модель с рыночной скорректированной доходностью, в которой ожидаемая доходность ценной бумаги на протяжении окна событий совпадает с доходностью соответствующих фондовых индексов, на которых торгуются акции компаний-покупателей, :

рыночная модель (MacKinlay, 1997, стр. 18), использующая линейную зависимость между доходностью рынка и доходностью ценной бумаги, которую можно представить в виде однофакторной регрессионной модели:

где константа и коэффициент оцениваются с использованием метода наименьших квадратов (МНК), трехфакторная модель Фамы-Френча (Fama, French, 1993) оценивает влияние сразу нескольких факторов: доходность рынка , безрисковой ставки , размер компании , отношении балансовой стоимости активов к капитализации компании:

,

где константа и коэффициенты оцениваются при помощи МНК,



Размещено на http://www.allbest.ru/

Рисунок 6. Исследуемый период времени в событийном анализе

Источник: расчеты автора

При этом особое внимание уделяется определению продолжительности исследуемого периода времени. На основе анализа научно-теоретической литературы, были выбраны следующие дни (Рисунок 6): . Заметим, что для построения модели со средней скорректированной доходностью, рыночной модели и трехфакторной модели Фамы-Френча необходимо использовать ежедневные котировки акций. Другими словами, временные периоды отражают дни, когда проводились торги по акциям компаний, для исключения возможных нарушений предпосылок вышеуказанных моделей.

После поиска аномальной доходности для каждой из компании в отдельности, полученные показатели усредняют для определения средней аномальной доходности (AXR) по всей выборке:

где N - количество событий в выборке (в данном случае 35).

Более того, с целью оценки динамики доходности в течение некоторого периода времени часто агрегируют данные временного ряда. Как правило, считают кумулятивную среднюю аномальную доходность (CAXR):



где в рамках настоящего исследования были выбраны следующие параметры и .

Наконец, представляется интересным проверить нулевую гипотезу о равенстве среднего показателя аномальных доходностей акций нулю в окне событий. Другими словами, нулевая гипотеза утверждает, что сделки слияния и поглощения не оказывают значимого влияния на среднюю доходность. Также важно проанализировать период как до анонсирования сделки, так и после. Во-первых, рынок мог «спрогнозировать» данное событие до его публичного объявления и учесть часть аномальной доходности. Во-вторых, рынок мог отреагировать после объявления события, поскольку рынку требуется некоторое время для отражения новой информации в ценах акций. Следовательно, чтобы оценить результативность сделок требуется проанализировать временной период вокруг события.

Для проверки нулевой гипотезы, необходимо сравнить критическое значение тестовой статистики ) с соответствующими уровнями значимости. В частности, если критическое значение статистики превышает уровень значимости, то отвергается. При этом тестовая статистика рассчитывается по следующей формуле (Brown, Warner, 1985, стр. 7):

,

где .

Для кумулятивной аномальной доходности также рассматривают аналогичную гипотезу о равенстве ее нулю, и используют следующую тестовую статистику для определения уровня статистической значимости:

Заметим, что вышеуказанную тестовую статистику можно использовать, если независимо и одинаково распределены, а также подчиняются нормальному закону распределения. Также в работе (Brown, Warner, 1985, стр. 10) было продемонстрировано, что при рассмотрении более 30 событий распределение стремиться к нормальному согласно центральной предельной теореме. Таким образом, исследуемые параметрические тесты можно считать корректно специфицированными, поскольку количество анализируемых событий в финальной выборке превышает 30.



Глава 3. Описательная статистика и результаты тестирования

3.1 Описательная статистика итоговой выборки, используемой для определения факторов, влияющих на стоимость компаний-целей

Для более полного представления структуры наблюдений проиллюстрируем основные характеристики итоговой выборки. Во-первых, обратим внимание на распределение количества сделок по годам и по регионам поглощаемых компаний (График 5).

