Machine learning als antwoord op de onzekerheid
Elon Musk doet een bod om Twitter te kopen. Microsoft neemt de game ontwikkelaar Activision Blizard over, om zijn positie in de strijd om de metaverse te versterken. Ook in de Belgische energiesector zijn er plannen voor een grote fusie tussen Euronav en Frontline. Kortweg bedrijven worden verhandeld aan de lopende band. Dit is niet alleen van belang voor de aandeelhouders van deze ondernemingen maar beïnvloedt ook de consumenten en de bredere samenleving. Als we kijken naar het voorbeeld van Twitter is het duidelijk dat Elon Musk graag wil weten of hij Twitter zal kunnen aankopen en hoeveel hij daarvoor zou moeten betalen. Daarnaast zullen aandeelhouders benieuwd zijn wat deze mogelijke verkoop inhoudt voor de aandelenkoers en de verdere strategie van de onderneming. Ten derde zullen ook gebruikers, en zelfs de bredere samenleving, zich afvragen wat deze mogelijke verkoop betekent voor de toekomst van Twitter. Ga ik Twitter nog kunnen gebruiken? Gaat iedereen mogen zeggen wat hij of zij wil op dit platform? Wat zal de impact hiervan zijn op de bredere samenleving?
De verkoop van een onderneming creëert een zeer onzekere situatie voor een grote groep personen. Een manier om vat te krijgen op deze onzekere situatie is door te voorspellen wat de toekomst zal brengen. Deze voorspellingen geven aan welk scenario van de toekomst het meest waarschijnlijk is en bieden op deze manier een houvast voor hetgeen we kunnen verwachten. Tegenwoordig wordt het maken van voorspellingen al snel gekoppeld aan machine learning. In het geen wat volgt zullen we nagaan hoe machine learning ingezet kan worden om de onzekerheid rond overnames en fusies te verkleinen.
Wat is machine learning?
Machine learning is het onderzoeksdomein dat bestudeert hoe men kan leren van data. Hierbij worden grote hoeveelheden data samengebracht met geavanceerde algoritmes. Deze algoritmes analyseren de data om verbanden te ontdekken. Vervolgens kunnen deze verbanden gebruikt worden om voorspellingen te maken over de toekomst. Hoe meer data de algoritmes analyseren, hoe nauwkeuriger hun voorspelling.
Machine learning in overnames en fusies
Deze machine learning technieken kunnen concrete drie zaken voorspellen binnen de context van overnames en fusies. Ten eerste kunnen we voorspellen of een overname of fusie zal doorgaan. Ten tweede kunnen we voorspellen hoeveel men moet betalen voor een onderneming in de context van een overname of fusie. Ten derde kan men ook voorspellen hoeveel voordeel men zal behalen met een overname of fusie.
Voltooien van een overname of fusie
Een van de meest fundamentele vragen voor een overname of fusie is of ze daadwerkelijk zal worden uitgevoerd. Zo wil de koper van een onderneming weten of hij de eigenaar zal worden. De verkopers willen weten of ze hun onderneming kunnen verkopen. Daarnaast willen ook de werknemers en klanten van de onderneming weten wie het bestuur van de onderneming zal uitvoeren in de toekomst. Machine learning modellen kunnen een voorspelling maken of een overname of fusie daadwerkelijk zal doorgaan. Hiervoor baseren ze zich op overnames en fusies die in het verleden al voorkwamen. Een grote uitdaging hierbij is om gegevens te verzamelen van zowel overnames en fusies die lukken als pogingen die niet doorgaan. Hierbij zien we dat geslaagde overnames en fusies vaak sterk in de kijker gezet worden. Wanneer een overname of fusie niet doorgaat, wordt dit minder in beeld gebracht
Kostprijs van een overname of fusie
Voordat een koper een bod kan doen op een onderneming moet hij de waarde van deze onderneming inschatten. Dit zorgt er voor dat hij niet te veel betaalt. Ook de verkoper wilt de waarde van zijn onderneming kennen om zo een correct bedrag te ontvangen. Machine learning kan ingezet worden om de waarde van een onderneming te bepalen. De algoritmes analyseren informatie over de prijs die betaald werd voor eerder uitgevoerde overnames en fusies. Vervolgens gebruiken ze deze informatie om een voorspelling te maken over de huidige onderneming. Het voordeel van machine learning in deze situatie is de hoeveelheid en de diversiteit van de data die geanalyseerd kan worden.
