PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 (T.3) MODIFIED VALUE-AT-RISK DI BAWAH CAPM DENGAN PENDEKATAN MODEL ARMAX-GARCH 2 (MODIFIED VALUE-AT-RISK UNDER CAPM BY ARMAX-GARCH MODEL APPROACH) Sukono Jurusan Matematika FMIPA Universitas Padjadjaran E-mail: [email protected] Abstrak Dalam paper ini dibahas pengukuran risiko investasi berdasarkan Modified Value-at-Risk di bawah Capital Asset Pricing Model. Diasumsikan bahwa return indeks pasar memiliki ratarata tak-konstan serta terdapat efek long memory. Rata-rata dari return indeks pasar diestimasi menggunakan model-model ARFIMA. Diasumsikan pula bahwa premi risiko saham berkorelasi dengan premi risiko pasar, dan premi risiko saham beberapa waktu sebelumnya. Korelasi tersebut akan dianalisis menggunakan pendekatan model ARMAX-GARCH. Modified Value-at-Risk selanjutnya dirumuskan berdasarkan Capital asset Pricing Model dengan pendekatan model ARMAX-GARCH tersebut. Untuk mengukur kinerja Modified Value-at-Risk yang telah dirumuskan dilakukan dengan back testing. Back testing dilakukan berdasarkan metode Lopez II. Sebagai studi kasus, dianalisis beberapa data saham yang diperdagangkan dalam pasar modal di Indonesia. Kata kunci: Modified Value-at-Risk, CAPM, ARFIMA, ARMAX-GARCH, Back Testing. Abstract In this paper discussed the measurement of investment risk based on the Modified Value-atRisk under the Capital Asset Pricing Model. It is assumed that the market index returns have non-constant mean and there are long-memory effect. The mean of the return of market index is estimated using ARFIMA models. It is assumed also that the risk premium shares correlated with the market risk premium, and risk premium share some time earlier. Such correlations will be analyzed using ARMAX-GARCH model approach. Modified Value-at-Risk subsequently formulated based on the Capital Asset Pricing Model with ARMAX-GARCH approach to model them. To measure the performance of Modified Value-at-Risk that has been formulated carried out with back testing. Back testing is conducted based on the method of Lopez II. As a case study, data were analyzed several stocks that are traded in capital markets in Indonesia. Keywords: Modified Value-at-Risk, CAPM, ARFIMA, ARMAX-GARCH, Back Testing. 1. PENDAHULUAN Risiko adalah sebagai perbedaan antara hasil yang diharapkan (expected return) dan realisasinya. Makin besar penyimpangannya, makin tinggi risikonya (Dowd, 2002). Investor bersedia menerima risiko yang lebih besar tetapi harus dikonpensasi dengan kesempatan Jurusan Statistika-FMIPA-Unpad 2011 24 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 investasi untuk mendapatkan return yang juga besar. Makin besar hasil yang diinginkan makin besar pula risikonya (Khindanova & Rachev, 2005). Sebaliknya, makin kecil risiko yang dihadapi makin kecil pula hasil yang akan diperoleh. Keputusan investasi yang dibuat oleh investor didasarkan pada expected return dan variansi sebagai ukuran risiko (Froot et al., 2007). Namun, akhir-akhir ini risiko lebih populer diukur menggunakan kuantil atau sering disebut sebagai Value-at-Risk (VaR). VaR digunakan untuk mengukur risiko return aset yang berdistribusi normal. Bilamana suatu return aset (saham) tidak berdistribusi normal, risiko diukur berdasarkan Modified VaR (MVaR) (Dowd, 2002; Sukono, 2011). Premi risiko return saham seringkali dipengaruhi oleh premi risiko return indeks pasar. Hubungan pengaruh premi return indeks pasar terhadap premi risiko return saham dapat digambarkan oleh regresi Capital Asset Pricing Model (CAPM) (Allen & Bujang, 2009; Firnandez, 2002). Sehingga regresi CAPM dapat digunakan untuk menentukan harga aset (saham) berisiko. Premi risiko return saham pada waktu tertentu selain dipengaruhi oleh premi risiko return indeks pasar, seringkali juga oleh premi risiko return saham beberapa waktu sebelumnya, dan juga residual pada waktu tertentu serta sebelumnya (Sukono, 2011). Karakteristik demikian tersebut memenuhi karakteristik model autoregressive moving average X (ARMAX) (Franses & Oest, 