1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

advertisement
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Saham adalah surat berharga yang menjadi bukti seseorang berinvestasi
pada suatu perusahaan. Harga saham selalu mengalami perubahan harga atau
biasa disebut dengan fluktuasi. Fluktuasi harga saham erat kaitannya dengan
risiko. Risiko selalu terdapat dalam dunia bisnis dan investasi khususnya tentang
investasi saham. Menurut Rosadi (2012), risiko merupakan selisih antara tingkat
pengembalian (return) aktual dengan tingkat pengembalian yang diharapkan
(expected return). Risiko tersebut merupakan suatu risiko finansial sehingga
membutuhkan manajemen risiko untuk meminimalkan terjadinya risiko tersebut.
Manajemen risiko dapat dilakukan dengan mengukur tingkat risiko yang akan
terjadi. Pengukuran risiko dibutuhkan sebagai dasar untuk memahami signifikansi
dari akibat (kerugian) yang akan ditimbulkan oleh terealisasinya suatu risiko baik
secara individu maupun portofolio terhadap tingkat kelangsungan usaha.
Pengukuran risiko yang akan terjadi memerlukan metodologi pengukuran risiko
kuantitatif, salah satunya adalah Value at Risk (VaR). Menurut Rosadi (2012),
VaR didefinisikan sebagai estimasi maksimal kerugian potensial dalam kondisi
pasar normal pada periode waktu tertentu dan tingkat kepercayaan tertentu. Oleh
karena itu, VaR digunakan untuk mengestimasi kerugian maksimal potensial yang
dapat terjadi beberapa hari berikutnya.
Perhitungan VaR dapat dilakukan dengan beberapa metode yaitu metode
estimasi VaR parametrik dan non parametrik. VaR parametrik digunakan dalam
penelitian ini karena data keuangan di Indonesia sering terjadi perubahan harga
yang ekstrim. VaR parametrik dengan asumsi distribusi normal hanya tepat
digunakan untuk mengukur tingkat kerugian maksimal potensial suatu aset dari
data yang berdistribusi normal. Kenyataannya banyak ditemukan data keuangan
yang tidak berdistribusi normal seperti data yang mempunyai kurtosis yang lebih
tinggi dari distribusi normal yang sering disebut leptokurtik. VaR parametrik
dengan asumsi distribusi Student-t dapat digunakan untuk mengukur tingkat
1
2
kerugian maksimal potensial dari data aset yang memiliki kurtosis yang bersifat
leptokurtik.
Data keuangan di Indonesia banyak ditemukan volatility clustering.
Volatility clustering dapat didefiniskan sebagai berkumpulnya sekelompok aset
return yang bernilai besar kemudian diikuti oleh sekelompok aset return yang
bernilai kecil. Volatility clustering mengindikasikan variansi data yang tidak
konstan atau bersifat heteroscedasticity. Estimasi VaR dengan asumsi variansi
yang konstan menghasilkan estimasi VaR yang tidak akurat untuk data yang
mempunyai sifat heteroscedasticity. Oleh karena itu, dibutuhkan metode untuk
mengatasi kelemahan VaR tersebut. Kelemahan VaR tersebut dapat diatasi dengan
model runtun waktu heteroscedasticity.
Engle (1982) memperkenalkan model ARCH (Autoregressive Conditional
Heteroscedasticity) untuk memodelkan data yang memiliki variansi yang tidak
konstan atau heteroscedasticity. Model ARCH dalam aplikasi empirisnya relatif
membutuhkan nilai lag yang panjang pada model variansi bersyaratnya. Model
GARCH (Generalized Autoregressive Conditional Heteroscedasticity) merupakan
pengembangan dari model ARCH dengan mengikutsertakan variansi masa lalu
untuk menjelaskan variansi masa yang akan datang, sehingga diperoleh taksiran
variansi yang lebih akurat (Bollerslev, 1986). Model GARCH dengan asumsi
distribusi
Student-t digunakan untuk mengestimasi data runtun waktu yang
memiliki kurtosis yang lebih tinggi dari distribusi normal sehingga diperoleh
estimasi model GARCH yang lebih akurat. Model GARCH mempunyai asumsi
bahwa penurunan harga aset (bad news) dan peningkatan harga aset (good news)