Voordelen van een overname of fusie
Ten slotte wil men ook weten of de overname of fusie voordelen oplevert voor de betrokken ondernemingen. Veelal wordt dit geanalyseerd aan de hand van de aandelenkoers of het bedrijfsresultaat. Kortweg wil men weten of het bedrijf meer inkomsten (of minder kosten) kan genereren na de overname of fusie. Opnieuw kunnen machine learning technieken ingezet worden om dit te voorspellen aan de hand van historische gegevens. De grote moeilijkheid in deze situatie is dat de onderneming die volgt uit de overname of fusie vergeleken wordt met een hypothetische situatie waarin de overname of fusie niet had plaatsgevonden. Deze hypothetische situatie moet ook ingeschat worden en kan hierdoor de voorspelling vertekenen.
Conclusie
Overnames en fusies zijn alomtegenwoordig in de wereld. Ze zorgen voor grote onzekerheid bij alle lagen van de bevolking. Een manier om deze onzekerheid te verkleinen is door het maken van voorspellingen. Deze voorspellingen kunnen gemaakt worden door historische gegevens te analyseren gebruikmakend van machine learning technieken. Hierbij worden verbanden gezocht in de data die gebruikt kunnen worden om de toekomst in te schatten. Op deze manier kunnen we meer zekerheid krijgen over het voltooien, de kostprijs en de voordelen van overnames en fusies. Machine learning bewijst zich dus als een technologie die een sterke bijdrage kan leveren aan het domein van overnames en fusies.
Bibliografie
Akbari, A., Ng, L., & Solnik, B. (2021). Drivers of economic and financial integration: A machine learning approach. Journal of Empirical Finance, 61, 82–102. https://doi.org/10.1016/j.jempfin.2020.12.005 Alzubi, J., Nayyar, A., & Kumar, A. (2018). Machine Learning from Theory to Algorithms: An Overview. Journal of Physics: Conference Series, 1142(1). https://doi.org/10.1088/1742- 6596/1142/1/012012 Ang, Y. Q., Chia, A., & Saghafian, S. (2020). Using Machine Learning to Demystify Startups Funding, Post-Money Valuation, and Success. SSRN Electronic Journal, 1–28. https://doi.org/10.2139/ssrn.3681682 Arroyo, J., Corea, F., Jimenez-Diaz, G., & Recio-Garcia, J. A. (2019). Assessment of machine learning performance for decision support in venture capital investments. IEEE Access, 7, 124233–124243. https://doi.org/10.1109/ACCESS.2019.2938659 Awad, M., & Khanna, R. (2015). Efficient Learning Machines. Apress Media. Bazerman, M. H., & Samuelson, W. F. (1983). I Won the Auction But Don’t Want the Prize. Journal of Conflict Resolution, 27(4). Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA - Journal of the American Medical Association, 319(13), 1317–1318. https://doi.org/10.1001/jama.2017.18391 Benardos, P. G., & Vosniakos, G. C. (2007). Optimizing feedforward artificial neural network architecture. Engineering Applications of Artificial Intelligence, 20(3), 365–382. https://doi.org/10.1016/j.engappai.2006.06.005 Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. In Artificial Intelligence Review (Vol. 54, Issue 3). Springer Netherlands. https://doi.org/10.1007/s10462-020-09896-5 Breuel, T. M. (2015). The Effects of Hyperparameters on SGD Training of Neural Networks. http://arxiv.org/abs/1508.02788 Cburnett. (2006). File:Artificial neural network.svg. Wikipedia. https://commons.wikimedia.org/wiki/File:Artificial_neural_network.svg 50 Craninckx, K., & Huyghebaert, N. (2011). Can stock markets predict M&A failure? A study of European transactions in the fifth takeover wave. European Financial Management, 17(1), 9–45. https://doi.org/10.1111/j.1468-036X.2010.00541.x Cretin, F., Dieudonne, S., & Bouacha, S. (2015). M&A Activity: Where Are We In the Cycle? Alternative Investment Analysis, 38–44. Crunchbase. (2013). 