随着中国金融改革的不断推进,中国资本市场市场化改革的步伐愈加快速。当前,中国新股发行定价制度从市盈率监管往市场化定价转变,但中国资本市场发展还不成熟,注册制也处于推进状态,市场仍存在着投资者比例失衡、投机情绪高涨等问题,这也使得股票市场依然处于较高的抑价水平。提高IPO超额收益的可预测性,对于资产价格定价效率的提高、资产配置优化方面均有益处。但预测IPO超额收益是项颇负挑战性的任务,线性回归模型基本主导了这一领域的实证研究。然而,当因子间线性不显著或对异常点高敏感性时,会导致此等模型效率低下。而机器学习因其对数据的强大处理能力,可有效提升预测效率。基于此,本文尝试利用机器学习这一新型工具,来预测新股IPO超额收益。首先,本文从理论和现有文献出发,探究影响IPO超额收益呈多变态势的影响因素,并基于此提出了运用机器学习的方法来研究新股IPO超额收益的预测问题;其次,本文以2014年-2020年上市股票的1151支新股作为实验样本,综合考虑了公司财务指标、市场状况、IPO特征和宏观环境等四大类因素,从定性与定量的角度,运用机器学习的方法对所选样本进行回归预测和分类预测,同时对因子的贡献率进行排列。最后,比较各参数对IPO超额收益率预测的影响差异,提出预测的最优模型。经过分析,本文得出以下结论:一、机器学习方法的应用,可以提高新股IPO超额收益的可预测性,特别是分类后的牛市子样本,其预测精度可达70%以上;二、虽然基于牛熊市分类的预测精度有所提升,但总体样本预测效果较差,本文后续进行的分类预测提高了整体预测精度,其中中等收益预测平均精度可达90%左右;三、不管是总样本还是分样本,财务指标对模型的贡献都较弱,而市场因子和IPO特征有关变量贡献较大,其结果可能与中国股市信息畅通化、市场化程度升高相关;四、在回归和分类预测中,随机森林算法的预测最优,这可能是因为树形模型算法更利于捕捉因子之间的非线性关系。基于以上研究结论,本文得到如下管理启示:其一,投资者在股市火爆时更能提高对IPO超额收益的预测精度,且在投资管理中需更加注重宏观因素影响,或可采取区间收益投资的方式;其二,金融监管部门应加强对上市企业市场化信息披露监管,以提高市场的定价效率、优化资源配置。科学地对价格进行预测是监管市场价格变化的有力工具,提高资产价格可预测性能够帮助监管机构提升监管工作的效率和质量。