CHAPTER 7

The Correlation Structure of Security Returns—the Single-Index Model

(Struktur Korelasi Pengembalian Keamanan — Model Indeks Tunggal)

Dalam tiga bab sebelumnya dari buku ini kami menguraikan dasar-dasar teori portofolio
modern. Inti dari teori ini, sebagaimana dijelaskan dalam bab-bab ini, bukanlah hal baru;
sebenarnya, itu disajikan pada awal 1956 dalam artikel perintis Markowitz dan buku
berikutnya. Pembaca, yang mencatat bahwa teori ini berusia lebih dari 50 tahun, mungkin
akan bertanya apa yang terjadi sejak teori itu dikembangkan. Selain itu, jika Anda memiliki
pengetahuan tentang praktik lembaga keuangan yang sebenarnya, Anda mungkin bertanya
mengapa teori tersebut membutuhkan waktu lama untuk digunakan oleh lembaga
keuangan. Jawaban atas kedua pertanyaan ini terkait erat. Sebagian besar penelitian
tentang manajemen portofolio dalam 50 tahun terakhir berkonsentrasi pada metode
implementing (penerapan) teori dasar. Banyak dari terobosan dalam implementasi cukup
baru, dan hanya dengan kontribusi baru inilah teori portofolio menjadi mudah diterapkan
pada manajemen portofolio yang sebenarnya.

Dalam tiga bab berikutnya, kami membahas tentang penerapan teori portofolio.
Terobosan dalam implementasi terbagi dalam dua kategori: yang pertama menyangkut
penyederhanaan jumlah dan jenis data masukan yang diperlukan untuk melakukan analisis
portofolio. Yang kedua melibatkan penyederhanaan prosedur komputasi yang diperlukan
untuk menghitung portofolio optimal. Akan segera menjadi jelas, masalah ini saling
bergantung. Selain itu, resolusi mereka sangat menyederhanakan analisis portofolio. Hal ini
menghasilkan kemampuan untuk mendeskripsikan masalah dan solusinya dalam istilah yang
relatif sederhana — istilah yang memiliki arti intuitif serta analitis, dan istilah yang dapat
dihubungkan dengan praktik analis keamanan dan manajer portofolio.

Dalam bab ini, kita memulai masalah menyederhanakan input ke masalah portofolio.
Kami mulai dengan diskusi tentang jumlah dan jenis informasi yang diperlukan untuk
menyelesaikan masalah portofolio. Kami kemudian membahas penyederhanaan struktur
portofolio yang paling tua dan paling banyak digunakan: model indeks tunggal. Sifat model
serta beberapa teknik estimasi diperiksa.

Dalam Bab 8 kita membahas representasi alternatif yang disederhanakan dari

masalah portofolio. Secara khusus, kami prihatin dengan cara lain untuk mewakili dan
memprediksi struktur korelasi antara pengembalian. Terakhir, di bab terakhir, yang
berhubungan dengan implementasi, kami menunjukkan bagaimana setiap teknik yang telah
dikembangkan untuk menyederhanakan input ke analisis portofolio dapat digunakan untuk
mengurangi dan menyederhanakan perhitungan yang diperlukan untuk menemukan
portofolio yang optimal.

Sebagian besar Bab 7 dan 8 akan membahas tentang penyederhanaan dan prediksi
struktur korelasi pengembalian (return). Banyak model indeks tunggal dan multi yang
dibahas dalam bab ini dikembangkan untuk membantu dalam manajemen portofolio. Akhir-
akhir ini, bagaimanapun, model ini telah digunakan untuk tujuan lain yang sering dianggap
sama pentingnya dengan penggunaannya dalam analisis portofolio. Meskipun banyak dari
kegunaan lain ini akan dirinci nanti di buku ini, kami akan menjelaskan secara singkat
beberapa di antaranya di akhir bab ini dan di Bab 8.

THE INPUTS TO PORTFOLIO ANALYSIS (INPUT KE ANALISIS PORTOFOLIO)

Mari kita kembali ke pertimbangan masalah portofolio. Dari bab-bab sebelumnya kita
mengetahui bahwa untuk menentukan batas efisien, kita harus dapat menentukan expected
return (pengembalian yang diharapkan) dan standard deviation of return (deviasi standar
pengembalian) suatu portofolio. Kami dapat menulis pengembalian yang diharapkan pada
portofolio apa pun sebagai

Sedangkan standard deviation of return pada portofolio apa pun dapat ditulis sebagai
Persamaan ini menentukan data masukan yang diperlukan untuk melakukan analisis
portofolio. Dari Equation (Persamaan) (7.1) kita melihat bahwa kita membutuhkan perkiraan
pengembalian yang diharapkan pada setiap sekuritas yang merupakan kandidat untuk
dimasukkan dalam portofolio kita. Dari Equation (Persamaan) (7.2) kita melihat bahwa kita
membutuhkan estimasi varians dari setiap sekuritas, ditambah estimasi korelasi antara
setiap pasangan sekuritas yang mungkin untuk saham yang sedang dipertimbangkan.
Kebutuhan untuk perkiraan koefisien korelasi berbeda dalam besaran dan substansi dari dua
persyaratan sebelumnya. Mari kita lihat alasannya.

 Tugas utama analis sekuritas secara tradisional adalah memperkirakan kinerja masa
depan saham yang dia ikuti. Minimal, ini berarti menghasilkan perkiraan pengembalian yang
diharapkan pada setiap saham yang dia ikuti. 1

Dengan meningkatnya perhatian yang telah diterima "risiko" dalam beberapa tahun
terakhir, semakin banyak analis yang memberikan perkiraan risiko serta pengembalian.
Analis yang memperkirakan pengembalian yang diharapkan dari suatu saham juga harus
berada dalam posisi untuk memperkirakan ketidakpastian pengembalian itu.

Korelasi adalah masalah yang sama sekali berbeda. Analisis portofolio membutuhkan
perkiraan korelasi berpasangan antara semua saham yang merupakan kandidat untuk
dimasukkan dalam portofolio. Sebagian besar perusahaan mengatur analis mereka di
sepanjang garis industri tradisional. Seorang analis mungkin mengikuti saham baja atau,
mungkin di perusahaan yang lebih kecil, semua saham logam. Analis kedua mungkin
mengikuti saham kimia. Tetapi analisis portofolio meminta para analis ini tidak hanya untuk
memperkirakan bagaimana stok baja tertentu akan bergerak dalam hubungannya dengan
stok baja lain tetapi juga bagaimana stok baja tertentu akan bergerak dalam hubungannya
dengan stok kimia atau stok obat tertentu. Tidak ada struktur organisasi yang tidak tumpang
tindih yang memungkinkan perkiraan tersebut diproduksi secara langsung.

1: Apakah estimasi analis berisi informasi atau apakah estimasi yang lebih baik dari model ekuilibrium (seperti
yang disajikan dalam Bab 10, 13, dan 14) adalah pertanyaan terbuka. Kami memiliki lebih banyak untuk
dikatakan tentang ini nanti. Namun, pembaca harus memperhatikan bahwa model pemilihan portofolio dapat
membantu menjawab pertanyaan ini.
 Masalahnya menjadi lebih kompleks dengan jumlah perkiraan yang dibutuhkan.
Sebagian besar lembaga keuangan mengikuti antara 150 dan 250 saham. Untuk
menggunakan analisis portofolio, lembaga membutuhkan perkiraan antara 150 dan 250
pengembalian yang diharapkan dan 150 dan 250 varians. Mari kita lihat berapa banyak
koefisien korelasi yang dibutuhkannya. Jika kita membiarkan N adalah jumlah saham yang
diikuti perusahaan, maka ia harus memperkirakan ρij untuk semua pasangan sekuritas i dan
j. Indeks pertama saya dapat mengambil nilai N (satu untuk setiap saham); yang kedua
dapat mengambil nilai (N - 1) (ingat j ≠ i). Ini memberi kita koefisien korelasi N (N - 1).
Namun, karena koefisien korelasi antara saham i dan j sama dengan antara saham j dan i,
maka kita hanya perlu mengestimasi korelasi N (N - 1)/ 2. Lembaga yang mengikuti antara
150 dan 250 saham membutuhkan antara 11.175 dan 31.125 koefisien korelasi. Banyaknya
masukan yang mengejutkan.

Tampaknya tidak mungkin para analis dapat secara langsung memperkirakan

struktur korelasi. Kemampuan mereka untuk melakukannya sangat dibatasi oleh sifat
struktur organisasi yang layak dan sejumlah besar koefisien korelasi yang harus
diperkirakan. Pengakuan ini telah memotivasi pencarian pengembangan model untuk
menggambarkan dan memprediksi struktur korelasi antar sekuritas. Dalam bab ini dan di
Bab 8 kita membahas beberapa model ini dan menguji uji empiris kinerja mereka.

Model yang dikembangkan untuk meramalkan struktur korelasi terbagi dalam dua
kategori: model indeks dan teknik rata-rata. Teknik yang paling banyak digunakan
mengasumsikan bahwa pergerakan antar saham disebabkan oleh satu pengaruh atau indeks
yang sama. Model ini secara tepat disebut single-index model (model indeks tunggal). Model
indeks tunggal digunakan tidak hanya dalam mengestimasi matriks korelasi tetapi juga
dalam pengujian pasar yang efisien (dibahas kemudian) dan dalam pengujian ekuilibrium, di
mana hal itu disebut return-generating process (proses pembangkitan kembali). Bagian
selanjutnya dari bab ini dikhususkan untuk pembahasan properti model ini.

SINGLE-INDEX MODELS: AN OVERVIEW

(MODEL INDEKS TUNGGAL: GAMBARAN/IKHTISAR)
 Pengamatan biasa terhadap harga saham mengungkapkan bahwa ketika pasar naik
(sebagaimana diukur dengan indeks pasar saham mana pun yang tersedia secara luas),
sebagian besar saham cenderung naik harganya, dan ketika pasar turun, sebagian besar
saham cenderung turun harganya. Hal ini menunjukkan bahwa salah satu alasan
pengembalian sekuritas mungkin berkorelasi adalah karena respons yang sama terhadap
perubahan pasar, dan ukuran yang berguna dari korelasi ini dapat diperoleh dengan
mengaitkan laba atas saham dengan pengembalian indeks pasar saham. Pengembalian
saham dapat ditulis sebagai: 2

Dimana :

a i : adalah komponen pengembalian sekuritas i yang tidak bergantung pada kinerja pasar —

variabel acak.

