The Efficient Frontier

Perhatikan portofolio yang terdiri atas n saham. Misalkan :

𝜇𝑖 dengan 𝑖 = 1, 2, ⋯ , 𝑛 menyatakan ekspektasi return saham i .
𝜎𝑖𝑗 dengan 1 ≤ 𝑖, 𝑗 ≤ 𝑛 menyatakan kovariansi antara return saham i dengan return saham j.

𝛍 = (𝜇1 , 𝜇2 , ⋯ , 𝜇𝑛 )𝑻 dan 𝐂 = [𝜎𝑖𝑗 ] matriks kovariansi yang simetri dan semidefinit positif.

(Pada bagian topik bahasan ini, C diasumsikan matriks yang simetri dan definit positif.)
𝑥𝑖 : 𝑝𝑟𝑜𝑝𝑜𝑟𝑠𝑖 𝑖𝑛𝑣𝑒𝑠𝑡𝑎𝑠𝑖 𝑝𝑎𝑑𝑎 𝑠𝑎ℎ𝑎𝑚 𝑖 ; 𝐱 = (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 )𝑇
Return dan variansi dari portofolio diberikan oleh
𝜇𝑷 = 𝛍𝑇 𝐱 dan 𝜎𝑃2 = 𝐱 𝑇 𝐂 𝐱
Kendala budget diberikan oleh : 𝐞𝑇 𝐱 = 1 dengan 𝐞 = (1, 1, ⋯ , 1)𝑇
Tujuan : menentukan vektor x yang menghasilkan nilai 𝜇𝑃 yang besar dan nilai 𝜎𝑃2 yang kecil.
2 2
Misalkan terdapat dua portofolio A dan B dengan 𝜇𝑃𝐴 = 𝜇𝑃𝐵 tetapi 𝜎𝑃𝐴 < 𝜎𝑃𝐵 . Maka portofolio
A lebih disukai d/p portofolio B karena mempunyai risiko yang lebih kecil untuk nilai return
yang sama. Ini merupakan ide pokok dari definisi portofolio yang efisien dari Markowitz.
Definisi 1. Suatu portofolio disebut variance-efficient jika untuk suatu nilai 𝜇𝑃 yang diberikan,
tidak terdapat portofolio lain yang memiliki nilai variansi lebih kecil dari 𝜎𝑃2 .
Dengan demikian menurut Definisi 1 diatas, suatu portofolio yang efisien adalah yang
merupakan solusi dari masalah
𝑀𝑖𝑛 { 𝐱 𝑇 𝐂 𝐱 | 𝛍𝑇 𝐱 = 𝜇𝑷 , 𝐞𝑇 𝐱 = 1} (1)
Struktur masalah (1) diatas adalah meminimumkan fungsi kuadrat dengan dua kendala
persamaan linear yang salah satunya memiliki parameter, yaitu 𝜇𝑷 . Jadi masalah (1) dikenal
juga sebagai pemrograman kuadratik dengan parameter.

Definisi 2. Suatu portofolio disebut expected return-efficient jika untuk suatu nilai 𝜎𝑃2 yang
diberikan, tidak terdapat portofolio lain yang memiliki nilai return lebih besar dari 𝜇𝑃 .
Dengan demikian menurut Definisi 2 diatas, suatu portofolio yang efisien adalah yang
merupakan solusi dari masalah
𝑀𝑎𝑘𝑠 {𝛍𝑇 𝐱 | 𝐱 𝑇 𝐂 𝐱 = 𝜎𝑃2 , 𝐞𝑇 𝐱 = 1} (2)
Masalah (2) diatas memiliki fungsi objektif linear dengan satu kendala persamaan kuadrat dan
satu kendala linear.
Selanjutnya terdapat masalah penentuan optimisasi portofolio yang juga menghasilkan
portofolio yang efisien, yang dirumuskan sebagai berikut. Misalkan t suatu parameter dan
perhatikan masalah

