ETD

• corporate finance
• ESG
• high growth
• M&A
• machine learning
• neural networks
• panel data
• quantitative methods
• sustainability
• systematic risk

This thesis consists of three empirical studies in corporate finance. Although the papers address different topics, they are all connected by a common interest in sustainability and by the use of advanced quantitative methods. The first study investigates how ESG performance is related to the probability of firms becoming high-growth companies, suggesting that sustainability and rapid growth may be difficult to pursue at the same time in the short run. The second study focuses on mergers and acquisitions and examines whether these transactions can improve or worsen the sustainability profile of acquiring firms, using machine learning techniques. The third study develops an interpretable neural network model to forecast the systematic risk of listed companies. Overall, the thesis shows how econometrics, machine learning and neural networks can be used to better understand and predict complex issues in corporate finance.

La tesi raccoglie tre studi empirici nell’ambito della finanza aziendale, accomunati dall’impiego di metodi quantitativi avanzati e dal focus sulla sostenibilità. Il primo studio analizza il rapporto tra performance ESG e imprese ad alta crescita, evidenziando un possibile trade-off di breve periodo tra investimenti sostenibili e rapida espansione aziendale. Il secondo esamina le operazioni di fusione e acquisizione come strumento per modificare il profilo di sostenibilità delle imprese, sviluppando modelli di machine learning per prevederne gli effetti post-deal. Il terzo propone una rete neurale interpretabile per stimare il rischio sistematico delle imprese quotate, superando i limiti dei tradizionali modelli basati sui rendimenti storici. Il presente lavoro mostra come econometria, machine learning e reti neurali possano contribuire sia alla previsione sia all’interpretazione di fenomeni complessi in finanza aziendale.