Publicação
Private equity-backed public-to-private transaction activity : a machine learning approach to quarterly deal volume prediction in the US
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 08:Trabalho Digno e Crescimento Económico | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Tran, Dan | |
| dc.contributor.author | Kwiedor, Sebastian | |
| dc.date.accessioned | 2025-11-24T12:38:22Z | |
| dc.date.available | 2025-11-24T12:38:22Z | |
| dc.date.issued | 2025-06-23 | |
| dc.date.submitted | 2025-06-01 | |
| dc.description.abstract | This thesis addresses a critical gap in private equity research by developing quantitative models to forecast quarterly PE-backed public-to-private (P2P) transaction volumes in the United States. While extensive literature exists on firm-level takeover prediction, systematic approaches to forecasting aggregate PE deal activity remain largely unexplored. This study employs machine learning techniques to predict quarterly P2P deal counts using a comprehensive dataset spanning 1986-2024, incorporating 152 macroeconomic and financial variables. The methodology implements three distinct modeling paradigms4Lasso regression, Random Forest, and XGBoost4within a rigorous time-series cross-validation framework. Variables were systematically processed through principal component analysis to address multicollinearity while preserving economic interpretability. Feature engineering incorporated temporal dynamics through Fourier transforms, momentum indicators, and multi-scale rolling statistics. Results demonstrate modest but consistent predictive improvements over naive baselines, with mean absolute error reductions of 3-9.8% and R² values ranging from 0.145-0.254. Lasso regression emerged as the most balanced approach, maintaining interpretability while achieving competitive accuracy. The analysis reveals strong path dependence in PE activity, with lagged deal counts and momentum indicators consistently ranking as top predictors. Multi-scale temporal patterns, including seasonal and decade-long cycles, contribute significantly to forecast accuracy. | eng |
| dc.description.abstract | Esta tese aborda uma lacuna crítica na pesquisa de private equity ao desenvolver modelos quantitativos para prever volumes trimestrais de transações public-to-private (P2P) apoiadas por PE nos Estados Unidos. Embora exista extensa literatura sobre previsão de aquisições ao nível da empresa, abordagens sistemáticas para prever a atividade agregada de transações de PE permanecem largamente inexploradas. Este estudo emprega técnicas de machine learning para prever contagens trimestrais de transações P2P usando um conjunto de dados abrangente de 1986-2024, incorporando 152 variáveis macroeconômicas e financeiras. A metodologia implementa três paradigmas de modelagem distintos4regressão Lasso, Random Forest e XGBoost4dentro de uma estrutura rigorosa de validação cruzada em séries temporais. As variáveis foram sistematicamente processadas através de análise de componentes principais para abordar a multicolinearidade preservando a interpretabilidade econômica. A engenharia de características incorporou dinâmicas temporais através de transformadas de Fourier, indicadores de momentum e estatísticas móveis multi-escala. Os resultados demonstram melhorias preditivas modestas mas consistentes sobre baselines ingênuas, com reduções de erro absoluto médio de 3-9.8% e valores de R² variando de 0,145- 0,254. A regressão Lasso emergiu como a abordagem mais equilibrada, mantendo interpretabilidade enquanto alcançava precisão competitiva. A análise revela forte dependência de trajetória na atividade de PE, com contagens defasadas de transações e indicadores de momentum consistentemente classificados como preditores principais. Padrões temporais multi-escala, incluindo ciclos sazonais e decenais, contribuem significativamente para a precisão das previsões. | por |
| dc.identifier.tid | 203972520 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/55697 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Aprendizado de máquina | |
| dc.subject | Aquisição | |
| dc.subject | Aquisição alavancada | |
| dc.subject | Buyout | |
| dc.subject | Capital privado | |
| dc.subject | Fechamento de capital | |
| dc.subject | Going-private | |
| dc.subject | Leveraged buyout | |
| dc.subject | Machine learning | |
| dc.subject | Private equity | |
| dc.subject | Privatização | |
| dc.subject | Public-to-private | |
| dc.title | Private equity-backed public-to-private transaction activity : a machine learning approach to quarterly deal volume prediction in the US | eng |
| dc.title.alternative | Atividade de transações public-to-private apoiadas por private equity : uma abordagem de machine learning para previsão de volume trimestral de transações nos Estados Unidos | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Finanças (mestrado internacional) |
Ficheiros
Principais
1 - 1 de 1