Voetbal, M&A voorspellingen en Machine Learning

Mathieu Luypaert

Door Mathieu Luypaert

Professor of Corporate Finance

Lennert Van der Schraelen

Door Lennert Van der Schraelen

Doctoral Researcher, Accounting & Finance

Kristof Stouthuysen

Door Kristof Stouthuysen

Professor of Management Accounting & Digital Finance

05 januari 2021

Momenteel worden robotgestuurde procesautomatiseringen al vaak toegepast in financiële afdelingen om de werknemers van monotone taken te verlossen. Echter, ondanks het bloeiende vakgebied van artificiële intelligentie (AI) en machine learning (ML), zijn financiële applicaties van deze laatste technieken vrij schaars. Door een connectie te maken met een scheidsrechter die al dan niet een goal afkeurt, trachten we een interessante toepassing tot stand te brengen betreffende fusies en overnames (M&A).

iStock-1223789411.jpg

Stof tot nadenken

Recentelijk was een scheidsrechter in een Belgische voetbalmatch niet in staat om een kans al dan niet te classificeren als een goal door het gebrek aan doellijntechnologie. Voetbalanalist Filip Joos besprak elke mogelijkheid door middel van een diagram. Indien de bal de lijn overschreed en de scheidsrechter de goal goedkeurde, dan was dit een juiste beslissing. De scheidsrechter maakte ook een juiste beslissing indien hij de goal afkeurde in het geval de bal niet over de lijn ging. We kunnen besluiten dat beide beslissingen ‘even juist’ zijn met een bijbehorende ‘kost’ gelijk aan nul.

 De bal was over de lijnDe bal was niet over de lijn
Lijnrechter geeft doelpuntAB
Lijnrechter geeft geen doelpuntCD

Desondanks was de scheidsrechter fout in de twee andere gevallen. Filip Joos was van mening dat beide gevallen ‘even fout’ zijn en impliceerde dus dat de kost om een ‘foutieve goal’ toe te kennen (kost1) gelijk is aan de kost om een ‘echte goal’ af te keuren (kost2). Een andere analist (Arnar Vidarsson) oordeelde dat de scheidsrechter de goal niet mag goedkeuren indien hij niet zeker is. Volgens hem is het erger om een goal foutief goed te keuren dan een goal foutief af te keuren. Kortom, hij is van mening dat kost1 > kost2. Scheidsrechters met dezelfde gedachtegang zijn dus meer terughoudend om een twijfelachtige goal goed te keuren.

ML in een M&A context 

Om een geïnformeerde beslissing te maken, omringt de scheidsrechter zichzelf met verschillende databronnen – zoals de voetbalregels, de VAR en enkele hulpscheidsrechters. Ten slotte keurt de scheidsrechter het doelpunt al dan niet af na het afwegen van de verschillende kosten en het verwerken van de aanwezige informatie.

Bedrijven worden aangeraden om verschillende datatypes te gebruiken om geïnformeerde beslissingen te kunnen maken. ML modellen kunnen besluitvormers helpen om voorspellingen of beslissingen te maken betreffende (1) het voorstellen van geschikte doelwitten en (2) het voorspellen van de voltooiingskansen van M&A transacties. De machine is immers niet gelimiteerd in het combineren en analyseren van verschillende datatypes.

Men kan bijvoorbeeld opportuniteiten voor M&A transacties identificeren die passen bij de M&A strategie van het verwervende bedrijf en met een goed investeringsrendement. Men kan gebruik maken van publiek beschikbare financiële data zoals market to book ratios, earnings yield en dividend yield, free cash flow rates, asset growth rates, financial leverage rates, etc. Niettemin zijn meer en meer besluitvormers geïnteresseerd in niet financiële data zoals rapporten van externe analisten, informatie op de website, duurzaamheidsscores, competenties van het bestuur en management van het doelwit, sociale media, de graad van tevredenheid van klanten en het netwerk en contractuele relaties van het doelwit. ML kan het verwervende bedrijf helpen om deze variabelen te beoordelen en te associëren met de identificatie van veelbelovende doelwitten.

