Cause-Specific Smooth Transition Hazards for Stock Exchange Delisting: Estimation, Calibrated Testing, and an Application to Bursa Malaysia
Dit artikel introduceert een flexibel oorzaak-specifiek smooth transition hazard-model om onderscheid te maken tussen vrijwillige en onvrijwillige de-listings van effectenbeurzen, waarbij het wordt toegepast op Bursa Malaysia-gegevens om afzonderlijke risicofactoren en tijdsverlooppatronen voor elk type exit te onthullen, terwijl het tegelijkertijd significante schattingsuitdagingen en testgrootte-distorties via simulatie benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar verdwijnen bedrijven van de aandelenmarkt. Meestal verlaten ze de markt op een van de twee manieren. Soms wordt een bedrijf overgenomen of besluit het om te gaan als privaat bedrijf, een vrijwillig vertrek dat meestal plaatsvindt wanneer het bedrijf gezond is en een investeerder de controle wil overnemen. Op andere tijden wordt een bedrijf gedwongen van de lijst te verdwijnen omdat het in financiële problemen verkeert, de regels heeft overtreden of simpelweg zijn schulden niet kan betalen. Lange tijd behandelden statistici die deze gebeurtenissen bestuderen alle vertrekken als hetzelfde soort voorval, waarbij ze zochten naar een enkele set redenen waarom een firma zou kunnen verdwijnen. Maar deze benadering mist een cruciaal detail: de redenen waarom een gezond bedrijf vertrekt, zijn vaak precies het tegenovergestelde van de redenen waarom een falend bedrijf wordt verwijderd. Als je deze twee groepen bij elkaar mengt, wordt de data een verwarrende waas die niets zegt over welk proces ook.
Dit is het puzzelstuk waar onderzoekers een oplossing voor wilden vinden met behandeling van data van Bursa Malaysia, de belangrijkste effectenbeurs van het land. Ze wilden niet alleen begrijpen wanneer bedrijven vertrekken, maar ook waarom, en of de regels die deze vertrekken beheersen in de loop van de tijd zijn veranderd. Om dit te doen, bouwden ze een nieuw soort statistisch model dat vrijwillige en onvrijwillige vertrekken behandelt als twee aparte verhalen die tegelijkertijd plaatsvinden. Ze introduceerden ook een manier om te testen of de regels van het spel verschoven tijdens de onderzoeksperiode, waarbij ze specifiek keken naar hoe de pandemie en de daaropvolgende terugkeer naar normale economische omstandigheden het landschap voor worstelende bedrijven mogelijk hadden veranderd. Het doel was om te zien of de factoren die het falen van een bedrijf voorspellen verschillen van de factoren die de beslissing van een bedrijf om te vertrekken voorspellen, en of de timing van deze gebeurtenissen in de afgelopen jaren is veranderd.
De onderzoekers verzamelden een enorme hoeveelheid informatie over 836 bedrijven die tussen 2016 en 2025 op de beurs genoteerd stonden. Ze volgden elke maand dat deze bedrijven op de markt waren en registreerden hun omvang, hun aandelenkoers, hoe vaak hun aandelen werden verhandeld en hoeveel schuld zij hadden. Wanneer een bedrijf de beurs uiteindelijk verliet, noteerde het team niet alleen de datum, maar lazen ze de officiële aankondigingen om precies te bepalen waarom dit gebeurde. Was het een overname? Een gerechtelijk bevel? Een het niet voldoen aan regelgevende vereisten? Deze zorgvuldige classificatie stelde hen in staat om de 116 vertrekken in twee duidelijke groepen te verdelen: 62 vrijwillige vertrekken en 46 onvrijwillige verwijderingen.
Zodra de data gesorteerd waren, werden de patronen duidelijk. De twee soorten vertrekken werden gedreven door volkomen verschillende krachten. Onvrijwillige verwijderingen, het soort dat gebeurt wanneer een bedrijf in nood verkeert, waren sterk verbonden met een kleine omvang, lage aandelenkoersen en een gebrek aan handelsactiviteit. Deze bedrijven werden vaak genegeerd door de markt, waarbij hun aandelen voor lange perioden onberoerd bleven. In contrast hiermmit gebeurden vrijwillige vertrekken bij bedrijven die eigenlijk goed presteerden. Deze bedrijven hadden gezonde prijzen en positief momentum, maar ook zij leden onder dunne handel. De onderzoekers ontdekten dat deze gezonde bedrijven vaak ongeveer zeven maanden stil vielen voordat een koper een bod deed. Dit suggereert dat vrijwillige vertrekken geen tekenen van falen zijn, maar eerder een resultaat zijn van investeerdersverwaarlozing, waarbij een goed bedrijf simpelweg wordt over het hoofd gezien totdat een private koper ingrijpt om het te redden.