2013 Snapshot. https://data.crunchbase.com/docs/2013-snapshot Dernoncourt, F., & Lee, J. Y. (2017). Optimizing neural network hyperparameters with Gaussian processes for dialog act classification. 2016 IEEE Workshop on Spoken Language Technology, SLT 2016 - Proceedings, 406–413. https://doi.org/10.1109/SLT.2016.7846296 Dixon, M. F., & Halperin, I. (2019). The Four Horsemen of Machine Learning in Finance. SSRN Electronic Journal, 1–24. https://doi.org/10.2139/ssrn.3453564 Emerson, S., Kennedy, R., O’Shea, L., & O’Brien, J. (2019). Trends and Applications of Machine Learning in Quantitative Finance. 8th International Conference on Economics and Finance Research (ICEFR). Fanning, K., & Drogt, E. (2014). Big Data: New opportunities for M&A. The Journal of Corporate Accounting & Finance, 27–34. https://doi.org/10.1002/jcaf Feurer, M., & Hutter, F. (2019). Hyperparameter Optimization. In F. Hutter, L. Kotthoff, & J. Vanschoren (Eds.), Automated Machine Learning (pp. 3–34). Springer. http://www.springer.com/series/15602 Frazier, P. I. (2018). A Tutorial on Bayesian Optimization. http://arxiv.org/abs/1807.02811 Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O’Reilly Media. Greene, D., Hoffmann, A. L., & Stark, L. (2019). Better, nicer, clearer, fairer: A critical assessment of the movement for ethical artificial intelligence and machine learning. Proceedings of the Annual Hawaii International Conference on System Sciences, 2019-January, 2122–2131. https://doi.org/10.24251/hicss.2019.258 Hansen, K. B., & Borch, C. (2021). The absorption and multiplication of uncertainty in machine-learningdriven finance. British Journal of Sociology, 72(4), 1015–1029. https://doi.org/10.1111/1468- 4446.12880 51 Harford, J. (2005). What drives merger waves? Journal of Financial Economics, 77(3), 529–560. https://doi.org/10.1016/j.jfineco.2004.05.004 Hassan, I., Ghauri, P. N., & Mayrhofer, U. (2018). Merger and acquisition motives and outcome assessment. Thunderbird International Business Review, 60(4), 709–718. https://doi.org/10.1002/tie.21967 IMAA. (2021). M&A Statistics - Worldwide, Regions, Industries & Countries. Institute of Mergers, Acquisitions and Alliances. https://imaa-institute.org/mergers-and-acquisitions-statistics/ Ito, K., & Nakano, R. (2003). Optimizing Support Vector Regression Hyperparameters Based on CrossValidation. Proceedings of the International Joint Conference on Neural Networks, 3, 2077–2082. https://doi.org/10.1109/ijcnn.2003.1223728 James, G., Witten, D., Hastie, T., & Tibishirani, R. (2013). An Introduction to Statistical Learning with Applications in R (older version). Springer Texts in Statistics, 426. Karatas, T., & Hirsa, A. (2021). Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques. 1–21. http://arxiv.org/abs/2110.09315 Kellner, C. (2012). The Measure of a MAC: A Quasi-Experimental Protocol for Tokenizing Force Majeure Clauses in M&A Agreements. SSRN Electronic Journal, 168(2012), 202–205. https://doi.org/10.2139/ssrn.1872568 Kleynhans, T., Montanaro, M., Gerace, A., & Kanan, C. (2017). Predicting top-of-atmosphere thermal radiance using MERRA-2 atmospheric data with deep learning. Remote Sensing, 9(11). https://doi.org/10.3390/rs9111133 Lageranna, G., & Crawford, C. (2018). Merger and Acquisition: Conceptual Review. SSRN Electronic Journal, 29–35. https://doi.org/10.2139/ssrn.3208534 Lee, J. H., Shin, J., & Realff, M. J. (2018). Machine learning: Overview of the recent progresses