Capital Structure and Machine Learning Techniques in Scandinavia

Abstract

Sammensetningen av egenkapital og gjeld har vært en omdiskutert debatt i bedriftsfinans litteraturen de siste tiårene. Til tross for stor diskusjon, er det ikke oppnådd enighet om en pålitelig modell for å beregne gjeldsmålet eller justeringhastigheten mot det. Tidligere forskning finner bevis for ikke-linære forhold mellom determinantene i kapitalstruktur og gjeldsgraden. Vi bruker derfor maskinlæringsteknikker for å oppdage komplekse mønstre i dataene og tester om maskinlæring predikerer kapitalstruktur med høyere nøyaktighet, sammenlignet med tradisjonelle metoder. Videre undersøkes determinanter i Skandinavia, inkludert Finland, og forskjeller mellom disse.

Datasettet består av 1294 skandinaviske og finske børsnoterte selskaper i perioden 1990 til 2019. Vi bruker maskinlæringsteknikkene «random forest» og LASSO til å sammenligne med OLS-modellen. I tidligere litteratur har maskinlæringsegenskaper vist seg å være spesielt nyttig til å forbedre «out-of-sample» prediksjon i datasett med komplekse mønstre. Den beste modellen, «random forest», predikerer med høyere nøyaktighet sammenlignet med OLS-modellen. Dette måles med en reduksjon i RMSE på henholdvis 5% til 49%. Mer nøyaktige «out-of-sample» prediksjoner i «random forest» modellen fører til en justeringshastighet som er to og tre ganger høyere sammenlignet med LASSO og OLS-modellene. Videre sammenligner vi forskjellene mellom determinanter på tvers av land i Scandinavia og kommer frem til to hovedfunn. Det høye antallet rederier og fiskebedrifter i Norge gir en skjev fordeling av industriene. Dette øker viktigheten av «tangibility» i Norge. I Finland har finansinstitusjonene mindre begrensninger for å inntre på eiersiden av selskaper. Sterkere posisjon blant finske banker fører til økt følsomhet for makroøkonomiske svinger, og medfører økt viktighet av determinantene «term spread» og «tax rate» i Finland.

I denne masteroppgaven finner vi fremtredende bevis på viktigheten av «z-score», «market-to-book», «tangibility» og «cash», men legger også vekt på viktigheten av flere determinanter. Resultatene antyder at ingen enkel modell er tilstrekkelig til å forutsi kapitalstruktur, derimot anses en sammensetning av flere variabler som viktige for å predikere gjeldsgraden. Samlet sett finner vi at maskinlæringsteknikker kan forbedre «out-of-sample» prediksjon på kapitalstruktur, og at viktigheten av ulike determinanter på tvers av de skandinaviske landene er forskjellig.

The composition of equity and debt has been an extensive debate in the corporate finance literature over the last decades. Although, a reliable estimation method for target leverage and the adjustment speed towards it is not yet agreed upon. In prior research, evidence point towards nonlinear relations between capital structure determinants and leverage. In this master's thesis, we apply machine learning techniques to detect complex patterns in the data and test whether the techniques provide increased predictive performance relative to traditional methods. Further, we explore capital structure determinants in Scandinavia, including Finland, and compare the differences between them.

The data set comprises 1294 Scandinavian and Finnish firms listed on the respective stock exchanges during the time period 1990 to 2019. We employ the random forest and the least absolute shrinkage and selection operator model (LASSO) as machine learning techniques to compare against the traditional ordinary least squares model (OLS). Machine learning properties are proven to be particularly helpful in previous literature improving predictive performance as complex patterns in training samples are revealed. The best performing model, random forest, provides more accurate predictions measured by a 5% to 49% reduction in the RMSE compared to the OLS model. The improved predictions increase the speed firms adjust towards the target leverage by two and three times compared to the LASSO and OLS models. Finally, we study differences between cross-country determinants and found two main differences. The high number of fishing and shipping firms in Norway ensures a skewed distribution of the industries, leading to a higher importance of tangibility in Norway compared to the rest of Scandinavia. The strong involvement of the financial institution in the Finnish economy causes a higher sensitivity for macroeconomic fluctuations. Therefore, increasing the importance of the term spread and tax rate determinants in Finland.

In this thesis, we find evidence on the importance of z-score, market-to-book, tangibility, and cash, however, importance is also given to additional variables. Our results suggest that no simple model can be applied to predict capital structure, rather a composition of multiple variables is considered important in predicting leverage. Overall, we find that machine learning techniques can improve predictive performance on capital structure and that cross-country determinants differ between Scandinavian countries.