График 5. Итоговая выборка в разрезе лет и регионов компаний-целей в сделках

Источник: расчеты автора Примечание: сделки за 2016г. включают сделки, закрытые или анонсированные в первые три месяца (1-ый квартал)

Заметим, что большая часть итоговой выборки представлена наблюдениями за период 2014-2015гг., что обусловлено улучшением качества доступной информации по сделкам в последние несколько лет. При этом большая часть сделок была осуществлена с участием компаний-целей, расположенных в Азиатско-Тихоокеанском регионе, что объясняется структурой исследуемого рынка (Рисунок 2).

Особое внимание необходимо уделить описанию структуры выборки по типам-компаний целей (График 6), а также по игровым платформам (График 7) и видам производимого контента (График 8), поскольку именно эти факторы выступают основными параметрами статистических моделей.

Во-первых, на графике 6 четко прослеживаются различия в оценках стоимости компаний из разных сегментов рынка видеоигр, где наибольшие значения мультипликатора (EV/Revenue) имеют операторы видеоигр, обслуживающие Интернет сервера. Большая часть наблюдений покрывает сделки с участием компаний-целей, являющихся разработчиками, операторами или производителями ПО и аппаратного обеспечения. Более того, распределение сделок между сегментами не содержит значимых выбросов и в целом соответствует структуре рынка видеоигр.

График 6. Анализ выборки по типам компаний-целей

Источник: расчеты автора при использовании языка программирования R

Примечания: (*) Розница - Розничный продавец; (**) Слева на графике представлены коробчатые диаграммы, отображающие медиану (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов



График 7. Анализ выборки по платформам разрабатываемых игр

Источник: расчеты автора при использовании языка программирования R

Примечания: (*) Слева на графике представлены коробчатые диаграммы, отображающие медиану (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов

График 8. Анализ выборки по видам разрабатываемых игр

Источник: расчеты автора при использовании языка программирования R

Примечания: (*) Слева на графике представлены коробчатые диаграммы, отображающие медиана (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов

Итоговая выборка, содержащая 200 наблюдений, включает самые крупные игровые платформы (График 7) и самые популярные среди пользователей типы игр (График 8) на рынке. Также сама структура выборки соответствует рыночной, в частности, наблюдается преобладание онлайн игр (ММО и социальные) над оффлайн играми. Наконец, классификация, используемая при обработке данных, соответствует системе, устоявшейся на рынке в последние несколько лет. Все вышеуказанные факторы говорят о репрезентативности итоговой выборки, а значит, результаты, полученные при ее анализе можно экстраполировать на всю генеральную совокупность, т.е. рынок видеоигр.

3.2 Описательная статистика итоговой выборки, используемой для анализа эффективности сделок слияния и поглощения

Как можно заметить из Графика 9, выборка характеризуется неоднородностью, что обусловлено небольшим количество сделок с участием публичных компаний-покупателей и компаний-целей, являющихся операторами или разработчиками, на рынке видеоигр (только 12,5% от общего числа сделок).

График 9. Итоговая выборка в разрезе лет и регионов компаний-целей в сделках

Источник: расчеты автора

Как было отмечено выше в работе (2.1 см. примечание), анализ эффективности сделок слияния и поглощения на рынке видеоигр ограничен рассмотрением сделок с участием операторов или разработчиков игр в качестве компаний-целей.

Заметим, что при исследовании «нормальной» доходности при помощи рыночной модели, модели с рыночной скорректированной доходностью и модели Фамы-Френча необходимо указать рыночную доходность. В качестве рыночной доходности в рамках данной работы используются доходы соответствующих фондовых индексов (Таблица 3).

