📈 economics

Cause-Specific Smooth Transition Hazards for Stock Exchange Delisting: Estimation, Calibrated Testing, and an Application to Bursa Malaysia

Cet article introduit un modèle de risque à transition douce spécifique à la cause, flexible, pour distinguer les radiations de la cote boursière volontaires des involontaires, en l'appliquant aux données de Bursa Malaysia afin de révéler des facteurs de risque et des modèles de temporalité distincts pour chaque type de sortie, tout en soulignant des défis d'estimation significatifs et des distorsions de la taille des tests par la simulation.

Auteurs originaux : Ahmad Shauqi bin Haji Mohamad Zubir

Publié 2026-08-25

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ahmad Shauqi bin Haji Mohamad Zubir

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Chaque année, des entreprises disparaissent de la bourse. Dans la plupart des cas, elles partent de deux manières différentes. Parfois, une entreprise est rachetée ou décide de passer en société fermée, un départ volontaire qui survient généralement lorsqu'une entreprise est en bonne santé et qu'un investisseur souhaite en prendre le contrôle. D'autres fois, une entreprise est contrainte de quitter la cote parce qu'elle est en difficulté financière, qu'elle a enfreint les règles ou qu'elle est simplement incapable de payer ses dettes. Pendant longtemps, les statisticiens étudiant ces événements ont traité tous les départs comme le même type d'occurrence, cherchant un ensemble unique de raisons pour lesquelles une entreprise pourrait disparaître. Mais cette approche omet un détail crucial : les raisons pour lesquelles une entreprise s'en va alors qu'elle est en bonne santé sont souvent l'exact opposé des raisons pour lesquelles une entreprise défaillante est retirée. Si l'on mélange ces deux groupes, les données deviennent un flou confus qui ne dit rien sur aucun des deux processus.

C'est l'énigme que les chercheurs ont cherché à résoudre en utilisant les données de Bursa Malaysia, la principale bourse du pays. Ils voulaient comprendre non seulement quand les entreprises partent, mais pourquoi, et si les règles régissant ces départs ont changé au fil du temps. Pour ce faire, ils ont construit un nouveau type de modèle statistique qui traite les départs volontaires et involontaires comme deux histoires distinctes se déroulant simultanément. Ils ont également introduit un moyen de tester si les règles du jeu ont changé au cours de la période d'étude, en examinant spécifiquement comment la pandémie et le retour ultérieur à des conditions économiques normales auraient pu modifier le paysage pour les entreprises en difficulté. L'objectif était de voir si les facteurs qui prédisent la défaillance d'une entreprise sont différents de ceux qui prédisent la décision d'une entreprise de partir, et si le calendrier de ces événements a changé ces dernières années.

Les chercheurs ont rassemblé une quantité massive d'informations sur 836 sociétés cotées sur la bourse entre 2016 et 2025. Ils ont suivi chaque mois où ces entreprises étaient présentes sur le marché, enregistrant leur taille, leur cours de l'action, la fréquence de négociation de leurs titres et le montant de leur dette. Lorsqu'une entreprise quittait enfin la cote, l'équipe ne se contentait pas de noter la date ; elle lisait les annonces officielles pour déterminer précisément la raison de ce départ. Était-ce une prise de contrôle ? Une ordonnance judiciaire ? Un manquement aux exigences réglementaires ? Cette classification minutieuse a permis de séparer les 116 départs en deux groupes distincts : 62 départs volontaires et 46 retraits involontaires.

