Modified Exponentially Weighted Moving Average Model to Estimate Stock Volatility in Indonesia Stock Exchange (Case Study: LQ45 Index).
RAT
TAAN BE
UNTUK
IN
MOD
ERGERA
K MENDU
DI BURS
(Studi K
JOSE BO
SEKOLA
NSTITUT
DIFIKASI
AK TERB
UGA VOL
SA EFEK
Kasus: In
ONATUA
AH PASC
T PERTA
BOGO
2012
I MODEL
BOBOTI E
LATILIT
K INDONE
ndeks LQ
A HASIBU
CASARJA
ANIAN BO
OR
2
L
EKSPON
TAS SAH
ESIA
Q45)
UAN
ANA
OGOR
NENSIAL
HAM
(2)
(3)
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Modifikasi Model Rataan Bergerak Terboboti Eksponensial Untuk Menduga Volatilitas Saham di Bursa Efek Indonesia (Studi Kasus: Indeks LQ45) adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, September 2012
Jose Bonatua Hasibuan
(4)
(5)
ABSTRACT
JOSE BONATUA HASIBUAN. Modified Exponentially Weighted Moving Average Model to Estimate Stock Volatility in Indonesia Stock Exchange (Case Study: LQ45 Index). Under direction of ENDAR H. NUGRAHANI and I GUSTI PUTU PURNABA.
Accurate volatility modeling is an important issue in finance. A common approach to estimate the volatility of asset returns is to use an exponentially weighted moving average (EWMA) model, a special case of general
autoregressive conditional heteroscedasticity (GARCH) model with optimized
smoothing weights. The standard EWMA estimator is based on the maximum
likelihood estimator of the variance of normal distribution, and is thus optimal when the returns are conditionally normal. Financial asset returns are well-known to be non-normal and leptokurtic. In this research, we propose an alternative
EWMA estimator that is robust to leptokurtosis in the conditional distribution of
returns. The estimator is based on the maximum likelihood estimator of variance of thepower exponentialdistribution. It is a function of an EWMA of the absolute
value of past returns, rather than their squares. The aim of this paper is to compare forecasting performance of this newly developed estimator named Power EWMA
with EWMA and GARCH. The data used in this research are daily closing stock
prices of LQ45 index in the period of 2002-2011. We found that the Power
EWMA has the best performance of the three models with respect to root mean
square forecast error.
(6)
(7)
RINGKASAN
JOSE BONATUA HASIBUAN. Modifikasi Model Rataan Bergerak Terboboti Eksponensial Untuk Menduga Volatilitas Saham di Bursa Efek Indonesia (Studi Kasus: Indeks LQ45). Dibawah bimbingan ENDAR H. NUGRAHANI dan I GUSTI PUTU PURNABA.
Berinvestasi melalui kepemilikan saham dan produk derivatif memungkinkan seorang investor mendapatkan return (imbal hasil) berupa keuntungan dalam jumlah besar dengan waktu yang relatif singkat. Namun demikian, sifat saham yang berfluktuasi terhadap waktu, seringkali justru menimbulkan risiko untuk merugi. Dalam ilmu keuangan, fluktuasi dari return saham dikenal dengan istilah volatilitas. Salah satu isu sentral dalam dunia keuangan modern adalah bagaimana mendapatkan penduga volatilitas terbaik. Akurasi dari suatu metode penduga volatilitas menjadi masukan dalam memutuskan kebijakan suatu perusahaan dan pelaku pasar keuangan.
Model rataan bergerak terboboti eksponensial atau exponentially weighted moving average (EWMA) merupakan bentuk khusus dari model generalized autoregressive conditional heteroscedascity (GARCH). Keduanya merupakan metode untuk menduga volatilitas berdasarkan data return historis. Alat standar yang digunakan adalah regresi sederhana dari volatilitas sesungguhnya pada volatilitas yang diperkirakan. Pengukur GARCH dan EWMA didasarkan pada penduga kemungkinan maksimum (maximum likelihood estimator) dari ragam yang berdistribusi normal, dan karena itu akan optimal ketika return dalam kondisi normal.
Berdasarkan hasil analisis data return harga penutupan harian indeks LQ45 yang diamati sejak tanggal 1 Januari 2004 sampai 30 Desember 2011 diketahui bahwa return indeks LQ45 memiliki nilai skewness yang negatif, menunjukkan bahwa sebaran data yang condong ke kiri. Sedangkan nilai kurtosis 6.4924 > 3 menunjukkan karakteristik kurva yang bersifat leptokurtik. Pola leptokurtik menunjukkan terdapat banyak kejadian yang ternyata berada jauh dari nilai rata-rata, kontras dengan apa yang ditunjukkan dengan distribusi normal. Sehingga, perlu dianalisa penduga EWMA alternatif untuk return tak-normal yaitu dengan memodifikasi model EWMA standar dengan mengasumsikan bahwa distribusi return memiliki karakteristik kurva leptokurtik. Penduga baru ini didasarkan pada penduga kemungkinan maksimum dari standar deviasi dengan menggunakan asumsi generalized error distribution (GED). Hasil analisis modifikasi model EWMA memberikan model P-EWMA untuk menentukan volatitas dengan persamaan model
(8)
pendugaan P-EWMA terhadap data indeks LQ45 periode 2008-2011 adalah sebagai berikut:
. . . . | | .
dengan = ragam pada saat-t dan = return pada saat-t.
Proses pendugaan dilakukan dalam periode 40, 60 dan 80 hari perdagangan dengan ketiga model. Hasil pendugaan volatilitas berdasarkan
RMSFE menunjukkan bahwa model P-EWMA adalah model terbaik dalam
menduga volatilitas indeks LQ45. Kebaikan dari model Power EWMA adalah mengasumsikan bahwa return indeks LQ45 berdistribusi GED sehingga nilai perkiraan ragam mendekati nilai ragam aktual.
(9)
© Hak Cipta milik IPB, tahun 2012 Hak Cipta dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.
(10)
(11)
MODIFIKASI MODEL
RATAAN BERGERAK TERBOBOTI EKSPONENSIAL
UNTUK MENDUGA VOLATILITAS SAHAM
DI BURSA EFEK INDONESIA
(Studi Kasus: Indeks LQ45)
JOSE BONATUA HASIBUAN
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Matematika Terapan
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
(12)
(13)
Judul Tesis : Modifikasi Model Rataan Bergerak Terboboti Eksponensial Untuk Menduga Volatilitas Saham di Bursa Efek Indonesia (Studi Kasus: Indeks LQ45).
Nama : Jose Bonatua Hasibuan
NIM : G551100041
Disetujui Komisi Pembimbing
Dr. Ir. Endar H. Nugrahani, MS. Dr. Ir. I Gusti Putu Purnaba, DEA. Ketua Anggota
Diketahui
Ketua Program Studi Dekan Sekolah Pascasarjana IPB
Matematika Terapan
Dr. Ir. Endar H. Nugrahani, MS. Dr. Ir. Dahrul Syah, M.Sc.Agr
(14)
(15)
PRAKATA
Puji dan syukut penulis panjatkan kepada Tuhan atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan.
Dalam penyelesaian tesis ini, penulis banyak mendapat masukan dari dosen pembimbing, keluarga dan teman-teman. Dengan segala keterbatasan dan kekurangan akhirnya tesis yang berjudul Modifikasi Model Rataan Bergerak Terboboti Eksponensial Untuk Menduga Volatilitas Saham di Bursa Efek Indonesia (Studi Kasus: Indeks LQ45) dapat diselesaikan dengan baik.
Terima kasih penulis ucapkan kepada Ibu Dr. Ir. Endar H. Nugrahani, MS. dan Bapak Dr. Ir. I Gusti Putu Purnaba, DEA. selaku dosen pembimbing, serta Bapak Dr. Ir. Hadi Sumarno, MS. selaku penguji luar komisi yang telah banyak memberi bimbingan dan saran. Di samping itu, penghargaan penulis sampaikan kepada Gubernur Riau, Kepala Badan Kepegawaian Daerah (BKD) Provinsi Riau, Kepala Dinas Pendidikan Provinsi Riau serta Bapak Agus Rosadi, SP, M.Pd. selaku Kepala Sekolah SMKN Pertanian Terpadu Provinsi Riau yang telah memberikan izin Tugas Belajar Program Pasca Sarjana di Institut Pertanian Bogor (IPB). Ucapan terima kasih juga disampaikan kepada seluruh dosen dan karyawan Departemen Matematika Terapan FMIPA IPB, serta kepada Bapak Presman Hasibuan (Alm), Ibu Suparni, Adik Desmaida, serta seluruh keluarga, atas segala dukungan yang diberikan.
Semoga karya ilmiah ini bermanfaat.
Bogor, September 2012 Jose Bonatua Hasibuan
(16)
(17)
RIWAYAT HIDUP
Penulis dilahirkan di Selat Panjang Riau pada tanggal 27 Desember 1982 dari pasangan Presman Hasibuan (Alm) dan Suparni. Penulis merupakan putra pertama dari dua bersaudara. Pendidikan sarjana ditempuh di Program Studi Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan Universitas Riau.
Pada Tahun 2009, penulis diterima menjadi Pegawai Negeri Sipil di Dinas Pendidikan Provinsi Riau sebagai guru Matematika di SMKN Pertanian Terpadu Provinsi Riau. Pada tahun 2010, penulis mendapatkan kesempatan untuk melanjutkan pendidikan ke program Magister Sains pada Program Studi Matematika Terapan, Sekolah Pascasarjana IPB. Bantuan biaya Tugas Belajar Program Pascasarjana di IPB diperoleh dari Dinas Pendidikan Provinsi Riau.
