Введение 5
Глава 1. Факторы формирования премии в сделках слияний и поглощений 8
1.1. Теоретические аспекты сделок M&A 8
1.2. Детерминанты премии в M&A 21
1.3 Оценка премии на основе моделей нейронной сети 27
1.4 Гипотезы исследования 29
1.5 Выводы по главе 31
Глава 2. Эмпирическое исследование премии в сделках M&A в странах Брикс 32
2.1 Критерии для формирования выборки и переменные 32
2.2 Описательная статистика и анализ переменных 35
2.4 Исследование взаимосвязи между факторами и величиной премии на основе многофакторной регрессионной модели 39
2.4.1 Проверка на мультиколлинеарность 39
2.4.2 Спецификация моделей и алгоритм их построения 40
2.4.4 Оценка параметров модели 41
2.4.5 Проверка гипотез 45
2.5 Исследование взаимосвязи между факторами и величиной премии на основе модели нейронной сети 46
2.5.1 Общий принцип работы нейронной сети 46
2.5.2 Алгоритм построения нейронной сети для прогнозирования премии 47
2.5.3 Результаты построения нейронной сети и ее сравнение с многофакторной линейной регрессией 50
2.5.4 Вклад переменных в плату за поглощение в рамках модели нейронной сети 52
2.5.5 Выводы по главе 52
Заключение 54
Источники 57
Приложения 62
Слияния и поглощения остаются одними из самых значимых явлений в мире корпоративных финансов и бизнеса с позиции своего масштаба и влияния на экономику и общество. В 2019 году общая стоимость сделок M&A приблизилась к отметке $3.8 трлн. долларов, при этом примечательно, что около 16% от этой стоимости составляют всего лишь 10 крупнейших сделок, а 57% всех слияний и поглощений в мире приходится на 5 отраслей – финансы, недвижимость, технологии, фармацевтика и здравоохранение, нефть и газ [8]. Несмотря на то, что растущая неопределенность в мировой экономике, вызванная пандемией, замедляет рост рынка M&A, сделки слияния и поглощения остаются перспективным инструментом повышения общей эффективности компаний, предоставляя им возможности для долгосрочного роста [14].
Существует множество параметров сделки, которые определяют ее ценность для участников реструктуризации. В частности, одним из таких параметров можно справедливо назвать премию. Премия в сделках M&A – сумма денег, уплаченная компанией-покупателем компании-цели сверх ее рыночной стоимости. Общепризнанными мотивами для выплаты крупных премий слияний и поглощений выступают операционные и финансовые синергетические эффекты, способствующие сокращению издержек и росту денежных потоков компании [4].
Однако многочисленные эмпирические свидетельства указывают на то, что значительная доля сделок не приносят ценности акционерам по причине необоснованно завышенных премий [11]. Среди причин, объясняющих подобное явление, могут быть следующие: излишняя самоуверенность управленцев, инициирующих сделку [16, 13], слабая связь между вознаграждением менеджеров и ростом ценности компании [31], а также конфликт интересов между менеджерами и акционерами организации [28, 11]. Важно также учитывать характеристики самой сделки. Так, например, форма оплаты поглощения – оплата акциями или конкретной суммой денежных средств – влияют на то, будет ли распределение ценности между сторонами зависеть от рыночного риска акций поглощающей компании или покупателю придется заплатить высокую премию за налоговые издержки при оплате деньгами. Враждебное же отношение к поглощению не просто устанавливает новый диапазон цен для осуществления реструктуризации, но и ставит под сомнение саму возможность данной инициативы.
Соотношение премии, синергетических эффектов, издержек слияния и поглощения напрямую определяет, какую выгоду из сделки извлекут участники реструктуризации. Таким образом, акционер компании-покупателя на базе сравнения прогнозируемой величины премии и предполагаемых синергетических эффектов от объединения компаний может для себя корректировать стоимость ценной бумаги, основываясь на собственных представлениях о выгодах сделки. Следовательно, актуальными вопросами являются как установление закономерностей, связывающих величину премии с различными факторами, так и выбор инструментария, позволяющего точно оценивать премию в зависимости от характеристик сделки.