Rm : adalah tingkat pengembalian indeks pasar — variabel acak.

β i : adalah konstanta yang mengukur perubahan yang diharapkan dalam Ri dengan adanya

perubahan Rm .

Persamaan ini hanya memecah laba atas saham menjadi dua komponen, bagian itu
karena pasar dan bagian itu tidak tergantung pada pasar. Variabel β i dalam ekspresi

tersebut mengukur seberapa sensitif return saham terhadap return di pasar. A β i dari 2
berarti bahwa return saham diharapkan meningkat (menurun) sebesar 2% ketika pasar
meningkat (menurun) sebesar 1%. Demikian pula, β dari 0,5 menunjukkan bahwa

1
pengembalian saham diharapkan meningkat (menurun) sebesar dari 1% ketika pasar
2
meningkat (menurun) sebesar 1% .3

2: Pengembalian indeks identik, secara konsep, dengan pengembalian saham biasa. Imbalan yang diperoleh investor jika
memiliki portofolio dengan komposisi yang identik dengan indeks. Jadi, untuk menghitung return ini, dividen yang akan diterima
dari memegang indeks harus dihitung dan digabungkan dengan perubahan harga pada indeks.

3: Kami mengilustrasikan model indeks tunggal dengan indeks pasar saham. Tidak perlu indeks yang digunakan adalah indeks
pasar saham. Pemilihan indeks yang sesuai lebih merupakan pertanyaan empiris daripada pertanyaan teoritis. Namun,
mengantisipasi hasil bab-bab selanjutnya, hasilnya akan lebih baik ketika indeks tertimbang pasar berbasis luas digunakan,
seperti indeks S&P 500 atau indeks Bursa Efek New York.
 Istilah a i menunjukkan bahwa komponen pengembalian tidak sensitif terhadap (tidak
tergantung) pengembalian di pasar. Berguna untuk memecah istilah a i menjadi dua
komponen. Misalkan α i menunjukkan nilai yang diharapkan dari a i, dan misalkan e i
mewakili elemen acak (tidak pasti) dari a i. Kemudian

di mana e i memiliki expected value (nila yang diharapkan) dari nol. Persamaan untuk
pengembalian saham sekarang dapat ditulis sebagai:

Sekali lagi, perhatikan bahwa e i dan Rm adalah random variables (variabel acak). Masing-

masing memiliki distribusi probabilitas dan mean serta deviasi standar. Mari kita nyatakan
deviasi standarnya masing-masing dengan σ ei dan σ m. Sampai saat ini kami belum membuat
asumsi yang menyederhanakan. Kami telah menulis pengembalian sebagai jumlah dari
beberapa komponen, tetapi komponen ini, ketika dijumlahkan, harus sama dengan
pengembalian total (equal to total return).

Lebih mudah jika e i tidak berkorelasi dengan Rm. Secara formal, ini berarti :

Jika e i tidak berkorelasi dengan Rm , ini menyiratkan bahwa seberapa baik Persamaan (7.3)
menggambarkan pengembalian sekuritas apa pun tidak tergantung dari apa pengembalian
2
di pasar yang terjadi. Perkiraan α i, β i, dan σ ei sering diperoleh dari analisis deret waktu-
regresi.4 Analisis regresi adalah salah satu teknik yang menjamin bahwa e i dan Rm tidak
akan berkorelasi, setidaknya selama periode yang persamaannya telah sesuai . Semua
karakteristik model indeks tunggal yang dijelaskan pada poin ini adalah definisi atau dapat
dibuat sesuai dengan konstruksi. Ada satu karakteristik lebih lanjut dari model indeks
tunggal: model ini hanya berlaku dengan asumsi. Asumsi ini merupakan karakteristik model
indeks tunggal yang membedakannya dari model lain yang digunakan untuk
menggambarkan struktur kovarian

Asumsi utama model indeks tunggal adalah bahwa e i tidak bergantung pada e j
untuk semua nilai i dan j, atau, secara lebih formal, E(e i e j) = 0. Ini menyiratkan bahwa satu-
satunya alasan saham bervariasi bersama-sama, secara sistematis, adalah karena hubungan
yang sama dengan pasar. Tidak ada efek di luar pasar (misalnya, efek industri) yang
menjelaskan pergerakan antar sekuritas. Kita akan berbicara lebih banyak tentang hal ini
dalam diskusi kita tentang model multi-indeks di Bab 8. Namun, saat ini, perhatikan bahwa,
tidak seperti independensi e i dan Rm, tidak ada metode regresi normal yang digunakan

untuk memperkirakan α i, β i, dan σ 2ei yang memaksa ini menjadi kenyataan. Ini adalah asumsi
yang menyederhanakan yang mewakili perkiraan terhadap kenyataan. Seberapa baik kinerja
model ini akan bergantung, sebagian, pada seberapa baik (atau buruk) perkiraan ini. Mari
kita rangkum single-index model (model indeks tunggal):

BY CONSTRUCTION

1. Mean of e i = E(e i) = 0 ; untuk semua saham i = 1, ..., N

BY ASSUMPTION

1. Index unrelated to unique return (Indeks tidak terkait dengan pengembalian unik):

; untuk semua saham i = 1, ..., N

2. Sekuritas hanya terkait melalui respon bersama terhadap pasar:
E(e i e j) = 0 : untuk semua pasang saham i = 1, ..., N ; j = 1, …,N but i ≠ j

BY DEFINITION
2 2
1. Variance of e i = E(e i ¿ = σ ei ; untuk semua saham i = 1, ..., N
2 2
2. Variance of Rm = E ( Rm – Ŕm ¿ = σ m
Pada bagian selanjutnya kita mendapatkan hasil yang diharapkan, deviasi standar, dan
kovarians ketika model indeks tunggal digunakan untuk mewakili pergerakan gabungan
sekuritas. Hasilnya adalah

1. the mean return (Pengembalian rata-rata),

2. the variance of a security’s return (varians pengembalian keamanan),

3. the covariance of returns between securities (kovariansi pengembalian antara

sekuritas) i dan j,

Perhatikan bahwa hasil yang diharapkan memiliki dua komponen: bagian unik α i dan
(market-related) bagian terkait pasar β i Ŕ m. Demikian juga, varian sekuritas memiliki dua

bagian yang sama, unique risk (risiko unik) σ 2ei dan market-related risk (risiko terkait pasar)

β 2i σ 2m. Sebaliknya, kovarian hanya bergantung pada risiko pasar. Inilah yang kami maksud
sebelumnya ketika kami mengatakan bahwa model indeks tunggal menyiratkan bahwa satu-
satunya alasan sekuritas bergerak bersama adalah respons yang sama terhadap pergerakan
pasar. Di bagian teks ini kami memperoleh hasil ini.

Hasil yang diharapkan dari suatu keamanan adalah,

Karena nilai yang diharapkan dari jumlah variabel acak adalah jumlah dari nilai yang
diharapkan, kita punya

di mana α i dan β i adalah konstanta, dan dengan konstruksi, nilai yang diharapkan dari e i

adalah nol. Jadi

The variance of the return on any security is (Varians pengembalian keamanan apa pun
adalah)

Mengganti Ri dan Ŕi dari ekspresi sebelumnya menghasilkan,

Mengatur ulang dan mencatat bahwa pembatalan αs menghasilkan,

Menguadratkan istilah dalam tanda kurung akan menghasilkan

Ingatlah bahwa dengan asumsi (atau dalam beberapa kasus dengan konstruksi), E

[ e i ( Rm −Ŕ m )] = 0. Jadi,

Kovariansi antara dua sekuritas dapat ditulis sebagai

Substitusing (Mengganti) hasil Ri , Ŕi, R j, dan Ŕ j

Menyederhanakan dengan menghapus αs dan menggabungkan suku yang melibatkan hasil
βs,

Melakukan perkalian,

Karena tiga suku terakhir adalah nol, dengan asumsi,

Hasil ini dapat diilustrasikan dengan contoh sederhana. Pertimbangkan laba atas
saham dan indeks pasar yang ditunjukkan dalam dua kolom pertama Tabel 7.1.
Pengembalian ini adalah apa yang mungkin diamati oleh investor selama lima bulan
sebelumnya. Sekarang pertimbangkan nilai untuk model indeks tunggal yang ditampilkan di
kolom tabel yang tersisa. Kolom 3 baru saja mereproduksi kolom 1 dan merupakan the
return on the security (pengembalian keamanan). Pada bagian selanjutnya dari bab ini, kami
akan menunjukkan kepada Anda bagaimana memperkirakan α i dan β i. Untuk saat ini
asumsikan bahwa β i 1.5. Ini akan sama dengan jika kita menerapkan teknik estimasi

pertama yang dijelaskan di bagian selanjutnya. Kemudian, dari hasil 1, α i = 8 – 6 = 2. Karena

model indeks tunggal harus memiliki persamaan, e i (kolom 6) hanya didefinisikan di setiap
periode sebagai nilai yang membuat persamaan tersebut berlaku, atau
Misal pada periode pertama jumlah α i dan β i R m adalah 8. Karena return on security periode
pertama adalah 10, e i adalah +2.

Pembaca sekarang harus memahami dari mana semua nilai model indeks tunggal
berasal, kecuali β i. Variabel β i membagi return (pengembalian) menjadi market-related
(yang berhubungan dengan pasar) dan unique return. Jika β i ditetapkan sama dengan 1,5,

pengembalian pasar tidak bergantung pada pengembalian sisa e i. Nilai e i yang lebih rendah
menyisakan pengembalian pasar dalam e i, dan kovariansi e i dengan pasar adalah positif. A
β i yang lebih besar dari 1,5 menghilangkan terlalu banyak pengembalian pasar dan
menghasilkan kovarians negatif antara e i dan pasar. Jadi nilai β i adalah unik dan merupakan
nilai yang secara tepat memisahkan pasar dari pengembalian unik, membuat kovariansi
antara Rm dan e i nol. Pembaca dapat menghitung kovariansi antara kolom 2 dan 6 pada
Tabel 7.1 dan melihat bahwa nilainya memang nol.

