RESUME CHAPTER 7 dan CHAPTER 8

Dosen Pengampu :
Dr. Siti Aisjah, SE., MS

Kelompok 4 :

Masyitoh Febriatin Ningsih (185020200111027)

Deva Ayu Prisiliya Dwi Damayanti (185020201111020)
NovriskaSafitri (185020201111026)

JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
2020
CHAPTER 7 OPTIMAL RISKY PORTOFOLIOS
Kita tidak dapat menghindari risiko sama sekali karena hampir semua sekuritas dipengaruhi oleh
faktor makroekonomi umum. Diversifikasi dapat mengurangi risiko ke tingkat rendah
(semakinbanyakjenissaham yang dipunyaidiportofoliosemakinrendahresikonya).Risiko yang
tetap ada bahkan setelah diversifikasi ekstensif disebut risiko pasar, risiko yang disebabkan oleh
sumber risiko di seluruh pasar. Risiko semacam itu disebut juga risiko sistematis, atau risiko
nondiversifiable. Sebaliknya, risiko yang dapat dihilangkan dengan diversifikasi disebut risiko
unik, risiko spesifik perusahaan, risiko nonsistematis, atau risiko yang dapat didiversifikasi.

Portofolio Dua Aset Berisiko

Portofoliodariduaasetberisikorelatifmudahdianalisis,danmenggambarkanprinsipdanpertimbangan
yang berlakuuntukportofoliobanyakaset.Manfaat potensial dari diversifikasi muncul ketika
korelasi kurang dari positif sempurna. Semakin rendah korelasinya, semakin besar potensi
keuntungan dari diversifikasi.Portofolio terbaik akan bergantung pada penghindaran risiko.
Portofolio yang memberikan tingkat pengembalian yang lebih tinggi tetapi menimbulkan risiko
yang lebih besar. Portofolio terbaik di antara pilihan-pilihan ini adalah masalah preferensi
pribadi. Investor dengan penghindaran risiko yang lebih besar akan lebih memilih portofolio
yang lain, dengan hasil yang diharapkan lebih rendah tetapi risiko lebih rendah.

Investor tentu saja ingin bekerja dengan portofolio berisiko yang menawarkan rasio reward-to-
volatility atau Sharpe tertinggi. Semakin tinggi rasio Sharpe, semakin besar hasil yang
diharapkan sesuai dengan tingkat volatilitas mana pun. Cara lain untuk menjelaskannya adalah
bahwa portofolio berisiko terbaik adalah yang menghasilkan garis alokasi modal (CAL) paling
curam. CAL yang lebih curam memberikan keuntungan berlebih yang lebih tinggi untuk semua
tingkat risiko. Langkah-langkah untuk membuat/menentukan portofolio lengkap:

1. Tentukan karakteristik pengembalian semua sekuritas (pengembalian yang diharapkan,

varians, kovarians).
2. Menetapkan portofolio berisiko (alokasi aset):

a. Hitung portofolio berisiko optimal, P

b. Hitung properti portofolio P menggunakan bobot yang ditentukan pada langkah (a)
dan Persamaan 7.2 dan 7.3yakni:

3. Alokasikan dana antara portofolio berisiko dan aset bebas risiko (alokasi modal): a.
Hitung pecahan dari portfolio lengkap
Model Optimasi Portofolio Markowitz

Pemilihan Keamanan

Pada contoh dua aset berisiko, masalah memiliki tiga bagian.1) mengidentifikasi kombinasi
risiko-pengembalian yang tersedia dari kumpulan aset berisiko. 2) mengidentifikasi portofolio
optimal dari aset berisiko dengan menemukan bobot portofolio yang menghasilkan CAL paling
tajam. 3) memilih portofolio lengkap yang sesuai dengan mencampurkan aset bebas risiko
dengan portofolio berisiko optimal.

Manajer portofolio dapat menyesuaikan rangkaian yang efisien agar sesuai dengan keinginan
klien. Tentu saja, batasan apa pun memiliki harganyasendiri dalam arti bahwa batasan efisien
yang dibangun tunduk pada batasandan akan menawarkan rasio Sharpe yang lebih rendah
daripada rasio yang tidak terlalu dibatasi. Klien harus mengetahui hal ini dan harus
mempertimbangkan dengan cermat kendala yang tidak diwajibkan oleh undang-undang.

