Anda di halaman 1dari 21

REVIEW JURNAL

A. Penulis
1. Taehyuk Kim (Professor of Finance, Dept. of Business Administration, School of
Business, Pusan National University, Pusan, South Korea.
2. Jonghae Park (Assistant Professor, Dept. of Venture & Business, College of Business and
Economics, Gyoengnam National University, Gyoengnam, South Korea)
3. Aejin Ha (Post Doctor, Dept. of Business Administration, School of Business, Pusan
National University, Pusan, South Korea)
B. Judul
The Impact of Trading Information in Derivative Markets on the Korean Stock Market
(Pengaruh Informasi Perdagangan di Pasar Derivatif pada Pasar Modal Korea)
C. Abtrak
Tulisan ini bertujuan untuk menyelidiki dampak dari informasi transaksi yang terbentuk
di pasar derivatif pada pasar modal Korea didasarkan pada gagasan bahwa kedua investor
institusi dan asing pedagang pintar yang memperdagangkan sekuritas informasi transaksi di
pasar derivatif. Untuk menguji hipotesis kami bahwa dampak dari informasi transaksi di pasar
derivatif lebih kuat pada saham disukai oleh pedagang cerdas, kita membentuk beberapa
portofolio diurutkan pada ukuran perusahaan, harga, buku dengan nilai pasar, kepemilikan
institusional, dan jenis undian fitur dan memeriksa dampak informasi transaksi di pasar derivatif
pada pengembalian portofolio masing-masing dengan indeks derivatif yang terdiri. Penelitian ini
mengungkapkan bahwa informasi transaksi di pasar derivatif memiliki dampak yang lebih besar
pada saham disukai oleh pedagang cerdas (yaitu, perusahaan besar, tinggi harga, kepemilikan
institusi yang tinggi, dan jenis non-lotre saham).
D. Pendahuluan
Hal ini secara luas diketahui bahwa informasi transaksi di pasar derivatif mempengaruhi
penemuan harga di pasar spot. Pedagang diinformasikan juga lebih memilih untuk perdagangan
derivatif daripada saham yang mendasari untuk mengurangi biaya transaksi, kurangnya kendala
penjualan pendek, dan peningkatan financial leverage (Black, 1975; Mayhew, Sarin, dan Shastri,
1995). Sejumlah penelitian mendukung pernyataan ini dengan menghadirkan para pedagang
informasi saham perdagangan tergantung pada informasi perdagangan di pasar derivatif seperti
indeks volatilitas tersirat (VIX), perbandingan volume menempatkan panggilan (PCR),
menempatkan panggilan rasio open interest (PCR), dan perubahan di masa depan net
(Bandopadhyay dan Jones, 2008; Banerjee, Doran, dan Peterson, 2007; Dash dan Moran, 2005;

Easley, O'Hara, dan Srinivas, 1998; Giot, 2005; Kalok dan Johnson, 1993; Kumar , Sarin, dan
Shastri, 1998, Wang, Keswani, dan Taylor, 2006; Whaley, 2000).
Makalah ini mengambil sebagai titik awal proposisi bahwa kedua investor institusi dan
investor asing adalah pedagang pintar yang berdagang di informasi transaksi di pasar derivatif
karena mereka memiliki informasi pribadi dan kemampuan analitis yang canggih. Tulisan ini
bertujuan untuk menyelidiki apakah informasi perdagangan di pasar derivatif mempengaruhi
dinamika harga saham yang sebagian besar disukai oleh pedagang cerdas. Jika pedagang
informasi perdagangan yang didasarkan pada informasi perdagangan di pasar derivatif, informasi
perdagangan akan memiliki dampak yang lebih besar pada saham-saham yang sebagian besar
diperdagangkan oleh pedagang informasi. Oleh karena itu, penelitian ini membangun indeks
komposit derivatif dan menyelidiki dampak dari indeks derivatif pada besar, tinggi harga, tinggi
BM, kepemilikan institusi yang tinggi, dan jenis non-undian saham.
Singkatnya, tujuan dari penelitian ini adalah untuk menguji dampak dari informasi
perdagangan di pasar derivatif di pasar saham Korea. Penelitian ini memberikan kontribusi
literatur dalam 1) langsung tes peran perdagangan derivatif informasi di pasar saham dan 2)
informasi yang terbentuk di pasar derivatif memiliki dampak kuat pada saham dengan
konsentrasi yang lebih tinggi dari pedagang pintar. Sisa dari studi diatur sebagai berikut. Bagian
2 menggambarkan hipotesis. Bagian 3 membahas sampel dan metode empiris yang digunakan
dalam penelitian ini. Hasil empiris disajikan dalam Bagian 4. Akhirnya, Bagian 5 memberikan
komentar kesimpulan singkat
E. Hipotesis
Kedua investor institusi dan asing memiliki akses yang lebih baik ke informasi pribadi
dan keterampilan analitis yang lebih canggih dari investor individu. Penelitian ini mencoba untuk
menganalisis dampak informasi perdagangan di pasar derivatif di pasar saham Korea didasarkan
pada asumsi bahwa kedua investor institusi dan asing pedagang pintar yang berdagang informasi
terbentuk di pasar derivatif. Secara khusus, ini tes studi di bawah hipotesis berdasarkan model
berbasis habitat-investor.
H1. Dampak

dari informasi di pasar derivatif pada saham perusahaan besar akan lebih kuat.

Pedagang informasi lebih memilih opsi untuk retails tradings underlying asset sekali
pilihan pada underlying asset terdaftar (Kumar, Sarin, dan Shastri, 1998). John, Koticah, dan
Subrahmanyam (1993) menegaskan pedagang informasi bermigrasi ke pasar pilihan untuk
mengurangi biaya transaksi dan meningkatkan leverage keuangan. Jika pasar opsi yang lebih
menarik bagi para pedagang informasi, volume opsi dan volatilitas membawa konten informasi
untuk arah masa depan dan volatilitas harga underlying asset. Kelimpahan studi juga
menunjukkan bahwa pedagang informasi perdagangan sekuritas pada informasi transaksi seperti
VIX, menempatkan panggilan perbandingan volume (PCR), menempatkan panggilan rasio open
interest (PCO), perubahan di masa depan net, dll (Bandopadhyay dan Jones, 2008 ; Banerjee,
Doran, dan Peterson, 2007; Dash dan Moran, 2005; Easley, O'Hara, dan Srinivas, 1998; Giot,
2005; Kalok dan Johnson, 1993; Kumar, Sarin, dan Shastri, 1998; Wang, Keswani, dan Taylor,
2006; Whaley, 2000).
Penelitian terbaru menyajikan hasil empiris yang berkaitan dengan model berbasis habitat
investor. Barberis, Shleifer, dan Wurgler (2005) mengusulkan jenis tertentu investor lebih
memilih saham dengan karakteristik tertentu dan investor perdagangan dalam kategori saham
tertentu (misalnya, habitat). Mendukung temuan mereka, Kumar dan Lee (2006) berpendapat
investor ritel lebih kecil, tinggi BM, murah, dan rendah saham kepemilikan institusional. Kumar
(2009) juga berpendapat investor sosial ekonomi tertentu mengungkapkan preferensi untuk
undian-jenis saham. Dia lebih lanjut menemukan bahwa individu dan investor institusi
menunjukkan preferensi kira-kira berlawanan.

