Machine Learning for the Explanation and Prediction of M&A in the Energy and Utilities Sector

Abstract

El presente trabajo utiliza cinco técnicas de aprendizaje automático para explicar y predecir compañías objetivo de fusiones y adquisiciones en el sector de la Energía y Utilidades dentro de los siete continentes (en 85 países) para un periodo de tiempo de 10 años, entre 2013 y 2022. Para ello, se utiliza una base de datos con 1471 compañías públicas, de las cuales 1239 no han sido objetivo y 232 sí lo han sido en el pasado. En primer lugar, el estudio tiene como objetivo aportar a los inversores la información necesaria para determinar qué y cómo las variables financieras afectan a la selección de compañías objetivo que operan en el mencionado sector utilizando un modelo Logit explicativo. En segundo lugar, analiza qué técnica de aprendizaje automático entre cinco posibles opciones (Regresión Logística, KNN, Random Forest, Logit Ensemble stacking model, y Decision tree Ensemble stacking model) tiene el mejor rendimiento en predecir compañías objetivo en el sector seleccionado, con el fin de ayudar a los inversores a tomar decisiones de inversión rentables. Estos objetivos responden a una brecha en la literatura existente, y por lo tanto tiene gran importancia. Otros estudios se han realizado para determinar qué variables financieras afectan a las fusiones y adquisiciones, o para determinar cuál es el modelo óptimo para predecir compañías objetivo. Hemos visto que se han enfocado en utilizar modelos de Machine Learning, como Logit, Random forest, o Ensembles para predecir compañías objetivo, pero sin centrarse en un sector concreto, centrándose en un sector alternativo al nuestro o centrándose en un país concreto, y además siempre utilizando un número inferior de modelos que nuestro análisis. Es por ello, que ninguna de estas obras analizadas se ha enfocado específicamente en el sector de la Energía y las Utilidades, una industria muy relevante en el contexto económico actual. Además, ninguno ha comparado un número tan elevado de modelos como nosotros, siendo nuestra comparativa única. El estudio concluye que el factor financiero más importante que determina si una compañía en el sector de la Energía y las Utilidades será objetivo es la rentabilidad. Los adquirientes buscan compañías con EBITDAs altos peros EBITs bajos, y por ello las compañías objetivo se caracterizan por tener una depreciación alta. Además, el modelo con mejor rendimiento identificado ha sido el Logit stacking model, seguido por Random Forest como el mejor en términos de AUC.The research paper presented uses five different machine learning techniques to explain and predict M&A targets in the Energy and Utilities Sector across the seven continents (in 85 countries) for a period of time of ten years, between 2013 and 2022. To do so, the study uses a dataset of 1471 public companies, of which 1239 are non-targets and 232 have been targets previously. First, it aims to provide investors with the necessary information to determine which and how financial variables affect target selection of companies operating in the selected industry by using a Logit explanatory model. Second, it analyses which machine learning model out of five possible options (Logistic Regression, KNN, Random Forest, Ensemble with Logit as the stacking model, and Ensemble with Decision tree as the stacking model) is the best performer in predicting M&A targets in the mentioned sector, to help investors make profitable investment decisions. These objectives answer an identified gap in the existing literature, and therefore have significant importance. Previous research has been done to find out which financial variables determine M&A, or to determine the optimal predictive model for M&A targets. We have observed that the literature focuses on using Machine Learning models like Logit, Random Forest or Ensembles in order to predict targets, but without being focused on a particular sector, focusing on an alternative sector as ours, or focusing on a particular country. Furthermore, all of the studies have used a lower number of models in comparison to our analysis. Because of this, none of these have been focused solely on the Energy and Utilities sector, highly relevant in today’s economic context. Moreover, no study has compared such a high number of models as ours, making our comparative unique. The study concludes that the most important financial factor that determines whether a company in the Energy and Utilities sector will become target is profitability, with acquirers looking for companies with high EBITDAs but lower EBITs, thus targets being characterised by having high depreciations. Furthermore, the best performing model identified above all was the Logit stacking model, followed by Random Forest as the best performer in terms of AUC.