𝑀𝑖𝑛 {− 𝑡 𝛍𝑇 𝐱 + 21 𝐱 𝑇 𝐂 𝐱 | 𝐞𝑇 𝐱 = 1} (3)

1
Ide dari masalah (3) adalah : Untuk 𝑡 ≥ 0 , besarnya parameter t menyeimbangkan seberapa
besar bobot yang diberikan pada masalah memaksimumkan 𝛍𝑇 𝐱 ( atau meminimumkan− 𝛍𝑇 𝐱)
dan masalah meminimumkan 𝐱 𝑇 𝐂 𝐱 . Bila t = 0, masalah (3) merupakan masalah
meminimumkan variansi portofolio. Jika nilai t menjadi sangat besar, maka suku linear pada
persamaan (3) akan mendominasi dan diperoleh portofolio dengan nilai return yang semakin
besar tetapi dengan ‘mengorbankan’ nilai variansi nya (yang tidak semakin mengecil).
Definisi 3. Suatu portofolio disebut parametric-efficient jika portofolio tsb. merupakan solusi
dari masalah (3) untuk suatu nilai parameter t yang tak negatif.
Masing-masing dari masalah (1), (2) dan (3) akan membangun keluarga solusi optimal jika
parameter masalahnya ( 𝜇𝑃 , 𝜎𝑃2 dan 𝑡 ) diberikan berbagai nilai. Selanjutnya dapat diperlihatkan
bahwa keluarga solusi optimal dari portofolio yang efisien untuk masing-masing masalah tsb.
adalah identik, asalkan 𝛍 bukan kelipatan dari 𝐞. Untuk pembahasan selanjutnya dipilih
masalah (3) untuk dieksplorasi lebih jauh. Pendekatan yang dilakukan adalah menentukan solusi
optimal masalah (3) sebagai fungsi eksplisit dalam t , dan menyatakan 𝜇𝑷 serta 𝜎𝑃2 sebagai
fungsi dalam t dan kemudian mengeliminir t untuk mendapatkan hubungan eksplisit antara
return dan variansi portofolio.
Perhatikan bahwa kondisi keoptimalan masalah (3) diberikan oleh (lihat bahasan tentang
Minimisasi fungsi kuadrat)
𝑡𝛍−𝐂𝐱 = 𝑢𝐞 dan 𝐞𝑇 𝐱 = 1
yang merupakan syarat perlu dan cukup nya (dgn u merupakan pengali Lagrange).
Diperoleh solusi, dari persamaan pertama
𝐱 = − 𝑢 𝐂 −1 𝐞 + 𝑡 𝐂 −1 𝛍
Selanjutnya dengan menggunakan kendala budget (persamaan kedua) didapat
𝐞𝑇 𝐱 = 1 = −𝑢 𝐞𝑇 𝐂 −1 𝐞 + 𝑡 𝐞𝑇 𝐂 −1 𝛍
yang memberikan solusi untuk pengali Lagrange u
−1 𝐞𝑇 𝐂 −1 𝛍
𝑢 = 𝑇 −1 + 𝑡 𝑇 −1
𝐞 𝐂 𝐞 𝐞 𝐂 𝐞
Substitusikan hasil u tsb ke vektor x diperoleh portofolio yang efisien sebagai fungsi linear dari
parameter t :
𝐂 −1 𝐞 −1
𝐞𝑇 𝐂 −1 𝛍 −1
𝐱 ≡ 𝐱(𝑡) = 𝑇 −1 + 𝑡 (𝐂 𝛍 − 𝑇 −1 𝐂 𝐞)
𝐞 𝐂 𝐞 𝐞 𝐂 𝐞

Perhatikan 𝐞𝑇 𝐂 −1 𝐞 dan 𝐞𝑇 𝐂−1 𝛍 adalah skalar − skalar, sedangkan 𝐂 −1 𝐞 dan 𝐂 −1 𝛍

adalah vektor-vektor. Selanjutnya dengan menuliskan
𝐂 −1 𝐞 −1
𝐞𝑇 𝐂 −1 𝛍 −1
𝐡𝟎 = dan 𝐡𝟏 = 𝐂 𝛍 − 𝐂 𝐞
𝐞𝑇 𝐂 −1 𝐞 𝐞𝑇 𝐂 −1 𝐞
diperoleh
𝐱(𝑡) = 𝐡0 + 𝑡 𝐡𝟏

