随着我国经济的发展,并购重组现在已经成为实现我国资本市场上资源优化配置的常用手段之一。上市公司为了扩大公司的规模、提升企业的竞争力,并购重组是他们经常采用的方式之一。上市公司的并购重组行为往往会造成股价的短期波动,从而为股票投资者提供良好的投资机会。那么并购重组成功后,上市公司的股价到底是如何变化的,能不能为股票投资者带来收益,股票投资者又可以采用什么方法去进行股价涨跌的判断呢?目前针对上市公司并购重组后股票价格波动的问题,采用的研究方法主要有两种,一种是事件研究法,一种是会计研究法。事件研究法的理论已经发展得比较完善,国内外的学者也用这种方法做过了很多相关的实证研究,得出了不同的结论。但是使用事件研究法的前提是假设资本市场是有效的,当资本市场的有效性受到质疑时,会计研究法就应运而生了。会计研究法的思想是通过上市公司公布的财务报表中的财务指标的变化来衡量公司并购前后价值的变化。这两种研究方法各有特点,不能简单地设立一个标准去评价孰优孰劣。由于这两种研究方法已被很多学者及研究人员使用过,本文就不再一一赘述。但是,由于事件研究法要求资本市场的有效性,而且事件研究法在整个研究过程中只单纯地观察了股价的变化,而会计研究法则重在使用财务指标,我们知道,财务报表是一段时间内的财务情况,所以这种方法并不能体现出股价的短期波动情况,用它来研究公司并购重组后的长期绩效会更好。近几年来,一部分投资者开始使用“事件驱动交易策略”来进行股票投资。“事件驱动交易策略”是基于事件驱动理论的一种交易策略,认为股票价格在短时间的变化完全是由市场上的供求关系决定的。当某些事件发生时,它会对公司造成“冲击”,只有有了“冲击”,公司的供求关系才能改变,供求关系改变了,按照供求理论,公司的股票价格就会产生波动,从而带来投资机会。在这个过程中,对公司造成“冲击”的事件被定义为“主题”,如国家重大政策的颁布、企业的并购重组等。在这种新型的投资策略思想下,一反以往常用的传统的事件研究法,本文试图用数据挖掘的方法去预测并购重组后公司的的股价变化情况。数据挖掘方法是一种新颖的数据处理方法,它的优势在于能够从繁多杂乱的数据中找寻出一些规律,比如电商经营者通过数据挖掘发现所购买书籍之间的规律,即如果大多数顾客在买完一本书后又去买另一本书,那么在下一个顾客购买这本书的时候,电商系统会自动推荐另一本书,通过这种方法可以有效增加公司的销售额。由此也可以看出,数据挖掘技术,不但可以处理数字型数据,还能有效处理非数值型数据。正是因为这种强大的数据处理能力,数据挖掘技术逐渐得到各行业人们的喜爱。近年来,有人把数据挖掘技术应用于股票价格的短期预测,并取得不错的效果,因此本文尝试使用数据挖掘的方法来研究企业并购重组后股票价格的波动。通过阅读众多学者关于公司并购重组的文献,可以知道企业的并购重组会产生短期的公司绩效,这种绩效可以通过股票价格的波动表现出来。既然如此,何不把企业的并购重组与股票日益成熟的研究方法结合起来使用呢?于是,本文的创新点就在于把股票的挖掘技术应用到研究公司的并购重组问题中。数据挖掘有很多种方法,最常见的有关联分析、决策树、聚类分析、神经网络、判别分析等,本文则是使用了决策树模型法和神经网络模型法去研究企业的并购重组问题。另外,基于Fama-French的三因子模型可以知道,上市公司的市值、账面市值比、市净率是引起不同股票回报率差异的因素,这也就说明公司的规模和公司的性质等都可能会影响到股票的价格,再借鉴会计研究法选取指标的办法,本文的决策树模型和神经网络模型的解释变量采用可以反映公司内部情况的财务指标,此外,之前还有学者使用事件研究法得出行业会影响公司并购绩效,因此,本文还把行业也作为一个解释变量。把众多影响股票价格的因素考虑在内,这样本文所选取的模型更容易被大家所理解和接受。本文第一章节是对文章研究背景和研究意义的介绍,首先介绍了国内外企业并购重组和数据挖掘技术使用的背景及研究的目的。然后提出一种新的研究思路,即把研究公司的并购重组问题和研究股票的方法相结合,不再使用传统的事件分析法和会计研究法,而使用数据挖掘方法。试图通过数据挖掘方法,去找寻隐藏在大量数据之后的规律,为广大投资者提供投资建议。第二章节是文献综述部分,这部分回顾总结了以往学者在并购重组方面的研究成果,并对数据挖掘技术在股票市场的应用做了回顾和总结,第三章节着重介绍了并购重组的定义,并介绍了以往研究企业并购重组使用的研究方法----事件研究法和会计研究法,还介绍了事件驱动理论的相关内容。第四章节提出了研究的前提假设和变量指标的选取。第五章节是实证部分,选取2013年1月1日至2014年12月30日这一时间段内发生并购重组的所有沪深A股公司为样本,首先找出上市公司并购重组的首次公告日,然后找出其首次公告日第一次复牌后第一个交易日及之后20个交易日内的最高股价,以最高股价与第一日股价相比的涨幅来作为目标变量,当涨幅大于10%时,目标变量Y为“1”；反之,当涨幅小于10%时,目标变量Y为“0”。以财务指标等为解释变量,通过对目标变量的分类,来解释隐藏在这其中的规律。并对本文使用到的两种数据挖掘模型----决策树模型和神经网络模型的结果做一下比较。第六章节是对全文的总结。首先回顾了以下本文所做的工作,然后对模型得到的结论加以总结,根据总结出的结论,为股票投资者提出相应的投资建议,最后提出本文研究存在的不足。