Analisis keuangan yang bersifat time series lebih berfokus pada teori dan praktik

valuasi asset dari waktu ke waktu. Analisis ini termasuk ke disiplin yang sangat empiris, tetapi
seperti teori ilmiah lainnya, fondasinya dapat dibuat inferensi. Terdapat fitur utama yang
membedakan analisis keuangan time series dengan analisis time series lainnya. Teori keuangan
dan rangkaian waktu empirisnya mengandung unsur uncertainty (ketidakpastian). Misalnya,
terdapat berbagai definisi tentang volatilitas asset, dan untuk tingkat pengembalian saham, dan
volitalitias nya tidak dapat diamati secara langsung. Sebagai hasil dari ketidakpastian
tambahan, teori dan metode statistik memainkan peran penting dalam analisis keuangan time
series.

1.1 Asset Returns

Kebanyakan penelitian tentang keuangan melibatkan return of assets daripada harga asset
tersebut. Campbell, Lo, dan MacKinlay menjelaskan dua alasan akan hal tersebut. Pertama,
untuk rata-rata investor, return dari sebuah asset adalah rangkuman yang komplit dan scale-
free dari sebuah investasi. Dan yang kedua, return series lebih mudah untuk digunakan daripada
harga dan memiliki properti statistik yang lebih menarik. Terdapat beberapa defisini dari return
sebuah asset, diantaranya seperti berikut.

One Period Sample

Investor memegang asetnya

Untuk satu periode dari t-1 ke periode t akan menghasilkan simple gross return dengan
formulasi:

Sedangkan untuk one-period simple net return nya adalah:

Multiperiod Simple Return

Investor memegang asset selama k periode, yaitu antara periode t - k dan periode k, simple
gross returnnya adalah:
k-period simple gross return hanyalah menghasilkan one-period simple gross return. Hal ini

dinamakan compound return. Simple net return periode k adalah:

Pada praktiknya, interval waktu yang sebenarnya penting dalam membandingkan return. Jika
time intervalnya tidak diketahui, maka time interval tersebut secara implisit diasumsikan
menjadi satu tahun. Annualized return diformulasikan sebagai berikut:

Hal tersebut adalah sebuah geometric mean dari k one-period simple gross return, yang
dihitung dengan

Karena lebih mudah untuk menghitung rata-rata aritmatika daripada rata-rata geometrik dan
pengembalian satu periode cenderung kecil, kita dapat menggunakan ekspansi Taylor first
order untuk memperkirakan annualized return dan memperoleh:

Continuous Compounding

Asumsikan bahwa suku bunga deposito bank adalah 10% per tahun dan setoran awal adalah $
1,00. Jika bank membayar bunga sekali setahun, maka nilai bersih dari setoran menjadi $ 1 (1
+ 0,1) = $ 1,1 satu tahun kemudian. Jika bank membayar bunga setengah tahunan, suku bunga
6 bulan adalah 10% / 2 = 5% dan nilai bersihnya adalah $ 1 (1 + 0,1 / 2)2 = $ 1,1025 setelah
tahun pertama. Secara umum, jika bank membayar bunga m kali setahun, maka suku bunga
untuk setiap pembayaran adalah 10% / m dan nilai bersih dari setoran menjadi $ 1 (1 + 0,1 /
m)m satu tahun kemudian.

Secara umum, net asset value A of continuous compounding adalah:

Dimana r adalah tingkat suku bunga per tahun dan C adalah initial capital, sementara n adalah
jumlah tahun.

Continuously Compounded Return

Untuk menghitung mumlti period returns:

Dengan demikian, continuously compounded multiperiod return adalah jumlah dari

continuously compounded one-period return.

Portfolio Return

Pengembalian bersih sederhana dari portofolio yang terdiri dari aset N adalah rata-rata
tertimbang dari simple net returns dari aset yang terlibat, di mana bobot pada setiap aset adalah
persentase nilai portofolio yang diinvestasikan dalam aset tersebut. Misalnya, kita ketahui p
adalah portofolio yang menempatkan bobot wi pada aset i. Maka return portofolio p pada saat

t adalah Rp,t = di mana Ri,t adalah pengembalian sederhana dari aset i.

Continously compounded return dari sebuah portofolio sayangnya tidak memiliki sifat yang
mudah. Jika simple return Ri,t kecil besarannya, maka continuously compounded return of

portfolio pada waktu t adalah:

Dividend Payment

Jika sebuah asset membayar dividon secara berkalah, kita harus memodifikasi deginisi dari
asset returns. Simple net return dan continuously compounded return pada waktu t akan
menjadi:
Dimana Dt adalah pembayaran dividen dari antara periode t −1 dan t,
dan Pt menjadi harga aset pada akhir periode t.

