2015年6月,中国股票市场经过1年持续繁荣,创下历史新的高度,其中上证指数达到5178.19的新高点,创业板指数更是达到了 4037.96的历史最高点,在不到1年的时间里,市场指数增长了数倍。伴随着市场爆涨,许多IPO也呈现出高溢价现象。比如暴风科技,比如暴风科技,上市仅仅两个月市值就翻了 30多倍。文章在传统溢价理论的基础上结合近期创业板市场出现的高投资泡沫现象提出问题,我国创业板市场是否存在高的投机泡沫;创业板IPO高溢价究竟与哪些因素有关.,对于不同的泡沫水平,IPO溢价的影响因素是否存在差异的。在此基础上,文章通过使用经济学、计量经济学、金融学等方法,结合创业板数据,对创业板市场泡沫与IPO高溢价现象之间的关系进行了深入的研究。本文的研究思路主要分为三个层次。第一层次首先着眼于创业板市场的泡沫的检验。先从市盈率和Q宾比率角度入手对创业板市场的泡沫进行分析,根据分析的结果,提出假设:创业板市场存在严重的投机泡沫并且在2014至2015年泡沫化程度最高。接着应用phillps等人提出的指数平滑转移模型(GSADF)对创业板泡沫的存在性进行实证检验检验。并根据检验的结果得出结论:在2009—2014年我国创业板市场泡沫程度较低,在2014年6月到2015年6月创业板市场泡沫程度较高。第二层次是关于IPO溢价因素的研究。通过结合经典溢价理论选择投资者情绪、正反馈效应、抑制信念、市场泡沫程度四个层面共计8个特征变量作为初始收益的解释变量。并对特征变量与IPO初始收益的相关关系提出假设。接着使用逐步回归的方法对影响IPO高溢价的因素进行实证分析,筛选出检验结果显著的特征变量。得出结论:投资者情绪、正反馈效应、抑制信念、市场泡沫程度4个因素均与IPO溢价程度成正相关关系,充分说明了投资者的非理性行是造成IPO初始收益的一个重要原因。第三层次是讨论在不同时期(主要考虑市场泡沫程度不同),IPO溢价的主要影响因素的差异。通过使用第二层次得出的特征变量构建大数据算法模型—随机森林模型,对不同时期(第一层次得出)的各因素变量对IPO溢价的作用效果进行排名,根据排名结果得出结论:不同时期,市场泡沫水平不同,IPO初始收益的主要影响因素存在很大的差异,在2009年到2012年创业板泡沫水平相对较小,此时市场相对较为理性,影响IPO初始收益的非理性因素主要来自于乐观投资者的投资情绪以及前期市场的正反馈影响。而在2014年到2015年创业板泡沫水平相对较高时期,影响IPO初始收益的非理性因素主要是反映IPO泡沫程度的短期市场涨幅以及投资者对股票未来价格看涨或者看跌不同预期的差异程度。论文结构主要有六个部分组成,具体安排如下:第一章为绪论,主要介绍本文的选题背景、研究意义、思路结构、文献回顾以及可能的创新之处。第二章为整个文章的理论基础,主要对股市泡沫理论以及IPO非理性溢价理论做了详细的归纳,对本文涉及的相关概念进行界定和说明。第三章为研究假设,分别对创业板的泡沫的存在性、溢价率与初始收益之间的相关性以及不同时期对非理性因素的差异性提出假设,为后面的模型建立和是实证分析研究提供方向。第四章为模型构建,文章分别构建GSADF模型,逐步回归模型以及随机森林模型对应上文的三个假设,为下文的实证分析提供方法支撑。第五章为实证分析,是文章的重点内容。利用第四章构建的方法模型,针对第三章提出的假设,通过结合创业板数据进行实证分析,并得出结论。第六章为结论与建议,针对上文实证分析中得出的结果提出相关政策建议。虽然关于创业板市场IPO抑价的相关问题已经有很多讨论了,但是本文可能的创新之处有以下三点。第一,传统泡沫检验方法由于是一次性检验过程,往往容易对周期性破裂的泡沫存在检验结果不显著现象,本文使用phillps提出的GSADF检验,对序列周期进行递归检验,从而克服了泡沫周期性破裂问题。第二,传统的IPO非理性溢价模型只考虑影响因素与溢价率之间的相关性分析,对在不同状态下影响因素之间的作用效果比较考虑较少。本文在传统IPO非理性溢价模型中引入泡沫因素,考虑市场在不同泡沫水平下,IPO溢价因素的作用效果变化。为研究IPO非理性溢价提供了一 个新的视角。第三,本文使用机器学习机型(随机森林)方法对IPO溢价变量的影响效果进行评估,通过样本内高精度的计算机拟合,对溢价变量进行分类回归分析,从而打破了由假定分布→数学模型拟合→假设检验→P值检验这一传统的统计检验过程,为IPO溢价模型的研究提供了新的思路。