📈 economics

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

Este artigo introduz um modelo de risco de transição suave específico para a causa, flexível, para distinguir entre exclusões voluntárias e involuntárias de bolsas de valores, aplicando-o a dados da Bursa Malaysia para revelar fatores de risco e padrões de tempo distintos para cada tipo de saída, ao mesmo tempo que destaca desafios significativos de estimação e distorções no tamanho do teste através de simulação.

Autores originais: Ahmad Shauqi bin Haji Mohamad Zubir

Publicado 2026-08-25

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ahmad Shauqi bin Haji Mohamad Zubir

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todos os anos, empresas desaparecem do mercado de ações. Na maioria das vezes, elas partem de duas formas. Às vezes, uma empresa é comprada ou decide tornar-se privada, uma saída voluntária que geralmente ocorre quando o negócio está saudável e um investidor deseja assumir o controle. Outras vezes, uma empresa é forçada a sair da lista porque está em dificuldades financeiras, quebrou regras ou simplesmente não consegue pagar suas dívidas. Por muito tempo, estatísticos que estudavam esses eventos tratavam todas as partidas como o mesmo tipo de ocorrência, buscando um único conjunto de razões pelas quais uma firma poderia desaparecer. Mas essa abordagem ignora um detalagem crucial: as razões pelas quais uma empresa saudável sai são frequentemente o exato oposto das razões pelas quais uma empresa em crise é removida. Se você misturar esses dois grupos, os dados tornam-se um borrão confuso que não diz nada sobre nenhum dos dois processos.

Este é o enigma que pesquisadores se propuseram a resolver usando dados da Bursa Malaysia, a principal bolsa de valores do país. Eles queriam entender não apenas quando as empresas saem, mas por que, e se as regras que regem essas partidas mudaram ao longo do tempo. Para fazer isso, construíram um novo tipo de modelo estatístico que trata as saídas voluntárias e involuntárias como duas histórias distintas acontecendo ao mesmo tempo. Eles também introduziram uma forma de testar se as regras do jogo mudaram durante o período de estudo, observando especificamente como a pandemia e o subsequente retorno às condições econômicas normais poderiam ter alterado o cenário para empresas em dificuldades. O objetivo era ver se os fatores que preveem a falência de uma empresa são diferentes daqueles que preveem a decisão de uma empresa de sair, e se o momento desses eventos mudou nos anos recentes.

Os pesquisadores reuniram uma quantidade massiva de informações sobre 836 empresas listadas na bolsa entre 2016 e 2025. Eles rastrearam cada mês individual que essas empresas estiveram no mercado, registrando seu tamanho, seu preço de ação, a frequência com que suas ações eram negociadas e quanta dívida carregavam. Quando uma empresa finalmente deixava a bolsa, a equipe não apenas anotava a data; eles liam os anúncios oficiais para determinar exatamente por que isso aconteceu. Foi uma aquisição? Uma ordem judicial? Uma falha em cumprir requisitos regulatórios? Essa classificação cuidadosa permitiu separar as 116 saídas em dois grupos distintos: 62 partidas voluntárias e 46 remoções involuntárias.

Uma vez que os dados foram classificados, os padrões tornaram-se claros. Os dois tipos de saídas eram impulsionados por forças completamente diferentes. As remoções involuntárias, o tipo que ocorre quando uma empresa está em dificuldades, estavam fortemente ligadas ao tamanho pequeno, preços de ações baixos e falta de atividade de negociação. Essas firmas eram frequentemente ignoradas pelo mercado, com suas ações permanecendo intocadas por longos períodos. Em contraste, as saídas voluntárias ocorreram entre empresas que estavam, na verdade, indo bem. Essas firmas possuíam preços saudáveis e ímpeto positivo, mas também sofriam com uma negociação escassa. Os pesquisadores descobriram que essas empresas saudáveis frequentemente ficavam silenciosas por cerca de sete meses antes de um comprador fazer uma oferta. Isso sugere que as saídas voluntárias não são sinais de fracasso, mas sim o resultado de negligência dos investidores, onde uma boa empresa é simplesmente ignorada até que um comprador privado surja para resgatá-la.

O estudo também descobriu uma mudança significativa na forma como o mercado lida com o estresse financeiro. Durante a maior parte da década, o risco de uma empresa ser removida à força permaneceu relativamente estável. No entanto, os dados apontaram para uma mudança ocorrendo por volta de dezembro de 2024. Após essa data, o risco geral de remoção involuntária aumentou, e um novo fator tornou-se crítico: a dívida. Antes dessa mudança, ter um alto nível de dívida não parecia tornar uma empresa muito mais propensa a ser removida. Após a mudança, a dívida tornou-se um grande sinal de alerta. Essa mudança provavelmente reflete o fim das medidas de alívio temporário implementadas durante a pandemia, que anteriormente haviam adiado a remoção de empresas em dificuldades. Uma vez que esse alívio terminou, o mercado começou a agir sobre as fraquezas subjacentes dessas empresas, particularmente aquelas com cargas pesadas de dívida.

