Disusun Oleh :
1. Syelma Ramanidya (022001708002)
2. Eka Melia Lestari (022164511)
3. Rahmat Hidayat (022164521)
Abstract
Obligasi memiliki peranan penting dalam perkembangan pasar modal. Salah satu faktor yang
menjadi pertimbangan utama investor sebelum berinvestasi obligasi adalah tingkat imbal hasil yang
akan diperoleh investor. Analisis yang biasa digunakan oleh para investor untuk menentukan waktu
yang tepat dalam pembelian obligasi adalah kurva imbal hasil. Penelitian ini membahas mengenai
pembentukan kurva imbal hasil menggunakan model Nelson-Siegel dan model factor dinamis dari
obligasi pemerintah Amerika Serikat. Parameter yang diperoleh dari model Nelson-Siegel dan model
factor dinamis akan dilakukan peramalan dengan menggunakan model state space dan filter
kalman. Parameter yang digunakan dalam penelitian ini memiliki tingkat persistensi tengah karena
koefisien autoregresi menunjukkan posisi antara lekukan dan lereng. Factor kelengkungan merupakan
factor paling persistens dan merupakan variable yang paling relative nilai mean-nya. Metode faktor
dinamis dan filter kalman mampu memprediksikan kurva yield yang lebih akurat.
Keywords : Kurva Imbal Hasil, Model Faktor Dinamis, Model Nelson-Seigel, Kalman Filter.
2. Perumusan Masalah
Berdasarkan identifikasi teori di atas, rumusan masalah pada penelitian ini adalah apakah terdapat
pengaruh dari pendekatan faktor dinamis terhadap peramalan kurva imbal hasil (yield curve) dari
obligasi pemerintah Amerika Serikat?
3. Tujuan Penelitian
Penelitian yang dilakukan dimaksudkan untuk menganalisis pengaruh dari pendekatan faktor
dinamis terhadap peramalan kurva imbal hasil (yield curve) dari obligasi pemerintah Amerika Serikat.
4. Manfaat Penelitian
Adapun hasil penelitian ini diharapkan dapat bermanfaat untuk :
1. Manfaat teoritis
Hasil penelitian ini dapat menambah ilmu pengetahuan serta wawasan yang mewakili penelitian
ini dan dapat dijadikan bahan referensi, terutama bagi pihak –pihak yang akan melakukan
penelitian lebih lanjut mengenai permasalahan ini.
2. Manfaat praktis
a. Bagi emiten, penelitian ini diharapkan dapat digunakan sebagai pertimbangan perusahaan
baru yang berencana menerbitkan obligasi dalam hal penetapan harga obligasi, serta
pengelolaan portofolio investasi melalui penilaian harga obligasi.
b. Bagi pemerintah, penelitian ini diharapkan dapat digunakan sebagai pertimbangan dan
pengambilan keputusan dalam penetapan nilai imbal hasil bagi obligasi yang akan
diterbitkan sehingga mampu menarik investor untuk berinvestasi di obligasi pemerintah.
dengan R(t,T) adalah imbal hasil pada saat jatuh tempo ke-T, T adalah waktu jatuh tempo, t
adalah waktu saat ini, P(t,T) adalah harga obligasi pada saat jatuh tempo ke-T pada saat t, dan
P(T,T) adalah harga obligasi jatuh tempo ke-T pada saat T.
Kurva imbal hasil adalah grafik garis yang menggambarkan hubungan antara tingkat suku
bunga pada titik tertentu untuk seluruh surat berharga dengan tingkat risiko yang sama dan
waktu jatuh tempo dari masing-masing arus kasnya. Kurva imbal hasil merupakan salah satu
alat yang biasa digunakan oleh investor untuk melakukan valuasi harga obligasi dan sebagai
salah satu parameter untuk menetukan waktu yang tepat dalam pembelian obligasi.
Pendekatan untuk pembentukan kurva imbal hasil terbagi menjadi tiga model yaitu
pendekatan regresi, pendekatan empiris, dan pendekatan equilibrium. Pendekatan regresi
merupakan suatu pendekatan dengan menggambarkan hubungan imbal hasil jatuh tempo
dengan waktu jatuh tempo dari serangkaian obligasi. Kelemahan dari pendekatan ini adalah
pengaruh dari kupon obligasi yang tidak dimasukkan ke dalam pemodelan. Kupon memiliki
peran yang penting karena obligasi dengan waktu jatuh tempo yang sama dapat memiliki imbal
hasil jatuh tempo yang berbeda, tetapi dipengaruhi oleh kupon yang berbeda. Pendekatan
kedua adalah pendekatan empiris yang menggambarkan hubungan imbal hasil jatuh tempo
dengan waktu jatuh tempo dari serangkaian obligasi dengan memperhitungkan imbal hasil dari
kupon. Pendekatan empiris yang sering digunakan oleh para praktiksi dan peneliti adalah
pendekatan Nelson-Siegel dan Nelson-Siegel Svensson. Pendekatan ketiga adalah equilibrium
atau dynamic asset pricing approach. Pendekatan ini melihat secara dinamis kedua hal yaitu
bentuk dari struktur waktu dan evolusinya terhadap waktu.
