Anda di halaman 1dari 4

PENDAHULUAN

Latar Belakang Pasar modal memiliki peranan penting dalam perekonomian suatu negara. Perkembangan pasar modal akan menunjang kegiatan peningkatan produk domestik bruto. Dengan kata lain, berkembangnya pasar modal akan mendorong kemajuan ekonomi suatu negara. Beberapa tahun terakhir, investasi pada pasar modal Indonesia mengalami peningkatan yang sangat pesat. Hal ini ditunjukkan dengan adanya tren positif Indeks Harga Saham Gabungan (IHSG) yang merupakan salah satu ukuran terluas kinerja pasar modal di Indonesia. Investasi pada pasar modal menjadi pilihan tepat bagi para investor yang menginginkan keuntungan dalam waktu singkat. Dalam berinvestasi, para investor mempertimbangkan dua faktor penting, yaitu keuntungan dan kerugian. Investor penghindar risiko akan memilih investasi bebas risiko atau yang memiliki prospek risiko nol (Bodie et al.

2006).

Investasi di pasar modal sangat terkait dengan adanya kejadian-kejadian ekstrim yang mempengaruhi kestabilan nasional. Kondisi makroekonomi, politik, stabilitas nasional menjadi salah satu faktor risiko yang memberikan pengaruh secara dinamis terhadap kinerja pasar modal. Dampak yang muncul dari kejadian- kejadian ekstrim menimbulkan ketidakpastian terkait pergerakan indeks harga saham (Bilada 2010). Ketidakpastian imbal hasil yang tinggi dalam dinamika pasar modal merupakan hal yang menarik untuk diteliti. Pada umumnya, pemodelan imbal hasil menggunakan sebaran normal. Namun, pada kenyataannya sebaran imbal hasil menyimpang dari kenormalan, ekor sebaran yang lebih panjang dan puncak yang lebih tinggi. Penyimpangan yang terjadi dimungkinkan akibat dari kejadian-kejadian ekstrim (Gilli dan Kёllezi 2000). Model sebaran yang dapat menggambarkan pola sebaran kejadian-kejadian ekstrim membantu dalam menganalisis ukuran risiko. Teori Nilai Ekstrim (Exteme Value Theory/EVT) merupakan salah satu cara mengatasi masalah yang disebabkan oleh kejadian-kejadian ekstrim.EVT memiliki dua sebaran yaitu sebaran nilai ekstrim terampat (Generalized Extreme Value Distribution/GEVD) dan sebaran pareto terampat (Generalized Pareto Distribution/GPD). Penelitian ini menggunakan GPD yang diturunkan dari konsep pengambilan data di atas nilai ambang. GPD merupakan metode yang bermanfaat untuk penerapan praktis karena lebih efisien untuk data ekstrim.

Dinamika pergerakan IHSG mengakibatkan para investor waspada terhadap kemungkinan risiko yang akan terjadi. Oleh sebab itu, pengukuran risiko juga merupakan hal penting dalam berinvestasi. Ukuran risiko yang biasa digunakan adalah Value at Risk (VaR)dan Expected Shortfall (ES). Oleh karena itu, dalam penelitian ini menggunakan pendekatan EVT- GPD untuk menganalisis ukuran risiko.

Tujuan Penelitian ini bertujuan untuk memodelkan imbal hasil saham menggunakan EVT-GPD dan menerapkan model yang diperoleh untuk pengukuran risiko.

TINJAUAN PUSTAKA

Indeks Harga Saham Gabungan (IHSG) IHSG dalam bahasa inggris disebut juga Jakarta Composite Index, JCI, atau JSX Composite merupakan salah satu indeks pasar saham yang digunakan oleh Bursa Efek Indonesia (BEI). IHSG diperkenalkan pertama kali pada tanggal 1 April 1983 sebagai indikator pergerakan harga saham di Bursa Efek Jakarta, indeks ini mencakup pergerakan seluruh saham biasa dan saham preferen yang tercatat di BEI. Hari dasar untuk perhitungan IHSG adalah tanggal 10 Agustus 1982. Pada tanggal tersebut, indeks ditetapkan dengan nilai dasar 100. Dasar perhitungan IHSG adalah jumlah nilai pasar dari total saham yang tercatat pada tanggal 10 Agustus 1982. Jumlah nilai pasar adalah total perkalian setiap saham tercatat (kecuali untuk perusahaan yang berada dalam program restrukturisasi) dengan harga di BEJ pada hari tersebut. Formula perhitungannya adalah sebagai berikut (Bagus

2009):

IHSG = Σ p x 100

d

denganp adalah harga penutupan di pasar reguler,x adalah jumlah saham, dan d adalah nilai dasar. Perhitungan indeks merepresentasikan pergerakan harga saham di pasar/bursa yang terjadi melalui sistem perdagangan lelang. Perhitungan IHSG dilakukan setiap hari, yaitu setelah penutupan perdagangan setiap harinya.