Berdasarkan karya-karya sebelumnya, orang mungkin juga berharap bahwa informasi


dalam pasar derivatif memiliki dampak yang lebih besar pada saham perusahaan besar yang
sebagian besar disukai oleh pedagang cerdas.
H2. Dampak dari informasi di pasar derivatif pada saham dengan harga tinggi akan lebih
kuat.
Pedagang pintar seperti investor institusi dan asing menunjukkan preferensi untuk saham
perusahaan besar dan sebagian besar saham perusahaan besar yang mahal. Oleh karena itu kami
berhipotesis dampak informasi di pasar derivatif pada saham dengan harga tinggi lebih kuat
karena pedagang pintar mungkin berkonsentrasi kepemilikan mereka di saham harga tinggi.
H3. Dampak dari informasi di pasar derivatif pada saham dengan buku yang tinggi untuk
nilai pasar akan lebih kuat.
Kumar dan Lee (2006) menemukan bahwa investor individu memiliki preferensi untuk
buku tinggi nilai pasar (BM), sementara individu dan lembaga pameran preferensi kira-kira
berlawanan. Bertentangan dengan Kumar dan Lee (2006) 's temuan, Gompers dan Metrick
(2001) menunjukkan bahwa investor institusional menunjukkan preferensi yang kuat untuk
saham nilai dan Ko dan Kim (2004) menyatakan bahwa investor asing menunjukkan preferensi
untuk nilai saham. Di sini, kita berhipotesis dampak informasi di pasar derivatif pada saham
dengan buku yang tinggi untuk nilai pasar didasarkan kuat pada gagasan bahwa pedagang pintar
ingin mendapatkan keuntungan berlebih kumulatif melalui investasi jangka panjang dalam nilai
saham.
H4. Dampak dari informasi di pasar derivatif pada saham dengan kepemilikan investor
institusi lebih akan lebih kuat.
Seperti yang dinyatakan sebelumnya, baik investor institusional dan asing mungkin
pedagang pintar yang memanfaatkan informasi di pasar derivatif karena mereka unggul individu
dalam memperoleh dan menganalisis informasi. Jika demikian, dampak informasi di pasar
derivatif pada saham dengan konsentrasi yang lebih tinggi dari lembaga akan lebih kuat.

H5. Dampak dari informasi di pasar derivatif pada jenis saham non-lotre akan lebih kuat.
Kumar (2009) mengkategorikan saham menjadi tiga jenis: jenis lotere, jenis non-undian,
dan lain-lain dan menyelidiki preferensi kelompok investor masing-masing 'jenis lotere saham.
Dia mengungkapkan bahwa investor institusi berkonsentrasi kepemilikan mereka dalam jenis
non-undian saham. Dia secara khusus melaporkan jenis lotere saham memiliki holding
institusional yang rendah (7,35%), sedangkan tipe non-undian saham memiliki holding
institusional yang tinggi (49,34%). Oleh karena itu, informasi di pasar derivatif mungkin
memiliki dampak yang lebih kuat pada jenis saham non-undian yang sangat dipegang oleh
investor cerdas.
F. Metodologi
1. Sample
Kami menggunakan FnDataGuide untuk data ekuitas bulanan dan basis data TS2000 dari
Korea Asosiasi Emiten untuk data keuangan. Data untuk indeks derivatif bulanan diperoleh dari
Korea Exchange, Bank of Korea, dan Korea Investors Service. Sampel meliputi periode dari Juli
1987 hingga Agustus 2010. Kami uji total 229 bulan tidak termasuk periode krisis pertukaran
Korea selama tahun 1997 dan 1998 dalam sampel. Kami termasuk semua yang terdaftar,
delisting, dan baru terdaftar perusahaan di Korea Exchange untuk periode 1987 hingga 2010
untuk menghindari kedua baru listing bias dan kelangsungan hidup Bias. Sampel kami secara
total terdiri dari 843 perusahaan yang terdaftar di Bursa Efek Korea
2. Indeks Derivatif
Karya sebelumnya menunjukkan transaksi di pasar derivatif memainkan peran penting dalam
memprediksi pergerakan harga di masa depan keamanan. Berbagai studi menunjukkan bahwa
pedagang informasi perdagangan sekuritas pada informasi transaksi seperti VIX, PCR, PCO,
perubahan di masa depan net, dll (Bandopadhyaya dan Jones, 2008; Banerjee, Doran, dan
Peterson, 2007; Dash dan Moran, 2005 ; Easley, O'Hara, dan Srinivas, 1998; Giot, 2005; Kalok
dan Johnson, 1993; Kumar, Sarin, dan Shastri, 1998; Wang, Keswani, dan Taylor, 2006; Whaley,
2000).
Vijh (1990) berpendapat bahwa volume opsi khusus berisi informasi untuk pergerakan harga
saham di masa mendatang. Konsisten dengan temuannya, Easley, O'Hara, dan Srinivas (1998)
menyatakan volume pilihan yang terkait dengan "berita positif" dan "berita negatif" memprediksi

