中国股票市场发展迅速，但具有市场信息冗杂、缺乏流动性和散户占比大等特点。作为信息中介，证券分析师在资本市场中扮演着获取、解释和传播信息的重要角色，能为投资者提供个股的投资建议。以往有关分析师的文献证明了遵循分析师推荐存在获利空间，但并不是所有分析师推荐都具有信息价值，盲目遵从分析师推荐存在投资风险。因此，有效识别分析师推荐的价值并基于分析师推荐辅助投资者科学决策值得探究。
　　目前学术研究和金融机构聚焦于明星分析师评选来挖掘分析师推荐价值，即基于分析师的历史表现对分析师声誉进行排名，并假设分析师声誉与其未来表现具有一致性。该类方法由于忽略了分析师个体表现的动态性以及其他情境特征对分析师推荐的影响，无法精确评估分析师推荐的投资价值。
　　本文构建面向多情境特征的分析师推荐评估方法，并基于其评估收益与风险构建组合优化策略辅助投资者决策。具体的，首先，提取分析师推荐情境特征，量化表示分析师推荐；其次，引入度量学习有效识别分析师推荐情境属性的具体特性，面向多情境特征量化分析师推荐相似性，有效挖掘分析师推荐关联关系；再次，根据分析师推荐的相似性特征，利用基于实例学习方法准确评估分析师推荐的收益与风险；最后，本文根据分析师推荐的期望收益与风险，通过建立均值-方差模型来构建投资策略。
　　为了验证本文模型的有效性，本文基于Wind金融数据库中2010-2016年的分析师推荐数据集对模型表现进行了充分的验证。实证结果表明：(1)度量学习方法有效识别了分析师推荐中多情境特征的关联关系，显著提高了分析师推荐相似性的度量准确性；(2)基于实例学习的分析师推荐评估方法可以准确评估观点投资价值；(3)基于分析师推荐的投资决策模型可以显著提高投资者收益。
　　本文综合运用机器学习提取隐含于分析师推荐数据中的价值信息，构建的分析师推荐的风险评估及投资决策模型可以有效的对分析师推荐的投资价值进行评估，并辅助投资者进行科学决策，为应用机器学习方法解决股评大数据中的价值发现问题提供了一种新思路，有利于推动基于大数据的管理决策研究方法创新，具有重要理论意义与现实意义。