2
Gunakan hasil tsb untuk memperoleh return dan variansi portofolio sebagai fungsi dari t :
𝜇𝑃 = 𝛍𝑇 𝐱(𝑡) = 𝛍𝑇 𝐡0 + 𝑡 𝛍𝑇 𝐡1
dan 𝜎𝑃2 = (𝐡𝟎 + 𝑡 𝐡1 )𝑇 𝐂 (𝐡0 + 𝑡 𝐡1 )

= 𝐡𝟎 𝑇 𝐂 𝐡𝟎 + 2 𝑡 𝐡1 𝑇 𝐂 𝐡𝟎 + 𝑡 2 𝐡1 𝑇 𝐂 𝒉1

Tulis 𝛼0 = 𝛍𝑇 𝐡0 , 𝛼1 = 𝛍𝑇 𝐡1 , 𝛽0 = 𝐡𝟎 𝑇 𝐂 𝐡𝟎 , 𝛽1 = 𝐡1 𝑇 𝐂 𝐡0 , 𝛽2 = 𝐡1 𝑇 𝐂 𝐡1
sehingga : 𝜇𝑃 = 𝛼0 + 𝛼1 𝑡 dan 𝜎𝑃2 = 𝛽0 + 2 𝛽1 𝑡 + 𝛽2 𝑡 2 .
𝑇
𝐞𝑇 𝐂 −1 𝛍 𝐞𝑇 𝐂−1 𝛍
Perhatikan 𝛽2 = 𝐡1 𝑇 𝐂 𝐡1 = (𝐂 −1 𝛍 − 𝐂 −1 𝐞) 𝐂 (𝐂 −1 𝛍 − 𝐂 −1 𝐞)
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝐞

𝑇
𝐞𝑇 𝐂−1 𝛍 𝐞𝑇 𝐂−1 𝛍
= (𝛍− 𝐞) (𝐂 −1 )𝑇 ( 𝛍 − 𝐞)
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝐞
𝑇
𝐞𝑇 𝐂−1 𝛍 𝐞𝑇 𝐂−1 𝛍
= (𝛍− 𝐞) 𝐂 −1 ( 𝛍 − 𝐞) > 0
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝐞

𝐞𝑇 𝐂−1 𝛍
= ( 𝛍 − 𝑘 𝐞)𝑇 𝐂 −1 ( 𝛍 − 𝑘 𝐞) dengan 𝑘 = 𝐞𝑇 𝐂 −1 𝐞

Dengan asumsi bahwa C suatu matriks simetri definit positif, maka 𝐂 −1 juga simetri dan definit
positif. Jadi 𝛽2 > 0 jika dan hanya jika 𝛍 bukan kelipatan dari e (𝛍 ≠ 𝑘 𝐞) .
𝑇
𝐞𝑇 𝐂 −1 𝛍 𝐂−1 𝐞
Selanjutnya 𝛽1 = 𝐡1 𝑇 𝐂 𝐡0 = (𝐂 −1 𝛍 − 𝐂 −1 𝐞) 𝐂
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂 −1 𝐞

𝐞𝑇 𝐂 −1 𝛍 𝐞
= (𝛍𝑇 (𝐂 −1 )𝑇 − 𝐞𝑇 (𝐂 −1 )𝑇 )
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝐞

𝐞𝑇 𝐂 −1 𝛍 𝐞
= (𝛍𝑇 𝐂 −1 − 𝐞𝑇 𝐂 −1 )
𝐞𝑇 𝐂 −1 𝐞 𝐞𝑇 𝐂−1 𝐞

𝛍𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝛍 𝐞𝑇 𝐂 −1 𝐞 𝛍𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝛍 𝛍𝑇 𝐂−1 𝐞 𝛍𝑇 𝐂 −1 𝐞

