Green Bond Yield Determinants in Indonesia: The Moderating Role of Bond Ratings
Notice bibliographique
Résumé
This study investigates the relationship between bond-specific factors, macroeconomic variables, and green bond (GB) yields issued in the Indonesian bond market. The study sample includes 468 GBs issued by 30 issuers from both corporate and government entities from 2018 to 2023. This research method uses panel regression techniques with the random effects models to test hypotheses on two estimation model specifications. The study results reveal that interest, inflation, and exchange rates are significantly and positively related to GB yields. Bond-specific factors have different impacts, where coupons and maturity have a positive relationship with GB yields, while bond issuers have an adverse effect. Bond rating and issuance size as specific factors are shown to have no impact on GB yields. In the model with the moderating role of rating, the study’s results show that coupons still directly impact GB yields positively, while the influence of maturity is negative. The interaction of maturity and rating positively impacts GB yield. Different findings suggest that interactions with coupons weaken the impact of ratings on GB yields. The results of this study contribute to the financial literature on the determinants of the GB market and the role of bond ratings as a moderator. The study also provides new insights into Indonesia’s GB market, which includes developing countries. The findings can also help companies, investors, regulators, and researchers better understand the GB market.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».