The growth of private equity, as well as consolidation trends across other industries, have produced a strong and vibrant mergers and acquisitions market. A challenge during these acquisitions is information asymmetry, which makes agreeing on the transaction price a challenge. An increasingly popular instrument to get around this problem is to use earnout contracts, which puts the difference between what the buyer is willing to pay and what the seller is willing to accept as contingent on future performance of the company. This thesis focuses on testing four different models for estimating the expected pay-out of earnout contracts. The investigated models were geometric Brownian motion, autoregressive integrated moving average, artificial neural network and a hybrid model to forecast the underlying metrics which were used with Monte Carlo methods to compute the expected pay-out of the earnout contract. Furthermore, a bankruptcy adjusted and a model using implied market volatility were evaluated. The results were that the hybrid model showed the most promising predictions when estimating the expected pay-out. The bankruptcy adjustment was not successful since the model failed to reach sufficient accuracy. Using implied market volatility showed inconclusive results.

Tillväxten för riskkapital-industrin och konsolideringstrender inom andra industrier har resulterat i en aktiv marknad för bolagsförvärv. En tydlig utmaning under ett förvärv är informationsasymmetri, vilket gör det svårt att komma överens om bolagets värdering. En alltmer vanlig metod för att lösa detta problem är att använda en tilläggsköpeskilling. Ett sådant kontrakt placerar skillnaden mellan vad köparen är villig att betala och vad säljaren är villig att acceptera som en option baserad på bolagets framtida prestation. Detta examensarbete fokuserade på att testa fyra olika modeller för att skatta den framtida utbetalningen från tilläggsköpeskillingar. De utvärderade modellerna var baserade på geometrisk brownsk rörelse, autoregressive integrated moving average, artificiellt neuralt nätverk och en hybridmodell vilka användes för att generera prediktioner för optionernas underliggande mått. Dessa användes sedan för att med hjälp av Monte Carlo simulering skatta den förväntade utbetalningen från tilläggsköpeskillingen. Utöver detta testades en modell med justering av konkursrisk samt en modell baserad på implicerad volatilitet från börsnoterade optioner. Resultaten visade att hybridmodellen gav bäst prediktioner av den förväntade utbetalningen. Den konkursjusterade modellen påvisade inga signifikanta resultat då den ej nådde tillräckligt hög prediktionsförmåga. Användningen av implicerad marknadsvolatilitet gav ingen tydlig och statistiskt signifikant förbättring.