MANAJEMEN INVESTASI DAN PORTOFOLIO

CHAPTER 7
ASSET PRICING MODELS

Dosen : Stella, SE., M.M.

OLEH:

MARIA FRANSISKA SANTOSO

201880061

TRISAKTI SCHOOL OF MANAGEMENT

BEKASI

2020
7.1 The Capital Asset Pricing Model

Model penetapan harga aset modal (CAPM) memperluas teori pasar modal dengan
cara yang memungkinkan investor untuk mengevaluasi trade-off pengembalian risiko untuk
portofolio yang terdiversifikasi dan sekuritas individu.
Untuk melakukan ini, CAPM mendefinisikan ulang ukuran risiko yang relevan dari
total volatilitas menjadi hanya bagian yang tidak dapat didiversifikasi dari total volatilitas
tersebut (risiko sistematis). Ukuran risiko baru ini disebut koefisien beta, dan ini menghitung
tingkat risiko sistematis keamanan dibandingkan dengan portofolio pasar.
Menggunakan beta sebagai ukuran risiko yang relevan, CAPM kemudian
mendefinisikan kembali premi risiko yang diharapkan per unit risiko dengan cara yang
sepadan. Hal ini pada gilirannya mengarah sekali lagi ke ekspresi pengembalian yang
diharapkan yang dapat diuraikan menjadi (1) tingkat bebas risiko dan (2) premi risiko yang
diharapkan.
7.1.1 A Conceptual Development of the CAPM
Trade-off risk-return untuk portfolio yang sepenuhnya terdiversifikasi:

Salah satu cara mengatasi standar deviasi yang tidak sesuai karena mengganti dari σport
ke σi adalah mengecilkan tingkat σi dengan mengakujan σi dengan koefisien korelasi
antara return sekuritas i dan portfolio pasar (ri,m)

Rumus ini dapat diatur ulang sebagai:

Persamaan 7.1 adalah CAPM. CAPM mendefinisikan kembali risiko dalam hal beta
sekuritas (ßi), yang menangkap porsi risiko saham yang tidak dapat terdiversifikasi relatif
terhadap pasar secara keseluruhan. Karena itu, beta dapat dianggap sebagai pengindeksan
risiko sistematis aset dengan portofolio pasar. Daripada menghitung premi risiko yang
berbeda untuk setiap sekuritas terpisah yang ada, CAPM menyatakan bahwa hanya
keseluruhan premi risiko pasar (E (Rm) - RFR) yang penting dan bahwa kuantitas ini
kemudian dapat disesuaikan dengan aset berisiko apa pun dengan meningkatkannya. atau
turun sesuai dengan risiko aset tersebut relatif terhadap pasar (ßi).
7.1.2 The Security Market Line
CAPM juga dapat diilustrasikan dalam bentuk grafik sebagai garis pasar keamanan
(SML). Gambar 7.1, Seperti CML, SML menunjukkan trade-off antara risiko dan
pengembalian yang diharapkan sebagai garis lurus yang memotong sumbu vertikal (titik
risiko nol) pada tingkat bebas risiko.Ada dua perbedaan penting antara CML dan SML.
Pertama, CML mengukur risiko total dengan deviasi standar investasi sementara SML
hanya mempertimbangkan komponen sistematis volatilitas investasi. Kedua, karena poin
pertama, CML hanya dapat diterapkan pada kepemilikan portofolio yang sudah sepenuhnya
terdiversifikasi, sedangkan SML dapat diterapkan pada aset individu atau kumpulan aset.
Determining the Expected Rate of Return for a Risky Asset. Untuk mendemonstrasikan
bagaimana kita akan menghitung tingkat pengembalian yang diharapkan atau diperlukan
dengan CAPM, lihat contoh ini, dengan asumsi kita telah menghitung beta:

RFR menjadi 5% (0,05), Expected return menjadi 9% (0,09), berarti premi risiko pasar 4%
(0,04). Dengan input ini, SML akan menghasilkan required rate of return untuk 5 saham
ini:
Dalam ekuilibrium, semua aset dan semua portofolio aset harus plot di SML. Artinya,
semua aset harus diberi harga sehingga perkiraan tingkat pengembaliannya, yang
merupakan tingkat pengembalian periode kepemilikan aktual yang Anda antisipasi,
konsisten dengan tingkat risiko sistematisnya.
Identifying Undervalued and Overvalued Assets. Asumsikan bahwa analis di perusahaan
pialang besar telah mengikuti lima saham dalam contoh sebelumnya. Berdasarkan analisis
ekstensif, mereka memberi Anda perkiraan harga dan informasi dividen untuk tahun depan,
seperti yang ditunjukkan pada Tampilan 7.2.

Tampilan 7.3 merangkum hubungan antara tingkat pengembalian yang disyaratkan untuk
setiap saham berdasarkan risiko sistematisnya, seperti yang dihitung sebelumnya, dan
perkiraan tingkat pengembaliannya. Perbedaan antara estimasi pengembalian dan
pengembalian yang diharapkan kadang-kadang disebut sebagai alpha yang diharapkan dari
saham atau kelebihan pengembaliannya. Alfa ini bisa positif (saham dinilai terlalu rendah)
atau negatif (saham dinilai terlalu tinggi). Jika alpha-nya nol (atau hampir nol), maka saham
tersebut ada di SML dan dinilai sesuai dengan risiko sistematisnya.
Plotting estimasi tingkat pengembalian dan beta saham ini di SML memberikan Tampilan
7.4. Saham A sangat dekat dengan line, sehingga dianggap bernilai karena estimasi return
hampis sama dengan ror . Saham B dan D overvalued, sehingga plot mereka dibawah SML.
Saham C&E undervalued, sehingga plot berada diatas line. Undervalued =beli, Overvalued
= jual

Calculating Systematic Risk. Ada dua cara penghitungan koefisien beta saham dalam
praktiknya. Pertama, mengingat pembahasan konseptual kami tentang CAPM, koefisien
beta untuk sekuritas i dapat dihitung langsung dari rumus berikut:

di mana, sebagai tambahan dari istilah yang didefinisikan sebelumnya, σ 2 m adalah varians
pengembalian untuk portofolio pasar dan Cov (Ri, RM) adalah kovarinsi antara
pengembalian ke sekuritas i dan pasar.
Alternatifnya, beta sekuritas juga dapat diperkirakan sebagai koefisien kemiringan dalam
persamaan regresi antara pengembalian ke sekuritas (Rit) dari waktu ke waktu dan
pengembalian (RMt) ke portofolio pasar:

dengan ai adalah penyadapan dari regresi dan εit adalah istilah kesalahan acak yang
memperhitungkan risiko tidak sistematis sekuritas i. Persamaan ini dikenal sebagai garis
karakteristik sekuritas dengan portofolio pasar.