pergerakan harga saham. Oleh karena itu, PCR yang sama dengan volume perdagangan put
options dibagi dengan volume perdagangan call option juga menunjukkan arah masa depan harga
saham.
PCO, ukuran lain perbandingan volume put-call, dihitung dengan menggunakan animo
pilihan bukan volume perdagangan. Sebuah kepentingan terbuka tinggi dibandingkan dengan
menempatkan panggilan menunjukkan pasar bearish, dan sebaliknya. PCO dianggap sebagai
indikator yang lebih akurat karena dihitung dengan menggunakan animo pilihan pada akhir hari
atau pada akhir minggu. Bhuyan dan Yan (2002) juga menyatakan bahwa indikator berbasis
bunga terbuka lebih informatif tentang gerakan masa depan aset dasar dari indikator berbasis
volume.
Jika pasar opsi yang lebih menarik bagi para pedagang informasi, perdagangan option akan
mencerminkan informasi yang tidak dimasukkan ke dalam pasar spot karena model penentuan
harga opsi memerlukan harga dan volatilitas underlying asset untuk menentukan harga opsi.
Terutama, volatilitas tersirat berasal dari harga opsi menyampaikan informasi mengenai
perubahan jangka pendek harga underlying asset pelaku pasar.
VIX adalah indeks volatilitas dihitung dengan menggunakan volatilitas tersirat dari S & P100
(PEX) option di Chicago Board Options Exchange. Praktisi mempertimbangkan volatilitas
tersirat tinggi sebagai tanda banteng. Volatilitas tersirat juga mencapai semua waktu tinggi
selama krisis keuangan. Whaley (2000) juga mengutip VIX sebagai "barometer ketakutan
investor '" berdasarkan temuan bahwa pasar saham bereaksi lebih negatif terhadap peningkatan
VIX daripada bereaksi positif penurunan VIX.
Leverage tersirat dalam futures membuat pasar berjangka lebih menarik bagi para pedagang
informasi dan pasar berjangka berisi informasi yang tidak disampaikan belum pasar saham
(Sadath dan Kamaiah, 2009). Perdagangan biaya teori juga menunjukkan bahwa pasar berjangka
memimpin pilihan pasar dan pasar spot juga (Fleming, Ostdiek, & Whaley, 1996).
Perubahan di masa depan bersih (volume denominasi dolar kontrak panjang dikurangi bahwa
kontrak pendek) mengungkapkan harapan investor terhadap pasar. Praktisi atau media sering
menganggap peningkatan volume kontrak masa depan sebagai sinyal investor optimisme tentang
pasar saham. Brown dan Cliff (2004) juga menemukan perubahan di masa depan bersih
merupakan indikator penting menangkap sentimen investor.

Semua indikator yang disebutkan di atas mungkin termasuk komponen yang tidak
berhubungan dengan arah harga saham. Oleh karena itu, penelitian ini memisahkan komponen
umum menggunakan Principal Component Analysis (PCA) dan membangun indeks komposit
derivatif dengan mengikuti Baker dan Wurgler (2006) 's metodologi.
Kami memperkirakan komponen utama pertama dari empat proxy dan tertinggal dan
kemudian memilih empat variabel yang sangat berkorelasi dengan indeks tahap pertama sejak
hubungan timbal-lag antara pasar spot dan pasar derivatif agak kontroversial. Indeks komposit
adalah komponen utama pertama indeks tahap kedua menggunakan memilih empat variabel.
Indeks komposit turunan yang dihasilkan, DINDEX, adalah sebagai berikut:
DINDEXt = 0.92 PCRt + 0.92 PCOt + 0.09 VKOSPIt + 0.18 FVOLt

(1)

Dimana PCRt adalah perbandingan volume put-call di bulan t, PCOt adalah put-call ratio
bunga terbuka di bulan t, VKOSPIt adalah indeks volatilitas KOSPI200 di bulan t, dan FVOLt
adalah volume perdagangan KOSPI200 indeks saham berjangka di bulan t.
Komponen utama pertama menjelaskan 43,01% dari varians sampel, menunjukkan bahwa ia
menangkap variasi umum cukup. Selain itu, semua indikator masuk dengan waktu yang
diharapkan serta semua masuk dengan tanda yang diharapkan. Untuk lebih spesifik, PCR, PCO,
dan VKOSPI dihasilkan dalam ketakutan gauge investor pasar opsi. Volume perdagangan
KOSPI200 indeks saham berjangka juga mengandung pesimisme investor tentang pasar saham.
Karena investor di pasar saham cenderung meningkatkan berjangka pendek ketika investor
mengharapkan downside pasar saham, meningkatkan volume perdagangan berjangka mungkin
merupakan ketakutan investor. Keempat variabel Oleh karena itu diharapkan memiliki tanda
yang sama. Indeks komposit cenderung memiliki tinggi (rendah) nilai ketika investor pesimis
(optimis) tentang pasar saham. Berdasarkan hasil tersebut, kami menyimpulkan bahwa indeks
komposit merupakan sentimen investor di pasar derivatif.
Namun, ada kemungkinan indeks tersusun terkontaminasi oleh komponen siklus bisnis. Oleh
karena itu kami membentuk indeks ortogonal kedua komponen siklus bisnis sebagai berikut:
regresi masing-masing empat indikator baku terhadap pertumbuhan indeks produksi industri,
pertumbuhan barang-barang konsumen, pertumbuhan pengeluaran konsumen, dan variabel
dummy resesi dan residu diperkirakan. Residual dari regresi ini, DINDEX, akan menangkap

informasi murni mengarahkan pergerakan saham di masa depan. Indeks orthogonal dihasilkan
dari dua langkah PCA adalah
DINDEXt = 0.91 PCRt + 0.90 PCOt + 0.12 VKOSPIt + 0.34 FVOLt

(2)

Dimana PCRt adalah put-call perbandingan volume ortogonal siklus bisnis pada bulan t,
PCOt adalah put-call open interest ratio ortogonal siklus bisnis pada bulan t, VKOSPIt adalah
indeks volatilitas KOSPI200 orthogonal untuk siklus bisnis pada bulan t, dan FVOLt adalah
volume perdagangan indeks saham berjangka KOSPI200 orthogonal untuk siklus bisnis pada
bulan t. Di sini, komponen utama pertama menjelaskan 44,20% dari sampel varians dari variabel
orthogonalized.
3. Metode Empiris
Investor individu menunjukkan preferensi untuk perusahaan kecil, murah, BM tinggi,
kepemilikan institusional rendah, dan jenis saham lotre (Kumar dan Lee, 2006; Kumar, 2009)
dan kedua investor institusi dan asing mengungkapkan preferensi berlawanan dengan individu
(Ko dan Kim , 2004; Kumar dan Lee, 2006). Untuk menyelidiki dampak informasi di pasar
derivatif di pasar saham Korea, kita membangun 5-kuintil portofolio diurutkan berdasarkan
kapitalisasi pasar, book to market ratio (BM), kepemilikan institusional, dan harga saham dan
menguji pengaruh indeks derivatif pada pengembalian portofolio. Kami lebih menghitung harga,
skewness istimewa, dan volatilitas istimewa dan membentuk delapan portofolio menggunakan
harga, kemiringan, dan volatilitas break-point mengadopsi Kumar (2009) 's metode untuk
menganalisis pengaruh informasi di pasar derivatif pada pengembalian jenis lotere saham.
Kami kemudian memperkirakan waktu-series model faktor berikut untuk menguji hipotesis
tersebut:

