面向股票收益预测忠实叙述的推理外化方法

一篇 arXiv 论文提出 LLM 叙述框架，用于横截面股票收益预测：将 XGBoost 模型的时序 SHAP 重要性与历史相似市场阶段结合，把可解释性数值结果转成自然语言。研究在 Qwen3 上进行受控实验，逐步外化原始 SHAP 序列、确定性时序描述和特征关系，并逐条核验生成结论是否有可溯源证据。结果显示 Qwen3-32B-Instruct 的证据忠实度从 0.696 升至 0.996，历史类比未提升自动忠实度，但人工有用性评分更高。

此前可解释 AI 输出多为数值型 SHAP 值，非专业用户难以理解，LLM 转写又容易在数值变化和特征关系上出错。该工作把叙述过程拆成可核验的推理步骤，并用溯源证据逐条校验，把“模型解释”从一次性生成变为可审计流程，同时区分自动忠实度与人工可用性两类指标。

机制是用 XGBoost 的归一化全局 SHAP 重要性在六个月内的变化作为时序证据，再检索 SHAP 重要性变化相似的历史阶段，附加当时的模型表现与后续市场收益作为对比语境。通过逐步外化数值推理与关系推理，模型无需自行推断数值变化和特征关系，而是依据结构化描述生成叙述，因此降低推理错误，提高与证据的一致性。

对金融类 AI 产品，说明把 SHAP 等解释数值预先转成结构化描述、并让生成内容绑定溯源证据，可显著降低叙述幻觉，适合用于投研报告生成、风控解释和面向客户的产品说明。研发上需增加证据核验与溯源链路，可能提高工程复杂度，但可减少人工复核成本。

• 在投研或财富管理产品中，把 SHAP 时序变化转成结构化文字后再由 LLM 生成解释，并为每条结论附证据来源。
• 为金融 LLM 叙述建立逐条证据核验组件，输出忠实度得分，作为合规与审核的辅助指标。
• 将历史相似市场阶段作为解释语境嵌入产品，提升人工可读性与决策参考价值，而非仅追求自动指标。

• 该框架在 Qwen3 之外的其他模型上是否同样有效，证据忠实度提升幅度未知。
• 历史类比提升人工有用性的具体程度和评测样本规模未在证据中给出。
• 该框架用于真实投资决策时，是否会影响收益或风险表现，尚无证据。
• 逐条证据核验带来的推理成本与延迟增加幅度未被披露。