7. Kerangka Pemikiran
Berdasarkan uraian yang telah dijelaskan maka kerangka pemikiran dalam penilitian ini dapat
digambarkan sebagai berikut :
Melalui persamaan di atas, akan menghasilkan informasi kurva imbal hasil hingga jatuh tempo. λt
adalah rata-rata dari harga forward;
1 𝜏
𝑦𝑡 = ∫ 𝑓 (𝑥)𝑑𝑥
𝜏 0
1 − 𝑒 −𝜆𝑡𝜏
𝑦𝑡 (𝜏) = 𝑏1𝑡 + 𝑏2𝑡 ( ) + 𝑏3𝑡 (𝑒 −𝜆𝑡𝜏 )
𝜆𝑡 𝜏
Model Nelson dan Siegel asli direvisi oleh Diebold Lie, dimana ketiga persamaan diatas
digabungkan atas dasar penggunaan ketiga faktor/parameter. Hasil model yang direvisi menjadi sbb :
1 − 𝑒 −𝜆𝑡𝜏 1 − 𝑒 −𝜆𝑡𝜏 −𝜆 𝜏
𝑦𝑡 (𝜏) = 𝛽1𝑡 + 𝛽2𝑡 ( ) + 𝛽3𝑡 ( 𝑒 𝑡 )
𝜆𝑡 𝜏 𝜆𝑡 𝜏
Menurut DL, ketiga parameter tersebut dapat diartikan sebagai komponen jangka pendek, jangka
menengah, dan jangka panjang. Komponen jangka pendek memberikan indikasi setiap perubahan
tingkat kemiringan kurva imbal hasil dari awal hingga waktu jatuh tempo. Komponen jangka menengah
dan panjang memberikan indikasi setiap perubahan waktu pada tingkat kelengkungan pada kurva imbal
hasil.
Setelah mendapatkan hasil perhitungan dari model Nelson dan Siegel, peneliti menerapkan model
state space dan kalman filter untuk mengekstrak ketiga factor tersebut. Penggunaan model state space
dan kalman filter memungkinkan variable status yang mendasarinya ditangani sebagai nilai yang tidak
teramati dan diperkirakan sebagai bagian dari keseluruhan proses. Model ini dapat secara akurat
menangkap tren bergerak dari variable-variabel keadaan yang mendasarinya dan memberikan hasil yang
dapat dipercaya. Model factor dinamis ini memungkinkan adanya perubahan-perubahan terhadap
parameter yang telah ditentukan untuk mengukur perkiraan kurva imbal hasil dengan variasi waktu
tertentu.
Peneliti juga melakukan perbandingan perhitungan menggunakan model lain seperti
a. Model Fama –Bliss (Forward Rate Regression)
𝑦̂𝑡+ℎ/𝑡 (𝜏) − 𝑦𝑦 (𝜏) = 𝐶̂ (𝜏) + 𝑦̂0 (𝜏)𝑦𝑡 (12) + ∑ 𝑦̂𝑘 (𝜏)𝑓𝑡12𝑘 (12)
𝑘=1
c. Random Walk
e. AR (1)
Tabel di atas menunjukkan statistic deskriptif dari sampel sepuluh tahun data kurva imbal hasil AS.
Rata-rata kurva imbal hasil miring ke atas, dengan tingkat kematangan yang lebih stabil pada jangka
waktu panjang dibandingkan dengan tingkat kematangan pada periode jangka pendek.
Panel B
Factor Estimation SE t-test
𝝀 0.0397 0.0011 36.0909***
Panel C
Mean SD Maximum Minimum
𝝀 0.0435 0.0069 0.0563 0.0329
Sumber : Journal of Forecasting the Yield Curve of Government Bonds; a dynamic factor approach.
Gambar 1
Actual and Fitted Yield Curves on Average and Selected Dates
Sumber : Journal of Forecasting the Yield Curve of Government Bonds; a dynamic factor approach.
Pada gambar di atas menunjukan bahwa penempatan data (plotting) kurva hasil rata-rata untuk
data actual dan model yang digunakan. Informasi yang dihasilkan sesuai dengan data historis kurva
imbal hasil. Gambar tersebut juga menyajikan tiga kurva hasil yang berbeda untuk data aktual dan data
berbasis model sesuai dengan waktu yang berbeda.
