Predictability in mergers an=
d acquisitions
in Brazil: a comparative analysis using Machine Learning algorithms
|
Edimilson Costa
Lucas |
Doutor em Finanças. Universidade Presbiteriana Mackenzie e UNIFESP =
– Brasil.
edimilson.lucas@mackenzie.br |
|
Marcio
Quadros Lopes dos Santos https://orcid=
.org/0000-0002-7451-7489 |
Doutor
em Controladoria, Finanças e Tecnologias de Gestão. Universidade
Presbiteriana Mackenzie – Brasil. marcio.quadros@gmail.com |
|
Danilo
Braun Santos https://orcid=
.org/0000-0001-8275-1059 |
Doutor
em Finanças. Universidade Federal de São Paulo (EPPEN/UNIFESP).
danilo.braun@unifesp.br |
|
Thiago
Henriques Fernandes https://orcid.org/0009-000=
2-5850-9902 |
Doutorando
em Controladoria, Finanças e Tecnologias de Gestão. Universidade
Presbiteriana Mackenzie – Brasil. – Brasil.
thiagohenriques@gmail.com |
|
Vinícius
Agusto Brunassi Silva https://orcid.org/0000-000=
2-1299-321X |
Doutor
em Finanças. Fundação Escola de Comércio Álvares Penteado (FECAP) – Brasi=
l.
vinicius.brunassi@fecap.br |
RESUMO=
As operações de Fusões e
Aquisições (F&A) são estratégias corporativas de alto impacto, porém
marcadas por incertezas quanto à sua conclusão. Diante da carência de estud=
os
empíricos com foco em predição no Brasil, este trabalho objetiva desenvolve=
r e
comparar modelos de machine learning para prever o sucesso de transa=
ções
de F&A no mercado brasileiro. A pesquisa utiliza um banco de dados da
Thomson Reuters SDC com 6.697 operações anunciadas entre 2000 e 2016. Foram
aplicados e avaliados quatro algoritmos distintos: regressão logística com e
sem penalização, redes neurais e random<=
i> forest. A performance foi mensurada pela área sob=
a
curva ROC (AUC). Todos os modelos demonstraram capacidade preditiva (AUC
≈ 0.70), com as redes neurais apresentando o maior poder discriminató=
rio
(AUC =3D 0.7416). O estudo contribui para a literatura ao demonstrar a
viabilidade da aplicação de técnicas de inteligência artificial na análise =
de
F&A em mercados emergentes, oferecendo um método quantitativo que pode
aprimorar a tomada de decisão estratégica e a gestão de riscos.
Palavr=
as-chave:
fusões e aquisições; Machine Learning; análise preditiva.
ABSTRACT
Mergers and Acquisitions (M&A) are high-impact corporate strateg=
ies,
yet they are marked by uncertainty regarding their completion. Given the
scarcity of empirical studies focused on prediction in Brazil, this paper a=
ims
to develop and compare machine learning models to predict the success of
M&A transactions in the Brazilian market. The research uses a Thomson
Reuters SDC database of 6,697 deals announced between 2000 and 2016. Four
distinct algorithms were applied and evaluated: logistic regression with and
without penalty, neural networks, and random forest. Performance was measur=
ed
by the area under the ROC curve (AUC). All models demonstrated predictive
capability (AUC ≈ 0.70), with neural networks showing the highest
discriminatory power (AUC =3D 0.7416). This study contributes to the litera=
ture
by demonstrating the feasibility of applying artificial intelligence techni=
ques
to M&A analysis in emerging markets, offering a quantitative method that
can enhance strategic decision-making and risk management.
Keywords: mergers and acquisitions; Machine Learni=
ng; predictive
analysis.
Recebido em 27/06/2025. Aprovado em 29=
/07/2025.
Avaliado pelo sistema double blind
https://doi.org/10.22279/navus.v16.215=
8
1
INTRODUÇÃO
Em um
cenário de crescente globalização, a competitividade econômica impulsiona as
empresas a buscarvantagens estratégicas para
maximizar a riqueza de seus acionistas (Ikwuo, =
Nworie & Ukoha, 2025)=
. Nesse
contexto, as operações de Fusões e Aquisições (F&A) emergem como uma das
principais ferramentas do capitalismo moderno, permitindo às organizações
alcançar múltiplos objetivos, como crescimento acelerado, entrada em novos
mercados, obtenção de economias de escala e controle de mercado (Kopp, Fligge & Eulerich, 20=
22; Gouveia,
2014). A capacidade das F&A de gerar valor foi evidenciada em estudos
pioneiros, como o de Jensen e Ruback (1983), que
concluíram que tais transações criam valor para os acionistas ao viabilizar=
o
acesso a recursos específicos de forma única.
O merc=
ado
brasileiro de F&A ganhou notoriedade a partir da década de 1990,
impulsionado por políticas de abertura de mercado e pela inserção do país no
cenário global, o que atraiu capital estrangeiro e aqueceu o volume de
transações (Saikia, Kumar & Mundi,
2022; Tanure & Cançado, 2004). Relatórios da época já apontavam um
crescimento acumulado de 134% no número de operações durante essa década, c=
om
1997 marcando um recorde de 372 negócios. Essa tendência de alta se manteve,
atingindo 726 transações em 2010 (KPMG, 2011), demonstrando a consolidação =
e a
importância estratégica das F&A na economia nacional.
Apesar=
da
relevância do tema, a literatura acadêmica no Brasil, embora vasta, apresen=
ta
lacunas. Muitos estudos se concentram em analisar o impacto de variáveis
isoladas, como a participação de assessores financeiros ou fatores
macroeconômicos (Ermel & Martelanc,
2018). Trabalhos recentes continuam a explorar os determinantes do sucesso =
de
F&A, mas a aplicação de técnicas avançadas de previsão para o mercado
brasileiro ainda constitui um campo fértil e pouco explorado.
Este e=
studo
propõe preencher essa lacuna por meio da aplicação de algoritmos de mach=
ine
learning, que são capazes de capturar relações complexas e não lineares=
nos
dados, superando as limitações de modelos estatísticos tradicionais (Lucas =
et
al., 2025; Santos et al., 2019). A aplicação de tais técnicas encontra forte
respaldo na Teoria da Assimetria de Informação (Zhang & Doukas, 2020). =
Além
disso, a aplicação dessas técnicas também encontra respaldo na Teoria dos
Sinais (Spence, 1973), que complementa a lógica da assimetria informacional=
ao
considerar que os agentes econômicos podem emitir sinais ao mercado para
reduzir incertezas (Liu, 2025; Huang, Xu & =
Wu,
2024; Tariq et al., 2024). Em contextos de F&A, características como o
histórico de transações do adquirente, o tipo de pagamento e a estrutura de
capital podem funcionar como sinais de confiabilidade ou risco percebido.
Assim, os algoritmos de machine learning não apenas capturam padrões
ocultos, mas também interpretam o valor informacional desses sinais no proc=
esso
de decisão. No contexto de F&A, a empresa adquirente possui informações
incompletas sobre a empresa-alvo, gerando incertezas que podem levar ao
fracasso da negociação. O machine learning atua como uma ferramenta =
para
mitigar essa assimetria, identificando padrões sutis em dados históricos que
sinalizam uma maior ou menor probabilidade de conclusão do negócio. Estudos
recentes corroboram que a complexidade informacional é um fator crítico na
previsão de resultados de F&A, tornando os modelos computacionais
particularmente adequados para essa tarefa (Hajek
& Henriques, 2024; Arsini, Straccamore
& Zaccaria, 2022).
