Abstrak
Makalah ini mengusulkan model prediksi gagal bayar yang lebih unggul menggunakan teknik pembelajaran mesin. Alat penilaian risiko tradisional tidak memadai, terutama bagi investor asing yang menghadapi masalah transparansi yang signifikan. Dengan menggunakan data keuangan terperinci tentang penerbit obligasi Tiongkok, model kami menyediakan cakupan yang jauh lebih luas daripada yang ditawarkan oleh lembaga pemeringkat kredit internasional. Kami mencapai akurasi lebih dari 90% dalam memprediksi gagal bayar obligasi kredit, yang secara signifikan mengungguli skor Z Altman. Studi ini tidak hanya memajukan analisis prediktif dalam manajemen risiko keuangan, tetapi juga berfungsi sebagai perangkat peringatan dini dan detektor risiko gagal bayar yang andal bagi investor yang ingin menavigasi kompleksitas pasar obligasi Tiongkok.
1 PENDAHULUAN
Pasar obligasi dalam negeri Tiongkok adalah yang terbesar kedua secara global, hanya di belakang pasar obligasi Amerika Serikat yang secara historis dominan. Pertumbuhan pasar obligasi dalam negeri Tiongkok dalam beberapa tahun terakhir, bersama dengan dimasukkannya baru-baru ini dalam indeks obligasi global, telah meningkatkan daya tariknya bagi investor secara global. Investor telah berfokus terutama pada pasar obligasi kredit Tiongkok senilai US$6 triliun sebagai jalan strategis untuk diversifikasi portofolio.
Namun, calon investor asing menghadapi tantangan signifikan dengan penilaian risiko kredit obligasi Tiongkok. Gagal bayar obligasi kredit dalam negeri Tiongkok mencapai US$17 miliar pada tahun 2021 dan diperkirakan akan meningkat dalam beberapa tahun mendatang karena penarikan bertahap dana talangan pemerintah terhadap penerbit obligasi terus berlanjut. Investor institusional menghadapi berbagai rintangan saat melakukan penilaian risiko kredit obligasi Tiongkok. Rintangan ini mencakup kualitas penilaian lembaga pemeringkat domestik yang relatif buruk, cakupan obligasi Tiongkok yang rendah oleh lembaga pemeringkat asing, penelitian yang tidak memadai, dan dinamika pasar yang terdistorsi.
Sampai saat ini, sebagian besar studi yang terkait dengan pasar obligasi Tiongkok telah mengembangkan dan menguji model risiko kredit mereka dalam konteks pasar AS. Namun, perbedaan dalam standar akuntansi, undang-undang kebangkrutan, dan karakteristik pasar antara Tiongkok dan AS dapat mengakibatkan inferensi yang berbeda. Lebih lanjut, model yang ada, seperti model Z-score dari Altman et al. (2017), cenderung mengukur tekanan keuangan dengan memprediksi risiko kebangkrutan perusahaan—ketimbang mengukur secara langsung kemungkinan gagal bayar obligasi kredit. Beberapa penelitian terkini meneliti risiko gagal bayar perusahaan Tiongkok dan faktor-faktor yang memengaruhi kemungkinan gagal bayar (seperti Li et al., 2022, 2025; Liu & Hu, 2024; Lu et al., 2013; Wang & Ma, 2023), tetapi mereka berfokus pada ukuran kesulitan perusahaan, seperti jarak Merton (1974) ke gagal bayar, kemungkinan gagal bayar Bharath dan Shumway (2008), dan metode Fan et al. (2013) untuk menyimpulkan kesulitan pada tingkat perusahaan daripada tingkat obligasi. Dalam makalah ini, kami mengusulkan model analitik baru yang inovatif untuk membantu investor mengukur kemungkinan gagal bayar obligasi kredit Tiongkok. Dengan menggunakan konsep dan variabel yang terkait dengan skor Z Altman (2017), studi kami berfokus pada pemodelan risiko kredit untuk obligasi kredit nonfinansial jangka panjang dan menengah Tiongkok yang diperdagangkan di bursa saham dan platform antarbank—yaitu, obligasi korporasi (CB), obligasi perusahaan (EB), dan surat utang jangka menengah (MTN). Kami juga menggunakan data Tiongkok yang diekstrak secara eksklusif dari sumber domestik, yang berbeda dengan studi terbaru lainnya tentang peringkat risiko untuk obligasi Tiongkok yang tidak menggunakan data domestik Tiongkok secara eksklusif untuk menganalisis kemungkinan gagal bayar obligasi—dan karena itu tidak menangkap kekhasan signifikan pasar obligasi Tiongkok.