Таблица 3

Список компаний-покупателей и соответствующих фондовых индексов

Компания-покупатель	Фондовый индекс	Компания-покупатель	Фондовый индекс
Wuxi Boton Technology Co., Ltd. (SZSE:300031)	Shenzhen Stock Exchange Composite Index	GAMEVIL Inc. (KOSDAQ:A063080)	KOSPI Composite Index
Meisheng Cultural & Creative Corp., Ltd. (SZSE:002699)		Nexon GT Co., Ltd. (KOSDAQ:A041140)
Zhejiang Century Huatong Group Co., Ltd. (SZSE:002602)		AfreecaTV Co., Ltd. (KOSDAQ:A067160)
Anhui Deli Household Glass Co., Ltd. (SZSE:002571)		Actoz Soft Co., Ltd. (KOSDAQ:A052790)
Shenzhen Xinguodu Technology Co. Ltd. (SZSE:300130)		Joymax Co., Ltd. (KOSDAQ:A101730)
Haitong Securities Co., Ltd. (SHSE:600837)	SSE Composite Index	System and Application Technologies Co., Ltd. (KOSDAQ:A060540)
Zhejiang Daily Media Group Co., Ltd. (SHSE:600633)		NEOWIZ HOLDINGS Corporation (KOSDAQ:A042420)
Song Liao Automotive Co., Ltd. (SHSE:600715)		Neodian Technology Co., Ltd. (KOSDAQ:A072770)
Digital Bros S.p.A. (BIT:DIB)	FTSE MIB	Aeria Inc. (JASDAQ:3758)	Nikkei 225
New Sports Group Limited (SEHK:299)	Hong Kong Exchanges and Clearing Limited	NJ Holdings Inc. (JASDAQ:9421)
Activision Blizzard, Inc. (NasdaqGS:ATVI)	NASDAQ Composite	Marvelous Inc. (TSE:7844)	S&P/TSX Composite index
Churchill Downs Inc. (NasdaqGS:CHDN)		SoftBank Group Corp. (TSE:9984)
Microsoft Corporation (NasdaqGS:MSFT)		GMO Internet Inc. (TSE:9449)
Glu Mobile, Inc. (NasdaqGS:GLUU)		Marvelous Inc. (TSE:7844)
MeetMe, Inc. (NasdaqCM:MEET)		Koei Tecmo Holdings Co., Ltd. (TSE:3635)
Gravity Co., Ltd (NasdaqCM:GRVY)		Fields Corporation (TSE:2767)
Cybergun SA (ENXTPA:ALCYB)	CAC 40	Digital Bros S.p.A. (BIT:DIB)	FTSE MIB
Vivendi SA (ENXTPA:VIV)

Источник: расчёты автора

3.4 Результаты регрессионных моделей

Проанализируем результаты вышеуказанных общих регрессионных моделей и их модификаций. Прежде всего, обратим внимание на тот факт, что первая модель, включающая сегменты компании-цели в качестве независимых переменных, содержит 18 экзогенных переменных и 39 полных наблюдений (Приложение 4). Поэтому результаты тестирования данной модели могут быть сильно искажены (например, высокий коэффициент детерминации), а, следовательно, представляется интересным проанализировать разные вариации данной модели (Таблица 4), которые содержат больше наблюдений и меньшее количество незначимых факторов в модели. Вариации общей модели способствуют получению более корректных результатов, а также фокусированию на анализе наиболее важных отраслевых факторов модели. На основе полученных результатов модели можно заметить, что такие регрессоры как PublicT, Tax, Type и margin являются значимыми и представляют собой «классический» набор регрессоров при исследовании факторов, влияющих на мультипликатор. Следовательно, интересно проанализировать как совокупность данных отдельно взятых факторов влияет на мультипликатор (Модель 2). А также сравнить данную модель с регрессией, где отсутствуют финансовые показатели компании-цели (Tax и margin) в качестве объясняющих переменных, но имеются сегменты компании-цели в качестве регрессоров (Модель 3). Наконец, проанализировать модель, учитывающую в себе как финансовые характеристики компании-цели, так и качественные признаки (Модель 4). Как можно заметить из Таблицы 4, Модель 3 лучше объясняет долю дисперсии зависимой переменной, чем Модель 2, использующая в качестве регрессоров только «классический» набор факторов. Другими словами, модель, построенная на основе специфичных отраслевых факторов рынка, лучше объясняет значение мультипликатора EV/Revenue в M&A сделках.

Таблица 4. Результаты моделей с сегментами

Более того, гибридная модель 4, объединяющая в себе как «классический» набор факторов, так и отраслевые факторы, показывает наилучшие результаты среди всех предложенных моделей.