Na de identificatie van een veelbelovend doelwit start het verwervende bedrijf met onderhandelingen en due diligence om relevante informatie van het doelwit, zoals contracten, financiën en klanten, te bevestigen. Het investeren in due diligence voor doelwitten die zich uiteindelijk terugtrekken, zorgt voor een hoge kost in termen van middelen, tijd en reputatieschade. Dus is het aangeraden om niet enkel tijdens de selectiefase, maar ook in de periode erna data te gebruiken die bijvoorbeeld de voltooiingskansen van een M&A transactie kunnen helpen voorspellen. Enkele voorbeelden van voorspellende variabelen zijn het bestaan van verbrekingsvergoedingen, het aantal concurrerende bieders, het vijandig geclassificeerd zijn van de acquisitie, de tijd tussen het tekenen en voltooiing van de deal, het aantal en de aard van wettelijke goedkeuringen, de relatieve grootte van de deal, marktconcentratie, verschillen tussen landen en het percentage aandelen van het doelwit gehouden door het verwervende bedrijf voor de publieke aankondiging (toehold). ML modellen kunnen dus opnieuw het verwervende bedrijf helpen om deze verschillende datatypes te analyseren en om een accuraat voorspellingsmodel te construeren.

Bovendien staan vele ML modellen het toe om een zeker belang of kost toe te kennen aan verschillende voorspellingen. Denk aan de ‘even fout’ discussie over het al dan niet toekennen van een (foutieve) goal. Bijvoorbeeld, in de doelwit selectiefase kunnen bedrijven hogere (lagere) kosten toekennen aan doelwitten dat het ML model voorspelt om geschikt (ongeschikt) te zijn ondanks dat het in de realiteit ongeschikte (geschikte) doelwitten zijn. Redenen voor deze aanpak zijn mogelijke hoge due diligence kosten enerzijds en gemiste opportuniteiten anderzijds (zie Tabel 2). Zulke kosttoekenning kan dus van toepassing zijn voor meer terughoudende bedrijven.

Anderzijds, tussen de aankondigingsdatum van de M&A transactie en het uiteindelijk sluiten van de deal, kunnen beslissingsmakers van mening zijn dat de uiteindelijke annulering van de deal zeer kostelijk is voor het verwervende bedrijf vanwege reputatieschade, due diligence kosten en het afzien van andere attractieve mogelijkheden gedurende deze periode. Vermits M&A transacties die uiteindelijk worden geannuleerd maar sporadisch voorvallen, kunnen traditionele voorspellende modellen deze kans onderschatten. Door hogere kosten toe te kennen aan M&A transacties die uiteindelijk worden geannuleerd, kunnen kostgevoelige ML modellen het probleem van kostelijke misclassificaties oplossen en het model verplichten om extra aandacht te geven aan de minderheidsklasse (zie Tabel 3).

Ten slotte kan men opmerken dat de kosttabellen dezelfde structuur hebben als het diagram dat Filip Joos tekende, hoewel deze nu de kost van het (mis)classificeren van M&A gerelateerde problemen illustreren. In dit artikel hebben we een opsplitsing gemaakt tussen selectie en het voltooiingsrisico. Dat kan (gedeeltelijk) samengevoegd worden door bijvoorbeeld informatie betreffende concurrenten al gedurende doelwitselectie in rekening te brengen. Bovendien moeten de diagonaalelementen niet per se gelijk zijn aan nul; ML biedt ontelbare mogelijkheden.

 GESCHIKT DOELWITONGESCHIKT DOELWIT
PREDICTIE: GESCHIKT0 kosta
PREDICTIE: ONGESCHIKT kostb0

Tabel 2: M&A selectie kost matrix 

 UITEINDELIJK VOLTOOIDUITEINDELIJK TERUGGETROKKEN
PREDICTIE: VOLTOOIING0 kostc
PREDICTIE: TERUGTREKKINGkostd

Tabel 3: M&A voltooiing kost matrix

Neem contact op!

Kristof Stouthuysen

Kristof Stouthuysen

Professor of Management Accounting & Digital Finance