势吻合。说明两种方法在常规市场情况均表现良好。
图4(IME曲线): 显示随股价上升,IG和BShap的归因呈递增趋势,满足Increasing Marginal Effect公理,清楚验证归因方法能够捕捉一阶正向风险效应。
图5(RDME曲线): 展示RDME条件下归因值随股价变化的非线性递减趋势,IG和BShap的曲线趋势基本一致且满意公理需求,反映风险边际递减效应。
图6(DIM违反示例): 对于put期权归因随股价变化绘图,IG归因曲线出现不平滑甚至违背理论递减趋势(底部呈现波动拐点),说明其不能正确保持Demand Individual Monotonicity,而BShap仍然平滑下降。确认IG在负Delta、高Gamma情景中归因不足。
本报告未展开传统意义上的资产估值分析,但对应归因方法中涉及的数学期权定价模型和债券定价模型具有许多敏感度(Derivatives,即Greeks)作为领域知识输入,这些为归因建模提供理论基础。报告阐释了基于朗格朗日积分和Shapley值分配的归因计算,揭示归因方法的理论根基和对风险参数的敏感映射,但没有展开现金流折现或多尺度估值模型。
通过公理体系设计,本报告系统梳理了金融资产定价中的风险因素及其对应的归因解释要求:
劣势及风险:
报告正视这些风险因素,提醒用户关注适用上下文及选择合适方法。
报告优点:
潜在局限:
报告虽作适当提醒,但以上点提示未来工作方向及应用时需谨慎。
本报告系统分析了基于机器学习模型的金融资产定价归因解释问题,聚焦于归因方法如何反映风险。通过引入基于资产定价专业知识的公理体系,报告建立了评价归因方法科学性的全新视角,并侧重剖析了广泛使用的BShap和IG两个归因方法。
数据和理论分析显示两者均具备反映大多数风险相关公理的能力,且在不同风险场景下各有优劣:
实证部分通过2008年全球金融危机数据分析,验证了两种归因方法对期权价格中Delta、Gamma等关键风险指标的解释能力及各自的局限性。
报告最后提出了未来方向,包括发展更全面的新型归因方法、结合时间序列特性避免域外估计、以及将风险归因拓展至投资组合等应用,指明了机器学习金融解释的前沿方向。
综上,报告强调金融领域中的归因方法应兼顾领域知识及统计特性,消弭风险解释盲区,指导风险管理策略制定。研究为金融机器学习解释领域提供了重要理论与实践基础。
参考溯源页码:
2407.08953.pdf