2004; Hu et al., 2000). Return indeks pasar seringkali memiliki rata-rata dan volatilitas tak konstan, dan bahkan terdapat efek long memory. Ratarata dan volatilitas tak konstan serta efek long memory demikian dapat dianalisis menggunakan pendekatan runtun waktu (time series) (Kang & Yoon, 2007; Tsay, 2005). Paper ini menganalisis ukuran risiko yang dikenali sebagai Modified Value-at-Risk (MVaR), yang mana saham yang dianalisis diasumsikan mengikuti bentuk CAPM. Terutamanya bentuk-bentuk CAPM tak standar yang mengikuti model ARMAX. Diasumsikan pula bahwa return indeks pasar memiliki rata-rata dan volatilitas tak konstan, serta terdapat efek long memory. Rata-rata dan efek long memory akan diestimasi menggunakan pendekatan model autoregressive fractionally integrated moving average (ARFIMA), sedangkan volatilitas tak konstan akan diestimasi menggunakan model generally autoregressive contional heteroscedastic (GARCH). Nilai MVaR, selanjutnya akan dihitung berdasarkan regresi CAPM yang mengikuti model ARMAX tersebut. Untuk mengevaluasi kinerja MVaR yang telah dihasilkan berdasarkan metode di atas, dilakukan dengan back test. Back testing dilakukan menggunakan pendekatan metode Lopez II. Paper ini bermaksud melakukan pengukuran MVaR beberapa saham yang diperdagangkan dalam pasar modal di Indonesia berdasarkan metode-metode tersebut di atas. Jurusan Statistika-FMIPA-Unpad 2011 25 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 2. METODOLOGI Misalkan Pit dan rit berturut-turut menyatakan harga dan return aset i ( i 1,..., N dan N banyaknya aset yang dianalisis), pada waktu t ( t 1,..., T , T periode observasi data). Return aset rit dihitung menggunakan rumus rit ln( Pit / Pit 1) . (Tsay, 2005; Dowd, 2002). Data return tersebut selanjutnya dilakukan analisis sebagai berikut. 2.1 Pemodelan Runtun Waktu Return Indeks Pasar Pemodelan rata-rata. Identifikasi efek long memory terhadap data return indeks pasar rmt . Identifikasi dilakukan dengan metode rescale range (R/S) atau metode Geweke dan Porter-Hudak (GPH). Estimasi parameter diferensi fraksional dm ( m menyatakan indeks pasar), dilakukan menggunakan metode maximum likelihood (Tsay, 2005). Selang kepercayaan (1 )100% untuk dm ialah dˆm z /2 . d m dm dˆm z1 /2 . d m dengan dˆm estimator dari dm , dan z / 2 persentil distribusi normal standar bila diberikan tingkat signifikansi . Misalkan dm diferensi fraksional yang akan diuji hipotesis. Misalkan pula d m deviasi standar dari dm . Uji hipotesis dilakukan terhadap H 0 : dˆm 0 melawan H1 : dˆm 0 menggunakan zd d m / d . Kriteria uji adalah tolak H 0 jika nilai zd z / 2 m m m atau zd m z1 / 2 (Korkmaz et al., 2009; Sukono et al., 2009; Tsay, 2005). Proses diferensi fraksional didefinisikan sebagai: (1 B) dm rmt amt , 0,5 d m 0,5 ; (1) dengan {amt } deret residual white noise, dan B menyatakan operator backshift. Jika deret diferensi fraksional (1 B)d m rmt mengikuti model ARMA( p, q ), maka rmt disebut proses autoregressive fractionally integrated moving average derajat p , d dan q , atau ARFIMA( p, d , q ) (Sukono et al., 2009; Kang & Yoon, 2007; Tsay, 2005). Persamaan model ARMA( p, q ) adalah p q rmt m0 g 1 mg rmt g amt h1mh amt h , (2) dengan m 0 konstanta dan mg ( g 1,..., p ) serta mh ( h 1,..., q ) koefisien parameter model rata-rata return indeks pasar rmt . Diasumsikan {amt } barisan residual white noise dengan rata-rata nol dan variansi a2 (Tsay, 2005). m Jurusan Statistika-FMIPA-Unpad 2011 26 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 Tahapan proses pemodelan rata-rata meliputi: (i) Identifikasi model, (ii) Estimasi parameter, (iii) Uji diagnosis, dan (iv) Prediksi (Tsay, 2005). Pemodelan volatilitas. Pemodelan volatilitas return sekuritas dilakukan menggunakan model-model generalized autoregressive conditional heteroscedastic (GARCH). Misalkan mt 2 dan mt berturut-turut rata-rata dan volatilitas return indeks pasar rmt , pada waktu t ( t 1,..., T dan T periode observasi data). Residual amt tersebut di atas memiliki persamaan 2 amt rmt mt . Volatilitas