Alokasi modal dan properti pemisahan

Ada cara lain untuk menemukan portofolio berisiko terbaik. Dalam pendekatan ini, kita bertanya
kepada lembar kerjaProgram untuk memaksimalkan rasio portofolio Sharpe. Alasan ini layak
disebut adalah bahwa kita dapat melewatkan penyusunan batas efisien sepenuhnya dan
melanjutkan langsung untuk menemukan portofolio yang menghasilkan CAL paling curam.
Program ini memaksimalkan rasio Sharpe dengan tidak ada kendala pada pengembalian yang
diharapkan atau variasi sama sekali (menggunakan hanya keterbatasan ituBerat portofolio harus
mencapai 1.0).

Kekuatan diversifikasi

ketika kita memegang portofolio diversifikasi, kontribusi untuk portofolio risiko keamanan
tertentu akan bergantung pada kovariasi keamanan yang kembali dengan mereka dari keamanan
lainnya, dan bukan pada keragaman keamanan, ini berarti bahwa premi risiko yang adil juga
harus bergantung pada kovarians daripada total perbedaan laba.

Alokasi aset dan seleksi keamanan

Sebuah perusahaan investasi besar kemungkinan akan berinvestasi baik dalam bidang domestik
maupun internasional dan dalam serangkaian kelas aset, yang masing-masing memerlukan
keahlian khusus. Oleh karena itu manajemen dari setiap portofolio kelas aset perlu
didesentralisasi, dan menjadi mustahil untuk secara bersamaan mengoptimalkan portofolio
berisiko seluruh organisasi dalam satu tahap, meskipun ini akan dianjurkan dengan tingkat
optimal secara teori. Dalam masa depan kita akan melihat bagaimana optimalisasi portofolio
terdesentralisasi dapat mengingat juga dari seluruh portofolio yang merupakan bagian dari itu.
Praktek ini, oleh karena itu, untuk mengoptimalkan pemilihan keamanan dari setiap portofolio
kelas aset secara mandiri. Pada saat yang sama, manajemen top terus memperbarui alokasi aset
organisasi, menyesuaikan anggaran investasi yang dialokasikan untuk setiap portofolio kelas
aset.

Portofolio normal dan pengembalian tidak normal

Teknik optimalisasi portofolio yang telah kita gunakan sejauh ini adalah distribusi normal dari
laba dalam penyimpangan standar yang diambil untuk menjadi ukuran risiko yang sepenuhnya
memadai. Namun, potensi hasil yang tidak normal juga mengharuskan kita memperhatikan
langkah-langkah risiko yang berfokus pada kerugian kasus terburuk seperti kerugian nilai (VaR)
atau kerugian yang diharapkan (ES).

Suatu cara praktis untuk memperkirakan nilai VaR dan ES di hadapan ekor yang gemuk disebut
bootstrapping. Kita mulai dengan sampel sejarah pengembalian setiap aset di calon portofolio
kita. Kami menghitung pengembalian portofolio sesuai untuk menarik satu kembalinya dari
sejarah masing-masing aset. Dengan demikian kami menghitung hipotetis (tetapi masih secara
empiris berbasis), menghasilkan sebanyak mungkin portofolio acak ini sesuai dengan keinginan
kami. Lima puluh ribu portofolio kembali pro- dengan cara ini dapat memberikan estimasi yang
baik dari nilai VaR dan ES. Nilai estimasi bagi VaR dan ES dari portofolio optimal yang
berbeda-beda berarti dapat dibandingkan dengan calon portofolio lainnya. Jika portfolios lainnya
menghasilkan pendapatan yang cukup baik mencapai VaR dan nilai ES, kita mungkin lebih suka
salah satunya dari portofolio yang berbeda tingkat kesehatan.

Risiko pooling, risiko berbagi, dan risiko investasi jangka panjang

Diversifikasi (diversifikasi) memerlukan penyebaran anggaran investasi di berbagai aset untuk

membatasi risiko keseluruhan. Adalah umum, seperti yang telah kita lakukan di sini, untuk
menggunakan analogi antara perusahaan asuransi menyebarkan risiko lintas kebijakan dan
investor diversifikasi portofolio mereka untuk mengilustrasikan bagaimana diversifikasi
mengurangi risiko. Sementara analogi itu berguna, kita sebenarnya harus sedikit berhati-hati
mengenai sumber dari pengurangan risiko. Kita akan lihat di sini bahwa pengurangan risiko
sebenarnya membutuhkan kedua risiko pooling (menyebar eksposur anda di beberapa
uncor.Usaha berisiko) serta berbagi risiko (memungkinkan investor lain untuk berbagi dalam
risiko aset portofolio). Utilitas pasar modal dalam ekonomi maju sebagian besar terletak pada
pembedaan ini.