Excess Return

Excess return sebuah asset adalah perbedaan antara tingkat pengembalian hasil sebuah asset
dengan pengembalian hasil beberapa asset lain. Asset lain atau reference asset ini biasanya
digambarkan oleh riskless asset seperti surat hutang pemerintah (Treasurry bills). Simple
excess return dan log excess return dari sebuah asset dapat diformulasikan:

Remark

Posisi long dalam keuangan berarti memiliki aset. Posisi short dalam keuangan berarti
melibatkan penjualan aset yang tidak dimiliki. Ini dicapai dengan meminjam aset dari investor
yang telah membelinya. Pada beberapa tanggal berikutnya, short seller diwajibkan untuk
membeli jumlah saham yang sama persis yang dipinjam untuk membayar kembali kreditur.
Karena pembayaran menuntut pembagian yang sama dan bukan dolar yang sama, short seller
akan mendapatkan keuntungan dari penurunan harga aset. Jika dividen tunai dibayarkan pada
aset sementara posisi short masih dipegang, dividen tersebut dibayarkan kepada pembeli dari
short sale. Short seller juga harus memberi kompensasi kepada pemberi pinjaman dengan
mencocokkan dividen tunai dari sumber dayanya sendiri. Dengan kata lain, penjual pendek
juga berkewajiban untuk membayar dividen tunai pada aset pinjaman kepada pemberi
pinjaman.

Summary of Relationship

Hubungan antara simple return Rt dan continuously compounded return rt adalah:

Jika bentuk return Rt dan rt dalam persentase, maka

Agregasi sementara dari return tersebut menghasilkan:

Jika continuously compounded interst rate dinyatakan per tahun, maka hubungan antara present
value dan future value sebuah asset adalah:

1.2.4 Distribution of Returns

Model yang paling umum dari log returns
adalah fungsi joint distribution-nya:

Dimana Y merupakan sebuah state vector yang berisikan variabel-variabel yang merangkum
lingkungan yang menentukan asset return dan Ɵ adalah sebuah vektor parameter yang secara unik
menentukan fungsi distribusi Fr (.). Probability distribution Fr (.) menentukan stochastic behaviour dari
return rit dan Y. Analisis empiris asset return adalah untuk mengestimasi parameter yang tidak diketahui
Ɵ dan menarik kesimpulan statistik mengenai perilaku {rit} dalam beberapa log return masa lalu.
Beberapa teori keuangan seperti CAPM oleh Sharpe (1964) fokus pada joint distribution dari
N return pada sebuah single time index t. Teori lain menekankan dynamic structure dari individual asset
return untuk sebuah aset tertentu. Persamaan partisi joint distribution adalah sebagai berikut:

Persamaan (1.16) memperlihatkan bahwa conditional distributions lebih relevan daripada

marginal distributions dalam mempelajari asset returns. Namun, marginal distribution masih menarik
untuk dipelajari. Secara umum, lebih mudah untuk mengestimasi marginal distributions daripada
conditional distributions menggunakan return masa lalu. Lagi pula, dalam beberapa kasus, asset returns
mempunyai empirical serial correlations yang lemah, oleh karena itu marginal distributions-nya
mendekati conditional distributions-nya.

Normal Distribution
Sebuah asumsi tradisional dalam studi keuangan adalah bahwa simple returns independen dan
terdistribusi normal dengan varians dan rata-rata yang tetap. Asumsi ini membuat properti statistik dari
asset returns dapat dikerjakan. Namun hal ini menghadapi beberapa kendala. Pertama, the lower bound
dari simple return adalah -1. Tetapi distribusi normal mengasumsikan nilai apapun dalam real line dan
karenanya tidak memiliki lower bound. Kedua, jika simple return terdistribusi normal, maka
multiperiod simple return tidak terdistribusi normal karena merupakan one-period return. Ketiga,
asumsi normalitas tidak didukung oleh banyak empirical asset returns, yang cenderung positif melebihi
kurtosis.

Lognormal Distribution
Asumsi lain yang sering digunakan adalah log returns dari sebuah asset adalah independen dan
identically distributed dengan normal oleh mean dan varians.

Dua persamaan diatas berguna untuk mempelajari asset returns. Persamaan alternatif lainnya adalah
membuat m1 dan m2 menjadi mean dan varians dari simple return Rt yang merupakan lognormally
distributed. Lalu mean dan varians dari log return Rt adalah

Karena sum of a finite number of iid normal variables adalah normal, rt [k] juga terdistribusi normal
dibawah asumsi normal untuk {rt}. Lalu tidak ada lower bound untuk Rt . Namun, lognormal asumption
tidak konsisten dengan seluruh properti historical stock returns. Khususnya, banyak stock returns
memperlihatkan nilai positif melebihi kurtosis.