Rpt - Rft = pt + 1p RMRFt + 2p SMBt + 3p HMLt +


Dimana: Rpt : Kuintil return portofolio
Rft : Bebas risiko tingkat pengembalian

4p

DINDEXt + pt

(3)

RMRFt : Return pasar berlebih pada bulan tersebut


SMBt :
Rata-rata perbedaan return bulanan antara tiga portofolio ukuran kecil dan
HMLt :

tiga ukuran portofolio besar


Rata-rata selisih return bulanan antara nilai portofolio dan portofolio

pertumbuhan
DINDEX: Indeks Derivatif di bulan tersebut
DINDEX:Indeks orthogonal derivatif untuk variabel makroekonomi di bulan tersebut

4. Hasil Empiris
Kami mencoba untuk mengetahui pengaruh informasi di pasar derivatif terhadap return
saham didasarkan pada gagasan bahwa pedagang pintar berdagang di informasi di pasar
derivatif. Lebih khusus, kami berhipotesis dampak informasi di pasar derivatif terhadap return
saham lebih kuat dalam topi besar, tinggi harga, nilai, jenis saham institusional yang dimiliki,
dan non-undian tinggi karena pedagang cerdas cenderung menghindari saham sebagian besar
diperdagangkan oleh pedagang individu.
4.1.
Portofolio Ukuran Kuantil
Tabel 1 menunjukkan Fama-French perkiraan model 3 faktor untuk masing-masing dari lima
ukuran kuantil portofolio. Indeks komposit derivatif berpengaruh signifikan negatif terhadap
kedua saham perusahaan menengah dan besar. Efek negatif ini menunjukkan bahwa saham yang
diremehkan ketika investor pesimis tentang pasar saham sejak indikator seperti dipertimbangkan
dalam penelitian ini sebagai PCR, PCO, VKOSPI mencerminkan ketakutan investor. Hasil untuk
portofolio size-kuantil juga mengkonfirmasi informasi transaksi di pasar derivatif memiliki
dampak yang lebih besar pada kedua saham perusahaan menengah dan besar, yang mendukung
hipotesis 1.
4.2.
Portofolio Harga-kuantil
The Fama-French perkiraan model 3 faktor untuk portofolio harga-diurutkan disajikan pada
Tabel 2. Kedua DINDEX dan DINDEX memiliki efek negatif pada seluruh portofolio harga
menunjukkan bahwa saham yang diremehkan ketika pedagang pintar memiliki rasa takut untuk
pasar saham. Kedua koefisien dan t-statistik menurun secara monoton dari kuantil pertama
portofolio kuantil kelima. Terutama, DINDEX dan DINDEX berpengaruh signifikan negatif
terhadap ketiga, portofolio kuantil sebagainya, dan kelima. Hasil ini menunjukkan bahwa
informasi transaksi di pasar derivatif memiliki dampak yang lebih besar pada saham harga tinggi
yang sebagian besar disukai oleh pedagang cerdas.
4.3.
Portofolio BM-kuantil
Investor institusi Korea preferensi untuk saham pertumbuhan tidak sekuat investor institusi
asing dan investor asing menunjukkan preferensi untuk saham nilai (Ko dan Kim, 2004). Namun,
kita mengasumsikan bahwa informasi derivatif memiliki dampak yang lebih besar pada nilai
saham sejak pedagang pintar ingin mendapatkan keuntungan berlebih kumulatif melalui investasi
jangka panjang dalam nilai saham.
Tabel 3 menunjukkan hasil untuk portofolio BM-diurutkan. Sedangkan DINDEX
berpengaruh signifikan negatif pada pertama, ketiga, dan kelima portofolio kuantil, DINDEX

berpengaruh signifikan negatif pada semua portofolio. Hasil ini mendukung (2000) 's temuan
Whaley bahwa investor memerlukan keuntungan yang lebih tinggi ketika mereka pesimis
tentang pasar karena sebagian besar investor menghindari risiko.
Kedua DINDEX dan DINDEX memiliki dampak terbesar pada portofolio kelima yang
terdiri dari saham-saham dengan BM tinggi. Hasil ini tidak konsisten dengan Kumar dan Lee
(2006) 's. Dalam pekerjaan mereka, mereka menunjukkan bahwa saham nilai adalah salah satu
habitat investor ritel dan pengaruh sentimen investor paling kuat pada harga nilai saham.
Mengingat fakta bahwa individu dan investor institusi menunjukkan preferensi kira-kira
berlawanan, orang dapat berargumentasi bahwa dampak dari informasi di pasar derivatif
terhadap return saham lebih kuat dalam pertumbuhan saham. Namun, ada bukti yang
bertentangan bahwa investor institusional menunjukkan preferensi yang kuat untuk saham nilai
(Gompers dan Metrick, 2001). Selain itu, hasil yang beragam dapat berasal dari perbedaan ratarata antara BM saham Korea dan saham asing. BM break-point dalam penelitian ini jauh lebih
tinggi daripada yang disajikan dalam Kumar dan Lee (2006) 's pekerjaan. Artinya, mungkin ada
perbedaan dalam definisi saham pertumbuhan antara Korea dan asing. Oleh karena itu, hipotesis
bahwa informasi dalam pasar derivatif memiliki efek yang lebih kuat pada saham nilai sesuai dan
hasil empiris mendukung hipotesis juga.

4.4.

