Predictability in Mergers and Acquisitions in Brazil: A Comparative Analysis Using Machine Learning Algorithms
DOI:
https://doi.org/10.22279/navus.v16.2158Abstract
Mergers and Acquisitions (M&A) are high-impact corporate strategies, yet they are marked by uncertainty regarding their completion. Given the scarcity of empirical studies focused on prediction in Brazil, this paper aims 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 measured 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 = 0.7416). This study contributes to the literature by demonstrating the feasibility of applying artificial intelligence techniques to M&A analysis in emerging markets, offering a quantitative method that can enhance strategic decision-making and risk management.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Edimilson Costa Lucas, Márcio Quadro Lopes dos Santos, Danilo Braun Santos, Thiago Henriques Fernandes, Vinícius Augusto Brunassi Silva
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O conteúdo da revista é de acesso público e gratuito, podendo ser compartilhado de acordo com os termos da Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil. Você tem a liberdade de compartilhar — copiar, distribuir e transmitir a obra, sob as seguintes condições:
a) Atribuição — a atribuição deve ser feita quando alguém compartilhar um de seus artigos e deve sempre citar o nome da revista e o endereço do conteúdo compartilhado.
b) Uso não-comercial — você não pode usar esta obra para fins comerciais.
c) Vedada à criação de obras derivadas — você não pode alterar, transformar ou criar em cima desta obra.
Ficando claro que:
Renúncia — qualquer das condições acima pode ser renunciada se você obtiver permissão do titular dos direitos autorais. Domínio Público — onde a obra ou qualquer de seus elementos estiver em domínio público sob o direito aplicável, esta condição não é, de maneira alguma, afetada pela licença.
Outros Direitos — os seguintes direitos não são, de maneira alguma, afetados pela licença:
- Limitações e exceções aos direitos autorais ou quaisquer usos livres aplicáveis;
- os direitos morais do autor;
- direitos que outras pessoas podem ter sobre a obra ou sobre a utilização da obra, tais como direitos de imagem ou privacidade.
Aviso — para qualquer reutilização ou distribuição, você deve deixar claro a terceiros os termos da licença a que se encontra submetida esta obra.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
Os trabalhos publicados passam a ser propriedade da revista Navus: Revista de Gestão e Tecnologia que deve ser consignada a fonte de publicação original. Os originais não serão devolvidos aos autores.
As opiniões emitidas pelos autores nos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada sob uma Creative Commons Atribuição-Uso não-comercial-Vedada a criação de obras derivadas 4.0 Brasil.
