得益于算法的改进,大数据的积累和计算机硬件性能的提升,近些年机器学习在很多领域取得了巨大的成功。在金融领域例如风险控制,量化交易,机器学习也逐渐发挥其作用。但是在公司治理这个领域当中,有关如何利用机器学习方法进行研究的讨论目前仍然很少。董事会及董事选举制度一直是公司治理领域的研究重点,董事会的优劣很大程度上能决定公司长远发展与广大股东的利益。理论上讲公司董事会由股东选举并代表其管理公司,董事会的目标就是最大化公司和股东利益,而在目前的董事选举框架下,所选举出来的董事并不总是能代表股东利益,因为现有董事特别是CEO对新的董事任命有异乎寻常的影响作用,最终被任命的董事往往都是最符合CEO的利益或支持CEO的政策的人,股东对董事的任命选举并没有完全掌控权。有没有办法尽量减小这一影响,让董事选举更加客观公正,选出最符合公司利益的人员。我们以董事特征作为自变量,董事业绩作为因变量,利用机器学习的方法进行回归,从而帮助公司寻找表现最好的董事候选人。董事业绩的衡量是一个十分复杂的问题,因为公司公里决策通常是由董事会共同作出的,无法识别具体某个董事成员所发挥的作用,在查阅国内外文献过程中,发现董事的投票支持率或者董事任职后公司的盈利性可以作为衡量董事业绩的良好指标,本文最终选择董事任职后公司的盈利性来评价董事的表现。机器学习相比传统的统计学研究方法,对数据本身没有进行过多的修饰,事先不对变量之间的关系进行假设,由数据自己来决定这种关系,这样有助于挖掘潜在且不易为人类发觉的模式。本文选取1999年到2017年间中国A股2987上市公司作为研究样本,涉及43710个董事,运用了六十多个相关指标对董事特征进行建模,董事特征可以分为三类:董事个人特征,董事会特征,董事所在公司特征。涵盖了董事的背景,年龄,性别,董事会结构,公司股权集中度,管理层薪酬等各个方面。以董事上任后三年内公司盈利能力作为董事的绩效衡量指标,研究董事特征和公司绩效的关系。具体实证过程中,以1999年到2012年间的样本作为训练集,2012年以后样本作为测试集,在训练集上完成模型训练,最后分别在训练集和测试集上测试拟合效果。我们最终关心的是模型在测试集上的预测效果,也就是模型在未曾见过的数据上表现是否良好,如果仅在训练集上拟合得好,可能只是因为模型记住了每个样本,而不具有很好地泛化能力,结果显示,机器学习在测试集上预测效果远好于传统OLS。本文用到的数据都来自于公开渠道,在机器学习中,数据的地位举足轻重,甚至是最重要的,有研究显示,在数据足够庞大和准确的情况下,各种机器学习模型的表现差异不会太大,所以若是将来能获取更多乃至私有的数据,相信机器学习的表现还能有所提升。