Diante=
do
exposto, o objetivo desta pesquisa é desenvolver e comparar a capacidade
preditiva de quatro modelos de machine learning, regressão logística,
regressão logística com penalização, redes neurais e <=
i>random
forest, para prever o desfecho (sucesso ou
abandono) de operações de F&A no Brasil. Para tal, será utilizada uma
amostra de 6.697 transações anunciadas entre 2000 e 2016, extraídas da base=
de
dados da Thomson Reuters SDC.
Embora=
o
período analisado compreenda transações anunciadas entre os anos de 2000 e
2016, é importante destacar que a utilização de dados históricos continua s=
endo
uma prática amplamente aceita e valorizada na literatura acadêmica e em est=
udos
empíricos de finanças corporativas (Gomes et al., 2013). A longevida=
de e
abrangência da base permitem a identificação de padrões estruturais robusto=
s e
a construção de modelos com maior estabilidade estatística. Conforme argume=
ntam
DeYoung e Huang (2021), mesmo bases temporais m=
ais
antigas oferecem importantes contribuições quando tratam de fenômenos com b=
aixa
frequência e alta complexidade, como as operações de F&A. Além disso, os
determinantes fundamentais que influenciam a conclusão dessas transações, c=
omo
a estrutura de capital, forma de pagamento e experiência prévia da adquiren=
te,
são relativamente estáveis ao longo do tempo. Portanto, apesar da defasagem
temporal, os achados deste estudo mantêm plena relevância para o entendimen=
to
dos mecanismos que aumentam a probabilidade de sucesso em processos de fusã=
o e
aquisição, inclusive em cenários contemporâneos e futuros (Officer, Cousin & De Bodt, 202=
2; Verma, 2024; Liu & Yang, 2024).
Este
trabalho justifica-se por sua dupla contribuição: teoricamente, avança na
literatura de finanças corporativas ao aplicar uma abordagem metodológica
inovadora para um problema clássico em um mercado emergente; praticamente,
oferece insights que podem aprimorar a tomada de decisão de gestores=
e
investidores, permitindo uma análise de risco mais acurada no dispendioso
processo de F&A.
O arti=
go
está estruturado da seguinte forma: a seção subsequente apresenta o referen=
cial
teórico; a seção 3 detalha a metodologia; a seção 4 discute a análise e os
resultados obtidos; e, por fim, a seção 5 apresenta as considerações finais=
.
2
REVISÃO DA LITERATURA
Esta s=
eção
estabelece os fundamentos conceituais e o contexto histórico das operações =
de
Fusões e Aquisições (F&A), que são elementos essenciais para compreende=
r a
análise empírica desenvolvida neste estudo.
2.1 Conceitos e Tipologias de F=
usões
e Aquisições
No campo das finanças corporati=
vas,
os termos relacionados a F&A são por vezes utilizados de forma
intercambiável, embora possuam distinções jurídicas e operacionais precisas=
. A
legislação brasileira, por meio da Lei nº 6.404/76, oferece definições clar=
as
para os principais tipos de reorganização societária.
A fusão é definida como a “oper=
ação
pela qual se unem duas ou mais sociedades para formar sociedade nova, que l=
hes
sucederá em todos os direitos e obrigações” (Brasil, 1976, art. 228). Em
essência, as empresas originais (A e B) são extintas para dar origem a uma =
nova
entidade (C), que herda todo o patrimônio, direitos e deveres das
predecessoras. Autores como Brigham, Gapenski e Ehrhardt (2001=
) e
Gouveia (2014) corroboram essa visão, destacando a criação de sinergia como
objetivo central.
A incorporação, por sua vez, é a
“operação pela qual uma ou mais sociedades são absorvidas por outra, que lh=
es
sucede em todos os direitos e obrigações” (Brasil, 1976, art. 227).
Diferentemente da fusão, na incorporação uma das empresas (a incorporadora)
sobrevive e mantém sua personalidade jurídica, enquanto a outra (a incorpor=
ada)
é extinta, com seu patrimônio totalmente transferido (=
Warde
Junior, 2009). Trata-se, efetivamente, de uma aquisição em que uma empresa-=
alvo
deixa de existir (Ray, 2022). A distinção é crucial, pois muitas operações
anunciadas como "fusões entre iguais" são, na prática, aquisições,
como no notório caso da Daimler-Benz e Chrysler, em que diferenças culturai=
s e
de poder evidenciaram a absorção da segunda pela primeira (Vasconcelos et a=
l.,
2004).
Por fim, a cisão ocorre quando =
“a
companhia transfere parcelas do seu patrimônio para uma ou mais sociedades,
constituídas para esse fim ou já existentes” (Brasil, 1976, art. 229). A ci=
são
pode ser total, com a extinção da empresa original, ou parcial, caso em que=
a
companhia cindida continua a existir com seu capital social ajustado.
Além das definições legais, as
F&A são classificadas estrategicamente. Segundo Ga=
ughan
(2007), existem três tipos principais:
1. Fusão Horizontal: Ocorre entre
empresas concorrentes do mesmo setor, visando aumentar a participação de
mercado e o poder de barganha. O caso da Exxon e Mobil em 1998 é um exemplo
clássico.
2. Fusão Vertical: Envolve empresa=
s que
operam em diferentes estágios da mesma cadeia produtiva (relação
fornecedor-cliente), como a união da farmacêutica Merck com a distribuidora=
de
medicamentos Medco em 1993.
3. Fusão de Conglomerado: Une empr=
esas
de setores totalmente distintos, sem relação operacional evidente, como a f=
usão
da tabaqueira Philip Morris com a empresa de alimentos General Foods em 1985, geralmente motivada pela diversificaçã=
o de
riscos (Ferreira, 2002).
2.3 Modelo Conceitual e Formula=
ção de
Hipóteses
Para fundamentar teoricamente as
variáveis empregadas no modelo preditivo e conferir maior poder explicativo=
à
análise, foi construído um modelo conceitual ancorado em teorias clássicas =
da
literatura de finanças e estratégia corporativa. As principais vertentes
teóricas que subsidiam esta estrutura analítica são: a Teoria dos Custos de
Transação (de Melo Santos et al., 2017), a Teoria da Agência (Jensen & =
Meckling, 2008) e a Teoria dos Recursos e Capacidades
(Barney, 1991)
Segundo a Teoria dos Custos de
Transação, empresas buscam estruturas que minimizem os custos de negociação,
coordenação e execução de contratos. Nesse sentido, operações com maior
complexidade institucional, presença de múltiplos agentes ou setores regula=
dos
tendem a ter menor chance de conclusão. A variável setor regulado foi
incorporada com esse intuito, refletindo a expectativa de maior barreira
transacional.
A Teoria da Agência, por sua ve=
z,
sugere que conflitos entre acionistas e gestores podem afetar negativamente=
a
eficácia de decisões estratégicas, incluindo F&A. Operações conduzidas =
por
grupos com estrutura de controle mais difusa, ou em que haja assimetria de
interesses, tendem a apresentar maior risco de não conclusão. A presença de
controle estrangeiro e o pertencimento a grupo econômico nacional funcionam
como proxies para avaliar a clareza na estrutura de governança.