Portofolio Kepemilikan institusional


Hasil untuk portofolio kepemilikan institusional disajikan pada Tabel 4. Studi ini

menganggap baik investor institusi dan asing sebagai pedagang cerdas dan hipotesis pengaruh
informasi di pasar derivatif adalah kuat pada saham dengan kepemilikan institusi yang tinggi.
Sedangkan koefisien indeks derivatif untuk portofolio kuintil kelima (portofolio
kepemilikan institusi yang tinggi) secara signifikan negatif pada tingkat 0,05, yang untuk
portofolio kuintil tersisa negatif tetapi tidak signifikan. Ini koefisien negatif menunjukkan saham
yang undervalued ketika ketakutan investor untuk pasar naik sejak indeks derivatif sebagian
besar mencerminkan investor takut untuk pasar. Hasil untuk indeks derivatif ortogonal identik
dengan yang untuk indeks derivatif. Hasil ini membuktikan asumsi kami bahwa investor
institusional adalah pedagang cerdas valid dan selanjutnya dukungan hipotesis 4 (dampak
informasi di pasar derivatif adalah kuat pada saham dengan kepemilikan institusi yang tinggi).
4.5.

Undian jenis portofolio saham

The Fama-French model 3-faktor perkiraan untuk undian-jenis portofolio saham yang
diberikan pada Tabel 5. Kami berhipotesis informasi trader lebih memilih jenis non-undian
saham bertentangan dengan individu dan dampak dari informasi yang terbentuk di pasar derivatif
lebih kuat non-lotere jenis saham.
Indeks derivatif berpengaruh signifikan negatif pada jenis non-lotre saham, yang
mendukung hipotesis kami. Hal ini juga dicatat bahwa efek dari indeks derivatif lebih kuat dalam
portofolio dengan volatilitas yang tinggi di antara portofolio dengan harga tinggi. Juga, efek
indeks derivatif paling kuat pada saham dengan kedua skewness tinggi dan volatilitas yang
tinggi. Ini menyiratkan bahwa pedagang informasi tampaknya percaya saham dengan return yang
tinggi dan volatilitas akan mereproduksi kembali tinggi dan mereka lebih memilih saham dengan
return yang tinggi, volatilitas, dan harga.
Tabel 1. Fama-French 3 faktor Model Perkiraan untuk Portofolio Ukuran
Tabel ini melaporkan Fama-French 3 faktor perkiraan model untuk lima portofolio ukurankuantil. Portofolio kuantil terbentuk pada akhir setiap tahun pada bulan Desember dan kemudian
diadakan terus-menerus sepanjang tahun berikutnya. Kami memperkirakan waktu-series model
faktor berikut: Rpt Rft = pt +

1p

RMRFt +

2p

SMBt +

3p

HMLt +

4p

DINDEXt +

pt

Dimana: Rpt : Kuintil return portofolio


Rft : Bebas risiko tingkat pengembalian
RMRFt : Return pasar pada bulan tersebut
SMBt : Bulanan rata-rata return perbedaan antara tiga portofolio ukuran kecil dan
tiga ukuran portofolio besar
HMLt :Bulanan rata-rata return selisih antara nilai portofolio dan portofolio
pertumbuhan
DINDEX : Indeks Derivatif di bulan tersebut
*, **, *** Mewakili signifikansi pada level 0,1, 0,05, dan 0,01, masing-masing.
Panel A. DINDEX

Low

coef

0
-0.007)

RMRF
1.005)

SMB
0.484)

HML
0.097)

SENT
(-0.007***

Adj. R2
0.84

Q2
Q3
Q4
High

t-stat
coef

(-1.557)
-0.012)

(23.344)
0.992)

(17.331)
0.366)

(2.054)
0.142)

(-1.636)***
(-0.008***

t-stat
coef

(-2.617)
-0.017)

(22.122)
1.027)

(12.612)
0.285)

(2.890)
0.185)

(-1.981**)*
(-0.010***

t-stat
coef

(-3.787)
-0.015)

(24.005)
1.042)

(10.277)
0.197)

(3.954)
0.143)

(-2.344***)
(-0.007***

t-stat
coef

(-3.337)
-0.007)

(23.382)
1.023)

(6.841)
0.053)

(2.922)
0.049)

(-1.731*)**
(-0.004***

t-stat

(-2.462)

(33.623)

(2.721)

(1.489)

(-1.340)***

Panel B.
Low
Q2
Q3
Q4
High

0.80
0.82
0.81
0.89

DINDEX

coef

0
-0.006)

RMRF
1.002)

SMB
0.486)

HML
0.096)

SENT
(-0.009***

t-stat
coef

(-1.528)
-0.012)

(23.372)
0.988)

(17.562)
0.370)

(2.060)
0.141)

(-2.149**)*
(-0.011***

t-stat
coef

(-2.603)
-0.016)

(22.172)
1.022)

(12.847)
0.288)

(2.919)
0.186)

(-2.527***)
(-0.012***

t-stat
coef

(-3.798)
-0.015)

(24.067)
1.038)

(10.509)
0.200)

(4.019)
0.142)

(-2.826***)
(-0.009***

t-stat
coef

(-3.326)
-0.007)

(23.412)
1.019)

(6.995)
0.055)

(2.944)
0.046)

(-2.231**)*
(-0.006***

t-stat

(-2.397)

(33.829)

(2.837)

(1.427)

(-2.257**)*

Adj. R2
0.84
0.81
0.82
0.81
0.90

Tabel 2. Fama-French 3 faktor Model Perkiraan untuk Portofolio Harga


Tabel ini melaporkan Fama-French 3 faktor perkiraan model untuk lima portofolio harga-kuantil.
Portofolio kuantil terbentuk pada akhir setiap tahun pada bulan Desember dan kemudian
diadakan terus-menerus sepanjang tahun berikutnya. Kami memperkirakan waktu-series model
faktor berikut: Rpt Rft = pt +

1p

RMRFt +

2p

SMBt +

Dimana: Rpt : Kuintil return portofolio


Rft : Bebas risiko tingkat pengembalian
RMRFt : Return pasar pada bulan tersebut

3p

HMLt +

4p

DINDEXt +

pt

SMBt : Bulanan rata-rata return perbedaan antara tiga portofolio ukuran kecil dan
tiga ukuran portofolio besar
HMLt :Bulanan rata-rata return selisih antara nilai portofolio dan portofolio
pertumbuhan
DINDEX : Indeks Derivatif di bulan tersebut
*, **, *** Mewakili signifikansi pada level 0,1, 0,05, dan 0,01, masing-masing.
Panel A. DINDEX

Low
Q2
Q3
Q4
High

coef

0
-0.001)

RMRF
0.987)

SMB
0.317)

HML
0.050)

SENT
(-0.003***

t-stat
coef

(-0.214)
-0.011)

(22.736)
1.045)

(11.277)
0.292)

(1.061)
0.173)

(-0.878)***
(-0.003***

t-stat
coef

(-2.495)
-0.010)

(23.944)
1.064)

(10.328)
0.264)

(3.629)
0.139)

(-0.860)***
(-0.007***

t-stat
coef

(-2.389)
-0.015)

(24.563)
0.999)

(9.400)
0.256)

(2.938)
0.127)

(-1.654*)*
(-0.009***

t-stat
coef

(-3.515)
-0.021)

(24.270)
0.994)

(9.607)
0.256)

(2.809)
0.125)

(-2.292**)*
(-0.013***

t-stat

(-5.478)

(26.734)

(10.651)

(3.081)

(-3.667***)

PanelB.

