通过分析表 5.1 中不同方法投资业绩的结果，可以得知，使用这种持仓方法的组合回报率的确提高了一定程度，但回撤率也同时有较大幅度的提高，如图 5.1中的组合回测曲线所示，但仍未超过 30%，信息比率及夏普比率均高于之前的模型，因此，可以说，与原始模型相比，该方法提高了模型的效果。
..........................
第六章 结论
6.1 研究总结
本文的目的是探索使用分析师的目标价格作为股票选择信息的来源，并使用随机森林算法建立投资模型并获得超过市场基准的收益。研究结果表明，研究报告中包含的信息可以预测未来的股价变化，也能说明随机森林能够很好地应用于复杂关系模型的建立。
本文以 2015 年至 2019 年所有研报评级为买入或增持，且给出目标价的研报及研报标的公司的信息作为总样本来源，同时选取了 6 个因子大类，总计 81 个因子作为备选因子，因子数据包括区间数据和日度数据，以 3、6、9 个月股票收盘价是否突破目标价作为标签构建总样本集。
首先对原始因子进行了数据预处理，使用了全部因子进行了动态建模，并设置3 个月作为滑动窗口的长度。选取每一期目标价达成概率最高的前 10 个样本建立股票池。发现以 3 个月为训练期，标签长度为 3 个月的前提下的投资模型绩效最高，总收益率为 69.55%，年化收益率为 11.76%，年化超额收益率 14.79%，大幅领先市场基准（沪深 300）。之后引入了无限资金的假设，发现收益率得到了进一步的提高。此后增加了 6 个月和 12 个月目标价是否达成作为标签进行了进一步的回测，发现在训练期为 3 个月，标签长度为 6 个月的时候投资模型的绩效达到最大值，总收益率为 255.57%，年化收益率为 30.61%，年化超额收益率为 25.86%，超过了原来模型的效果。最后考虑到选取的因子较多，需要进行进一步的筛选，通过随机森林建模得到的特征重要性，选取重要性最大的前 40 个因子进行进一步回测，发现总收益率得到进一步提高达到了 323.32%，且回撤率维持在合理水平，让模型的效果得到了进一步的优化。
参考文献（略）