Secara khusus, kami pertama-tama menguji penerapan model skor Z Altman (2017) dengan koefisien asli untuk menilai kemungkinan penerbit obligasi kredit Tiongkok mengalami kesulitan keuangan dengan memodelkan gagal bayar risiko kredit obligasi mereka menggunakan data domestik Tiongkok secara eksklusif. Kami kemudian memperkirakan ulang koefisien model skor Z menggunakan data Tiongkok dan menunjukkan bahwa akurasi model meningkat. Kami selanjutnya memasukkan faktor-faktor tambahan seperti sektor industri dan jenis obligasi ke dalam model. Terakhir, kami mengadopsi teknik pemodelan pembelajaran mesin baru dan menunjukkan keunggulan kinerjanya untuk memprediksi gagal bayar obligasi kredit.
Kami berkontribusi pada literatur dalam beberapa cara yang signifikan. Pertama, dengan menggunakan data keuangan internal dan tepat waktu serta teknik pembelajaran mesin, kami mencapai akurasi lebih dari 90% dalam memprediksi gagal bayar pada obligasi kredit Tiongkok. Dengan demikian, model kami dapat membantu investor yang menghindari risiko yang ingin mengidentifikasi obligasi yang harus dihindari. Kedua, kami menyediakan cakupan yang jauh lebih luas daripada lembaga pemeringkat kredit internasional. Model kami menawarkan cakupan yang komprehensif, menilai risiko gagal bayar pada 100% obligasi yang datanya tersedia untuk umum, sementara lembaga pemeringkat internasional mencakup kurang dari 20% obligasi tersebut, dengan akurasi yang unggul. Ketiga, model kami dapat diterapkan pada perusahaan atau negara mana pun dengan menggunakan data keuangan yang dilaporkan secara berkala, yang membuat model tersebut berlaku dalam konteks internasional.
2 PASAR OBLIGASI KREDIT CINA
2.1 Tinjauan Umum
Struktur pasar obligasi Tiongkok sangat kompleks, meliputi berbagai jenis obligasi seperti obligasi pemerintah dan kuasi-pemerintah di samping berbagai obligasi kredit. Obligasi ini berbeda dalam hal jatuh tempo, diatur oleh otoritas regulasi yang berbeda, dan diperdagangkan di berbagai platform perdagangan, seperti yang digambarkan pada Gambar 1. Obligasi pemerintah melibatkan banyak penerbit termasuk pemerintah pusat dan daerah, dengan perdagangan yang dikelola oleh entitas seperti Kementerian Keuangan dan Bank Rakyat Tiongkok. Obligasi kredit, di sisi lain, meliputi obligasi keuangan dan non-keuangan yang ditawarkan oleh penerbit korporat, diatur oleh banyak otoritas keuangan, dan diperdagangkan di berbagai platform.
2.2 Meningkatnya gagal bayar
Meskipun ada reformasi ekonomi dan pembukaan pasar yang signifikan, pasar modal Tiongkok, khususnya pasar obligasi, terus tertinggal dari pasar modal di negara-negara Barat yang maju. Meskipun langkah-langkah terkini bertujuan untuk meningkatkan likuiditas pasar dan penetapan harga risiko serta memfasilitasi investasi asing, jaminan pemerintah implisit masih ada, yang mendistorsi penilaian risiko kredit dan tingkat gagal bayar perusahaan. Zhang dkk. (2022) menunjukkan bukti adanya jaminan pemerintah implisit di pasar obligasi korporasi Tiongkok dan premi jaminan yang kuat untuk obligasi korporasi yang diterbitkan oleh BUMN.
Masalah-masalah ini berkontribusi pada munculnya bias dalam peringkat risiko yang diberikan oleh lembaga kredit domestik untuk obligasi Tiongkok. Peringkat tersebut, yang dipengaruhi oleh persyaratan penerbitan yang ketat dan jaminan pemerintah yang dirasakan, khususnya untuk BUMN dan lembaga pembiayaan pemerintah daerah (LGFV), tampaknya terdistorsi. Hal ini terbukti karena lebih dari 95% obligasi kredit diberi peringkat AA atau lebih tinggi, jauh dari tolok ukur internasional.3
Meskipun terjadi peningkatan gagal bayar obligasi kredit baru-baru ini, tingkat gagal bayar secara keseluruhan tetap rendah. Bahasa Indonesia: Setelah penerbitan pertama obligasi kredit pada tahun 1983, hampir tidak ada gagal bayar yang terjadi di Tiongkok hingga tahun 2014, seperti yang ditunjukkan pada Gambar 5. Tingkat gagal bayar yang rendah tercermin sebagian dalam fundamental ekonomi yang kuat dan persyaratan penerbitan yang ketat. Namun, kontributor paling signifikan kemungkinan besar adalah intervensi pemerintah dalam kasus hampir gagal bayar.4 Luo et al. (2016) mencatat bahwa karena “toleransi nol” untuk gagal bayar di pasar obligasi korporasi Tiongkok, investor secara tradisional mengasumsikan risiko kredit yang dapat diabaikan, yang telah membantu menarik modal dari pasar lain. Tren peningkatan baru-baru ini dalam gagal bayar yang dilaporkan mencerminkan perubahan dalam strategi pemerintah dari sikap protektif menjadi pendekatan pasar bebas, dengan perusahaan semakin dibiarkan mengelola krisis utang sendiri dan tidak dapat bergantung pada dana talangan pemerintah. Hal ini dapat menyebabkan di masa depan jumlah gagal bayar yang lebih tinggi pada obligasi kredit.
