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

In de wereld van de financiële sector worden bedrijven vaak beoordeeld op hun prestaties uit het verleden, vergelijkbaar met hoe een student wordt beoordeeld op basis van hun laatste rapportcijfers. Decennialang hebben kredietverleners en investeerders vertrouwd op standaard financiële cijfers—hoeveel schuld een bedrijf heeft, hoeveel winst het heeft gemaakt en hoe snel het geld van klanten incasseert—om te beslissen of een bedrijf veilig te financieren is. Echter, deze aanpak heeft een aanzienlijke blinde vlek wanneer het gaat om technologie- en wetenschapsbedrijven. Deze bedrijven werken vaak met zeer weinig fysieke activa, geven zwaar uit aan onderzoek dat misschien pas over vele jaren rendeert, en worden geconfronteerd met onvoorspelbare toekomstige kasstromen. Tegen de tijd dat hun traditionele financiële cijfers er slecht uit gaan zien, is het vaak al te laat om een crisis te voorkomen. De vraag die onderzoekers al lang stellen, is of de aandelenmarkt zelf, met zijn constante stroom van prijsveranderingen en handelsactiviteit, kan fungeren als een vroeg waarschuwingssysteem dat problemen opspoort voordat de officiële financiële rapporten een probleem laten zien.

Een team van onderzoekers zette zich sch de vraag om door te kijken naar een specifieke groep hoogtechnologische bedrijven die genoteerd staan op de Chinese Science and Technology Innovation Board, ook wel de STAR Market genoemd. Ze verzamelden gegevens van 454 van deze bedrijven over een periode van vijf jaar, van 2019 tot 2024. In plaats van alleen naar de definitieve cijfers te kijken, bouwden ze een geavanceerd voorspellingssysteem dat traditionele financiële gegevens combineerde met een breed scala aan marktsignalen. Dit omvatte hoe sterk de aandelenkoers schommelde, de specifieke patronen van die beweging, hoe verbonden een bedrijf was met anderen in zijn sector, en cruciaal: hoe consistent de bedrijven informatie deelden over hun onderzoek en ontwikkeling. Ze gebruikten een krachtig computeralgoritme, een type machine learning dat complexe, niet-lineaire patronen in data kan vinden, om te zien of deze marktsignalen konden voorspellen welke bedrijven in het volgende kwartaal te maken zouden krijgen met financiële nood, regelgevende problemen of auditproblemen.

De studie begon met het testen van een specifiek idee: dat de manier waarop een aandelenkoers in de loop van de tijd beweegt, meer informatie bevat dan alleen de historische volatiliteit. De onderzoekers ontdekten dat een maatstaf genaamd conditionele volatiliteit, die vastlegt hoe de verwachting van de markt met betrekking tot risico van dag tot dag verandert, een significante boost gaf aan hun vermogen om problemen te voorspellen. Toen ze deze dynamische marktmaatstaf aan hun model toevoegden, verbeterde hun vermogen om risicovolle bedrijven correct te identificeren merkbaar. Ze ontdekten echter ook dat de relatie tussen de onrust op de aandelenmarkt en het bedrijfsrisico geen eenvoudige rechte lijn is. Het is niet waar dat hoe meer een aandelenkoers schommelt, hoe gevaarlijker het bedrijf is. In plaats daarvan toonden de gegevens een specifiek patroon waarbij het risico op financiële problemen het hoogst was wanneer de volatiliteit in een middelmatig tot hoog bereik lag. Wanneer de volatiliteit extreem hoog werd, daalde het risico op een onmiddellijke financiële ineenstorting zelfs licht, wat suggereert dat extreme paniek op de markt eerder wordt gedreven door kortstondige schokken dan door de langzame, slepende achteruitgang van de gezondheid van een bedrijf.

Naast de bewegingen op de aandelenmarkt onderzochten de onderzoekers wat de bedrijven daadwerkelijk deden en hoe zij daarover communiceerden. Ze ontdekten dat het eigen gedrag van de bedrijven met betrekking tot informatieverstrekking de meest krachtige voorspeller van risico was. Specifiek waren de hiaten in de verslaglegging van een bedrijf over onderzoek en ontwikkeling een grote rode vlag. Wanneer een bedrijf stopte met het delen van updates over zijn onderzoeksprojecten of opeenvolgende perioden met ontbrekende informatie had, signaleerde dit een hoge waarschijnlijkheid van toekomstige problemen. Dit was een sterker signaal dan de netwerkverbindingen van het bedrijf met andere bedrijven, die verrassend genoeg weinig extra waarde toevoegden aan de voorspelling zodra het eigen marktbewegingsgedrag van het bedrijf al was meegewogen. De studie benadrukte ook dat hoewel hoge investeringen in onderzoek over het algemeen als positief worden gezien, de consistentie van die investeringen en de kwaliteit van de kasstroom van het bedrijf veel belangrijkere indicatoren van veiligheid waren dan de loutere hoeveelheid geld die aan innovatie werd uitgegeven.

Het uiteindelijke model, dat al deze verschillende soorten informatie combineerde, bleek zeer effectief bij het indelen van bedrijven in risicocategorieën. Toen de onderzoekers het systeem testten op gegevens die het nog nooit eerder had gezien, identificeerde het met een hoge mate van nauwkeurigheid de bedrijven die problemen zouden ervaren. Het systeem was bijzonder goed in het vangen van de bedrijven die het meest waarschijnlijk zouden falen, waardoor er zeer weinig hoogrisicobedrijven door de mazen van het net glipten. Dit suggereert dat voor technologiebedrijven de weg naar financiële problemen niet altijd zichtbaar is in de balans totdat het te laat is. In plaats daarvan zijn de waarschuwingssignalen vaak verborgen in de manier waarop de markt op het bedrijf reageert en in de consistentie waarmee het bedrijf zijn verhaal deelt.

De implicaties van deze bevindingen zijn duidelijk voor iedereen die betrokken is bij de kredietverlening aan of het investeren in technologiebedrijven. Het uitsluitend vertrouwen op traditionele financiële rapporten is onvoldoende voor deze dynamische bedrijven. Een betere aanpak houdt in dat men de polsslag van de markt in de gaten houdt en nauwlettend let op de continuïteit van de informatieverstrekking van een bedrijf. Als een technologiebedrijf plotseling stopt met het praten over zijn onderzoek of als de aandelenkoers begint te wijzen op een specifiek patroon van instabiele beweging, zijn dit waarschijnlijk vroege signalen van problemen die verschijnen lang voordat de winsten van het bedrijf negatief worden. Door deze marktsignalen en onthullingspatronen te integreren in hun risicobeoordelingen, kunnen kredietverleners en investeerders overgaan van een reactieve houding—wachtend tot de financiële cijfers verslechteren—naar een proactieve houding, waarbij zij de subtiele verschuivingen opsporen die aan een crisis voorafgaan. De studie bevestigt dat de markt inderdaad een krachtig instrument is voor ontdekking, maar alleen als we weten hoe we de complexe, niet-lineaire taal ervan moeten lezen.