可解释性

是什么

可解释性，指能说清「为什么做出这个判断」，而且说出来的理由是可以被核对的。

不是「模型给了高分」，也不是「信号触发了」。是另一个人能拿去检验、并且可能不同意的理由。

两层，别混

层	回答什么	失败时长什么样
模型层	哪些输入推动了输出，各推动多少	「这是个黑箱」
策略层	这条规则为什么本来就该有效	「回测里是赚的」

两层都要，而最常被跳过的是第二层。一个完全可解释的模型，照样可以装在一个没人能讲通的策略里 —— 比如试了 500 条规则、留下最赚的那条。

为什么重要

可解释性是唯一能在亏钱之前防住过拟合的东西。

如果你能说出这条规则为什么该有效，你就可以追问：这个理由在样本之外还成立吗？如果你说不出来，那么回测结果就是全部证据 —— 而回测结果，只要搜得够狠，总是能造出来的，见数据窥探。

「回测里是赚的」不是理由，是测量。 这两者容易混，因为后者是个数字，而数字感觉像证据。

怎么要求

要一条理由链，不要一个结论：

1. 主张是什么？ 一句话，可被证伪。
2. 为什么它会成立？ 一个机制，不是一个相关性。
3. 什么情况下它不成立？ 说清你会在什么条件下放弃它。

三条都答不出来的策略，诚实的描述是「不知道」，不是「有潜力」。这也是为什么规范要求写明失败条件，而不是给一份业绩。