(18)
(19)
DAFTAR ISI
Halaman
DAFTAR TABEL ………. xi
DAFTAR GAMBAR ……… xii
DAFTAR LAMPIRAN ………. xiii
1 PENDAHULUAN ………..…………... 1
1.1Latar Belakang ……….……… 1
1.2 Tujuan Penelitian ………..……… 3
2 TINJAUAN PUSTAKA ………. 5
2.1 Saham dan Return Saham ………. 5
2.2 Volatilitas ………. 7
2.3 Distribusi Return ………... 8
2.4 Model GARCH …….………. 10
2.5 Stasioneritas Model GARCH ……… 14
2.6 Model EWMA ……….. 18
2.7 Pendugaan Parameter EWMA ……….. 20
2.8 Pengukuran Kemampuan Peramalan ……….. 23
3 METODE ……… 25
4 HASIL DAN PEMBAHASAN ……….. 27
4.1 Analisa Modifikasi Model EWMA ……… 27
4.2 Parameter Model ……….. 32
4.2.1 Parameter GARCH ……… 32
4.2.2 Parameter EWMA ……….. 34
4.2.3 Parameter P-EWMA ……….. 35
4.3 Pendugaan Volatilitas di Masa Mendatang ……….. 36
4.4 Perbandingan Kinerja GARCH, EWMA dan P-EWMA ……….. 39
V SIMPULAN ……… 41
DAFTAR PUSTAKA ……… 43
LAMPIRAN ………. 45
(20)
(21)
DAFTAR TABEL
Halaman 1 Ringkasan statistik data return indeks LQ45 29 2 Perhitungan awal fungsi kemungkinan model GARCH 32 3 Hasil pendugaan parameter model GARCH dengan solver 33 4 Perhitungan awal fungsi kemungkinan model EWMA 34 5 Perhitungan awal fungsi kemungkinan model P-EWMA 35 6 Hasil pendugaan volatilitas periode 40 hari perdagangan 36 7 Hasil pendugaan volatilitas periode 60 hari perdagangan 36 8 Hasil pendugaan volatilitas periode 80 hari perdagangan 37
(22)
(23)
DAFTAR GAMBAR
Halaman 1 Karakteristik kurva normal, kurva leptokurtik dan kurva platikurtik 9 2 Diagram alir pendugaan parameter model EWMA 22 3 Harga penutupan indeks LQ45 periode 2004-2011 27
4 Histogram return LQ45 2010-2011 28
5 Volatilitas indeks LQ45 periode 3 Januari 2011 – 30 Desember 2011 28 6 Volatilitas dalam periode 40 hari perdagangan 37 7 Volatilitas dalam periode 60 hari perdagangan 38 8 Volatilitas dalam periode 80 hari perdagangan 38
(24)
(25)
DAFTAR LAMPIRAN
Halaman 1 Daftar Saham Indeks LQ45 Periode Agustus 2012 s.d. Januari 2013 47 2 Hasil pendugaan volatilitas dalam periode 40 hari perdagangan 48 3 Hasil pendugaan volatilitas dalam periode 40 hari perdagangan 49 4 Hasil pendugaan volatilitas dalam periode 40 hari perdagangan 50
5 RMSFE periode 40 hari perdagangan 51
6 RMSFE periode 40 hari perdagangan 52
7 RMSFE periode 40 hari perdagangan 53
8 Harga Penutupan Indeks LQ45 Periode 1 Januari 2004 - 54 30 Desember 2011
(26)
(27)
BAB 1 PENDAHULUAN 1.1Latar Belakang
Pasar modal memiliki peran penting dalam kegiatan ekonomi modern. Di banyak negara, pasar modal dengan kemampuannya menyediakan modal dalam jangka panjang dan tanpa batas, telah menjadi salah satu sumber kemajuan ekonomi dengan menjadi sumber dana alternatif bagi perusahaan (Widoatmodjo 2009). Bagi masyarakat, investasi di pasar modal bisa menjadi alternatif mengembangkan kekayaan. Dewasa ini, dengan suku bunga yang diberikan bank tidak terlalu tinggi, seringkali penabung mengalami kerugian, setelah pendapatan dari suku bunga itu dikurangi inflasi, pajak dan biaya bank lainnya.
Pada dasarnya, pasar modal mirip dengan pasar-pasar lainnya. Perbedaannya terletak pada komoditi yang diperdagangkan. Di pasar modal, komoditi utama yang diperdagangkan adalah surat berharga (efek) yang meliputi saham dan obligasi. Belakangan, mulai berkembang produk derivatif, turunan dari saham dan obligasi, seperti waran dan opsi. Produk derivatif pada dasarnya memberikan hak kepada pemegangnya untuk melakukan sesuatu, pada waktu yang telah ditentukan, sesuai dengan perjanjian yang ada di dalamnya.
Berinvestasi melalui kepemilikan saham dan produk derivatif memungkinkan seorang investor mendapatkan return (imbal hasil) berupa keuntungan dalam jumlah besar dengan waktu yang relatif singkat. Namun demikian, sifat saham yang berfluktuasi terhadap waktu, sering kali justru menimbulkan risiko untuk merugi. Dalam ilmu keuangan, fluktuasi dari return saham dikenal dengan istilah volatilitas.
Salah satu isu sentral dalam dunia keuangan modern adalah bagaimana mendapatkan prediksi volatilitas terbaik. Akurasi dari suatu metode pendugaan volatilitas menjadi masukan dalam memutuskan kebijakan suatu perusahaan. Pelaku pasar keuangan banyak menerapkan pendugaan volatilitas untuk menentukan harga opsi dan produk derivatif lainnya. Bagi para investor, pendugaan volatilitas digunakan sebagai masukan dalam mengambil keputusan untuk berinvestasi.
(28)
Penelitian volatilitas di bursa modern telah banyak dilakukan. Chan & Karolyi (1991) melakukan penelitian untuk bursa di Jepang periode 1977 sampai 1990 dengan model generalized autoregressive conditional heteroscedascity
(GARCH). Hasil penelitian ini memberikan kesimpulan Model GARCH sangat
cocok untuk menduga volatilitas di bursa Jepang. Volatilitas bursa Singapura diteliti oleh Kuen & Hoong (1992) untuk periode Maret 1975 sampai dengan Oktober 1988 dengan menggunakan model GARCH dan model rata-rata bergerak terboboti eksponensial atau exponentially weighted moving average (EWMA). Hasil penelitian tersebut memberikan kesimpulan bahwa EWMA lebih baik dari
GARCH dalam menduga volatilitas pasar Singapura.
Di Indonesia, penelitian autoregressive conditional heteroscedascity (ARCH) dan GARCH telah dilakukan Manurung (1997) untuk periode 1989 sampai Juli 1993. Hasil penelitian ini menyatakan bahwa ARCH dan GARCH tidak signifikan digunakan untuk menduga volatilitas bursa. Hanya volatilitas sebelumnya yang sangat mempengaruhi volatilitas sekarang. Manurung & Nugroho (2005) melakukan penelitian conditional varians untuk periode Desember 1996 sampai dengan Desember 2004. Metode yang dipergunakan yaitu metode vector autoregressive. Hasil penelitian tersebut menyatakan bahwa volatilitas sebelumnya signifikan mempengaruhi volatilitas sekarang.
GARCH dan EWMA merupakan dua metode untuk menduga volatilitas
berdasarkan data return historis. Alat standar dalam analisis tersebut adalah regresi sederhana dari volatilitas sesungguhnya pada volatilitas yang diperkirakan. Penduga GARCH dan EWMA didasarkan pada estimator kemungkinan maksimum
(maximum likelihood) dari ragam yang berdistribusi normal, dan karena itu akan
optimal ketika return dalam kondisi normal. Beberapa hasil studi menunjukkan bahwa return tidak berdistribusi normal. Sehingga, dalam penelitian ini perlu dikaji estimator EWMA alternatif untuk return tak-normal. Estimator baru ini didasarkan pada estimator kemungkinan maksimum dari standar deviasi dengan menggunakan asumsi distribusi power exponential atau generalized error
(29)
3
1.2Tujuan Penelitian
Penelitian ini bertujuan untuk:
1. Melakukan analisa terhadap modifikasi model EWMA dengan mengasumsikan return berdistribusi GED.
2. Melakukan pendugaan parameter model GARCH, EWMA dan modifikasinya.
3. Mengaplikasikan model GARCH, EWMA dan modifikasinya pada indeks saham LQ45 di Bursa Efek Indonesia (BEI) dan memberikan saran model terbaik untuk memperkirakan volatilitas.
(30)
(31)
BAB 2
TINJAUAN PUSTAKA 2.1 Saham dan Return Saham
Saham merupakan surat berharga yang dikeluarkan oleh suatu perusahaan yang berbentuk perseroan terbatas (PT) yang dapat diperjualbelikan atau diperdagangkan di pasar modal. Menurut Sunariyah (2003) saham atau stock adalah surat bukti atau tanda kepemilikan bagian modal dari suatu Perseroan terbatas. Masing-masing lembar saham mewakili satu suara tentang segala hal dalam pengurusan perusahaan. Suara tersebut digunakan dalam rapat tahunan perusahaan dan pembagian keuntungan.
Suatu perusahaan dikendalikan oleh dewan komisaris yang dipilih oleh pemegang saham melalui rapat umum tahunan pemegang saham (RUPS). Dewan komisaris memilih manajer yang menjalankan operasi perusahaan sehari-hari. Manajer memiliki kekuasaan untuk membuat keputusan bisnis tanpa persetujuan khusus dari dewan komisaris. Mandat yang dimiliki dewan komisaris adalah mengawasi manajemen untuk meyakinkan bahwa mereka telah bertindak sesuai dengan kepentingan pemegang saham.
Saham dapat diperoleh atau dijual bebas di satu atau lebih pasar saham. Perusahaan yang memiliki saham yang tidak diperjualbelikan bebas disebut perusahaan tertutup atau perusahaan terbatas (Bodie et al. 2006). Di sebagian besar perusahaan tertutup, pemilik perusahaan bertindak secara aktif dalam manajemen, sehingga pengambilalihan biasanya bukan merupakan masalah.
Bursa Efek Indonesia (BEI) merupakan bursa hasil penggabungan dari Bursa Efek Jakarta (BEJ) dengan Bursa Efek Surabaya (BES). Demi efektifitas operasional dan transaksi, Pemerintah memutuskan untuk menggabung Bursa Efek Jakarta sebagai pasar saham dengan Bursa Efek Surabaya sebagai pasar obligasi dan derivatif. Bursa hasil penggabungan ini mulai beroperasi pada 1 Desember 2007. Untuk memberikan informasi yang lebih lengkap tentang perkembangan bursa kepada publik, BEI menyebarkan data pergerakan harga saham melalui media cetak dan elektronik. Indikator pergerakan harga saham dikenal dengan istilah indeks harga saham. Indeks harga saham merupakan angka
(32)
harga saham yang telah disusun dan dihitung sedemikian rupa sehingga menghasilkan trend (Widoatmodjo 2009). Saat ini, BEI mempunyai tujuh macam indeks saham, yaitu:
1. IHSG, menggunakan semua saham tercatat sebagai komponen kalkulasi Indeks.
2. Indeks Sektoral, menggunakan semua saham yang masuk dalam setiap sektor.
3. Indeks LQ45, menggunakan 45 saham terpilih setelah melalui beberapa tahapan seleksi.
4. Indeks Individual, yang merupakan Indeks untuk masing-masing saham didasarkan harga dasar.
5. Jakarta Islamic Index, merupakan Indeks perdagangan saham syariah.
6. Indeks Papan Utama dan Papan Pengembangan, indeks yang didasarkan pada kelompok saham yang tercatat di BEI yaitu kelompok Papan Utama dan Papan Pengembangan.
7. Indeks Kompas100, menggunakan 100 saham pilihan harian Kompas.
Indeks LQ45 didirikan untuk menyediakan pasar dengan indeks yang mewakili 45 dari saham paling likuid yang telah terpilih melalui berbagai kriteria pemilihan. Berikut adalah beberapa faktor suatu saham dimasukkan dalam Indeks LQ45 (Fact book BEI 2011, http://www.idx.co.id):
1. Saham harus telah dicatatkan di BEI selama 3 bulan.
2. Kinerja saham di pasar reguler, yang meliputi nilai perdagangan, volume dan frekuensi transaksi.
3. Jumlah hari perdagangan di pasar reguler.
4. Kapitalisasi pasar saham pada periode waktu tertentu.
5. Selain faktor likuiditas dan kapitalisasi pasar, pemilihan saham untuk Indeks LQ45 juga didasarkan pada kondisi keuangan dan prospek pertumbuhan perusahaan.
Saham-saham yang termasuk di dalam LQ45 terus dipantau dan setiap enam bulan akan diadakan review (Februari dan Agustus). Apabila ada saham yang sudah tidak masuk kriteria maka akan diganti dengan saham lain yang memenuhi syarat.
(33)
7
Daftar saham yang masuk dalam indeks LQ45 periode Agustus 2012 sampai dengan januari 2013 dapat di lihat pada Lampiran 1.
