企业官网建设流程全解析

PanWatch 信号解释器：如何看懂 AI 打分背后的证据链？完整可解释性指南

【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK & US markets, powered by TradingAgents. Portfolio insights, real-time alerts & automated reports.｜盯盘侠：覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch

PanWatch 是一款覆盖 A股/港股/美股的 AI 盯盘工具，其核心卖点之一是把 AI 评分变成"可解释的信号"：每个 1~10 分的 AI Score 背后，都有一条清晰的证据链——哪些因子在加分、哪些风险在拖累，全部透明可见。本文带你完整拆解 PanWatch 信号解释器的设计思路与落地方式，新手也能快速看懂 AI 打分背后的逻辑。

为什么 AI 评分需要"证据链"？

多数量化选股工具只给你一个分数，你只知道"它看好这只票"，却不知道"为什么看好"。PanWatch 的信号解释器（Signal Explainer）解决的就是这个问题：

• 分数可读：内部 0~100 的排名分压缩成 1~10 的 AI Score，一眼看懂强弱；
• 因子可拆：每个分数拆成"正向（绿）/ 负向（红）"两组因子，附具体贡献值；
• 证据可溯：加分来自选股 α、催化剂、计划质量，扣分来自风险、拥挤度，逐项可查。

这正是可解释性（Explainability）设计在 AI 盯盘场景下的典型落地。

信号解释器的三层架构

📦 整个解释器由三个部分协作完成，代码职责非常清晰：

1. 分数压缩：rank_score → 1~10 AI Score

内部排名分（0~100）直接展示不够直观，解释器用一个简单的线性映射将其压缩到 1~10 分区间（边界自动夹紧），让"8 分"这种表达更贴近日常认知。

核心实现在 src/modules/research/signal_explain.py：

• to_ai_score()：完成 0~100 → 1~10 的映射与边界处理；
• explain_factors()：把因子拆解成正向/负向两组，各取贡献绝对值最大的前 5 个；
• enrich_signal()：给单条信号注入ai_score与factor_explain字段。

2. 因子拆解：绿色加分 vs 红色拖累

解释器把 6 类因子分成两个阵营：

🎯 拆解规则很直白：加分项为正 → 进绿色"利好"组；惩罚项为正 → 贡献记为负值，进红色"风险"组。每个因子都带具体贡献数值（如选股α +4.2、拥挤 -2.5），排序后取 Top 5 展示，避免信息过载。

3. API 注入：后处理零侵入

解释器是纯函数、不依赖数据库，在 API 层对策略信号列表做后处理注入，见 src/modules/research/api/recommendations.py 的GET /strategy-signals接口——策略引擎照常产出信号，解释器只负责"翻译"，互不干扰。

因子从哪来？策略引擎的评分流水线

🔍 解释器拆解的score_breakdown并非凭空而来，而是策略引擎在合成排名分时逐项算出来的。核心逻辑在 src/modules/strategy/strategy_engine.py 的_compute_factor_breakdown：

1. 选股α：基于策略基础分与相对强度排名；
2. 催化：综合涨跌幅区间、突破/回踩/超跌信号文本、72 小时内的新闻事件分（利好/利空关键词加权）；
3. 计划质量：入场计划完整度（入场区间、止损、目标价）打分；
4. 风险惩罚：高风险等级、单日涨跌幅超 8%、计划质量不足等逐项累加；
5. 拥挤度惩罚：涨幅 ≥9%、量比 ≥3、成交额超 80 亿、横截面拥挤度分；
6. 市场状态乘数：多头/震荡/空头行情下对买卖信号施加不同倍率。

最终raw_score × 策略权重 × 行情乘数得到 0~100 排名分，且每个分数的原始因子值都会落库为因子快照（StrategyFactorSnapshot），供回溯与评估。

权重可标定：让打分体系持续进化

🧪 一个容易被忽略的设计：因子权重是外置可标定的。src/modules/strategy/factor_weights.py 把各因子权重从"隐式硬编码为 1"变成数据库中的可配置项，缺失时懒初始化，再由 src/modules/strategy/factor_calibration.py 基于历史后验表现（IC 检验）自动调权。

这意味着：

• 打分规则透明可调，不是黑盒魔法数；
• 权重随市场反馈持续校准，解释器的证据链也随之保持准确；
• 默认权重为 1 时行为零回归，升级风险可控。

前端呈现：一眼看懂的评分卡

💡 在机会页，每条信号卡片直接展示评分、AI 分档与因子 chips，前端实现见 frontend/src/pages/Opportunities.tsx；点击"分享评分"还会生成一张 AI 评分分享卡，Hero 区为X / 10大数字，下方两列分别列出利好因子与风险因子（实现见 frontend/src/components/SignalScoreShareCard.tsx）。

如上图所示：每张信号卡片右上角是内部评分与 AI 10 分档，卡片底部一行彩色 chips 就是解释器输出的因子证据链——绿色为加分项（选股α、计划质量、催化、来源加成），红色为拖累项（风险、拥挤），数值即贡献值。这就是"AI 打分背后的证据链"在界面上的最终形态。

上手体验：三步跑通信号解释器

1. 获取代码：git clone https://gitcode.com/GitHub_Trending/pa/PanWatch；
2. 启动服务：安装依赖后运行 server.py 启动后端，前端通过 frontend/ 的 Vite 工程启动；
3. 打开机会页：进入"机会"标签，查看每条信号的评分、AI 分与因子拆解，并可用分享评分卡导出证据链。

想验证解释器逻辑？单元测试 tests/test_signal_explain.py 用几行断言覆盖了分数映射、正负因子分组、惩罚项负值记法等全部关键路径，是理解设计的最佳入口。

小结：可解释性如何重塑 AI 盯盘体验

PanWatch 的信号解释器用一套极简的设计回答了"AI 凭什么打这个分"：

• 1~10 AI Score：把内部分数翻译成人类语言；
• 绿/红因子拆解：加分与拖累逐项量化、按贡献排序；
• 权重外置可标定：打分规则透明且随市场反馈进化；
• 纯函数后处理：零侵入接入，前后端解耦。

对新手来说，这不只是功能，更是一种信任机制——当你能逐条核对证据链时，AI 信号才真正从"黑盒推荐"变成"可验证的参考"。

【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK & US markets, powered by TradingAgents. Portfolio insights, real-time alerts & automated reports.｜盯盘侠：覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch