📈 economics

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

이 논문은 자발적 상장 폐지와 비자발적 상장 폐지를 구분하기 위해 유연한 원인별 매끄러운 전이 위험 모델을 도입하여 이를 말레이시아 증권거래소 데이터에 적용함으로써 각 퇴출 유형에 따른 뚜렷한 위험 요인과 시기적 패턴을 밝히는 한편, 시뮬레이션을 통해 유의미한 추정상의 어려움과 검정 크기 왜곡을 강조한다.

원저자: Ahmad Shauqi bin Haji Mohamad Zubir

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ahmad Shauqi bin Haji Mohamad Zubir

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매년 기업들이 주식 시장에서 사라집니다. 대부분의 경우, 이들은 두 가지 방식 중 하나로 떠납니다. 때로는 기업이 인수되거나 상장 폐지 후 비상장 전환을 결정하는데, 이는 대개 기업이 건전할 때 투자자가 경영권을 확보하고자 하는 자발적 퇴장입니다. 다른 경우에는 재정적 어려움을 겪거나, 규칙을 위반하거나, 혹은 단순히 부채를 상환하지 못해 강제로 명단에서 제외되기도 합니다. 오랫동안 이러한 사건들을 연구하는 통계학자들은 모든 이탈을 동일한 종류의 발생 사건으로 취급하며, 기업이 사라지는 이유에 대해 단일한 세트의 원인을 찾으려 했습니다. 하지만 이러한 접근 방식은 결정적인 세부 사항을 놓치고 있습니다. 건전한 기업이 떠나는 이유는 실패한 기업이 제거되는 이유와 종종 정반대이기 때문입니다. 만약 이 두 집단을 하나로 섞어버리면, 데이터는 혼란스러운 잔상이 되어 두 과정 모두에 대해 아무것도 알려주지 못하게 됩니다.

이것이 바로 연구자들이 말레이시아의 주요 증권거래소인 부르사 말레이시아(Bursa Malaysia)의 데이터를 사용하여 해결하고자 했던 퍼즐입니다. 그들은 기업이 언제 떠나는가뿐만 아니라, 왜 떠나는지, 그리고 이러한 이탈을 규정하는 규칙이 시간이 흐름에 따라 변했는지 이해하고자 했습니다. 이를 위해 연구진은 자발적 퇴장과 비자발적 퇴장을 동시에 일어나는 두 개의 별개 이야기로 취급하는 새로운 종류의 통계 모델을 구축했습니다. 또한, 특히 팬데믹과 그 이후의 정상적인 경제 상황 복귀가 어려움을 겪는 기업들에게 지형을 어떻게 변화시켰는지 살피며, 게임의 규칙이 연구 기간 동안 변화했는지 테스트하는 방법도 도입했습니다. 목표는 기업의 실패를 예측하는 요인이 기업의 퇴장 결정을 예측하는 요인과 다른지, 그리고 이러한 사건들의 시기가 최근 몇 년 사이 변했는지를 확인하는 것이었습니다.

연구진은 2016년부터 2025년 사이에 거래소에 상장된 836개 기업에 대한 방대한 양의 정보를 수집했습니다. 그들은 기업이 시장에 머무는 매달의 기록을 추적하며 기업의 규모, 주가, 거래 빈도, 그리고 부채 규모를 기록했습니다. 기업이 마침내 거래소를 떠날 때, 연구팀은 단순히 날짜만을 기록한 것이 아니라 공식 발표문을 읽고 정확히 왜 그런 일이 발생했는지 파기했습니다. 인수합병이었는가? 법원 명령이었는가? 아니면 규제 요건을 충족하지 못했는가? 이러한 세심한 분류를 통해 그들은 116건의 이탈 사례를 62건의 자발적 퇴사와 46건의 비자발적 제거라는 두 개의 뚜렷한 그룹으로 분리할 수 있었습니다.

데이터가 분류되자 패턴이 명확해졌습니다. 두 유형의 퇴장은 완전히 다른 힘에 의해 주도되었습니다. 기업이 어려움에 처했을 때 발생하는 비자발적 제거는 작은 규모, 낮은 주가, 그리고 거래 활동의 부족과 밀접하게 연관되어 있었습니다. 이 기업들은 종종 시장으로부터 소외되었으며, 주식은 장기간 손도 닿지 않은 채 방치되어 있었습니다. 반면, 자발적 퇴장은 실제로 잘 운영되고 있는 기업들 사이에서 발생했습니다. 이 기업들은 건강한 가격과 긍정적인 모멘텀을 가지고 있었지만, 이들 역시 거래량이 적다는 공통점이 있었습니다. 연구진은 이러한 건전한 기업들이 구매자가 제안을 하기 전까지 약 7개월 동안 조용히 지나가는 현상을 발견했습니다. 이는 자발적 퇴장이 실패의 징후가 아니라, 좋은 기업이 사적인 구매자가 나타나 구조할 때까지 단순히 투자자들에게 간과되는 '투자자 소외'의 결과임을 시사합니다.