Dalam berinvestasi, seorang investor mempertimbangkan tingkat return dan faktor risiko ketika memilih saham. Daripada mengambil keputusan berisiko dengan keuntungan yang tidak pasti, seorang investor yang takut risiko (risk averse) akan mengambil keputusan berinvestasi pada saham yang memiliki risiko rugi lebih kecil dan berharap mendapatkan keuntungan yang pasti. Sebaliknya seorang investor pengambil risiko (risk taker) memilih berinvestasi pada saham yang tidak memberikan kepastian return suatu saham memberikan keuntungan namun memiliki peluang keuntungan yang lebih tinggi dari saham yang memberikan keuntungan yang pasti. Return saham adalah tingkat pengembalian dari saham biasa yang benar-benar diterima oleh pemegang saham di beberapa periode yang lalu (Brigham & Houston 2006). Dalam penelitian ini, return saham pada saat t ( ) dicari dengan rumus sebagai berikut:
ln
dimana menyatakan harga saham pada saat t. 2.2 Volatilitas
Terdapat dua komponen utama di dalam risiko yaitu risiko non-sistematis dan risiko sistematis. Risiko non-sistematis adalah risiko yang dapat diabaikan dengan pembentukan portofolio yang terdiri dari beberapa aset finansial (proses diversifikasi), sedangkan risiko sistematis adalah risiko pasar atau yang biasa disebut risiko yang tidak dapat didiversifikasi dimana besar kecilnya tergantung pada risiko portofolio pasar. Kedua komponen utama di dalam risiko biasanya disebut total risiko yang dapat diukur dengan standar deviasi dan diasumsikan dengan bahasa matematis sebagai volatilitas.
Volatilitas adalah suatu ukuran yang menunjukkan seberapa besar harga berfluktuasi dalam suatu periode waktu (Lo 2003). Semakin tinggi volatilitas suatu saham, maka kepastian return suatu saham memberikan keuntungan akan semakin rendah. Namun, volatilitas yang tinggi menunjukkan nilai return yang tinggi pula. Sebaliknya, volatilitas yang rendah menunjukkan kestabilan nilai return, tetapi umumnya nilai return yang diharapkan tidak terlalu tinggi.
(34)
Volatilitas pasar terjadi akibat masuknya informasi baru ke dalam pasar/bursa. Akibatnya para pelaku pasar melakukan penilaian kembali terhadap aset yang mereka perdagangkan. Pada pasar yang efisien, tingkat harga akan melakukan penyesuaian dengan cepat sehingga harga yang terbentuk mencerminkan informasi baru tersebut. Proses perubahan harga tersebut dinamakan sebagai volatilitas. Oleh karena itu, para ahli ekonomi seringkali mengintepretasikan pergerakan/perubahan harga sebagai suatu bukti bahwa pasar berfungsi dengan baik dan mendapatkan informasi secara efisien.
Secara umum, tinggi rendahnya volatilitas harga saham ini dapat
dipengaruhi oleh faktor makro dan mikro (Schwert 1989). Faktor makro adalah
faktor-faktor yang mempengaruhi perekonomian secara keseluruhan, antara lain
tingkat bunga yangtinggi, inflasi, tingkat produktivitas nasional, politik, dan lain-lain yang memiliki dampak penting pada potensi keuntungan perusahaan. Faktor mikro
adalah faktor-faktor yang berdampak langsung pada perusahaan itu sendiri, seperti
perubahan manajemen, harga, dan ketersediaan bahan baku, produktivitas tenaga
kerja dan faktor lain yang dapat mempengaruhi kinerja keuntungan perusahaan
individual. Faktor yang beraneka ragam tersebut tentunya mengakibatkan harga
saham bergerak sangat fluktuatif.
2.3 Distribusi Return
Banyak pengukuran volatilitas yang didasari pada asumsi distribusi normal. Seperti diketahui, distribusi normal memiliki banyak karakteristik yang menarik. Selain karakteristik distribusi ini hanya dibedakan dari kedua momen pertamanya, banyak alat analisis statistik yang didasarkan pada distribusi ini. Salah satu model pengukuran volatilitas yang berdasarkan pada asumsi ini adalah model RiskMetrics dari J.P. Morgan (Hull 2006).
Berdasarkan studi empiris yang telah dilakukan, banyak return saham yang tidak mengikuti pola distribusi normal. Andersen et al. (2001) menemukan bahwa distribusi return saham-saham sektor industri pada bursa Dow Jones umumnya memiliki karakteristik kurva yang lancip di tengah dan far tail, atau dikatakan juga bersifat leptokurtik. Situngkir & Surya (2004) mengekplorasi untuk data-data keuangan di Indonesia dan memberikan kesimpulan bahwa return menunjukkan sifat skewness dan kurtosis berlebih.
(35)
9
Parameter kurtosis menunjukkan tinggi atau rendahnya bentuk kurva normal. Kurva disebut normal jika grafiknya tidak terlalu runcing (tinggi) atau tidak pula terlalu datar (rendah). Kurva yang runcing disebut leptokurtik sedangkan kurva yang datar disebut platikurtik. Nilai kurtosis untuk kurva berdistribusi normal adalah 3, sementara distribusi yang leptokurtik biasanya kurtosisnya > 3 (Usman & Akbar 2008). Perbandingan karakteristik kurva normal, kurva platikurtik dan kurva leptokurtik dapat dilihat dari Gambar 1.
Gambar 1 Karakteristik kurva normal, kurva leptokurtik dan kurva platikurtik.
Ketika mempelajari kurtosis pada data time series, akan mengacu pada formula Fisher kurtosis yang didefinisikan sebagai berikut:
Untuk barisan , , … , ,
,
dengan , , momen pusat derajat ke- , = 1, 2, 3, 4.. Kurtosis ada jika momen keempat ada dan berhingga. Misalkan ~ , , momen keempat dan momen kedua diberikan sebagai berikut:
√ exp
(36)
Parameter skewness menunjukkan derajat ketaksimetrian dari distribusi di antara nilai rata-ratanya. Nilai negatif dari skewness menunjukkan asimetri yang condong ke kiri. Nilai skewness dari distribusi yang benar-benar simetris (misalnya distribusi normal) adalah nol. Nilai Fisher skewness didefiniskan sebagai berikut:
/ ,
dimana adalah momen pusat ketiga, dan / adalah standar deviasi.
2.4 Model GARCH
Model autoregressive conditional heteroscedasticity (ARCH) pertama kali diperkenalkan oleh Engle (1982). Selanjutnya, model ini dikembangkan oleh Bollerslev (1986) menjadi general autoregressive conditional heteroscedasticity (GARCH) untuk menjawab persoalan adanya volatilitas pada data time series di ekonomi, secara khusus bidang keuangan.
Data time series adalah data yang disusun berdasarkan urutan waktu atau data yang dikumpulkan dari waktu ke waktu (Hasan 2008). Analisis time series adalah analisis yang menerangkan dan mengukur berbagai perubahan atau perkembangan data selama satu periode. Terdapat tiga model dasar yang umum digunakan dalam analisis time series yaitu autoregressive (AR), moving average (MA) dan autoregressive moving average (ARMA).
Definisi 1 Proses white noise
Suatu proses stokastik dikatakan white noise jika untuk suatu konstanta (Francq & Zakoian 2010):
(i) , ;
(ii) , ;
(37)
11
Suatu proses autoregressive (AR) berorde p, dinotasikan AR(p), dirumuskan sebagai berikut:
… (1)
dengan:
= data observasi ke-t = parameter AR ke-p
, , … , = variabel bebas = galat ke-t.
Persamaan (1) menunjukkan ketergantungan terhadap variabel pendahulunya sebanyak p atau disebut autoregressive berodo p. Jika p = 1 maka modelnya didefinisikan sebagai AR(1) yaitu .
Secara umum proses moving average (MA) berorde q atau MA(q) dirumuskan sebagai berikut:
… dengan:
= data observasi ke-t
= parameter proses MA ke-q
= galat pada saat t dan diasumsikan merupakan white noise.
Jika q = 1 maka modelnya didefinisikan sebagai MA(1) yaitu . Model autoregressive moving average (p,q) merupakan gabungan dari model autoregressive (AR) dan moving average (MA). Karakteristik tidak dapat dijelaskan dengan proses AR saja atau proses MA saja, namun harus dijelaskan oleh keduanya. Model yang memuat kedua proses tersebut adalah model autoregressivemoving average (ARMA).
(38)
Definisi 2 Proses ARMA
Suatu proses autoregressive moving average berorde (p,q), ditulis ARMA(p,q) dirumuskan sebagai berikut (Francq & Zakoian 2010):
… … .
Misalkan , , … , merupakan data deret waktu dari return dan adalah proses ARMA(p,q). Jika q = 0, maka proses ARMA(p,q) sama dengan proses AR(p) yaitu :
… (2)
dengan: = 0,
, , , lainnya. untuk
Walaupun persamaan (2) berimplikasi bahwa ragam bersyarat dari adalah sama yaitu sebesar , namun pada kenyataannya ragam bersyarat dari dapat berubah-ubah terhadap titik waktu. Satu pendekatan yang digunakan untuk mendeskripsikan kuadrat dari terhadap dirinya sendiri melalui proses AR(m) adalah:
… (3)
dengan: ,
, , lainnya , .
Karena merupakan galat dari peramalan , persamaan (3) berimplikasi proyeksi linier kuadrat galat dari ramalan sebanyak m periode kuadrat galat ramalan sebelumnya, yaitu sebagai berikut:
(39)
13
Proses white noise yang memenuhi persamaan (4) dideskripsikan sebagai model autoregressive conditional heteroscedasticity dengan orde m atau disebut ARCH(m). Persamaan (4) ditulis sebagai:
…
dengan | , , … disebut sebagai ragam barisan . Proses ARCH(m) dicirikan oleh . dimana , .
Lebih umum lagi dapat diperlihatkan sebuah proses dengan ragam bersyarat tergantung pada jumlah lag terhingga dari :
(5) dengan ∑ , 1, 2, … p.
Kemudian diparameterisasi sebagai rasio dari 2 orde polinomial terhingga …
… .
Diasumsikan bahwa akar dari = 0. Jika persamaan (5) dikalikan dengan , maka diperoleh persamaan berikut:
. Selanjutnya dapat ditulis:
(40)
Definisi 3 Proses GARCH(p,q)
Suatu proses merupakan proses GARCH(p,q) jika momen bersyarat pertama dan kedua ada dan memenuhi (Francq & Zakoian 2010):
(i) | , ,
(ii) , , , … , dan , , … , sehingga
Var | , , .
Definisi 4 Proses GARCH(1,1)
Proses dikatakan proses GARCH(1,1) jika
(6)
dengan , , (Francq & Zakoian 2010). 2.5 Kestasioneran Model GARCH
Definisi 5 Stasioner Kuat
Proses merupakan stasioner kuat jika vektor , … , dan , … , memiliki distribusi bersama yang sama untuk semua dan (Francq & Zakoian 2010).
Definisi 6 Stasioner Orde Kedua
Proses disebut stasioner orde kedua jika (Francq & Zakoian 2010):
(i) ∞ , ;
(ii) , ;
(41)
15
Teorema 1 Stasioner kuat dari proses GARCH(1,1) Jika ∞ log ,
maka jumlah tak terbatas
… konvergen hampir pasti dan proses yang didefinisikan adalah solusi stasioner kuat dari model (6).
(Francq & Zakoian 2010) Bukti.
Koefisien log selalu ada di ∞ , ∞ karena log .
Dengan melakukan iterasi terhadap persamaan (6) maka, untuk ,
… …
… .
Limit proses limN ada di , ∞ untuk jumlah tak negatif. Selain itu, dengan membiarkan menuju tak terbatas dalam
, diperoleh .
Selanjutnya akan ditunjukkan bahwa hampir pasti (almost surely) terbatas jika dan hanya jika . Selanjutnya akan digunakan aturan Cauchy untuk deret tak negatif,
(42)
… exp hampir pasti.
dengan ∞, dengan mengaplikasikan hukum kuat dari bilangan besar pada barisan log .
