BAB II

KAJIAN PUSTAKA
A. Pengertian Return dan Cara Menghitungnya
Pengertian return saham adalah pengembalian saham beserta hasilnya dari
pihak broker atau perusahaan kepada investor yang telah melakukan investasi
pada perusahaan tersebut akibat suatu hal. Bisa saja return saham dilakukan
nkarena telah habis masa kontrak kerja sama dan tidak dilakukan perpanjangan
atau masalah lainnya, seperti terjadinya likuidasi pada perusahaan.
Dalam dunia pasar saham, seorang investor yang melakukan investasi
dengan membeli saham tetu telah yakin betul dengan segala risiko dan segala
ketidakpastian yang akan didapatkan di masa mendatang. Sebab, permainan bursa
saham sedikit banyak memang mengandalkan keberuntungan, meskipun ada cara
cara teknis yang dapat digunakan oleh investor untuk mendapatkan hasil yang
terbaik.
Sebenarnya istilah Return itu sama dengan Total Return. Kata Total
menekankan pada keseluruhan namun secara prinsip sebetulnya sama. Namun
ketika dibandingkan dengan Annualized Return atau Compounded Return istilah
total return menjadi berbeda. Sebagai contoh saya berikan ilustrasi suatu reksa
dana yang memiliki harga sebagai berikut:

Harga Akhir Tahun 2008 Rp 1000

Harga Akhir Tahun 2009 Rp 1200

Harga Akhir Tahun 2010 Rp 1500

Harga Akhir Tahun 2011 Rp 1725

Asumsi selama tahun2 tersebut tidak ada pembagian dividen.

Istilah Return atau Total Return digunakan ketika kita menanyakan,

Berapa total return tahun 2009 (Artinya beli di akhir 2008 jual di akhir
2009)

Berapa pula total return tahun 2010 dan 2011 ?

Berapa total return selama 3 tahun (beli di akhir 2008 dan jual di akhir
2011)?

Dengan menggunakan rumus return di atas maka diperoleh:

Return Tahun 2009 = Rp 1200 Rp 1000 = Rp 200 dibagi Rp 1000 = 20%

Return Tahun 2010 = Rp 1500 Rp 1200 = Rp 300 dibagi Rp 1200 = 25%

Return Tahun 2011 = Rp 1725 Rp 1500 = Rp 225 dibagi Rp 1500 = 15%

Total Return selama 3 tahun = Rp 1725 Rp 1000 = Rp 725 dibagi Rp

1000 = 72.5%

B. ARCH dan GARCH

GARCH adalah salah satu model ekonometrik yang diperkenalkan oleh
Engle (1982) dan dikembangkan Bollerslev (1986). Pada perkembangannya
model GARCH menjadi andalan untuk analisis time series pada pasar modal,
yang menunjukkan penduga volatilitas. Dinamakan Generalized Autoregressive
Conditional Heteroskedasticity karena:
Kata generalized, karena pendekatan pada model ini berdasar pada
Bollerslev (1986) yang menggeneralisasikan ARC. Pendekatan metode ini adalah
autoregressive karena GARCH pada dasarnya adalah model time series dengan
bentuk autoregressive; dan disebut conditional heteroskedasticity karena variasi
waktu pada varians bersyarat dibangun pada model tersebut. Kelebihan model
ARCH-GARCH dibandingkan dengan metode OLS adalah:
Model ini tidak memandang heteroskedastisitas sebagai suatu masalah,
namun justru memanfaatkannya untuk membuat model. Model ini tidak hanya
menghasilkan peramalan dari y, tapi juga peramalan dari varians. Perubahan
dalam varians sangat penting misalnya untuk memahami pasar saham dan pasar
keuangan. Dalam model ARCH (Engle, 1982) varians bersyarat (ht) tergantung
pada residual kuadrat masa lalu.

Model di atas memiliki asumsi varians bersyarat (ht) tergantung pada

residual kuadrat masa lalu. Model tersebut menyatakan bahwa varians dari error

term t yakni ht mempunyai dua komponen yaitu konstan (0) dan error term
periode lalu (lag) yang diasumsikan sebagai kuadrat dari error term periode lalu.
Model dari t tersebut adalah heteroskedastic conditional pada residual t-1.
Kekurangan model ARCH adalah ketika penggunaan lag yang panjang pada
persamaan varians bersyarat sering kali digunakan kuantitatif financial, dan untuk
menghindari masalah pada parameter varians yang negatif biasanya digunakan
lag struktur yang tetap.
Tim Bollerslev (1986) kemudian mengembangkan ARCH menjadi lebih
praktis dan fleksibel, dengan membuat ht sebagai fungsi nilai lag dari ht itu sendiri
sekaligus nilai lag dari t2

Ketentuan GARCH di atas adalah 0>0, i 0, i0, agar tidak terjadi

varians bersyarat yang negatif (ht > 0). Untuk kestasioneran model penjumlahan
dari parameter i dan i harus di bawah 1 agar tidak terjadi varians bersyarat yang
meledak Ketika p=0 maka menjadi proses ARCH (q), dan jika p=q=0 maka t
adalah white noise. Persamaan GARCH menunjukkan varians bersyarat (ht) tidak
hanya dipengaruhi oleh kuadrat residual periode lalu (2t) tapi juga residual
periode yang lalu (ht-1).
Untuk pemodelan GARCH dapat dilakukan menggunakan software Eviews
karena model ini tidak terdapat di SPSS. Langkah-langkah yang umum dilakukan
untuk melakukan pemodelan GARCH antara lain dengan melakukan uji ARCHLM, uji korelasi dengan correlogram, uji normalitas baik jarque bera maupun
plot QQ, kemudian memasukkan data time series kedalam regresi GARCH.