또한 이 연구는 금융적 곤경을 다루는 시장의 방식에서 유의미한 변화를 밝혀냈습니다. 지난 10년 동안 기업이 강제로 제거될 위험은 비교적 일정하게 유지되었습니다. 그러나 데이터는 2024년 12월경에 변화가 일어나고 있음을 가리켰습니다. 이 날짜 이후, 비자발적 제거의 전반적인 위험이 증가했으며, 새로운 요인인 '부채'가 결정적인 변수가 되었습니다. 이 변화 이전에는 높은 수준의 부채가 기업의 제거 가능성을 크게 높이는 것처럼 보이지 않았습니다. 하지만 이 변화 이후, 부채는 주요 경고 신호가 되었습니다. 이러한 변화는 아마도 팬데믹 기간 동안 시행되었던 임시 구제 조치들이 종료된 것을 반영하는 것으로 보이며, 이 조치들은 이전에 어려움을 겪는 기업들의 제거를 늦추고 있었습니다. 일단 구제책이 끝나자, 시장은 이러한 기업들의 근본적인 약점, 특히 과도한 부채를 가진 기업들의 약점에 반응하기 시작했습니다.

연구진은 자신들의 발견이 단순한 수학적 결과가 아니라 실제임을 확인하기 위해 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 보통 결과 확증을 위해 신뢰받는 표준 통계 테스트가 이 특정 유형의 데이터에서는 가짜 경보(오보)를 일으키기 쉽다는 것을 발견했습니다. 연구진이 표준 테스트를 사용했을 때는 2024년 12월의 변화가 강력하고 통계적으로 입증된 사실이라고 제안했습니다. 그러나 연구진이 이 특정 상황을 위해 설계된 더 세심하고 맞춤화된 테스트를 사용했을 때는, 그 증거가 표준 테스트가 주장하는 것만큼 확고하지 않다는 것을 보여주었습니다. 새로운 테스트는 해당 변화가 경제적으로 의미 있고 패턴이 명확하지만, 통계적 증거가 표준 테스트가 주장하는 것만큼 철저하지는 않다는 것을 보여주었습니다. 결과적으로 이 발견은 매우 시사적이고 실질적으로 중요하지만, 해석에 있어 어느 정도의 주의가 필요하다는 결론에 도달했습니다.

연구진은 또한 자신들의 결론이 선택한 모델의 수학적 형태에 의존하는지 테스트했습니다. 그들은 단순한 모델부터 복잡한 모델까지 네 가지 서로 다른 수학적 프레임워크를 시도했으며, 어떤 도구를 사용하든 결과가 동일하다는 것을 발견했습니다. 이러한 일관성은 그들이 발견한 패턴이 특정 계산 방법의 산물이 아니라 시장의 실제 특징이라는 확신을 줍니다. 나아가, 시뮬레이션을 통해 유사한 연구에서의 숨겨진 위험을 발견했습니다. 만약 데이터셋 내의 모든 기업이 거래소에서 동시에 '생애'를 시작한다면, 기업이 나이를 먹는 것과 달력상의 시간이 변하는 것을 구분하는 것이 거의 불가능해집니다. 연구진은 시간의 흐름에 따른 점진적인 변화를 관찰하기 위해서는 다양한 기간 동안 상장되어 온 기업들이 섞여 있어야 한다는 것을 발견했습니다. 이러한 혼합이 없다면, 데이터는 존재하지 않는 변화를 만들어내는 오해의 소지가 있는 환상을 만들어낼 수 있습니다.

결국, 이 연구는 주식 시장의 '출구'에 대한 더 명확한 그림을 제공합니다. 이는 시장이 모든 퇴장을 동등하게 취급하지 않는다는 것을 보여줍니다. 소외된 작은 기업은 재정적 어려움에 의해 밀려날 가능성이 높은 반면, 건강하고 가격이 잘 형성된 기업은 구매자가 나타날 때까지 투자자들에게 조용히 간과되어 떠날 수 있습니다. 또한 2024년 말 부채가 위험 요인으로 부상한 것처럼, 게임의 규칙이 변할 수 있음을 강조합니다. 이처럼 두 가지 이야기를 분리하고 더 세심한 테스트 방법을 사용함으로써, 이 연구는 공기업의 생사와 궤적을 이해하는 더 정확한 방법을 제시하며, 금융의 세계에서는 맥락이 전부라는 사실을 상기시켜 줍니다.