The Impact of the Time Interval. Dalam praktiknya, jumlah observasi dan interval waktu
yang digunakan dalam penghitungan beta sangat bervariasi. Reilly dan Wright (1988)
menganalisis efek diferensial dari perhitungan pengembalian, indeks pasar, dan interval
waktu dan menunjukkan bahwa penyebab utama perbedaan beta adalah penggunaan interval
pengembalian bulanan versus mingguan. Juga, interval mingguan yang lebih pendek
menyebabkan beta yang lebih besar untuk perusahaan besar dan beta yang lebih kecil untuk
perusahaan kecil.

The Effect of the Market Proxy. Keputusan signifikan lainnya saat menghitung garis
karakteristik aset adalah seri indikator mana yang digunakan sebagai proxy untuk portofolio
pasar dari semua aset berisiko. Banyak penyelidik menggunakan Standard & Poor's 500
Composite Index sebagai proxy untuk portofolio pasar karena saham dalam indeks ini
mencakup sebagian besar dari total nilai pasar saham AS. Namun, seri ini didominasi oleh
saham-saham AS berkapitalisasi besar, sebagian besar terdaftar di NYSE. Sebaliknya,
portofolio pasar dari semua aset berisiko harus mencakup saham dan obligasi AS, saham
dan obligasi non-AS, real estat, koin, perangko, seni, barang antik, dan aset berisiko lainnya
yang dapat dipasarkan dari seluruh dunia.

Computing a Characteristic Line: An Example.

Industry Characteristic Lines. Garis karakteristik juga dapat dihitung untuk seluruh
portofolio saham, seperti indeks pasar atau sektor. Gambar 7.8 merangkum serangkaian
perhitungan selama periode Januari 2014 – Desember 2016 untuk sembilan segmen industri
yang berbeda. Masing-masing segmen industri ini diwakili oleh indeks berbeda dari
perusahaan yang beroperasi terutama di wilayah tersebut.

7.2 Empirical Tests of the CAPM

7.2.1 Stability of Beta
Sejumlah penelitian telah meneliti stabilitas beta dan secara umum menyimpulkan
bahwa ukuran risiko tidak stabil untuk saham individu, tetapi stabil untuk portofolio saham.
Selanjutnya, semakin besar portofolionya (misalnya, lebih dari 50 saham) dan semakin lama
periode (lebih dari 26 minggu), semakin stabil estimasi beta. Juga, beta cenderung mundur ke
arah mean. Secara khusus, portofolio beta tinggi cenderung menurun dari waktu ke waktu
menuju 1,00, sedangkan portofolio beta rendah cenderung meningkat seiring waktu menuju
kesatuan.
7.2.2 Relationship between Systematic Risk and Return
Sharpe dan Cooper (1972) menemukan hubungan positif antara return dan risiko,
meskipun tidak sepenuhnya linier. Black, Jensen, dan Scholes (1972) meneliti risiko dan
pengembalian untuk portofolio saham dan menemukan hubungan linier positif antara
pengembalian berlebih bulanan dan beta portofolio, meskipun intersep lebih tinggi dari nol.
Bagan 7.9 berisi grafik dari penelitian ini, yang menunjukkan bahwa (1) sebagian besar SML
yang diukur memiliki kemiringan positif, (2) kemiringan berubah antar periode, (3)
penyadapan tidak nol, dan (4) intercepts berubah antara periode.

Effect of a Zero-Beta Portfolio. Black (1972) menyarankan bahwa keberadaan aset

bebas risiko tidak diperlukan untuk CAPM jika ada portofolio zero-beta yang tersedia. Garis
karakteristik yang menggunakan portofolio nol-beta dan bukan RFR harus memiliki intersep
yang lebih tinggi dan koefisien kemiringan yang lebih rendah. Beberapa studi telah menguji
model ini dengan intersep yang lebih tinggi dan kemiringan yang lebih datar dan menemukan
hasil yang bertentangan. Secara khusus, Gibbons (1982) dan Shanken (1985) menolak model
tersebut, sementara Stambaugh (1982) mendukung CAPM zero-beta.
Effect of Size, P/E, and Leverage. Sebelumnya, kita membahas efek ukuran (anomali
perusahaan kecil Banz (1981)) dan efek P / E dari Basu (1977) dan menunjukkan bahwa
variabel ini memiliki dampak terbalik pada pengembalian setelah mempertimbangkan
CAPM. Hasil ini menyiratkan bahwa ukuran dan P / E adalah faktor risiko tambahan yang
perlu dipertimbangkan bersama dengan beta. Secara khusus, pengembalian yang diharapkan
adalah fungsi positif dari beta, tetapi investor juga membutuhkan pengembalian yang lebih
tinggi dari perusahaan yang relatif kecil dan untuk saham dengan rasio P / E yang relatif
rendah. Bhandari (1988) menemukan bahwa leverage keuangan juga membantu menjelaskan
penampang pengembalian rata-rata setelah beta dan ukuran dipertimbangkan. Ini
menunjukkan CAPM multivariat dengan tiga variabel risiko: beta, ukuran, dan leverage
keuangan.
Effect of Book-to-Market Value. Fama dan French (1992) mengevaluasi peran
bersama dari beta pasar, ukuran, E / P, leverage keuangan, dan rasio ekuitas buku ke pasar
dalam penampang pengembalian rata-rata pada saham NYSE, AMEX, dan NASDAQ.
Mereka menunjukkan bahwa hubungan antara beta dan tingkat pengembalian rata-rata
menghilang selama periode 1963 hingga 1990, bahkan ketika beta digunakan sendiri untuk
menjelaskan pengembalian rata-rata. Sebaliknya, tes univariat antara pengembalian dan
ukuran rata-rata, leverage, E / P, dan ekuitas buku-ke-pasar (BE / ME) menunjukkan bahwa
semua variabel ini signifikan dan memiliki tanda yang diharapkan.