= − = − = −
𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂 −1 𝐞 𝐞𝑇 𝐂 −1 𝐞 𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂 −1 𝐞 𝐞𝑇 𝐂−1 𝐞 𝐞𝑇 𝐂−1 𝐞

=0
Sehingga 𝑡 dan 𝑡 2 dapat dinyatakan sebagai
(𝜇𝑃 − 𝛼0 ) (𝜎𝑃2 − 𝛽0 )
𝑡= dan 𝑡 2 =
𝛼1 𝛽2
𝐞𝑇 𝐂 −1 𝛍
Selanjutnya 𝛽2 = ( 𝛍 − 𝑘 𝐞)𝑇 𝐂 −1 ( 𝛍 − 𝑘 𝐞) dengan 𝑘 =
𝐞𝑇 𝐂 −1 𝐞

= 𝛍𝑇 𝐂 −1 𝛍 − 𝑘 𝛍𝑇 𝐂 −1 𝐞 − 𝑘 𝐞𝑇 𝐂 −1 𝛍 + 𝑘 2 𝐞𝑇 𝐂 −1 𝐞
= 𝛍𝑇 (𝐂 −1 𝛍 − 𝑘 𝐂 −1 𝐞) − 𝑘 (𝐞𝑇 𝐂−1 𝛍 − 𝑘 𝐞𝑇 𝐂 −1 𝐞)
𝐞𝑇 𝐂 −1 𝛍
= 𝛍𝑇 𝐡1 − 𝑘 (𝐞𝑇 𝐂−1 𝛍 − 𝐞𝑇 𝐂 −1 𝐞)
𝐞𝑇 𝐂 −1 𝐞

= 𝛍𝑇 𝐡1 − 𝑘 (𝐞𝑇 𝐂 −1 𝛍 − 𝐞𝑇 𝐂 −1 𝛍) = 𝛍𝑇 𝐡1 − 0
= 𝛼1

3
Dengan mengeliminasi t , diperoleh hubungan antara variansi dan return portofolio sebagai :
𝜎𝑃2 − 𝛽0 = (𝜇𝑃 − 𝛼0 )2 /𝛼1

dengan 𝛼0 = 𝛍𝑇 𝐡0 , 𝛼1 = 𝛍𝑇 𝐡1 dan 𝛽0 = 𝐡0 𝑇 𝐂 𝐡0 .

Persamaan diatas memperlihatkan hubungan antara variansi (𝜎𝑃2 ) dan ekspektasi return (𝜇𝑃 )
untuk portofolio yang efisien dan disebut sebagai the efficient frontier. Grafik dari 𝜎𝑃2 terhadap
𝜇𝑃 berupa suatu kurva parabola.
Perhatikan, jika t = 0 , maka masalah (3) menjadi masalah meminimumkan variansi portofolio
dengan kendala budget. Ekspektasi return tidak berperan sama sekali. Portofolio yang dihasilkan
disebut global minimum variance portfolio atau cukup minimum variance portfolio. Maka 𝐡0
merupakan minimum variance portfolio, sedangkan 𝛼0 dan 𝛽0 merupakan ekspektasi return dan
variansi dari minimum variance portfolio. Dengan bertambahnya nilai t , maka perhatian investor
menjadi lebih besar pada ekspektasi return dibanding terhadap risiko.
Tadi kurva the efficient frontier di plot di bidang (𝜎𝑃2 , 𝜇𝑃 ) atau mean-variance space dan
berbentuk kurva parabola. Seringkali kurva the efficient frontier di plot di bidang (𝜎𝑃 , 𝜇𝑃 ) atau
mean-standard deviation space dengan persamaan
(𝜇𝑃 − 𝛼0 )2
𝜎𝑃2 − = 𝛽0
𝛼1
jadi grafiknya berupa kurva hiperbola.
Berikut contoh gambar kurva the efficient frontier yang dibangun dari portofolio dengan 3
saham dengan data
1.1 0.01 0 0
𝛍 = (1.2) dan 𝐂=[ 0 0.005 0 ]
1.3 0 0 0.007
Gambar kurva the efficient frontier di bidang (𝜎𝑃2 , 𝜇𝑃 ) :

Posisi titik ‘minimum’ pada kurva parabola rebah tsb adalah (𝛽0 = 0.0074 , 𝛼0 = 1.1362) .

