并购重组是资本市场促进资源优化配置的重要手段,对促进资本市场发展,加快产业转型升级都具有重要意义。对上市公司而言,并购是其获取优质资产,提高市场价值,做大做强企业的重要途径之一。研究上市公司并购行为中的处理效应具有重要的现实意义。上市公司的并购行为中会存在很多复杂交互的因素对并购的绩效产生影响,以往对这一问题的研究多采用线性回归模型。但线性模型存在两个固有的缺陷,一是多重共线性问题导致研究者需要主观选择控制变量,二是非线性交互效应的存在导致研究者需要主观添加交互项,这种人为选择很可能会影响模型估计的准确性。而本文希望可以通过基于机器学习模型的处理效应方法,综合考虑并购中所涉及的多重因素对并购绩效的影响,克服线性回归模型存在的缺陷,减少人为因素对模型的干预,并在此基础上使用处理效应方法检验并购中的复杂因素对并购绩效的影响。本文首先对并购相关理论和以往研究中发现的可能影响并购绩效的因素进行了梳理和回顾,并且介绍了机器学习模型和处理效应方法的发展与应用,进而引出了本文所采用的基于机器学习模型的处理效应方法,这种方法能够构建一个可以综合考虑多重因素的回归模型,克服线性回归模型手动选择控制变量带来的偏差问题,更好地衡量交互效应产生的非线性因素;同时这一方法可以很好地描述并购选择与并购绩效之间的因果关系,减轻了自相关和样本选择偏差问题。在此基础上,本文选取了1998年-2018年中国国内市场发生的并购重组事件相关数据,综合考虑并购交易因素、支付因素、标的方因素和并购方因素等变量,使用随机森林模型进行回归,并采用处理效应方法对其中具有代表性的因素进行了处理效应检验。实证表明,是否跨地区并购、并购方产权性质、支付方式、并购中是否涉及关联交易、并购是否造成控制权转移等都会对并购绩效产生明显的处理效应。本文的创新主要是将基于机器学习模型的处理效应方法引入到并购研究中,为研究多重因素对并购绩效的影响和并购行为中的因果推断问题提供了新的解决思路。