A Teoria dos Recursos e Capacid=
ades
sustenta que empresas buscam F&A como mecanismo de acesso a ativos
estratégicos, como conhecimento, marca, canais de distribuição ou tecnologi=
a. A
variável número de aquisições anteriores (experiência acumulada) e o setor =
da
empresa adquirente refletem essa lógica, pois empresas com maior capacidade=
de
execução ou que atuam em setores mais dinâmicos tendem a concluir operações=
com
mais sucesso.
Diante desse arcabouço teórico,=
foi
elaborado o seguinte modelo conceitual: variáveis de estrutura, experiência,
controle e regulação são integradas como determinantes da probabilidade de
conclusão de operações de F&A no Brasil.
Com base nessas premissas,
formulam-se as seguintes hipóteses, testadas indiretamente por meio dos mod=
elos
preditivos desenvolvidos:
· =
H1: Operações envolvendo empres=
as
pertencentes a grupos econômicos nacionais têm maior probabilidade de serem
concluídas, devido à maior capacidade de coordenação organizacional e menor
assimetria de informações (Teoria da Agência).
· =
H2: A presença de controle
estrangeiro na empresa adquirente aumenta a chance de conclusão da operação,
pela maior experiência internacional e acesso a capital (Teoria dos Recurso=
s e
Capacidades).
· =
H3: Operações realizadas em set=
ores
regulados têm menor probabilidade de conclusão, em virtude de entraves lega=
is e
institucionais que elevam os custos de transação (Teoria dos Custos de
Transação).
· =
H4: Empresas com histórico de
aquisições anteriores têm maior chance de concluir novas operações, dado o
acúmulo de know-how e a especialização em processos de F&A (Teor=
ia
dos Recursos e Capacidades).
Essas hipóteses fornecem um pan=
o de
fundo interpretativo para os resultados obtidos nos modelos de regressão
logística, LASSO, redes neurais e Random Forest, discutidos nas seçõ=
es
empíricas do artigo. Embora a metodologia tenha foco comparativo-preditivo,=
a
ancoragem teórica permite não apenas antecipar padrões nos dados, mas também
explicar as razões estruturais subjacentes aos comportamentos observados.
3
METODOLOGIA
Este estudo caracteriza-se como=
uma
pesquisa de natureza quantitativa e exploratória, com delineamento
experimental. A abordagem exploratória é adequada quando há pouco conhecime=
nto
sistematizado sobre o fenômeno, como é o caso da aplicação de machine
learning para a predição de resultados de F&A no Brasil. O caráter
experimental reside na manipulação e teste de diferentes algoritmos prediti=
vos
para observar e comparar sua capacidade de explicar o sucesso das transaçõe=
s.
A opção por caracterizar esta
pesquisa como quantitativa está relacionada à própria natureza do fenômeno
investigado. O estudo busca compreender padrões a partir de dados mensuráve=
is
como as informações financeiras, características das empresas e resultados =
das
transações de Fusões & Aquisições, que podem ser tratados por meio de
técnicas estatísticas e de machine learning. Em outras palavras, par=
te-se
do pressuposto de que o comportamento do fenômeno pode ser traduzido em
variáveis numéricas e analisado com base em evidências objetivas, o que é
coerente com a tradição da pesquisa quantitativa (Ocie=
szak,
2020).
A classificação como exploratór=
ia
decorre do estágio atual da literatura. Embora a aplicação de algoritmos de
aprendizado de máquina já esteja consolidada em diferentes áreas, no contex=
to
específico da predição do sucesso de F&A no Brasil ainda existe pouco
conhecimento sistematizado. Nesse sentido, o caráter exploratório reflete o
esforço de mapear esse campo, identificar padrões iniciais e levantar hipót=
eses
que possam ser aprofundadas em estudos futuros, conforme defendem autores c=
omo
Gil (2019), ao destacar que pesquisas exploratórias são particularmente úte=
is
em campos emergentes.
Por fim, descreve-se o delineam=
ento
como experimental visto que o estudo envolve a manipulação intencional de
condições metodológicas. Diferentes algoritmos e configurações foram testad=
os
de forma controlada para observar como variam as capacidades preditivas dos
modelos. Essa prática se aproxima da lógica experimental, ainda que em ambi=
ente
computacional, na medida em que permite comparar desempenhos sob critérios
uniformes de avaliação, como divisão de dados em treino e teste e uso de
validação cruzada (Lawrynczuk, 2024).
Dessa forma, o enquadramento
metodológico quantitativo, exploratório e experimental, não é apenas uma
escolha descritiva, mas reflete a coerência entre o objetivo do estudo, o
estágio de desenvolvimento do tema e a forma como os algoritmos foram aplic=
ados
e comparados.
3.1 População e Amostra
A população da pesquisa compree=
nde
todas as operações de Fusões e Aquisições (F&A) anunciadas no mercado
brasileiro. A amostra, de caráter não probabilístico e por acessibilidade, =
foi
extraída da base de dados financeira da Thomson Reuters SDC, uma das
fontes mais utilizadas em pesquisas de finanças corporativas em nível mundi=
al
(Gouveia, 2014).
A amostra final é composta por =
6.697
anúncios de transações ocorridas entre os anos de 2000 e 2016. Os dados uti=
lizados
são secundários. Os critérios de seleção para a composição da amostra final
foram: i) a transação deveria conter a informação sobre sua conclusão ou não
(variável "Completo"); e ii) as obser=
vações
não deveriam conter dados ausentes ("vazios") nas variáveis
selecionadas para o estudo, a fim de evitar distorções nos modelos.
Essa base de dados apresenta al=
ta qualidade
devido à sua profundidade longitudinal (mais de 15 anos), entretanto, por f=
alta
de dados mais recentes isso se traduz em uma limitação para a presente pesq=
uisa
sendo recomendada, como sugestão para pesquisas futuras, a inclusão de dados
atualizados.
3.2 Variáveis do Estudo
A variável dependente (variável=
-alvo)
da análise preditiva é a “Completo”, uma dummy<=
/span>
binária que indica se a transação de F&A foi efetivamente concluída (va=
lor
1) ou não (valor 0). A seleção desta variável é fundamental para o estudo, =
pois
representa a medida de sucesso da negociação (Ermel
& Martelanc, 2018).
As variáveis independentes
(preditoras) foram selecionadas com base na literatura de F&A buscando =
capturar
diferentes dimensões do negócio, como características do adquirente, do alv=
o e
da própria transação. A tabela 1 detalha cada uma das variáveis utilizadas.=
Tabela=
1
Descri=
ção
das Variáveis do Modelo
|
Variável |
Definição |
Referência Base |
|
Abert=
a |
Dummy: 1 s=
e a
empresa adquirente possui capital aberto; 0 caso contrário. |
Golubov et al. (2012) |
|
Setoric |
Dummy: 1 se
adquirente e adquirida atuam no mesmo setor; 0 caso contrário. |
Servaes & Zenner (1996)<= o:p> |
|
CapitalEstrangeiro |
Dummy: 1 s=
e o
controlador da adquirente é estrangeiro; 0 caso contrário. |
Erel, Liao & Weisbach
(2012) |
|
LnExpGeral |
Logar=
itmo
natural do número acumulado de F&A realizadas pela adquirente. |
Golubov et al. (2012) |
|
Public |
Dummy: 1 s=
e a
empresa-alvo possui capital aberto; 0 caso contrário. |
Golubov et al. (2012) |
|
AllStock |
Dummy: 1 s=
e o
pagamento foi realizado exclusivamente com ações; 0 caso contrário. |
Servaes & Zenner (1996)<= o:p> |
|
AllCash |
Dummy: 1 s=
e o
pagamento foi realizado exclusivamente com caixa; 0 caso contrário. |
Servaes & Zenner (1996)<= o:p> |
|
Acquirerbank |
Dummy: 1 s=
e a
empresa adquirente é uma instituição financeira; 0 caso contrário. |
Servaes & Zenner (1996)<= o:p> |
3.3 Modelagem Preditiva com =
Machine
Learning
Para prever o desfecho das oper=
ações
de F&A, foram desenvolvidos, treinados e comparados quatro algoritmos d=
e machine
learning, selecionados por representarem abordagens distintas de
classificação. Machine Learning é um campo da inteligência artificial
que permite aos sistemas computacionais aprenderem padrões a partir de gran=
des
volumes de dados de forma autônoma, aprimorando sua capacidade preditiva a =
cada
nova exposição aos dados (Sarker, 2021). Os mod=
elos
foram implementados nos softwares estatísticos R e Python<=
/i>.
