随机森林模型在REITs基金中的应用

请务必阅读报告末页的重要声明 glzqdatemark1 证券研究报告 金融工程|专题报告 随机森林模型在 REITs 基金中的应用 2025年08月06日 |报告要点 |分析师及联系人 证券研究报告 请务必阅读报告末页的重要声明 1/17 随机森林是一种基于多个决策树的集成学习技术，它通过构建多个决策树并将它们的预测结果集成起来。随机森林模型因其较好的准确性和适应性，在量化分析和金融领域中具有较高的应用价值。REITs 随机森林模型策略每周选排名前 5 的基金等权配置，截至 2025 年 7 月 18日，其年化收益率 39.76%，超额收益率 40.01%，年初至该日策略组合收益率及超额收益分别为 73.81%、60.49%。 陆豪 康作宁 陈阅川 周籽聪 SAC：S0590523070001 SAC：S0590524010003 SAC：S0590524050004 陆诵韬 请务必阅读报告末页的重要声明 2/17 金融工程|专题报告 glzqdatemark2 金融工程定期 随机森林模型在 REITs 基金中的应用 相关报告 1、《两融资金持续净流入，红利增强策略表现优异—周报 2025 年 8 月 1 日》2025.08.03 2、《衍生品择时出现多头信号，价值中性策略表现优异—周报 2025 年 7 月 25 日》2025.07.27 扫码查看更多 ➢ 随机森林模型介绍 随机森林模型的核心思想是通过构建多个决策树模型，并将它们组合起来进行预测。随机森林模型因其较好的准确性和适应性，在量化分析和金融领域中具有较高的应用价值。随着相关技术的不断进步和完善，随机森林有望在未来的金融市场分析中发挥更大的作用。 ➢ 因子选择 随机森林模型对单因子影响力要求较高，我们通过 IC 作为单因子进行测试标准，筛选 IC 绝对值大于 2.5%的因子用于后续模型拟合。 ➢ 参数敏感性分析 随机森林模型具有大量的参数,每个参数的调整都会影响模型的复杂度、预测能力和计算效率,我们通过样本内 10 折交互验证、网格搜寻等方法，确定参数在样本内对模型准确率的影响，最终选定包括树的数量、叶节点最小样本数、树最大深度等参数取值。 ➢ 持仓选定 随机森林模型中,我们通过每期回归给出的未来一周涨跌幅高低，每周选定最高的5 只基金作为最终持仓。 ➢ 绩效表现 截至 2025 年 7 月 18 日，REITs 随机森林模型策略年化收益率 39.76%，超额收益率 40.01%，夏普率 2.82。年初至 2025 年 7 月 18 日，策略组合收益率 73.81%，超额收益率 60.49%。 ➢ 模型评价 随机森林模型具有较好的泛化能力，能有效处理包括高维数据和缺失数据在内的复杂数据类型，并且其作用方式易于理解，类似于传统的投资决策过程；其缺点在于对模型收益率变化的敏感度不够高，且模型复杂性和计算成本较高。 风险提示：量化模型存在失效风险，信息仅供参考，不构成投资建议。市场存在波动性和不确定性，投资需谨慎。过去的业绩表现不能保证未来的收益，投资者应根据自身的风险承受能力和投资目标独立判断并做出决策。 Aaaaad 2025年08月06日 请务必阅读报告末页的重要声明 3/17 金融工程|专题报告 正文目录 1. 随机森林模型 ...................................................... 4 1.1 决策树 ...................................................... 4 1.2 随机森林 .................................................... 6 2. 样本选定 .......................................................... 7 2.1 数据获取 .................................................... 8 2.2 特征和标签提取 .............................................. 8 2.3 特征预处理 .................................................. 8 2.4 训练集合交叉验证集合成 ...................................... 8 2.5 交叉验证调参 ................................................ 8 2.6 样本外测试 .................................................. 8 2.7 模型评价 .................................................... 9 3. 随机森林因子选择 .................................................. 9 4. 随机森林模型构建 .................................................. 9 4.1 参数敏感性分析 .............................................. 9 4.2 模型结果 ................................................... 12 4.3 样本外实际组合模拟 ......................................... 13 5. 随机森林模型评价 ................................................. 14 5.1 随机森林模型优点 ........................................... 14 5.2 随机森林模型缺点 ........................................... 15 6. 风险提示 ......................................................... 16 图表目录 图表 1： 决策树数据样本举例 ............................................ 5 图表 2： 决策树示例 .................................................... 6 图表 3： 随机森林模型示意图 ............................................ 7 图表 4： 因子列表 ...................................................... 9 图表 5： 决