Imbal Hasil Imbal hasil merupakan ukuran keuntungan atau kerugian harian harga saham. Imbal hasil suatu saham adalah hasil yang diperoleh dari investasi dengan cara menghitung selisih harga

saham periode berjalan dengan periode sebelumnya, maka dapat ditulis rumus:

P − P = P
P − P
=
P

R

dengan R p adalah imbal hasil saham, P t adalah harga saham periode berjalan, dan P t-1 adalah harga saham periode sebelumnya (Bodie et al.

2006).

Teori Nilai Ekstrim (Extreme Value Theory/EVT) EVT diperkenalkan oleh Fisher, Tippet, dan Gnedenko (1920-1940) dan Gumbel (1920). EVT adalah salah satu teori yang membahas kejadian- kejadian ekstrim. EVT memberi perhatian pada informasi kejadian-kejadian ekstrim yang diperoleh untuk membentuk fungsi sebaran dari nilai-nilai tersebut. Model EVT didasarkan pada karakteristik Mn:

M

tersebut. Model EVT didasarkan pada karakteristik Mn: M = maks {X , … , X }

= maks {X , … , X }

didasarkan pada karakteristik Mn: M = maks {X , … , X } dengan X i
didasarkan pada karakteristik Mn: M = maks {X , … , X } dengan X i

dengan X i peubah acak yang bebas stokastik identik (bsi). Sebaran Mn pada teori dapat diturunkan dengan mudah jika sebaran Xi diketahui. Misalkan F(x) adalah sebaran X i , maka:

F
F

(x ) = P (Mn ≤ x ) = P ( X , … , X )

X i , maka: F (x ) = P (Mn ≤ x ) = P (
≤

= P (X

≤ x ) … P ( X

= [ F ( x ) ]

x)

Pada umumnya sebaran X i tidak diketahui. Oleh karena itu, salah satu pemecahannya adalah menduga F(x) yang didasarkan pada nilai-nilai amatan dan kemudian menurunkan F Mn (x). Pemecahan lain adalah mencari sebaran yang dapat memodelkan F Mn berdasarkan data ekstrim. Hal ini dapat dianalogikan dengan dalil limit pusat:

M

∗

=

( M − b )

a
a

a n dan b n adalah konstanta dengana n >0 . Parameter Mn * akan stabil ketika n→∞. Semua sebaran yang mungkin untuk Mn * diberikan oleh EVT:

x − b I : G (x ) = exp − exp , − ∞
x − b
I : G (x ) = exp − exp
, − ∞
<
<
a
II : G (x ) =
0 , x ≤ b
x − b
, x >
exp −
a

III

x − b

) = 0 , x ≤ b x − b , x > exp − a

: G (x ) = exp

exp − a III x − b : G (x ) = e x p −

a

, x <

1 , x ≥

b

b : G (x ) = e x p − − a , x < 1

dengan a > 0, b, dan α > 0, dengan a, b, dan α berturut-turut adalah parameter skala, lokasi, dan bentuk. Tipe I,II, dan III dikenal dengan sebaran Gumbel, Frechet, dan Weibull. Namun terdapat permasalahan penting, yaitu penentuan model yang tepat. Permasalahan ini dapat dipecahkan dengan menggabungkan ketiga tipe sebaran kedalam sebaran nilai ekstrim terampat (Generalized Extreme Value Distribution/GEVD):

H

terampat ( Generalized Extreme Value Distribution/ GEVD): H (x ) = exp − 1 + ξ
terampat ( Generalized Extreme Value Distribution/ GEVD): H (x ) = exp − 1 + ξ

(x ) = exp − 1 + ξ

Extreme Value Distribution/ GEVD): H (x ) = exp − 1 + ξ x − µ

x − µ

x − µ

σ

 
ξ ξ
ξ
ξ

> 0 ,

→

=

< 0 ,

→
ξ ξ > 0 , → = < 0 , → < µ ξ → 0

<

µ

ξ → 0 , GEVD → Weibull

1

+

ξ

0 , → < µ ξ → 0 , GEVD → Weibull ∶ 1 + ξ

> 0,

-

> 0

dan -∞ < ξ < ∞, dalam model ini ξ, σ, dan µ berturut-turut adalah parameter bentuk, skala, dan lokasi. Metode penerapkan GEVD mengharuskan membagi data kedalam ukuran blok yang sama. Pemilihan ukuran blok selalu menjadi permasalahan antara bias dan ragam, namun data

deret waktu biasanya memilih ukuran blok satu

tahunan.