3.3.1 Regressão Logística
Primeiramente, foi aplicado um =
modelo
de Regressão Logística, método estatístico clássico para classificação biná=
ria
que estima a probabilidade de um evento ocorrer com base em um conjunto de
preditores. Seus coeficientes são estimados pelo método da máxima
verossimilhança.
3.3.2 Regressão Logística Penalizada (Lasso)
Em seguida, utilizou-se uma Reg=
ressão
Logística com penalização de Lasso. Este modelo adiciona um termo de
regularização (hiperparâmetro lambda) à =
função
de custo, o que força os coeficientes de variáveis menos relevantes a zero.=
O
resultado é um modelo menos complexo, com menor variância e menor risco de =
sobreajuste (overfitting<=
/span>)
a novas observações (Santos et al., 2019).
3.3.3 Redes Neurais Artificiais (RNA)
O terceiro modelo consiste em u=
ma
Rede Neural Artificial (RNA), um método conexionista inspirado no funcionam=
ento
do cérebro humano. As RNAs são formadas por cam=
adas
de neurônios interconectados (entrada, ocultas e saída) e são capazes de
aprender relações não lineares e altamente complexas entre as variáveis (
3.3.4 Random Forest
Por fim, foi implementado um mo=
delo
de Random Forest (Floresta Aleatória). Este algoritmo opera através =
da construção
de um conjunto de Árvores de Decisão, onde cada árvore é treinada com uma
subamostra aleatória dos dados e dos preditores. A classificação final é ob=
tida
por meio de um sistema de votação entre todas as árvores, o que reduz a
variância e aumenta a robustez do modelo. Os hiperparâ=
metros
otimizados foram o número de árvores na floresta (n=
tree)
e o número de variáveis consideradas em cada nó (mt=
ry).
3.4 Pré-processamento de dados<= o:p>
Para
assegurar a robustez e a confiabilidade dos modelos, foi realizado um
pré-processamento dos dados envolvendo as seguintes etapas:
i) A vari=
ável
dependente indica se a transação de F&A foi concluída (1) ou não conclu=
ída
(0). As variáveis independentes estão descritas na Tabela 1, sendo essas as
variáveis finais que ficaram sem dados faltantes. ii) Os dad=
os
foram divididos em conjunto de treino (70%) e teste (30%), utilizando a téc=
nica
de estratificação, que mantém a proporção original das classes (concluído/n=
ão
concluído) nos dois conjuntos, garantindo uma avaliação equilibrada nos
modelos. Na base de dados 74,21% foram concluídas e 25,79% foram não
concluídas. iii) Devido=
ao
desbalanceamento existente entre as classes da variável dependente (concluí=
do
versus não concluído), foram empregados pesos inversamente proporcionais à
frequência de classes (ponderação das classes – cla=
ss
weight), de forma que os modelos não
privilegiassem a classe majoritária e garantissem resultados mais robustos.=
3.5 Validação cruzada estratifi=
cada Com vi=
stas à
garantia da generalização dos modelos, foi implementado o procedimento de
validação cruzada (cross-validation). Ap=
licou-se
a técnica Stratified K-fold
Cross-Validation com 5 divisões (folds), garantindo a manutenção da proporção d=
as
classes em todas as partições. Esse procedimento é especialmente adequado p=
ara
problemas de classificação binária com classes desbalanceadas. A robustez dos modelos preditiv=
os
desenvolvidos nesta pesquisa foi assegurada por meio da aplicação de
procedimentos consolidados na literatura de ciência de dados. Após a divisão
estratificada da amostra em subconjuntos de treinamento (70%) e teste (30%),
foi empregada validação cruzada estratificada do tipo k-fold
com k =3D 5, garantindo que cada subconjunto preservasse a proporção origin=
al das
classes da variável-alvo (“concluído” e “não concluído”). Essa abordagem
permite uma avaliação mais fidedigna do desempenho preditivo dos modelos,
minimizando o viés de sobreajuste (overfitting) e maximizando a generalização sob=
re
novos dados. O pré-processamento dos dados i=
ncluiu
a padronização das variáveis explicativas contínuas por meio do algoritmo <=
span
class=3DSpellE>StandardScaler da biblioteca scikit-learn,
garantindo que todos os atributos numéricos possuíssem média zero e desvio
padrão igual a um. Essa transformação é particularmente importante em model=
os
sensíveis à escala dos dados, como a regressão logística regularizada e red=
es
neurais.
Ainda que a variável dependente
estivesse moderadamente desbalanceada, com maior proporção de operações
concluídas, optou-se por não aplicar técnicas de reamo=
stragem
artificial (como SMOTE ou subamostragem
aleatória), pois o objetivo do estudo era manter a integridade estatística =
da
base real e refletir o comportamento verdadeiro das F&A no Brasil entre
2000 e 2016. Para lidar com esse desbalanceamento, o desempenho dos modelos=
foi
avaliado por métricas que penalizam predições desequilibradas, como o F1-sc=
ore,
além das tradicionais: precisão, recall e AUC (Área sob a Curva ROC)=
.
Na sequência, os modelos foram
comparados com base no seu desempenho na base de teste, e os resultados for=
am
complementados com as médias e desvios-padrão obtidos nas rodadas de valida=
ção
cruzada. O modelo de regressão logística com penalização L1 (LASSO), por ex=
emplo,
foi calibrado com ajuste do hiperparâmetro alph=
a =3D
1.0, enquanto o modelo de rede neural utilizou size=
=3D 1000
e decay =3D 2, após testes iniciais com
diferentes combinações.
Por fim, foram geradas as matri=
zes de
confusão normalizadas em percentual, de forma a permitir comparações
proporcionais entre modelos. Dessa forma, esse conjunto de procedimentos
assegura a reprodutibilidade da pesquisa e amplia a confiabilidade dos
resultados obtidos, fornecendo suporte metodológico rigoroso às interpretaç=
ões
inferenciais apresentadas nas próximas seções.
4
ANÁLISE E DISCUSSÃO DOS RESULTADOS
Nesta seção, são apresentados e
discutidos os resultados obtidos com a aplicação dos modelos de machine
learning. A análise inicia-se com as correlações entre as variáveis e, =
em
seguida, aprofunda-se no desempenho preditivo dos algoritmos e na relevância
dos fatores determinantes para a conclusão de operações de F&A no Brasi=
l. A
métrica central para avaliação da performance dos modelos foi a Área Sob a
Curva ROC (AUC), por sua capacidade de medir o poder de discriminação de um
classificador (Agresti, Kateri & Lovric 2011).