7.2.3 Additional Issues

Dua masalah praktis tambahan yang dapat mempengaruhi hubungan CAPM adalah
biaya transaksi dan pajak.
Effect of Transaction Costs. CAPM mengasumsikan bahwa tidak ada biaya transaksi,
sehingga investor akan membeli atau menjual sekuritas dengan harga yang salah sampai
mereka merencanakan di SML. Jika terdapat biaya transaksi, investor tidak akan
memperbaiki semua kesalahan harga karena dalam beberapa kasus biaya pembelian dan
penjualan sekuritas yang salah harga akan melebihi potensi pengembalian berlebih.
Degennaro dan Robotti (2007) menunjukkan bahwa biaya transaksi dapat mengurangi
kemiringan model penetapan harga aset.
Effect of Taxes. Hasil yang diharapkan di CAPM adalah pengembalian sebelum
pajak. Namun, jelaslah, tarif pajak berbeda antara individu dan institusi. Karena beberapa
investor memiliki beban pajak yang berat, Black and Scholes (1979) dan Litzenberger dan
Ramaswamy (1979) berpendapat bahwa hal ini dapat menyebabkan perbedaan besar dalam
SML di antara para investor. Elton, Gruber, dan Rentzler (1983), Miller dan Scholes (1982),
dan Christie (1990) telah meneliti pengaruh pajak diferensial pada dividen versus capital
gain, tetapi bukti tidak meyakinkan.

7.2.4 Summary of Empirical Results for the CAPM

Sebagian besar bukti awal mengenai hubungan antara pengembalian dan risiko
sistematis portofolio mendukung CAPM; ada bukti bahwa penyadapan umumnya lebih tinggi
daripada yang disiratkan oleh RFR yang berlaku, yang konsisten dengan model nol-beta atau
adanya suku bunga pinjaman yang lebih tinggi. Untuk menjelaskan pengembalian yang tidak
biasa ini, variabel tambahan dipertimbangkan, dan sekarang ada bukti ekstensif bahwa
ukuran, rasio P / E, leverage keuangan, dan rasio nilai buku ke pasar memiliki kekuatan
penjelas mengenai pengembalian di luar beta.

7.3 The Market Portfolio : Theory versus Practice

Meskipun konsep portfolio pasar yang mencakup semua aset beresiko dalam perekonomian
masuk akal dalam teori, namun prakteknya sulit diterapkan saat menguji/ menggunakan
CAPM. Sebagian besar peneliti mengenali potensi masalah ini tetapi menganggap bahwa
kekurangannya tidak serius. Roll (1977a, 1978, 1980, 1981), bagaimanapun, menyimpulkan
bahwa penggunaan indeks ini sebagai proksi untuk portofolio pasar memiliki implikasi yang
sangat serius untuk pengujian CAPM dan terutama untuk menggunakan model tersebut
ketika mengevaluasi kinerja portofolio. Dia menyebut masalah ini sebagai kesalahan
patokan karena praktiknya adalah membandingkan kinerja manajer portofolio dengan
pengembalian portofolio yang tidak dikelola dengan risiko yang sama — yaitu, portofolio
pasar yang disesuaikan dengan risiko akan menjadi patokan.
Bagan 7.10 mengilustrasikan masalah kedua ini dengan menunjukkan bahwa intersep dan
kemiringan SML akan berbeda jika (1) ada kesalahan dalam memilih aset bebas risiko yang
tepat dan (2) jika portofolio pasar yang dipilih bukan mean - varians yang benar portofolio
yang efisien.
Seperti yang ditunjukkan pada Tampilan 7.11, ada perbedaan substansial dalam SML yang
disiratkan oleh masing-masing proxy pasar. Tampilan tersebut melaporkan RFR rata-rata,
hasil pasar, dan kemiringan SML selama tiga periode waktu untuk dua indeks. Jelas,
kemiringan berbeda secara dramatis untuk indeks alternatif dan dari waktu ke waktu,
menunjukkan bahwa patokan yang digunakan memang membuat perbedaan.

Singkatnya, proksi pasar yang salah akan memengaruhi ukuran risiko beta dan posisi serta
kemiringan SML yang digunakan untuk mengevaluasi kinerja portofolio. Namun, ketahuilah
bahwa masalah benchmark tidak membatalkan CAPM sebagai model normatif harga aset;
mereka hanya menunjukkan masalah dalam pengukuran saat mencoba menguji teori dan saat
menggunakan model ini untuk mengevaluasi kinerja portofolio.

7.4 Arbitrage Pricing Theory

Di pasar yang efisien, perbedaan pengembalian tidak boleh terjadi, yang berarti bahwa (1)
pasar tidak efisien dalam periode waktu yang lama (investor telah mengabaikan peluang
investasi yang menguntungkan selama beberapa dekade), atau (2) harga pasar efisien, tetapi
ada adalah sesuatu yang salah dengan cara model faktor tunggal seperti CAPM mengukur
risiko. Mengingat ketidakmungkinan yang pertama, pada awal tahun 1970-an para ekonom
keuangan mulai mempertimbangkan implikasi dari yang kedua. Komunitas akademis mencari
teori penetapan harga aset alternatif untuk CAPM yang cukup intuitif dan memungkinkan
berbagai dimensi risiko investasi. Hasilnya adalah APT, yang dikembangkan oleh Ross
(1976, 1977) pada pertengahan 1970-an dan memiliki tiga asumsi utama:
1) Pasar modal sangat kompetitif.
2) Investor selalu lebih memilih kekayaan lebih banyak daripada kekayaan lebih sedikit
dengan kepastian.
3) Proses yang menghasilkan pengembalian aset dapat dinyatakan sebagai fungsi linier
dari sekumpulan faktor risiko K (atau indeks), dan semua risiko yang tidak sistematis
terdiversifikasi.
Sama pentingnya, asumsi utama berikut — yang digunakan dalam pengembangan CAPM —
tidak diperlukan: (1) Investor memiliki fungsi utilitas kuadrat, (2) pengembalian keamanan
yang didistribusikan secara normal, dan (3) portofolio pasar yang berisi semua risiko aset dan
efisien mean-variance. Jelasnya, jika sebuah model lebih sederhana dan juga dapat
menjelaskan harga keamanan diferensial, itu akan dianggap sebagai teori yang lebih unggul
dari CAPM.
Sebelum membahas pengujian empiris dari APT, kami memberikan ulasan singkat tentang
dasar-dasar model. Teori ini mengasumsikan bahwa proses menghasilkan kembali dapat
direpresentasikan sebagai model faktor K dalam bentuk:

Istilah δ adalah beberapa faktor risiko yang diharapkan memengaruhi pengembalian ke semua
aset. Istilah bij menentukan bagaimana setiap aset bereaksi terhadap faktor persekutuan
tertentu ke-j.
Mirip dengan model CAPM, APT mengasumsikan bahwa efek unik (εi) bersifat independen
dan akan terdiversifikasi dalam portofolio besar. APT mensyaratkan bahwa dalam
ekuilibrium pengembalian atas investasi nol, portofolio risiko sistematis nol adalah nol ketika
efek unik sepenuhnya terdiversifikasi. Asumsi ini (dan beberapa manipulasi matematika)
menyiratkan bahwa pengembalian yang diharapkan pada setiap Aset i dapat dinyatakan
sebagai:

Persamaan ini merupakan hasil fundamental dari APT.

Tampilan 7.12 menunjukkan perbedaan fitur yang relevan dari kedua model.

Tampilan 7.13 menggambarkan hubungan ini untuk dua faktor risiko (K 2).
 7.4.1 Using the APT
Untuk menggambarkan bagaimana model APT bekerja, Asumsikan bahwa ada dua
faktor umum: satu terkait dengan perubahan tak terduga dalam tingkat inflasi dan yang
lainnya terkait dengan perubahan tak terduga pada tingkat PDB riil. Pertimbangkan contoh
dua saham dan model dua faktor berikut, dengan definisi dan sensitivitas faktor risiko
berikut:

Asumsikan juga bahwa ada dua aset (x dan y) yang memiliki sensitivitas berikut terhadap
faktor risiko umum berikut:

Kepekaan faktor ini dapat diinterpretasikan dengan cara yang sama seperti beta di CAPM;
Artinya, semakin tinggi tingkat bij, semakin besar sensitivitas Aset i terhadap perubahan
faktor risiko ke-j. Dengan demikian, Aset y adalah aset berisiko lebih tinggi daripada Aset x,
dan oleh karena itu, pengembalian yang diharapkan harus lebih besar. Rumus pengembalian
yang diharapkan secara keseluruhan adalah:

Jadi, untuk Aset x dan y:

Posisi beban faktor dan pengembalian yang diharapkan untuk kedua aset ini diilustrasikan
dalam Tampilan 7.13. Jika harga kedua aset tidak mencerminkan pengembalian yang
diharapkan ini, kami mengharapkan investor untuk mengadakan pengaturan arbitrase yang
menjual aset yang terlalu mahal dan menggunakan hasil tersebut untuk membeli aset yang
kurang harga tersebut sampai harga yang relevan diperbaiki.
 7.4.2 Security Valuation with the APT : An Example
Misalkan tiga saham (A, B, dan C) dan dua faktor risiko sistematis umum (1 dan 2)
memiliki hubungan berikut (untuk sederhananya, diasumsikan bahwa pengembalian beta-nol
[λ0] sama dengan nol):

Jika λ1 4 persen dan λ2 5 persen, maka return yang diharapkan pasar selama tahun
depan dapat dinyatakan sebagai:

Dengan asumsi bahwa ketiga saham saat ini dihargai $ 35 dan tidak membayar
dividen, menyiratkan harga yang diharapkan berikut setahun dari sekarang:

Jika sebenarnya harga saham A, B, C adalah $37,20, $37,80, $38,50. Saham A tidak
mencapai tingkaat harga dalam 1 tahun sesuai ekspetasi pengembalian investor, saham A
dinilai terlalu itnggi, Saham B undervalued, dan saham C sedikit undervalued. Strategi yang
diambil yaitu beli Saham B dan C, lalu short selling saham A.

Ide arbitrase tanpa risiko adalah untuk menyusun portofolio yang (1) tidak
memerlukan kekayaan bersih yang diinvestasikan pada awalnya dan (2) tidak akan
menanggung risiko sistematis atau tidak sistematis, tetapi (3) masih menghasilkan
keuntungan. Misalkan wi merepresentasikan persentase investasi pada Sekuritas i, syarat yang
harus dipenuhi dapat dituliskan secara formal sebagai berikut:

Dalam contoh ini, karena Saham A adalah satu-satunya yang dinilai terlalu tinggi,
asumsikan bahwa hanya Saham A yang benar-benar dijual pendek. Hasil penjualan singkat
Saham A kemudian dapat digunakan untuk membeli dua sekuritas yang dinilai terlalu rendah,
Saham B dan C. Untuk menggambarkan proses ini, pertimbangkan proporsi investasi berikut:

Bobot investasi ini menyiratkan pembuatan portofolio yang pendek yaitu dua saham
A untuk masing-masing satu saham dari Saham B dan satu saham C yang dimiliki lama.
Perhatikan bahwa portofolio ini memenuhi investasi bersih dan mandat risiko dari
perdagangan berbasis arbitrase:

ika dalam satu tahun harga benar-benar naik ke tingkat yang awalnya Anda "tahu"
akan terjadi, laba bersih dari menutup posisi pendek dan menjual kepemilikan panjang
adalah:

Jadi, dari portofolio di mana Anda tidak menginvestasikan kekayaan bersih dan tidak
mengasumsikan risiko bersih, Anda telah merealisasikan keuntungan positif. Ini adalah inti
dari investasi arbitrase dan merupakan contoh dari strategi perdagangan "panjang-pendek"
yang sering digunakan oleh dana lindung nilai.
Akhirnya, jika semua orang di pasar saat ini mulai percaya seperti yang Anda lakukan
tentang tingkat harga A, B, dan C di masa depan — tetapi mereka tidak merevisi perkiraan
mereka tentang pengembalian faktor yang diharapkan atau beta faktor untuk masing-masing
saham — maka harga saat ini untuk ketiga saham akan disesuaikan dengan perdagangan
arbitrase ke:
 Dengan demikian, harga Saham A akan ditawar turun, sedangkan harga Saham B dan
C akan ditawar hingga perdagangan arbitrase di pasar saat ini tidak lagi menguntungkan.