Kejadian-kejadian ekstrim dapat didefinisikan sebagai X i yang melebihi nilai ambang u dengan peluang bersyarat X u dan X > u. Pickands (1975), Balkema dan de Haan (1974) menyatakan bahwa sebaran F(x) dengan fungsi sebaran ekses bersyarat F u (y), maka dapat didekati dengan sebaran pareto terampat (Generalized Pareto Distribution/GPD):

dengan x

< ∞,

σ

(y ) = P (X − u |X > ) = F (u + y) − F ( u ) ( y ) = P ( X − u | X > )

( X − u | X > ) = F (u + y) − F (

1 − F (u )

(y ) ≈ Gu | X > ) = F (u + y) − F ( u ) 1

,
,

(y) , ketika u → ∞

, (y) =

G

− F (u ) (y ) ≈ G , (y) , ketika u → ∞ ,
+ ξ y 1 − 1 , ξ β β
+ ξ y
1 −
1
,
ξ
β
β

0

→ ∞ , (y) = G + ξ y 1 − 1 , ξ β β

1 − exp y , ξ = 0

D

[ 0 , ∞) , ξ > 0

0 , ξ

( ) = ,
(
) =
,
1 − 1 , ξ β β ≠ 0 1 − exp − y , ξ

0

<ξ y 1 − 1 , ξ β β ≠ 0 1 − exp − y

β

Parameter GPD secara unik ditentukan oleh parameter GEVD tanpa memperhatikan ukuran blok. Hal ini dikarenakan parameter bentuk merupakan ukuran blok yang bebas. Demikian juga β = σ + ξ (u − µ ) dimana σ dan µ berasal dari GEVD (Embrechts et al. 1997). Parameter merupakan penciri dari suatu sebaran. Perubahan pada parameter lokasi hanya akan menggeser titik pusat sebaran pada sumbu-x. Pengaruh dari perubahan parameter skala akan terlihat dari semakin menyempit atau melebarnya pola sebaran. (Aunuddin 1989). Parameter bentuk menunjukkan bentuk ekor sebaran, ξ < 0 menunjukkan ekor sebaran yang terbatas, sedangkan ξ > 0 menunjukkan ekor sebaran yang tak terbatas.

Plot Mean Excess Function (MEF) Langkah awal dalam memodelkan data ekstrim menggunakan GPD adalah pemilihan nilai ambang. Pemilihan nilai ambang yang tepat dapat dianalogikan dengan masalah penentuan ukuran blok. Apabila nilai ambang terpilih terlalu rendah, maka data yang melampaui nilai ambang akan menyimpang secara signifikan dari GPD. Disisi lain apabila nilai ambang terpilih terlalu tinggi, maka tidak akan cukup data untuk menduga model sehingga menghasilkan ragam yang besar. Salah satu metode untuk menentukan nilai ambang adalah dengan menggunakan plot MEF. Teori menyebutkan bahwa jika Y menyebar GPD, maka E (Y) = sehingga

bahwa jika Y menyebar GPD, maka E (Y) = sehingga sebaran ekses yang berada di atas

sebaran ekses yang berada di atas nilai ambang u dituliskan sebagai berikut:

E ( X − u |X > u ) =

u dituliskan sebagai berikut: E ( X − u |X > u ) = ( u
u dituliskan sebagai berikut: E ( X − u |X > u ) = ( u
( u )
(
u
)

β

1 −

ξ

dengan β(u 0 ) adalah nilai β pada ambang u 0 . Ekses yang melebihi u 0 dapat dimodelkan dengan GPD, sehingga u > u 0 :

0 dapat dimodelkan dengan GPD, sehingga u > u 0 : E ( X − u

E ( X − u | X > ) =

β

( u
(
u

) +

ξ

u

1

− ξ

Setelah nilai ambang yang tepat terpilih, selanjutnya adalah pendugaan parameter GPD. Metode penduga kemungkinan maksimum merupakan salah satu metode pendugaan parameter GPD. Berikut adalah fungsi kepekatan peluang GPD (Embrechts et al 1997):

g (y ) =

kepekatan peluang GPD (Embrechts et al 1997): g (y ) = 0 = 0 dengan diperoleh:

0 peluang GPD (Embrechts et al 1997): g (y ) = ≠ = 0 dengan diperoleh: memaksimumkan

