Can Capital Market Information Predict Corporate Risk Before Financial Deterioration? Evidence from Sci-Tech Firms

In der Welt der Finanzen werden Unternehmen oft nach ihrer vergangenen Leistung beurteilt, ganz ähnlich wie ein Schüler anhand seines letzten Zeugnisses bewertet wird. Seit Jahrzehnten verlassen sich Kreditgeber und Investoren auf standardisierte Finanzkennzahlen – wie viel ein Unternehmen an Schulden schuldet, wie viel Gewinn es erwirtschaftet hat und wie schnell es Geld von seinen Kunden einzieht –, um zu entscheiden, ob ein Unternehmen sicher zu finanzieren ist. Dieser Ansatz hat jedoch eine erhebliche Schwachstelle, wenn es um Technologie- und Wissenschaftsunternehmen geht. Diese Unternehmen operieren oft mit sehr wenigen physischen Vermögenswerten, geben viel Geld für Forschung aus, die sich möglicherweise erst nach Jahren auszahlt, und sind mit unvorhersehbaren zukünftigen Cashflows konfrontiert. Zu dem Zeitpunkt, an dem ihre traditionellen Finanzkennzahlen schlecht auszusehen beginnen, ist es oft schon zu spät, um eine Krise zu verhindern. Die Frage, die Forscher schon lange beschäftigt, lautet, ob der Aktienmarkt selbst mit seinem ständigen Strom von Preisänderungen und Handelsaktivitäten als Frühwarnsystem fungieren kann, das Probleme erkennt, bevor die offiziellen Finanzberichte überhaupt ein Problem anzeigen.

Ein Team von Forschern ging die Frage an, indem es eine spezifische Gruppe von High-Tech-Unternehmen untersuchte, die am chinesischen Science and Technology Innovation Board, auch bekannt als STAR Market, gelistet sind. Sie sammelten Daten von 454 dieser Firmen über einen Zeitraum von fünf Jahren, von 2019 bis 2024. Anstatt nur die endgültigen Zahlen zu betrachten, entwickelten sie ein hochentwickeltes Vorhersagesystem, das traditionelle Finanzdaten mit einer breiten Palette von Marktsignalen kombinierte. Dies beinhaltete, wie stark der Aktienkurs schwankte, die spezifischen Muster dieser Bewegung, wie vernetzt ein Unternehmen innerhalb seiner Branche war und vor allem, wie konsistent die Unternehmen Informationen über ihre Forschung und Entwicklung austauschten. Sie verwendeten einen leistungsstarken Computeralgorithmus, eine Art des maschinellen Lernens, das komplexe, nicht-lineare Muster in Daten finden kann, um zu sehen, ob diese Marktsignale vorhersagen konnten, welche Unternehmen im folgenden Quartal vor finanzieller Not, regulatorischer Schwierigkeiten oder Prüfungsproblemen stehen würden.

Die Studie begann mit der Überprüfung einer spezifischen Idee: dass die Art und Weise, wie sich ein Aktienkurs im Zeitverlauf bewegt, mehr Informationen enthält als nur seine vergangene Volatilität. Die Forscher fanden heraus, dass ein Maß namens bedingte Volatilität, welches erfasst, wie sich die Erwartung des Marktes an das Risiko von Tag zu Tag ändert, die Fähigkeit zur Vorhersage von Problemen signifikant steigerte. Als sie dieses dynamische Marktmaß zu ihrem Modell hinzufügten, verbesserte sich ihre Fähigkeit, riskante Firmen korrekt zu identifizieren, merklich. Sie entdeckten jedoch auch, dass die Beziehung zwischen der Unruhe am Aktienmarkt und dem Risiko eines Unternehmens keine einfache gerade Linie ist. Es ist nicht wahr, dass ein Unternehmen gefährlicher ist, je stärker sein Aktienkurs schwankt. Stattdessen zeigten die Daten ein spezifisches Muster, bei dem das Risiko finanzieller Not am höchsten war, wenn die Volatilität in einem mittleren bis hohen Bereich lag. Wenn die Volatilität extrem hoch wurde, sank das Risiko eines unmittelbaren finanziellen Zusammenbruchs tatsächlich leicht, was darauf hindeutet, dass extreme Marktpanik eher durch kurzfristige Schocks als durch die langsame, schleichende Verschlechterung der Gesundheit eines Unternehmens getrieben wird.