Une fois les données triées, les schémas sont devenus clairs. Les deux types de départs étaient mus par des forces totalement différentes. Les retraits involontaires, de type celui qui survient lorsqu'une entreprise est en détresse, étaient fortement liés à une petite taille, à des cours de l'action bas et à un manque d'activité de négociation. Ces entreprises étaient souvent ignorées par le marché, avec des actions qui restaient inchangées pendant de longues périodes. En revanche, les départs volontaires concernaient des entreprises qui étaient en réalité performantes. Ces entreprises affichaient des prix sains et une dynamique positive, mais elles souffraient également d'une faible activité de négociation. Les chercheurs ont découvert que ces entreprises en bonne santé restaient souvent silencieuses pendant environ sept mois avant qu'un acheteur ne fasse une offre. Cela suggère que les départs volontaires ne sont pas des signes d'échec, mais plutôt le résultat d'une négligence des investisseurs, où une bonne entreprise est simplement ignorée jusqu'à ce qu'un acheteur privé intervienne pour la secourir.

L'étude a également révélé un changement significatif dans la manière dont le marché gère la détresse financière. Pendant la majeure partie de la décennie, le risque qu'une entreprise soit expulsée de force est resté relativement stable. Cependant, les données ont indiqué un changement survenu autour de décembre 2024. Après cette date, le risque global de retrait involontaire a augmenté, et un nouveau facteur est devenu critique : la dette. Avant ce changement, le fait d'avoir un niveau d'endettement élevé ne semblait pas rendre une entreprise beaucoup plus susceptible d'être retirée. Après le changement, la dette est devenue un signal d'alarme majeur. Ce changement reflète probablement la fin des mesures de soulagement temporaires mises en place pendant la pandémie, qui avaient précédemment retardé le retrait des entreprises en difficulté. Une fois ce soulagement terminé, le marché a commencé à agir sur les faiblesses sous-jacentes de ces entreprises, particulièrement celles ayant des charges de dette lourdes.

Pour s'assurer que ces conclusions étaient réelles et non le simple résultat de calculs mathématiques, les chercheurs ont lancé des milliers de simulations informatiques. Ils ont découvert que les tests statistiques standards, qui sont habituellement dignes de confiance pour confirmer des résultats, étaient sujets aux fausses alertes dans ce type spécifique de données. Lorsque les chercheurs utilisaient le test standard, celui-ci suggérait que le changement de décembre 2024 était un fait statistiquement prouvé et solide. Cependant, lorsqu'ils ont utilisé un test plus prudent, conçu sur mesure pour cette situation spécifique, les preuves sont devenues moins certaines. Le nouveau test a montré que, bien que le changement soit économiquement significatif et que le schéma soit clair, la preuve statistique n'était pas aussi irréfutable que le test standard le prétendait. Le résultat est une conclusion qui est hautement suggestive et d'une importance pratique, mais qui nécessite une certaine prudence dans son interprétation.

Les chercheurs ont également testé si leurs conclusions dépendaient de la forme mathématique spécifique choisie pour leur modèle. Ils ont essayé quatre cadres mathématiques différents, allant du plus simple au plus complexe, et ont constaté que les résultats restaient les mêmes quel que soit l'outil utilisé. Cette cohérence donne confiance dans le fait que les schémas trouvés sont des caractéristiques réelles du marché, et non des artefacts d'une méthode de calcul particulière. De plus, leurs simulations ont révélé un danger caché dans les études similaires : si toutes les entreprises d'un ensemble de données commencent leur « vie » sur la bourse au même moment, il devient presque impossible de distinguer si une entreprise vieillit ou si le temps calendaire change. Les chercheurs ont découvert que pour observer un changement progressif au fil du temps, il faut un mélange d'entreprises cotées depuis des durées différentes. Sans ce mélange, les données peuvent créer l'illusion trompeuse d'un changement là où il n'existe aucun changement.

En fin de compte, ce travail offre une image plus claire des portes de sortie du marché boursier. Il montre que le marché ne traite pas tous les départs de la même manière. Une petite entreprise négligée est susceptible d'être expulsée par la détresse financière, tandis qu'une entreprise saine et bien valorisée peut partir parce qu'elle a été discrètement ignorée par les investisseurs jusqu'à ce qu'un acheteur arrive. L'étude souligne également que les règles du jeu peuvent changer, comme l'a montré l'émergence de la dette comme facteur de risque à la fin de 2024. En séparant ces récits et en utilisant des méthodes de test plus rigoureuses, l'étude offre une compréhension plus précise de la vie et de la mort des sociétés publiques, nous rappelant que dans le monde de la finance, le contexte est primordial.