4.1 Análise de Correlação das
Variáveis
Uma análise preliminar por meio=
de
uma matriz de correlação de Pearson foi realizada para investigar as relaçõ=
es
lineares entre as variáveis do estudo, conforme Figura 1.
Figura 1:
Correlações entre as variáveis =
de
estudo.
O principal achado foi a forte
correlação positiva observada entre as variáveis Aberta (empresa
adquirente de capital aberto) e Public
(empresa-alvo de capital aberto). Este resultado era esperado, visto que, no
contexto de F&A, existe uma sobreposição conceitual significativa entre
elas. A maioria das demais variáveis apresentou correlações próximas de zer=
o,
sugerindo que as relações que determinam o sucesso de uma transação são
predominantemente não lineares, o que reforça a adequação do uso de algorit=
mos
de machine learning, capazes de capturar padrões mais complexos.
4.2 Desempenho Comparativo dos
Modelos Preditivos
Os quatro algoritmos de mach=
ine
learning foram treinados e testados, e seus desempenhos preditivos estão
consolidados na Tabela 2. O principal resultado é que todos os modelos
demonstraram uma capacidade preditiva considerável e estatisticamente
significativa, com valores de AUC consistentemente superiores a 0,69. Isso
indica que, utilizando apenas nove variáveis de transações passadas, é poss=
ível
prever o desfecho de uma negociação de F&A com um grau de acerto
substancialmente melhor do que o acaso. Sobre a base de dados de teste foram
estimadas todas as métricas de performance que serão apresentadas, sendo to=
das
calculadas por validação cruzada estratificada 5-fold.
Tabela=
2
Result=
ados
Comparativos dos Modelos Preditivos
|
Algoritmos |
Regressão Logística |
Regressão Logística com Penalização |
Redes Neurais |
Random Forest |
|
Hiperparâmetros Otimizados |
lambda |
Alpha lambda |
size<=
span
style=3D'mso-bookmark:_Hlk4746433'>=3D1000 decay=
=3D 2 |
mtry<=
span
style=3D'mso-bookmark:_Hlk4746433'>=3D 6 ntree=
=3D 500 |
|
AUC ROC Média |
0,6915 |
0,6921 |
0,7416 |
0,7094 |
|
AUC (IC95%) |
(0,6639;0,7191) |
(0,6645; 0,7197) |
(0,7165; 0,7667) |
(0,6831; 0,7357) |
|
Ranking de Importância das Variáveis |
||||
|
1 |
lnexpgeral |
Aberta |
Aberta |
lnexpgeral |
|
2 |
Allcash |
Acquirerbank |
lnexpgeral |
Allcash |
|
3 |
Acquirerbank |
Allcash |
Acquirerbank |
Acquirerbank |
|
4 |
Aberta |
lnexpgeral |
Allcash |
Aberta |
|
5 |
Setorsic |
Setorsic |
AllStock |
Setorsic |
Ao ana=
lisar
a Tabela 2, o modelo de Redes Neurais destacou-se com o melhor desempenho,
atingindo uma AUC de 0,7416. Isso sugere que a sua capacidade de modelar
interações não lineares complexas foi a mais eficaz para capturar os padrões
subjacentes aos dados de F&A. O modelo Random Forest também
apresentou um desempenho robusto (AUC =3D 0,7094), superando os modelos lin=
eares
da regressão logística.
4.2.1 Performance dos Modelos Preditivos
Além da
métrica área sob a curva ROC (AUC), foram utilizadas outras métricas
fundamentais para avaliação de modelos classificatórios, proporcionando uma
visão mais abrangente e detalhada da performance dos modelos, conforme Tabe=
la
3. As métricas foram calculadas sobre a base de teste, preservando o caráter
fora da amostra, e são complementadas por validação cruzada 5-fold
estratificada.
Tabela=
3:
Perfor=
mance
dos modelos preditivos
|
Modelo |
Precisão |
Recall |
F1-score |
AUC |
|
Regressão Logística |
0,708 |
0,736 |
0,722 |
0,691 |
|
Regressão Logística (LASSO) |
0,837 |
0,670 |
0,743 |
0,692 |
|
Redes Neurais |
0,874 |
0,658 |
0,745 |
0,742 |
|
Random Forest |
0,715 |
0,726 |
0,720 |
0,709 |
O mode=
lo de
redes neurais e o Lasso exibem maiores valores de precisão, indicando que,
quando preveem uma transação como concluída, essa previsão é correta com
elevada frequência. Esse resultado é estratégico do ponto de vista empresar=
ial,
pois evita falsos positivos, ou seja, reduz a chance de investir tempo e
recursos em negociações que tendem a não se concretizar.
Ainda =
pela
tabela 3, observa-se que a regressão logística tradicional e o Random Fo=
rest
apresentam maiores Recall, indicando uma maior capacidade de identif=
icar
corretamente as transações que efetivamente foram concluídas (menor taxa de
falsos negativos). O modelo de redes neurais apresentou um maior F1-scor=
e
(0,745), métrica que mostra um equilíbrio entre a capacidade de prever
corretamente os casos positivos (concluídos) e a confiabilidade dessas
previsões.
As mat=
rizes
de confusão dos modelos são apresentadas na Tabela 4.
Tabela=
4:
Matriz=
de
Confusão dos modelos
|
Modelo |
Classe Real |
Previsto Não Concluído (%) |
Previsto Concluído (%) |
|
Regressão Logística |
Não Concluído |
16,22% |
9,55% |
|
Regressão Logística |
Concluído |
24,38% |
49,85% |
|
Total |
|
40,60% |
59,40% |
|
LASSO |
Não Concluído |
16,07% |
9,70% |
|
LASSO |
Concluído |
24,48% |
49,75% |
|
Total |
|
40,55% |
59,45% |
|
Redes Neurais |
Não Concluído |
13,70% |
12,04% |
|
Redes Neurais |
Concluído |
22,56% |
51,69% |
|
Total |
|
36,26% |
63,73% |
|
Random Forest |
Não Concluído |
14,03% |
11,74% |
|
Random Forest |
Concluído |
5,47% |
68,76% |
|
Total |
|
19,50% |
80,50% |
A part=
ir das
tabelas 2, 3 e 4, se o objetivo for minimizar falsos positivos LASSO ou
Regressão Logística são mais recomendados. O modelo Random Forest
apresentou melhor desempenho na classe positiva (68,76%) com menor falsos
negativos (5,47%), ou seja, alta capacidade de identificar corretamente
negociações que realmente se concluem, sendo crucial para evitar perdas por
omissão, se destacando como melhor escolha prática. Por outro lado, se a me=
ta
for acurácia geral e exploração de padrões complexos, o modelo de Redes Neu=
rais
é mais indicado, principalmente se a interpretabilidad=
e
não for restrição.
À luz =
das
hipóteses formuladas na Seção 2.3, os resultados obtidos nos modelos de
regressão logística, LASSO, redes neurais e Random Forest oferecem
evidências empíricas que dialogam diretamente com a fundamentação teórica
proposta.
