Utilizing Machine Learning to Predict Norwegian Takeover Targets and Leverage on Their Abnormal Returns

Abstract

Vi undersøker om en kan bruke maskinglæringsmodeller til å finne karakteristikker ved Norske oppkjøpskandidater, predikere disse oppkjøpene og tilslutt sette sammen en portefølje bestående av predikerte oppkjøpskandidater som potensielt kan gi høyere avkastning enn OSEBX-indeksen. For å identifisere slike karakteristikker undersøker vi både selskapsspesifikke og makroøkonomiske variabler. Vi finner en negativ sammenheng mellom sannsynlighet for oppkjøp og størrelse, verdsettelse av selskapet, likviditet, vekst, materielle eiendeler, alder, økonomisk vekst og prising av markedet. Videre finner vi at effektiv ledelse, investeringsnivå, rentenivåer og råvarepriser er positivt relatert til sannsynligheten for et oppkjøp. Ved å følge en årlig iterativ retreningsmetodikk, med 2000-2008 som det opprinnelige treningssettet og 2009-2022 som det totale testsettet, bruker vi CatBoost, XGBoost og LightGBM-modeller til å predikere oppkjøp. Catboost viser høyest ytelse og 8,0% av prediksjonene til denne modellen er korrekte klassifiserte oppkjøp. Dette er det dobbelte av andelen oppkjøp i testsettet. Videre klarer modellen å identifisere 45,8% av de 120 oppkjøpene i testperioden og 78,1% av de 2 876 ikke-kjøpte selskapene. Ved å bygge porteføljer basert på de predikerte oppkjøpsmålene med årlig rebalansering oppnår vi en gjennomsnittlig årlig avkastning på 18,7%, 17,8% og 19,7% for henholdsvis LightGBM, XGBoost, og Catboost. OSEBX hadde i samme tidsrom en gjennomsnittlig avkastning på 13,8%. I tillegg oppnår alle tre porteføljene en positiv risikojustert avkastning, som er statistisk signifikant på et 5% nivå ved bruk av CAPM-modellen, samt p-verdier mellom 0.128 og 0.226 for Fama-French 3-faktor og Carhart 4-faktormodell. Totalt sett tyder funnene våre i stor grad på at maskinlæring kan brukes til å identifisere kjennetegn ved oppkjøpskandidater, predikere norske oppkjøpsmål med relativt høy sikkerhet, og avslutningsvis oppnå en positiv risikojustert avkastning ved å investere i de predikerte oppkjøpsmålene. Likevel kan vi ikke konkludere med at den unormale avkastningen ikke er grunnet høyere risikoeksponering.

We investigate whether it is possible to utilize machine learning models to identify takeover characteristics, predict Norwegian takeover targets, and whether a portfolio consisting of predicted takeover targets is able to outperform the OSEBX index. To explore takeover characteristics, we examine a selection of company-specific and macroeconomic variables. We find a negative relation between takeover likelihood and size, company valuation, liquidity, growth, tangibility, age, economic growth and market valuation. On the other hand, management efficiency, level of investments, interest rates and commodity prices are found to be positively related to takeover probability. Following an annual iterative retraining methodology, with 2000-2008 as the initial training set and 2009-2022 as the total test set, our CatBoost model outperforms both our XGBoost and LightGBM model with 8.0% of its predictions being correctly classified as targets, which is twice the takeover rate of our test set. Moreover, the model correctly identifies 45.8% of the 120 targets and 78.1% of the 2 876 non-targets in the test set. When investing in the predicted takeover targets from our LightGBM, XGBoost, and CatBboost model, our equal-weighted long-only portfolio with annual rebalancing generates an average return of 18.7%, 17.8%, and 19.7%, respectively, compared to an average OSEBX return of 13.8%. In addition, all three portfolios achieve abnormal risk-adjusted returns, which are statistically significant at the 5% level when using the CAPM model, while we obtain p-values ranging from 0.128 to 0.226 when using the Fama-French 3-factor model and Carhart 4-factor model. Overall, our findings largely suggest that machine learning can be utilized to identify takeover characteristics, accurately predict Norwegian takeover targets, and eventually achieve abnormal returns when investing in predicted takeover targets, although we cannot fully conclude that the abnormal returns are not explained by higher risk-exposure.