Основу методологии большинства исследований в данной области составляет многофакторный регрессионный анализ, однако в последнее время большой популярностью в финансовых исследованиях пользуются методы машинного обучения, в том числе нейронные сети: ценообразование IPO, прогноз динамики курса акций, прогнозирование банкротств, прогнозирование валютных курсов [15]. Существует несколько факторов, свидетельствующих о том, что применение моделей нейронных сетей не только обоснованно с точки зрения финансовых данных, но и что такие модели обладают лучшей предикативной способностью, чем методы регрессионного анализа [27]:
1. Методы машинного обучения позволяют моделировать сложные нелинейные взаимосвязи между независимыми и зависимыми переменными;
2. В отличие от традиционных методов статистического анализа, в основе применения методов машинного обучения нет предположений о статистическом распределении переменных;
3. Тренировка нейронных сетей при грамотной настройке параметров может обеспечить довольно точный прогноз даже при изменении структуры данных.
Так, например, в одном из первых исследований по данной тематике [35] для точной оценки величины премии в банковском секторе на выборке из 178 слияний используется однослойная модель нейронной сети. Сравнение регрессионной и нейросетевой моделей производилось на основе скорректированного коэффициента детерминации, который для нейронной сети составил 0.927, что значительно выше аналогичного показателя у регрессионной модели. Другой пример использования методов машинного обучения относится к области предсказания компаний-целей в M&A на основе нейронных сетей и модели логистической регрессии [27]. И, как и в предыдущем случае, предикативные способности нейронных сетей оказались выше в данном исследовании, чем у модели регрессии. Построение нейронной сети для оценки премий в M&A, таким образом, может значительно увеличить качество прогноза и стать эффективным инструментом прогнозирования величин премий.
Цель данного исследования: определение детерминант премии к рыночной цене в слияниях и поглощениях на рынках стран БРИКС.
Для достижения данной цели были сформулированы следующие задачи:
• На основе изученной литературы выявить факторы, оказывающие влияние на величину премии в сделках M&A;
• Сформулировать модели, описывающие взаимосвязь между выбранными переменными и премией в сделках M&A с помощью многофакторной регрессии и методов машинного обучения;
• Провести эмпирическое исследование на выборке компаний стран БРИКС;
• Сформулировать выводы и рекомендации по итогам анализа.
Источники информации для эмпирического исследования охватывают академические статьи об оценке премий в сделках слияния и поглощения; учебники по слияниям и поглощениям, корпоративным финансам, а также литературу об использовании методов машинного обучения для финансовых данных.
Работа состоит из трех глав. Первая глава посвящена теоретическим аспектам M&A. В данной части уточняется терминология слияний и поглощений, рассматриваются особенности мирового рынка M&A; процесс осуществления сделки; способы оценки фирм, вовлеченных в процедуру реструктуризации; а также литература по оценке премий и ее факторах в сделках слияний и поглощений. Основу второй главы составляет построение регрессионной модели и модели нейронных сетей для прогноза величины премии в зависимости от характеристик сделки, расчет и сравнение показателей, характеризующих качество сформированных моделей. Третья глава посвящена рекомендациям и выводам относительно качества прогнозирования оцененных моделей и целесообразности использования методов машинного обучения в оценке премий в M&A.
В рамках данной дипломной работы анализируется взаимосвязь между премией за поглощение и ее детерминантами на выборке сделок стран БРИКС. Целью исследования является выявление конкретных факторов, взаимосвязанных с платой за реструктуризацию.
Для достижения цели дипломной работы на первом этапе были рассмотрены теоретические аспекты слияний и поглощений. В частности, большое внимание уделено терминологии реструктуризации, ее классификации, понятию синергетического эффекта и его роли в сделках. Далее были изучены исследования, посвященные премии и ее детерминантам – в ходе анализа данных работ идентифицированы основные переменные, которые использовались в дипломной работе. Заключительным пунктом первой части исследования являются гипотезы – на основе изученных трудов было сформулировано 8 гипотез, 7 из которых относятся к предполагаемым факторам премии, а восьмая – характеризует объясняющую силу двух используемых в работе статистических инструментов – нейронной сети и регрессии.
На втором этапе исследования производился сбор данных, анализировались взаимосвязи между переменными с помощью инструментов описательной статистики. После проверки переменных на мультиколлинеарность, было построено 8 типов моделей с различными спецификациями для проверки устойчивости результатов. Таким образом, были получены следующие результаты: 1) размер сделки прямо взаимосвязан с величиной премии за поглощение; 2) мультипликатор цена / прибыль отрицательно взаимосвязан с премией за поглощение; 3) мультипликатор рыночная / балансовая стоимость демонстрирует положительную взаимозависимость; 4) во внутриотраслевых сделках размер премии больше, чем в сделках, совершенных компаниями из разных отраслей; 5) в трансграничных сделках величина премии меньше, чем во внутристрановых. В соответствии со сформулированными гипотезами 3 из 7 гипотез по переменным было принято и 1 отвергнута:
H1: Существует статистически значимая обратная связь между мультипликатором P/E компании-мишени и величиной премии за поглощение (принята).