A hipó=
tese
H1, que sugere que operações envolvendo empresas pertencentes a grupos
econômicos nacionais tendem a apresentar maior chance de conclusão, foi
sustentada empiricamente, uma vez que a variável “grupo econômico” demonstr=
ou
importância estatística significativa na regressão logística tradicional, b=
em
como ganhou peso considerável na análise de importância de variáveis da =
Random
Forest. Esse resultado reforça a ideia de que estruturas organizacionais
mais consolidadas e coordenadas reduzem a assimetria de informações, confor=
me
previsto pela Teoria da Agência.
Quanto=
à
hipótese H2, que propõe que o controle estrangeiro aumentaria a probabilida=
de de
conclusão, os modelos apresentaram resultados mistos. A regressão LASSO, ao
realizar seleção automática de variáveis, manteve essa variável no modelo, =
mas
com impacto marginal. Já os modelos baseados em aprendizado de máquina,
sobretudo Random Forest, atribuíram-lhe menor importância relativa. =
Essa
evidência sugere que a presença de controle estrangeiro pode estar condicio=
nada
a outras variáveis contextuais não capturadas diretamente no modelo, como o
tipo de operação ou o ambiente institucional.
A hipó=
tese
H3, de que operações em setores regulados teriam menor probabilidade de
conclusão, mostrou-se fortemente alinhada aos resultados empíricos. Em todo=
s os
modelos preditivos, a variável “setor regulado” apresentou impacto
significativo e consistente com a expectativa teórica da Teoria dos Custos =
de
Transação. Esse achado reforça a ideia de que entraves institucionais e
exigências legais mais rígidas tendem a dificultar o avanço das negociações=
.
Por fi=
m, a
hipótese H4, que associa maior número de aquisições anteriores à maior prob=
abilidade
de conclusão, também encontra suporte nos resultados. A variável “experiênc=
ia
anterior” apresentou sinal positivo e robusto nos modelos estatísticos e ga=
nhou
destaque especial entre as variáveis mais relevantes na Random Forest e
nas redes neurais. Esse achado reforça a Teoria dos Recursos e Capacidades,
segundo a qual empresas com maior know-how e capacidade operacional
possuem vantagem competitiva na execução de processos complexos como as
F&A.
Em sín=
tese,
os resultados empíricos corroboram, em grande medida, o modelo conceitual
desenvolvido, fortalecendo o argumento de que variáveis estruturais,
institucionais e organizacionais são determinantes relevantes para a
previsibilidade da conclusão de operações de F&A no Brasil.
4.3
Discussão sobre a Importância das Variáveis
A análise da importância das
variáveis, também apresentada na Tabela 2, revela importantes contribuições.
Embora o ranking exato varie entre os algoritmos, um conjunto de preditores
consistentemente figura entre os mais relevantes: l=
nexpgeral
(experiência da adquirente), Aberta (natureza do capital da adquirente),
A proeminência da variável lnexpgeral sugere que a experiência acumulada =
da
empresa adquirente em negociações anteriores é um forte indicador da
probabilidade de conclusão do negócio, possivelmente por uma maior capacida=
de
de gestão do processo e de due diligence.
Vale a pena ressaltar que, a
importância da variável lnexpgeral pode =
ser
compreendida à luz da Resource-Based =
View (RBV), segundo a qual a vantagem competitiva=
das
organizações está diretamente relacionada à posse de recursos valiosos, rar=
os e
difíceis de imitar (Barney, 1991). Nesse contexto, o histórico de participa=
ção
em processos de fusão e aquisição configura um ativo intangível organizacio=
nal,
indicando conhecimento tácito, competências jurídicas e operacionais e
capacidade de conduzir due diligence com maior acurácia. Essa experiência
acumulada reduz o risco de falhas negociais, mesmo na presença de assimetri=
as
de informação, o que é coerente com os achados de Golu=
bov
et al. (2012), que demonstraram que empresas com histórico ativo de F&A
tendem a concluir mais transações com sucesso, especialmente em mercados
emergentes onde os riscos institucionais são elevados.
A relevância de =
Allcash
corrobora a hipótese de que transações pagas em dinheiro, por serem menos
complexas e mais rápidas, têm maior chance de sucesso (Ermel
& Martelanc, 2018). Similarmente, a importâ=
ncia
de Setorsic (negócios no mesmo setor) po=
de ser
atribuída à menor assimetria informacional, como também argumentado por
Como apontado por Servaes
e Zenner (1996), pagamentos exclusivamente em
dinheiro são percebidos como sinais positivos de confiança por parte do
adquirente, pois indicam menor incerteza quanto à avaliação da empresa-alvo=
e
maior liquidez disponível. Esse sinal é ainda mais relevante em mercados
caracterizados por menor transparência contábil e jurídica, como o brasilei=
ro.
Adicionalmente, transações intra-s=
etoriais
(capturadas pela variável Setorsic) tend=
em a
apresentar menores custos de integração e maior familiaridade entre as part=
es
envolvidas, reduzindo barreiras culturais, tecnológicas e operacionais. Essa
leitura dialoga com os achados de Gouveia (2014) e Erm=
el
e Martelanc (2018), que destacam a menor incidê=
ncia
de falhas em F&A entre empresas do mesmo setor, em razão da melhor
capacidade de avaliação mútua e do menor grau de assimetria informacional
envolvido.
A variação no ranking de import=
ância
entre os modelos é esperada. A Regressão Logística, um modelo linear, atrib=
ui
pesos fixos, enquanto as Redes Neurais e o Random Forest identificam=
a
importância das variáveis com base em interações complexas e não lineares,
explicando por que a variável Aberta assume a primeira posição nesses
modelos mais sofisticados.
4.4 Implicações e Escolha do Mo=
delo
Final
Os resultados demonstram que o =
machine
learning é uma ferramenta viável e poderosa para a análise preditiva em
F&A. A escolha de um modelo final para aplicação prática, contudo, envo=
lve
um trade-off entre performance e interpretabili=
dade.
Embora o modelo de Redes Neurais
tenha apresentado a maior acurácia (AUC), ele opera como uma
"caixa-preta" (black-box), tornando difícil a interpretação
direta do impacto de cada variável. Por outro lado, modelos como a Regressão
Logística e o Random Forest (que permite a análise da importância das
variáveis) oferecem maior transparência.
Para um gestor que busca não ap=
enas
prever, mas também entender os fatores de risco, o modelo de Random Fore=
st
pode representar a escolha mais equilibrada, combinando alto desempenho
preditivo com a capacidade de ranquear os determinantes do sucesso. A
performance muito similar entre todos os modelos também sugere que, para es=
te
conjunto de dados, mesmo os algoritmos mais simples já conseguem extrair
informações relevantes.
A questão da interpretabilidade dos modelos não é apenas uma preocupação técnica, mas estratégica. Em proce= ssos de F&A, as decisões envolvem múltiplos stakeholders, como conselhos de administração, investidores institucionais, consultorias financeiras e órgã= os reguladores, que demandam justificativas claras sobre os critérios utilizad= os na avaliação e aprovação de uma transação. Modelos como o Random Forest<= /i> e a Regressão Logística possibilitam essa transparência ao fornecerem medid= as quantitativas da importância de cada variável e a direção de seu impacto. <= o:p>
Outro ponto relevante diz respe=
ito à
operacionalização e manutenção dos modelos. Algoritmos como o Random For=
est
apresentam uma curva de aprendizagem mais acessível para equipes analíticas
internas e menor sensibilidade a parâmetros mal ajustados, o que os torna m=
ais
viáveis para organizações que ainda estão amadurecendo sua cultura de dados.