7.4.3 Empirical Tests of the APT

Roll and Ross Study. Roll dan Ross (1980) menghasilkan salah satu tes empiris skala
besar pertama dari APT. Metodologi mereka mengikuti prosedur dua langkah:
1. Memperkirakan pengembalian yang diharapkan dan koefisien faktor dari data deret
waktu pada pengembalian saham individu.
2. Gunakan estimasi ini untuk menguji kesimpulan harga cross-sectional dasar yang
diimplikasikan oleh APT.
Secara khusus, apakah pengembalian yang diharapkan untuk aset ini konsisten dengan
faktor umum yang diturunkan pada langkah 1?
Penulis menguji hubungan harga berikut:

Koefisien bi tertentu diperkirakan menggunakan analisis faktor teknik statistik, yang

membentuk "portofolio" dari aset yang mendasarinya (faktor) berdasarkan korelasi dalam
pengembalian yang mendasarinya.
Extensions of the Roll–Ross Tests. Cho, Elton, dan Gruber (1984) menguji APT
dengan memeriksa sejumlah faktor dalam proses menghasilkan kembali yang dihargai.
Mereka menyimpulkan bahwa bahkan ketika pengembalian dihasilkan oleh model dua faktor,
dua atau tiga faktor diperlukan untuk menjelaskan pengembalian. Dhrymes, Friend, dan
Gultekin (1984) memeriksa kembali metodologi yang digunakan dalam studi sebelumnya dan
tidak menemukan hubungan antara faktor loading untuk kelompok 30 saham dan untuk
kelompok 240 saham. Juga, mereka tidak dapat mengidentifikasi jumlah sebenarnya dari
faktor-faktor yang menjadi ciri proses menghasilkan kembali. Saat mereka menerapkan
model ke portofolio dengan ukuran berbeda, jumlah faktor berubah dari dua menjadi
sembilan.
Roll dan Ross (1984) berpendapat bahwa pertimbangan penting adalah apakah
estimasi yang dihasilkan konsisten karena tidak layak untuk mempertimbangkan semua
saham sekaligus. Ketika mereka menguji konsistensi, APT umumnya didukung. Connor dan
Korajczyk (1993) mengembangkan tes yang mengidentifikasi sejumlah faktor dalam model
yang memungkinkan komponen risiko yang tidak sistematis dikorelasikan ke seluruh aset.
Dengan menggunakan kerangka kerja ini, mereka menunjukkan bahwa antara satu dan enam
faktor harga ada untuk sampel saham yang terdaftar di NYSE dan ASE. Harding (2008) juga
menunjukkan hubungan antara faktor risiko sistematis dan tidak sistematis.
The APT and Stock Market Anomalies. Serangkaian pengujian alternatif dari APT
mempertimbangkan seberapa baik teori tersebut menjelaskan anomali penetapan harga:
pengaruh perusahaan kecil dan pengaruh “Januari”.
APT Tests of the Small-Firm Effect. Reinganum (1981) membahas kemampuan
APT untuk menjelaskan perbedaan rata-rata pengembalian antara perusahaan kecil dan
perusahaan besar, yang tidak dapat dijelaskan oleh CAPM. Hasilnya jelas tidak konsisten
dengan APT di bahwa portofolio perusahaan kecil mengalami pengembalian ekses rata-rata
positif dan signifikan secara statistik, sedangkan portofolio perusahaan besar memiliki
pengembalian rata-rata negatif yang signifikan secara statistik. Sebaliknya, Chen (1983)
membandingkan model APT dengan CAPM menggunakan 180 saham dan 5 faktor. Dia
menyimpulkan bahwa CAPM salah ditentukan dan informasi harga yang hilang diambil oleh
APT.
APT Tests of the January Effect. Gultekin dan Gultekin (1987) menguji
kemampuan
Model APT untuk memperhitungkan apa yang disebut efek Januari, di mana pengembalian
pada bulan Januari secara signifikan lebih besar daripada bulan lainnya. Mereka
menyimpulkan bahwa model APT dapat menjelaskan hubungan risk-return hanya pada bulan
Januari, yang berarti bahwa model APT tidak menjelaskan anomali ini lebih baik daripada
CAPM. Di sisi lain, Kramer (1994) menunjukkan bahwa bentuk empiris dari APT
memperhitungkan efek musiman Januari dalam pengembalian saham rata-rata sementara
CAPM tidak bisa.
Is the APT Even Testable? Mirip dengan kritik Roll terhadap CAPM, Shanken
(1982) mempertanyakan apakah mungkin model faktor K seperti APT diverifikasi secara
empiris sama sekali. Satu masalah adalah bahwa jika pengembalian saham tidak dijelaskan
oleh model seperti itu, itu tidak dianggap sebagai penolakan model; Namun, jika faktor-faktor
tersebut menjelaskan pengembalian, itu dianggap sebagai dukungan. Selain itu, sekuritas
yang setara mungkin sesuai dengan struktur faktor yang berbeda, yang berarti bahwa APT
dapat menghasilkan implikasi empiris yang berbeda mengenai pengembalian yang
diharapkan untuk sekuritas tertentu. Sayangnya, ini menyiratkan bahwa teori tidak dapat
menjelaskan pengembalian diferensial antara sekuritas karena tidak dapat mengidentifikasi
struktur faktor relevan yang menjelaskan pengembalian diferensial. Sejumlah makalah
berikutnya, seperti Brown dan Weinstein (1983), Geweke dan Zhou (1996), dan Zhang
(2009), telah mengusulkan metodologi baru untuk menguji APT.

7.5 Multifactor Models and Risk Estimation

Ketika datang untuk mempraktikkan teori, satu keuntungan dari kerangka CAPM adalah
bahwa identitas faktor risiko tunggal — pengembalian kelebihan ke portofolio pasar —
ditentukan dengan baik. Tantangan dalam mengimplementasikan CAPM adalah menentukan
portofolio pasar, yang memerlukan identifikasi jagat investasi yang relevan. Seperti yang kita
lihat, ini bukan masalah sepele, karena proxy yang dipilih secara tidak tepat untuk portofolio
pasar (misalnya, menggunakan Indeks S&P 500 untuk mewakili pasar saat mengevaluasi
portofolio pendapatan tetap) dapat menyebabkan penilaian yang salah. Namun, kami juga
melihat bahwa setelah pengembalian ke pengganti yang dapat diterima untuk portofolio pasar
(RM) diidentifikasi, proses untuk memperkirakan CAPM menjadi mudah.