= 0

dengan

diperoleh:

memaksimumkan

log-kemungkinannya

L (ξ ,

β

|

y )

− nln (β ) −memaksimumkan log-kemungkinannya L (ξ , β | y ) ξ ln 1 + y , ξ memaksimumkan log-kemungkinannya L (ξ , β | y ) ξ ln 1 + y , ξ

ξ ln 1 + y , ξ ≠ β y , ξ = 0
ξ
ln
1
+
y
,
ξ
β
y
,
ξ
= 0

1

ξ
ξ

+ 1

=

− nln β −ξ ln 1 + y , ξ ≠ β y , ξ = 0 1 ξ

0

y , ξ ≠ β y , ξ = 0 1 ξ + 1 = −

Ukuran Risiko Risiko dalam hal ini merupakan kerugian yang dialami investor pada satu hari perdagangan. Dua macam ukuran risiko yaitu Value at Risk(VaR) dan Expected Shortfall (ES). VaR didefinisikan sebagai kecukupan modal risiko untuk menangani kerugian dari suatu portofolio. Misalkan sebuah pubah acak X dengan fungsi sebaran F, memodelkan positif dan negatif imbal hasil suatu periode tertentu, maka VaR p adalah fungsi kuantil ke-p suatu sebaran F atau dapat ditulis:

fungsi kuantil ke-p suatu sebaran F atau dapat ditulis: VaR = F (1 − p )

VaR = F (1 − p )

ke-p suatu sebaran F atau dapat ditulis: VaR = F (1 − p ) dengan F

dengan F -1 disebut sebagai fungsi kuantil ke-p. Sebagian besar perusahaan keuangan menghitung VaR 95% untuk tujuan kontrol risiko internal satu hari kedepan. Sedangkan, Basle mengusulkan VaR 99% untuk peramalan sepuluh hari kedepan (Gilli dan Kёllezi 2000). Misalkan F(x) adalah sebaran imbal hasil yang tidak diketahui dari suatu peubah acak X, u adalah nilai ambang, maka x-u adalah ekses yang melebihi ambang dengan syarat x > u. F u (y) merupakan fungsi sebaran ekses bersyarat yang dituliskan sebagai berikut:

(y ) = P (X − u ≤ y |X >sebaran ekses bersyarat yang dituliskan sebagai berikut: ) , 0 ≤ y − u ≤ sehingga

dituliskan sebagai berikut: (y ) = P (X − u ≤ y |X > ) ,

) , 0 ≤

y

− uberikut: (y ) = P (X − u ≤ y |X > ) , 0 ≤

sehingga F u (y) dapatdituliskan:

) , 0 ≤ y − u ≤ sehingga F u (y) dapatdituliskan: (y ) =

(y ) = P (x − u ≤ y | x > )) , 0 ≤ y − u ≤ sehingga F u (y) dapatdituliskan: ( y )

(y) dapatdituliskan: (y ) = P (x − u ≤ y | x > ) (

(y ) =

P (x − u ≤

y

x

>

)
)
y | x > ) ( y ) = P (x − u ≤ y ∩

P (x > )

(y ) = =

F (x ) − F (u )

1 − F (u )

F (x ) = F ( y )( 1 − F (u ) + F (u )

(x > ) (y ) = F (x ) − F (u ) 1 − F
F
F

(y ) ≈ G

,
,

(y) , u

ξ 1 − 1 + y , ξ ≠ 0 β 1 − e ,
ξ
1 −
1 +
y
,
ξ
0
β
1 − e
,
ξ
=
0
ξ 1 − 1 + y , ξ ≠ 0 β 1 − e , ξ

Metode

Tahapan analisis data yang dilakukan dalam penelitian ini adalah sebagai berikut:

1. Menghitung imbal hasil harian IHSG.

2. Melakukan eksplorasi data menggunakan histogram.
3. Membagi data ke dalam dua bagian. Data imbal hasil tahun 2001-2008 untuk membuat model. Sedangkan data tahun 2009-2010 untukvalidasi.

4. Penentuan nilai ambang menggunakan plot

n Mean Excess Function (MEF). Adapun

langkah-langkah pembentukan plot MEF

GPD , (y) =

Adapun langkah-langkah pembentukan plot MEF GPD , (y) = F(u) diduga dengan ( ) , n

F(u) diduga dengan (

) , n adalah jumlah

amatan dan N u adalah jumlah amatan yang berada

di atas nilai ambang. Sehingga dapat dituliskan:

1 −yang berada di atas nilai ambang. Sehingga dapat dituliskan: 1 + β (x − u )

1 + β (x u )

ξ

( n − N n
( n − N
n

F (x ) = 1 −

+

N

F (x ) = 1 − n

u ) ξ ( n − N n F (x ) = 1 − + N

ξ

β

1
1

+

F
F

(x ) = VaR = u +

) = 1 − + N F (x ) = 1 − n ξ β 1
β n p − 1 ξ N
β
n
p
− 1
ξ
N

n − N

ξ β 1 + F (x ) = VaR = u + β n p −

Ukuran risiko lainnya adalah Expected Shortfall (ES) atau ekor harapan bersyarat yang menduga potensi kerugian yang melebihi VaR.

