DALLA DIVULGAZIONE ALLA PREVISIONE: SFRUTTARE L’LLM PER ANALISI DI M&A

Mergers and acquisitions (M&A) are a fundamental tool for the growth and strategic repositioning of companies. Despite the vast literature on the subject, the ability to predict which companies will be the subject of acquisitions remains a complex challenge. The advent of artificial intelligence, and in particular Large Language Models (LLMs), offers new possibilities for analysis thanks to their ability to process unstructured text and identify predictive signals in corporate disclosures. This thesis develops an experimental model that integrates textual analysis with financial indicators, based on rules that ensure transparency and replicability. The results show that the combination of linguistic and strictly economic signals improves the accuracy of predictions compared to traditional models. However, the method has limitations in detecting minor acquisitions or those intentionally concealed for competitive reasons. The main contribution of the research is to offer an innovative and interpretable approach to the predictive analysis of M&A transactions, capable of complementing—rather than replacing—the analyst's judgment. In this sense, the work represents a step toward greater integration of artificial intelligence in corporate finance.

Le operazioni di fusione e acquisizione (M&A) rappresentano uno strumento fondamentale per la crescita e il riposizionamento strategico delle imprese. Nonostante la vasta letteratura sul tema, la capacità di prevedere quali aziende saranno protagoniste di acquisizioni rimane una sfida complessa. L’avvento dell’intelligenza artificiale, e in particolare dei Large Language Models (LLM), offre nuove possibilità di analisi grazie alle capacità di elaborare testi non strutturati e individuare segnali predittivi nelle disclosure aziendali. Questa tesi sviluppa un modello sperimentale che integra l’analisi testuale con indicatori finanziari, basato su regole che garantiscono trasparenza e replicabilità. I risultati mostrano che la combinazione tra segnali linguistici e strettamente economici migliora l’accuratezza delle previsioni rispetto ai modelli tradizionali. Tuttavia, il metodo incontra dei limiti nella rilevazione di acquisizioni minori o intenzionalmente celate per ragioni di competitività. Il contributo principale della ricerca consiste nell’offrire un approccio innovativo e interpretabile all’analisi predittiva delle operazioni di M&A, capace di affiancare – e non sostituire – il giudizio dell’analista. In questo senso, il lavoro rappresenta un passo verso una maggiore integrazione dell’intelligenza artificiale nella finanza aziendale.