Sebaliknya, masalah praktis utama yang terkait dengan penerapan APT adalah bahwa baik
identitas maupun jumlah pasti dari faktor risiko yang mendasari tidak dikembangkan oleh
teori dan oleh karena itu harus ditentukan secara ad hoc. Dengan kata lain, sebelum APT
dapat digunakan untuk menilai sekuritas atau mengukur kinerja investasi, investor harus
mengisi sejumlah besar informasi yang hilang tentang hubungan fundamental antara risiko
dan hasil yang diharapkan.

Upaya pertama untuk mengimplementasikan bentuk APT yang dapat digunakan bergantung
pada teknik statistik multivariat, seperti analisis faktor, di mana banyak periode
pengembalian terealisasi untuk sejumlah besar sekuritas dianalisis untuk mendeteksi pola
perilaku yang dapat dikenali. Sebuah temuan yang konsisten dari studi ini adalah bahwa
tampaknya ada tiga atau empat faktor "harga" (yang secara statistik signifikan), meskipun
peneliti tidak dapat menetapkan bahwa set faktor yang sama dihasilkan oleh subset yang
berbeda dari mereka. Sampel. Memang, kami juga melihat bahwa ketidakmampuan untuk
mengidentifikasi faktor risiko adalah batasan utama kegunaan APT. Jones (2001) dan
Ludvigson dan Ng (2007) memberikan beberapa ekstensi baru-baru ini.
Pendekatan berbeda untuk mengembangkan model empiris yang menangkap esensi APT
bergantung pada spesifikasi langsung dari bentuk hubungan yang akan diestimasi. Artinya
dalam model multifaktor, investor memilih jumlah dan identitas faktor risiko secara tepat
pada persamaan berikut

di mana Fjt adalah periode t kembali ke faktor risiko yang ditentukan ke j dan Rit dapat
diukur baik sebagai pengembalian nominal atau ekses untuk Sekuritas i. Keuntungan dari
pendekatan ini adalah investor mengetahui dengan tepat berapa banyak dan hal-hal apa saja
yang perlu diperkirakan. Kerugian utama dari model multifaktor adalah bahwa model ini
dikembangkan dengan sedikit panduan teoritis mengenai sifat sebenarnya dari hubungan
risiko-pengembalian. Dalam pengertian ini, mengembangkan model faktor yang berguna
adalah sebanyak bentuk seni sebagai latihan teoritis.
7.5.1 Multifactor Models in Practice
Berbagai macam spesifikasi faktor empiris telah digunakan dalam praktiknya. Setiap
model alternatif mencoba untuk mengidentifikasi sekumpulan pengaruh ekonomi yang secara
bersamaan cukup luas untuk menangkap nuansa utama dari risiko investasi tetapi cukup kecil
untuk memberikan solusi yang dapat diterapkan bagi investor. Dua pendekatan umum telah
digunakan. Pertama, faktor risiko dapat dilihat sebagai makroekonomi; yaitu, mereka
mencoba untuk menangkap variasi dalam alasan yang mendasari pengembalian aset dapat
berubah dari waktu ke waktu (misalnya, perubahan inflasi atau pertumbuhan PDB riil dalam
contoh yang dibahas sebelumnya). Di sisi lain, faktor risiko juga dapat dilihat pada tingkat
mikroekonomi dengan memfokuskan pada karakteristik relevan dari sekuritas itu sendiri,
seperti ukuran perusahaan yang bersangkutan atau beberapa rasio keuangannya.
Macroeconomic-Based Risk Factor Models. Satu model yang sangat berpengaruh
dikembangkan oleh Chen, Roll, dan Ross (1986), yang berhipotesis bahwa pengembalian
keamanan diatur oleh sekumpulan pengaruh ekonomi yang luas dengan cara berikut:

Dalam mengestimasi model ini, penulis menggunakan serangkaian pengembalian bulanan

untuk koleksi saham yang besar selama periode 1958–1984. Tampilan 7.14 menunjukkan
sensitivitas faktor (bersama dengan statistik-t terkait dalam tanda kurung) yang mereka buat.
Perhatikan dua hal tentang temuan ini. Pertama, signifikansi ekonomi dari faktor risiko yang
ditunjuk berubah secara dramatis dari waktu ke waktuMisalnya, faktor inflasi (DEI dan UI)
tampaknya hanya relevan selama periode 1968–1977. Kedua, parameter proksi portofolio
pasar tidak pernah signifikan, menunjukkan bahwa ia hanya memberikan sedikit penjelasan
di luar informasi yang terkandung dalam faktor risiko makroekonomi lainnya.

Burmeister, Roll, dan Ross (1994) menganalisis kemampuan prediksi model

berdasarkan set faktor makroekonomi yang berbeda. Secara khusus, mereka mendefinisikan
lima eksposur risiko berikut:
(1) risiko kepercayaan, berdasarkan perubahan keinginan investor yang tidak terduga
untuk mengambil risiko investasi; (2) risiko cakrawala waktu, yaitu perubahan tak
terduga dalam waktu yang diinginkan investor untuk menerima pembayaran; (3)
risiko inflasi, berdasarkan kombinasi komponen tak terduga dari tingkat inflasi jangka
pendek dan jangka panjang; (4) risiko siklus bisnis, yang merepresentasikan
perubahan yang tidak terduga pada tingkat aktivitas bisnis secara keseluruhan; dan (5)
risiko waktu pasar, didefinisikan sebagai bagian dari total pengembalian 500 Standard
& Poor yang tidak dijelaskan oleh empat faktor makroekonomi lainnya.

Para penulis membandingkan sensitivitas faktor risiko dari model mereka untuk beberapa
saham dan portofolio saham yang berbeda. Panel A dan B dari Tampilan 7.15 menunjukkan
estimasi faktor beta ini untuk saham tertentu (Reebok International Ltd.) versus Indeks S&P
500 dan untuk portofolio perusahaan kapitalisasi kecil versus portofolio perusahaan
kapitalisasi besar. Yang juga termasuk dalam grafik ini adalah eksposur keamanan atau
portofolio terhadap indeks risiko gabungan BIRR, yang dirancang untuk menunjukkan posisi
mana yang memiliki risiko sistematis paling keseluruhan. Perbandingan ini menyoroti
bagaimana model multifaktor dapat membantu investor membedakan sifat risiko yang
mereka asumsikan ketika mereka memegang posisi tertentu. Misalnya, perhatikan bahwa
Reebok memiliki eksposur yang lebih besar ke semua sumber risiko daripada S&P 500.
Selain itu, perusahaan yang lebih kecil lebih terpapar pada siklus bisnis dan risiko
kepercayaan daripada perusahaan besar tetapi lebih sedikit terkena risiko horizon.