Sebelum meninggalkan contoh sederhana, mari kita terapkan rumus yang disajikan
sebelumnya. Pengembalian rata-rata atas keamanan adalah

menggunakan rumus dari model indeks tunggal,

Varians keamanan i dihitung dari rumus yang diturunkan untuk model indeks tunggal:
Menghitung variance of the security (varian keamanan) langsung dari kolom 1 Tabel 7.1, kita
melihat bahwa jawabannya adalah 20.8, identik dengan jawaban yang dihasilkan oleh
persamaan sebelumnya.

Setelah menjelaskan contoh sederhana, kita dapat beralih ke kalkulasi return yang
diharapkan dan varians dari portofolio apa pun jika model indeks tunggal berlaku. Hasil yang
diharapkan dari setiap portofolio diberikan oleh

Mengganti Ŕi , kami dapatkan

Kita tahu bahwa varians dari portofolio saham diberikan oleh

Substitusi hasil untuk σ i2 dan σ ij , kita dapatkan

Ada banyak cara alternatif untuk mengestimasi parameter model indeks tunggal.
Dari Equation/ Persamaan (7.4) dan (7.7) jelas bahwa return yang diharapkan dan risiko
dapat diperkirakan untuk setiap portofolio jika kita memiliki estimasi α i untuk setiap saham,
 estimasi β i untuk setiap saham, estimasi σ 2ei untuk setiap saham, dan, akhirnya, estimasi

pengembalian yang diharapkan ( Ŕm ) dan varians (σ 2m) untuk pasar. Ini adalah total perkiraan
3N + 2. Untuk institusi yang mengikuti antara 150 dan 250 saham, model indeks tunggal
membutuhkan perkiraan antara 452 dan 752. Bandingkan ini dengan 11.175–31.125
estimasi korelasi atau 11.475–31.625 estimasi total yang diperlukan jika tidak ada asumsi
struktur penyederhanaan. Lebih lanjut, perhatikan bahwa tidak ada persyaratan untuk
perkiraan langsung dari pergerakan bersama sekuritas, hanya perkiraan cara setiap sekuritas
bergerak dengan pasar. Struktur organisasi yang tidak tumpang tindih dapat menghasilkan
semua perkiraan yang diperlukan.

Model ini juga dapat digunakan jika analis memberikan perkiraan pengembalian
yang diharapkan untuk setiap saham, varians pengembalian setiap saham, beta ( β i) untuk
setiap saham, dan varians pengembalian pasar.5 Ini adalah perkiraan 3N + 1 . Rangkaian
perkiraan alternatif ini memiliki keuntungan karena lebih dikenal.

Kita telah membahas cara dan varian sebelumnya. Satu-satunya variabel baru adalah
beta, yang merupakan ukuran sensitivitas suatu saham terhadap pergerakan pasar.

Sebelum kita membahas cara-cara alternatif untuk memperkirakan beta, mari kita
periksa beberapa karakteristik model indeks tunggal.

5: Fakta bahwa masukan ini setara dengan yang dibahas sebelumnya mudah ditunjukkan. Pengembalian
yang diharapkan dapat digunakan secara langsung untuk memperkirakan pengembalian yang diharapkan
dari sebuah portofolio:

Estimasi varians pengembalian saham, varians pasar, dan beta pada setiap saham dapat digunakan untuk
mendapatkan estimasi risiko residualnya dengan mencatat bahwa

Selain itu, struktur ini wajar untuk institusi yang menginginkan estimasi analis dari mean dan varians serta
estimasi model korelasi atau kovarian.
CHARACTERISTICS OF THE SINGLE-INDEX MODEL

(KARAKTERISTIK MODEL INDEKS TUNGGAL)

Tentukan beta pada portofolio P sebagai rata-rata tertimbang individu yang ada di setiap
saham dalam portofolio, di mana bobotnya adalah sebagian kecil dari portofolio yang
diinvestasikan di setiap saham. Kemudian

N
βρ=∑ X i β i Demikian pula, tentukan alpha pada portofolio P sebagai
i=1

N
α P =∑ X i α i Maka Persamaan (7.4) dapat ditulis sebagai
i=1

Ṝᴩ = α p + β P Ṝm

Jika portofolio P dianggap sebagai portofolio pasar (semua saham yang dimiliki dalam

proporsi yang sama seperti dalam membangun Rm), maka pengembalian yang diharapkan

dari P haruslah Ṝm . Dari persamaan di atas, satu-satunya nilai β P dan a P yang menjamin Ṝ P=

Ṝm untuk setiap pilihan Ṝm adalah α P sama dengan 0 dan β P sama dengan 1. Jadi beta di

pasar adalah 1 dan saham dianggap berisiko lebih atau kurang daripada pasar, menurut

apakah versi beta mereka lebih besar atau lebih kecil dari 1.

5: Fakta bahwa masukan ini setara dengan yang dibahas sebelumnya mudah untuk ditunjukkan.

Pengembalian yang diharapkan dapat digunakan secara langsung untuk memperkirakan

pengembalian yang diharapkan dari sebuah portofolio:

N
Ṝ P= ∑ X i Ṝ i
i=1

Estimasi varians pengembalian saham, varians pasar, dan beta pada setiap saham dapat

digunakan untuk mendapatkan estimasi risiko residualnya dengan mencatat bahwa

σ i2= β 2i σ 2m+σ 2ei

Selain itu, struktur ini wajar untuk institusi yang menginginkan estimasi analis dari mean dan

varians serta estimasi model korelasi atau kovarian.

Mari kita lihat lebih jauh risiko keamanan individu. Persamaan (7.5) adalah

N N N N
σ 2P=∑ X 2i β 2i σ 2m + ∑ X 2i σ 2ei + ∑ ∑ X i X j β i β j σ 2m
i=1 i=1 i=1 j=1
j ≠i

Dalam penjumlahan ganda i ≠ j, if i = j maka suku-suku tersebut adalahX i X j β i β j σ 2m. Tapi ini

persis istilah-istilah dalam penjumlahan pertama. Dengan demikian varians pada portofolio

dapat ditulis sebagai

N N
σ 2P=∑ ∑ N X i X j βi β j σ 2m + ∑ X 2i σ 2ei
i=1 j=1¿ i=1
¿

atau dengan mengatur ulang istilah,

N N N
σ 2P= ( )(
∑ Xi βi ∑ X j β j
i=1 j =1
) σ 2m + ∑ X 2i σ 2ei
i=1

Dengan demikian risiko portofolio investor dapat direpresentasikan sebagai

N
σ 2P= β2P σ 2m + ∑ X 2i σ 2ei
i=1

Asumsikan sejenak bahwa seorang investor membentuk portofolio dengan menempatkan

sejumlah uang yang sama ke dalam setiap N saham. Risiko portofolio ini dapat ditulis

sebagai.6.

1 ¿¿
2 2 2
σ P= β P σ m + ¿N
Lihat istilah terakhir. Ini dapat dinyatakan sebagai 1 / N kali risiko residual rata-rata dalam

portofolio. Ketika jumlah saham dalam portofolio meningkat, pentingnya risiko residual

rata-rata,

N
σ 2ei
∑ N
i=1

berkurang secara drastis. Faktanya, seperti yang ditunjukkan Tabel 7.2, risiko residual turun

begitu cepat sehingga sebagian besar risiko tersebut secara efektif dihilangkan bahkan pada

portofolio berukuran sedang.7

Risiko yang tidak dihilangkan karena kami memiliki portofolio yang lebih besar dan lebih

besar adalah risiko yang terkait dengan istilah β P . Jika kita mengasumsikan bahwa risiko

residual mendekati nol, risiko portofolio mendekati

N
σ P= [ β σ 2
P
2 1/ 2
m] =β P σ m=σ m [∑ ]
i=1
X i βi

Karena σ m adalah sama terlepas dari saham mana yang kita periksa, ukuran kontribusi

sekuritas terhadap risiko portofolio besar adalah βi.

6: Memeriksa ekspresi varians portofolio P menunjukkan bahwa asumsi model indeks tunggal tidak

konsisten dengan σ 2p=σ 2m. Namun, perkiraannya sangat dekat. Lihat Fama (1968) untuk pembahasan

rinci tentang masalah ini.

7: Sejauh model indeks tunggal bukan deskripsi sempurna tentang realitas dan residual dari model

pasar berkorelasi di seluruh sekuritas, risiko residual tidak turun secepat ini. Namun, untuk sebagian
besar portofolio, file Jumlah korelasi positif yang ada dalam residu cukup kecil, dan risiko residual

menurun dengan cepat jumlah sekuritas dalam portofolio meningkat.

Tabel 7.2 Residual Risk and Portfolio Size (Risiko Residual dan Ukuran Portofolio)

Number

of
Resiko Residual (Varians) Disajikan sebagai Persentase Resiko Residual Hadir
Securities
dalam Portofolio Satu Saham dengan σ 2ei a Constant
(Jumlah

Efek)

1 100

2 50

3 33

4 25

5 20

10 10

20 5

100 10

1,000 0.1

Risiko keamanan individu β 2i σ 2m+σ 2ei. Karena efek σ 2eipada risiko portofolio dapat dibuat

mendekati nol karena portofolio semakin besar, maka σ 2ei biasanya disebut sebagai risiko

yang dapat didiversifikasi.8 Namun, pengaruh β 2i σ 2m pada risiko portofolio tidak berkurang
sebagai N menjadi lebih besar. Karena σ 2madalah konstanta sehubungan dengan semua

sekuritas, β i adalah ukuran risiko sekuritas yang tidak dapat didiversifikasikan.9 Karena

risiko yang dapat didiversifikasi dapat dihilangkan dengan memegang portofolio yang cukup

besar, β i sering digunakan sebagai ukuran risiko sekuritas.