Low
Q2
Q3
Q4
High

Adj. R2
0.80
0.82
0.82
0.82
0.85

DINDEX

coef

0
-0.000)

RMRF
0.983)

SMB
0.319)

HML
0.046)

SENT
(-0.007***

t-stat
coef

(-0.116)
-0.011)

(22.772)
1.042)

(11.438)
0.293)

(0.977)
0.172)

(-1.760*)**
(-0.005***

t-stat
coef

(-2.467)
-0.010)

(23.912)
1.060)

(10.421)
0.266)

(3.629)
0.138)

(-1.270)***
(-0.009***

t-stat
coef

(-2.361)
-0.015)

(24.619)
0.996)

(9.581)
0.260)

(2.948)
0.127)

(-2.242**)*
(-0.011***

t-stat
coef

(-3.527)
-0.021)

(24.301)
0.989)

(9.812)
0.261)

(2.863)
0.127)

(-2.690***)
(-0.015***

t-stat

(-5.548)

(26.914)

(11.013)

(3.192)

(-4.191***)

Adj. R2
0.81
0.82
0.82
0.82
0.85

Tabel 3. Fama-French Perkiraan Model 3-faktor untuk BM Portofolio


Tabel ini melaporkan Fama-French 3 faktor perkiraan model untuk lima portofolio BM-kuantil.
Portofolio kuantil terbentuk pada akhir setiap tahun pada bulan Desember dan kemudian
diadakan terus-menerus sepanjang tahun berikutnya. Kami memperkirakan waktu-series model

faktor berikut: Rpt Rft = pt +

1p

RMRFt +

2p

SMBt +

3p

HMLt +

4p

DINDEXt +

pt

Dimana: Rpt : Kuintil return portofolio


Rft : Bebas risiko tingkat pengembalian
RMRFt : Return pasar pada bulan tersebut
SMBt : Bulanan rata-rata return perbedaan antara tiga portofolio ukuran kecil dan
tiga ukuran portofolio besar
HMLt :Bulanan rata-rata return selisih antara nilai portofolio dan portofolio
pertumbuhan
DINDEX : Indeks Derivatif di bulan tersebut
*, **, *** Mewakili signifikansi pada level 0,1, 0,05, dan 0,01, masing-masing

Panel A. DINDEX

Low
Q2
Q3
Q4
High

coef

0
-0.001)

RMRF
0.987)

SMB
0.317)

HML
0.050)

SENT
(-0.003***

t-stat
coef

(-0.214)
-0.011)

(22.736)
1.045)

(11.277)
0.292)

(1.061)
0.173)

(-0.878)***
(-0.003***

t-stat
coef

(-2.495)
-0.010)

(23.944)
1.064)

(10.328)
0.264)

(3.629)
0.139)

(-0.860)***
(-0.007***

t-stat
coef

(-2.389)
-0.015)

(24.563)
0.999)

(9.400)
0.256)

(2.938)
0.127)

(-1.654*)*
(-0.009***

t-stat
coef

(-3.515)
-0.021)

(24.270)
0.994)

(9.607)
0.256)

(2.809)
0.125)

(-2.292**)*
(-0.013***

t-stat

(-5.478)

(26.734)

(10.651)

(3.081)

(-3.667***)

PanelB.

Low
Q2
Q3
Q4
High

Adj. R2
0.80
0.82
0.82
0.82
0.85

DINDEX

coef

0
-0.000)

RMRF
0.983)

SMB
0.319)

HML
0.046)

SENT
(-0.007***

t-stat
coef

(-0.116)
-0.011)

(22.772)
1.042)

(11.438)
0.293)

(0.977)
0.172)

(-1.760*)**
(-0.005***

t-stat
coef

(-2.467)
-0.010)

(23.912)
1.060)

(10.421)
0.266)

(3.629)
0.138)

(-1.270)***
(-0.009***

t-stat
coef

(-2.361)
-0.015)

(24.619)
0.996)

(9.581)
0.260)

(2.948)
0.127)

(-2.242**)*
(-0.011***

t-stat
coef

(-3.527)
-0.021)

(24.301)
0.989)

(9.812)
0.261)

(2.863)
0.127)

(-2.690***)
(-0.015***

t-stat

(-5.548)

(26.914)

(11.013)

(3.192)

(-4.191***)

Adj. R2
0.81
0.82
0.82
0.82
0.85

Tabel 4. Fama-French 3 faktor Model Perkiraan untuk Portofolio Kepemilikan Institusional


Tabel ini melaporkan Fama-French 3 faktor perkiraan model kelembagaan lima portofolio
kepemilikan-kuantil. Portofolio kuantil terbentuk pada akhir setiap tahun pada bulan Desember
dan kemudian diadakan terus-menerus sepanjang tahun berikutnya. Kami memperkirakan waktuseries model faktor berikut:
Rpt Rft = pt +

1p

RMRFt +

2p

SMBt +

Dimana: Rpt : Kuintil return portofolio

3p

HMLt +

4p

DINDEXt +

pt

Rft : Bebas risiko tingkat pengembalian


RMRFt : Return pasar pada bulan tersebut
SMBt : Bulanan rata-rata return perbedaan antara tiga portofolio ukuran kecil dan
tiga ukuran portofolio besar
HMLt :Bulanan rata-rata return selisih antara nilai portofolio dan portofolio
pertumbuhan
DINDEX : Indeks Derivatif di bulan tersebut
*, **, *** Mewakili signifikansi pada level 0,1, 0,05, dan 0,01, masing-masing.
Panel A. DINDEX

Low
Q2
Q3
Q4
High

coef

0
-0.012)

RMRF
1.045)

SMB
0.095)

HML
0.070)

SENT
(-0.014

t-stat
coef

(-1.494)
-0.007)

(12.108)
1.031)

(1.589)
0.242)

(0.863)
0.248)

(-0.833)
(-0.006

t-stat
coef

(-0.893)
-0.005)

(11.576)
0.964)

(3.922)
0.241)

(2.970)
0.266)

(-0.358)
(-0.001

t-stat
coef

(-0.768)
-0.012)

(12.463)
1.384)

(4.508)
0.226)

(3.666)
0.187)

(-0.067)
(0.001

t-stat
coef

(-1.122)
-0.020)

(12.256)
1.089)

(2.894)
0.113)

(1.768)
0.027)

(0.061)
(-0.029

t-stat

(-1.829)

(9.665)

(1.444)

(0.259)

(-1.289)

PanelB.

