Un’analisi di 924 banche in 45 Paesi, affiancata da due event study su Intesa Sanpaolo–UBI Banca e UBS–Credit Suisse.
Quando una banca annuncia un’acquisizione, l’attenzione si concentra spesso sul prezzo offerto e sulle dimensioni del nuovo gruppo. Sono elementi importanti, ma lasciano aperte due domande: quali caratteristiche rendono una banca più propensa ad acquisire un altro istituto? E come cambia il giudizio degli investitori quando l’operazione nasce da una strategia di crescita oppure dalla necessità di gestire una crisi?
Ho affrontato questi temi nella mia tesi magistrale alla LUISS Guido Carli, Valutazione delle operazioni di M&A delle principali banche europee: sviluppo di un modello di analisi e validazione empirica. Il lavoro combina un’analisi statistica dei determinanti delle operazioni con lo studio della reazione dei prezzi azionari intorno agli annunci. Le due prospettive aiutano a distinguere la probabilità di partecipare a un’acquisizione dal valore che il mercato attribuisce all’operazione.
Il campione: dalle banche alle osservazioni annuali
Il punto di partenza è un dataset costruito integrando i bilanci di Orbis con le operazioni registrate in Orbis M&A. Il perimetro comprende 924 banche di 45 Paesi europei, considerando l’Europa in senso ampio, nel periodo 2010–2024. Non coincide quindi con il solo sistema bancario dell’Unione europea.
| Indicatore | Valore |
|---|---|
| Banche nel dataset iniziale | 924 |
| Paesi | 45 |
| Periodo del dataset | 2010–2024 |
| Righe del pannello iniziale | 13.860 |
| Osservazioni banca-anno nelle stime | 9.084 |
| Periodo delle stime | 2011–2024 |
| Osservazioni con ruolo di acquirente nelle stime | 843, circa il 9,3% |
| Osservazioni con ruolo di target nelle stime | 115, circa l’1,3% |
Fonte: tesi, Capitoli 3 e 4. Le osservazioni banca-anno con un evento non corrispondono al numero di singole operazioni: una banca può concludere più acquisizioni nello stesso anno.
Ogni riga rappresenta una banca in un determinato anno. Il pannello iniziale mantiene anche le righe con dati di bilancio mancanti; le regressioni utilizzano invece soltanto le osservazioni con informazioni disponibili per le variabili richieste e patrimonio netto positivo. Questo passaggio è rilevante: la dimensione del dataset iniziale non va confusa con quella del campione effettivamente utilizzato per stimare i modelli.
Il metodo: distinguere acquirenti e target
Ho stimato due modelli separati. Nel primo, la variabile da spiegare vale uno quando una banca completa almeno un’acquisizione nell’anno; nel secondo, quando assume il ruolo di target. I modelli logit e probit permettono di collegare questi esiti binari alle caratteristiche economico-finanziarie degli istituti.
Le variabili esplicative comprendono dimensione, misurata attraverso il logaritmo del patrimonio netto, ROE, utile ante imposte, quotazione, rilevanza sistemica e codice di consolidamento. I dati di bilancio entrano con un ritardo di un anno: le caratteristiche osservate prima dell’operazione vengono così distinte dalle variazioni che potrebbero derivare dall’acquisizione stessa. Le variabili continue sono standardizzate; gli effetti annuali controllano gli shock comuni e gli errori standard sono raggruppati per banca.
Questa impostazione misura associazioni statistiche. Il ritardo temporale migliora la lettura dei risultati, ma non permette, da solo, di stabilire un rapporto causale. Una caratteristica associata alla partecipazione alle M&A non è necessariamente la causa dell’operazione.
Chi acquisisce: contano soprattutto le caratteristiche strutturali
Il risultato più stabile riguarda le banche acquirenti. Dimensione, quotazione e rilevanza sistemica presentano un’associazione positiva e statisticamente significativa con la probabilità di acquisire. ROE e utile ante imposte non mostrano invece un’associazione significativa nella specificazione principale.
Per la dimensione, l’effetto marginale medio riportato nella tesi è pari a 5,4 punti percentuali per un incremento di una deviazione standard del logaritmo del patrimonio netto. È una misura della variazione media stimata dal modello: non indica che ogni banca più grande abbia automaticamente la stessa probabilità aggiuntiva di effettuare un’acquisizione.
