M&APedia · Recherche
Prédire les rachats : nos résultats face à la recherche académique
Quelles sociétés deviendront cibles ou acquéreurs, et quelle cible pour quel acquéreur ? Nos résultats paraissent meilleurs que ceux de la littérature, sans leur être comparables chiffre à chiffre. Ce qui est solide, et ce qui ne l'est pas.
01Ce que nous avons trouvé, et ce que cela vaut
Nous menons deux recherches dans M&APedia. La première cherche, parmi les sociétés françaises, celles qui ont le plus de chances de devenir cible ou acquéreur dans les trois ans. La seconde cherche, pour un acquéreur donné, les sociétés qui ressemblent assez à ses cibles passées pour figurer dans sa liste. Sur les deux, nos résultats paraissent meilleurs que ceux que rapporte la littérature académique. « Paraissent » est le mot juste : les protocoles diffèrent, nous n'avons pas rejoué les méthodes publiées sur nos données, et la comparaison reste qualitative.
Cet article présente les deux thèmes de façon pédagogique, donne les résultats mesurés, les met en regard des travaux académiques, et dit ce qui reste fragile. Le détail complet, exercice par exercice, est dans M&APedia.
02Deux questions, deux modèles
| Thème | La question | Ce que l'on produit |
|---|---|---|
| Scoring prédictif | Quelle société a le plus de chances de devenir cible, acquéreur, ou de recevoir une prise de participation, dans les trois ans ? | Un score par société, calculé sur ses comptes, son dirigeant, son actionnariat et son secteur |
| Identification de paires | Pour un acquéreur, quelles autres sociétés ressemblent à celles qu'il a déjà rachetées ? | Un classement de sociétés, de la plus proche à la moins proche de ses cibles passées |
Le scoring fonctionne comme un tri : il dit où chercher en premier. Les paires fonctionnent comme une mise en relation : elles disent qui regarder pour tel acquéreur. Aucun des deux ne dit qu'une société est à vendre.
03Thème 1 : le scoring prédictif
Un modèle d'apprentissage (un gradient boosting) lit, pour chaque société, ses comptes annuels, l'âge et l'ancienneté de son dirigeant, son actionnariat, son secteur et sa filière. Il apprend sur le passé quelles combinaisons ont précédé une cession, une acquisition ou une prise de participation, puis note plus de 270 000 sociétés.
L'épreuve qui compte : on fige le modèle, on lui fait noter des comptes qu'il n'a jamais vus, puis on attend trois ans pour voir qui a réellement été cédé, ou a réellement acquis.
| Rôle | Taux réel, toutes sociétés | Taux réel, top 5 % des scores | Gain | AUC |
|---|---|---|---|---|
| Devient cible | 2,5 % | 8,5 % | × 3,5 | 0,70 |
| Devient acquéreur | 2,4 % | 15,0 % | × 6,3 | 0,77 |
Comptes 2021, fenêtre de trois ans complète. Sur les comptes 2022 et 2023, dont la fenêtre n'est pas terminée, l'AUC atteint 0,75 à 0,81 : nous retenons l'exercice 2021, plus prudent.
Comment lire ces chiffres
L'AUC mesure la capacité à classer une société qui sera cible avant une qui ne le sera pas : 0,5 correspond au hasard, 1 à un classement parfait. 0,70 est un classement utile, pas une prédiction. Autre lecture : dans le top 5 %, 8,5 % deviennent cibles, donc plus de 9 sur 10 ne le deviennent pas. Une cession reste un événement rare, et le score aide à trier, pas à désigner.
Un troisième rôle, la prise de participation au capital (fonds ou société), atteint des AUC plus élevés (0,79 à 0,92 selon l'exercice). Nous le lisons avec prudence : l'événement est encore plus rare, autour de 0,4 % à 0,5 % des sociétés.
04Thème 2 : l'identification de paires acquéreur-cible
Nous partons de 9 859 paires réelles (un acquéreur, la société qu'il a rachetée), dont 5 119 acquisitions dites stratégiques : un industriel achète pour l'activité. Pour chaque vraie paire, le modèle voit aussi de fausses paires (des cibles tirées au hasard dans le même secteur ou la même filière) et apprend ce qui distingue la vraie : activités exercées, technologies, filières clientes, localisation, âge, taille du groupe.
