The Role of Artificial Intelligence in Predicting M&A Outcomes : Compared to traditional methods

The goal of this thesis is to investigate the role of AI in M&A outcomes forecasting. Another goal of the study is to compare the role of AI to traditional forecasting methods. In the meanwhile, we also dig deep into M&A theory and comprehensively explain the different M&A and AI styles and models. We found that even though M&As are pivotal corporate decisions worth, on average, more than $70 million, they often end up destroying shareholders’ value. Throughout this thesis, we examine methods to improve the value creation in M&A deals. This thesis demonstrates that with the use of ML models, one can, on average, predict the outcome of an M&A deal. Non-linear ML models work the best because they do not assume that all the used variables have a linear connection. The best models found in this thesis are random forest and gradient boosting, which both are tree-based and non-linear. In this thesis, we present evidence that with the help of these two and the right parameters, one can predict the financial outcome of an M&A deal and whether an M&A deal will happen. However, there are two major obstacles in M&A forecasting with AI. We represent the quality and amount of data and the choice of the right variables as the two major obstacles. Despite these obstacles, we can state that AI is a powerful tool and it isn’t going anywhere, so to keep ourselves relevant in the field of finance, it is important to handle the most modern tools.

Tämän kandityön tavoitteena on tutkia tekoälyn roolia yrityskauppojen lopputulosten ennustamisessa. Tutkimuksen toisena tavoitteena on verrata tekoälypohjaisia ennustusmenetelmiä perinteisiin ennustusmenetelmiin. Samalla perehdymme syvällisesti yrityskauppojen teoriaan ja selitämme kattavasti erilaisia yrityskauppoja ja tekoälyä koskevia tyylejä ja malleja. Havaitsimme, että vaikka yrityskaupat ovat keskeisiä yrityspäätöksiä, joiden arvo on keskimäärin yli 70 miljoonaa dollaria, ne usein tuhoavat osakkeenomistajien arvoa. Tässä tutkimuksessa tarkastelemme menetelmiä, joilla voidaan parantaa arvonluontia yrityskaupoissa. Tutkimus osoittaa, että koneoppimismallien avulla voidaan keskimäärin ennustaa yrityskauppojen lopputulos. Epälineaariset koneoppimismallit toimivat parhaiten, koska ne eivät oleta, että kaikilla käytetyillä muuttujilla on lineaarinen yhteys. Tässä tutkimuksessa parhaat mallit ovat random forest ja gradient boosting, jotka molemmat ovat puupohjaisia ja epälineaarisia. Tässä tutkimuksessa esitämme näyttöä siitä, että näiden kahden ja oikeiden parametrien avulla voidaan ennustaa yrityskauppojen taloudellinen lopputulos ja se, toteutuuko yrityskauppa. Tekoälyn avulla tehtävässä yrityskauppojen ennustamisessa on kuitenkin kaksi suurta estettä. Kahtena suurena esteenä pidämme datan laatua ja määrää sekä oikeiden muuttujien valintaa. Näistä esteistä huolimatta voimme todeta, että tekoäly on tehokas työkalu, joka on tullut jäädäkseen. Joten pysyäksemme ajan tasalla rahoitusalalla on tärkeää hallita nykyaikaisimpia työkaluja.