and implications for the process systems engineering field. Computers and Chemical Engineering, 114, 111–121. https://doi.org/10.1016/j.compchemeng.2017.10.008 Lee, K., Joo, S., Baik, H., Han, S., & In, J. (2020). Unbalanced data, type II error, and nonlinearity in predicting M&A failure. Journal of Business Research, 109(December 2019), 271–287. https://doi.org/10.1016/j.jbusres.2019.11.083 52 Li, K., Mai, F., Shen, R., & Yan, X. (2018). Corporate Culture and Merger Success: Evidence from Machine Learning. UBC Sauder Working Paper. https://editorialexpress.com/cgibin/conference/download.cgi?db_name=CICF2018&paper_id=394 Liao, L., Li, H., Shang, W., & Ma, L. (2022). An Empirical Study of the Impact of Hyperparameter Tuning and Model Optimization on the Performance Properties of Deep Neural Networks. ACM Transactions on Software Engineering and Methodology, 31(3), 1–40. https://doi.org/10.1145/3506695 Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. https://doi.org/10.1038/s42256-019-0138-9 Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30. https://github.com/slundberg/shap Maksimovic, V., & Phillips, G. (2001). The market for corporate assets: Who engages in mergers and asset sales and are there efficiency gains? Journal of Finance, 56(6), 2019–2065. https://doi.org/10.1111/0022-1082.00398 Mitchell, T. M. (2006). The Discipline of Machine Learning. Machine Learning, 17(July), 1–7. Moro Visconti, R., Montesi, G., & Papiro, G. (2018). Big data-driven stochastic business planning and corporate valuation. Corporate Ownership and Control, 15(3–1), 189–204. https://doi.org/10.22495/cocv15i3c1p4 MSCI. (2022). Global Industry Classification Standard. https://www.msci.com/oursolutions/indexes/gics Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106. https://doi.org/10.1257/jep.31.2.87 Müller, A. C. , & Guido, S. (2016). Introduction to Machine Learning with Python (first). O’Reilly Media. Ng, A., Katanforoosh, K., & Mourri, Y. B. (2022, February). Deep Learning Specialization. Coursera; Coursera. Olaru, C., & Wehenkel, L. (2003). A complete fuzzy decision tree technique. Fuzzy Sets and Systems, 138(2), 221–254. https://doi.org/10.1016/S0165-0114(03)00089-7 Özgür, Ş., & Wirl, F. (2020). Cross-border mergers and acquisitions in the oil and gas industry: An overview. Energies, 13(21). https://doi.org/10.3390/en13215580 53 Painsky, A., & Rosset, S. (2017). Cross-Validated Variable Selection in Tree-Based Methods Improves Predictive Performance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(11), 2142–2153. https://doi.org/10.1109/TPAMI.2016.2636831 Pan, C., Gao, Y., & Luo, Y. (2018). Machine Learning Prediction of Companies ’ Business Success. Parsa, A. B., Movahedi, A., Taghipour, H., Derrible, S., & Mohammadian, A. (Kouros). (2020). Toward safer highways, application of XGBoost and SHAP for real-time accident detection and feature analysis. Accident Analysis and Prevention, 136. https://doi.org/10.1016/j.aap.2019.105405 Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media. Rhodes-Kropf, M., & Robinson, D. T. (2008). The Market for Mergers and the Boundaries of the Firm. Journal of Finance, 63(3), 1169–1211. https://doi.org/10.1111/j.1540-6261.2008.01355.x Roegiest, A., Hudek, A. K., & McNulty, A. (2018). A dataset and an examination of identifying passages for due diligence. 41st International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR 2018, 465–474. https://doi.org/10.1145/3209978.3210015 Rozemberczki, B., Watson, L., Bayer, P., Yang, H.