Stable Distribution
Stable distribution merupakan sebuah natural generalization of normal karena stabil di dalam
penjumlahan, yang memenuhi the need of continuously compounded returns rt. Selain itu, stable
distribution dapat menangkap excess curtosis yang ditampilkan oleh historical stock returns. Namun,
nonnormal stable distribution tidak mempunyai finite variance, yang mana berlawanan dengan banyak
teori keuangan. Lagi pula, statistical modeling menggunakan nonnormal distribution itu sulit. Sebuah
contoh dari nonnormal stable distribution adalah Cauchy distribution, yang mana simetris dengan
mediannya namun memiliki infinite variance.
Scale Mixture of Normal Distributions
Studi terkini dari stock returns cenderung untuk menggunakan scale mixture atau finite mixture of
normal distributions. Dibawah asumsi scale mixture of normal distributions, log return terdistribusi
normal dengan mean dan varians. Namun, varians merupakan sebuah random variable yang mengikuti
sebuah distribusi positif. Sebuah contoh dari finite mixture of normal distributions adalah

Figur 1.1 memperlihatkan probability density function of a finite mixture of normal, Cauchy, dan
standard normal random variable. Density function dari Cauchy adalah

Terlihat bahwa Cauchy distributions memiliki fatter tails daripada finite mixture of normal, yang mana
memiliki fatter tails daripada standard normal.

1.2.3 Multivariate Returns

Analisis multivariat fokus pada joint distribution. Analisis ini terfokus pada spesifikasi dari
conditional distribution function.
The mean vector dan covariance matrix dari sebuah random vector X didefinisikan dengan

Ketika data dari X tersedia, the sample mean dan covariance matrix didefinisikan dengan
Sample statistics tersebut adalah consistent estimates of their theoritical counterparts provided
yang mempunyai covariance matrix. Di dalam literatur keuangan, multivariate normal
distribution sering digunakan untuk log return.
1.2.4 Likelihood Function of Returns
Partisi persamaan (1.15) dapat digunakan untuk mendapatkan likelihood function dari log
returns dari sebuah asset. Jika conditional distribution adalah normal dengan mean dan
varians, maka Ɵ berisikan parameter dalam mean dan varians, dan likelihood function dari datanya
adalah

Nilai dari Ɵ yang memaksimalkan likelihood function ini adalah maximum-likelihood estimate (MLE)
dari Ɵ. Karena log function adalah monoton, MLE dapat diperoleh dengan memaksimalkan log-
likelihood function,

Log-likelihood function dari data dapat diperoleh dengan cara yang sama jika conditional distribution
tidak normal.

1.2.5 Empirical Properties of Returns

Menurut data yang diperoleh dari Center for Research in Security Prices (CRSP) of the
University of Chicago, dimana pembayaran dividen termasuk dalam return. Berikut ini adalah
gambar yang menunjukkan plot waktu dari monthly simple returns dan log returns. Time plots
sendiri menunjukkan data terhadap indeks waktu.
Dalam table 1.2 menyediakan beberapa statistik deskriptif tentang simple dan log returns
untuk indeks pasar AS tertentu dan saham individu, serta rentang data dan ukuran sampel.
Dari tabel tersebut, diperoleh hasil pengamatan :
a. Daily returns dari indeks pasar dan saham individu cenderung memiliki excess
kurtoses yang tinggi. Untuk monthly series, pengembalian indeks pasar memiliki
kurtoses lebih tinggi daripada saham individu.
b. Rata-rata (mean) dari daily return mendekati nol, sedangkan monthly return sedikit
lebih besar.
 c. Monthly returns memiliki standar deviasi lebih tinggi dari daily retuns.
d. Diantara daily returns, indeks pasar memiliki standar deviasi yang lebih kecil
daripada saham individu.
e. Skewness bukan masalah yang seriun untuk daily and monthly returns.
f. Statistik deskriptif menunjukkan bahwa perbedaan antara simple dan log returns tidak
substansial.
Adapun figure 1.4 menunjukkan fungsi kepadatan empiris dari monthly simple dan log returns
dari saham IBM dari tahun 1926 hingga 2008.

