目前我国量化投资研究处于高速发展阶段,策略种类迅速拓展,产生了高频、行业轮动、事件驱动、基本面量化等主流策略。其中事件驱动型策略因为其经济逻辑强、实现难度小、综合运用统计规律和主观分析等优点,受到了很多学者和投资机构的青睐。在2012年后实施股权激励公司数量大幅提升的背景下,需要大样本及多维度特征的机器学习在股权激励策略中拥有很好的应用前景。另一方面,随着原有策略模式使用人数的提升,获利空间不断缩小,旧策略不断失效,投资机构如果想要在日益激烈的竞争市场中获得超额收益,需要不断更新模型构建的方法,此时机器学习可以提供新的思路,将更先进的机器学习模型应用于事件驱动研究具有潜在的价值。机器学习技术的高速发展,使机器学习模型不断地进化从而更好地迎合研究人员的需求,发展出了诸如XGBoost、随机森林等优秀的集成模型,这些模型在图像识别、天气预报等复杂研究场景下获取了优秀的预测结果。将这类机器学习模型用在金融市场的股票收益预测上,也逐渐成为了当前的研究趋势。基于这种发展趋势,本文以我国A股市场2014年1月1日至2021年5月31日所有存在股权激励事件的上市公司为样本,选用XGBoost模型构建股权激励策略。在实证上首先通过事件研究法验证了我国A股市场股权激励事件可以带来超额收益的现象,随后对各类与股权激励相关的数据进行分析,选用能够明显划分样本的特征,并添加用于对比股权激励特征效果的其他类别因子。在对比模型上,同时对比随机森林、逻辑回归、dummy模型。模型学习中使用网格搜索技术确定最优模型,同时对交叉验证方法进行了适合时间序列的优化改进,并对损失函数进行了针对样本不平衡的权重优化调整。在模型构建完毕之后对不同参数和不同模型进行了分组对比,最后构造投资组合进行了策略表现分析,并进一步将所有模型的预测结果作为新的因子进行单因子分析。基于以上实证分析,本文得出了四个结论:第一,股权激励因子对股权激励事件发生后股票的异常收益具有一定解释性。第二,XGBoost模型在泛化能力上优于对比模型。第三,XGBoost模型构造的股权激励事件投资组合,在年化收益率、夏普比率、期末净值等投资组合评价指标上优于对比模型组合。第四,本文将预测结果作为合成因子,进行了单因子检验,通过单因子的分组投资组合指标,进一步证明了XGBoost模型预测结果优于其他模型的结论。