Para garantir que essas descobertas fossem reais e não apenas um resultado da matemática, os pesquisadores realizaram milhares de simulações de computador. Eles descobriram que testes estatísticos padrão, que são geralmente confiáveis para confirmar resultados, eram propensos a alarmes falsos neste tipo específico de dado. Quando os pesquisadores usaram o teste padrão, ele sugeria que a mudança de dezembro de 2024 era um fato estatisticamente comprovado. No entanto, quando usaram um teste mais cuidadoso e construído sob medida para esta situação específica, a evidência tornou-se menos certa. O novo teste mostrou que, embora a mudança fosse economicamente significativa e o padrão fosse claro, a prova estatística não era tão irrefutável quanto o teste padrão afirmava. O resultado é um achado que é altamente sugestivo e praticamente importante, mas que exige um grau de cautela em como é interpretado.

Os pesquisadores também testaram se suas conclusões dependiam da forma matemática específica que escolheram para seu modelo. Eles tentaram quatro diferentes estruturas matemáticas, variando do simples ao complexo, e descobriram que os resultados permaneciam os mesmos, independentemente da ferramenta utilizada. Essa consistência confere confiança de que os padrões encontrados são características reais do mercado, e não artefatos de um método de cálculo particular. Além disso, suas simulações revelaram um perigo oculto em estudos semelhantes: se todas as empresas de um conjunto de dados começam sua "vida" na bolsa ao mesmo tempo, torna-se quase impossível distinguir entre uma empresa ficando mais velha e a mudança do tempo de calendário. Os pesquisadores descobriram que, para observar uma mudança gradual ao longo do tempo, é necessário um mix de empresas que foram listadas por diferentes períodos de tempo. Sem esse mix, os dados podem criar uma ilusão enganosa de mudança onde ela não existe.

No fim, este trabalho fornece um quadro mais claro das portas de saída do mercado de ações. Mostra que o mercado não trata todas as partidas igualmente. Uma empresa pequena e negligenciada é provavelmente empurrada para fora pelo estresse financeiro, enquanto uma empresa saudável e bem precificada pode partir porque foi silenciosamente ignorada pelos investidores até que um comprador chegue. Também destaca que as regras do jogo podem mudar, como visto com o aumento da dívida como um fator de risco no final de 2024. Ao separar essas histórias e usar métodos de teste mais cuidadosos, o estudo oferece uma maneira mais precisa de entender a vida e a morte de empresas públicas, lembrando-nos que, no mundo das finanças, o contexto é tudo.

Resumo Técnico: Riscos de Transição Suave Específicos por Causa para Deslistagem em Bolsas de Valores

Definição do Problema
O artigo aborda a complexidade de modelar deslistagens em bolsas de valores, que surgem de dois mecanismos distintos: saídas voluntárias (ex: aquisições, reduções seletivas de capital) e remoções involuntárias (ex: dificuldades financeiras, aplicação de sanções regulatórias). Os modelos de sobrevivência padrão frequentemente falham neste contexto devido a três problemas específicos:

Viés de Agrupamento (Pooling Bias): Agregar saídas voluntárias e involuntárias resulta na média de relações opostas, produzindo coeficientes que não representam adequadamente nenhum dos processos.
Não Estacionariedade: Os coeficientes podem não permanecer constantes ao longo do tempo, particularmente em amostras que abrangem eventos importantes como a pandemia e a subsequente retirada de alívios regulatórios. Modelos padrão não conseguem capturar facilmente mudanças graduais de regime.
Falha de Inferência: Em painéis de duração onde as empresas compartilham uma data de entrada comum (ou entram de maneira agrupada), a idade de listagem e o tempo de calendário tornam-se colineares. Isso torna difícil distinguir a dependência da duração de mudanças graduais no tempo de calendário. Além disso, os testes de razão de verossimilhança padrão para transições suaves sofrem de distorção de tamanho porque os parâmetros de transição não são identificados sob a hipótese nula, levando a excessos de erros do Tipo I.

Metodologia
O estudo desenvolve um modelo de risco de transição suave específico por causa aplicado a um painel de 836 empresas na Bursa Malaysia (Mercados Main e ACE) de 2016 a 2025.

Estrutura do Modelo: O modelo emprega uma estrutura de riscos proporcionais específicos por causa onde os coeficientes podem mudar gradualmente ao longo do tempo via uma função de transição logística $G(s; \gamma, c)$ . A transição é definida por um parâmetro de localização $c$ (tempo) e um parâmetro de velocidade $\gamma$ .
Flexibilidade da Linha de Base: Diferente de aplicações anteriores limitadas à distribuição Weibull, este framework permite famílias de linha de base intercambiáveis: Weibull, Gompertz, log-logística e a Beta Transformed Lomax. O autor estende a família Beta Transformed Lomax, anteriormente usada apenas para amostras completas, para dados de regressão censurados com entrada escalonada, expressando a verossimilhança através do risco integrado.
Estimação: Os parâmetros são estimados por meio de busca de perfil sobre os parâmetros de transição ( $\gamma, c$ ) usando uma busca em grade de grossa a fina, seguida de maximização de quasi-Newton para os demais parâmetros.
Inferência Calibrada: Para abordar a distribuição não padrão do teste de razão de verossimilhança sob a nulidade (devido aos parâmetros de transição não identificados), o autor utiliza um teste calibrado baseado em simulação. Eles simulam dados sob o modelo de não-transição ajustado, preservando o histórico exato de covariáveis e os padrões de entrada dos dados observados, para gerar uma distribuição nula empírica para o estatístico do teste.

