Teaching Models to Value M&A Deals : Estimation and Evaluation of Acquisition Premiums Across Different Models

Abstract

Mergers and acquisitions (M&A) have a solid foundation and play an important role in a company’s long-term strategy. By scaling operations through M&A, acquirers aim to strengthen their market share, acquire new resources, and achieve potential synergies and efficiency gains. In addition, from a macroeconomic perspective, M&A deals increase productivity, enhance business performance, increase tax revenue, employ professionals across various industries, and maximize resource use. A fixed portion of the deal value is the acquisition premium. The acquisition premium is the additional price paid over the share price. At the deal level, the premium is the additional price over the target’s market value. Although prior research has examined acquisition premiums across various explanatory variables using traditional econometric methods, the explanatory power has been moderate due to the nonlinear and complex M&A nature, with multiple variables influencing paid premiums. Hence, the acquisition premium estimation remains a significant challenge for researchers and all parties in M&A transactions. This study aims to observe whether various machine learning models outperform traditional linear regression models in premium estimation. Utilizing machine learning models, nonlinear relationships, and undisclosed interactions through components. The study is completed by comparing out-of-sample estimation performances across three selected models: Ordinary Least Squares (OLS) regression model, Least Absolute Shrinkage and Selection Operator (LASSO) model, and eXtreme Gradient Boosting (XGBoost) algorithm. The study window comprises M&A deals from 1999 to 2024, and the dataset is split into training and estimation. The training dataset covers the years 1999–2014, and the estimation dataset covers the years 2015–2024. The data is collected from Bloomberg and includes deals where the acquirer is a publicly traded U.S. company listed on either the New York Stock Exchange or the Nasdaq. Also, the target must be publicly listed on some stock exchange. The total value of the deals starts at 100 million US dollars. Results show that machine learning models estimate acquisition premiums more precisely than traditional regression models. The explanatory power is higher, and error measures are smaller, indicating a more suitable model to apply. Additionally, machine learning models partially maintain their explanatory power under different market conditions and can identify nonlinear interactions between variables. Macroeconomic results find that domestic M&A deals have higher announced acquisition premiums than cross-border deals. Announced premiums were not higher during merger waves, which can be explained by the availability of better data compared to previous studies. The results support the assumption that more developed estimation models can deliver extra value compared to traditional methods by offering more robust and stable premium estimations, along with a deeper understanding of premiums and background factors. The thesis combines corporate finance and finance tech interests by applying machine learning to M&A deal valuations. The results provide theoretical, methodological, and practical value. Theoretically and methodologically, the study expands knowledge about data-based M&A deal valuation. Practically, the results illustrate new alternative tools for evaluating and executing M&A deals. Applying machine learning models highlights a potential to improve the transparency and robustness of the process.

Yrityskaupat ovat merkittävässä osassa yrityksien pitkän aikavälin strategiaa. Niiden avulla yritykset pystyvät kasvattamaan omaa markkina-asemaa, hankkimaan uusia resursseja sekä saavuttamaan potentiaalisia synergiaetuja. Sen lisäksi koko kansantalouden näkökulmasta yrityskaupoilla tehostetaan tuottavuutta, kehitetään liiketoimintaa, lisätään verotuloja, työllistetään eri alojen ammattilaisia sekä kierrätetään resursseja. Yrityskaupoissa kiinteästi olennaisena osana on maksettava yrityskauppapreemio, joka on määritelmällisesti kaupassa tarjottu ylihinta suhteessa kohdeyrityksen markkina-arvoon. Vaikka aikaisemmat tutkimukset ovat ekonometrisin menetelmin tarkastelleet laajasti yrityskauppapreemioiden määräytymistä suhteessa vaikuttaviin komponentteihin, mallien ennustetarkkuus on jäänyt rajalliseksi. Tämä on osittain seurausta yrityskauppojen monimutkaisesta sekä epälineaarisesta luonteesta, jossa useampi eri tason tekijä vaikuttaa samanaikaisesti. Tämän seurauksena preemioiden arviointi on yhä merkittävä haaste niin tutkijoille kuin käytännön toimijoille. Tässä tutkielma selvittää, onko eri koneoppimismenetelmiä hyödyntämällä mahdollisuus parantaa yrityskauppapreemioiden ennustamista verrattuna perinteisiin regressiopohjaisiin lähestymistapoihin. Koneoppimisen avulla pystytään mallinnuksessa tarkastamaan myös komponenttien epälineaarisia suhteita ja paljastamaan lineaaristen mallien havaitsemattomia muuttujien välisiä vuorovaikutuksia. Tutkielmassa vertaillaan kolmen mallin otoksen ulkopuolista suorituskykyä: Ordinary Least Squares (OLS) -regressiomallia, Least Absolute Shrinkage and Selection Operator (LASSO) -mallia sekä eXtreme Gradient Boosting (XGBoost) -algoritmia. Tutkielman aineisto sisältää yrityskaupat vuosilta 1999–2024. Data on jaettu kahteen eri osaan, muodostaen mallien kouluttamisdatan sekä testidatan. Koulutusdata käsittelee vuodet 1999–2014 ja testidata vuodet 2015–2024. Data on kerätty Bloombergista ja sisältää yrityskaupat, joissa ostajana toimii yhdysvaltalainen yritys, joka on listattu New Yorkin pörssiin tai Nasdaqiin. Lisäksi myös kohdeyrityksen tulee olla listattu johonkin pörssiin. Kauppojen kokonaisarvot alkavat 100 miljoonasta Yhdysvaltojen dollarista. Saadut tulokset osoittavat, että koneoppimismalli ennustaa yrityskauppapreemiota paremmin kuin perinteiset lineaariset regressiot. Koneoppimismallien selitysaste on korkeampi sekä virhemittarit pienemmät, mikä viittaa sopivampaan malliin käytettäväksi. Koneoppimismallit säilyttävät myös ennustetarkkuuden eri markkinaolosuhteissa, pystyen identifioimaan ei-lineaarisia muuttujia. Lisäksi preemiot ovat keskimäärin korkeampia kotimaisissa yrityskaupoissa verraten kansainvälisiin yrityskauppoihin. Yrityskauppa-aaltojen aikana ei kuitenkaan tulosten mukaan makseta suurempia preemioita, mikä selittyy paremman datan saatavuudella verrattuna aikaisempiin tutkimuksiin. Tulokset puoltavat näkemystä, että kehittyneemmät ennustemallit voivat tuoda lisäarvoa perinteisiin arvonmääritysmalleihin tarjoamalla vaihtoehdoksi luotettavampia ennusteita sekä syvällisempää ymmärrystä preemioiden määräytymisestä ja taustatekijöistä. Tutkielma yhdistää yritysrahoituksen sekä finanssiteknologian näkökulmia soveltamalla koneoppimista yrityskauppojen arvonmääritykseen. Tulokset tarjoavat teoreettista, metodologista ja käytännön lisäarvoa. Teoreettisesti ja metodologisesti tutkimus laajentaa tietoisuutta yrityskauppojen arvonmääritystä dataan pohjautuvien menetelmien avulla. Käytännön tasolla tulokset esittävät vaihtoehtoisia työkaluja yrityskauppojen arviointiin ja päätöksentekoon. Koneoppimisen hyödyntäminen yrityskauppapreemioiden ennustamisessa korostaa eri laskennallisten menetelmien potentiaalia lisätä prosessin läpinäkyvyyttä ja tarkkuutta yrityskauppojen arvonmäärityksessä.