Résumé Technique : Modèles de Risques à Transition Douce Spécifiques à la Cause pour le Délistement des Marchés Boursiers

Problématique
L'article traite de la complexité de la modélisation des délistements boursiers, qui découlent de deux mécanismes distincts : les sorties volontaires (ex. : prises de contrôle, réductions de capital sélectives) et les retraits involontaires (ex. : détresse financière, mesures réglementaires). Les modèles de survie standards échouent souvent dans ce contexte en raison de trois problèmes spécifiques :

Biais de regroupement (Pooling Bias) : L'agrégation des sorties volontaires et involontaires produit une moyenne de relations opposées, générant des coefficients qui ne représentent fidèlement aucun des deux processus.
Non-stationnarité : Les coefficients peuvent ne pas rester constants dans le temps, particulièrement dans des échantillons couvrant des événements majeurs comme la pandémie et le retrait consécutif des mesures de soutien réglementaire. Les modèles standards ne peuvent pas facilement capturer ces changements de régime graduels.
Échec de l'inférence : Dans les panels de durée où les entreprises partagent une date d'entrée commune (ou entrent de manière groupée), l'âge de la cotation et le temps calendaire deviennent colinéaires. Cela rend difficile la distinction entre la dépendance à la durée et les changements graduels du temps calendaire. De plus, les tests de rapport de vraisemblance standards pour les transitions douces souffrent de distorsion de taille car les paramètres de transition ne sont pas identifiables sous l'hypothèse nulle, entraînant des erreurs de Type I excessives.

Méthodologie
L'étude développe un modèle de risque à transition douce spécifique à la cause appliqué à un panel de 836 entreprises de Bursa Malaysia (marchés Main et ACE) de 2016 à 2025.

Structure du modèle : Le modèle utilise un cadre de risques proportionnels spécifiques à la cause où les coefficients peuvent changer graduellement au fil du temps via une fonction de transition logistique $G(s; \gamma, c)$ . La transition est définie par un paramètre de localisation $c$ (temporalité) et un paramètre de vitesse $\gamma$ .
Flexibilité de la base de référence : Contrairement aux applications précédentes limitées à la distribution de Weibull, ce cadre permet l'utilisation interchangeable de familles de base : Weibull, Gompertz, log-logistique et la Lomax transformée Beta. L'auteur étend la famille Lomax transformée Beta, précédemment utilisée uniquement pour des échantillons complets, aux données de régression censurées avec entrée échelonnée en l'exprimant par le biais du risque intégré.
Estimation : Les paramètres sont estimés par profilage sur les paramètres de transition ( $\gamma, c$ ) en utilisant une recherche sur grille grossière puis fine, suivie d'une maximisation de type quasi-Newton pour les autres paramètres.
Inférence calibrée : Pour répondre à la distribution non standard du test de rapport de vraisemblance sous l'hypothèse nulle (en raison des paramètres de transition non identifiés), l'auteur emploie un test calibré par simulation. Ils simulent des données sous le modèle sans transition ajusté, en préservant l'historique exact des covariables et les schémas d'entrée des données observées, afin de générer une distribution nulle empirique pour la statistique de test.