Deret (7) akan konvergen hampir pasti di , dengan mengaplikasikan aturan Cauchy, dan limit proses ( untuk nilai real positif. Maka proses yang didefinisikan
…
/
adalah stasioner kuat.
Teorema 2 Stasioner orde kedua dari proses GARCH(1,1)
Misalkan . Jika , proses yang didefinisikan adalah stasioner orde kedua.
(Francq & Zakoian 2010) Bukti.
Jika adalah proses GARCH(1,1), dalam arti definisi 2, di mana stasioner orde kedua terpenuhi, diperoleh
| , ,
sehingga
.
Karenanya, haruslah . Selain itu, diperoleh . Sehingga kondisi stasioneritas kuat terpenuhi. Dengan demikian cukup untuk menunjukkan bahwa solusi stasioner kuat yang didefinisikan dalam (8) merupakan ragam yang terbatas. Variabel menjadi limit naik dari variabel acak positif, jumlah yang tak terbatas dan nilai harapan
(43)
17
…
.
Selain itu, solusi ini adalah white noise karena | , dan untuk semua ,
Cov , | , .
Misalkan menunjukkan solusi stasioner orde kedua lainnya. Diperoleh
… ,
dan
…
.
Nilai harapan dari dibatasi oleh | | yang terbatas dan bebas dari dengan stasioneritas, dan karena untuk
(44)
2.6 Model EWMA
Model rata-rata bergerak terboboti eksponensial atau exponential weighted moving average (EWMA) pertama kali dikenalkan oleh Nelson pada tahun 1990 (Tagliafichi 2003). Model EWMA merupakan bagian dari model GARCH untuk kasus khusus dari model GARCH(1,1) dengan bobot pemulusan dioptimasi. EWMA merupakan salah satu dari model volatilitas data time series yang memperkirakan volatilitas di masa mendatang dengan menggunakan volatilitas rata-rata terdahulu. Dibandingkan dengan GARCH, struktur model EWMA lebih sederhana namun tetap mempertahankan ketepatan model dalam melakukan estimasi.
Model EWMA digunakan untuk meramalkan ragam dari return berdistribusi normal. Model EWMA menggunakan data pengamatan historis untuk meramalkan ragam dengan memberikan bobot tertinggi pada data observasi terbaru. Penetapan bobot memungkinkan ragam mengikuti lompatan return di pasar dan selanjutnya menurun secara eksponensial.
Model EWMA untuk data sebanyak k return , … , , return terbaru diberikan bobot (1 - λ), return berikutnya (1 - λ)λ dan seterusnya, sehingga return terakhir diberi bobot (1 - λ) , dengan λ (0 < λ < 1) merupakan faktor peluruhan (decay factor). Secara umum, EWMA meramalkan ragam untuk k return sebagai berikut:
, dengan = return.
Dengan mengasumsikan = 0 dan jumlah tak berhingga data tersedia, maka perkiraan ragam satu hari ke depan dapat diturunkan sebagai berikut:
… …
(45)
19
Morgan menggunakan model EWMA untuk memperkirakan volatilitas dari ragam berdistribusi normal (Hull 2006). Dalam model EWMA, ragam periode berikutnya didefinisikan sebagai rata-rata terbobot dari ragam dan kuadrat return periode ini,
(9)
dengan adalah ragam periode t, adalah return periode t dan λ adalah faktor peluruhan. Dengan substitusi rekursif, estimator EWMA standar dapat ditulis sebagai berikut:
… Secara umum, ragam EWMA dihitung dengan formula sebagai berikut:
∞
Secara matematis, model EWMA diturunkan dari model GARCH(1,1) sebagai berikut :
. (10) Dengan mensubstitusi ke persamaan (10) diperoleh:
). (11) Jika persamaan ini dilanjutkan sampai lag ke-j dengan j adalah maksimum lag,
persamaan (12) menjadi sebagai berikut :
Jika j→∞ dengan 0 < β < 1 maka (1- ) → 1 dan → 0. Persamaan (12) dapat ditulis menjadi:
.
Model EWMA yang dikembangkan Morgan merupakan model GARCH(1,1) dengan K = 0, α = (1 - λ) dan β = λ.
(46)
2.7 Pendugaan Parameter GARCH dan EWMA
Pendugaan parameter model GARCH dan model EWMA akan dilakukan dengan metode kemungkinan maksimum (maximum likelihood) menggunakan data historis return indeks saham LQ45 periode 2004-2007, sebanyak 991 data pengamatan. Melalui metode ini akan diperoleh penaksir terbaik yang nilainya akan memaksimumkan fungsi kemungkinan (likelihood).
Diasumsikan terdapat m data pengamatan , , … , yang berdistribusi normal dengan rataan nol dan varian . Fungsi kepekatan peluang dari , i = 1, 2, …, m adalah:
√ exp Fungsi kemungkinan dari m pengamatan adalah:
L , …
√ exp
√ exp
√ exp ∑
Maksimumkan fungsi kemungkinan dapat diperoleh dengan memaksimumkan logaritma dari fungsi kemungkinan.
ln L ln √
Kondisi orde pertama untuk memaksimumkan ln L adalah L . Sehingga diperoleh
(47)
21
. Definisikan adalah ragam pada hari ke- dan distribusi peluangnya normal. Dengan cara yang sama diperoleh fungsi kemungkinan: L exp ln L ln ‐
ln
ln ln
Sehingga ekuivalen dengan memaksimumkan
ln . Pendugaan parameter model EWMA dilakukan dengan menduga nilai maksimum dari persamaan (13) dengan metode kemungkinan maksimum yang mengasumsikan bahwa volatilitas tidak konstan. Nilai maksimum yang diperoleh akan menunjukkan penduga parameter yang dicari, di mana nilai volatilitas pada
hari ke-i ( ) bergantung pada parameter seperti ditunjukkan pada persamaan (9).
Proses pendugaan parameter model EWMA dengan algoritma Steepest Descent (Bertsekas 2003) dapat dilihat pada Gambar 2.
(48)
Gambar 2 Diagram alir pendugaan parameter model EWMA.
Selanjutnya, untuk memudahkan proses pendugaan dilakukan dengan pendekatan numerik menggunakan menu solver pada Microsoft Excel.
Input ; i = 1:991
L ln
; TL = 0 ; = 0.4 ; α = 0.1
TL TL
Stop
; :
L ln ; :
TL ∑ L
TL Maksimum
= + αd ; d , dengan TL’ ( ).d < 0 N
Y Start
(49)
23
2.8 Pengukuran Kemampuan Peramalan
Untuk membandingkan kinerja perkiraan model GARCH, model EWMA dan modifikasinya, akan diukur kemampuan peramalan dengan root mean square forecast error (RMSFE). Secara matematis, RMSFE dirumuskan sebagai berikut:
dimana berarti volatilitas dari return untuk setiap periode perkiraan dimulai pada hari t +1 ke t +s. merupakan perkiraan volatilitas dengan m adalah jumlah periode perkiraan.
(50)
(51)
BAB 3 METODE
Beberapa tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut :
1. Menganalisa Modifikasi Model EWMA
Analisis dilakukan terhadap model EWMA yang dimodifikasi dengan mengasumsikan bahwa return berdistribusi GED. Modifikasi model EWMA tersebut selanjutnya disebut Power EWMA (P-EWMA).
2. Pendugaan Parameter GARCH, EWMA dan P-EWMA
Parameter yang diduga adalah parameter , dan untuk model GARCH
GARCH dan parameter untuk model EWMA dengan menggunakan data
historis return indeks saham LQ45 periode 2004-2007, sebanyak 991 data pengamatan. Melalui metode ini akan diperoleh penaksir terbaik yang nilainya akan memaksimumkan fungsi kemungkinan (likelihood). Pendugaan parameter model P-EWMA dilakukan dengan memaksimumkan fungsi kemungkinan maksimum dari ragam berdistribusi GED
g exp g σ , dengan
g
⁄
dan adalah fungsi gamma. Logaritma dari persamaan (14) adalah
log g g log log log .
(52)
3. Pendugaan Volatilitas di Masa Mendatang
Untuk menduga volatilitas di masa mendatang digunakan data indeks LQ45 periode 2008-2011. Dengan model GARCH, EWMA standar dan modifikasinya, akan ditaksir besaran volatilitas dengan menggunakan periode 40 hari perdagangan, 60 hari perdagangan dan 80 hari perdagangan. 4. Membandingkan Kinerja Model GARCH, Model EWMA dan Model
P-EWMA
Pengukuran kinerja model GARCH, EWMA standar dan modifikasinya dilakukan dengan menghitung RMSFE. Nilai RMSFE terkecil menyatakan model yang terbaik dalam mengestimasi volatilitas.
(53)
BAB 4
HASIL DAN PEMBAHASAN 4.1 Modifikasi Model EWMA
Harga penutupan indeks LQ45 yang diamati sepanjang tahun 2004 sampai dengan 2011 yang tercatat sebanyak 1962 hari pengamatan mengalami fluktuasi dari waktu ke waktu seperti terlihat dari Gambar 3.
Gambar 3 Harga penutupan indeks LQ45 periode 2004-2011.
Dari gambar 3 terlihat bahwa harga penutupan indeks LQ45 terendah terletak di interval harga Rp.100 - Rp.200, sedangkan harga tertinggi terletak di interval harga Rp.700 – Rp.800. Dalam pengamatan seribu hari pertama, grafik menunjukkan trend positif, namun pada interval waktu 1000 – 1200 mengalami trend negatif yang tajam. Selanjutnya, setelah hari ke-1200, grafik terus mengalami trend positif.
Tingkat return yang diamati sepanjang tahun 2010 sampai dengan tahun 2011 berkisar di angka -0.107 dan 0.072. Hal ini menunjukkan grafik yang menjulur ke sebelah kiri. Rata-rata return tercatat sebesar 0.002 dengan frekuensi di atas 120. Grafik distribusi frekuensi return LQ45 tahun 2010-2011 dapat diihat dari Gambar 4 berikut.
(54)
Gambar 4 Histogram return LQ45 2010-2011.
Sedangkan volatilitas yang terjadi pada harga saham di Indeks LQ45 dapat dilihat pada Gambar 5.
Gambar 5 Volatilitas indeks LQ45 periode 3 Januari 2010 – 30 Desember 2011. Gambar 5 menunjukkan volatilitas yang tidak konstan sepanjang waktu yang diamati.
(55)
29
Berdasarkan data return harga penutupan harian indeks LQ45 yang diamati sejak tanggal 1 Januari 2004 sampai 30 Desember 2011 dengan jumlah pengamatan sebanyak 1962 (lihat lampiran 8), diperoleh beberapa statistik deskriptif seperti disajikan pada Tabel 1.
Tabel 1 Ringkasan statistik data return indeks LQ45
Ringkasan Nilai Rataan 0.0007
Standar Deviasi 0.0180
Kurtosis 6.4924
Skewness -0.5709
Dari Tabel 1 diketahui bahwa return indeks LQ45 memiliki nilai rataan positif, artinya bahwa fluktuasi return masih dalam keadaan wajar. Nilai skewness yang negatif menunjukkan bahwa grafik menjulur ke kiri. Sedangkan nilai kurtosis 6.4924 > 3 menunjukkan karakteristik kurva yang bersifat leptokurtik. Pola leptokurtik menunjukkan bahwa terdapat banyak kejadian yang ternyata berada jauh dari nilai rata-rata, kontras dengan apa yang ditunjukkan dengan distribusi normal. Sehingga, perlu dianalisa penduga EWMA alternatif untuk return tak-normal yaitu dengan memodifikasi model EWMA standar dengan mengasumsikan bahwa distribusi return memiliki karakteristik kurva leptokurtik. Penduga baru ini didasarkan pada penduga kemungkinan maksimum dari standar deviasi dengan menggunakan asumsi generalized error distribution (GED).