De studie onthulde ook een significante verschuiving in de manier waarop de markt omgaat met financiële nood. Voor het grootste deel van het decennium bleef het risico dat een bedrijf gedwongen werd verwijderd relatief stabiel. De data wezen echter op een verandering die rond december 2024 plaatsvond. Na deze datum nam het algemene risico op onvrijwillige verwijdering toe, en werd een nieuwe factor cruciaal: schuld. Vóór deze verschuiving leek het hebben van een hoog niveau aan schuld een bedrijf niet veel waarschijnlijker te maken voor verwijdering. Na de verschuiving werd schuld een belangrijke waarschuwing. Deze verandering weerspiegelt waarschijnlijk het einde van de tijdelijke steunmaatregelen die tijdens de pandemie waren ingevoerd, die voorheen de verwijdering van worstelende bedrijven hadden uitgesteld. Zodra die steun eindigde, begon de markt te handelen op de onderliggende zwakheden van deze bedrijven, met name die met zware schuldenlasten.
Om ervoor te zorgen dat deze bevindingen echt waren en niet slechts een resultaat van de wiskunde, voerden de onderzoekers duizenden computersimulaties uit. Ze ontdekten dat standaard statistische tests, die normaal gesproken worden vertrouwd om resultaten te bevestigen, gevoelig waren voor valse alarmen bij dit specifieke type data. Wanneer de onderzoekers de standaardtest gebruikten, suggereerde deze dat de verschuiving van december 2024 een sterk, statistisch bewezen feit was. Echter, toen ze een meer zorgvuldige, op maat gemaakte test gebruikten die specifiek voor deze situatie was ontworpen, werd het bewijs minder zeker. De nieuwe test toonde aan dat hoewel de verschuiving economisch betekenisvol was en het patroon duidelijk was, het statistische bewijs niet zo onwrikbaar was als de standaardtest beweerde. Het resultaat is een bevinding die zeer suggestief en praktisch belangrijk is, maar die een mate van voorzichtigheid vereist in de interpretatie ervan.
De onderzoekers testten ook of hun conclusies afhingen van de specifieke wiskundige vorm die ze voor hun model kozen. Ze probeerden vier verschillende wiskundige kaders, variërend van eenvoudig tot complex, en stelden vast dat de resultaten hetzelfde bleven, ongeacht het gebruikte instrument. Deze consistentie geeft vertrouwen dat de patronen die ze vonden echte kenmerken van de markt zijn, en geen artefacten van een specifieke berekeningsmethode. Bovendien onthielden hun simulaties een verborgen gevaar in soortgelijke studies: als alle bedrijven in een dataset hun "leven" op de beurs tegelijkert면 beginnen, is het bijna onmogelijk om het verschil te zien tussen een bedrijf dat ouder wordt en de verandering van de kalendertijd. De onderzoekers ontdekten dat om een geleidelijke verschuiving in de tijd te zien, je een mix nodig hebt van bedrijven die voor verschillende lengtes van tijd op de lijst staan. Zonder deze mix kan de data een misleidende illusie van verandering creëren waar die er niet is.
Uiteindelijk biedt dit werk een duidelijker beeld van de uitgangdeuren van de aandelenmarkt. Het laat zien dat de markt niet alle vertrekken gelijk behandelt. Een klein, verwaarloosd bedrijf wordt waarschijnlijk door financiële nood naar buiten gedrukt, terwijl een gezond, goed geprijsd bedrijf kan vertrekken omdat het geruisloos door beleggers is genegeerd totdat een koper arriveert. Het benadrukt ook dat de regels van het spel kunnen veranderen, zoals te zien is aan de opkomst van schuld als risicofactor in de late 2024. Door deze verhalen te scheiden en meer zorgvuldige testmethoden te gebruiken, biedt de studie een nauwkeurigere manier om het leven en de dood van publieke bedrijven te begrijpen, en herinnert het ons eraan dat in de wereld van de financiën context alles is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.