Kebingungan antara peran pooling risiko dan berbagi risiko mengarah ke yang lain, kebingungan
terkait. Kepercayaan yang tersebar luas, tetapi tidak benar, ialah bahwa penyebaran investasi
melintasi waktu, sehingga kinerja rata - rata mencerminkan laba dalam beberapa jangka
investasi, menawarkan semacam "diversifikasi waktu" "Banyak pengamat berpendapat bahwa
diversifikasi waktu dapat mengurangi risiko investasi jangka panjang. Kita akan melihat bahwa
memperluas cakrawala investasi berisiko adalah sama dengan risiko pooling. Namun penerapan
"prinsip asuransi" untuk investasi jangka panjang ini mengabaikan peran penting dari berbagi
risiko dalam manajemen risiko portofolio, dan dapat dengan mudah menuntun pada keputusan
investasi yang buruk. Investasi jangka panjang tidak selalu lebih aman.

Dalam bagian ini, oleh karena itu, kami mencoba untuk mengklarifikasi isu-isu ini dan
menjelajahi perluasan yang sesuai dari prinsip asuransi untuk investasi risiko atas cakrawala
yang berbeda. Kita mulai dengan meninjau setiap kontribusi risiko pooling dan risiko berbagi
untuk manfaat diversifikasi portofolio. Dengan wawasan ini di tangan, kita dapat memahami
dengan lebih baik risiko investasi jangka panjang

CHAPTER 8 MODEL INDEKS

8.1 Pasar Keamanan Satu Faktor

Daftar input Model Markowitz

Keberhasilan dari pemilihan aturan portofolio tergantung pada kualitas dari daftar masukan,
yaitu, perkiraan keamanan yang diharapkan kembali dan matriks kovarians. Dalam jangka
panjang, portofolio efisien akan mengalahkan portfolios dengan daftar masukan yang kurang
dapat diandalkan dan akibatnya penjualan yang tidak bermutu hingga berisiko rendah. Dalam
menerapkan model Markowitz untuk portofolio optimasi adalah bahwa kesalahan dalam
penilaian atau estimasi koefisien korelasi dapat mengarah pada hasil yang tidak sensi- yang
sempurna.

Sistematis versus risiko spesifik

Perbedaan laba yang disebabkan oleh faktor pemasaran disebut risiko keamanan yang sistematis.
Komponen dari perbedaan ini sama dengan perpecahan saya pikir 2 cuman kaki tangan 2 kaki
dan lebih tinggi ketika perusahaan coefisien beta saya lebih tinggi. Perusahaan "sikclical"
memiliki sensitivitas yang lebih besar terhadap pasar (lebih tinggiDan karenanya memiliki risiko
sistematis yang lebih besar. Komponen spesifik dari varians kembalinya adalah σ2 (el).

8.2 Model indeks tunggal

Karena faktor sistematis mempengaruhi ratusan-rasio pengembalian pada semua saham, tingkat
pengembalian pada indeks pasar yang luas dapat masuk akal proxy untuk faktor komunikasi
tersebut. Pendekatan ini mengarah pada persamaan yang sama dengan model faktor tunggal,
yang disebut model indeks tunggal karena menggunakan indeks pasar untuk mendukung faktor
umum.
8.3 Memperkirakan Model Indeks Tunggal

Garis Karakteristik Keamanan untuk Ford

Perubahan yang lebih besar dalam kelebihan pengembalian Ford menunjukkan bahwa kita harus
menemukan sensitivitas yang lebih besar dari rata-rata terhadap indeks pasar, yaitu beta yang
lebih besar dari 1.0.

Dengan: RFord (t) = αFord + βFord Rindex (t) + eFord (t)

Persamaan tersebut menggambarkan ketergantungan (linier) dari keuntungan berlebih Ford pada
pengembalian berlebih dari portofolio indeks pasar. Perkiraan regresi menggambarkan garis
lurus dengan intersep αFord dan kemiringan βFord, yang kami sebut garis karakteristik
keamanan Ford (SCL). Jarak vertikal setiap titik dari garis regresi adalah nilai sisa Ford, eFord
(t), pada bulan tersebut. Misalnya, pada Januari 2012, ketika keuntungan berlebih pasar adalah
5,4%, garis regresi akan memperkirakan pengembalian berlebih untuk Ford ini sekitar 6,2%. Ini
adalah nilai sumbu y di garis regresi yang sesuai dengan nilai sumbu x (keuntungan berlebih
pasar) sebesar 5,4%. Faktanya, laba berlebih Ford di bulan Januari adalah 15,9%, yang
menyiratkan bahwa pengembalian sisa di bulan ini adalah 15,9 - 6,2 = 9,7%. Ini adalah bukti dari
berita khusus perusahaan yang baik yang memberikan kontribusi 9,7% terhadap tingkat
pengembalian Ford.