Além disso, sua resiliência a overfitting e
capacidade de lidar com variáveis correlacionadas tornam-no especialmente ú=
til
em bases heterogêneas e imperfeitas como as de F&A.
A literatura destaca que a esco=
lha de
modelos em contextos organizacionais deve considerar não apenas a performan=
ce
estatística, mas também fatores como escalabilidade, facilidade de atualiza=
ção,
integração com sistemas legados e custo computacional (Guidotti et al., 201=
8).
Portanto, o Random Forest, por unir desempenho sólido, interpretabilidade e aplicabilidade prática, pode ser=
uma
solução ideal para empresas que desejam incorporar inteligência artificial =
em
suas decisões de forma responsável, transparente e sustentável.
4.5 Barreiras institucionais e o
papel do ambiente regulatório no Brasil
Apesar dos avanços metodológicos
apresentados neste estudo, é necessário reconhecer que fatores instituciona=
is
específicos do ambiente brasileiro podem influenciar significantemente a
conclusão de operações de F&A (Cai et al., 2024), independenteme=
nte
dos determinantes econômicos ou estratégicos identificados pelos modelos
preditivos.
O Brasil caracteriza-se por uma
elevada complexidade regulatória, com sistemas jurídico-tributários que imp=
õem
altos custos de conformidade e incertezas quanto ao tempo de aprovação de
grandes transações, especialmente quando envolvem órgãos como o CADE (Conse=
lho
Administrativo de Defesa Econômica) e a CVM (Comissão de Valores Mobiliário=
s). Vale
enfatizar que a burocracia excessiva, a lentidão nos processos de autorizaç=
ão e
a instabilidade das regras fiscais e societárias constituem obstáculos
relevantes à eficácia das F&A. Esses elementos criam assimetrias
institucionais que não estão integralmente refletidas nas variáveis
tradicionalmente utilizadas em modelos quantitativos, mas que podem comprom=
eter
a taxa de sucesso de negociações. As fragilidades na governança regulatória=
e a
baixa previsibilidade das decisões judiciais ou administrativas tendem a ge=
rar
prêmios de risco informais, impactando tanto o apreçamento quanto a
probabilidade de conclusão de um acordo.
Dessa forma, embora os algoritm=
os de machine
learning demonstrem elevado desempenho preditivo com base em
características observáveis das transações, há um espaço importante para o
aprimoramento dos modelos mediante a incorporação de variáveis que capturem=
o
contexto institucional e regulatório, especialmente em mercados emergentes =
como
o Brasil, nos quais a institucionalidade ainda se mostra volátil e heterogê=
nea.
Considerar essas nuances é fundamental para garantir maior acurácia e utili=
dade
prática dos sistemas preditivos no suporte à tomada de decisão estratégica.=
5
CONSIDERAÇÕES FINAIS
Este estudo teve como objetivo
central avaliar a eficácia de algoritmos de machine learning na pred=
ição
do desfecho de operações de Fusões e Aquisições (F&A) no mercado
brasileiro. A análise demonstrou que, mesmo com um conjunto limitado de
variáveis públicas, os modelos preditivos, em especial as Redes Neurais e o=
Random
Forest, alcançaram um poder de discriminação significativo (AUC > 0,=
70),
validando a abordagem como uma ferramenta robusta e viável para a análise de
F&A.
A principal contribuição desta
pesquisa é dupla. Do ponto de vista teórico-metodológico, o trabalho avança=
na
literatura nacional ao aplicar e comparar sistematicamente técnicas de
inteligência artificial a um problema tradicionalmente dominado por análises
econométricas mais convencionais, preenchendo uma lacuna de estudos prediti=
vos
no contexto de um mercado emergente. Na perspectiva prática, os resultados
oferecem um caminho para que gestores, investidores e assessores financeiros
possam desenvolver ferramentas de suporte à decisão, permitindo uma avaliaç=
ão
de risco mais quantitativa e objetiva e, potencialmente, evitando o
envolvimento em negócios com baixa probabilidade de conclusão.
Não obstante, o estudo possui
limitações que abrem caminhos para investigações futuras. A primeira reside=
na
disponibilidade de dados; a análise foi restrita a um conjunto de nove
variáveis devido à grande quantidade de dados ausentes em outras, uma dific=
uldade
inerente ao estudo de F&A. A performance similar entre os modelos, embo=
ra
robusta, pode ser um reflexo dessa limitação. A segunda limitação é o foco
exclusivo na conclusão da transação como medida de sucesso, desconsiderando=
a
performance da empresa no período pós-fusão.
Diante disso, a agenda de pesqu=
isa
futura é vasta. Estudos subsequentes poderiam enriquecer os modelos com um
leque mais amplo de variáveis, como indicadores macroeconômicos, métricas de
governança corporativa ou dados textuais extraídos de notícias e relatórios
(análise de sentimento), além de dados posteriores ao ano de 2016. Seria
igualmente importante aplicar arquiteturas mais avançadas, como modelos de =
deep learning, ou testar o framework aq=
ui
proposto em outros mercados emergentes para fins comparativos. Por fim, uma
extensão natural seria utilizar o machine learning não apenas para
prever a conclusão do negócio, mas também para estimar a probabilidade de
criação de valor no longo prazo.
Em suma, este trabalho não apen=
as
valida uma nova fronteira analítica para o estudo de F&A no Brasil, mas
também pavimenta o caminho para pesquisas futuras que integrem de forma ain=
da
mais profunda a ciência de dados e as finanças corporativas, buscando respo=
stas
mais precisas para os complexos desafios do mundo dos negócios.
REFERÊNCIAS
Abiodun, O., Jantan, A., =
Omolara, A., Dada, K., Mohamed, N., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A
survey. Heliyon, 4. https://doi.org/10.1016/j.he=
liyon.2018.e00938.
Agresti, A., Kateri, M., & Lovric, M. (2011).
International encyclopedia of statistical science. Categorical Data=
Analysis.
Arsini, L., Straccamore, M.,=
&
Zaccaria, A. (2022). Prediction and visualization of Mergers and Acquisitio=
ns
using Economic Complexity. PLOS ONE, 18.
https://doi.org/10.1371/journal.pone.0283217.
Barney, J. (1991). Special
theory forum the resource-based model of the firm: origins, implications, a=
nd
prospects. Journal of manageme=
nt, 17=
(1),
97-98. https://doi.=
org/10.1177/014920639101700107
Brasil.
(1976). Lei nº 6.404, de 15 de dezembro de 1976. Dispõe sobre as socieda=
des
por ações. Diário Oficial da União.
Brigham, E. F.,
Cai, Y., Kamaşak,
R., & Gorener, R. (2024). Closing the deal
faster: the role of institutions and government involvement in cross-border
M&A completions in Brazil. Critical Perspective=
s on International Business=
.
https://doi.org/10.1108/cpoib-08-2024-0088.
de Melo Santos, N., Ferraz, I. N., Falqueto,
J. M. Z., & Verga, E. (2017). A teoria dos custos de transação nas
pesquisas de estratégia no Brasil. Revista Ibero Americana de Estratégia, 16(2), 4-18. https://doi.org/10.5585=
/riae.v16i2.2437
DeYoung, R., & Huang, M. (2021). The external
effects of bank executive pay: Liquidity creation and systemic risk. <=
i>Journal
of Financial Intermediation, 47, 100920.