memberikan pengaruh simetris terhadap volatility.
Menurut Chen (2005) pada data finansial sering terjadi keadaan leverage
effect, yaitu suatu keadaan bad news dan good news memberikan pengaruh yang
tidak simetris terhadap volatilitynya. Menurut (Araújo, 2013), untuk memodelkan
data yang memiliki sifat heteroscedasticity dan leverage effect dapat digunakan
model
EGARCH
(Exponential
Generalized
Autoregressive
Conditional
Heteroscedasticity) karena model EGARCH mempunyai parameter yang dapat
menangkap kejadian leverage effect.
3
Keakuratan nilai VaR dengan model EGARCH dapat diukur menggunakan
metode backtesting. Menurut Rosadi (2012), backtesting adalah suatu metode
yang digunakan untuk menguji validasi model VaR yang dibangun berdasarkan
realitas pasar sehingga dapat dilihat tingkat keakuratan model VaR tersebut
menggambarkan data aktual historis pasar. Metode backtesting yang digunakan
pada penelitian ini adalah metode Kupiec. Metode Kupiec tersebut mengukur
tingkat keakuratan VaR berdasarkan banyaknya frekuensi kerugian.
1.2. Tujuan dan Manfaat Penelitian
Berdasakan latar belakang masalah di atas, tujuan dari penelitian ini adalah
a. dapat mengenali model EGARCH Student-t sebagai model runtun waktu yang
mampu mengatasi masalah efek heteroscedasticity dan leverage effect,
b. mampu mengaplikasikan model EGARCH Student-t dalam perhitungan VaR
dengan asumsi distribusi Student-t untuk data keuangan.
Selanjutnya hasil dari penelitian ini diharapkan menambah wawasan bagi siapa
saja, terutama yang mendalami tentang VaR dan model runtun waktu sehingga
dapat digunakan sebagai batu pijakan untuk penelitian lebih lanjut.
1.3. Pembatasan Masalah
Pada penelitian ini, batasan masalah sangat diperlukan supaya tidak terjadi
penyimpangan dari tujuan awal. Oleh karena itu, pembahasan hanya difokuskan
pada penerapan VaR Student-t menggunakan model EGARCH Student-t untuk
data keuangan.
1.4. Tinjauan Pustaka
Distribusi Student-t dapat digunakan untuk mengatasi data yang memiliki
kurtosis lebih besar dari 3 karena Hogg (2005) menyatakan bahwa distribusi
Student-t memiliki nilai kurtosis antara 3 sampai 9. Menurut Araujo (2013), VaR
dengan asumsi distribusi Student-t dapat digunakan untuk mengukur tingkat
kerugian maksimal potensial suatu aset dari data yang mempunyai kurtosis yang
leptokurtik.
4
Perhitungan VaR dengan asumsi variansi yang konstan akan menghasilkan
estimasi VaR yang tidak akurat untuk data yang memiliki sifat heteroscedasticity.
Oleh karena itu, dibutuhkan metode yang dapat mengatasi kekurangan VaR
tersebut yaitu dengan model runtun waktu yang dapat mengatasi masalah
heteroscedasticity. Bollerslev (1986) menyatakan bahwa model GARCH dapat
digunakan untuk memodelkan data runtun waktu yang memiliki sifat
heteroscedasticity atau variansi tidak konstan. Model GARCH mempunyai asumsi
bahwa penurunan harga aset (bad news) maupun peningkatan harga aset (good
news) memberikan pengaruh yang simetris terhadap volatilitynya.
Menurut Araujo (2013), model EGARCH dapat digunakan untuk
memodelkan data yang memiliki sifat heteroscedasticity dan leverage effect.
Model EGARCH dengan asumsi distribusi Student-t dapat digunakan untuk
memodelkan data yang memiliki nilai kurtosis yang lebih tinggi dari tiga. Oleh
karena itu, VaR Student-t dengan model EGARCH Student-t sesuai digunakan
untuk data yang memiliki heteroscedasticity dan leverage effect.
Aloui (2010) menyatakan bahwa nilai VaR untuk model EGARCH dengan
distribusi Student-t yang diperoleh selanjutnya dilakukan uji validasi dengan
menggunakan metode backtesting. Hal ini dilakukan untuk mengetahui tingkat
keakuratan dari VaR. Metode backtesting yang digunakan pada penelitian ini
antara lain metode Kupiec. Metode tersebut mengukur tingkat keakuratan VaR
berdasarkan banyaknya frekuensi kerugian.