Contributions Clés

Extension Méthodologique : L'article introduit la première application de régression censurée de la distribution Lomax transformée Beta dans un cadre de risque à transition douce.
Avertissement sur l'Identification : Par la simulation, l'étude identifie une condition critique pour estimer les transitions douces dans les panels de durée : les dates d'entrée doivent être suffisamment dispersées. Lorsque tous les sujets entrent simultanément (cohortes d'entrée commune), une « crête de vraisemblance » se forme où la dépendance à la durée imite les transitions du temps calendaire. Dans les simulations, une solution de crête déformée a surpassé les paramètres réels dans environ 90 % des réplications.
Correction de l'Inférence : L'étude quantifie la distorsion de taille des tests chi-deux standards pour les transitions douces. Elle démontre que les valeurs critiques standards rejettent un vrai nul 11,9 % du temps à un niveau nominal de 5 %, et propose une alternative calibrée utilisant des distributions simulées.
Application Empirique : Elle fournit la première analyse classée par cause des délistements sur une bourse de l'ASEAN, distinguant les sorties dues à la détresse de celles dues à la négligence.

Résultats

Prédicteurs Distincts (H1 Confirmée) :
- Retrait Involontaire : Piloté par la petite taille, le faible prix de l'action et une forte inactivité de négociation (jours à rendement nul). Le levier financier était initialement insignifiant mais est devenu un facteur de risque important après un changement de régime.
- Sortie Volontaire : Associée à des entreprises performantes et correctement valorisées avec un momentum positif. Le prédicteur le plus fort était la faible liquidité (part élevée de titres à rendement nul) mesurée sept mois avant la sortie, suggérant une « négligence des investisseurs » plutôt qu'une détresse financière.
Changement de Régime (H2 Soutien Nuancé) : Le modèle de risque involontaire identifie une transition douce centrée autour de décembre 2024. Suite à ce changement, le risque global de retrait a augmenté de manière significative, et le levier financier est passé d'un facteur non pertinent à un facteur de risque majeur. Cependant, le test conjoint pour la transition (impliquant six paramètres de changement) a produit une p-valeur calibrée de 0,173, ne parvenant pas à atteindre la signification statistique au seuil de 5 %, bien qu'il reste économiquement significatif.
Robustesse de la Base de Référence (H4 Confirmée) : Les estimations des effets des covariables et de la temporalité de la transition sont restées stables à travers les bases Weibull, Gompertz, log-logistique et Lomax transformée Beta, indiquant que les résultats ne sont pas des artefacts d'un choix paramétrique spécifique.
Validation de l'Inférence (H3 Confirmée) : L'étude par simulation a confirmé que le test chi-deux standard est peu fiable dans ce contexte, rejetant les vrais nuls bien plus souvent que le niveau nominal ne le suggère. Le test calibré a corrigé cette distorsion.

Signification et Revendications
L'article affirme fournir une boîte à outils pratique pour les chercheurs traitant des données de durée où coexistent des ruptures structurelles et des risques concurrents. Sa principale importance réside dans :

Correction des Pratiques Statistiques : Il avertit que les tests de transition standards sont sujets aux faux positifs dans les panels à entrée commune et propose une approche de simulation calibrée pour restaurer une inférence valide.
Clarification de l'Identification : Il établit que distinguer les effets de durée des effets de temps dans les modèles à transition douce nécessite des dates d'entrée dispersées ; sinon, le modèle peut converger vers une solution de « crête » spécieuse.
Aperçu Politique et de Marché : Pour Bursa Malaysia, les conclusions suggèrent que le risque de délistement n'est pas monolithique. Le changement post-2024 indique que le soutien réglementaire pendant la pandémie a pu retarder, plutôt que prévenir, les retraits, les entreprises fortement endettées devenant particulièrement vulnérables une fois les mesures levées. De plus, le schéma des sorties volontaires suggère que la faible liquidité sert de signal d'alerte précoce pour la négligence des investisseurs bien avant que les offres de privatisation ne soient annoncées.

L'auteur maintient un ton modeste, notant que bien que la transition dans le modèle involontaire soit économiquement cohérente, elle n'est pas statistiquement significative sous le test corrigé. Il souligne que ses conclusions s'appliquent largement à d'autres cohortes d'origine commune, telles que les licences bancaires, les tranches de prêts et les générations de startups.

Articles similaires