Perché le fusioni bancarie giapponesi hanno fatto impennare i mercati?

Nel 2005 il Giappone ha assistito alla nascita di Mitsubishi UFJ Financial Group, una delle più grandi operazioni di fusione bancaria del paese. Un altro caso importante è il 2018, quando Resona Holdings ha unito le forze con altre banche. Ma cosa è successo davvero sui mercati? Gli studiosi hanno analizzato questi due eventi con quattro strumenti diversi.

1. **Event study**: confrontando il prezzo delle azioni con modelli come il CAPM e il modello a tre fattori di Fama‑French, hanno calcolato i cosiddetti “cumulative abnormal returns” (CAR). I risultati mostrano un rialzo significativo dei prezzi subito dopo le fusioni.

2. **VAR e impulse response**: questi modelli hanno verificato se le variazioni di una banca influenzano le altre. I grafici di risposta indicano che l’effetto positivo si è propagato per mesi, suggerendo sinergie tra le istituzioni.

3. **Propensity score matching**: abbinando le banche coinvolte a quelle non coinvolte, hanno stimato l’effetto medio del trattamento (ATT). Anche qui, il risultato è stato favorevole alle banche fuse.

In sintesi, le fusioni hanno generato un’ondata di ottimismo: gli investitori hanno premiato le nuove entità, e le banche non partecipanti hanno beneficiato di un clima più stabile. Per chi segue finanza e politica economica, questi dati suggeriscono che, almeno in Giappone, le grandi operazioni di M&A possono migliorare l’efficienza del mercato senza creare rischi sistemici evidenti.

Le analisi condotte nello studio si basano su metodologie econometriche avanzate. L’event study utilizza il modello di mercato per stimare il rendimento atteso di un titolo, sottraendolo dal rendimento osservato per ottenere il rendimento anomalo. L’estensione al CAPM aggiunge il beta di mercato, mentre il modello a tre fattori di Fama‑French incorpora dimensioni di size (SMB) e value (HML), consentendo di catturare effetti di dimensione e valore non spiegati dal solo beta.

Il modello VAR (Vector Autoregression) permette di analizzare le interdipendenze temporali tra più serie storiche, in questo caso i rendimenti delle banche coinvolte e non. Le funzioni di risposta all’impulso (IRF) mostrano come uno shock su una banca si propaghi agli altri soggetti nel tempo, evidenziando la durata e l’intensità degli effetti spillover.

Il propensity score matching (PSM) è una tecnica di quasi‑esperimento che riduce il bias di selezione. Si calcola la probabilità (propensity score) che una banca partecipi alla fusione in base a caratteristiche pre‑trattamento (dimensione, capitalizzazione, liquidità). Le banche con punteggi simili ma non fuse costituiscono il gruppo di controllo, permettendo una stima più credibile dell’effetto medio del trattamento (ATT).

I risultati mostrano CAR positivi significativi (p < 0.05) per entrambe le fusioni, IRF che indicano effetti spillover positivi fino a 12 mesi, e ATT positivo con intervallo di confidenza che non include zero. Questi indicatori suggeriscono che le fusioni hanno generato valore non solo per le entità coinvolte ma anche per l’intero sistema bancario giapponese, senza aumentare la probabilità di instabilità sistemica. Tuttavia, è importante considerare che i modelli assumono linearità e omoscedasticità; violazioni di queste ipotesi potrebbero influenzare la