Estimasi Alfa

Meskipun ini merupakan nilai ekonomi yang besar (hampir 1% per bulan), secara statistik tidak
signifikan. Hal ini terlihat dari tiga statistik di samping koefisien taksiran. Yang pertama adalah
kesalahan standar dari perkiraan (0,0077). Ini adalah ukuran ketidaktepatan estimasi. Jika
kesalahan standar besar, kisaran kesalahan perkiraan yang mungkin juga besar. Di sini,
standarnya kesalahan hampir sebesar koefisien alfa yang diperkirakan.

Statistik t yang dilaporkan pada kolom berikutnya adalah rasio parameter regresi terhadap
kesalahan standarnya. Statistik ini sama dengan jumlah kesalahan standar di mana perkiraan
kami melebihi nol, dan oleh karena itu dapat digunakan untuk menilai kemungkinan bahwa nilai
sebenarnya tetapi tidak teramati mungkin benar-benar nol daripada perkiraan yang kami peroleh
dari data. Intuisi adalah bahwa jika nilai sebenarnya adalah nol, kita tidak mungkin mengamati
nilai perkiraan jauh (yaitu, banyak kesalahan standar) dari nol. Statistik-t yang begitu besar
menyiratkan probabilitas rendah sehingga nilai sebenarnya adalah nol.

Perkiraan Beta

Nilai beta dan SE-nya menghasilkan statistik-t yang besar (6.1451), dan nilai-p praktis nol. Kami
dengan yakin dapat menolak hipotesis bahwa beta sejati Ford adalah nol. Hal ini tidak
mengherankan mengingat Gambar 8.3, yang menunjukkan bahwa pengembalian Ford dan indeks
pasar berhubungan dengan jelas. Statistik-t yang lebih menarik mungkin menguji hipotesis
bahwa beta Ford lebih besar daripada beta rata-rata pasar 1. Statistik-t ini akan mengukur berapa
banyak kesalahan standar yang memisahkan perkiraan beta dari nilai yang dihipotesiskan 1. Di
sini, terlepas dari poin besarnya estimasi beta Ford, ketidaktepatan estimasi (tercermin dalam
kesalahan standar) menghasilkan statistik-t hanya 1,51 dan tidak memungkinkan kita untuk
menolak hipotesis bahwa beta sebenarnya adalah 1.

8.4 Versi Industri dari Model Indeks

Manajer portofolio yang tidak memiliki informasi khusus tentang keamanan atau wawasan yang
tidak tersedia untuk masyarakat umum akan menganggap nilai alpha keamanan sebagai nol, dan,
menurut Persamaan 8.6, akan memperkirakan premi risiko untuk keamanan yang sama dengan
βiRM. Jika kami menyatakan kembali perkiraan ini dalam hal pengembalian total, orang akan
berharap
E (ri) = rf + βi [E (rM) - rf] (8.15)

8.5 Konstruksi Portofolio Menggunakan Model Indeks Tunggal

Pada bagian ini, kita melihat implikasi dari model indeks untuk konstruksi portofolio. Teknik-
teknik ini awalnya dikembangkan oleh Jack Treynor dan Fischer Black dan umumnya disebut
model Treynor-Black.12 Tujuan kami sama seperti di bab sebelumnya, pembentukan portofolio
dengan trade-off risiko-pengembalian yang efisien, tetapi mengingat penyederhanaan yang
ditawarkan oleh model indeks, teknik kami akan berbeda. Kita akan melihat bahwa model indeks
menawarkan beberapa keuntungan, tidak hanya dalam hal estimasi parameter, tetapi juga untuk
penyederhanaan analitik dan desentralisasi organisasi yang dimungkinkan.

Daftar Input Model Indeks Tunggal

Jika manajer portofolio berencana untuk menyusun portofolio dari daftar n perusahaan yang
diteliti secara aktif ditambah portofolio indeks pasar pasif seperti S&P 500, daftar masukan akan
mencakup perkiraan berikut:

1. Premi risiko pada portofolio S&P 500.

2. Deviasi standar portofolio S&P 500.

3. n set perkiraan (a) koefisien beta, (b) varian sisa stok, dan (c) nilai alpha. Nilai alfa, bersama
dengan premi risiko S&P 500 dan beta dari setiap keamanan, menentukan pengembalian yang
diharapkan pada setiap keamanan.