3. Model prediksi gagal bayar
Karena obligasi kredit menjadi sumber pembiayaan yang semakin penting bagi perusahaan dan sarana investasi bagi investor domestik dan asing, penilaian risiko yang tepat menjadi sangat penting—baik bagi investor obligasi maupun, secara lebih luas, untuk alokasi sumber daya ekonomi nasional yang efisien. Sebagian besar literatur tentang prediksi risiko kredit berpusat di AS, sementara studi tentang pasar berkembang masih jarang (lihat, misalnya, Altman, 2005; Asis et al., 2021; Zhang et al., 2010). Penelitian internasional telah menunjukkan bahwa risiko kredit perusahaan bergantung pada posisi keuangan perusahaan, karakteristik internal pasarnya, dan kondisi ekonomi makro. Para peneliti dan lembaga risiko kredit telah menerapkan berbagai teknik untuk mengembangkan model prediksi untuk tekanan keuangan dengan menggunakan faktor-faktor ini sebagai prediktor. Altman Z-score (2017) yang dikenal luas dan digunakan menggunakan data internasional, termasuk data Tiongkok, untuk mengembangkan model regresi logistik dasar berdasarkan rasio keuangan guna memprediksi kegagalan perusahaan, tetapi model tersebut tidak secara khusus memprediksi gagal bayar obligasi kredit. Dalam studi ini, kami memberikan penilaian yang lebih tepat sasaran terhadap risiko gagal bayar yang dihadapi obligasi kredit di pasar Tiongkok.
3.1 Data
Periode sampel kami berlangsung dari tahun 2017 hingga Juni 2022, yang mencerminkan jumlah kasus gagal bayar yang lebih besar yang diamati sejak tahun 2017. Kami mengumpulkan data dari platform WIND, yang merupakan penyedia terkemuka di Tiongkok yang menyusun informasi terkini dan historis dari basis data pelaporan keuangan untuk perusahaan Tiongkok yang terdaftar dan yang dihapus dari daftar. Layanan WIND disetujui oleh Komisi Pengawasan Sekuritas Tiongkok. Informasi yang ditawarkan berpusat pada data keuangan dan sekuritas di Tiongkok, yang mencakup saham, obligasi, dana, valuta asing, derivatif keuangan, komoditas, ekonomi makro, dan berita keuangan, yang diperbarui secara tepat waktu.
Untuk melatih model kami, kami mengumpulkan data keuangan dua tahunan (dari kuartal kedua dan keempat) pada CB, MTN, dan EB yang diterbitkan antara tahun 2017 dan 2020. Setelah memfilter data yang hilang dan outlier, 43% dari kumpulan data pelatihan ini terkait dengan CB, 27% dengan EB, dan 30% dengan MTN. Kumpulan data tersebut terdiri dari 72.555 obligasi yang diterbitkan oleh 6.115 perusahaan, dengan 999 catatan gagal bayar, yang sesuai dengan tingkat gagal bayar sebesar 1,4% (1,9% untuk CB, 0,6% untuk EB, dan 1,3% untuk MTN).
Untuk memvalidasi kinerja dan akurasi model, kami melakukan prediksi di luar sampel untuk gagal bayar obligasi yang jatuh tempo antara Juli 2021 dan Juni 2022, menggunakan data keuangan yang dilaporkan dalam empat kuartal tahun 2021. Data yang digunakan untuk prediksi risiko gagal bayar sesuai dengan dua kuartal sebelum jatuh tempo setiap obligasi. Kumpulan data pengujian ini berisi 5.533 obligasi dengan tingkat gagal bayar sebesar 3,0% (167 gagal bayar).