Таким образом, результаты моделей указывают на значимость такого отраслевого фактора как сегмент, в котором оперирует компания-цель, в частности, операторы видеоигр оцениваются по премиальной оценке по сравнению со всеми другими компаниями. При этом необходимо отметить, что значимыми являются не все сегменты рынка, что обусловлено спецификой моделей, а также близостью значений мультипликаторов EV/Revenue между различными сегментами.

Регрессионные модели с игровыми платформами в качестве регрессоров.

Перейдем к анализу следующей группы регрессионных моделей, использующих в качестве объясняющих переменных типы платформ для игр. Общая модель в данном случае также строится на анализе 39 наблюдений и 13 регрессоров. Как было указано выше, результаты подобной модели могут быть искажены ввиду большого количества регрессоров и малого количества наблюдений. Поэтому представляется интересным проанализировать следующие модификации модели с небольшими видоизменениями: Модель 2 с «классическим» набором регрессоров; Модель 6, использующую в качестве объясняющих переменных игровые платформы и прочие качественные признаки сделки; Модель 7 с регрессорами, объединяющими как финансовые характеристики компании, так и качественные признаки.

Также была проанализирована Модель 8, построенная на наблюдениях, в которых компания-цель является разработчиком или оператором игр. Вследствие этого данная модель не включает переменную Mobile, при этом дамми-переменная PC/Console показывает, насколько мультипликатор EV/Revenue выше у разработчиков или операторов компьютерных и консольных игр по сравнению с компаниями, занятыми в секторе мобильных и планшетных игр.



Таблица 5. Результаты моделей с игровыми платформами

Источник: расчеты автора при использовании языка программирования R

Примечание: модель 2 приведена для удобства проведения сравнительного анализа разных регрессионных моделей

Результаты моделей указывают, что наиболее подходящими моделями, объясняющими мультипликатор оценки стоимости компании-цели, являются модели 6 и 7 согласно величине скорректированного коэффициента детерминации. При этом обе данные модели указывают на значимость отраслевых характеристик в качестве объясняющих переменных.

Другими словами, модели с игровыми платформами в качестве регрессоров подчеркивают значимость такого отраслевого фактора как тип поддерживаемой игровой платформы. Более того, было обнаружено, что компании-цели, обслуживающие такие игровые платформы как ПК и консольные приставки, оцениваются по премиальной оценке по сравнению с прочими компаниями (Модель 6) и по сравнению с компаниями, занятыми в обслуживании мобильных и планшетных устройств (Модель 8). Также в моделях 6, 7 и 8 наблюдается значимый коэффициент при дамми-переменной Type, демонстрирующий наличие премиальной оценки при осуществлении сделок с участием стратегических инвесторов.

Наконец, рассмотрим группу моделей, использующей в качестве специфичной отраслевой характеристики продуктовую линейку компании, а именно, виды разрабатываемых игр. Аналогично предыдущим группам рассмотрим следующие модификации общей модели: Модель 10, использующую в качестве объясняющих переменных виды игр и прочие качественные признаки сделки; Модель 11 с регрессорами, объединяющими как финансовые характеристики компании, так и качественные признаки; Модель 12, построенную на наблюдениях, в которых компания-цель является разработчиком или оператором игр. Вследствие этого данная модель не включает переменную MMO, а дамми-переменные Offline и Social показывают на сколько мультипликатор EV/Revenue ниже для компаний-целей, разрабатывающих или обслуживающих оффлайн и социальные игры, по сравнению с - многопользовательскими онлайн играми.

Анализируя результаты данной группы моделей, необходимо отметить, что исследуемый отраслевой фактор (вид разрабатываемой игры), действительно, объясняет мультипликатор EV/Revenue. В частности, регрессоры MMO и Social являются значимыми при 1% уровне значимости. Более того, выявлено, что MMO игры оцениваются по премиальной оценке по сравнению с другими видами игр (Модель 12 демонстрирует значимые отрицательные коэффициенты при объясняющих переменных Offline и Social), а также, что разработчики и операторы MMO, социальных и оффлайн игр в среднем оцениваются выше, чем компании из других сегментов рынка (Модель 10).