ESTIMATING BETA (PERKIRAAN BETA)

Penggunaan model indeks tunggal memerlukan estimasi beta dari setiap saham yang

merupakan kandidat potensial untuk dimasukkan dalam portofolio. Analis dapat diminta

untuk memberikan perkiraan subjektif beta untuk sekuritas atau portofolio. Sebaliknya,

perkiraan beta masa depan dapat diperoleh dengan memperkirakan beta dari data masa

lalu dan menggunakan beta historis ini sebagai perkiraan beta mendatang. Ada bukti bahwa

beta historis memberikan informasi yang berguna tentang beta masa depan. Selain itu,

beberapa teknik peramalan yang menarik telah ditemukan dikembangkan untuk menambah

informasi yang dapat digali dari data historis. Karena itu, bahkan perusahaan yang ingin

menggunakan perkiraan subjektif analis dari beta masa depan harus mulai dengan

(menyediakan analis dengan) perkiraan terbaik beta yang tersedia dari data historis. Analis

kemudian dapat berkonsentrasi pada pemeriksaan pengaruh yang diharapkan dapat

mengubah beta di masa mendatang. Di sisa bab ini kami memeriksa beberapa teknik yang

telah diusulkan untuk memperkirakan beta. Teknik ini dapat diklasifikasikan sebagai

mengukur beta historis, mengoreksi beta historis untuk kecenderungan beta historis

menjadi lebih dekat dengan rata-rata ketika diperkirakan dalam periode mendatang, dan

mengoreksi perkiraan historis dengan memasukkan data perusahaan fundamental.

Estimating Historical Betas (Memperkirakan Beta Historis)

Dalam Persamaan (7.3) kami merepresentasikan pengembalian saham sebagai

Ri=α i + β i R m+ ei

Persamaan ini diharapkan berlaku setiap saat, meskipun nilai α i , β i atau σ 2ei mungkin

berbeda dari waktu ke waktu. Ketika melihat data historis, seseorang tidak dapat langsung

mengamati α i , β i atau σ 2ei. Sebaliknya, seseorang mengamati keuntungan masa lalu atas

keamanan dan pasar. Jika α i , β i dan σ 2ei diasumsikan konstan sepanjang waktu, maka

persamaan yang sama diharapkan berlaku di setiap titik waktu. Dalam hal ini, prosedur

langsung ada untuk memperkirakan α i , β i atau σ 2ei

Perhatikan bahwa Persamaan (7.3) adalah persamaan garis lurus. Jika σ 2ei sama

dengan nol, maka kita dapat mengestimasi α i dan β i hanya dengan dua observasi. Namun,

adanya variabel random e i berarti return aktual akan membentuk sebaran di sekitar garis

lurus. Gambar 7.1 menggambarkan pola ini. Sumbu vertikal adalah laba atas sekuritas i, dan

sumbu horizontal adalah laba di pasar. Setiap poin pada diagram adalah pengembalian

saham i selama interval waktu tertentu, misalnya, satu bulan (t) diplot terhadap

pengembalian pasar untuk waktu yang sama. jarak waktu. Pengembalian aktual yang

diamati terletak di sekitar hubungan yang sebenarnya (ditampilkan sebagai garis utuh).

Semakin besar σ 2ei, semakin besar sebaran di sekitar garis, dan karena kita tidak benar-benar

mengamati garis tersebut, semakin tidak pasti kita tentang di mana garis itu. Ada beberapa

cara untuk memperkirakan di mana garis itu berada, mengingat titik-titik yang tersebar.

Biasanya, kami memperkirakan lokasi garis menggunakan analisis regresi.

Prosedur ini dapat dianggap sebagai plot pertama Rit versus Rmt untuk mendapatkan

titik-titik yang tersebar seperti yang ditunjukkan pada Gambar 7.1. Setiap poin mewakili laba
atas saham tertentu dan laba di pasar dalam satu bulan. Poin tambahan diperoleh dengan

merencanakan dua pengembalian dalam beberapa bulan berturut-turut. Langkah

selanjutnya adalah menyesuaikan garis lurus tersebut dengan data yang meminimalkan

jumlah deviasi kuadrat dari garis dalam arah vertikal ( Rit ). Kemiringan garis lurus ini akan

menjadi estimasi beta terbaik kami selama periode di mana garis itu sesuai, dan intersep

akan menjadi estimasi terbaik kami untuk alpha (a i).10

Lebih formal, untuk memperkirakan beta untuk sebuah perusahaan untuk periode

dari t = 1 ke t = 60 melalui analisis regresi, gunakan

60 [ ( R − Ṝ ) ( R − Ṝ ) ]
it it mt mt
¿
60

∑ (R mt− Ṝmt) 2
σℑ t =1

β i= = ∑¿ ¿¿
σ 2m
t =1

Gambar 7.1 Plot pengembalian keamanan versus pengembalian pasar

dan untuk memperkirakan alfa, gunakan11

α i=Ṝit −βi Ṝmt

Untuk mempelajari bagaimana ini bekerja pada contoh sederhana, mari kita kembali ke

Tabel 7.1. Kami menggunakan data pada Tabel 7.1 untuk menunjukkan bagaimana beta

berinteraksi dengan pengembalian. Tetapi sekarang asumsikan bahwa semua yang Anda

amati adalah kolom 1 dan 2 atau laba atas saham dan laba di pasar. Untuk memperkirakan

beta, kita perlu memperkirakan kovariansi antara saham dan pasar. Pengembalian rata-rata

saham adalah 40/5 = 8, sedangkan di pasar adalah 20/5 = 4. Nilai beta untuk saham adalah

kovarians saham dengan pasar dibagi dengan varian pasar,

β i=¿ ¿

Kovariansi ditemukan sebagai berikut:

Stock Return

Minus Mean Market Return Minus Mean

Bulan (Pengembalian (Pengembalian Pasar Minus Nilai

Saham Minus Mean)

Rata-rata)

1 (10 – 8) X (4 – 4) = 0

2 (3 – 8) X (2 – 4) = 10

3 (15 – 8) X (8 – 4) = 28

4 (9 – 8) X (6 – 4) = 2

5 (3–8) X (0 – 4) = 20
Total 60
Kovariansi adalah 60/5 = 12. Variansi pengembalian pasar adalah rata-rata jumlah deviasi

kuadrat dari rata-rata:

σ 2m=[ ( 4−4 ) 2 + ( 2−4 ) 2 + ( 8−4 ) 2 + ( 6−4 ) 2 +(0−4) 2 ] /5=¿8

Jadi beta 12/8 = 1.5. Nilai beta ini identik dengan angka yang digunakan dalam membangun

Tabel 7.1.

Alpha dapat dihitung dengan mengambil selisih antara return keamanan rata-rata

dan beta dikalikan dengan pengembalian rata-rata di pasar:

α i=8−( 1.5 ) ( 4 )=2

11: Dua statistik menarik lainnya dapat dihasilkan dari analisis ini. Pertama, ukuran σ 2ei selama periode

estimasi dapat ditemukan dengan melihat varians dari deviasi pengembalian aktual dari yang diprediksi oleh

model:

60
1
σ 2ei= ∑ [ R −(αi + β i Rmt )] 2
6 t =1 it

Ingatlah bahwa dalam melakukan analisis regresi, sering kali orang menghitung koefisien determinasi.

Koefisien determinasi adalah ukuran hubungan antara dua variabel. Dalam hal ini, ini akan mengukur seberapa

besar variasi pengembalian saham individu dikaitkan dengan variasi pengembalian di pasar. Koefisien

determinasi hanyalah koefisien korelasi kuadrat, dan koefisien korelasi adalah sama dengan

σℑ β σ2 σ
ρ ℑ= = i m =β i ℑ
σ iσ ℑ σi σℑ σi
Nilai a i dan β i yang dihasilkan oleh analisis regresi merupakan estimasi α i dan β i sebenarnya

yang ada untuk suatu saham. Taksiran dapat mengalami kesalahan. Dengan demikian,

perkiraan α i dan β i mungkin tidak sama dengan α i dan β i sebenarnya yang ada pada periode

tersebut.12 Lebih jauh, proses ini diperumit oleh fakta bahwa α i dan β i tidak sempurna

secara sempurna. waktu. Kami mengharapkan perubahan sebagai karakteristik fundamental

dari perubahan perusahaan. Misalnya, β i sebagai ukuran risiko harus dikaitkan dengan

struktur modal perusahaan dan dengan demikian harus berubah seiring perubahan struktur

modal.

Meskipun ada kesalahan dalam mengukur β i yang sebenarnya dan kemungkinan

pergeseran nyata di β i dari waktu ke waktu, cara paling mudah untuk meramalkan β iuntuk

periode mendatang adalah dengan menggunakan perkiraan β iyang diperoleh melalui

analisis regresi dari periode sebelumnya. Mari kita lihat seberapa baik ini bekerja.

Accuracy of Historical Betas (Akurasi Beta Historis)

Langkah logis pertama dalam melihat beta adalah melihat seberapa besar hubungan antara

beta dalam satu periode dan beta dalam periode yang berdekatan. Baik Blume (1970) dan

Levy (1971) telah melakukan pengujian ekstensif terhadap hubungan antara beta dari waktu

ke waktu. Mari kita lihat beberapa hasil representatif dari studi Blume (1970). Blume

menghitung beta menggunakan regresi deret waktu pada data bulanan untuk periode tujuh

tahun yang tidak tumpang tindih. Dia menghasilkan beta pada portofolio saham tunggal,

portofolio 2 saham, portofolio 4 saham, dan seterusnya, hingga 50 saham portofolio, dan

untuk setiap ukuran portofolio, dia memeriksa seberapa tinggi korelasi beta dari satu

periode dengan beta untuk periode kedua. Tabel 7.3 menyajikan hasil khas yang

menunjukkan seberapa tinggi korelasi beta untuk periode 7 / 54-6 / 61 dan 7 / 61-6 / 68.
Jelas dari tabel ini bahwa, meskipun beta pada portofolio yang sangat besar berisi banyak

informasi tentang beta masa depan pada portofolio ini, beta pada sekuritas individu

mengandung lebih sedikit informasi tentang beta masa depan pada sekuritas. Mengapa

diamati beta dalam satu periode berbeda dari beta dalam periode kedua? Salah satu

alasannya adalah risiko (beta) dari keamanan atau portofolio mungkin berubah. Alasan

kedua adalah bahwa beta di setiap periode diukur dengan kesalahan acak, dan semakin

besar kesalahan acak, semakin sedikit daya prediktifnya. beta dari satu periode akan berlaku

untuk beta di periode berikutnya. Perubahan beta keamanan akan berbeda dari keamanan

ke keamanan. Beberapa akan naik, beberapa akan turun. Perubahan ini akan cenderung

dibatalkan dalam portofolio, dan kami mengamati lebih sedikit perubahan dalam beta

sebenarnya pada portofolio daripada pada sekuritas.