Nous le réservons aux acquisitions stratégiques. Pour les opérations de fonds, le choix répond à des critères financiers que l'activité décrit mal : le classement ne fait guère mieux que le hasard (22 % contre 10 % dans les dix premières sur cent) et n'est pas assez fiable pour être proposé.
| La vraie cible est dans… | Hasard | Épreuve du temps | Épreuve de la filiale cachée |
|---|---|---|---|
| les 10 premières | 0,14 % | 10,5 % | 12,5 % |
| les 50 premières | 0,69 % | 24,0 % | 31,7 % |
| les 200 premières | 2,8 % | 38,0 % | 46,2 % |
| les 500 premières | 6,9 % | 47,0 % | 59,6 % |
Réservoir de 7 263 sociétés dans les deux épreuves.
- L'épreuve du temps. Le modèle apprend uniquement sur les paires antérieures à 2025. On lui présente 200 acquisitions stratégiques de 2025-2026 en lui cachant la cible.
- L'épreuve de la filiale cachée. Sur 104 acquisitions où la cible est documentée comme filiale du groupe, nous la retirons de la liste de ses filiales et demandons au modèle de la retrouver à partir du profil des activités restantes. Il n'a jamais vu cette paire. Rang médian : 228 sur 7 263, soit parmi les 3 % les mieux classées.
05Face à la recherche académique
Le premier thème s'inscrit dans une littérature ancienne, le second dans une littérature plus récente. Voici ce que nous en retenons, sans prétendre à une comparaison chiffre à chiffre.
| Sujet | Ce que montre la recherche | Ce que nous mesurons |
|---|---|---|
| Prédire les cibles | Palepu (1986) pose le cadre : une régression logistique sur des sociétés cotées. Ragothaman et coll. (2003) testent l'apprentissage automatique sur 65 sociétés rachetées et 65 non rachetées. Tunyi (2021), sur cinquante ans de travaux, conclut que les cibles se prédisent avec une précision limitée, malgré des méthodes de plus en plus sophistiquées. | Un gradient boosting appris sur des milliers de cessions réelles, appliqué à plus de 270 000 sociétés non cotées, évalué sur des exercices non vus et au taux de base réel (environ 2,5 %). AUC de 0,70 à 0,81 selon le rôle. |
| Retrouver la cible d'un acquéreur | Hoberg et Phillips (2010) : les transactions sont plus probables entre sociétés aux produits proches. Bena et Li (2014) : même résultat sur les brevets. Albora et coll. (2024) retrouvent la cible d'un acquéreur à partir des brevets, avec 200 contre-exemples tirés au hasard par opération. | Activités déclarées, technologies, filières clientes, localisation, sans brevets. La vraie cible est à retrouver parmi 7 263 sociétés : 24 % dans les 50 premières, contre 0,7 % au hasard. |
| Apprentissage profond | Yang (2024) propose des réseaux dynamiques d'industrie (TDIN) qui modélisent l'effet de pairs et prédisent chaque transaction sans rééquilibrer les données. | Pas d'apprentissage profond : trop peu de paires, et il faut pouvoir expliquer pourquoi une société est proposée. L'effet de pairs n'est pas modélisé : c'est une piste. |
Ce que la comparaison permet de dire
Notre protocole est plus exigeant que les protocoles à échantillon apparié, qui opposent autant de cibles que de non-cibles : population réelle, non rééquilibrée, évaluation dans le temps. Pour les paires, le nombre de candidats est bien plus grand que dans le protocole d'Albora et coll. (7 263 contre environ 200). C'est pourquoi nous jugeons nos chiffres, modestes en valeur absolue, plutôt solides.
Ce qu'elle ne permet pas de dire
Que notre modèle est meilleur. Populations, périodes et définitions de la cible diffèrent, et les publications rapportent souvent de la précision ou un score F1 quand nous rapportons une AUC et un gain. Nous n'avons rejoué ni Palepu, ni MASS, ni TDIN sur nos données : c'est le test qui manque.