ES

yang menduga potensi kerugian yang melebihi VaR. ES = E [ X | X > ]

= E [ X | X >

]
]
potensi kerugian yang melebihi VaR. ES = E [ X | X > ] ES =

ES = VaR + E X − VaR

melebihi VaR. ES = E [ X | X > ] ES = VaR + E
melebihi VaR. ES = E [ X | X > ] ES = VaR + E

| X > VaR

ES = E [ X | X > ] ES = VaR + E X −

dengan persamaan kedua yang berada di kanan merupakan rata-rata sebaran ekses F (y ) yang melebihi ambang VaR p.

sebaran ekses F (y ) yang melebihi ambang VaR p . e (u ) = E

e (u ) = E ( X − u |X >

yang melebihi ambang VaR p . e (u ) = E ( X − u |X

) =

β

+

ξ

u

1

,

β

+

ξ

u

>

0

ξ

sehingga diperoleh:

ES

ξ u 1 − , β + ξ u > 0 ξ sehingga diperoleh: ES =

= VaR

1 − , β + ξ u > 0 ξ sehingga diperoleh: ES = VaR +

+ β + ξ (VaR − u )

0 ξ sehingga diperoleh: ES = VaR + β + ξ (VaR − u ) 1

1

− ξ

ES =

diperoleh: ES = VaR + β + ξ (VaR − u ) 1 − ξ ES

VaR

diperoleh: ES = VaR + β + ξ (VaR − u ) 1 − ξ ES

+

β

ξ

u

1 −

1

− ξ

ξ

METODOLOGI

Data Data yang digunakan adalah data sekunder Indeks Harga Saham Gabungan (IHSG). Data

diperoleh dari http://www.finance.yahoo.com berupa data harian dari bulan Januari 2001 hingga Desember 2010. Software yang digunakan adalah

R versi 2.12.1 paket EVIR.

adalah sebagai berikut(Embrechts et al. 1997):

1. Urutkan data imbal hasil saham (x) dari yang terkecil hingga yang terbesar.

2. Untuk setiap nilai ambang (u) hitung

rata-rata contoh untuk seluruh x > u:

1

u , n
u , n
x ( ) − u ; u < x
x ( ) − u ; u < x

dengan n u adalah banyaknya amatan yang melampaui ambang u.Dalam keuangan, batas atas kerugian tidak dapat ditentukan dengan tepat. Oleh karena itu, GPD dengan ξ > 0 sesuai untuk memodelkan imbal hasil IHSG.Pemilihan nilai ambangyang menghasilkan ξ > 0 terkecil, jika ξ > 0 tidak diperoleh maka dipilih ξ terbesar (Koemadji 2004).

5. Pendugaan parameter GPD menggunakan penduga kemungkinan maksimum.

6. Pemeriksaan kesesuaian model menggunakan plot kuantil-kuantil. Plot kuantil-kuantil

berfungsi memeriksa kesesuaian data yang bertujuan untuk menyesuaikan statistik tataan

(n) ) dengan kuantil dari sebaran

teoritis. Prosedur pemeriksaan sebaran data menggunakan plot kuantil-kuantil adalah sebagai berikut (Gilli dan Kёllezi 2000):

1. Urutkan data yang berada di atas nilai ambang (x) dari yang terkecil hingga terbesar

2. Untuk setiap x i hitung nilai p = , plot antaran x i dengan p i adalah plot kuantil. Tentukan nilai F -1 (p i )= Q(p i ) untuk setiap p i . Plot antara p i dan Q(p i ) merupakan plot kuantil teoritik. Misalkan G(p i ) merupakan fungsi sebaran GPD, sehingga akan diperoleh Q(p i ):

(x (1) ,x (2)

,

,x

akan diperoleh Q(p i ): (x ( 1 ) ,x ( 2 ) , ,x x
x
x
G ( p ) = 1 − 1 +
G ( p ) = 1 −
1 +

ξ

β

misalkan G ( p ) = t , maka:

akan diperoleh Q(p i ): (x ( 1 ) ,x ( 2 ) , ,x x