1.5. Metodologi Penelitian
Metode yang dilakukan dalam penelitian ini adalah bimbingan dan diskusi
dengan dosen pembimbing, studi literatur, dan pengolahan data. Sumber literatur
diperoleh dari buku, artikel, dan jurnal yang terkait dengan tema penelitian.
Estimasi VaR untuk model EGARCH dengan distribusi Student-t dan metode
backtesting diperoleh dari jurnal Risk contagion in the north-western and southern
European stock markets (2013) dan Value at risk estimations of energy
commodities via long memory, asymmetry and fat tailed GARCH models (2010).
5
Data yang digunakan adalah data harga penutupan saham yang diambil dari
www.yahoofinance.com. Langkah pertama adalah mengambil harga historis
saham, kemudian menghitung log return untuk mengetahui volatility (σ) saham
tersebut dan melihat bentuk distribusi log return. Langkah kedua adalah
melakukan estimasi model rata-rata bersyarat dengan menggunakan model
Autoregressive Moving Average (ARMA) dan uji diagnostiknya. Langkah ketiga
adalah jika residu model ARMA memiliki sifat heteroscedasticity maka dilakukan
estimasi model GARCH dengan asumsi distribusi Student-t. Langkah keempat
yaitu jika residu terstandar dan kuadrat residu terstandar dari model GARCH
memiliki korelasi. Oleh karena itu, dapat digunakan model EGARCH untuk
mengatasi masalah heteroscedasticity dan leverage effect. Model EGARCH yang
diperoleh dilakukan uji diagnostik model kemudian dilakukan estimasi secara
simultan dengan model ARMA yang diperoleh sebelumnya dan dilakukan uji
diagnostik model ARMA-EGARCH. Langkah kelima adalah melakukan peramalan
dari model ARMA-EGARCH. Langkah keenam yaitu melakukan estimasi VaR
menggunakan hasil ramalan ARMA-EGARCH. Langkah ketujuh adalah mengukur
tingkat keakuratan dari VaR yang diperoleh menggunakan metode backtesting.
Software yang digunakan untuk melakukan perhitungan adalah Eviews 5.1 dan R
2.14.2. Diagram proses penelitian yang dilakukan sebagai berikut
6
Data
Log Return
Stasioner
Student-t
ACF dan PACF
Identifikasi Model ARMA
Estimasi Parameter
Autokorelasi
Tidak
Efek
Heteroscedasticity
Ya
Ya
Model GARCH Student-t
Model GARCH Student-t
Tidak
Ya
Leverage Effect
Ya
Identifikasi Model EGARCH
Ya Student-t
Estimasi Parameter Model
7
Estimasi Parameter Model
Estimasi Model ARMA-EGARCH
Uji Diagnostik Model
Peramalan
VaR Student-t
Backtesting
Gambar 1.1. Diagram Proses Estimasi VaR untuk Model EGARCH dengan
Distribusi Student-t
1.6. Sistematika Penulisan
Tesis ini disusun dengan sistematika penulisan sebagai berikut:
BAB I
PENDAHULUAN
Bab ini berisi Latar Belakang, Tujuan dan Manfaat Penelitian,
Pembatasan Masalah, Tinjauan Pustaka, Metodologi Penelitian, dan
Sistematika Penulisan.
BAB II
LANDASAN TEORI
Bab ini membahas tentang teori dasar yang menunjang pembahasan
tentang return dan model runtun waktu heteroscedasticity.
BAB III
PEMBAHASAN
Bab membahas tentang Distribusi Student-t, Model GARCH, Model
EGARCH, Keasimetrisan Model GARCH, VaR, dan Backtesting.
BAB IV
STUDI KASUS
Bab ini membahas penerapan dari estimasi Value at Risk (VaR)
untuk model EGARCH dengan distribusi Student-t pada data saham
PT Wijaya Karya (WIKA). Pembahasan tersebut meliputi
karakteristik data, estimasi model EGARCH dengan distribusi
8
Student-t, estimasi VaR Student-t, Backtesting, dan peramalan VaR
untuk k periode ke depan.
BAB V
PENUTUP
Bab ini berisi tentang kesimpulan yang memuat rangkuman hasil
penelitian dan saran bagi penelitian selanjutnya.
Download
Random flashcards
Rekening Agen Resmi De Nature Indonesia

9 Cards denaturerumahsehat

Rekening Agen Resmi De Nature Indonesia

9 Cards denaturerumahsehat

sport and healty

2 Cards Nova Aulia Rahman

Secuplik Kuliner Sepanjang Danau Babakan

2 Cards oauth2_google_2e219703-8a29-4353-9cf2-b8dae956302e

Create flashcards