H2: Существует статистически значимая прямая связь между мультипликатором M/B компании мишени и величиной премии за поглощение (принята).
H6: В среднем величина премии во внутриотраслевых сделках больше чем в иных сделках (принята).
H7: В среднем величина премии в трансграничных сделках больше, чем в сделках в рамках одной страны (отвергнута).
Более того, в рамках использования продвинутого статистического инструментария, а именно – методов машинного обучения – была принята восьмая гипотеза:
H8: Средняя абсолютная ошибка прогноза по нейронной сети ниже, чем по линейной регрессии для наблюдений, составляющих контрольную выборку.
Построенная модель нейронной сети объясняет около 20% изменения зависимой переменной и характеризуется средней абсолютной ошибкой в 34% по контрольной выборке из 46 сделок. При этом средняя абсолютная ошибка многофакторной регрессии не ниже 40% по всем 8-ми спецификациям. Проведенные тесты на сравнение средних продемонстрировали, что на уровне значимости 10% или 5% в 8 случаях ошибка нейронной сети ниже ошибки многофакторной регрессии. Более того, был получен процентный вклад переменных (отношение веса при факторе нейронной сети к сумме весов всех факторов) в премию за поглощение – 5 переменных (доли фирмы мишени в собственности у компании покупателя до сделки, D/E, M/B, P/E, темп инфляции) характеризуют основной вклад в регрессор – 56%.
Вместе с полученными результатами важно подчеркнуть существенные допущения и ограничения принятые в ходе исследования. В частности, в силу того, что не так много сделок соответствует необходимым критериям выборки, не было получено достаточно наблюдений для репрезентативных результатов по некоторым переменным (страновые переменные). Специфика исследования также обуславливает несбалансированность выборки в отношении некоторых факторов (70% сделок приходится на Индию, только 30% сделок являются трансграничными, при этом все они осуществлены компаниями, базирующимися вне стран БРИКС). Также важно отметить, что в силу неполных данных, ряд факторов, изначально планировавшихся в работе в качестве независимых переменных, были исключены (финансовые характеристики компании покупателя).
Вместе с тем, дипломная работа представляет практическую ценность, поскольку выявляет детерминанты премии за поглощение. На основе полученных результатов был сформулирован набор рекомендаций, который позволяет прогнозировать величину премии:
1) При заключении сделки заинтересованным сторонам важно обращать внимание на величину мультипликатора цена / прибыль компании мишени. Свидетельствующий об относительной недооцененности компании, низкий показатель мультипликатора может быть стимулом к тому, что фирма покупатель будет готова заплатить большую процентную премию за поглощение;
2) Оценка перспектив компании рынком, ассоциирующееся с высоким значением мультипликатора рыночная / балансовая стоимость, так же должна быть в центре внимания заинтересованных сторон. Важно тщательно анализировать руководство компании мишени, способность поглощающей фирмы создавать ценность на единицу активов и восприятие компании рынком в целом, поскольку это увеличивает плату за поглощение;
3) Результаты демонстрируют, что эффект от реструктуризации сильнее всего там, где соединяются схожие компетенции и опыт. Важно проанализировать источники синергии, особенно, если сделка осуществляется компаниями из разных отраслей.
4) Компании покупателю необходимо тщательно проанализировать все риски и преимущества значительной по размеру реструктуризации и приобретения крупного контрольного пакета. В рамках данного исследования результаты показывают, что крупная сделка может быть сигналом высокой перспективности реструктуризации, и следовательно – индикатором высокой премии.
Данная дипломная работа вносит вклад в изучение факторов премии к рыночной цене в сделках слияния и поглощение в двух аспектах. Во-первых, существует мало исследований, где изучение показателя базируется на двух методологиях – нейронная сеть и линейная регрессия, поскольку существуют ограничения, не позволяющие в полной мере использовать методы машинного обучения для анализа данных. Во-вторых, такие работы, как правило, ограничены с точки зрения набора факторов, в частности исследования [24, 36] фокусируются исключительно на бухгалтерских показателях компании-мишени и покупателя. Более того известные мне исследования со схожей методологией не рассматривают отраслевые и страновые особенности слияний и поглощений и не включают соответствующие бинарные переменные в модели, в то время как труды, использующие традиционные для данной проблематике методы статистического анализа – линейная регрессия – уделяют большое значение данному фактору [25, 26, 30, 37]. Таким образом, дипломная работа вносит вклад в исследование рыночной премии и ее факторах в сделках M&A с точки зрения методологии и набора факторов.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
