在机器学习收益预测模型中，特征权重（Feature Weight）直接决定了每个输入因子对最终预测结果的影响力大小。权重越高，该因子对模型输出的贡献越大。例如，在预测股票收益时，若“市盈率”特征的权重为0.3，而“换手率”为0.1，则模型认为市盈率的变化对收益的影响是换手率的三倍。权重是通过模型训练过程中的优化算法（如梯度下降）自动学习得到的，目标是让预测值与真实值之间的误差最小化。
特征权重如何识别关键因子
特征权重是识别关键因子的核心工具。通过分析权重绝对值或相对排名，可以快速定位对预测结果最重要的变量。
- 权重绝对值：权重绝对值越大，因子重要性越高。通常将权重排名前10%-20%的因子视为关键因子。
- 符号方向：正权重表示因子值与预测收益正相关（如营收增长越高，预测收益越高），负权重则相反。
- 稳定性：关键因子在不同时间窗口或不同模型（如线性回归与随机森林）中应保持相对一致的权重方向与大小。若权重频繁正负跳变，该因子可能不可靠。
举例而言，在基于历史数据的收益预测模型中，“过去三个月动量”和“估值分位数”往往具有较高权重，而“公司名称长度”等无关特征权重应趋近于零。如果无关特征意外获得高权重，说明模型存在过拟合或数据泄露风险。
权重因模型和参数而异
特征权重并非固定值，而是高度依赖模型类型、超参数设置以及训练数据分布。
- 模型类型差异：线性模型（如线性回归）的权重直接代表因子与收益的线性关系；树模型（如XGBoost、随机森林）则通过特征在分裂点被使用的次数和增益来间接衡量权重，更擅长捕捉非线性交互。同一因子在不同模型中的权重排名可能截然不同。
- 超参数影响：正则化强度（如L1、L2惩罚系数）会压缩或稀疏化权重。高正则化下，弱相关因子的权重可能被压至零；低正则化则可能让噪声因子获得高权重。
- 数据分布变化：市场环境改变（如从牛市转向震荡市）会导致因子权重重新分配。例如，波动率因子在震荡市中权重上升，在趋势市中权重下降。
因此，仅依赖单一模型的权重来决策风险极高。专业做法是使用多模型集成（如堆叠、投票），并对比不同模型下的权重一致性，筛选出跨模型稳定的因子。
结合业务逻辑判断的建议
特征权重虽然强大，但必须与业务逻辑结合，否则容易陷入统计陷阱。
- 因果性不等于相关性：高权重只能证明统计关系，不一定是因果关系。例如，某只股票“公司官网访问量”权重高，可能是因为其与真实增长因素（如新产品发布）混淆，而非直接驱动收益。
- 权重解释性优先：优先选择可解释性强的模型（如线性模型、决策树）来提取权重。对黑箱模型（如深度神经网络），可使用SHAP值或LIME等工具近似解释权重含义。
- 权重阈值参考：在选股模型中，通常将权重占比超过5%的因子视为需要重点关注的信号因子；低于1%的因子可考虑剔除。
总结：特征权重是机器学习收益预测中量化因子重要性的直接工具，但投资者应结合多模型对比、业务逻辑和稳定性检验来使用，避免盲目信任单一模型的权重输出。
常见问题
### 特征权重和相关性系数有什么区别？
特征权重是模型内部学习到的贡献值，考虑了因子之间的交互和多重共线性；相关性系数只衡量两个变量之间的线性关系，不考虑其他变量。例如，两个高度相关的因子，模型会分配权重给其中一个，而相关性系数会显示两者都与收益相关。
### 如果某个因子的权重为负，是否应该直接剔除？
不一定。负权重代表该因子与预测收益呈反向关系，只要这种反向关系具有业务逻辑支撑（如“高换手率”在量化模型中常与未来低收益相关），就应该保留。只有在权重绝对值极小且业务逻辑不明时，才考虑剔除。
### 不同模型给出的权重不一致怎么办？
这是常见现象，建议采取以下步骤：首先检查数据是否一致；其次，比较权重排名而非绝对值（看哪个因子稳定排在前列）；最后，使用集成模型或加权平均权重作为参考。如果关键因子在多数模型中权重排名都靠前，则可信度较高。