Таблица 6. Результаты моделей с различными видами игр

Таким образом, было обнаружено, что на рынке видеоигр существуют специфичные отраслевые факторы, которыми являются:

сегмент рынка, в котором компания-цель ведет свою основную операционную деятельность: при этом компании-цели, являющиеся операторами или разработчиками видеоигр оцениваются по премиальной оценке по сравнению с компаниями из других сегментов;

игровая платформа, для которой компания-цель разрабатывает видеоигры: при этом компания-цель, видеоигры которой разработаны для персональных компьютеров и консольных приставок, оценивается по премиальной оценке по сравнению с другими компаниями;

виды игр, которые входят в продуктовую линейку компании-цели: при этом компания-цель, разрабатывающая или поддерживающая многопользовательские онлайн игры, оценивается по премиальной оценке по сравнению с другими компаниями.

Более того, было обнаружено, что отраслевые факторы важнее «классических» детерминант оценки стоимости компаний, поскольку скорректированные коэффициенты детерминации у моделей с отраслевыми факторами (модель 3, 6 и 11) выше, чем у модели с «классическими» финансовыми и качественными характеристиками сделок (модель 2). Другими словами, на рынке видеоигр вышеуказанные отраслевые характеристики сделок оказывают более значимое влияние на мультипликатор EV/Revenue, чем «классический» набор факторов, часто используемый в других отраслях.

3.3 Аномальные доходности компаний-покупателей

С целью рассмотрения результативности M&A сделок на рынке видеоигр проанализируем результаты вычислений средней аномальной доходности и средней кумулятивной аномальной доходности акций компаний-покупателей.

Во-первых, рассмотрим аномальные доходности американских компаний-покупателей, полученных путем применения модели Фамы-Френча (Таблица 7, слева).

Таблица 7

Аномальные доходности для акционеров компаний-покупателей



Обратим внимание, что единственным значимым результатом является средняя аномальная доходность ( за 3 дня до анонсирования сделки. Как можно заметить, выборка показывает незначимые результаты, что может быть объяснено следующими фактами:

малое количество наблюдений (количества анализируемых событий);

участники рынка заранее предвидят потенциальные эффекты от сделки и учитывают их в акциях постепенно (Asquith, 1983, стр. 51).

Тем не менее, кумулятивная доходность акций американских компаний-покупателей стремительно падает (График 10), что говорит о неэффективности сделок, т.к. они ведут к падению котировок акций покупателя.

Во-вторых, проанализируем результаты модели со средней скорректированной доходностью, которая включает анализ всех наблюдений. Заметим, что модель демонстрирует больше значимых результатов, а именно шесть дней, включая день события и следующий за ним день. При этом согласно результатам данной модели, осуществление сделок слияния и поглощения создает дополнительную стоимость для компании, в частности, кумулятивная аномальная доходность стремительно увеличивается (График 10), демонстрируя значимость результатов.

В-третьих, проанализируем результаты рыночной модели и модели с рыночной скорректированной доходностью. Важно заметить, что статистически значимыми результатами средней аномальной доходности в обеих моделях (Таблица 8) являются следующие периоды: за 5 дней до события; день анонса и следующий за ним день, а также 8 день после события. Аналогичные результаты были обнаружены и при анализе результатов модели со средней скорректированной доходностью. Более того, средняя кумулятивная аномальная доходность моделей также увеличивается (График 10), демонстрируя статистическую значимость результатов. Таким образом, модели указывают на высокую результативность сделок слияния и поглощения на рынке видеоигр для компаний-покупателей, поскольку в среднем их кумулятивная аномальная доходность растет на исследуемом временном интервале.

Таблица 8

Аномальные доходности для акционеров компаний-покупателей

Источник: расчеты автора при использовании языка программирования R. Примечание: только США, т.к. данные по Фама и Френчу ежедневные доступны только для США рынка

Наконец, суммируя все вышесказанное, можно сделать вывод о том, что сделки слияния и поглощения являются эффективными для компаний-покупателей, при этом рынок учитывает информацию постепенно. В частности, за 5 дней до анонсирования сделки в среднем цена акций компаний-покупателей значительно увеличивается с последующим ростом в период самого анонсирования сделки, следующий за ним день и на 8 день после события. Также заметим, что в период [-20;-10] средняя кумулятивная доходность акций напоминает движение случайного процесса, и, только начиная с 8 дня до самого события, следует определенному тренду.



