Using Daily Stock Return

Stephen J. Brown
Jerold B. Warner

Disusun oleh:
Dian Purnomo Jati
NIM: 389763
 Pendahuluan
• Paper ini berusaha untuk menganalisis properti dari return saham
harian dan bagaimana karakteristik dari data harian tersebut
berpengaruh terhadap metodologi event study dalam
mengidentifikasi pengaruh suatu event yang dilakukan oleh
perusahaan terhadap harga saham.

• Paper ini menggunakan dasar paper sebelumnya (Brown dan

Warner, 1980) yang menggunakan data bulanan untuk melakukan
event study. Berdasarkan penelitian sebelumnya Brown dan Warner
(1980) menyatakan bahwa metodologi sederhana menggunakan
market model, menunjukkan bahwa model terspesifikasi dengan
baik dan powerful dalam berbagai kondisi.

• Hal ini memunculkan pertanyaan terkait penggunaan data harian

terhadap implementasi dari hasil tersebut.
 Pendahuluan

• Data bulanan dan data harian memiliki karakteristik yang

berbeda. Data harga saham harian cenderung tidak normal
dibandingkan data bulanan. Estimasi dari parameter data
harga saham harian juga akan dipengaruhi oleh fenomena
non-synchronous trading.

• Paper ini mendiskusikan tentang properti statistik terkait

return saham harian dan excess return harian. Digunakan
berbagai model yang berbeda untuk menghitung abnormal
return. Untuk menganalisis implikasi properti statistik
tersebut digunakan metode yang sama digunakan oleh
Brown dan Warner pada paper sebelumnya yang
menggunakan data bulanan.
 Isu-Isu ketika Menggunakan Data Harian

• Tidak Normal
Data harian untuk harga saham cenderung tidak normal
dibandingkan dengan data bulanan. Distribusi data return
harian cenderung fat-tailed dibandingkan distribusi
normal. Paper ini akan menganalisis properti rata-rata
excess return untuk sampel dalam jumlah yang sedikit.
Central Limit Theorm menjamin bahwa jika excess return
di dalam data cross-section bersifat independen dan
terdistribusi secara identik dari distribusi varian yang
terbatas, maka distribusi dari rata-rata excess return akan
cenderung mendekati normal seiring dengan
penambahan jumlah saham. Terdapat beberapa bukti
empiris yang memperkuat pernyataan tersebut.
 Isu-Isu ketika Menggunakan Data Harian

• Non-synchronous Trading dan Estimasi

Parameter Market Model
Ketika return sekuritas dan return pasar masing-
masing dihitung menggunakan trading interval
yang berbeda, maka hasil estimasi dari metode
Ordinary Least Squares terhadap parameter
market model akan menjadi bias dan tidak
konsisten. Jika data yang digunakan adalah data
harian maka bias akan menjadi semakin besar.
Di dalam paper akan digunakan berbagai model
estimasi yang berbeda.
 Isu-Isu ketika Menggunakan Data Harian

• Estimasi Varian
Isu yang relatif penting terkait properti time series dari data harian.
Sebagai konsekuensi dari non-synchronous trading, excess return harian
akan memperlihatkan serial dependence. Isu berikutnya adalah cross-
sectional dependence. Isu berikutnya adalah terkait stationarity dari varian
harian. Terdapat bukti bahwa varian return sahan akan meningkat
diseputar peristiwa pengumuman laba.

• Properti Lainnya yang Muncul Ketika Dilakukan Simulasi

Dasar dari pengambilan kesimpulan (Inferensi) di dalam event study
adalah tes statistik, diidentifikasi dari rasio antara rata-rata excess return
terhadap estimasi standar deviasi. Hal ini akan melibatkan properti
distribusi excess return secara time series maupun cross-section. Hal ini
akan menjadi kompleks dipengaruhi oleh derajat non-synchronous trading.
Di dalam paper ini akan dilakukan simulasi menggunakan data aktual
return saham untuk mengidentifikasi distribusi excess return dan properti
dari tes statistik.
 Desain Eksperimen

• Sampel
Digunakan 250 sampel dari 50 sekuritas yang
dipilih secara acak dari populasi seluruh sekuritas
yang memilii ketersediaan data harian lengkap.
Hari ke-0 diidentifikasi sebagai hari kejadian
peristiwa dari masing-masing sekuritas. Untuk
masing-masing sekuritas digunakan maksimum
250 hasil observasi data return harian yang
terbagi atas 239 hari (h-244 sampai dengan h-6)
sebagai periode estimasi dan 11 hari lainnya (h-5
sampai dengan h+5) sebagai periode kejadian.
 Desain Eksperimen – Pengukuran Excess Return

