选择优资股票是股票投资中的关键抉择部分，是正确投资的必要选择，所谓的优质股票指的是股市中投资回报高，抗风险能力强，成长性好的优良股票。而股票的价格受到诸多因素的影响，表现出“毫无规律变化”的随机游动特性，因此选择其中的优质股票的难度比较大。在股票优化和选择问题中，主要可以归为两方面：影响价格的维度选择，即多个维度指标体系的决定和选择模型分类算法的确定，本文选择随机森林算法，解决股票投资中选择优质股票的实际问题。

随机森林（Random Forest） 是集成学习 （ensemble learning） 算法的一种，它利用多棵树对样本进行训练并预测的一种分类器，同样也可用户回归，其输出的类别是由个别树输出的类别的众数而定。 该算法最早由Leo Breiman和Adele Cutler提出， 而”Random Forests”是他们注册的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中。

.随机森林训练过程：

1.用N来表示训练用例（样本）的个数，M表示特征数目。.从N个训练样本中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

2.输入特征数目m，用于确定决策树上一个节点的决策结果；其中mlt;lt;Mmlt;lt;M2。

3.对于每一个节点（每个样本有M个属性时），随机选择m个特征，采用某种策略（比如信息增益）来选择1个属性作为该节点的分裂属性并进行分裂。

4.每棵树都会完整成长而不会剪枝（Pruning，这有可能在建完一棵正常树状分类器后会被采用）。

5.将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定。

随机森林算法的优点：