Microeconomic-Based Risk Factor Models. Berbeda dengan penjelasan berbasis

ekonomi makro, dimungkinkan juga untuk menentukan risiko dalam istilah mikroekonomi
menggunakan variabel proksi yang berkonsentrasi pada karakteristik tertentu dari sampel
yang mendasari sekuritas. Ciri khas dari pendekatan berbasis karakteristik untuk membentuk
model multifaktor adalah karya Fama dan French (1993), yang menggunakan bentuk
fungsional berikut:
 di mana, selain kelebihan pengembalian pada portofolio pasar saham, dua proksi
faktor risiko lainnya didefinisikan:
SMB (small minus big) = kembali ke portofolio saham kapitalisasi kecil dikurangi
pengembalian portofolio saham kapitalisasi besar
HML (high minus low) = return to portfolio saham dengan rasio book-to-market
tinggi dikurangi return to portfolio saham rasio book-to-market rendah.

Dalam spesifikasi ini, SMB dirancang untuk menangkap elemen risiko yang terkait
dengan ukuran perusahaan, sedangkan HML dimaksudkan untuk membedakan perbedaan
risiko yang terkait dengan perusahaan "nilai" (book to market tinggi) dan "pertumbuhan"
(rasio book-to-market rendah) . Seperti yang kita lihat sebelumnya, ini adalah dua dimensi
sekuritas — atau portofolio sekuritas — yang secara konsisten terbukti penting ketika
mengevaluasi kinerja investasi. Juga, perhatikan bahwa tanpa SMB dan HML model ini
mengurangi bentuk pengembalian berlebih dari model pasar indeks tunggal.
Fama dan French meneliti perilaku sampel luas saham yang dikelompokkan ke dalam
portofolio berdasarkan rasio harga terhadap pendapatan (P / E) mereka setiap tahun selama
periode Juli 1963 hingga Desember 1991. Hasil untuk indeks tunggal dan versi multifaktor
dari model untuk dua kuintil ekstrim ditunjukkan pada Tampilan 7.16 (statistik t untuk
estimasi koefisien dicantumkan dalam tanda kurung). Perhatikan bahwa meskipun ada
perbedaan substansial antara saham P / E rendah dan tinggi (beta indeks tunggal 0,94 versus
1,10), kesenjangan ini secara dramatis berkurang dalam spesifikasi multifaktor (1,03 versus
0,99). Hal ini menunjukkan bahwa portofolio pasar dalam model satu faktor berfungsi
sebagai proxy untuk beberapa, tetapi tidak semua, dimensi risiko tambahan yang disediakan
oleh SMB dan HML. Selanjutnya, saham dengan P / E rendah cenderung berkorelasi positif
dengan premi perusahaan kecil, tetapi sebaliknya tidak berlaku untuk saham dengan P / E
tinggi.
 Terakhir, saham P / E rendah juga cenderung memiliki rasio book-to-market tinggi,
sedangkan saham P / E tinggi cenderung memiliki rasio book-to-market rendah (estimasi
parameter HML masing-masing 0,67 dan 0,50). Tidak mengherankan, tingkat relatif P / E
dan rasio buku-ke-pasar keduanya umumnya digunakan dalam praktik untuk
mengklasifikasikan pertumbuhan dan nilai saham.
Carhart (1997) secara langsung memperluas model tiga faktor Fama-Prancis dengan
memasukkan faktor risiko umum keempat untuk menjelaskan kecenderungan perusahaan
dengan pengembalian masa lalu yang positif (negatif) untuk menghasilkan pengembalian
masa depan yang positif (negatif). Dia menyebut dimensi risiko tambahan ini sebagai faktor
momentum harga dan memperkirakannya dengan mengambil rata-rata pengembalian ke
sekumpulan saham dengan kinerja terbaik selama tahun sebelumnya dikurangi pengembalian
rata-rata ke saham dengan pengembalian terburuk. Dengan cara ini, Carhart mendefinisikan
faktor momentum — diberi label di sini sebagai MOM — dengan cara yang mirip dengan
SMB dan HML. Secara formal model yang ia usulkan adalah:

Dia mendemonstrasikan bahwa sensitivitas faktor tipikal (faktor beta) untuk variabel
momentum adalah positif, dan dimasukkannya ke dalam model Fama-French meningkatkan
kekuatan penjelas sebanyak 15 persen. Persamaan 7.9 sering disebut sebagai model empat
faktor Fama-French.
Fama dan French (2015) mengembangkan ekstensi mereka sendiri dari model tiga
faktor asli dengan menambahkan dua persyaratan tambahan untuk memperhitungkan kualitas
perusahaan: eksposur risiko profitabilitas perusahaan dan eksposur risiko investasi
perusahaan. Secara khusus, mereka menciptakan model risiko lima faktor dengan
memperluas spesifikasi aslinya dalam Persamaan 7.8 sebagai berikut:
 dimana istilah baru didefinisikan:
RMW kuat dikurangi lemah) = kembali ke portofolio saham dengan profitabilitas
tinggi dikurangi pengembalian ke portofolio saham dengan profitabilitas rendah
CMA konservatif dikurangi agresif) = pengembalian portofolio saham perusahaan
investasi rendah (pertumbuhan total aset rendah) dikurangi pengembalian portofolio
saham pada perusahaan dengan pertumbuhan cepat dalam total aset