Meskipun Engle (1982) fokus pada model ARCH linier, Engle mengakui bahwa ada kemungkinan bahwa formulasi lain dari model ragam mungkin lebih tepat untuk aplikasi tertentu (Higgins & Bera 1992). Engle menyarankan dua alternatif, model eksponensial dan nilai absolut:
exp …
| | … | |.
Higgins & Bera (1992) mengusulkan suatu bentuk fungsional umum untuk model ARCH (N-GARCH) dan menunjukkan bahwa model yang lebih umum ini mencakup kedua model yang diusulkan Engle di atas.
(56)
| | | | / dengan:
, untuk , , … ,
, demikian sehingga, ∑ .
Formula umum untuk N-GARCH adalah sebagai berikut.
| | | | | |
′ | | | |
′ | |
Penduga powerEWMA didasarkan pada penduga kemungkinan maksimum ragam dari distribusi GED. Fungsi kepekatan peluang dari distribusi power eksponensial adalah sebagai berikut :
, , exp δ ,
dengan:
dan Γadalah fungsi gamma.
Distribusi power eksponensial memiliki koefisien kurtosis yang tergantung pada nilai parameter δ. Jika δ = 2, distribusi power eksponensial tereduksi menjadi distribusi normal. Jika δ > 2, distribusi power eksponensial bersifat platikurtik, dan jika δ < 2, distribusi power eksponensial bersifat leptokurtik. Ragam dari distribusi power eksponensial dirumuskan sebagai berikut :
(57)
31
g | | ,
dengan:
g .
Penduga power EWMA adalah kasus khusus dari model N-GARCH Higgins & Bera (1992). Ragam model N-GARCH pada waktu t +1 dirumuskan :
| | (15)
dengan , dan adalah parameter estimasi. Ketika dan
g , persamaan (15) tereduksi menjadi penduga Power EWMA sebagai berikut (Guermat & Harris 2002):
g | | . (16)
Dengan mensubstitusi g | | ke persamaan (16) diperoleh:
g | | g | |
g | | g | |
g | | g | | . (17)
Jika persamaan ini dilanjutkan sampai lag ke-j dengan j adalah maksimum lag, persamaan (17) menjadi sebagai berikut :
g | | . Jika j→∞ dengan 0 < λ < 1 maka . Persamaan (18) dapat ditulis menjadi:
g | | .
(58)
4.2 Parameter Model
Proses pendugaan parameter model GARCH, EWMA dan P-EWMA diperoleh melalui solusi numerik dengan menggunakan metode maximum likelihood (kemungkinan maksimum). Metode ini digunakan untuk menentukan nilai parameter yang memaksimumkan fungsi kemungkinan yang diberikan dengan menggunakan data return LQ45 periode 2004-2007 sebanyak 991 data pengamatan. Dengan bantuan menu solver pada Microsoft Excel, pendugaan parameter dilakukan dengan terlebih dulu menentukan nilai kemungkinan dan total nilai kemungkinan untuk sebarang nilai awal yang diberikan, selanjutnya secara iteratif diduga total nilai kemungkinan maksimum dan parameter yang memaksimumkan total nilai kemungkinannya.
4.2.1 Parameter GARCH
Pada model GARCH, akan ditentukan nilai ω, α, dan β. Pendugaan dilakukan dengan memberikan nilai awal ω = 0.000040, α = 0.2, dan β = 0.5. Hasil perhitungan dengan nilai awal tersebut diperoleh total nilai kemungkinan maksimum sebesar 5605.806572. Perhitungan fungsi kemungkinan model GARCH dapat dilihat dari Tabel 2.
Tabel 2 Perhitungan awal fungsi kemungkinan model GARCH
Tanggal Hari
ke-i
Harga
Penutupan Return Ragam Kemungkinan
1-Jan-04 1 151.9
2-Jan-04 2 155.5 0.023423
5-Jan-04 3 161.02 0.034883 0.000549 3.451943
6-Jan-04 4 161.33 0.001923 0.000558 5.646797
7-Jan-04 5 157.26 -0.025551 0.000320 4.167313
… … … … … …
27-Dec-07 990 599.6 0.009838 0.000244 6.084023
28-Dec-07 991 599.82 0.000367 0.000181 6.776723
Total Kemungkinan 5605.806572
Tabel 2 menunjukkan perhitungan awal sebelum parameter model GARCH diduga dengan menggunakan solver. Kolom pertama menunjukkan tanggal pengamatan data yang dimulai dari 1 Januari 2004 dan berakhir pada 28 Desember 2007.
(59)
33
Kolom kedua menyatakan hari pengamatan yang terdiri dari hari pertama hingga hari ke-991. Kolom ketiga menyatakan harga penutupan dari indeks LQ45 dalam 991 hari pengamatan. Kolom keempat menyatakan return indeks LQ45. Kolom kelima menyatakan ragam pada hari ke-i yang dihitung menggunakan model GARCH dengan nilai awal ω= 0.000040, α = 0.2, dan β = 0.5. Sedangkan kolom keenam menyatakan nilai logaritma dari fungsi kemungkinan.
Selanjutnya hasil pendugaan parameter model GARCH dapat dilihat dari Tabel 3 berikut:
Tabel 3 Hasil pendugaan parameter model GARCH dengan solver
Parameter Nilai Dugaan Parameter
0.000025
α 0.175269
β 0.713004
Dari Tabel 3 di atas, diketahui bahwa solver memberikan nilai kemungkinan maksimum 5663.178178 dengan nilai taksiran parameter ω = 0.000025, α = 0.175269, dan β = 0.713004.
Dari hasil pendugaan parameter yang telah dilakukan dengan solver, selanjutnya model GARCH yang digunakan dalam penelitian ini adalah sebagai berikut :
. . .
dengan,
= ragam pada saat-t = return pada saat-t.
(60)
4.2.2 Parameter EWMA
Proses pendugaan parameter model EWMA dilakukan dengan menentukan nilai λ yang memaksimumkan fungsi kemungkinan yang diberikan. Secara iteratif, dengan bantuan menu solver pada Microsoft Excel, pendugaan parameter memerlukan nilai awal λ dengan syarat λ > 0. Pada penelitian ini, pendugaan dilakukan dengan memberikan nilai awal λ = 0.4. Hasil perhitungan fungsi kemungkinan dapat dilihat dari Tabel 4 berikut.
Tabel 4 Perhitungan awal fungsi kemungkinan model EWWA
Tanggal Hari
Ke-i
Harga
Penutupan Return Ragam Kemungkinan
1-Jan-04 1 151.9
2-Jan-04 2 155.5 0.02342332
5-Jan-04 3 161.02 0.03488285 0.000549 3.451943
6-Jan-04 4 161.33 0.00192338 0.000950 5.117348
7-Jan-04 5 157.26 -0.02555150 0.000382 4.322779
… … … … … …
27-Dec-07 990 599.6 0.00983800 0.000439 5.671512
28-Dec-07 991 599.82 0.00036700 0.000234 6.522014
Total Kemungkinan 4783.357927
Tabel 4 menunjukkan perhitungan awal sebelum parameter nilai awal λ diduga dengan menggunakan solver. Kolom pertama menunjukkan tanggal pengamatan data yang dimulai dari 1 Januari 2004 dan berakhir pada 28 Desember 2007. Kolom kedua menyatakan hari pengamatan yang terdiri dari hari pertama hingga hari ke-991. Kolom ketiga menyatakan harga penutupan dari indeks LQ45 dalam 991 hari pengamatan. Kolom keempat menyatakan return indeks LQ45. Kolom kelima menyatakan ragam pada hari ke-i yang dihitung menggunakan model EWMA dengan λ= 0.4. Sedangkan kolom keenam menyatakan nilai logaritma dari fungsi kemungkinan. Dengan menggunakan nilai awal λ = 0.4, diperoleh nilai Fungsi Kemungkinan sebesar 4783.357927. Pendugaan dengan menggunakan solver pada Microsoft Excel pada prinsipnya akan menentukan parameter λ yang memaksimumkan nilai fungsi kemungkinan. Hasil pendugaan dengan nilai awal λ = 0.4 diperoleh nilai maksimum dari fungsi kemungkinan adalah 5613.151875 dengan nilai λ = 0.906374. Selanjutnya dalam penelitian ini, digunakan nilai parameter λ = 0.906374 dalam melakukan pendugaan volatilitas untuk model EWMA sebagai berikut :
(61)
35
. .
dengan adalah ragam pada saat-t dan = return pada saat-t. 4.2.3 Parameter Power EWMA
Proses pendugaan parameter model PowerEWMA (P-EWMA) dilakukan dengan menentukan nilai k dan λ. Dengan menggunakan data return LQ45 periode 2004-2008, secara iteratif, pendugaan parameter dilakukan dengan bantuan solver pada Microsoft Excel. Pendugaan dilakukan dengan memberikan sebarang nilai awal k dan λ. Pada penelitian ini pendugaan dilakukan dengan memberikan nilai awal k = 1 dan λ = 0.8. Hasil perhitungan fungsi kemungkinan dapat dilihat dari Tabel 5 berikut.
Tabel 5 Perhitungan awal fungsi kemungkinan P-EWMA
Tanggal Hari
Ke-i
Harga
Penutupan Return Ragam Kemungkinan
1/1/2004 1 151.90
1/2/2004 2 155.50 0.023423
1/5/2004 3 161.02 0.034883 0.000549 0.351252
1/6/2004 4 161.33 0.001923 0.000668 0.767210
1/7/2004 5 157.26 -0.025551 0.000561 0.492091
… … … … … …
12/27/2007 990 599.60 0.009838 0.766400 0.766400
12/28/2007 991 599.82 0.000367 0.958310 0.958310
Total Kemungkinan 826.576741
Kolom kelima menyatakan ragam pada hari ke-t yang dihitung menggunakan model P-EWMA. Kolom keenam menyatakan nilai logaritma dari fungsi kemungkinan dari distribusi GED. Dengan bantuan solver diperoleh nilai maksimum dari fungsi kemungkinan = 992.260611, dengan k = 1.592196, g(k) = 1.157126, dan λ = 0.930125. Nilai k = 1.592196 memenuhi asumsi kurva leptokurtik.
Selanjutnya, nilai parameter penduga yang diperoleh digunakan untuk menghitung dugaan volatilitas masa mendatang dengan model P-EWMA sebagai berikut:
. . . . | | .
(62)
4.3 Pendugaan Volatilitas di Masa Mendatang
Pada bagian ini akan dibahas pendugaan volatilitas di masa yang akan datang dengan menggunakan model GARCH, EWMA dan P-EWMA. Untuk pendugaan volatilitas digunakan data indeks LQ45 periode 2008-2011. Dengan ketiga model tersebut, akan ditaksir besaran volatilitas dengan menggunakan periode 40 hari perdagangan, 60 hari perdagangan dan 80 hari perdagangan dengan tingkat kepercayaan 95%.
Hasil pendugaan dalam periode 40 hari perdagangan, 60 hari perdagangan dan 80 hari perdagangan dapat dilihat dari Tabel 6, Tabel 7 dan Tabel 8 berikut. Hasil pendugaan lengkap dapat dilihat dari Lampiran 2, Lampiran 3 dan Lampiran 4.