-T., Kiss, O., Nilsson, S., & Sarkar, R. (2022). The Shapley Value in Machine Learning. http://arxiv.org/abs/2202.05594 Schillewaert, N. (2022). Opnieuw grote overname in de gamingwereld: Sony koopt maker van computerspellen “Halo” en “Destiny.” VRT NWS. Seng, J. L., & Lai, J. T. (2010). An intelligent information segmentation approach to extract financial data for business valuation. Expert Systems with Applications, 37(9), 6515–6530. https://doi.org/10.1016/j.eswa.2010.02.134 Shao, B., Asatani, K., & Sakata, I. (2019). Categorization of Mergers and Acquisitions in Japan Using Corporate Databases: A Fundamental Research for Prediction. IEEE International Conference on Industrial Engineering and Engineering Management, 2019-Decem, 1523–1527. https://doi.org/10.1109/IEEM.2018.8607408 Shrikumar, A., Greenside, P., & Kundaje, A. (2017). Learning Important Features Through Propagating Activation Differences. http://arxiv.org/abs/1704.02685 Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14, 199–222. 54 Trichterborn, A., Zu Knyphausen-Aufseß, D., & Schweizer, L. (2016). How to improve acquisition performance: The role of a dedicated M&A function, M&A learning process, and M&A capability. Strategic Management Journal, 37(4), 763–773. https://doi.org/10.1002/smj.2364 Tsagkanos, A., Georgopoulos, A., & Siriopoulos, C. (2007). Predicting Greek mergers and acquisitions: a new approach. International Journal of Financial Services Management, 2(4), 289. https://doi.org/10.1504/ijfsm.2007.016286 Vayas-Ortega, G., Soguero-Ruiz, C., Rodríguez-Ibáñez, M., Rojo-Álvarez, J. L., & Gimeno-Blanes, F. J. (2020). on the differential analysis of enterprise valuation methods as a guideline for unlisted companies assessment (II): Applying machine-learning techniques for unbiased enterprise value assessment. Applied Sciences (Switzerland), 10(15), 1–17. https://doi.org/10.3390/APP10155334 Victoria, A. H., & Maragatham, G. (2021). Automatic tuning of hyperparameters using Bayesian optimization. Evolving Systems, 12(1), 217–223. https://doi.org/10.1007/s12530-020-09345-2 Wang, Q., Lau, R. Y. K., & Yang, K. (2020). Does the interplay between the personality traits of CEOs and CFOs influence corporate mergers and acquisitions intensity? An econometric analysis with machine learning-based constructs. Decision Support Systems, 139(October), 113424. https://doi.org/10.1016/j.dss.2020.113424 Wei, Z. (2019). Machine learning applications in finance: some case studies. [Doctoral Thesis, University of London]. Imperial College of Science Repository, January. Xiang, G., Zheng, Z., Wen, M., Hong, J., Rose, C., & Liu, C. (2012). A supervised approach to predict company acquisition with factual and topic features using profiles and news articles on TechCrunch. ICWSM 2012 - Proceedings of the 6th International AAAI Conference on Weblogs and Social Media, 607–610. Yu, T., & Zhu, H. (2020). Hyper-Parameter Optimization: A Review of Algorithms and Applications. http://arxiv.org/abs/2003.05689 Żbikowski, K., & Antosiuk, P. (2021). A machine learning, bias-free approach for predicting business success using Crunchbase data. Information Processing and Management, 58(4), 102555. https://doi.org/10.1016/j.ipm.2021.102555 Zhang, C., Zhang, H., & Liu, D. (2020). A Contrastive Study of Machine Learning on Energy Firm Value Prediction. IEEE Access, 8, 11635–11643. https://doi.org/10.1109/ACCESS.2019.2953807 55 Zohrehvand, A., Doshi, A. R., & Vanneste, B. (2021). Generalizing Event Studies Using Synthetic Controls: An Application to the Dollar Tree–Family Dollar Acquisition. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3856879