Terdapat garis putus-putus merupakan fungsi kepadatan probabilitas normal, dievaluasi

menggunakan mean sample dan standar deviasi dari IBM returns. Plot menunjukkan bahwa
asumsi normalitas dipertanyakan untuk monthly IBM stock returns. Fungsi kepadatan empiris
memiliki puncak yang lebih tinggi di sekitar mean-nya, tetapi lebih gemuk dari pada distribusi
normal yang sesuai. Dengan kata lain, fungsi kepadatan empiris lebih tinggi dan lebih kurus,
tetapi dengan dukungan yang lebih luas daripada kepadatan normal yang sesuai.
1.3 PROCESSES CONSIDERED
Selain return, hal yang perlu dipertimbangkan adalah proses volatilitas dan perilaku
pengembalian (return) yang ekstrim dari suatu asset. Proses volatilitas berkaitan dengan evolusi
varian kondisional return dari waktu ke waktu. Dalam penerapannya, volatilitas memainkan
peran penting dalam opsi penetapan harga dan manajemen risiko. Dari data tabel 1.2, dapat
disimpulkan negative extreme returns penting dalam manajemen risiko, sedangkan positive
extreme returns sangat penting untuk memegang posisi pendek.
Adapun pertimbangan interest rate, exchange rates, bonds yields, dan quarterly earning per
share perusahaan. Figure 1.5 menunjukkan time plots dari dua monthly interest rates AS,
adalah sebagai berikut :

Seperti yang diharapkan, kedua suku bunga bergerak serempak, tetapi suku bunga 1 tahun
tampaknya lebih stabil. Gambar 1.6 menunjukkan nilai tukar harian antara dolar AS dan yen
Jepang dari 4 Januari 2000, hingga 27 Maret 2009.
Dari figure diatas, nilai tukar sering mengalami perubahan besar dalam periode sampling.
Adapun tabel 1.3 menyediakan beberapa statistik deskriptif untuk financial tikme series AS
yang dipilih. Monthly bond returns yang diperoleh dari CRSP adalah returns portofolio
obligasi Fama dari Januari 1952 hingga Desember 2008. Suku bunga diperoleh dari Federal
Reserve Bank of St. Louis. Tingkat suku buanga treasury 3 bulan mingguan dimulai pada 8
Januari 1954 dan tingkat suku bunga 6 bulan dimulai pada 12 Desember 1958, dimana
keduanya berakhir pada tanggal 27 Maret 2009. Untuk seri suku bunga, sampel sebanding
dengan time to maturity, tetapi standar deviasi sampel berbanding terbalik dengan time to
maturity. Untuk bond returns, standar deviasi dari sampel berhubungan positif dengan time to
maturity, sedangkan sampel berarti tetap stabil untuk all maturity. Selain itu, sebagian besar
seri dianggap memiliki positive excess kurtoses.
APPENDIX : R PACKAGE
R adalah perangkat lunak gratis yang tersedia dari http://www.r-project.org. Untuk analisis
financial time series, Rmetrics of Diethelm Wuertz dan rekan-rekannya telah menghasilkan
banyak paket yang bermanfaat, termasuk fBasic, timeSeries, fGarch, dll.
R dan S-Plus adalah perangkat lunak berorientasi obyektif. Mereka memungkinkan pengguna
untuk membuat banyak objek. Misalnya, seseorang dapat menggunakan perintah ts untuk
membuat objek time series. Sebagai ilustrasi, pertimbangkan pengembalian sederhana bulanan
untuk saham General Motors dari Januari 1975 hingga Desember 2008; lihat excercise 1.2.
Data memiliki 408 pengamatan. Perintah R berikut digunakan untuk mengilustrasikan poin:

Dalam perintah ts, frekuensi = 12 mengatakan bahwa satuan waktu adalah tahun dan ada 12
pengamatan dengan jarak yang sama di setiap satuan waktu, dan mulai = c (1975,1) berarti
waktu mulainya adalah Januari 1975. Frekuensi dan mulainya adalah dua argumen dasar yang
diperlukan dalam R untuk membuat objek time series. Di sini gm1 adalah objek time series di
R, tetapi gm tidak. Figure 1.7 dan 1.8 menunjukkan, masing-masing, time plot dan fungsi
autokorelasi (ACF) dari pengembalian stok GM.

Pada setiap gambar, plot atas dihasilkan tanpa menggunakan objek time series, sedangkan plot
yang lebih rendah dihasilkan oleh objek time series. Plot atas dan bawah identik kecuali untuk
label horizontal. Untuk time plot, objek time series menggunakan waktu kalender untuk
melabeli sumbu x, yang lebih disukai. Di sisi lain, untuk plot ACF, objek time series
menggunakan fraksi unit waktu dalam label, bukan kelambatan waktu yang umum digunakan.