Tabel 7.3 Asosiasi Beta dari Waktu ke waktu:

Jumlah Efek dalam

Koefisien Korelasi Koefisien Penentuan
Portofolio
1 0.60 0.36

2 0.73 0.53

4 0.84 0.71

7 0.88 0.77

10 0.92 0.85

20 0.97 0.95

35 0.97 0.95

50 0.98 0.96
12: Faktanya, analisis tersebut akan menghasilkan perkiraan kesalahan standar pada α i dan β i. Ini

bisa digunakan untuk membuatnyaperkiraan interval alfa dan beta masa depan dengan asumsi

stasioneritas

Demikian juga, orang akan berharap bahwa kesalahan dalam memperkirakan beta untuk

sekuritas individu akan cenderung dibatalkan ketika sekuritas digabungkan, dan oleh karena

itu, akan ada lebih sedikit kesalahan dalam mengukur beta portofolio.13 Karena beta

portofolio diukur dengan lebih sedikit kesalahan, dan karena Beta pada portofolio berubah

kurang dari beta pada sekuritas, beta historis pada portofolio adalah prediktor yang lebih

baik untuk beta masa depan daripada beta historis pada sekuritas.

Adjusting Historical Estimates (Menyesuaikan Estimasi Historis)

Bisakah kita lebih meningkatkan kemampuan prediksi beta pada sekuritas dan
portofolio? Untuk membantu dalam menjawab pertanyaan ini, mari kita periksa distribusi
hipotetis sederhana dari beta. Asumsikan beta sebenarnya untuk semua saham benar-benar
1. Jika kita memperkirakan beta untuk semua saham, beberapa dari perkiraan beta kami
adalah 1, tetapi beberapa akan di atas atau di bawah 1 karena pengambilan sampel
kesalahan dalam estimasi. Estimasi beta di atas 1 akan di atas 1 karena positif kesalahan
pengambilan sampel. Estimasi beta di bawah 1 akan di bawah 1 karena pengambilan sampel
negatif kesalahan. Selanjutnya karena tidak ada alasan untuk menduga sampling yang positif
kesalahan untuk satu saham akan diikuti dengan kesalahan pengambilan sampel positif
untuk saham yang sama, kami akan menemukan bahwa beta historis melakukan pekerjaan
yang lebih buruk dalam memprediksi beta masa depan daripada beta 1 untuk semua saham.
Sekarang, asumsikan kita memiliki beta berbeda untuk saham yang berbeda. Beta kami
menghitung untuk setiap saham akan menjadi, sebagian, fungsi dari beta yang mendasari
yang sebenarnya dan, sebagian, fungsi kesalahan pengambilan sampel.
Jika kami menghitung estimasi beta yang sangat tinggi untuk sebuah saham, kami
memiliki probabilitas yang meningkat bahwa kami memiliki kesalahan pengambilan sampel
positif, sedangkan jika kami menghitung perkiraan beta yang sangat rendah, kami memiliki
peningkatan kemungkinan bahwa kami negatif kesalahan pengambilan sampel. Jika skenario
ini benar, kita harus menemukan bahwa beta rata-rata cenderung untuk menyatu dengan 1
dalam periode waktu yang berurutan. Estimasi beta yang jauh lebih besar dari 1 harus
cenderung diikuti oleh beta estimasi yang lebih dekat ke 1 (lebih rendah), dan estimasi beta
di bawah 1 cenderung diikuti oleh beta yang lebih tinggi. Bukti bahwa ini memang benar
Kejadian telah dikemukakan oleh Blume (1975) dan Levy (1971). Hasil Blume direproduksi
pada Tabel 7.4. Pembaca harus memeriksa tabel dan mengkonfirmasikan
kecenderungannya beta dalam periode perkiraan menjadi lebih dekat ke 1 dari perkiraan
beta ini diperoleh dari data historis.14

13: Dengan asumsi bahwa hubungan antara Rit dan Rmt dijelaskan oleh distribusi normal
bivariat stasioner, maka kesalahan standar dalam pengukuran beta untuk keamanan
diberikan oleh

Kesalahan standar untuk β pada portofolio diberikan oleh

Dimana

dimana N adalah jumlah sekuritas dalam portofolio dan T adalah jumlah periode waktu.
 Sejauh residual untuk saham yang berbeda tidak berkorelasi sempurna, rata-rata di seluruh
saham akan menurunkan nilai residual dan, karenanya, nilai N2 ep pada portofolio. Secara khusus,
jika asumsi model indeks tunggal terpenuhi, dan jika saham dipegang dalam proporsi yang sama,
kesalahan standar beta pada portofolio akan sama dengan kesalahan standar rata-rata pada semua
saham dikalikan kebalikan dari jumlah saham dalam portofolio.
14: Sepanjang bagian ini, ketika kita berbicara tentang beta, kita mengacu pada perkiraan
beta.

Measuring the Tendency of Betas to Regress toward 1— Blume’s Technique (Mengukur

Kecenderungan Beta untuk Maju ke 1 — Teknik Blume)

Karena beta dalam periode perkiraan cenderung lebih dekat ke 1 daripada perkiraan yang
diperoleh data historis, langkah nyata berikutnya adalah mencoba memodifikasi beta masa
lalu untuk menangkap kecenderungan ini. Blume (1975) adalah orang pertama yang
mengusulkan skema untuk melakukannya. Dia mengoreksi versi beta sebelumnya oleh
mengukur langsung penyesuaian ini ke 1 dan mengasumsikan bahwa penyesuaian dalam
satu periode adalah perkiraan yang baik untuk penyesuaian selanjutnya.
Mari kita lihat bagaimana ini bisa berhasil. Kami dapat menghitung beta untuk semua
saham selama periode tersebut 1948–1954. Kami kemudian dapat menghitung beta untuk
saham yang sama ini untuk periode tersebut 1955–1961. Kami kemudian dapat meregresi
beta untuk periode selanjutnya terhadap beta untuk
periode sebelumnya, seperti yang ditunjukkan pada Gambar 7.2. Perhatikan bahwa setiap
observasi adalah beta yang sama saham untuk periode 1948–1954 dan 1955–1961.
Mengikuti prosedur ini, kami akan melakukannya dapatkan garis yang mengukur
kecenderungan beta yang diperkirakan lebih dekat ke 1 daripada perkiraan dari data
historis. Ketika Blume melakukan ini untuk periode yang disebutkan, dia mendapatkan

di mana β i 2 adalah singkatan dari beta pada saham i pada periode selanjutnya (1955–1961)
dan β i 1 adalah singkatan dari beta untuk saham i untuk periode sebelumnya (1948–1954).
Hubungan tersebut menyiratkan bahwa beta di periode selanjutnya adalah 0,343 + 0,677
kali beta pada periode sebelumnya. Asumsikan kita ingin memperkirakan beta untuk saham
apa pun selama periode 1962–1968. Kami kemudian menghitung (melalui regresi analysis)
beta-nya untuk tahun 1955–1961. Untuk menentukan bagaimana beta ini harus
dimodifikasi, kami menggantinya dengan i1 dalam persamaan. Kami kemudian menghitung
i2 dari persamaan di atas dan gunakan itu sebagai perkiraan kami.

Perhatikan efek ini pada beta untuk saham apa pun. Jika β i 1 adalah 2.0, maka perkiraan
kami akan menjadi 0,343 + 0.677(2) = 1.697 daripada 2.0. Jika β i 1 adalah 0,5, perkiraan kami
adalah 0,343 + 0,677(0,5) = 0,682 bukan 0,5. Persamaan menurunkan nilai beta yang tinggi
dan menaikkan nilai-nilai rendah. Satu lagi karakteristik dari persamaan ini harus
diperhatikan: ia memodifikasi tingkat rata-rata dari beta untuk populasi saham. Karena itu
mengukur hubungan antara lebih dua periode beta, jika beta rata-rata meningkat selama
dua periode ini, diasumsikan bahwa beta rata-rata akan meningkat selama periode
berikutnya. Kecuali jika ada alasan untuk mencurigai penyimpangan berkelanjutan dalam
versi beta, ini akan menjadi properti yang tidak diinginkan. Jika tidak ada alasan untuk
mengharapkan tren ini secara rata-rata untuk melanjutkan beta, maka perkiraan dapat
ditingkatkan dengan menyesuaikan beta yang diperkirakan sehinggameannya sama dengan
mean historis.
Untuk membuat poin ini lebih konkret, mari kita periksa sebuah contoh. Asumsikan
bahwa dalam memperkirakan Persamaannya, Blume menemukan bahwa beta rata-rata
pada tahun 1948-1954 adalah 1 dan rata-rata beta pada tahun 1955–1961 adalah 1,02.
Angka-angka ini konsisten dengan hasilnya, meski ada adalah kumpulan angka lain yang juga
akan konsisten dengan hasilnya. Sekarang, untuk menentukan berapa rata-rata perkiraan
beta untuk periode 1962–1968, kami hanya menggantinya 1.02 ke ruas kanan dari
persamaan penaksir. Jawabannya adalah 1.033. Seperti yang dibahas sebelumnya, teknik
Blume menghasilkan ekstrapolasi lanjutan dari tren naik dalam beta yang diamati pada
periode sebelumnya.
Jika tidak ada alasan untuk percaya bahwa beta rata-rata periode berikutnya akan
lebih dari ini periode, maka perkiraan harus ditingkatkan dengan menyesuaikan beta
perkiraan agar memiliki arti yang sama dengan mean historis. Ini melibatkan pengurangan
konstanta dari semua beta setelahnya menyesuaikan mereka ke arah rata-rata mereka.
Dalam contoh kami, ini dicapai dengan mengurangi 1.033 dari setiap perkiraan beta dan
menambahkan 1,02.

