历经一百多年的发展之后,并购活动在当今的发展势头愈发强劲。在现如今这个经济快速发展、经济大环境多变、全球化进程加速、产业更新换代加快、企业竞争加剧的背景下,并购成为企业适应市场环境、扩展业务范围、扩张企业规模、优化产品结构、加速技术创新、提高竞争及盈利能力的战略布局和实践选择之一。目前,学术界关于并购的相关研究取得了颇丰的成果。各国的学者研究了企业的并购动机和企业并购的成功情况,这些研究包含理论上的分析,也包含对于各国并购市场中各行业所进行的并购事件的探究。在理论分析方面,学者们依据现有的并购动因理论分析不同因素对并购绩效可能产生的影响以及影响的路径;在实证方面,学者们采用了多种方法进行分析,其中包含定性的方法、包含市场指标法和会计指标法,也有学者对以上的方法进行混合使用。学者们在实证时常用的模型是多元回归模型,然而通过梳理现有文献可以得知,现有的这些研究中所包含的解释变量和控制变量往往和特定的视角有关,且数目也有限。当前的学者通过研究分别验证了支付方式、企业规模、股权集中度、中介机构、行业类型等指标对并购绩效产生的影响,但是目前我国尚没有学者考虑这些因素的综合影响。为了拓展关于并购绩效的综合研究,本文选取了美国1998至2018年间包含76个并购特征的数据及中国1998至2018年间包含157个并购特征的数据分别进行综合性指标的研究。考虑到目前常用的多元回归分析方法在对数目较多的变量实证回归时容易产生多重共线性和内生性问题,本文选用机器学习模型进行实证探究,且机器学习模型在对高维数据回归时所具备的优势已得到了国外学者Isil Erel（2018）、Athey和Imbens（2017）以及Mullanaithan和Spiess（2017）的证实。本文通过机器学习模型对美国并购样本和中国并购样本中的并购绩效分别进行预测并探究影响各个有效的预测模型的因素,得到了以下结论:第一,机器学习模型可以很好地对并购事件的短期并购绩效进行预测,机器学习模型的强大预测能力在中美两国的并购数据中都得到了验证。因此,未来那些有并购意图的企业的管理层可以在拟并购前对本公司的并购效果进行定量的评估;第二,机器学习模型可以分解出具体的特征对并购绩效影响的大小以及影响方向,例如同行业的并购、同地区的并购、恶意的并购、长期债务相对较高的企业进行的并购往往会产生较好的短期并购绩效。因此,企业的管理层在做出并购决策时可以进行有针对性地挑选目标企业,这不仅可以提高并购的效率,还可以改善并购的效果。本文的研究一方面是对并购的综合性研究,另一方面拓展了对于并购进行实证研究的方法。同时,还为企业管理层做出并购决策以及政府制定并购法规提供了有力的依据。