Jenseits der Aktienmarktbewegungen untersuchten die Forscher, was die Unternehmen tatsächlich taten und wie sie darüber sprachen. Sie fanden heraus, dass das eigene Verhalten der Unternehmen in Bezug auf die Offenlegung von Informationen der mit Abstand stärkste Prädiktor für das Risiko war. Insbesondere die Lücken in der Berichterstattung eines Unternehmens über seine Forschung und Entwicklung waren ein großes Warnsignal. Wenn ein Unternehmen aufhörte, Updates zu seinen Forschungsprojekten zu teilen, oder wenn es aufeinanderfolgende Zeiträume mit fehlenden Informationen gab, signalisierte dies eine hohe Wahrscheinlichkeit für zukünftige Probleme. Dies war ein stärkeres Signal als die Netzwerkverbindungen eines Unternehmens zu anderen Firmen, die überraschenderweise keinen nennenswerten Zusatzwert zur Vorhersage lieferten, sobald das eigene Marktverhalten des Unternehmens bereits berücksichtigt wurde. Die Studie hob auch hervor, dass, obwohl hohe Investitionen in die Forschung im Allgemeinen als positiv angesehen werden, die Konsistenz dieser Investitionen und die Qualität des Cashflows eines Unternehmens weitaus wichtigere Indikatoren für Sicherheit waren als die schiere Menge des für Innovation ausgegebenen Geldes.

Das endgültige Modell, das all diese verschiedenen Arten von Informationen kombinierte, erwies sich als äußerst effektiv darin, Unternehmen in Risikokategorien einzuteilen. Als die Forscher das System mit Daten testeten, die es noch nie zuvor gesehen hatte, identifizierte es die Unternehmen, die Probleme erleiden würden, mit einem hohen Grad an Genauigkeit. Das System war besonders gut darin, die Unternehmen zu erfassen, die am wahrscheinlichsten scheitern würden, wodurch sichergestellt wurde, dass nur sehr wenige Hochrisikofirmen durch das Raster fielen. Dies deutet darauf hin, dass der Weg zu finanziellen Schwierigkeiten für Technologieunternehmen nicht immer in der Bilanz sichtbar ist, bevor es zu spät ist. Stattdessen sind die Warnzeichen oft in der Art und Weise verborgen, wie der Markt auf das Unternehmen reagiert, und in der Konsistenz, mit der das Unternehmen seine Geschichte teilt.

Die Implikationen dieser Ergebnisse sind klar für jeden, der in Technologieunternehmen investiert oder Kredite an diese vergibt. Sich ausschließlich auf traditionelle Finanzberichte zu verlassen, ist für diese dynamischen Unternehmen unzureichend. Ein besserer Ansatz besteht darin, den Puls des Marktes zu beobachten und sehr genau auf die Kontinuität der Offenlegungen eines Unternehmens zu achten. Wenn ein Technologieunternehmen plötzlich aufhört, über seine Forschung zu sprechen, oder wenn der Aktienkurs beginnt, ein spezifisches Muster instabiler Bewegungen zu zeigen, sind dies wahrscheinlich frühe Signale für Probleme, die auftreten, lange bevor die Gewinne des Unternehmens negativ werden. Durch die Integration dieser Marktsignale und Offenlegungsmuster in ihre Risikobewertungen können Kreditgeber und Investoren von einer reaktiven Haltung, die darauf wartet, dass sich die Finanzkennzahlen verschlechtern, zu einer proaktiven Haltung wechseln, die die subtilen Verschiebungen vor einer Krise erkennt. Die Studie bestätigt, dass der Markt in der Tat ein mächtiges Werkzeug zur Erkenntnisgewinnung ist, aber nur, wenn wir seine komplexe, nicht-lineare Sprache zu lesen wissen.