La lettura economica è che scala, accesso al mercato dei capitali e posizione nel sistema bancario contribuiscono a distinguere gli acquirenti. Una redditività elevata in un singolo esercizio, invece, non basta a identificare chi prenderà parte al consolidamento. Questo non rende i profitti irrilevanti per una decisione aziendale: indica che, nel campione e a parità delle altre variabili considerate, non emerge un contributo statistico autonomo altrettanto solido.
Quanto reggono i risultati fuori campione?
Per valutare il modello oltre l’adattamento ai dati di stima, ho utilizzato una validazione incrociata stratificata a cinque gruppi. La verifica riguarda la specificazione strutturale senza effetti annuali. L’AUC misura la capacità di ordinare correttamente le osservazioni con e senza evento: 0,5 corrisponde al riferimento casuale, mentre 1 indica separazione perfetta. Non è una percentuale di previsioni corrette.
| Modello | AUC in-sample | AUC in validazione | PR-AUC in validazione |
|---|---|---|---|
| Acquirente | 0,731 | 0,730 | 0,323 |
| Target | 0,574 | 0,545 | 0,028 |
Fonte: tesi, Tabella 4.16, risultati logit. La PR-AUC sintetizza il rapporto tra precisione e richiamo; i tassi base degli eventi sono circa 9,3% e 1,3%.
Il modello acquirente mantiene una capacità discriminante moderata e stabile nella validazione adottata. Per il target il quadro è diverso: la performance è debole e non giustifica l’utilizzo del modello come strumento affidabile per individuare future acquisizioni.
La validazione distribuisce le osservazioni in gruppi stratificati; non equivale a una verifica prospettica su anni futuri o su banche interamente nuove. I risultati vanno quindi letti rispetto al disegno adottato, senza trasformarli in una promessa di capacità previsiva operativa.
Le banche target: un’evidenza più fragile
Per le banche acquisite emerge un’associazione negativa tra utile ante imposte e probabilità di diventare target. La direzione è coerente con l’ipotesi che una performance più debole possa accompagnare processi di ristrutturazione. La solidità dell’evidenza, però, è inferiore rispetto al modello acquirente.
Gli eventi sono soltanto 115 nel campione di stima. Inoltre, l’indicatore di rilevanza sistemica genera un problema di separazione e non viene incluso nella specificazione logit principale del target. Questo è un risultato legato alla costruzione del campione, non un’affermazione generale secondo cui una banca sistemica non possa essere acquisita.
Le verifiche comprendono specificazioni alternative, trattamento dei valori estremi del ROE, esclusione di Russia e Turchia e regressione penalizzata di Firth. Nel complesso, il risultato sulle banche acquirenti rimane più stabile; quello sui target richiede prudenza. La correzione di Firth riduce la forza statistica dell’evidenza e non risolve la debole capacità discriminante fuori campione.
La reazione del mercato: due operazioni a confronto
La seconda parte del lavoro analizza Intesa Sanpaolo–UBI Banca e UBS–Credit Suisse. Ho scelto due operazioni con caratteristiche diverse: un consolidamento ordinario e un’acquisizione realizzata in un contesto di crisi. Il confronto serve a capire come il contesto modifichi la lettura dei ruoli di acquirente e target.
L’event study utilizza serie giornaliere Bloomberg. Il rendimento atteso di ciascun titolo è stimato con un market model, usando il FTSE MIB per i titoli italiani e lo Swiss Market Index per quelli svizzeri. La finestra di stima comprende 231 sedute, da 250 a 20 giorni di borsa prima dell’evento. Il giorno zero è il 18 febbraio 2020 per Intesa–UBI e il 20 marzo 2023 per UBS–Credit Suisse, primo giorno di negoziazione utile successivo ai rispettivi annunci.
