AI-Driven Valuation Techniques in Cross-Border Mergers and Acquisitions: Enhancing Accuracy in Emerging Markets
Petro-Korhonen El Bouchtili, Saana (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025052114176
https://urn.fi/URN:NBN:fi:amk-2025052114176
Tiivistelmä
Tässä opinnäytetyössä tarkasteltiin tekoälypohjaisten arvonmääritysmenetelmien soveltuvuutta rajat ylittävissä yritysostoissa kehittyvillä markkinoilla. Tavoitteena oli selvittää, voiko Random Forest -regressiomalliin perustuva koneoppimismenetelmä parantaa yrityksen arvonmäärityksen tarkkuutta verrattuna perinteiseen EV/EBITDA-kertoimeen.
Tutkimusaineistona käytettiin 56 toteutunutta yritysjärjestelyä Orbis-tietokannasta vuosilta 2014–2024. Näistä 40 tapausta käytettiin tekoälymallin kouluttamiseen ja 16 sen ennustetarkkuuden testaamiseen. Tuloksia mitattiin muun muassa MAE-, MSE-, RMSE-, MPE- ja MAPE-virhemittareilla. Malli osoitti parempaa ennustetarkkuutta erityisesti silloin, kun käytettävissä oli laadukasta ja kattavaa dataa.
Tutkimuksen johtopäätöksenä todetaan, että tekoäly voi toimia hyödyllisenä täydentävänä työkaluna yritysjärjestelyjen arvonmäärityksessä, mutta se ei korvaa asiantuntija-arviointia. Mallin tuoma lisäarvo riippuu vahvasti käytettävän datan kattavuudesta ja laadusta, ja sen soveltuvuus voi jäädä rajalliseksi tilanteissa, joissa tietopohja on hajanaista tai kontekstiltaan rajoittunutta. Tulevassa tutkimuksessa tulisi kehittää mallien tulkittavuutta ja arvioida niiden sovellettavuutta erilaisissa markkinaympäristöissä. This thesis examined the applicability of AI-driven valuation methods in cross-border mergers and acquisitions (M&As) in emerging markets. The objective was to determine whether a machine learning approach based on the Random Forest regression model could enhance the accuracy of company valuation compared to the traditional EV/EBITDA multiple.
The study was based on 56 completed M&A transactions sourced from the Orbis database covering the years 2014–2024. Of these, 40 cases were used to train the AI model and 16 to test its predictive performance. Accuracy was evaluated using several error metrics, including Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Percentage Error (MPE), and Mean Absolute Percentage Error (MAPE). The model demonstrated improved accuracy, particularly when comprehensive and high-quality data was available.
The findings suggest that artificial intelligence can serve as a valuable complementary tool in M&A valuation processes, but it does not replace expert judgment. The added value of the model depends significantly on the quality and scope of the available data, and its applicability may be limited in cases where the data is fragmented or context-specific. Future research should focus on improving model interpretability and assessing the use of AI-based methods in different market environments.
Tutkimusaineistona käytettiin 56 toteutunutta yritysjärjestelyä Orbis-tietokannasta vuosilta 2014–2024. Näistä 40 tapausta käytettiin tekoälymallin kouluttamiseen ja 16 sen ennustetarkkuuden testaamiseen. Tuloksia mitattiin muun muassa MAE-, MSE-, RMSE-, MPE- ja MAPE-virhemittareilla. Malli osoitti parempaa ennustetarkkuutta erityisesti silloin, kun käytettävissä oli laadukasta ja kattavaa dataa.
Tutkimuksen johtopäätöksenä todetaan, että tekoäly voi toimia hyödyllisenä täydentävänä työkaluna yritysjärjestelyjen arvonmäärityksessä, mutta se ei korvaa asiantuntija-arviointia. Mallin tuoma lisäarvo riippuu vahvasti käytettävän datan kattavuudesta ja laadusta, ja sen soveltuvuus voi jäädä rajalliseksi tilanteissa, joissa tietopohja on hajanaista tai kontekstiltaan rajoittunutta. Tulevassa tutkimuksessa tulisi kehittää mallien tulkittavuutta ja arvioida niiden sovellettavuutta erilaisissa markkinaympäristöissä.
The study was based on 56 completed M&A transactions sourced from the Orbis database covering the years 2014–2024. Of these, 40 cases were used to train the AI model and 16 to test its predictive performance. Accuracy was evaluated using several error metrics, including Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Percentage Error (MPE), and Mean Absolute Percentage Error (MAPE). The model demonstrated improved accuracy, particularly when comprehensive and high-quality data was available.
The findings suggest that artificial intelligence can serve as a valuable complementary tool in M&A valuation processes, but it does not replace expert judgment. The added value of the model depends significantly on the quality and scope of the available data, and its applicability may be limited in cases where the data is fragmented or context-specific. Future research should focus on improving model interpretability and assessing the use of AI-based methods in different market environments.