Kurva hasil ini memiliki bentuk yang berbeda, termasuk miring ke atas, datar, berpunuk, dan punuk
terbalik. Metode dinamis ini dapat menangkap bentuk yang berubah dan mereplikasi berbagai bentuk
kurva lekukan. Kurva imbal hasil yang dihasilkan memiliki kecenderungan kemiringan yang positif.
Gambar 2
Trend Line of the Exponential Decay Rate (λ) Based on a five-year estimation
Sumber : Journal of Forecasting the Yield Curve of Government Bonds; a dynamic factor approach.
Gambar di atas menyajikan plot data dari semua nilai λ dan garis trennya yang menggambarkan
bahwa λ cenderung miring ke bawah. Ini menunjukkan penurunan kecepatan peluruhan dari kelerengan
dan kelengkungan. Oleh karena itu, dibandingkan dengan kurva hasil pada awal sampel, kurva hasil pada
tahap selanjutnya lebih curam dan memiliki tingkat lentur yang lebih tinggi karena tingkat peluruhan
yang lebih rendah.
Hasil in-sample menunjukkan bahwa model faktor dinamis dapat secara tepat sesuai dengan data
kurva hasil historis. Dibandingkan dengan hasil sampel DL, pendekatan ini menghasilkan hasil yang lebih
akurat karena kinerja yang sangat efisien dari filter Kalman. Hasil out-of-sample menunjukkan bahwa
tidak seperti berbagai model lainnya, pendekatan dinamis dapat memberikan hasil peramalan yang jauh
lebih baik, terutama untuk periode perkiraan jangka panjang.
Sebagai kesimpulan, salah satu keuntungan utama dari pendekatan faktor dinamis terletak pada
kemampuannya untuk menangkap tren tingkat eksponensial model tiga-faktor Nelson dan Siegel (1987).
Bentuk kurva hasil sangat bergantung pada nilai laju peluruhan. Para ekonom percaya bahwa bentuk
kurva hasil adalah salah satu sinyal penting ekonomi masa depan. Kurva hasil yang lebih curam biasanya
mewakili kondisi ekonomi resesi karena investor memiliki keyakinan dalam pengembalian jangka
panjang. Kurva imbal hasil biasanya merupakan sinyal pertumbuhan lambat atau ekonomi stabil karena
sebagian besar investor percaya laba saat ini sama dengan laba jangka panjang. Kurva imbal balik
terbalik, yang agak jarang, mencerminkan resesi ekonomi karena investor tidak memiliki keyakinan
tentang laba masa depan, sehingga mereka hanya berfokus pada jangka pendek.
Dalam penelitian ini, peneliti mengembangkan model faktor dinamis terpadu berdasarkan model
tiga faktor Diebold and Li untuk meramalkan pergerakan dinamis kurva imbal hasil. Peneliti
memformulasikan model state-space dan memperkirakan parameter model dan mengekstraksi faktor
dinamis dari data kurva yield AS menggunakan filter Kalman. Peneliti menyajikan hasil perkiraan baik di-
sampel dan di luar sampel dan membandingkan pendekatan peneliti dengan model pesaing lainnya,
termasuk metode DL dan model terkenal lainnya.
Peneliti menemukan bahwa metode dinamis yang digunakan dapat secara efisien mengekstrak tiga
faktor kurva hasil dengan waktu peluruhan yang bervariasi. Lebih penting lagi, model yang digunakan
peneliti tidak hanya menyediakan kecocokan in-sample terbaik, tetapi juga menghasilkan hasil
peramalan out-of-sample yang lebih unggul untuk horizon peramalan yang panjang. Namun, perlu
dicatat bahwa, meskipun hasil empirisnya menggembirakan, filter Kalman harus digunakan dengan hati-
hati ketika menerapkannya pada peramalan kurva yield jangka pendek, di mana filter Kalman rentan
untuk memperdagangkan kekokohan keluar-sampel mempertahankan efisiensi in-sample. Hal ini sangat
mengkhawatirkan mengingat bahwa filter Kalman telah mendapatkan popularitas yang meningkat
dalam pemodelan struktur.
Hal ini juga perlu dicatat bahwa metode dinamis yang diguanakan dapat mengekstrak tiga faktor
dan tingkat peluruhan eksponensial dalam proses terpadu sehingga kita dapat mengatasi perkiraan
estimasi metode DL yang mengasumsikan tingkat peluruhan eksponensial tetap. Peneliti menemukan
bahwa nilai tetap dari tingkat peluruhan eksponensial mungkin tidak sesuai dengan data dengan baik
untuk sampel. Sebaliknya, memungkinkan tingkat peluruhan menjadi parameter model gratis dalam
kerangka state space yang secara drastis meningkatkan model yang sesuai. Mengingat bahwa tingkat
peluruhan eksponensial adalah penentu penting dari bentuk kurva hasil, tidak mengherankan bahwa
pendekatan dinamis menunjukkan hasil in-sample fit dan out-of-sample yang superior untuk jangka
panjang.