Measuring the Tendency of Betas to Regress toward 1

(Mengukur Kecenderungan Beta untuk Maju ke 1)—
Teknik Vasicek
Ingatlah bahwa beta sebenarnya dalam periode perkiraan cenderung lebih dekat
dengan beta rata-rata daripada adalah perkiraan yang diperoleh dari data historis. Cara
langsung untuk menyesuaikan kecenderungan ini hanya menyesuaikan setiap beta ke beta
rata-rata. Misalnya mengambil satu setengah versi beta historis dan menambahkannya ke
setengah dari beta rata-rata akan memindahkan setiap riwayat beta setengah jalan menuju
rata-rata. Teknik ini banyak digunakan.
Sebaiknya tidak menyesuaikan semua saham dengan jumlah yang sama terhadap
rata-rata tetapi bukan memiliki penyesuaian yang bergantung pada ukuran ketidakpastian
(kesalahan pengambilan sampel) tentang beta. Semakin besar kesalahan pengambilan
sampel, semakin besar kemungkinan perbedaan besar dari rata-rata karena kesalahan
pengambilan sampel, dan semakin besar penyesuaiannya. Vasicek (1973) telah

menyarankan skema berikut yang menggabungkan properti ini: jika kita membiarkan β́ 1
sama dengan rata-rata beta di seluruh sampel saham dalam periode historis, kemudian

melibatkan prosedur Vasicek mengambil rata-rata tertimbang β́ 1 dan beta historis untuk
keamanan i. Biarkan σ 2β 1 singkatan dari varians distribusi estimasi historis beta atas sampel
saham. Ini adalah ukuran variasi beta di seluruh sampel saham yang sedang
dipertimbangkan.
Biarkan σ 2βi 1 adalah kuadrat dari kesalahan standar dari perkiraan beta untuk
keamanan i diukur dalam periode waktu 1. Ini adalah ukuran ketidakpastian yang terkait
dengan pengukuran dari beta sekuritas individu. Vasicek (1973) menyarankan bobot

Perhatikan bahwa bobot ini berjumlah 1 dan semakin banyak ketidakpastian tentang
estimasi mana pun beta, semakin rendah bobot yang ditempatkan di atasnya. Perkiraan
beta untuk keamanan i adalah:

Prosedur pembobotan ini menyesuaikan pengamatan dengan kesalahan standar yang besar
mean daripada menyesuaikan observasi dengan kesalahan standar kecil. Seperti yang
ditunjukkan Vasicek, ini adalah teknik estimasi Bayesian. 16
Meskipun teknik Bayesian tidak memperkirakan tren beta seperti halnya Blume
teknik, ia menderita dari sumber potensi biasnya sendiri. Dalam teknik Bayesian, file bobot
yang ditempatkan pada beta saham, relatif terhadap bobot rata-rata beta dalam sampel,
berbanding terbalik dengan kesalahan standar saham beta. Saham beta tinggi memiliki
standar yang lebih besar kesalahan yang terkait dengan beta mereka dibandingkan dengan
saham beta rendah. Ini berarti beta tinggi saham akan diturunkan beta mereka dengan
persentase yang lebih besar dari jarak rata-rata beta untuk sampel daripada saham beta
rendah akan meningkatkan beta mereka. Oleh karena itu perkiraannya dari rata-rata beta
mendatang akan cenderung lebih rendah daripada rata-rata beta dalam sampel saham yang
diperkirakan beta.
 Kecuali ada alasan untuk percaya bahwa beta akan terus menurun, perkiraan beta
dapat lebih ditingkatkan dengan menyesuaikan semua beta ke atas sehingga memiliki mean
yang sama seperti yang mereka miliki dalam periode sejarah.

Accuracy of Adjusted Beta (Akurasi Beta yang Disesuaikan)

Mari kita periksa seberapa baik teknik penyesuaian Blume dan Bayesian bekerja
peramal, dibandingkan dengan beta yang tidak disesuaikan. Klemkosky dan Martin (1975)
menguji kemampuannya dari teknik ini untuk meramalkan selama tiga periode lima tahun
untuk 1-saham dan 10 portofolio saham. Seperti yang akan diduga, dalam semua kasus,
Blume dan Bayesian teknik penyesuaian menghasilkan prakiraan beta masa depan yang
lebih akurat daripada yang tidak disesuaikan beta. Kesalahan kuadrat rata-rata dalam
peramalan beta sering kali dipotong menjadi setengah saat salah satunya teknik
penyesuaian digunakan. Klemkosky dan Martin menggunakan dekomposisi yang menarik
teknik untuk mencari sumber kesalahan perkiraan. Secara khusus, sumber kesalahan telah
diuraikan menjadi bagian kesalahan karena salah perkiraan tingkat rata-rata beta, bagian itu
karena kecenderungan untuk melebih-lebihkan beta tinggi dan meremehkan rendah beta,
dan bagian yang tidak dapat dijelaskan oleh salah satu dari dua pengaruh pertama. Mungkin
saja diharapkan, ketika teknik Blume dan Bayesian dibandingkan dengan yang tidak
disesuaikan betas, hampir semua penurunan error berasal dari penurunan kecenderungan
overestimasi beta tinggi dan meremehkan beta rendah. Ini tidak mengherankan karena
memang demikian persis apa yang dirancang untuk dicapai oleh kedua teknik tersebut.
Klemkosky dan Martin ditemukan bahwa teknik Bayesian memiliki sedikit kecenderungan
untuk mengungguli teknik Blume. Namun, perbedaannya kecil, dan urutan teknik bervariasi
dalam periode waktu yang berbeda.
Sebagian besar literatur yang membahas tentang beta telah mengevaluasi teknik
penyesuaian beta berdasarkan kemampuannya untuk memperkirakan beta dengan lebih
baik. Namun, ada kriteria lain, dan mungkin lebih penting, yang digunakan untuk menilai
kinerja beta alternatif. Pada awal bab ini, kami membahas fakta bahwa input yang
diperlukan untuk analisis portofolio adalah pengembalian yang diharapkan, varians, dan
korelasi. Kami percaya bahwa analis dapat diminta untuk memberikan perkiraan
pengembalian dan varians yang diharapkan tetapi korelasi mungkin akan terus dihasilkan
dari beberapa jenis model historis.17 Salah satu cara beta dapat digunakan adalah untuk
menghasilkan perkiraan korelasi antara sekuritas. Korelasi antara saham (dengan asumsi
model indeks tunggal) dapat dinyatakan sebagai fungsi beta:

Cara lain untuk menguji kegunaan beta, serta kinerja perkiraan alternatif beta, adalah
dengan melihat seberapa baik beta memperkirakan struktur korelasi antar sekuritas.

17: Ada kemungkinan bahwa analis akan digunakan untuk memodifikasi estimasi historis beta secara subyektif
untuk meningkatkan keakuratannya. Beberapa perusahaan saat ini menggunakan estimasi beta yang
dimodifikasi oleh analis.

Betas as Forecasters of Correlation Coefficients

(Beta sebagai Peramal Koefisien Korelasi)

Elton, Gruber, dan Urich (1978) telah membandingkan kemampuan model berikut untuk
meramalkan struktur korelasi antar sekuritas:
1. matriks korelasi historis itu sendiri
2. prakiraan matriks korelasi yang dibuat dengan memperkirakan beta dari riwayat
sebelumnya Titik
3. prakiraan matriks korelasi yang disiapkan dengan memperkirakan beta dari dua
sebelumnya periode dan memperbarui melalui teknik Blume
4. prakiraan disiapkan seperti pada model ketiga tetapi pembaruan dilakukan melalui
teknik Vasicek Bayesian
Salah satu hasil yang paling mencolok dari penelitian ini adalah matriks korelasi
historis itu sendiri adalah yang paling buruk dari semua teknik. Dalam kebanyakan kasus, ini
mengungguli semua teknik peramalan beta pada tingkat yang signifikan secara statistik. Ini
menandakan bahwa besar bagian dari struktur korelasi yang diamati antara sekuritas, tidak
ditangkap oleh indeks tunggal model, merepresentasikan gangguan acak sehubungan
dengan perkiraan. Hal yang perlu diperhatikan adalah itu model indeks tunggal,
dikembangkan untuk menyederhanakan masukan untuk analisis dan pemikiran portofolio
kehilangan informasi karena penyederhanaan yang terlibat, sebenarnya melakukan
pekerjaan yang lebih baik prakiraan daripada kumpulan lengkap data historis.
Perbandingan dari ketiga teknik beta lebih ambigu. Dalam setiap dua lima tahun
sampel yang diuji, teknik penyesuaian Blume mengungguli kedua beta yang tidak
disesuaikan dan beta disesuaikan melalui teknik Bayesian. Perbedaan tekniknya adalah
signifikan secara statistik. Namun, teknik penyesuaian Bayesian berkinerja lebih baik
daripada beta yang tidak disesuaikan dalam satu periode dan lebih buruk dalam satu detik.
Dalam kedua kasus tersebut, hasilnya adalah signifikan secara statistik. Ini membutuhkan
beberapa analisis lebih lanjut. Performa dari setiap perkiraan teknik ini, sebagian,
merupakan fungsi dari ramalan korelasi rata-rata di antara semua saham dan, sebagian,
fungsi prakiraan perbedaan sebelumnya dari mean. Kita mungkin berhenti sejenak dan
melihat mengapa masing-masing teknik beta dapat menghasilkan prakiraan koefisien
korelasi rata-rata antara semua saham yang berbeda dari koefisien korelasi rata-rata dalam
data yang menggunakan teknik tersebut.
Mari kita mulai dengan beta yang tidak disesuaikan. Model ini mengasumsikan
bahwa satu-satunya korelasi antara saham adalah satu karena korelasi umum dengan pasar.
Itu mengabaikan semua yang lain sumber korelasi seperti pengaruh industri. Sampai-sampai
ada sumber lain korelasi yang, secara keseluruhan, positif, teknik ini akan meremehkan rata-
rata koefisien korelasi dalam data yang cocok. Inilah tepatnya yang Elton, Gruber, dan Urich
(1978) menunjukkan terjadi di kedua periode di mana model itu dipasang.
Teknik Blume mengalami bias yang sama, tetapi memiliki dua sumber tambahan
bias. Salah satunya adalah bahwa teknik Blume menyesuaikan semua beta ke arah 1. Ini
cenderung menaikkan koefisien korelasi rata-rata diperkirakan dari teknik Blume. Koefisien
korelasi adalah produk dari dua beta. Sejauh beta dikurangi menjadi 1 secara simetris (tanpa
perubahan rata-rata), produk silang di antara keduanya akan cenderung lebih besar. Sebagai
contoh, hasil kali 1.1 dan 0.9 lebih besar dari produk 1.2 dan 0.8. Ada lagi sumber masalah
potensial dalam teknik Blume. Ingat itu teknik Blume menyesuaikan beta di periode 2 untuk
perubahan beta antara periode 1 dan periode 2. Jika perubahan rata-rata dalam beta antara
periode 1 dan 2 adalah positif (negatif), teknik Blume akan menyesuaikan beta rata-rata
untuk periode 2 ke atas (turun) .18 Dalam studi Elton, Gruber, dan Urich, ada penyimpangan
ke atas di beta selama periode penelitian, dan ini, dikombinasikan dengan kecenderungan
teknik Blume untuk mengecilkan semua beta menjadi 1, menghasilkan perkiraan rata-rata
koefisien korelasi jauh di atas rata-rata koefisien korelasi untuk sampel yang modelnya pas.