• Mean Adjusted Return

Digunakan 250 sampel dari 50 sekuritas yang dipilih secara acak dari populasi
seluruh sekuritas yang memilii ketersediaan data harian lengkap. Hari ke-0
diidentifikasi sebagai hari kejadian peristiwa dari masing-masing sekuritas. Untuk
masing-masing sekuritas digunakan maksimum 250 hasil observasi data return
harian yang terbagi atas 239 hari (h-244 sampai dengan h-6) sebagai periode
estimasi dan 11 hari lainnya (h-5 sampai dengan h+5) sebagai periode kejadian.

Dimana Ri,t adalah return sekuritas i pada hari t, sedangkan Ai,t adalah excess
return untuk sekuritas i pada hari ke t. Berikutnya excess return harian untuk
setiap sekuritas dihitung dengan mengurangkannya dengan rata-rata return
yang dihitung selama periode estimasi (-244 s/d -6).
 Desain Eksperimen

• Market Adjusted Return

Rm,t adalah return pasar harian yang diperoleh dari CRSP

• OLS Market Model

Diketahui α dan β adalah hasil estimasi menggunakan metode

OLS selama periode estimasi.
 Desain Eksperimen – Pengujian Statistik

• Pengujian statistik terhadap tingkat signifikasi dari excess return dilakukan

untuk masing-masing sampel. Hipotesis nol yang diujikan adalah rata-rata
excess return (misalnya, rata-rata excess return market model) pada hari ke -0
adalah sama dengan nol. Pengujian statistik dengan menghitung rasio rata-
rata excess return hari ke-0 terhadap estimasi standar deviasi (diestimasi
menggunakan rata-rata time series rata-rata excess return). Pengujian statistik
yang dilakukan mengabaikan time series dependence dari excess return.
 Desain Eksperimen

• Pengujian Statistik dengan Abnormal Performance

Untuk melakukan pengujian dengan asumsi keberadaan

abnormal performace, digunakan prosedur yang
sebelumnya digunakan pada penelitian Brown dan
Warner (1980). Nilai konstan tertentu ditambahkan di
observasireturn hari ke-0 untuk masing-masing sekuritas.
Misalnya untuk melakukan simulasi terhadap abnormal
performace sebesar 1% maka ditambahkan nilai konstan
sebesar 0,01. Pada simulasi awal tingkat abnormal
performance untuk semua sampel diasumsikan sama.
Hasil Awal
Hasil Awal
 Hasil Awal

• Hasil pengujian untuk sekuritas individual menunjukkan bahwa

return harian dan excess return harian cenderung tidak normal.
Hasil dari studentizes range untuk return sebesar 7,59, relatif besar
selisihnya dengan nilai t-student sebesar 6,85 untuk nilai alpha
sebesar 1%. Nilai rata-rata skewness dan koefisien kurtosis untuk
return cenderung lebih besar dari nilai untuk populasi normal.
Hasil pengujian menunjukkan bahwa hasil pengukuran standar
deviasi cenderung sama. Berikutnya pengujian untuk data cross-
section selisihnya cenderung mendekati normal dibandingkan
untuk data time series. Untuk penggunaan 50 sampel, hasil
menunjukkan mendekati normal. Hal tersebut tidak berlaku untuk
kelompok sampel yang lebih kecil. Hasil ini menunjukkan bahwa
derajat kesalahan spesifikasi untuk metodologi event study bersifat
sensitif terhadap ukuran sampel.
 Properti Tes Statistik

• Hasil pengujian ketika tidak diberikan tambahan nilai konstan terhadap

abnormal performance menunjukkan bahwa distribusi dari pengujian
empiris cenderung mendekati distribusi teoritis untuk pengujian
hipotesis nol (0).
 Power of The Test

• Tingkat penolakan ketika tidak ada abnormal return

berkisar antara 4,4% - 6,4%. Meningkat seiring
dengan penambahan nilai konstan pada hari ke-0.
 Analisis Sensitivitas