4
Sementara itu koefisien-koefisien dari persamaan kurva the efficient frontier diberikan oleh
0.7447 −3.6170
𝛼0 = 1.1362 , 𝛼1 = 0.5957 , 𝛽0 = 0.0074 , 𝛽2 = 0.5957 , 𝐡0 = (0.1489) , 𝐡1 = ( 1.2766 )
0.1064 2.3404
Sehingga portofolio yang efisien untuk contoh diatas diberikan oleh
0.7447 −3.6170
𝐱(𝑡) = 𝐡0 + 𝑡 𝐡1 = (0.1489) + 𝑡 ( 1.2766 )
0.1064 2.3404
Persamaan kurva the efficient frontier nya diberikan oleh
(𝜇𝑃 −𝛼0 )2 (𝜇𝑃 −1.1362) 2
𝜎𝑃2 − 𝛽0 = → 𝜎𝑃2 − 0.0074 =
𝛼1 0.5957

Perhatikan bahwa untuk sebuah nilai 𝜎𝑃2 akan terdapat dua nilai 𝜇𝑃 satu dibagian cabang atas
dan satu lagi dicabang bawah kurva the efficient frontier tsb. Titik-titik pada kurva the efficient
frontier yang berada dibawah titik minimum variansi berkaitan dengan nilai-nilai negatif dari t .
Ini berkaitan dengan portofolio yang tidak efisien, sehingga hanyalah bagian cabang atas dari
kurva the efficient frontier yang dipergunakan. Daerah yang berada didalam dan dibatasi oleh
kurva the efficient frontier, memuat titik-titik portofolio yang tidak efisien.
Gambar kurva the efficient frontier dibidang (𝜎𝑃 , 𝜇𝑃 ) :

1
Posisi titik ‘minimum’ pada kurva hiperbola tsb adalah (𝛽0 2 = 0.0860 , 𝛼0 = 1.1362) .

5
Berikut program untuk mendapatkan kurva the efficient frontier
%%%% PF_Contoh.m %%%%
% Memplot kurva The Efficient Frontier
% Grafik Mean_Variansi dan Grafik Mean_Standar Deviasi
clc
mu = [1.1 1.2 1.3 ]'
C = [1.e-2 0 0 ; 0 5.0e-2 0 ; 0 0 7.0e-2]

%mu = [ 1.2833 1.1167 1.0833 ]'

%C = [ 0.0181 -0.0281 -0.00194 ; -0.0281 0.0514 0.00528 ; -0.00194 0.00528 0.0147 ]

%mu = [ -0.028 0.366 0.231 -0.24 0.535 ]'

%C = [ 1.0256 -0.4340 0.0202 -0.1968 -0.0311 ;
%-0.4340 1.1049 -0.0783 0.2347 -0.1776 ;
%0.0202 -0.0783 0.4328 -0.1236 -0.1895 ;
%-0.1968 0.2347 -0.1236 8.0762 1.0093 ;
%-0.0311 -0.1776 -0.1895 1.0093 2.9007 ]

%mu = [ 1.1900 1.1300 1.0900 1.1500 0.9050 ]'

%C = [ 0.0277 -0.0208 -0.0012 0.0094 -0.0244 ;
%-0.0208 0.0357 0.0037 -0.0039 0.0109 ;
%-0.0012 0.0037 0.0121 0.0017 0.0039 ;
%0.0094 -0.0039 0.0017 0.0072 -0.0064 ;
%-0.0244 0.0109 0.0039 -0.0064 0.0341 ]