Extensions of Characteristic-Based Risk Factor Models. Tipe lain dari metode

berbasis karakteristik keamanan untuk mendefinisikan eksposur risiko sistematis melibatkan
penggunaan portofolio indeks (misalnya, S&P 500, Wilshire 5000) sebagai faktor umum.
Secara intuitif, jika indeks itu sendiri dirancang untuk menekankan karakteristik investasi
tertentu, mereka dapat bertindak sebagai proksi untuk eksposur yang mendasarinya.
Contohnya termasuk Russell 1000 Growth Index, yang menekankan saham-saham
berkapitalisasi besar dengan rasio book-to-market rendah, atau Indeks EAFE (Eropa,
Australia, dan Far East) yang memilih berbagai perusahaan yang berdomisili di luar Amerika
Serikat . Khas dari pendekatan ini adalah karya Elton, Gruber, dan Blake (1996), yang
mengandalkan empat indeks: S&P 500, indeks obligasi agregat Barclays Capital, indeks
Prudential Bache tentang perbedaan antara saham berkapitalisasi besar dan kecil , dan
Prudential Bache = indeks perbedaan antara nilai dan saham pertumbuhan.
MSCI, firma peramalan risiko dan konsultan investasi terkemuka, memberikan contoh
terakhir dari pendekatan mikroekonomi untuk membangun model multifaktor. Model yang
mereka gunakan untuk menganalisis pasar ekuitas global (GEM) mencakup beberapa variabel
berbasis karakteristik dan beberapa indeks industri sebagai faktor risiko. Tampilan 7.17
memberikan gambaran singkat tentang faktor berbasis karakteristik yang mewakili
pendekatan mereka untuk menangkap risiko gaya investasi.
 Bagan 7.18 mengilustrasikan hal ini untuk MSCI All Country World Index (ACWI)
selama periode Juni 1999 – Juni 2013. Tampilan tersebut menunjukkan bahwa portofolio
ACWI menekankan saham-saham bernilai di atas saham-saham pertumbuhan (yaitu,
eksposur faktor Nilai positif, eksposur faktor Pertumbuhan negatif) serta saham yang
cenderung memiliki leverage tinggi (yaitu, eksposur faktor Leverage positif).
 7.5.2 Estimating Risk in a Multifactor Setting: Examples
Estimating Expected Returns for Individual Stocks. Salah satu cara langsung untuk
menggunakan model risiko multifaktor adalah dengan menggunakannya untuk
memperkirakan pengembalian yang diharapkan untuk posisi saham individu. Untuk
melakukan ini, langkah-langkah berikut harus diambil: (1) Satu set K faktor risiko umum
(atau proksi mereka) harus diidentifikasi, (2) premia risiko (Fj) untuk faktor-faktor harus
diperkirakan, ( 3) sensitivitas (bij) saham ke-i terhadap masing-masing faktor K tersebut
harus diestimasi, dan (4) ekspektasi return dapat dihitung dengan menggabungkan hasil dari
langkah sebelumnya.
Untuk keempat faktor ini, panel pertama Tampilan 7.19 mencantumkan premia risiko
faktor tahunan rata-rata selama tiga kerangka waktu yang berbeda: periode 15 tahun yang
berakhir pada Desember 2016, periode 30 tahun yang berakhir pada Desember 2016, dan
periode 83 tahun berakhir pada Desember 2016. Perhatikan bahwa data ini mengkonfirmasi
bahwa saham kecil memperoleh pengembalian yang lebih tinggi daripada saham besar, secara
rata-rata, dan nilai saham mengungguli saham pertumbuhan (yaitu, premia risiko positif
untuk faktor SMB dan HML).
 Estimasi risiko faktor spesifik mana pun yang digunakan, hasil yang diharapkan untuk
setiap saham yang melebihi tingkat bebas risiko (premi risiko yang diharapkan saham) dapat
dihitung dengan versi rumus tiga faktor atau empat faktor:

Dalam Panel B dan C dari Tampilan 7.19, perhitungan pengembalian berlebih yang
diharapkan ini diringkas untuk ketiga saham menggunakan dua perkiraan premia risiko faktor
yang berbeda: (1) data historis dari periode 2002-2016 dan (2) satu set perkiraan hipotetis.
Misalnya, estimasi premi risiko yang diharapkan untuk AAPL menggunakan data faktor
risiko historis adalah:

Perkiraan dalam Tampilan 7.19 tampaknya masuk akal. Selain itu, perkiraan
pengembalian saham yang diharapkan yang dihasilkan oleh estimasi faktor hipotetis secara
seragam lebih rendah daripada yang dihasilkan dengan menggunakan data historis. Akhirnya,
model tiga faktor dan empat faktor menghasilkan prakiraan yang cukup sebanding untuk
ketiga saham, meskipun mengabaikan baik eksposur MOM positif (ISBC) atau negatif
(AAPL dan CVX) tampaknya menjadi masalah.
 Comparing Mutual Fund Risk Exposures. Untuk mendapatkan pemahaman yang
lebih baik tentang bagaimana sensitivitas faktor risiko diperkirakan pada tingkat portofolio,
pertimbangkan pengembalian yang dihasilkan oleh dua reksa dana populer: Fidelity's
Contrafund (FCNTX) dan T. Rowe Price's Mid-Cap Value Fund (TRMCX). Morningstar
Inc., layanan penasihat saham dan reksa dana independen, mengklasifikasikan gaya investasi
FCNTX ke dalam kategori "pertumbuhan kapitalisasi besar". Ini berarti bahwa kepemilikan
ekuitas khas FCNTX dicirikan sebagai perusahaan kapitalisasi pasar besar yang P / E dan
rasio bookto-marketnya melebihi rata-rata perusahaan di pasar.
Tampilan 7.20 menunjukkan halaman contoh untuk FCNTX dari situs web akses
publik Morningstar dan menunjukkan secara grafis di mana dana tersebut cocok dengan
"kotak gaya" investasi pada tanggal pelaporan di 2017. Sebaliknya, seperti yang ditunjukkan
dalam Tampilan 7.21, Morningstar memplot TRMCX ke dalam kategori "nilai kapitalisasi
menengah", yang berarti bahwa portofolio secara umum menekankan perusahaan yang lebih
kecil daripada FCNTX serta perusahaan yang mendekati tengah spektrum pertumbuhan nilai.
Jadi, dengan asumsi bahwa sistem klasifikasi Morningstar bermakna, kedua dana tersebut
harus berbeda dalam hal sensitivitas relatif terhadap faktor UKM dan HML.
Menggunakan pengembalian bulanan selama April 2014 hingga Maret 2017,
parameter risiko untuk kedua dana diperkirakan relatif terhadap tiga spesifikasi yang berbeda:
(1) model faktor tunggal menggunakan Indeks 500 Standard & Poor sebagai proxy untuk
portofolio pasar, (2) a model faktor tunggal menggunakan indeks komposit yang lebih luas
dari pasar saham AS sebagai proxy pasar, dan (3) model tiga faktor Fama-Prancis
menggunakan komposit pasar AS. Hasil estimasi ini dirangkum dalam Tampilan 7.22.