18: Ini akan menjadi properti yang diinginkan jika tren dalam koefisien korelasi rata-rata
diharapkan bertahan dari waktu ke waktu, tetapi kami tidak melihat alasan untuk
mengharapkannya.

Penyesuaian Bayesian ke beta, seperti penyesuaian Blume, memiliki beberapa

perkiraan naik bias karena kecenderungannya untuk menyusut beta menuju 1, tetapi tidak
terus memproyeksikan tren dalam beta dan, karenanya, koefisien korelasi, seperti yang
dilakukan teknik Blume. Namun, seperti yang ditunjukkan sebelumnya, ia memiliki sumber
bias baru — yang cenderung menarik beta dan korelasi koefisien ke arah bawah. Ini terjadi
karena saham beta tinggi disesuaikan lebih ke arah mean daripada saham beta rendah.
Singkatnya, uji empiris, sulit untuk mengatakan apakah, mengingat kumpulan data,
alternatifnya sumber bias, yang bekerja ke arah yang berbeda, akan menambah atau
mengurangi ramalan akurasi hasil. Kami tahu itu kecuali ada tren rata-rata yang dapat
diprediksi koefisien korelasi, pengaruh bias ini pada akurasi ramalan akan acak periode ke
periode. Sumber keacakan ini dapat dihilangkan. Salah satu cara untuk melakukannya
adalah dengan memaksa koefisien korelasi rata-rata, diperkirakan dengan masing-masing
teknik, menjadi sama dan menjadi sama dengan koefisien korelasi rata-rata yang ada pada
periode selama model dipasang. Jika koefisien korelasi tidak memiliki tren yang stabil, ini
akan menjadi ramalan yang efisien prosedur. Ini hanya menggunakan data yang tersedia
dan juga mudah dilakukan.
Saat penyetelan dilakukan, penyetelan Bayesian menghasilkan yang paling akurat
prakiraan matriks korelasi masa depan. Perbedaannya dari teknik Blume, yang tidak
disesuaikan beta, dan matriks historis signifikan secara statistik di semua periode yang diuji.
Itu teknik peringkat kedua bervariasi seiring waktu dengan penyesuaian Blume,
mengungguli beta yang tidak disesuaikan dalam satu periode dan dikalahkan oleh beta yang
tidak disesuaikan dalam satu periode. 19
19: Selain itu, pengujian dilakukan yang memaksa koefisien korelasi rata-rata dari setiap teknik menjadi sama
dan sama dengan koefisien korelasi rata-rata yang terjadi dalam periode perkiraan. Ini setara dengan kejelian
sempurna sehubungan dengan koefisien korelasi rata-rata. Pemeringkatannya sama dengan yang dibahas
sebelumnya saat ini dilakukan.

Perkiraan dari ketiga teknik beta tersebut dibandingkan dengan perkiraan dari
perkiraan beta keempat, beta sama dengan 1 untuk semua saham, serta dengan matriks
korelasi historis, sebagai perkiraan masa depan. Perkiraan rata-rata disesuaikan agar sama
untuk semua teknik. Kinerja matriks korelasi historis dan model beta-sama dengan-1 lebih
rendah daripada kinerja semua model lain pada tingkat yang signifikan secara statistik.
Mari kita berhenti sebentar dan meninjau pekerjaan memperkirakan beta. Ada dua
alasan untuk memperkirakan beta: yang pertama adalah untuk meramalkan beta masa
depan; yang kedua adalah menghasilkan korelasi koefisien sebagai masukan untuk masalah
portofolio. Bukti empiris sangat menunjukkan hal itu untuk meramalkan beta masa depan,
seseorang harus menggunakan penyesuaian Bayesian atau penyesuaian Blume sebagai
gantinya dari beta yang tidak disesuaikan. Bukti tentang pilihan antara Blume dan
penyesuaian Bayesian dicampur, tetapi penyesuaian Bayesian tampaknya bekerja sedikit
lebih baik.
Jika tujuannya adalah mengestimasi matriks korelasi masa depan sebagai masukan
untuk masalah portofolio, segalanya menjadi lebih kompleks. Beta yang tidak disesuaikan
dan beta yang disesuaikan, baik oleh Bayesian maupun Teknik Blume, semuanya
mengandung potensi bias sebagai peramal matriks korelasi masa depan Prakiraan dari
semua teknik ini dapat diperiksa secara langsung, atau prakiraan dapat dilakukan
disesuaikan untuk menghilangkan bias dalam perkiraan koefisien korelasi rata-rata. Fakta
pertama catatan adalah bahwa masing-masing dari tiga perkiraan beta ini mengungguli
matriks korelasi historis sebagai ramalan matriks korelasi masa depan. Kedua, perhatikan
bahwa jika dibandingkan dengan versi beta 1, semua menghasilkan prakiraan yang lebih
baik. Pemeringkatan di antara ketiga teknik ini adalah fungsi dari apakah kita membuat
penyesuaian pada perkiraan rata-rata. Karena kami yakin itu pantas untuk melakukannya,
kami menemukan bahwa teknik penyesuaian Bayesian berkinerja terbaik. Di Bab 8 kita
mendiskusikan peramalan koefisien korelasi masa depan menggunakan kombinasi beta
masa lalu dan lainnya prakiraan berasal dari data historis.
 Baru-baru ini, upaya telah dilakukan untuk memasukkan lebih banyak data daripada
informasi pengembalian sebelumnya ke dalam perkiraan beta. Sekarang kita lihat sekilas
beberapa pekerjaan yang telah dilakukan dilakukan di area ini.

Fundamental Betas
Beta adalah ukuran risiko yang muncul dari hubungan antara return saham dan return di
pasar. Namun demikian, kita tahu bahwa risiko suatu perusahaan harus ditentukan oleh
beberapa kombinasi fundamental perusahaan dan karakteristik pasar dari saham
perusahaan. Jika hubungan ini dapat ditentukan, mereka akan membantu kami untuk lebih
memahami dan memperkirakan beta.
Salah satu upaya paling awal untuk menghubungkan beta saham dengan variabel perusahaan
fundamental dilakukan oleh Beaver, Kettler, dan Scholes (1970). Mereka memeriksa hubungan
antara tujuh variabel perusahaan dan beta pada saham perusahaan. Tujuh variabel yang mereka
gunakan adalah:
1. Pembayaran dividen (dividen dibahagi dengan pendapatan)
2. Pertumbuhan aset (perubahan tahunan jumlah aset)
3. Leverage (sekuriti kanan dibahagi dengan jumlah aset)
4. Kecairan (aset semasa dibahagi dengan liabiliti semasa)
5. Saiz aset (jumlah aset)
6. Kebolehubahan pendapatan (sisihan piawai nisbah harga pendapatan)
7. Beta perakaunan (beta yang timbul dari kemerosotan siri masa pendapatan firma
terhadap pendapatan purata untuk ekonomi, yang sering disebut beta pendapatan)
Pemeriksaan terhadap variabel-variabel ini akan mengarahkan kita untuk mengharapkan
hubungan negatif antara pembayaran dividen dan beta di bawah salah satu dari dua
argumen:
1. Karena manajemen lebih enggan untuk memotong dividen daripada menaikkannya,
pembayaran yang tinggi merupakan indikasi kepercayaan di pihak manajemen
mengenai tingkat pendapatan di masa depan.
2. Pembayaran dividen kurang berisiko dibandingkan capital gain; oleh karena itu,
perusahaan yang membayar lebih banyak dari pendapatannya dalam bentuk dividen
kurang berisiko.
 Pertumbuhan biasanya dianggap terkait positif dengan beta. Perusahaan dengan
pertumbuhan tinggi dianggap lebih berisiko daripada perusahaan dengan pertumbuhan
rendah.

Leverage cenderung meningkatkan volatilitas aliran pendapatan, sehingga meningkatkan

risiko dan beta.

Terakhir, semakin banyak variabel aliran pendapatan perusahaan dan semakin tinggi
korelasinya dengan pasar, semakin tinggi beta yang seharusnya.

Tabel 7.5 melaporkan beberapa hasil dari penelitian Beaver, Kettler, dan Scholes (1970).
Perhatikan semua variabel memiliki tanda yang kami harapkan.

Langkah logis berikutnya dalam mengembangkan beta fundamental adalah

memasukkan efek variabel fundamental yang relevan secara bersamaan ke dalam analisis.
Ini biasanya dilakukan dengan menghubungkan beta ke beberapa variabel fundamental
melalui analisis regresi berganda.

Persamaan dari bentuk berikut diperkirakan:

di mana setiap X i adalah salah satu variabel N yang dihipotesiskan mempengaruhi beta.
Beberapa penelitian telah dilakukan yang menghubungkan beta ke satu set variabel
fundamental, seperti yang dipelajari oleh Beaver, Kettler, dan Scholes (1970) .21 Daftar
variabel yang telah dipelajari dan ditautkan ke beta terlalu panjang untuk ditinjau di sini. Misalnya,
Thompson (1978) mengulas 43 variabel, sedangkan Rosenberg dan Marathe (1975) mengulas 101.
Daripada membahas daftar panjang variabel yang telah digunakan untuk menghasilkan beta
fundamental, mari kita tinjau kekuatan dan kelemahan relatif dari fundamental dan historis. Beta
serta satu sistem, yang dikemukakan oleh Barr Rosenberg (1976, 1975, 1973), yang telah diajukan
untuk menggabungkan kedua jenis beta tersebut.