PF_periksadata(C, 1.e-6) ;
[alpha0, alpha1, beta0, beta2, h0, h1] = PF_EFMVcoeff(mu, C)
figure(1)
PF_EFMVplot(0.0, 0.5, 0.01, alpha0, alpha1, beta0, beta2) ; %% Grafik Mean_Variansi
figure(2)
PF_EFMSDplot(0.0, 0.5, 0.01, alpha0, alpha1, beta0, beta2) ; % Mean_Standar Deviasi

%%%% PF_periksadata.m %%%%

% Memeriksa apakah matriks C simetri dan definit positif ?

function PF_periksadata(C,tol)
format compact
if norm(C - C') > tol
hasil = 'Error : matriks kovariansi tidak simetri'
tindakan = 'Tekan Ctrl+C untuk melanjutkan'
pause
return
end
if min(eig(C)) < tol
hasil = 'Error : matriks kovariansi tidak definit positif '
tindakan = 'Tekan Ctrl+C untuk melanjutkan'
pause
return
end

6
%%%% PF_EFMVcoeff %%%%
% Menentukan koefisien-koefisien kurva The Efficient Frontier

function [alpha0, alpha1, beta0, beta2, h0, h1] = PF_EFMVcoeff(mu,C)

n = length(mu) ; e11 = ones(1,n)' ;
temp1 = C^-1 * e11; temp2 = temp1' * e11;
h0 = temp2^-1 * temp1 ;
temp3 = C^-1 * mu; temp4 = e11' * temp3;
h1 = C^-1 * mu - temp4 * h0 ;
alpha0 = mu' * h0 ;
alpha1 = mu' * h1 ;
beta0 = h0' * C * h0 ;
beta2 = h1' * C * h1 ;

%%% % PF_EFMVplot.m %%%%

% Memplot Grafik Mean_Variansi (Ekspektasi vs Variansi Portofolio)

function PF_EFMVplot(t_bawah,t_atas,delta_t,alpha0,alpha1,beta0,beta2)
t = t_bawah : delta_t : t_atas;
mup = alpha0 + t * alpha1;
mup_bawah = alpha0 - t * alpha1;
sigma2p = beta0 + t.^2 * beta2;
plot(sigma2p,mup,'-k',sigma2p,mup_bawah,'--k')
xlabel('Variansi Portofolio \sigma_p^2')
ylabel('Ekspektasi Portofolio \mu_p')
title('Efficient Frontier: Ekspektasi vs Variansi Portofolio','Fontsize',12)
text(beta0,alpha0,'\leftarrow {\rm portofolio yang memiliki nilai variansi terkecil}')

% Menentukan sumbu koordinat

xmin = 0.;
xmax = beta0 + t_atas.^2 * beta2;
ymin = alpha0 - t_atas*alpha1;
ymax = alpha0 + t_atas*alpha1;
axis([xmin xmax ymin ymax])

%%%% PF_EFMSDplot %%%%

% Memplot Grafik Mean_Standar Deviasi (Ekspektasi vs Standar Deviasi Portofolio)

function PF_EFMSDplot(t_bawah, t_atas, delta_t, alpha0, alpha1, beta0, beta2)

t = t_bawah : delta_t : t_atas ;
mup = alpha0 + t * alpha1 ;
mupbawah = alpha0 - t * alpha1 ;
stddevp = ( beta0 + t.^2 * beta2 ) .^0.5 ;
beta_05 = sqrt(beta0);
plot ( stddevp, mup, 'k', stddevp, mupbawah, 'k--' )
xlabel('Standard Deviasi Portofolio \sigma_p')
ylabel('Ekspektasi Portofolio \mu_p')
title('Efficient Frontier: Ekspektasi vs Standard Deviasi Portofolio','Fontsize',12)

7
text(beta_05,alpha0,'\leftarrow {\rm portofolio yang memiliki nilai standard deviasi
terkecil}')

% Menentukan sumbu koordinat

xmin = 0. ;
xmax = ( beta0 + t_atas .^2 * beta2 ) .^0.5 ;
ymin = alpha0 - t_atas * alpha1 ;
ymax = alpha0 + t_atas * alpha1 ;
axis ( [ xmin xmax ymin ymax ] )