График 10. Результаты моделей (средняя кумулятивная аномальная доходность)

Источник: расчеты автора при использовании языка программирования R



Заключение

В рамках данной работы был проведен анализ специфичных отраслевых факторов рынка видеоигр, оказывающих непосредственное влияние на оценку стоимости компании в сделках слияния и поглощения, а также анализ результативности данных сделок для компаний-участников. Важно отметить, что данная работа является первым наиболее полным исследованием влияния отраслевых особенностей на оценки стоимости компаний в сделках слияния и поглощения на рынке видеоигр.

В ходе анализа научной литературы и информационно-аналитических материалов по рынку видеоигр было выявлено, что такие отраслевые факторы как сегмент рынка, в котором оперирует компания, поддерживаемые игровые платформы и продуктовая линейка компании могут влиять на оценку стоимости компаний в сделках. Для проверки данной гипотезы были сформированы соответствующие модели. Результаты регрессионного анализа подтвердили гипотезу о значимости данных факторов при оценке стоимости компании. Более того, было выявлено, что компании, являющиеся разработчиками и операторами видеоигр, оцениваются по премиальной оценке по сравнению с другими участниками рынка. Также было обнаружено значимое отличие в оценках компаний-целей, разрабатывающих игры для персональных компьютеров, и компаний, занятых производством многопользовательских онлайн игр. В дополнение, вышеуказанные отраслевые характеристики сделок оказывают более значимое влияние на мультипликатор EV/Revenue, чем «классический» набор факторов, часто используемый в других отраслях.

Помимо этого, для анализа эффективности сделок были проанализированы доходности акций компаний-покупателей, являющихся разработчиками или операторами видеоигр, в периоде 20 дней до и после анонсирования сделок слияния и поглощения. Анализ результативности M&A сделок выявил значимую связь между анонсированием сделки и динамикой котировок акций.

В частности, было установлено, что объявление о предстоящей сделке приводит к устойчивой тенденции к увеличению доходности акций. При этом полученные результаты статистически значимы в течение самого дня объявления, следующего за ним днем, а также на 5-ый день до самого события и на 8-ой день после события. Более того, котировки ценных бумаг не возвращаются к прежнему уровню, что говорит о наличии положительного эффекта от анонсирования сделок. При рассмотрении различных спецификаций моделей определения аномальной доходности было выявлено, что в любых параметрах модели наблюдаются результаты, свидетельствующие о положительном эффекте объявления о сделке на стоимость акций покупателя.

Тем не менее, на данном этапе объем доступных данных не позволяет проводить анализ детерминант оценки стоимости компаний доходным методом для подтверждения результатов настоящего исследования, а также для выявления потенциальных новых специфичных факторов. Более того, ввиду преобладания сделок с участием частных компаний, и как следствие малого количество наблюдений в рамках данной работы не удалось проанализировать эффективность сделок слияний и поглощения для компаний-целей, что является крайне актуальным для участников рынка ввиду роста числа M&A сделок в последнее время.

Для уточнения результатов анализа доходности акций можно также использовать другие многофакторные модели.

Наконец в заключение определим дальнейшие возможные направления исследования данной проблемы.

Во-первых, в процессе исследования аналитических материалов, посвященных изучению рынка видеоигр, было обнаружено, что существует множество различных схем монетизации игр: от бесплатных игр с рекламой внутри игры и возможностями покупки различных предметов внутри игры до игр с ежемесячной (абонентской) платой.

В связи с этим интересно исследовать, каким именно образом применение тех или иных схем монетизации компанией-целью оказывает влияние на оценку стоимости компаний в сделках слияния и поглощения. Это можно осуществить посредством изучения ограниченной выборки сделок (case studies). Во-вторых, рассмотреть какие факторы влияют на эффективность сделок слияний и поглощений на рынке видеоигр. Наконец, представляется важным исследование информационной значимости объявлений о выпуске новых игр и других важных новостных событий, характерных для данного рынка, а также проанализировать их влияние на оценку стоимости компании-цели в сделках слияния и поглощения.