Low
Q2
Q3
Q4
High

Adj. R2
0.68
0.65
0.68
0.67
0.59

DINDEX

coef

0
-0.012)

RMRF
1.051)

SMB
0.094)

HML
0.074)

SENT
(-0.011*

t-stat
coef

(-1.628)
-0.008)

(12.673)
1.029)

(1.595)
0.239)

(0.942)
0.246)

(-1.011)*
(-0.007*

t-stat
coef

(-1.113)
-0.011)

(12.026)
0.941)

(3.908)
0.226)

(3.033)
0.248)

(-0.657)*
(-0.014*

t-stat
coef

(-1.662)
-0.013)

(12.787)
1.378)

(4.304)
0.223)

(3.555)
0.183)

(-1.396)*
(-0.001*

t-stat
coef

(-1.343)
-0.021)

(12.690)
1.093)

(2.880)
0.106)

(1.776)
0.030)

(-0.102)*
(-0.028*

t-stat

(-2.183)

(10.183)

(1.392)

(0.299)

(-1.867*)

Adj. R2
0.69
0.65
0.68
0.67
0.60

Tabel 5. Fama-French 3 faktor Model Perkiraan untuk Portofolio Saham Lottery Type

Tabel ini melaporkan Fama-French 3 faktor perkiraan model untuk delapan lotre portofolio
jenis saham. Pada Tabel 5, huruf P masing-masing, S, dan harga masing menunjukkan V,
skewness istimewa, dan volatilitas istimewa. Misalnya, HP_LS_LV adalah portofolio yang
terdiri dari saham-saham dengan harga tinggi, skewness istimewa rendah, dan volatilitas
istimewa yang rendah. Kami memperkirakan waktu-series model faktor berikut:
Rpt Rft = pt +

Dimana:

1p

RMRFt +

2p

SMBt +

3p

HMLt +

4p

DINDEXt +

pt

Rpt : Kuintil return portofolio


Rft : Bebas risiko tingkat pengembalian
RMRFt : Return pasar pada bulan tersebut
SMBt : Bulanan rata-rata return perbedaan antara tiga portofolio ukuran kecil dan
tiga ukuran portofolio besar
HMLt :Bulanan rata-rata return selisih antara nilai portofolio dan portofolio
pertumbuhan
DINDEX : Indeks Derivatif di bulan tersebut

*, **, *** Mewakili signifikansi pada level 0,1, 0,05, dan 0,01, masing-masing.
coef
t-stat
coef
HP_LS_HV
type
t-stat
coef
HP_HS_LV
t-stat
coef
HP_HS_HV
t-stat
coef
LP_LS_LV
t-stat
coef
LP_LS_HV
t-stat
coef
LP_HS_LV
t-stat
coef
Lottery
LP_HS_HV
t-stat
type
Non
lottery

Non
lottery
type

HP_LS_LV

coef
t-stat
HP_LS_HV coef
HP_LS_LV

Panel A. DINDEX
RMRF
SMB
0.860)
0.157)
(21.736)
(6.119)
1.040)
0.347)
(20.298)
(10.444)
0.886)
0.116)
(23.260)
(4.706)
1.135)
0.309)
(21.817)
(9.189)
0.970)
0.247)
(22.912)
(9.030)
1.189)
0.546)
(22.881)
(16.210)
0.978)
0.200)
(23.435)
(7.420)
1.141)
0.411)
(20.389)
(11.324)
Panel B. DINDEX
-0.007)
0.857)
0.160)
(-1.892) (21.781)
(6.304)
-0.024)
1.034)
0.353)

0
-0.007)
(-1.904)
-0.024)
(-4.622)
-0.009)
(-2.313)
-0.029)
(-5.435)
0.001)
(0.303)
-0.018)
(-3.346)
-0.002)
(-0.504)
-0.017)
(-2.980)

HML
0.137)
(3.152)
0.019)
(0.354)
0.147)
(3.516)
0.127)
(2.236)
0.147)
(3.173)
0.094)
(1.649)
0.161)
(3.516)
0.177)
(2.881)

SENT
(-0.008***
(-2.236**)*
(-0.017***
(-3.408***)
(-0.008***
(-2.111**)*
(-0.019***
(-3.652***)
(-0.001***
(-0.423)***
(-0.003***
(-0.687)***
(-0.001
(-0.392)**
(-0.010**
(-1.777*)*

0.137)
(3.201)
0.022)

(-0.010***
(-2.727***)
(-0.019***

Adj. R2
0.78
0.77
0.81
0.79
0.80
0.83
0.80
0.78

0.79
0.78

t-stat
coef
HP_HS_LV
t-stat
coef
HP_HS_HV
t-stat
coef
LP_LS_LV
t-stat
coef
LP_LS_HV
t-stat
coef
LP_HS_LV
t-stat
coef
Lottery
LP_HS_HV
t-stat
type

(-4.672)
-0.009)
(-2.282)
-0.029)
(-5.492)
-0.001)
(-0.399)
0.002)
(0.442)
-0.018)
(-3.321)
-0.017)
(-3.004)

(20.366)
0.882)
(23.398)
1.131)
(21.681)
0.974)
(23.417)
0.966)
(22.788)
1.186)
(22.838)
1.139)
(20.319)

(10.762)
0.119)
(4.895)
0.316)
(9.389)
0.201)
(7.496)
0.247)
(9.031)
0.547)
(16.305)
0.414)
(11.441)