Une hypothèse sur l'avantage apparent : nous disposons de données que les études classiques n'ont pas (âge et ancienneté du dirigeant, actionnariat, comptes de PME non cotées) et d'un échantillon sans commune mesure. Ce serait alors moins une meilleure méthode que de meilleures données.
06Ce qui reste fragile
- Un écart entre apprentissage et test. Pour le rôle de cible, l'AUC est de 0,85 sur les données d'apprentissage et de 0,70 sur les comptes non vus : le modèle retient en partie le passé par cœur. Seul le test compte, c'est lui que nous publions.
- Des événements encore en cours d'observation. Pour les exercices 2022 et 2023, les trois années de suivi ne sont pas écoulées.
- Un modèle plus à l'aise avec les grandes sociétés. La cession y est plus fréquente et mieux documentée. Les sociétés de moins de 500 k€ de chiffre d'affaires ne sont pas notées.
- Des paires qui manquent souvent la cible. Dans les dix premières propositions, la vraie cible ne figure que dans 10 % des cas. Les acquéreurs qui achètent souvent et diversifient leurs achats sont moins bien classés (26 % contre 47 % pour les primo-acquéreurs), et le motif d'achat n'est pas prévisible.
- Des listes, pas des mandats. Une proposition est une société proche par son profil, pas une société à vendre. Elle se croise avec la situation de la société et le signal de cession.
07Aller plus loin
Dans M&APedia, écran « Influenceurs clés », l'onglet Scoring prédictif donne la preuve exercice par exercice, les taux par tranche de chiffre d'affaires et les cas confirmés ; l'onglet Identification paires acquéreur-cible détaille les deux épreuves, les blocs d'information qui comptent et les limites. Les propositions de cibles, acquéreur par acquéreur, sont disponibles dans Xplore Le Canari Noir.
La question que nous posons aux chercheurs et aux praticiens : quelle méthode publiée voudriez-vous voir rejouée sur nos données, pour mesurer l'écart réel ?
Note de méthode
Horizon de prédiction : trois ans. Le gain (ou lift) rapporte le taux réel observé dans le top 5 % des scores au taux de l'ensemble de la population. L'AUC est calculée hors échantillon, sur des comptes postérieurs à ceux de l'apprentissage. Le scoring porte sur les sociétés de plus de 500 k€ de chiffre d'affaires. Pour les paires, le réservoir de 7 263 sociétés est celui des cibles candidates de l'épreuve du temps. Les chiffres sont ceux affichés dans M&APedia en octobre 2026.
Références
- Palepu K. G. (1986), « Predicting takeover targets: a methodological and empirical analysis », Journal of Accounting and Economics, 8(1), 3-35.
- Ragothaman S., Naik B., Ramakrishnan K. (2003), « Predicting corporate acquisitions: an application of uncertain reasoning using rule induction », Information Systems Frontiers, 5(4), 401-412.
- Tunyi A. A. (2021), « Fifty years of research on takeover target prediction: a historical perspective », Qualitative Research in Financial Markets, 13(4), 482-502.
- Hoberg G., Phillips G. (2010), « Product market synergies and competition in mergers and acquisitions: a text-based analysis », Review of Financial Studies, 23(10), 3773-3811.
- Bena J., Li K. (2014), « Corporate innovations and mergers and acquisitions », Journal of Finance, 69(5), 1923-1960.
- Albora G., Straccamore M., Zaccaria A. (2024), « Machine learning-based similarity measure to forecast M&A from patent data », arXiv:2404.07179 ; version publiée : PLOS ONE (2026), doi:10.1371/journal.pone.0341010.
- Yang D. (2024), « A deep learning method for predicting mergers and acquisitions: temporal dynamic industry networks », arXiv:2404.07298.
- Résultats du Canari Noir : M&APedia, écran « Influenceurs clés », octobre 2026.
Éclairages · Le Canari Noir · Intelligence industrielle