Hasil pengujian untuk semua metode yang digunakan konsisten dengan hasil
simulasi yang dilakukan dan tidak terlalu sensitif dengan beberapa perubahan
prosedur eksperimen.
 Clustering

Hasil menunjukkan bahwa tingkat penolakan terhadap hipotesis nol tidak

terlalu bervariasi untuk kondisi pengelompokkan data berdasarkan event
yang hari kejadiannya sama atau berdekatan dalam kurun waktu yang sama..
 Non-synchronous trading: Alternatif Prosedur untuk Mengestimasi Beta

• Dalam kondisi non-synchronous trading akan memunculkan

banyak kesulitan untuk penggunaan data harian. Hasil estimasi
OLS terhadap β akan cenderung bias dan inkonsisten.
Sekuritas yang memiliki frekuensi perdagangan tinggi akan
meningkatkan bias dari estimasi β dan sekuritas yang
frekuensi perdagangannya rendah akan menurunkan bias dari
estimasi β.
• Bias tersebut tidak berakibat terhadap misspecification of
event study methodology dengan menggunakan OLS market
model. Nilai residual dari OLS di estimation period nilainya
sum to zero, sehingga bias dalam estimasi β akan
dikompensasi oleh bias dari estimasi α.
Panel A menunjukkan bahwa penggunaan dua prosedur yaitu Scholes-Williams procedure
dan Dimson hasilnya mendekati dengan hasil OLS.
Panel B menunjukkan hasil pengujian dengan kelomppok sampel yang memiliki frekuensi
perdagangan di atas rata-rata dan yang di bawah rata-rata. Tidak diperoleh bukti bahwa
penggunaan metode estimasi alternatif dari OLS memberikan power test yang lebih baik.
 Estimating the variance of the mean exces return

Tabel 7 menunjukkantime series propoerties untuk berbagai metode pengukuran excess

return. OLS market model memiliki nilai estimasi -0,101, -0,037 dan -0,030 dengan nilai t
untuk masing-masing -20,1, -8,5, dan -7,2.
• Autocorrelation adjustments, manfaat yang
diperoleh dari autocorrelation adjustments relatif
kecil. Adustment menyebabkan rejection rate
terhadap hipothesis nol berkurang.
• Cross-sectional dependence, dinyatakan
sebelumnya oleh Brown dan Warner (1980) bahwa
ketika terjadi positive cross-sectional dependence,
dan tidak dilakukan adjustment, akan berakibat
terhadap peningkatan rejection rate terhadap null
hypothesis.
 SIMPULAN
• Paper ini menganalisis pengaruh dari karakteristik data harian
terhadap metodologi event study. Menggunakan prosedur
simulasi dengan data harian aktual, diidentifikasi beberapa
permasalahan yang berpotensi muncul beserta dampaknya;
• Return dan Excess return yang tidak normal. Data harian yang
cenderung tidak normal tidak berdampak serius terhadap
metodologi event study. Excess return harian yang cenderung
tidak normal juga terbukti akan mendekati normal seiring
dengan penambahan jumlah sampel. Metode market adjusted
return dan OLS market model diidentifikasi memiliki power
yang sama, dan diekspektasikan lebih kuat dibandingkan
penggunaan data bulanan. Market adjusted return dan dan OLS
market model lebih baik dibandingkan mean adjusted returns.
 SIMPULAN

• Prosedur estimasi selain OLS yang digunakan untuk mengestimasi beta

dalam kondisi pasar yang tidak sinkron juga tidak memberikan hasil yang
lebih baik dalam mendekti abnormal return. Prosedur yang digunakan oleh
Scholes dan Wiiliam dan Dimson bisa mengurangi bias estimasi beta.

• Munculnya autokorelasi dari excess return harian dan peningkatan varian di

seputar kejadian. Pemilihan estimator terhadap varian, mempengaruhi
spesifikasi dan kekuatan pengujian. Untuk pengujian hipotesis yang
menggunakan interval lebih dari satu hari, ditemukan bukti bahwa
spesifikasi dari pengujian statistik menjadi lebih baik dengan menggunakan
metode yang sederhana untuk menyesuaikan estimasi varian. Perbaikan
cenderung kecil dan hanya berlaku untuk kasus tertentu saja. Berikutnya
juga ditunjukkan tentang kenaikan varian yang dapat menyebabkan
pengujian hipotesis yang menggunakan prosedur event study menjadi
memiliki kesalahan spesifikasi.