기술적 요약: 주식 시장 상장 폐지에 대한 원인별 매끄러운 전환 해저드 모델 (Cause-Specific Smooth Transition Hazards)

문제 제Num (Problem Statement)
본 논문은 두 가지 별개의 메커니즘—자발적 퇴출(예: 인수합병, 선택적 자본 감소)과 비자발적 퇴출(예: 재무적 곤경, 규제 집행)—으로부터 발생하는 주식 시장 상장 폐지의 복잡성을 다룬다. 표준 생존 분석 모델은 다음 세 가지 구체적인 문제로 인해 이 맥락에서 실패하는 경우가 많다:

풀링 편향 (Pooling Bias): 자발적 퇴출과 비자발적 퇴출을 하나로 합치면 서로 반대되는 관계가 평균화되어, 두 과정 모두를 제대로 나타내지 못하는 계수를 생성한다.
비정상성 (Non-Stationarity): 팬데믹과 그에 따른 규제 완화 조치 철회와 같은 주요 사건을 관통하는 샘플의 경우, 계수가 시간에 따라 일정하게 유지되지 않을 수 있다. 표준 모델은 점진적인 체제 변화(regime shifts)를 쉽게 포착하지 못한다.
추론 실패 (Inference Failure): 기업들이 공통된 진입 시점을 공유하거나(또는 클러스터 형태로 진입하는) 기간 패널(duration panels)의 경우, 상장 연령(listing age)과 달력 시간(calendar time)이 공선성을 갖게 된다. 이는 기간 의존성(duration dependence)과 점진적인 달력 시간의 변화를 구분하기 어렵게 만든다. 또한, 매끄러운 전환에 대한 표준 우도비 검정(likelihood ratio tests)은 전환 파라미터가 귀무 가설 하에서 식별되지 않기 때문에 크기 왜곡(size distortion)을 겪으며, 과도한 제1종 오류를 초래한다.

방법론 (Methodology)
본 연구는 2016년부터 2025년까지 Bursa Malaysia(메인 및 ACE 마켓)의 836개 기업 패널에 적용된 **원인별 매끄러운 전환 해저드 모델(cause-specific smooth-transition hazard model)**을 개발하였다.

모델 구조: 본 모델은 계수가 로지스틱 전환 함수 $G(s; \gamma, c)$ 를 통해 시간에 따라 점진적으로 변할 수 있는 원인별 비례 해저드 프레임워크를 채택한다. 전환은 위치 파라미터 $c$ (타이밍)와 속도 파라미터 $\gamma$ 에 의해 정의된다.
기초 함수의 유연성 (Baseline Flexibility): Weibull 분포에 국한되었던 기존의 응용 방식과 달리, 본 프레임워크는 Weibull, Gompertz, log-logistic, 그리고 Beta Transformed Lomax 등 교체 가능한 기초 함수군을 허용한다. 저자는 전체 샘플에만 사용되었던 Beta Transformed Lomax 계열을 통합 해저드(integrated hazard)를 통해 표현함으로써, 시차를 두고 진입하는 중도 절단 회귀 데이터(censored regression data)로 확장하였다.
추정 (Estimation): 파라미터는 전환 파라미터( $\gamma, c$ )에 대해 거친 탐색에서 정밀한 탐색으로 이어지는 격자 탐색(grid search)을 통해 프로파일링한 후, 나머지 파라미터들에 대해 quasi-Newton 최적화를 사용하여 추정된다.
교정된 추론 (Calibrated Inference): 귀무 가설 하에서(식별되지 않는 전환 파라미터로 인해) 우도비 검정의 비표준적 분포를 해결하기 위해, 저자는 시뮬레이션 기반 교정 검정을 사용한다. 관측된 데이터의 정확한 공변량 이력과 진입 패턴을 보존하면서, 적합된 무전환 모델(no-transition model) 하에서 데이터를 시뮬레이션하여 검정 통계량을 위한 경험적 귀무 분포를 생성한다.