Pendekatan dinamis terpadu yang digunakan sederhana untuk diterapkan dan hanya
membutuhkan data kurva hasil historis. Fitur dinamis dari tingkat peluruhan λ menambahkan
fleksibilitas tambahan yang beradaptasi dengan perubahan kondisi pasar, menjadikan model ini memiliki
kemampuan perkiraan yang lebih baik untuk jangka panjang.
Literatur struktur jangka waktu menunjukkan bahwa prediksi jangka panjang kurva hasil yang
akurat memberikan informasi makroekonomi yang berharga, termasuk pertumbuhan PDB, aktivitas
nyata, inflasi, dan instrumen kebijakan moneter. Selain itu, kurva imbal hasil dikaitkan dengan kegiatan
ekonomi masa depan, seperti konsumsi dan investasi.
14. Kesimpulan
Dalam studi ini, peneliti mengembangkan model faktor dinamis terpadu berdasarkan model tiga
faktor DL untuk meramalkan pergerakan kurva hasil. Peneliti memformulasikan model state-space dan
memperkirakan parameter model dan mengekstraksi faktor dinamis dari data kurva yield AS
menggunakan filter Kalman. Peneliti menyajikan hasil perkiraan baik in-sampel dan out of sampel dan
membandingkan pendekatan tsb dengan model pesaing lainnya, termasuk metode DL dan model
terkenal lainnya.
Peneliti menemukan bahwa metode dinamis dapat secara efisien mengekstrak tiga faktor kurva
hasil dengan waktu peluruhan yang bervariasi. Lebih penting lagi, model ini tidak hanya menyediakan
kecocokan in-sample terbaik, tetapi juga menghasilkan hasil peramalan out-of-sample yang lebih unggul
untuk peramalan jangka panjang. Namun, perlu dicatat bahwa, meskipun hasil empirisnya
menggembirakan, filter Kalman harus digunakan dengan hati-hati ketika menerapkannya pada
peramalan kurva yield jangka pendek, di mana filter Kalman rentan untuk memperdagangkan
kekokohan out of-sampel untuk mempertahankan efisiensi in-sample. Hal ini sangat mengkhawatirkan
mengingat bahwa filter Kalman telah mendapatkan popularitas yang meningkat dalam pemodelan
struktur istilah.
Hal ini juga perlu dicatat bahwa pendekatan faktor dinamis dapat mengekstrak tiga faktor dan
tingkat peluruhan eksponensial dalam proses terpadu sehingga kita dapat mengatasi perkiraan estimasi
metode DL yang mengasumsikan tingkat peluruhan eksponensial tetap. Peneliti menemukan bahwa nilai
tetap dari tingkat peluruhan eksponensial mungkin tidak sesuai dengan data in- sampel. Sebaliknya,
memungkinkan tingkat peluruhan menjadi parameter model dalam model state space secara drastis
meningkatkan model yang sesuai. Mengingat bahwa tingkat peluruhan eksponensial adalah penentu
penting dari bentuk kurva hasil, tidak mengherankan bahwa pendekatan dinamis ini menunjukkan hasil
in-sample fit dan out-of-sample yang superior untuk horizon panjang.
Pendekatan dinamis terpadu ini dapat diterapkan dan hanya membutuhkan data kurva hasil
historis. Fitur dinamis dari tingkat peluruhan λ menambahkan fleksibilitas tambahan yang beradaptasi
dengan perubahan kondisi pasar, menjadikan model ini memiliki kemampuan perkiraan yang lebih baik
untuk jangka panjang. Literatur struktur jangka menunjukkan bahwa prediksi jangka panjang kurva hasil
yang akurat memberikan informasi makroekonomi yang berharga, termasuk pertumbuhan PDB (Ang et
al., 2006), aktivitas nyata, inflasi, dan instrumen kebijakan moneter (Diebold et al., 2006). Selain itu,
kurva imbal hasil dikaitkan dengan kegiatan ekonomi masa depan, seperti konsumsi dan investasi
(Estrella dan Hardouvelis, 1991).
Oleh karena itu, model dinamis ini dan penerapan filter Kalman-nya dapat berguna bagi manajer
investasi untuk mendapatkan perkiraan pergerakan kurva yield yang lebih akurat dalam jangka panjang.
Selain itu, model kami juga dapat bermanfaat bagi para makroekonomi dan pembuat kebijakan yang
dapat menggunakan pendekatan dinamis kami untuk mengekstrak informasi berharga tentang
lingkungan makroekonomi.