Tabel 6 Hasil pendugaan volatilitas dalam periode 40 hari perdagangan
Periode Volatilitas
Aktual GARCH EWMA P-EWMA
1 0.0293 0.0171 0.0196 0.0201
2 0.0232 0.0159 0.0195 0.0212
3 0.0130 0.0119 0.0100 0.0110
4 0.0193 0.0137 0.0169 0.0177
5 0.0500 0.0554 0.0608 0.0597
… … … … …
23 0.0152 0.0167 0.0189 0.0174
24 0.0296 0.0202 0.0282 0.0281
Tabel 7 Hasil pendugaan volatilitas dalam periode 60 hari perdagangan
Periode Volatilitas
Aktual GARCH EWMA P-EWMA
1 0.0280 0.0219 0.0250 0.0246
2 0.0155 0.0119 0.0098 0.0107
3 0.0236 0.0209 0.0289 0.0281
4 0.0467 0.0292 0.0355 0.0348
5 0.0172 0.0195 0.0213 0.0213
… … … … …
15 0.0214 0.0157 0.0177 0.0178
(63)
37
Tabel 8 Hasil pendugaan volatilitas dalam periode 80 hari perdagangan
Periode Volatilitas
Aktual GARCH EWMA P-EWMA
1 0.0262 0.0159 0.0192 0.0206
2 0.0163 0.0137 0.0169 0.0178
3 0.0431 0.0292 0.0355 0.0349
4 0.0190 0.0220 0.0239 0.0237
5 0.0188 0.0138 0.0158 0.0168
… … … … …
11 0.0122 0.0167 0.0189 0.0174
12 0.0233 0.0114 0.0116 0.0131
Kolom pertama menyatakan periode pendugaan, masing-masing terdiri dari 24 periode, 16 periode dan 12 periode. Kolom kedua menyatakan volatilitas aktual pada masing-masing periode, yang dihitung dengan terlebih dulu mencari nilai ragam dari return selama 40, 60 dan 80 hari perdagangan. Kolom ketiga, keempat dan kelima berturut-turut menyatakan hasil pendugaan volatilitas dengan menggunakan model GARCH, EWMA dan P-EWMA. Tren volatilitas aktual dan volatilitas pendugaan dapat dilihat dari Gambar 6, Gambar 7 dan Gambar 8 berikut.
Gambar 6 Volatilitas dalam periode 40 hari perdagangan. 0.00
0.01 0.02 0.03 0.04 0.05 0.06 0.07
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Volatilitas
Periode (@ 40 Hari Perdagangan)
Aktual
EWMA
GARCH
(64)
Gambar 7 Volatilitas dalam periode 60 hari perdagangan.
Gambar 8 Volatilitas dalam periode 80 hari perdagangan.
Secara umum, dari Gambar 6, Gambar 7 dan Gambar 8, terlihat bahwa trend volatilitas hasil pendugaan mendekati tren volatilitas aktual. Secara umum, ketiga model pendugaan cukup baik menggambarkan volatilitas aktual yang terjadi. Namun demikian, secara visual pendugaan periode 40 hari perdagangan memiliki tren terbaik yang mendekati tren volatilitas aktual.
0.00 0.01 0.01 0.02 0.02 0.03 0.03 0.04 0.04 0.05 0.05
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Volatilitas
Periode (@ 60 Hari Perdagangan)
Aktual
EWMA
GARCH
P‐EWMA
0.00 0.01 0.01 0.02 0.02 0.03 0.03 0.04 0.04 0.05 0.05
1 2 3 4 5 6 7 8 9 10 11 12
Volatilitas
Periode (@ 80 Hari Perdagangan)
Aktual
EWMA
GARCH
(65)
39
4.4 Perbandingan Kinerja GARCH, EWMA dan P-EWMA
Selanjutnya untuk membandingkan kinerja dari model GARCH, EWMA dan P-EWMA, dihitung nilai RMSFE untuk ketiga periode perkiraan yang dilakukan, yaitu 40 hari perdagangan, 60 hari perdagangan dan 80 hari perdagangan. Hasil perhitungan RMSFE dapat dilihat dari Tabel 9 berikut. Hasil perhitungan RMSFE secara lengkap dapat dilihat dari Lampiran 5.
Tabel 9 RMSFE untuk GARCH, EWMA dan P-EWMA Root mean squared forecast error
Periode GARCH EWMA P-EWMA
40 Hari Perdagangan 0.005015 0.003880 0.003374
60 Hari Perdagangan 0.007088 0.006561 0.006402
80 Hari Perdagangan 0.006939 0.005887 0.005308
Tabel 9 menunjukkan untuk periode 40 hari perdagangan, RMSFE untuk model GARCH, EWMA dan P-EWMA berturut-turut adalah 0.005015, 0.003880, dan 0.003372. Data ini menunjukkan bahwa model P-EWMA memiliki nilai RMSFE terkecil dibandingkan model GARCH dan EWMA. Demikian pula untuk periode 60 hari perdagangan dan 80 hari perdagangan, model P-EWMA selalu memiliki nilai
RMSFE terkecil dibandingkan model GARCH dan EWMA. Hal ini menunjukkan bahwa, P-EWMA memiliki kemampuan terbaik dalam melakukan pendugaan dibandingkan dengan model GARCH dan EWMA.
(66)
(67)
BAB 5 SIMPULAN
1. Hasil analisis modifikasi model EWMA dengan mengasumsikan return berdistribusi power exponential atau generalized error distribution memberikan model P-EWMA untuk menduga volatitas dengan persamaan model sebagai berikut:
g | | dengan
g .
2. Pendugaan menggunakan model GARCH, EWMA dan P-EWMA terhadap data indeks LQ45 periode 2008-2011 adalah sebagai berikut:
Model GARCH:
. , .
Model EWMA:
. .
Model P-EWMA:
. . . . | | .
dengan adalah ragam pada saat-t dan adalah return pada saat-t.
3. Hasil pendugaan volatilitas berdasarkan RMSFE untuk masing-masing periode perdagangan menunjukkan bahwa model Power EWMA adalah model terbaik dalam menduga volatilitas indeks LQ45. Kebaikan dari model
Power EWMA adalah mengasumsikan bahwa return indeks LQ45
berdistribusi GED sehingga nilai perkiraan ragam mendekati nilai ragam aktual.
(68)
(69)
DAFTAR PUSTAKA
Andersen T, Bollerslev T, Diebold FX, Ebens H. 2001. The Distribution of Realized Stock Return Volatility. Journal of Financial Economics 61:43-76.
Bertsekas DP. 2003. Nonlinear Programming Second Edition. Massachussetts: Athena Scientific.
Bodie Z, Kane A, Marcus AJ. 2006. Investments 6th Edition. Boston: The McGraw-Hill Companies.
Bollerslev T. 1986. Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics 31:307-327.
Brigham EF, Houston JF. 2006. Dasar - Dasar Manajemen Keuangan. Jakarta: Penerbit Salemba Empat.
Chan KC, Karolyi GA. 1991. The Volatility of the Japanese Stock Market: Evidence from 1977 to 1990. Research Report. Amsterdam: North-Holland Publishers.
Engle RF. 1982. The Use of ARCH/GARCH Model in Applied Econometrics.
Journal of Economic Perspektives 4:157-158.
Francq C, Zakoian JM. 2010. GARCH Models. Paris: A John Wiley and Sons Ltd..
Guermat C, Harris RD. 2002. Robust Conditional Variance Estimation and Value-at-Risk.Journal of Risk 4:25-41.
Hasan MI. 2008. Pokok – Pokok Materi Statistik 1 (Statistik Deskriptif). Jakarta: Penerbit Bumi Aksara.
Higgins ML, Bera AK. 1992. A Class of Nonlinear Arch Models. International
Economic Review 33:137-158.
Hull JC. 2006. Options, Future, and Other Derivatives. New Jersey: Pearson Prentice Hall.
[IDX] Indonesia Stock Exchange. 2011. IDX Fact Book 2011.
http://www.idx.co.id [4 Februari 2012].
Kuen TY, Hoong TS. 1992. Forecasting Volatility in the Singapore Stock Market.
Asia Pacific Journal of Management; 1:1 – 13.
Lo MS. 2003. Generalized Autoregressive Conditional Heteroscedasticity Time Series Model [tesis]. Burnaby: Departemen of Statistics and Actuaria Science, Simon Fraser University.
(70)
Manurung AH. 1997. Risk Premium and Volatility on the Jakarta Stock Exchange. Kelola Business Review, Gajah Mada University; 14:42 - 52. Manurung AH, Nugroho WI. 2005. Pengaruh Variabel Makro terhadap Hubungan
“Conditional Mean and Conditional Volatility” IHSG. Manajemen
Usahawan; 6:13 – 22.
Schwert GW. 1989. Why Does Stock Market Volatility Change over Time? The
Journal of Finance; 44:1115-1153.
Situngkir H, Surya Y. 2004. Stylized Statistical Facts of Indonesian Financial Data: Empirical Study of Several Stock Indexes in Indonesia. Proceeding
Simposium Fisika Nasional, XX 2004. hlm173-178.
Sunariyah. 2003. Pengantar Pengetahuan Pasar Modal. Jakarta: Penerbit UUP AMP LPFE UI.
Tagliafichi RA. 2003. The Estimation of Market VaR using GARCH Models and
Heavy Tail Distributions. Argentina: University of Buenos Aries.