Il rendimento anomalo è la differenza tra rendimento osservato e rendimento atteso dal modello. Sommando queste differenze nella finestra evento si ottiene il CAR, rendimento anomalo cumulato. Il CAR non coincide con il rendimento composto di un investimento né misura direttamente le sinergie realizzate negli anni successivi.
| Titolo | [-1,+1] | [-3,+3] | [-5,+5] |
|---|---|---|---|
| Intesa Sanpaolo | +1,20% | +1,17% | +1,49% |
| UBI Banca | +25,47% | +28,39% | +39,00% |
| UBS Group | +11,31% | −1,44% | −8,84% |
| Credit Suisse | −55,81% | −68,00% | −82,22% |
Fonte: tesi, Tabelle 5.2 e 5.3, elaborazioni su dati Bloomberg. Le finestre indicano sedute di borsa rispetto al giorno zero. I CAR di UBI e Credit Suisse sono significativi all’1% in tutte le finestre; quello di UBS soltanto nella finestra [-1,+1]. I CAR di Intesa e quelli di UBS nelle finestre più ampie non risultano significativi ai livelli convenzionali.
Intesa–UBI: il premio si concentra sul target
Nel caso italiano, UBI registra un CAR del 25,47% nella finestra di tre sedute e del 39,00% nella finestra di undici sedute. Intesa rimane vicina allo zero, con risultati non statisticamente significativi. L’evidenza è coerente con una rivalutazione del target legata all’offerta, mentre per l’acquirente non emerge una reazione anomala chiaramente distinta dal rumore di mercato.
Questo risultato non prova che l’operazione abbia creato valore di lungo periodo per il gruppo risultante. Descrive il giudizio incorporato nei prezzi intorno all’annuncio, quando gli investitori valutavano corrispettivo, sinergie attese e rischi di integrazione.
UBS–Credit Suisse: il contesto di crisi cambia il risultato
Nel caso svizzero, Credit Suisse presenta un CAR del −55,81% nella finestra [-1,+1]. UBS registra invece un +11,31%, significativo nella stessa finestra. Allargando l’intervallo, il CAR di UBS diventa negativo ma non statisticamente significativo, mentre quello di Credit Suisse raggiunge il −82,22%.
Le finestre più ampie includono anche sedute precedenti all’annuncio: non descrivono semplicemente ciò che è accaduto “dopo” l’acquisizione. Incorporano la crisi, l’incertezza e altre informazioni contemporanee. Per questo non attribuisco l’intera variazione all’operazione né uso il risultato di undici sedute come misura isolata del suo effetto.
Il confronto mostra quanto sia riduttivo aspettarsi sempre un premio per il target. In un salvataggio, le condizioni dell’operazione e lo stato dell’istituto possono portare a una forte penalizzazione degli azionisti della banca acquisita.
Cosa aggiunge il confronto tra i due metodi
L’analisi dei determinanti e l’event study rispondono a domande complementari. La prima individua caratteristiche associate alla partecipazione alle operazioni; il secondo osserva il giudizio del mercato in due casi specifici. Non costituiscono due prove statistiche dello stesso risultato e non permettono di generalizzare a tutte le M&A europee le reazioni dei quattro titoli esaminati.
Il contributo del lavoro sta nel leggere insieme queste due dimensioni. Le caratteristiche strutturali aiutano a comprendere chi partecipa al consolidamento; prezzo, condizioni delle parti e contesto dell’operazione contribuiscono a spiegare come gli investitori la valutano. Per un’analisi finanziaria, mantenere distinta la selezione delle controparti dalla reazione all’annuncio evita di confondere crescita dimensionale e creazione di valore.
Limiti e possibili sviluppi
I principali limiti riguardano la disponibilità dei dati, la rarità degli eventi target, il carattere associativo dei modelli e la selezione di soli due casi per l’event study. Un ampliamento del lavoro potrebbe includere più operazioni, variabili prudenziali e verifiche su periodi successivi, oltre a una validazione che separi esplicitamente banche o intervalli temporali.
Il risultato più convincente resta l’associazione tra caratteristiche strutturali e ruolo di acquirente. Sul target, i dati invitano a conclusioni più caute. È questa differenza, insieme al contrasto tra consolidamento ordinario e salvataggio, che considero il principale insegnamento dell’analisi.
Nota sul progetto. Articolo tratto dalla mia tesi magistrale in Finanza Aziendale Avanzata, LUISS Guido Carli. Relatore: Prof. Arturo Capasso; correlatore: Prof. Andrea Polo. Fonti dei dati: Orbis, Orbis M&A e Bloomberg. I risultati riportati riprendono le elaborazioni della tesi, in particolare le Tabelle 3.1, 4.3, 4.16, 5.1, 5.2 e 5.3. Non costituiscono una nuova stima o un aggiornamento dei dati successivo al periodo analizzato.