(0.411)
0.145)
(3.544)
0.134)
(2.370)
0.155)
(3.437)
0.139)
(3.026)
0.092)
(1.630)
0.180)
(2.949)

(-3.868***)
(-0.010***
(-2.869***)
(-0.018***
(-3.614***)
(-0.005***
(-1.282)
(-0.002***
(-0.615)***
(-0.005***
(-1.057)***
(-0.010***
(-1.828*)**

0.81
0.79
0.81
0.80
0.83
0.78

G. Kesimpulan
Makalah ini menyelidiki dampak informasi transaksi di pasar derivatif di pasar saham Korea.
Asumsi dasar penelitian ini adalah 1) baik investor institusi dan asing pedagang pintar yang
memperdagangkan sekuritas informasi transaksi derivatif pasar dan 2) pedagang cerdas
cenderung berkonsentrasi kepemilikan mereka dalam jumlah besar, harga tinggi, tinggi BM,
kepemilikan institusi yang tinggi, dan jenis non-undian saham. Untuk menguji hipotesis kami
bahwa dampak dari informasi transaksi di pasar derivatif lebih kuat pada saham disukai oleh
pedagang cerdas, pertama-tama kita membangun indeks komposit turunan menggunakan
komponen utama dari empat indikator turunan berikut Baker dan Wurgler (2006) 's metodologi.
Kemudian, kita membangun beberapa portofolio diurutkan pada ukuran perusahaan, harga, buku
dengan nilai pasar, kepemilikan institusional, dan fitur jenis lotere sebagai Kumar dan Lee
(2006) dan Kumar (2009) melakukan dan memeriksa dampak dari informasi transaksi di pasar
derivatif pada portofolio masing-masing kembali dengan indeks derivatif yang terdiri.
Temuan utama dari penelitian ini adalah sebagai berikut: 1) informasi transaksi di pasar
derivatif telah dampak yang lebih besar pada saham disukai oleh pedagang cerdas (yaitu,
perusahaan besar, tinggi harga, tinggi BM, kepemilikan institusi yang tinggi, dan non-lotere jenis
saham dan 2) informasi transaksi di pasar derivatif memiliki efek negatif terhadap return saham.
Ini menyiratkan bahwa saham yang diremehkan ketika investor pesimis tentang pasar saham
sejak indikator seperti dipertimbangkan dalam penelitian ini sebagai PCR, PCO, VKOSPI
mencerminkan ketakutan investor.

Penelitian ini memberikan kontribusi untuk kajian pustaka dalam 1) mengkaji pengaruh
informasi transaksi di pasar derivatif di pasar spot, 2) itu mengusulkan bukti tambahan bahwa
investor institusional menunjukkan preferensi berlawanan dengan individu, dan 3) informasi
transaksi di pasar derivatif lebih informatif untuk saham dengan konsentrasi yang lebih tinggi
dari pedagang pintar.

REFRENSI
Baker, M. & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. Journal
of Finance, 61 (4), 1645-1680.
Bandopadhyaya, A. & Jones, A. (2008). Measures of investor sentiment: A comparative analysis
of the put-call ra-tio vs. volatility index. Journal of Business & Economics Research, 6 (8), 2734.
Banerjee, P., Doran, J., & Peterson, D. (2007). Implied volatility and future portfolio returns.
Journal of Banking & Finance, 31 (10), 3183-3199.
Barberis, N., Shleifer, A. & Wurgler, J. (2005). Comovement. Journal of Financial Economics,
75 (2), 283-317.
Bhuyan, R. and Yan, Y. (2002). Informational Role of Open Interests and Volumes: Evidence
From Option Markets. Paper Presented at the Twelfth Annual Asia Pacific Futures Research
Symposium held in Bangkok on December 3-4, 2001.
Black, F. (1975). Fact and fantasy in the use of options. Financial Analysts Journal, 31, 36-41.
Brown, G. & Cliff, M. (2004). Investor sentiment and the near-term stock market. Journal of
Empirical Finance, 11 (1), 1-27.
Dash, S. & Moran, M. (2005). VIX as a companion for hedge fund portfolios. Journal of
Alternative Investments, 75-80.
Easley, D., O'Hara, M. & Srinivas, P. (1998). Option volume and stock prices: Evidence on
where in-formed traders trade. Journal of Finance, 53 (2), 431-465.
Fleming, J., Ostdiek, B., & Whaley, R. (1996). Trading costs and the relative rates of price
discovery in stock, futures, and options markets. Journal of Futures Markets, 16 (4), 353-387.
Giot, P. (2005). Relationships between implied volatility indexes and stock index returns. Journal
of Portfolio Management, 31 (3), 92-100.

Gompers, P. & Metrick, A. (2001). Institutional investors and equity prices. Quarterly Journal of
Economics, 116 (1), 229-259.
John, K. & Subrahmanyam, A. (1993). The micro-structure of the options markets: Informed
trading, liquidity, volatility, and efficiency. Working Paper, New York University.
Kalok, C., Chung, P., & Johnson, H. (1993). Why option prices lag stock prices: A trade-based
explanation. Journal of Finance, 48 (5). 1957-1967.
Ko, K & Kim, J. (2004). Portfolio performance and characteristics of the investor call now type:
Individuals, in-stitutions, and foreigners. Journal of the Korean Securities Association, 33 (4),
35-62.
Kumar, A. & Lee, C. (2006). Retail investor sentiment and return comovements. Journal of
Finance, 61 (5), 2451-2486.
Kumar, A., Page, J., & Spalt, O. (2009). Investor clienteles and habitat-based return
comovements: Direct evidence. Working Paper, University of Texas at Austin.
Mayhew, S., Sarin, A. & Shastri, K. (1995). The allocation of informed trading across related
markets: an analysis of the impact of changes in equity-option margin requirements. Journal of
Finance, 505, 1635-1653.
Sadath A. & Kamaiah, B. (2009). Evidence of informed trading in single stock futures market in
the na-tional stock exchange of India Ltd. Indian Journal of Economics and Business, 8 (2).
Vijh, A. (1990). Liquidity of the CBOE equity options. Journal of Finance, 45, 1157-1179.
Wang, Y., Keswani, A., & Taylor, S. (2006). The relationships between sentiment, returns and
volatility. International Journal of Forecasting, 22 (1), 109-123.
Whaley, R. (2000). The investor fear gauge. Journal of Portfolio Management, 26 (3), 1-6.