Список литературы

1. Григорьева С.А., Гринченко А.Ю. Влияние сделок слияний и поглощений в финансовом секторе на стоимость компаний-покупателей на развивающихся рынках капитала // Корпоративные финансы. 2013. № 4 (28). С. 53-71.

2. Ивашковская И. В., Животова Е. Л.. Индекс устойчивости роста: эмпирическая апробация на данных российских компаний. Вестник Санкт-Петербургского университета. Сер. 8, Менеджмент. - 2009. - N 4. - С. 3-29.

3. Лысенко Д. В. Анализ эффективности сделок слияния и поглощения // Аудит и налогообложение. -- 2013. -- № 8. -- С. 14.

4. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учеб. -- 8-е изд., испр. -- М.: Дело, 2007. -- 504

5. Партин И. М. Зависимость оценки стоимости компании в сделке M&A от типа компании-покупателя // Корпоративные финансы. 2012. № 2(22). С. 24-33.

6. Погожева А.А. Использование событийного анализа для оценки информационной значимости рекомендаций аналитиков по российским эмитента // Корпоративные финансы. 2013. № 2 (26). С. 35-49.

7. Родионов И. И., Перевалова К. А. Факторы, влияющие на размер премии за контроль // Корпоративные финансы. 2011. № 4 (20). С. 112-121.

8. Соломатин А.В., Соломатин Я.В. Влияние выпуска конечного продукта на цену акции компании производителя // Корпоративные финансы. 2015. № 4 (36). С. 51-71.

9. Хусаинов З.И. Оценка эффективности сделок слияний и поглощений: интегрированная методика // Корпоративные финансы. 2008. № 1. С. 12-33.

10. Цыплаков А. «Экскурс в мир инструментальных переменных», Квантиль, №2, 2007, с. 21 - 50.

11. Чернова Н. И. Теория вероятностей: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.

12. Abramova. T. Stock Price Reactions on M&A, Dividends and Game Releases. Evidence from Gaming Industry, 2013

13. Asquith, P. Merger bids, uncertainty, and stockholder returns. Journal of Financial Economics, 11(1-4), 1983, pp. 51-83.

14. Acosta-Calzado, L. G., Acosta-Calzado, C., Murrieta-Romo, H. REVAAM Model to determine a company's value by multiple valuation and linear regression analysis. Business Intelligence 3.2, 2010.

15. Baker, Malcolm, and R. S. Ruback. "Estimating Industry Multiples." 1999.

16. Bargeron, L., Schlingemann, F., Stulz, R.M., Zutter, C. Why do private acquirers pay so little compared to public acquirers?, Working Paper № 13061, 2007. http://www.nber.org/papers/w13061 (дата обращения к документу: 03/04/16)

17. Berg HA. The Computer Game Industry. Trondheim. Master's thesis. NTNU. Norw egian University of Science and Technology, 2010.

18. Berkovitch, E., Narayanan, M.P. Competition and the medium of exchange in takeovers. Review of Financial Studies 3, 1990, pp. 153-174.

19. Brown, S. J., & Warner, J. B. Using daily stock returns. Journal of Financial Economics, 14(1), 1985, pp. 3-31.

20. Bruner, R. Where M&A Pays and Where It Strays: A Survey of the Research. Journal of Applied Corporate Finance, 16(4), 2004, pp. 63-76.

21. Chastenet, E., & Marion, A. Valuation Using Industry Multiples: How to Choose the Most Relevant Multiples. Business Valuation Review, 34(4), 2015, pp. 173-183.

22. Cording, M., Christmann, P., & Weigelt, C. Measuring theoretically complex constructs: The case of acquisition performance. Strategic Organization, 8(1), 2010, pp. 11-41.

23. Damadoran A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset, 3rd Edition. 2012.

24. Dewenter, K.L. Does the Market React Differently to Domestic and Foreign Takeover Announcements? Evidence from the U.S. Chemical and Retail Industries, Journal of Financial Economics 37, 1995, pp. 421-441.