Usman H, Akbar HU. 2008. Pengantar Statistik. Jakarta: Penerbit Bumi Aksara. Widoatmodjo S. 2009. Pasar Modal Indonesia, Pengantar & Study Kasus. Bogor:
(71)
(72)
(73)
47
Lampiran 1 Daftar Saham Indeks LQ45 Periode Agustus 2012 s.d. Januari 2013
(74)
Lampiran 2 Hasil pendugaan volatilitas dalam periode 40 hari perdagangan
Periode Volatilitas
Aktual EWMA GARCH P-EWMA
1 0.0293 0.0196 0.0171 0.0201
2 0.0232 0.0195 0.0159 0.0212
3 0.0130 0.0100 0.0119 0.0110
4 0.0193 0.0169 0.0137 0.0177
5 0.0500 0.0608 0.0554 0.0597
6 0.0338 0.0352 0.0292 0.0343
7 0.0000 0.0000 0.0000 0.0000
8 0.0000 0.0000 0.0000 0.0000
9 0.0205 0.0239 0.0220 0.0236
10 0.0210 0.0209 0.0173 0.0210
11 0.0166 0.0158 0.0138 0.0168
12 0.0130 0.0142 0.0152 0.0142
13 0.0125 0.0138 0.0146 0.0134
14 0.0112 0.0106 0.0114 0.0111
15 0.0122 0.0108 0.0121 0.0113
16 0.0233 0.0155 0.0113 0.0164
17 0.0091 0.0096 0.0106 0.0103
18 0.0117 0.0091 0.0111 0.0096
19 0.0133 0.0140 0.0132 0.0139
20 0.0174 0.0141 0.0135 0.0149
21 0.0090 0.0095 0.0130 0.0099
22 0.0083 0.0078 0.0110 0.0079
23 0.0152 0.0189 0.0167 0.0174
24 0.0296 0.0282 0.0202 0.0281
(75)
49
Lampiran 3 Hasil pendugaan volatilitas dalam periode 60 hari perdagangan
Periode Volatilitas
Aktual EWMA GARCH P-EWMA
1 0.0280 0.0250 0.0219 0.0246
2 0.0155 0.0098 0.0119 0.0107
3 0.0236 0.0289 0.0209 0.0281
4 0.0467 0.0355 0.0292 0.0348
5 0.0172 0.0213 0.0195 0.0213
6 0.0217 0.0209 0.0173 0.0211
7 0.0152 0.0134 0.0132 0.0142
8 0.0129 0.0138 0.0146 0.0135
9 0.0120 0.0122 0.0119 0.0120
10 0.0200 0.0154 0.0113 0.0164
11 0.0111 0.0140 0.0138 0.0135
12 0.0119 0.0139 0.0132 0.0138
13 0.0155 0.0110 0.0125 0.0118
14 0.0125 0.0078 0.0110 0.0080
15 0.0214 0.0177 0.0157 0.0178
16 0.0203 0.0115 0.0114 0.0130
(76)
Lampiran 4 Hasil pendugaan volatilitas dalam periode 80 hari perdagangan
Periode Volatilitas
Aktual EWMA GARCH P-EWMA
1 0.0262 0.0192 0.0156 0.0206
2 0.0163 0.0169 0.0135 0.0178
3 0.0431 0.0355 0.0287 0.0349
4 0.0190 0.0239 0.0216 0.0237
5 0.0188 0.0158 0.0136 0.0168
6 0.0127 0.0138 0.0143 0.0135
7 0.0118 0.0108 0.0119 0.0113
8 0.0176 0.0093 0.0105 0.0098
9 0.0126 0.0139 0.0130 0.0138
10 0.0139 0.0094 0.0128 0.0097
11 0.0122 0.0189 0.0164 0.0174
12 0.0233 0.0116 0.0112 0.0131
(77)
51
Lampiran 5 RMSFE periode 40 hari perdagangan
Periode EWMA GARCH P-EWMA 1 0.00009304 0.00014724 0.00008388 2 0.00001374 0.00005330 0.00000392 3 0.00000878 0.00000120 0.00000418 4 0.00000576 0.00003069 0.00000249 5 0.00011627 0.00002922 0.00009322 6 0.00000204 0.00002079 0.00000027 7 0.00000058 0.00000218 0.00000327 8 0.00001192 0.00000218 0.00000968 9 0.00000001 0.00001385 0.00000000 10 0.00000052 0.00000773 0.00000008 11 0.00000147 0.00000497 0.00000144 12 0.00000159 0.00000406 0.00000077 13 0.00000027 0.00000005 0.00000000 14 0.00000187 0.00000002 0.00000080 15 0.00006087 0.00014435 0.00004735 16 0.00000018 0.00000204 0.00000138 17 0.00000661 0.00000035 0.00000451 18 0.00000050 0.00000000 0.00000042 19 0.00001042 0.00001510 0.00000603 20 0.00000026 0.00001549 0.00000072 21 0.00000029 0.00000733 0.00000020 22 0.00001389 0.00000242 0.00000482 23 0.00000198 0.00008859 0.00000221 24 0.00000848 0.00001053 0.00000162 RSMFE 0.00388011 0.00501520 0.00337434
(78)
Lampiran 6 RMSFE periode 60 hari perdagangan
Periode GARCH EWMA P-EWMA 1 0.00003770 0.00000914 0.00001174 2 0.00001320 0.00003242 0.00002308 3 0.00000761 0.00002789 0.00001996 4 0.00030391 0.00012511 0.00013979 5 0.00000504 0.00001669 0.00001669 6 0.00001946 0.00000055 0.00000030 7 0.00000409 0.00000336 0.00000093 8 0.00000280 0.00000088 0.00000035 9 0.00000001 0.00000003 0.00000000 10 0.00007711 0.00002100 0.00001350 11 0.00000719 0.00000844 0.00000549 12 0.00000185 0.00000425 0.00000370 13 0.00000899 0.00001990 0.00001362 14 0.00000229 0.00002247 0.00002104 15 0.00003193 0.00001327 0.00001291 16 0.00008035 0.00007846 0.00005395 RMSFE 0.00708800 0.00656100 0.00640200
(79)
53
Lampiran 7 RMSFE periode 80 hari perdagangan
Periode GARCH EWMA P-EWMA 1 0.00011262 0.00004956 0.00003211 2 0.00000792 0.00000036 0.00000218 3 0.00020647 0.00005743 0.00006701 4 0.00000646 0.00002425 0.00002178 5 0.00002714 0.00000887 0.00000399 6 0.00000260 0.00000117 0.00000054 7 0.00000002 0.00000097 0.00000026 8 0.00005068 0.00006949 0.00006113 9 0.00000020 0.00000180 0.00000155 10 0.00000126 0.00002047 0.00001816 11 0.00001780 0.00004505 0.00002707 12 0.00014460 0.00013640 0.00010231 RSMFE 0.00693872 0.00588662 0.00530806
(80)
Lampiran 8 Harga Penutupan Indeks LQ45 Periode 1 Januari 2004 – 30 Desember 2011
Tanggal Hari ke-i Harga Penutupan Return
1‐Jan‐04 1 151.90
2‐Jan‐04 2 155.50 0.02342332
5‐Jan‐04 3 161.02 0.03488285
6‐Jan‐04 4 161.33 0.00192338
7‐Jan‐04 5 157.26 ‐0.02555147
8‐Jan‐04 6 161.94 0.02932541
9‐Jan‐04 7 166.04 0.02500283
12‐Jan‐04 8 163.17 ‐0.01743612
13‐Jan‐04 9 164.33 0.00708400
14‐Jan‐04 10 166.82 0.01503879
15‐Jan‐04 11 167.71 0.00532091
16‐Jan‐04 12 169.01 0.00772159
19‐Jan‐04 13 168.24 ‐0.00456635
20‐Jan‐04 14 169.42 0.00698931
21‐Jan‐04 15 170.28 0.00506330
22‐Jan‐04 16 170.28 0.00000000
23‐Jan‐04 17 171.84 0.00911967
26‐Jan‐04 18 171.77 ‐0.00040744
27‐Jan‐04 19 169.39 ‐0.01395262
28‐Jan‐04 20 167.96 ‐0.00847789
29‐Jan‐04 21 167.06 ‐0.00537283
30‐Jan‐04 22 164.65 ‐0.01453102
2‐Feb‐04 23 164.65 0.00000000
3‐Feb‐04 24 158.74 ‐0.03655437
4‐Feb‐04 25 157.94 ‐0.00505243
5‐Feb‐04 26 160.00 0.01295860
6‐Feb‐04 27 164.44 0.02737195
9‐Feb‐04 28 166.71 0.01371001
10‐Feb‐04 29 167.05 0.00203739
11‐Feb‐04 30 168.02 0.00578985
12‐Feb‐04 31 167.48 ‐0.00321908
13‐Feb‐04 32 168.95 0.00873887
16‐Feb‐04 33 169.69 0.00437043
17‐Feb‐04 34 169.51 ‐0.00106132
18‐Feb‐04 35 171.46 0.01143808
19‐Feb‐04 36 171.58 0.00069963
20‐Feb‐04 37 172.73 0.00668005
23‐Feb‐04 38 172.73 0.00000000
24‐Feb‐04 39 169.60 ‐0.01828696
25‐Feb‐04 40 168.53 ‐0.00632895
26‐Feb‐04 41 168.41 ‐0.00071229
27‐Feb‐04 42 165.32 ‐0.01851849
1‐Mar‐04 43 164.45 ‐0.00527642
2‐Mar‐04 44 169.62 0.03095407
3‐Mar‐04 45 168.14 ‐0.00876368
4‐Mar‐04 46 167.41 ‐0.00435107
(1)
3‐Dec‐10 1698 670.86 ‐0.00256059
6‐Dec‐10 1699 676.36 0.00816501
8‐Dec‐10 1700 682.68 0.00930075
9‐Dec‐10 1701 679.74 ‐0.00431586
10‐Dec‐10 1702 671.51 ‐0.01218146
13‐Dec‐10 1703 662.16 ‐0.01402169
14‐Dec‐10 1704 660.26 ‐0.00287352
15‐Dec‐10 1705 654.82 ‐0.00827331
16‐Dec‐10 1706 635.81 ‐0.02946061
17‐Dec‐10 1707 637.59 0.00279567
20‐Dec‐10 1708 638.24 0.00101894
21‐Dec‐10 1709 651.98 0.02129950
22‐Dec‐10 1710 647.74 ‐0.00652451
23‐Dec‐10 1711 644.11 ‐0.00561986
27‐Dec‐10 1712 647.59 0.00538826
28‐Dec‐10 1713 653.85 0.00962019
29‐Dec‐10 1714 660.85 0.01064892
30‐Dec‐10 1715 661.38 0.00080168
3‐Jan‐11 1716 667.95 0.00988476
4‐Jan‐11 1717 673.04 0.00759144
5‐Jan‐11 1718 677.72 0.00692946
6‐Jan‐11 1719 666.08 ‐0.01732444
7‐Jan‐11 1720 642.53 ‐0.03599628
10‐Jan‐11 1721 611.74 ‐0.04910615
11‐Jan‐11 1722 605.37 ‐0.01046751
12‐Jan‐11 1723 626.49 0.03429297
13‐Jan‐11 1724 629.01 0.00401434
14‐Jan‐11 1725 629.07 0.00009538
17‐Jan‐11 1726 622.29 ‐0.01083632
18‐Jan‐11 1727 624.32 0.00325684
19‐Jan‐11 1728 621.73 ‐0.00415714
20‐Jan‐11 1729 605.72 ‐0.02608808
21‐Jan‐11 1730 590.24 ‐0.02588860
24‐Jan‐11 1731 585.22 ‐0.00854139
25‐Jan‐11 1732 603.22 0.03029413
26‐Jan‐11 1733 618.42 0.02488587
27‐Jan‐11 1734 620.22 0.00290642
28‐Jan‐11 1735 614.34 ‐0.00952573
31‐Jan‐11 1736 597.85 ‐0.02720863
1‐Feb‐11 1737 605.13 0.01210342
2‐Feb‐11 1738 612.56 0.01220359
4‐Feb‐11 1739 616.20 0.00592469