Kami mengikuti klasifikasi gagal bayar yang kami kumpulkan dari platform WIND untuk memberi label data antara kelas non-gagal bayar dan gagal bayar. Peristiwa gagal bayar tercantum dalam Tabel 2. Setelah peristiwa gagal bayar terjadi, perusahaan yang menerbitkan obligasi diberi label sebagai “pelaku gagal bayar” (boneka gagal bayar bernilai satu). Label gagal bayar ini tetap berlaku sejak tanggal gagal bayar dan seterusnya (kecuali terjadi pemulihan rata-rata dalam rasio keuangan lebih dari 40%). Dari 12 bulan sebelum tanggal gagal bayar hingga gagal bayar terjadi, penerbit juga menerima label “pelanggar”. Mengikuti literatur, kami mengadopsi konvensi yang menyatakan bahwa tanda-tanda kemerosotan keuangan bagi perusahaan yang gagal bayar dimulai 1 tahun sebelum peristiwa gagal bayar (Balcaen & Ooghe, 2006; Ntuli, 2018). Sebaliknya, jika obligasi menunjukkan peristiwa non-gagal bayar, semua data deret waktu digunakan. Peristiwa non-gagal bayar diberi label sebagai boneka yang sama dengan nol.
4 HASIL
Pada bagian ini, kami menyajikan hasil empiris yang diperoleh dalam analisis data pemodelan kami menurut metodologi dan data yang dijelaskan dalam Bagian 3.
Tabel 4 menyajikan statistik deskriptif untuk empat rasio akuntansi independen (yaitu, WCTA, RETA, EBITTA, dan BVETD) untuk semua data dalam sampel yang digunakan untuk pemodelan. Kami menganalisis obligasi yang tidak gagal bayar dan obligasi yang gagal bayar secara terpisah. Variasi dalam rasio tersebut signifikan, terutama untuk obligasi yang gagal bayar, seperti yang ditunjukkan oleh deviasi standar dan kuartil. Untuk keempat rasio akuntansi, median dan rata-rata untuk perusahaan yang tidak gagal bayar berdekatan satu sama lain, yang menunjukkan simetri dalam distribusi. Hal tersebut tidak berlaku untuk perusahaan yang gagal bayar, di mana median jauh melebihi rata-rata, yang menunjukkan terjadinya distribusi yang miring negatif, kecuali untuk BVETD, di mana rata-rata mendekati median (distribusi simetris). Untuk masing-masing keempat rasio tersebut, kami juga mengamati nilai rata-rata (dan median) yang jauh lebih rendah untuk perusahaan yang gagal bayar dibandingkan dengan perusahaan yang tidak gagal bayar, yang konsisten dengan harapan kami.
5 KESIMPULAN
Tujuan utama dari makalah ini adalah untuk mengusulkan metode baru yang menjanjikan peningkatan kinerja model untuk prediksi gagal bayar, khususnya untuk obligasi kredit Tiongkok. Kami memperluas model Altman Z-score (2017), yang hanya menggunakan rasio keuangan berdasarkan data internasional, dengan memasukkan variabel baru dan alat pembelajaran mesin untuk meningkatkan kinerja model dalam prediksi gagal bayar obligasi kredit. Fitur unik dari metode kami adalah penggunaan data keuangan internal dan terperinci dari setiap penerbit obligasi Tiongkok selama dua kuartal sebelum jatuh tempo untuk membantu dalam menilai kemungkinan terjadinya gagal bayar.
Dengan metode pembelajaran mesin kami, kami menunjukkan peningkatan kinerja yang substansial atas Z-Score untuk memprediksi gagal bayar obligasi kredit dalam negeri di Tiongkok. Secara khusus, model Ridge-LR kami menghasilkan kinerja yang jauh lebih unggul daripada lembaga pemeringkat domestik dan internasional Tiongkok.
Dengan menyediakan alat peringatan dini dan penandaan risiko gagal bayar yang lebih andal dan akurat bagi investor, terutama investor asing, di pasar obligasi kredit Tiongkok, model kami dapat membantu mengatasi masalah yang ada terkait dengan cakupan rendah oleh lembaga pemeringkat kredit internasional. Yang terpenting, investor dapat menggunakan model kami secara internal untuk menilai risiko gagal bayar yang dihadapi penerbit obligasi secara berkala berdasarkan data keuangan tepat waktu yang tersedia di platform WIND. Mengingat bahwa pemerintah Tiongkok baru-baru ini meningkatkan keterbukaan pasar modalnya bagi investor asing, kami yakin model kami berfungsi sebagai alat yang berguna untuk menilai risiko gagal bayar obligasi yang akan membantu memandu dan melindungi investor luar negeri yang berencana untuk menyalurkan sumber daya ke pasar obligasi korporasi Tiongkok. Temuan kami juga memiliki implikasi penting bagi spread obligasi korporasi Tiongkok, yang menjadi perhatian utama bagi investor dan penerbit.
Leave a Reply