25. Dittmar, A.K., Li, D., Nain, A. The Bright Side of Bidder Competition, 2010. http://ssrn.com/abstract=1317829 (дата обращения к документу: 03/04/16)

26. Eisenhart D.M., Publishing in the Information Age: A New Management Framework for the Digital Era, 1996.

27. Elkjaer, T., Damgaard, J., & Kumah, E. O. Valuation of Unlisted Direct Investment Equity. IMF Working Papers, 09(242), 1, 2009.

28. Fama, E. F.; French, K. R. "Common risk factors in the returns on stocks and bonds". Journal of Financial Economics, vol. 33, issue 1, 1993, pp. 3-56

29. Ferris, K. R., & Petitt, B. S. Valuation: Avoiding the winner's curse. Upper Saddle River, NJ: Prentice Hall, 2002.

30. Foster, G., Kasznik, R., & Sidhu, B. K. International equity valuation: The relative importance of country and industry factors versus company-specific financial reporting information. Accounting & Finance, 52(3), 2011, pp. 767-814.

31. Gaio, C. The Relative Importance of Firm and Country Characteristics for Earnings Quality around the World. European Accounting Review, 19(4), 2010, pp. 693-738.

32. J. H. Mulherin, A. L. Boone. “Comparing acquisitions and divestitures”, Journal of Corporate Finance, vol. 6, issue 2, 2000, pp. 117-139.

33. Jain, Prem C. "The Effect of Voluntary Sell-off Announcements on Shareholder Wealth." The Journal of Finance 40.1, 1985. pp. 209-24.

34. King, D. R., Dalton, D. R., Daily, C. M., & Covin, J. G. Meta-analyses of post-acquisition performance: Indications of unidentified moderators. Strat. Mgmt. J. Strategic Management Journal, 25(2), 2004, pp. 187-200.

35. MacKinlay C.A. Event Studies in Economics and Finance. Journal of Economic Literature, vol. 35, issue 1, 1997, pp. 13-39.

36. Marchand, A., & Hennig-Thurau, T. Value Creation in the Video Game Industry: Industry Economics, Consumer Benefits, and Research Opportunities. Journal of Interactive Marketing, 27(3), 2013, pp. 141-157.

37. Martynova, M., & Renneboog, L. A century of corporate takeovers: What have we learned and where do we stand? Journal of Banking & Finance, 32(10), 2008, pp. 2148-2177.

38. Masulis, R. W. The effects of capital structure change on security prices. Journal of Financial Economics, 8(2), 1980, pp. 139-178.

39. Nelson, Ralph L. Merger Movements in American Industry, 1895-1956. Princeton: Princeton UP, 1959. Print.

40. Porter, G. A., & Norton, C. L. Financial accounting: The impact on decision makers. Mason, OH: South-Western Cengage Learning, 2013.

41. Razvan, I. Drivers of Mergers and Acquisitions Evidence from US Gaming Industry, Aarhus School of Business and Social Sciences, Aarhus University. 2011.

42. Robins, Jason S. Mergers & acquisitions in the medical device industry : an exploration of factors influencing valuation, DSpace@MIT: Massachusetts Institute of Technology, 2008. https://dspace.mit.edu/handle/1721.1/55276 (дата обращения к документу: 04/04/2016)

43. Schoenberg, R. Measuring the Performance of Corporate Acquisitions: An Empirical Comparison of Alternative Metrics. British Journal of Management Br J Management, 17(4), 2006, pp. 361-370.

44. Tavinor, G. The Definition of Videogames Revisited. In: The Philosophy of Computer Games Conference, Oslo, 2009.

45. Wang, D., & Moini, H. Performance Assessment of Mergers and Acquisitions: Evidence from Academic Field and Fieldwork Chinese American Scholars Association, 2012. http://www.g-casa.com/PaperDatabase.htm (дата обращения к документу: 09/04/16)

46. Weston, J.Fred, Juan A. Siu, Brian A. Johnson. Takeovers, Restructuring and Corporate Governance. Upper Saddle River, NJ: Pearson Prentice Hall, 2001. 3rd ed.

Размещено на Allbest.ur