7‐Feb‐11 1740 615.87 ‐0.00053568
8‐Feb‐11 1741 610.03 ‐0.00952777
9‐Feb‐11 1742 599.64 ‐0.01717866
10‐Feb‐11 1743 590.61 ‐0.01517357
11‐Feb‐11 1744 595.12 0.00760716
14‐Feb‐11 1745 600.17 0.00844988
16‐Feb‐11 1746 600.67 0.00083275
(2)
Tanggal Hari
ke-i
Harga Penutupan
Return
18‐Feb‐11 1748 618.75 0.02310115
21‐Feb‐11 1749 620.11 0.00219557
22‐Feb‐11 1750 610.22 ‐0.01607733
23‐Feb‐11 1751 616.14 0.00965466
24‐Feb‐11 1752 607.57 ‐0.01400682
25‐Feb‐11 1753 607.70 0.00021394
28‐Feb‐11 1754 614.02 0.01034616
1‐Mar‐11 1755 622.74 0.01410160
2‐Mar‐11 1756 618.62 ‐0.00663791
3‐Mar‐11 1757 621.23 0.00421019
4‐Mar‐11 1758 632.82 0.01848464
7‐Mar‐11 1759 637.63 0.00757216
8‐Mar‐11 1760 640.44 0.00439726
9‐Mar‐11 1761 644.04 0.00560540
10‐Mar‐11 1762 641.76 ‐0.00354643
11‐Mar‐11 1763 631.50 ‐0.01611646
14‐Mar‐11 1764 638.11 0.01041274
15‐Mar‐11 1765 629.30 ‐0.01390259
16‐Mar‐11 1766 629.48 0.00028599
17‐Mar‐11 1767 619.75 ‐0.01557791
18‐Mar‐11 1768 621.21 0.00235302
21‐Mar‐11 1769 628.20 0.01118940
22‐Mar‐11 1770 627.70 ‐0.00079624
23‐Mar‐11 1771 636.74 0.01429906
24‐Mar‐11 1772 647.73 0.01711253
25‐Mar‐11 1773 647.56 ‐0.00026249
28‐Mar‐11 1774 645.31 ‐0.00348063
29‐Mar‐11 1775 642.14 ‐0.00492447
30‐Mar‐11 1776 650.88 0.01351894
31‐Mar‐11 1777 659.05 0.01247411
1‐Apr‐11 1778 665.01 0.00900267
4‐Apr‐11 1779 662.50 ‐0.00378152
5‐Apr‐11 1780 658.76 ‐0.00566128
6‐Apr‐11 1781 665.65 0.01040473
7‐Apr‐11 1782 667.76 0.00316482
8‐Apr‐11 1783 669.60 0.00275169
11‐Apr‐11 1784 670.51 0.00135810
12‐Apr‐11 1785 664.90 ‐0.00840196
13‐Apr‐11 1786 668.60 0.00554932
14‐Apr‐11 1787 663.65 ‐0.00743107
15‐Apr‐11 1788 668.73 0.00762549
18‐Apr‐11 1789 667.87 ‐0.00128685
19‐Apr‐11 1790 668.63 0.00113730
20‐Apr‐11 1791 682.20 0.02009203
21‐Apr‐11 1792 682.37 0.00024916
25‐Apr‐11 1793 679.37 ‐0.00440613
26‐Apr‐11 1794 676.03 ‐0.00492844
27‐Apr‐11 1795 681.16 0.00755977
28‐Apr‐11 1796 680.89 ‐0.00039646
(3)
2‐May‐11 1798 687.35 0.00982478
3‐May‐11 1799 681.06 ‐0.00919322
4‐May‐11 1800 681.58 0.00076322
5‐May‐11 1801 680.89 ‐0.00101287
6‐May‐11 1802 677.61 ‐0.00482886
9‐May‐11 1803 674.39 ‐0.00476332
10‐May‐11 1804 677.11 0.00402516
11‐May‐11 1805 686.42 0.01365594
12‐May‐11 1806 678.19 ‐0.01206220
13‐May‐11 1807 682.40 0.00618851
16‐May‐11 1808 676.10 ‐0.00927500
18‐May‐11 1809 684.53 0.01239148
19‐May‐11 1810 689.38 0.00706017
20‐May‐11 1811 691.84 0.00356207
23‐May‐11 1812 673.40 ‐0.02701521
24‐May‐11 1813 673.54 0.00020788
25‐May‐11 1814 672.41 ‐0.00167911
26‐May‐11 1815 678.88 0.00957611
27‐May‐11 1816 681.29 0.00354368
30‐May‐11 1817 680.68 ‐0.00089576
31‐May‐11 1818 682.25 0.00230386
1‐Jun‐11 1819 682.29 0.00005863
3‐Jun‐11 1820 684.50 0.00323386
6‐Jun‐11 1821 681.71 ‐0.00408430
7‐Jun‐11 1822 682.14 0.00063057
8‐Jun‐11 1823 677.81 ‐0.00636790
9‐Jun‐11 1824 673.39 ‐0.00654236
10‐Jun‐11 1825 670.07 ‐0.00494247
13‐Jun‐11 1826 663.21 ‐0.01029050
14‐Jun‐11 1827 667.71 0.00676227
15‐Jun‐11 1828 672.16 0.00664246
16‐Jun‐11 1829 661.91 ‐0.01536681
17‐Jun‐11 1830 658.79 ‐0.00472478
20‐Jun‐11 1831 660.31 0.00230460
21‐Jun‐11 1832 670.84 0.01582124
22‐Jun‐11 1833 675.88 0.00748489
23‐Jun‐11 1834 676.75 0.00128638
24‐Jun‐11 1835 681.49 0.00697965
27‐Jun‐11 1836 675.26 ‐0.00918378
28‐Jun‐11 1837 678.08 0.00416747
30‐Jun‐11 1838 690.65 0.01836791
1‐Jul‐11 1839 698.86 0.01181725
4‐Jul‐11 1840 704.24 0.00766877
5‐Jul‐11 1841 696.90 ‐0.01047728
6‐Jul‐11 1842 692.59 ‐0.00620373
7‐Jul‐11 1843 696.51 0.00564396
8‐Jul‐11 1844 710.90 0.02044962
11‐Jul‐11 1845 708.96 ‐0.00273267
12‐Jul‐11 1846 698.05 ‐0.01550837
(4)
Tanggal Hari
ke-i
Harga Penutupan
Return
14‐Jul‐11 1848 707.68 0.00400700
15‐Jul‐11 1849 713.18 0.00774183
18‐Jul‐11 1850 714.62 0.00201709
19‐Jul‐11 1851 710.21 ‐0.00619023
20‐Jul‐11 1852 714.04 0.00537828
21‐Jul‐11 1853 718.03 0.00557237
22‐Jul‐11 1854 725.94 0.01095602
25‐Jul‐11 1855 721.09 ‐0.00670341
26‐Jul‐11 1856 731.04 0.01370422
27‐Jul‐11 1857 740.99 0.01351895
28‐Jul‐11 1858 733.06 ‐0.01075958
29‐Jul‐11 1859 729.84 ‐0.00440222
1‐Aug‐11 1860 742.50 0.01719754
2‐Aug‐11 1861 740.64 ‐0.00250819
3‐Aug‐11 1862 732.74 ‐0.01072375
4‐Aug‐11 1863 730.10 ‐0.00360942
5‐Aug‐11 1864 693.29 ‐0.05173313
8‐Aug‐11 1865 681.95 ‐0.01649204
9‐Aug‐11 1866 660.51 ‐0.03194408
10‐Aug‐11 1867 685.25 0.03677147
11‐Aug‐11 1868 686.29 0.00151654
12‐Aug‐11 1869 689.60 0.00481144
15‐Aug‐11 1870 702.43 0.01843403
16‐Aug‐11 1871 700.40 ‐0.00289415
18‐Aug‐11 1872 715.34 0.02110635
19‐Aug‐11 1873 679.20 ‐0.05184232
22‐Aug‐11 1874 677.83 ‐0.00201912
23‐Aug‐11 1875 686.00 0.01198111
24‐Aug‐11 1876 678.36 ‐0.01119951
25‐Aug‐11 1877 676.40 ‐0.00289350
26‐Aug‐11 1878 676.26 ‐0.00020700
5‐Sep‐11 1879 682.97 0.00987332
6‐Sep‐11 1880 687.51 0.00662544
7‐Sep‐11 1881 710.09 0.03231535
8‐Sep‐11 1882 709.69 ‐0.00056347
9‐Sep‐11 1883 705.25 ‐0.00627591
12‐Sep‐11 1884 684.18 ‐0.03033131
13‐Sep‐11 1885 680.54 ‐0.00533444
14‐Sep‐11 1886 664.93 ‐0.02320483
15‐Sep‐11 1887 659.76 ‐0.00780564
16‐Sep‐11 1888 670.10 0.01555082
19‐Sep‐11 1889 654.34 ‐0.02379986
20‐Sep‐11 1890 654.41 0.00010697
21‐Sep‐11 1891 643.39 ‐0.01698299
22‐Sep‐11 1892 578.21 ‐0.10681395
23‐Sep‐11 1893 592.72 0.02478499
26‐Sep‐11 1894 574.15 ‐0.03183143
27‐Sep‐11 1895 604.71 0.05185832
28‐Sep‐11 1896 614.53 0.01610874
(5)
30‐Sep‐11 1898 622.64 0.00294343
3‐Oct‐11 1899 584.22 ‐0.06369088
4‐Oct‐11 1900 569.46 ‐0.02558908
5‐Oct‐11 1901 574.09 0.00809764
6‐Oct‐11 1902 603.63 0.05017525
7‐Oct‐11 1903 600.23 ‐0.00564851
10‐Oct‐11 1904 605.96 0.00950106
11‐Oct‐11 1905 622.90 0.02757201
12‐Oct‐11 1906 645.51 0.03565471
13‐Oct‐11 1907 652.05 0.01008054
14‐Oct‐11 1908 649.69 ‐0.00362592
17‐Oct‐11 1909 661.17 0.01751567
18‐Oct‐11 1910 641.24 ‐0.03060719
19‐Oct‐11 1911 654.02 0.01973413
20‐Oct‐11 1912 641.28 ‐0.01967175
21‐Oct‐11 1913 640.24 ‐0.00162307
24‐Oct‐11 1914 659.62 0.02982081
25‐Oct‐11 1915 660.67 0.00159056
26‐Oct‐11 1916 666.49 0.00877066
27‐Oct‐11 1917 679.89 0.01990588
28‐Oct‐11 1918 683.88 0.00585144
31‐Oct‐11 1919 675.57 ‐0.01222568
1‐Nov‐11 1920 653.81 ‐0.03273999
2‐Nov‐11 1921 671.09 0.02608647
3‐Nov‐11 1922 659.23 ‐0.01783077
4‐Nov‐11 1923 674.74 0.02325494
7‐Nov‐11 1924 673.83 ‐0.00134958
8‐Nov‐11 1925 678.37 0.00671501
9‐Nov‐11 1926 689.29 0.01596922
10‐Nov‐11 1927 673.86 ‐0.02263971
11‐Nov‐11 1928 671.88 ‐0.00294262
14‐Nov‐11 1929 682.92 0.01629797
15‐Nov‐11 1930 678.19 ‐0.00695024
16‐Nov‐11 1931 678.52 0.00048647
17‐Nov‐11 1932 673.25 ‐0.00779722
18‐Nov‐11 1933 663.92 ‐0.01395507
21‐Nov‐11 1934 648.59 ‐0.02336088
22‐Nov‐11 1935 660.02 0.01746936
23‐Nov‐11 1936 651.04 ‐0.01369905
24‐Nov‐11 1937 653.30 0.00346536
25‐Nov‐11 1938 641.43 ‐0.01833638
28‐Nov‐11 1939 643.15 0.00267792
29‐Nov‐11 1940 652.58 0.01455576
30‐Nov‐11 1941 656.41 0.00585186
1‐Dec‐11 1942 669.09 0.01913299
2‐Dec‐11 1943 669.50 0.00061258
5‐Dec‐11 1944 669.62 0.00017922
6‐Dec‐11 1945 664.43 ‐0.00778086
7‐Dec‐11 1946 671.49 0.01056959
(6)
Tanggal Hari
ke-i
Harga Penutupan
Return
9‐Dec‐11 1948 663.46 ‐0.00732846
12‐Dec‐11 1949 670.18 0.01007777
13‐Dec‐11 1950 662.34 ‐0.01176731
14‐Dec‐11 1951 660.73 ‐0.00243373
15‐Dec‐11 1952 650.08 ‐0.01624985
16‐Dec‐11 1953 663.31 0.02014702
19‐Dec‐11 1954 665.03 0.00258970
20‐Dec‐11 1955 662.02 ‐0.00453639
21‐Dec‐11 1956 670.04 0.01204165
22‐Dec‐11 1957 670.97 0.00138701
23‐Dec‐11 1958 671.39 0.00062576
27‐Dec‐11 1959 670.02 ‐0.00204263
28‐Dec‐11 1960 663.69 ‐0.00949239
29‐Dec‐11 1961 671.11 0.01111788