21: Untuk contoh penggunaan data fundamental untuk memperkirakan beta, lihat Cohen, Schwartz,
dan Whitecomb (1978), Francis (1975), Hawawini dan Vora (1980), Blume (1975), dan Hill and Stone
(1980). Kemampuan data fundamental untuk membantu prediksi beta masa depan telah beragam.
Beberapa studi menemukan peningkatan besar dalam kemampuan peramalan, sementara yang lain
tidak.

Keuntungan beta berdasarkan data pengembalian historis adalah bahwa beta mengukur
respons setiap saham terhadap pergerakan pasar. Kerugian dari jenis beta ini adalah ia
mencerminkan perubahan ukuran atau pentingnya karakteristik perusahaan hanya setelah
jangka waktu yang lama berlalu. Misalnya, asumsikan perusahaan meningkatkan rasio
hutang terhadap ekuitasnya. Kami berharap beta-nya meningkat.

Namun, jika kami menggunakan 60 bulan data pengembalian untuk memperkirakan

beta, satu bulan setelah perusahaan meningkatkan rasio hutang terhadap ekuitas, hanya
satu dari 60 titik data yang akan mencerminkan informasi baru. Dengan demikian terjadi
perubahan rasio hutang terhadap ekuitas hanya akan berdampak kecil pada beta yang
dihitung dari data pengembalian historis. Demikian pula, satu tahun penuh setelah acara
tersebut, hanya 12 dari 60 titik data yang digunakan untuk mengukur beta akan
mencerminkan acara tersebut. Sebaliknya, beta fundamental merespons dengan cepat
perubahan karakteristik perusahaan karena dihitung langsung dari karakteristik tersebut.

Namun, kelemahan beta fundamental adalah bahwa beta dihitung dengan asumsi
bahwa daya tanggap semua beta terhadap variabel fundamental yang mendasarinya adalah
sama. Misalnya, mereka berasumsi bahwa beta untuk IBM akan berubah dengan cara yang
persis sama dengan perubahan rasio hutang terhadap ekuitas seperti beta General Motors
(GM). 22

Dengan menggabungkan teknik beta historis dan fundamental beta dalam satu
sistem, Barr Rosenberg berharap untuk mendapatkan keuntungan dari masing-masing tanpa
mengalami kerugian dari keduanya. Selain itu, karena Rosenberg dan McKibben (1973)
menemukan bahwa terdapat perbedaan yang terus-menerus antara beta dari industri yang
berbeda, Rosenberg dan Marathe (1975) memperkenalkan satu set variabel dummy industri
ke dalam analisis untuk menangkap perbedaan ini. Sistem Rosenberg dapat diuraikan
sebagai berikut: 23

Dimana :

 X 1 =Makili 14 deskripsi variabilitas pasar. 14 deskripsi ini mencakup nilai

historis beta serta karakteristik pasar saham lainnya seperti perdagangan
saham, volume, dan kisaran harga saham.
 X 2 =Mewakili tujuh penjelas variabilitas laba. Deskriptor ini mencakup ukuran
variabilitas pendapatan, beta pendapatan, dan ukuran ketidakpastian
pendapatan seperti jumlah pendapatan luar biasa yang dilaporkan.
 X 3 = Mewakili delapan penjelas gagal dan penilaian rendah. Deskriptor ini
mencakup pertumbuhan laba, rasio nilai buku terhadap harga saham,
kekuatan relatif, dan indikator lain dari persepsi kesuksesan.
 X 4 = Mewakili sembilan penjelas ketidakdewasaan dan kekecilan. Deskriptor
ini mencakup total aset, pangsa pasar, dan indikator ukuran dan usia lainnya.
 X 5 = Mewakili sembilan penjelas tentang orientasi pertumbuhan. Deskriptor
ini termasuk hasil dividen, rasio harga laba, dan ukuran lain dari
pertumbuhan historis dan persepsi.
 X 6 = Mewakili sembilan penjelas risiko finansial. Ini termasuk ukuran
leverage, cakupan bunga, dan likuiditas.
 X 7 = Mewakili enam deskriptor karakteristik perusahaan. Ini termasuk
indikator daftar saham dan jenis bisnis yang luas.
  X 8 = hingga X 46 adalah variabel dummy industri. Variabel ini memungkinkan
fakta bahwa industri yang berbeda cenderung memiliki beta yang berbeda,
semua variabel lain dianggap konstan, untuk diperhitungkan.

22: Setiap koefisien regresi dari Persamaan (7.6) (misalnya, a 1) hanya memiliki satu nilai untuk

semua perusahaan. Ini berarti bahwa perubahan 1 unit di X 1 akan mengubah beta setiap

perusahaan sebesar a 1 unit.

23: Rosenberg mengubah variabel dalam sistemnya dari waktu ke waktu. Penjelasan ini didasarkan
pada sistemnya yang ada pada suatu titik waktu seperti yang dijelaskan dalam Rosenberg dan
Marathe (1975).

Meskipun secara konseptual, teknik Rosenberg mudah dipahami, banyaknya variabel

(101) membuat sulit untuk memahami makna model berparameter. Alasan untuk pindah ke
model yang kompleks ini adalah untuk meningkatkan kemampuan peramalan. Rosenberg
dan Marathe's (1975) pengujian awal menunjukkan bahwa model yang melibatkan data
fundamental dan beta historis mengarah pada perkiraan beta masa depan yang lebih baik
daripada penggunaan kedua jenis perkiraan secara terpisah.

Sebelum mengakhiri bab ini, kita harus menyebutkan satu lagi jenis model yang
mulai menarik perhatian. Sistem Rosenberg dengan cepat mencerminkan perubahan beta
yang telah terjadi karena menggunakan data yang mencerminkan kondisi saat ini (variabel
perusahaan fundamental) untuk memodifikasi beta historis sebagai prakiraan masa depan.
Sistem yang lebih ideal akan menggunakan prakiraan variabel fundamental perusahaan di
masa depan untuk memodifikasi perkiraan historis beta — dengan kata lain, menggantikan
perkiraan nilai masa depan di sisi kanan Persamaan (7.7) daripada nilai bersamaan.
Sekarang tampaknya tidak mungkin analis dapat melakukan ini untuk 101 variabel yang
digunakan dalam sistem Rosenberg. Namun, sistem yang lebih sederhana yang
menggunakan jumlah variabel yang jauh lebih kecil digunakan dengan cara ini.
THE MARKET MODEL

Meskipun model indeks tunggal dikembangkan untuk membantu dalam manajemen

portofolio, bentuk yang tidak terlalu membatasi — yang dikenal sebagai model pasar —
telah menemukan peningkatan penggunaan di bidang keuangan. Model pasar identik
dengan model indeks tunggal, kecuali asumsi bahwa cov (e i e j) = 0 tidak dibuat.24

Model dimulai dengan hubungan linier yang lebih sederhana antara pengembalian
dan pasar,

dan menghasilkan nilai yang diharapkan untuk setiap saham

Karena tidak membuat asumsi bahwa semua kovarian di

antara saham disebabkan oleh kovarian yang sama dengan pasar, bagaimanapun, ini tidak
mengarah pada ekspresi sederhana dari risiko portofolio yang muncul di bawah model
indeks tunggal.

Kita akan bertemu dengan model pasar lagi seiring kemajuan kita melalui buku ini.
Ini digunakan secara luas di Bab 17 tentang pasar yang efisien. Hal yang perlu diingat adalah
bahwa pembahasan memperkirakan beta sama berlaku jika kita berbicara tentang pasar
model atau model indeks tunggal.

24: Sebenarnya, meskipun model indeks tunggal dapat didefinisikan dalam kaitannya dengan
pengaruh apa pun (misalnya, tingkat pengembalian liverwurst), kita biasanya menganggap indeks
sebagai tingkat pengembalian pada beberapa portofolio pasar. Model pasar selalu didefinisikan
dalam kerangka portofolio pasar.
SEBUAH CONTOH

Seorang manajer dana pensiun yang besar akan sering memanfaatkan beberapa manajer
saham domestik. Sponsor (manajer) dana pensiun dapat melihat masalah alokasi aset setara
dengan pemilihan di antara berbagai reksa dana saham. Data untuk portofolio yang
dipertimbangkan oleh dana pensiun besar adalah sebagai berikut:
Risiko alpha, beta, dan residual awalnya dihitung dengan menjalankan regresi dari
pengembalian masing-masing dana atas pengembalian indeks S&P menggunakan
pengembalian bulanan lima tahun. Perkiraan ini kemudian dimodifikasi oleh sponsor
program untuk mencerminkan keyakinan mereka. Manajemen memproyeksikan bahwa
indeks S&P pada saat ini memiliki pengembalian yang diharapkan sebesar 12,5% dan
perkiraan deviasi standar pengembalian sebesar 14,9%. Pengembalian yang diharapkan,
deviasi standar pengembalian, dan kovarians yang menggunakan model indeks tunggal

adalah
Estimasi untuk input portofolio ini tidak selalu sama dengan yang diperoleh dari data
historis. Namun, beta untuk fund 1 dan 2 adalah beta historis yang menggunakan data lima
tahun sebelumnya. Jadi, jika kovarian antara residual untuk reksa dana 1 dan 2 adalah nol,
estimasi kovariansi yang menggunakan model indeks tunggal dan estimasi historis akan
sama. Kovariansi antara aset 1 dan 2 yang dihitung langsung dari data historis adalah 271.
Estimasi dari model indeks tunggal adalah 249. Perbedaan tersebut muncul karena ada
korelasi positif yang kecil antara residual untuk dana 1 dan dana 2. Alasan penggunaan
model indeks tunggal untuk mengestimasi input adalah keyakinan bahwa residu positif ini
dihasilkan secara kebetulan, dan nol adalah estimasi yang lebih baik untuk nilai masa
depannya daripada nilai sebenarnya di masa lalu. Proporsi optimal menggunakan input ini,
tingkat tanpa risiko 5%, dan prosedur yang dibahas dalam Bab 6 adalah sebagai berikut:

Solusi dengan penjualan singkat, tentu saja, tidak masuk akal, baik karena manajer pensiun
tidak dapat menjual pendek maupun karena besarnya jumlahnya. Angka yang besar terjadi
karena reksa dana sangat berkorelasi satu sama lain, dan perbedaan yang kecil
mengakibatkan pengambilan posisi yang besar. Dalam Bab 9 kami menganalisis masalah
setelah kami mengembangkan alat untuk analisis yang lebih sederhana.