Principais Contribuições

Extensão Metodológica: O artigo introduz a primeira aplicação de regressão censurada da distribuição Beta Transformed Lomax dentro de um framework de risco de transição suave.
Aviso de Identificação: Através de simulação, o estudo identifica uma condição crítica para estimar transições suaves em painéis de duração: as datas de entrada devem ser suficientemente dispersas. Quando todos os sujeitos entram simultaneamente (coortes de entrada comum), uma "crista de verossimilhança" (likelihood ridge) se forma onde a dependência da duração mimetiza as transições de tempo de calendário. Em simulações, uma solução de crista distorcida superou os parâmetros verdadeiros em aproximadamente 90% das replicações.
Correção de Inferência: O estudo quantifica a distorção de tamanho dos testes qui-quadrado padrão para transições suaves. Demonstra que os valores críticos padrão rejeitam uma nulidade verdadeira 11,9% das vezes em um nível nominal de 5%, e propõe uma alternativa calibrada usando distribuições simuladas.
Aplicação Empírica: Fornece a primeira análise classificada por causa de deslistagem em uma bolsa do ASEAN, distinguindo entre saídas impulsionadas por dificuldades financeiras e negligência.

Resultados

Preditores Distintos (H1 Suportada):
- Remoção Involuntária: Impulsionada por tamanho pequeno, preço de ação baixo e alta inatividade de negociação (dias de retorno zero). A alavancagem foi inicialmente insignificante, mas tornou-se um fator de risco forte após uma mudança de regime.
- Saída Voluntária: Associada a empresas com preços adequados e em desempenho positivo, com momentum positivo. O preditor mais forte foi a negociação tênue (alto percentual de ações com retorno zero) medida sete meses antes da saída, sugerindo "negligência do investidor" em vez de dificuldade financeira.
Mudança de Regime (H2 Qualificada): O modelo de risco involuntário identifica uma transição suave centrada em torno de dezembro de 2024. Após essa mudança, o risco involuntário geral aumentou significamente, e a alavancagem transformou-se de um fator irrelevante para um forte fator de risco. No entanto, o teste conjunto para a transição (envolvendo seis parâmetros de mudança) resultou em um p-valor calibrado de 0,173, falhando em atingir significância estatística ao nível de 5%, embora permaneça economicamente relevante.
Robustez da Linha de Base (H4 Suportada): As estimativas para efeitos de covariáveis e tempo de transição permaneceram estáveis entre as linhas de base Weibull, Gompertz, log-logística e Beta Transformed Lomax, indicando que os resultados não são artefatos de uma escolha paramétrica específica.
Validação de Inferência (H3 Suportada): O estudo de simulação confirmou que o teste qui-quadrado padrão é pouco confiável neste contexto, rejeitando nulidades verdadeiras com muito mais frequência do que o nível nominal sugere. O teste calibrado corrigiu essa distorção.

Significância e Alegações
O artigo alega fornecer um conjunto de ferramentas práticas para pesquisadores lidando com dados de duração onde coexistem quebras estruturais e riscos competitivos. Sua principal significância reside em:

Corrigir a Prática Estatística: Alerta que os testes de transição padrão são propensos a falsos positivos em painéis de entrada comum e oferece uma abordagem de simulação calibrada para restaurar a inferência válida.
Esclarecer a Identificação: Estabelece que distinguir efeitos de duração de efeitos de tempo em modelos de transição suave requer datas de entrada dispersas; caso contrário, o modelo pode convergir para uma solução de "crista" espúria.
Visão de Política e Mercado: Para a Bursa Malaysia, os achados sugerem que o risco de deslistagem não é monolítico. A mudança pós-2024 indica que o alívio regulatório durante a pandemia pode ter adiado, em vez de prevenir, as remoções, com empresas altamente alavancadas tornando-se particularmente vulneráveis assim que o alívio terminou. Além disso, o padrão de saídas voluntárias sugere que a negociação tênue serve como um sinal de alerta precoce para a negligência do investidor bem antes que as ofertas de privatização sejam anunciadas.

O autor mantém um tom modesto, observando que, embora a transição no modelo involuntário seja economicamente coerente, ela não é estatisticamente significativa sob o teste corrigido. Ele enfatiza que seus achados se aplicam amplamente a outras coortes de origem comum, como cartas bancárias, safras de empréstimos e gerações de startups.

Mais como este