Market Reactions to Fintech M&A: Evidence from Event Study Analysis of Financial Institutions
Notice bibliographique
Résumé
The rise of fintech has disrupted traditional financial services, prompting banks and asset managers to respond strategically, often through mergers and acquisitions. This study investigates the short-term market reaction to M&A announcements involving fintech targets by incumbent financial institutions. Using an event study methodology centered on different event windows and cumulative abnormal returns computed via the market model, the analysis incorporates regression models with bidder-, deal-, and target-level variables to identify the drivers of performance. The results show that, on average, financial institutions experience negative abnormal returns around announcement dates, suggesting limited short-term value creation. Higher market-to-book ratios and tax rates are positively associated with CARs, while lower profit margins are linked to better market reactions. Subsample comparisons reveal that U.S. acquirers underperform their European peers, commercial banks fare worse than asset managers and investment banks, and pre-COVID-19 deals yield more favorable returns than post-COVID-19 ones. Robustness checks using different market benchmarks demonstrate that key patterns—especially those related to geography and timing—are sensitive to benchmark selection. Overall, this study highlights market skepticism toward fintech acquisitions by traditional financial institutions, particularly in specific contexts, and emphasizes the importance of controlling for structural factors when interpreting abnormal returns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».