Erel, I., Liao, R. C., & Weisbach, M. S. (2012=
).
Determinants of cross‐border mergers=
and
acquisitions. The Jou=
rnal
of finance, 67(3), 1045-1082. https://doi.org/10.1111/j.1540-6261.2012.01741.x
Ermel, M. D. A., &
Ferreira,
D. (2002). Fusões, aquisições e reestruturações de empresas (1ª ed.)=
. Lisboa: Edições Sílabo.
Gaughan, P. A. (2007). Mergers, acquisitions, a=
nd
corporate restructuring (4th ed.). Hoboken, NJ: John Wiley &=
Sons.
GIL, A. C. (2021). Métodos e Técnicas de Pesquisa
Social, 7ª edição.[SI]: Grupo GEN, 2019.
Golubov, A., Petmezas, D., & Travlos,
N. G. (2012). When it=
pays to pay your investment banker: New evidence =
on
the role of financial advisors in M&As. The Journal of Finance<=
/i>, 67(1),
271-311. j.1540-6261. https://doi.org/2011.01712.x
Gomes, E., Ang=
win,
D. N., Weber, Y., & Yedidia Tarba,
S. (2013). Critical success factors through the mergers and acquisitions
process: revealing pre‐and post‐M&A
connections for improved performance. Thunderbird international business review, 55(1),
13-35. https://doi.org/10.1002/tie.21521
Gouveia, L. O.=
D.
(2014). Fusões e
aquisições: desenvolvimento de um modelo de prospecção para bancos comercia=
is.
Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F.,
& Pedreschi, D. (2018). A survey of methods=
for explaining
black box models. ACM computing surveys (CSUR), 51(=
5),
1-42.
Hajek, P., & Henriques=
, R.
(2024). Predicting M&A targets using news sentiment and topic
detection. Technological Forecasting and Social Change.
https://doi.org/10.1016/j.techfore.2024.123270.
Huang, H., Xu, H., & Wu, =
D.
(2024). Signaling or not? The pricing strategy under fairn=
ess
concerns and cost information asymmetry. Eur. J. Oper. Res., 32=
1,
789-799. https://doi.org/10.1016/j.ejor.2024.10.006.
Ikwuo, A., Nworie, G., & Ukoha=
,
A. (2025). Cloud accounting: strategic advantage for m=
aximising
Shareholder wealth in Nigeria’s pharmaceutical sector. Journal of
Governance and Accountability Studies.
https://doi.org/10.35912/jgas.v5i1.2529.
Jensen, M. C., & Meckling, W. H. (2008). Teoria da fi=
rma:
comportamento dos administradores, custos de agência e estrutura de
propriedade. Revista de Administração de Empresas, 48,
87-125.
Jensen, M. C., & Ruback, R. S. (1983). The mar=
ket
for corporate control: The scientific evidence. Journal of Financial
economics, 11(1-4), 5-50. https://doi.org/10.1016/0304-405X(83)90004-1
Kopp, R., Fligge, B., =
& Eulerich, M. (2022). Mergers and acquisitions researc=
h - A
bibliometric analysis. European Management =
Journal. https://doi.org/10.1016/j.emj.2022.09.006.
Corporate
Finance (2011). Pesquisa de Fusões
e Aquisições 2010 – 4º trimestre. Brasil.
Ławryńczuk, M. (2024). Koopman operator-based multi-model for
predictive control. Nonlinear Dynamics. https://doi.org/10.1007/s11071-024-09615-=
7.
Liu, J. (2025). Asymmetric Information: Insights Across Economic and Market Contexts. Advances in Economics, Managem= ent and Political Sciences. https://doi.org/10.54254/2754-1169/2025.21130.<= o:p>
Liu, S., & Yang, C. (2024). Business strategy =
and
M&A transactions. The Quarterly Journal of Finance=
.
https://doi.org/10.1142/s2010139224500058.
https://doi.org/10.7769/gesec.v16=
i6.4970
Ocieszak, M. (2020). Determinants of Companies’
Financial Performance Following M&A Transactions in Poland. Central European Management Journal<=
/i>, 28, 51 - 66. https://doi.org/10.7206/cemj.2658-=
0845.34.
Officer, M., Cousin, J., & De Bodt, E. (2022).=
Financial constraints, ownership dilution,
and the method of payment in M&A transactions. Journal of Corpo=
rate
Finance. https://doi.org/10.1016/j.jcorpfin.2022.102250.
Ray, K. G.
(2022). Mergers and acquisitio=
ns:
Strategy, valuation and integration. PHI Learning Pvt. Ltd.
Saikia, A., Kumar, D., & Mundi, H. (2022).
Domestic, inbound and outbound M&A activity interdependence in
Brazil. Managerial Finance.
https://doi.org/10.1108/mf-03-2022-0146.
Santos, H. G. D., Nascimento, C. F. D., Izbicki, R., Duarte, Y. A. D. O., & Porto Chiaveg=
atto
Filho, A. D. (2019). Machine learning para análises preditivas em saúde:
exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil.&nb=
sp;Cadernos
De saúde pública, 35, e00050818.
Sarker, I. (2021). Machine Learning: Algorithms,
Real-World Applications and Research Directions. Sn Computer Science, 2. https://doi.org/10.1007/s42979-021-00592-x.
Servaes, H., & Zenner, M. (1996). The role of investment banks in acquisitions. =
;The
Review of Financial Studies, 9(3), 787-815.
Spence, M. (1973). l the MIT press. The
Quarterly Journal of Economics, 87(3), 355-374.
Tanure, B., & Cançado, V. L. (2004). Relaciona=
ndo
o motivo da aquisição com diferentes processos de integração cultural. =
;Revista
Economia & Gestão, 4(8).
Tariq, M., Naqvi, S., =
Shahid, Z., Hallo, L., &a=
mp;
Paul, J. (2024). Signaling theory and its
relevance in international marketing: a systematic review and future
research agenda. International Marketing Review.
https://doi.org/10.1108/imr-04-2022-0092.
Verma, J. (2024). The Study of Merger and
Acquisitions: Value Creation and Risk Management. INTERANTIONAL JOU=
RNAL
OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT.
https://doi.org/10.55041/ijsrem31193.
Warde Junior, W. J. (2009). =
Fusão,
cisão, incorporação e temas correlatos. Quartier L=
atin.
Vasconcelos, F. C., Caldas, M. P., & Wood Júni=
or,
T. (2004). Fusões e aquisições no Brasil: uma análise crítica do teatro de
operações. Comport=
amento organizacional e gestão, 10,
43-58.
Zhang, R., &am=
p;
Doukas, J. (2020). Corporate Managerial Ability, Earnings Smoothing, and
Acquisitions. SPGMI: Compustat Fundamentals
(Topic).
https://doi.org/10.2139/ssrn.3854243.
Previsibilidade em
fusões e aquisições no Brasil: uma análise comparativa com algoritmos de
Machine Learning
Edimilson Costa Lucas; Marcio
Quadros Lopes dos Santos; Danilo Braun Santos; Thiago Henriques Fernandes; =
Vinícius
Agusto Brunassi Silva
|
IS=
SN
2237-4558 •<=
/span> Navus • Florianópolis • SC •
v. 16 • p. 01-7 • jan./dez.
2025 |
|
|
|
|
|
ISSN 2237-4558 • Navus • |
|