本文提出了一种新方法，通过随机森林模型的特征空间相似性来解释其样本外表现。该方法将预测重写为训练数据点目标标签的加权平均，并生成观测的归因，补充了现有的可解释性方法。研究在美国公司债券定价模型中进行演示，并与其他模型可解释性方法进行了比较。

该文介绍了一种通过深度强化学习算法训练的交易策略，提高泛化性能，应对金融数据的非平稳性。该方法采用模型选择和混合分布策略，改善了样本外表现。