주요 기여 (Key Contributions)

방법론적 확장: 본 논문은 매끄러운 전환 해저드 프레임워크 내에서 Beta Transformed Lomax 분포의 첫 번째 중도 절단 회귀 적용 사례를 소개한다.
식별 경고 (Identification Warning): 시뮬레이션을 통해 본 연구는 기간 패널에서 매끄러운 전환을 추정하기 위한 임계 조건을 식별하였다: 진입 날짜가 충분히 분산되어 있어야 한다. 모든 대상이 동시에 진입하는 경우(공통 진입 코호트), 기간 의존성이 달력 시간의 전환을 모방하는 "우도 능선(likelihood ridge)"이 형성된다. 시뮬레이션에서 왜곡된 능선 솔루션은 약 90%의 반복 실험에서 실제 파라미터보다 더 나은 성능을 보였다.
추론 교정: 본 연구는 매끄러운 전환에 대한 표준 카이제곱 검정의 크기 왜곡을 정량화한다. 표준 임계값이 명목 5% 수준에서 실제 귀무 가설을 11.9%의 확률로 잘못 기각함을 보여주며, 시뮬레이션된 분포를 사용하는 교정된 대안을 제시한다.
실증적 적용: 본 연구는 distress-driven(재무적 곤경에 의한) 퇴출과 neglect-driven(관리 소홀에 의한) 퇴출을 구분하여, ASEAN 거래소에서 수행된 최초의 원인 분류 분석을 제공한다.

결과 (Results)

구별되는 예측 변수 (H1 지지):
- 비자발적 제거: 작은 규모, 낮은 주가, 높은 거래 비활성(수익률 0일)에 의해 주도된다. 레버리지는 초기에 유의미하지 않았으나, 체제 변화 이후 강력한 리스크 요인이 되었다.
- 자발적 퇴출: 적절한 가격이 책정된 우량 기업 및 양(+)의 모멘텀과 관련이 있다. 가장 강력한 예측 변수는 퇴출 7개월 전의 희박한 거래(high zero-return share)였으며, 이는 재무적 곤경보다는 "투자자 소홀(investor neglect)"을 시사한다.
체제 변화 (H2 조건부 지지): 비자발적 해저드 모델은 2024년 12월을 중심으로 하는 매끄른 전환을 식별한다. 이 변화 이후, 전반적인 제거 해저드가 크게 증가했으며, 레버리지는 무관한 요인에서 강력한 리스크 요인으로 변모했다. 그러나 6개의 전환 파라미터를 포함한 결합 검정은 교정된 p-값이 0.173으로 나타나, 5% 유의 수준에서 통계적 유의성에 도달하지 못했으나 경제적으로는 의미가 있다.
기초 함수의 강건성 (H4 지지): 공변량 효과 및 전환 타이밍 추정치는 Weibull, Gompertz, log-logistic, Beta Transformed Lomax 기초 함수 전반에 걸쳐 안정적으로 유지되었으며, 이는 결과가 특정 파라미터 선택의 산물이 아님을 나타낸다.
추론 타당성 (H3 지지): 시뮬레이션 연구는 이 맥락에서 표준 카이제곱 검정이 신뢰할 수 없음을 확인하였으며, 실제 귀무 가설을 명목 수준보다 훨씬 더 자주 기각함을 보여주었다. 교정된 검정은 이러한 왜곡을 바로잡았다.

의의 및 주장 (Significance and Claims)
본 논문은 구조적 변화와 경합 위험(competing risks)이 공존하는 기간 데이터를 다루는 연구자들에게 실용적인 도구 모음을 제공한다고 주장한다. 주요 의의는 다음과 같다:

통계적 관행의 교정: 공통 진입 패널에서 표준 전환 검정이 거짓 양성(false positives)에 취 속하기 쉬움을 경고하고, 유효한 추론을 복구하기 위한 교정된 시뮬레이션 접근법을 제시한다.
식별의 명확화: 매끄러운 전환 모델에서 기간 효과와 시간 효과를 구분하려면 분산된 진입 날짜가 필요함을 확립한다. 그렇지 않으면 모델이 가짜 "능선" 솔루션으로 수렴할 수 있다.
정책 및 시장 통찰: Bursa Malaysia에 대해, 본 연구의 결과는 상장 폐지 위험이 단일한 성격이 아님을 시사한다. 2024년 이후의 변화는 팬데믹 기간의 규제 완화가 제거를 방지하기보다는 지연시켰을 가능성을 나타내며, 고레버리지 기업들이 완화 조치가 종료된 후 특히 취약해졌음을 보여준다. 또한, 자발적 퇴출 패턴은 희박한 거래가 사적 인수 제안이 발표되기 훨씬 전부터 투자자 소홀의 조기 경고 신호로 작용함을 시사한다.

저자는 비자발적 모델에서의 전환이 경제적으로 일관되기는 하나, 교정된 검정 하에서는 통계적으로 유의하지 않다는 점을 언급하며 신중한 어조를 유지한다. 저자는 자신의 연구 결과가 은행 인가(bank charters), 대출 빈티지(loan vintages), 스타트업 세대와 같은 다른 공통 기점 코호트에도 광범위하게 적용될 수 있음을 강조한다.

유사한 논문