mt akan mengikuti model GARCH derajat dan n atau ditulis GARCH( , n ), bila n 2 2 amt mt mt , it2 m0 k 1 mk amt k l 1 ml mt l mt , (3) dengan m 0 konstanta dan mk ( k 1,..., ) serta ml (l 1,..., n ) koefisien parameter model volatilitas return indeks pasar rmt . Diasumsikan { mt } barisan variabel acak saling bebas dan berdistribusi identik (iid) dengan rata-rata 0 dan variansi 1, m0 0 , mk 0 , ml 0 , dan max( , n) k 1 ( mk mk ) 1 (Sukono et al., 2009; Tsay, 2005; Shi-Jie Deng, 2004). Tahapan proses pemodelan volatilitas meliputi: (i) Estimasi model rata-rata, (ii) Uji efek ARCH, (iii) Identifikasi model, (iv) Estimasi model volatilitas, (v) Uji diagnosis, dan (vi) Prediksi. Menggunakan model rata-rata (2) dan volatilitas (3), prediksi dilakukan bertujuan 2 ˆ 2 (1) , yakni prediksi 1 untuk menghitung rata-rata ˆ mt rˆmT (1) dan variansi ˆ mt mT langkah ke depan setelah periode waktu ke T (Tsay, 2005). 2.2 Pemodelan CAPM Pendekatan ARMAX Asumsi-asumsi yang mendasari CAPM digunakan dalam pembahasan pada bagian ini. Misalkan rit return saham i ( i 1,..., N dan N banyaknya saham yang dianalisis) pada waktu t , rmt return indeks pasar pada waktu t , dan r ft return aset bebas risiko pada waktu t . Jika diasumsikan return aset bebas risiko memiliki rata-rata f E (r ft ) konstan, dan variansi 2f Var ( r ft ) 0 , maka bentuk CAPM standar adalah rit f i 0 i 0 (rmt f ) uit . Jurusan Statistika-FMIPA-Unpad 2011 27 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 Parameter koefisien i 0 dan i 0 dapat diestimasi menggunakan metode kuadrat terkecil (least square) (Sukono et al., 2009; Fernandez, 2003). Merujuk pada model ARMAX (Li He & Karny, 2003; Moore et al., 2003, persamaan CAPM pendekatan model ARMAX dapat dinyatakan sebagai L S rit f i 0 i 0 (rmt f ) il (rit l f ) uit is uit s , l 1 (12) s 1 dengan L panjang lag untuk premi risiko saham, dan S panjang lag untuk residual uit . Parameter i 0 , i 0 , il ( l 1,..., L ) dan is ( s 1,..., S ) dapat diestimasi menggunakan metodel maksimum likelihood. Melalui persamaan (12) dapat diestimasi rata-rata return saham i ( i 1,..., N dan N banyaknya saham yang dianalisis) pada waktu t , yakni ˆi . Sedangkan estimator variansi dan kurtosis dari return saham i pada waktu t , yakni ˆi2 , dan Kˆ i diestimasi melalui model GARCH dari residual kuadrat uit2 . 2.3. Kurtosis Model GARCH Dari uit2 Dalam bagian ini, akan dibahas ekses kurtosis dari model GARCH(1,1). Cara yang sama dapat diterapkan untuk model GARCH lainnya. Model yang dibahas adalah uit it it , it2 i 0 i1ait2 1 i1 it2 1 (4) dengan i 0 0 , i1 0 , i1 0 , i 0 0 , dan { it } barisan iid yang memenuhi E ( it ) 0 , Var ( it ) 1 , E ( it4 ) K i 3 (5) Di mana K i ekses kurtosis dari residual it . Berdasarkan asumsi, diperoleh sebagai berikut: Var (uit ) E ( it2 ) i 0 1 ( i1 i1) E (uit4 ) ( K i 3) E (uit4 ) dengan E(uit4 ) ada. Mengambil kuadrat persamaan volatilitas (4), diperoleh it4 i20 i21uit4 1 i21 it4 1 2 i 0 i1ait2 1 2 i 0 i1 it2 1 2 i1 i1 it2 1uit2 1 (6) Mengambil ekpektasi persamaan (6) dan menggunakan dua sifat tersebut di atas, diperoleh Jurusan Statistika-FMIPA-Unpad 2011 28 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 i20 (1 i1 i1 ) E ( it4 ) (7) [1 ( i1 i1 )][1 i21 ( K 2) (i1 i1 )2 ] i dengan 0 i1 i1 1 dan 1 i21( K i 2) (i1 i1 )2 0 . Ekses kurtosis dari uit , jika ada, adalah Ku i E (uit4 ) [ E (uit2 )]2 3 ( K 3)[1 (i1 i1) 2 ] i 1 2i21 (i1 i1 )2 K i21 i (8) 3 Menurut Tsay (2005), ekses kurtosis ini dapat ditulis yang lebih informatif. Pertama, pandang kasus it berdistribusi normal. Dalam hal, K 0 , dan secara aljabar dapat i ditunjukkan bahwa (g ) K ui 6 i21 1 2 i21 ( i1 i1) 2 , (9) Di mana superskrip (g) digunakan untuk menunjukkan distribusi Gausian. Hasil ini memiliki dua implikasi penting: (a) Kurtosis uit ada, jika 1 2 i21 ( i1 i1 )2 0 , dan (b) (g ) jika i 0 0 , maka Ku i 0 , menunjukkan bahwa model GARCH(1,1) tidak memiliki heavy tails. Kedua, pandang kasus it tidak Gaussian. Menggunakan hasil sebelumnya, diperoleh Ku i K K (i1 i1 ) 6 i21 3K i21 i i i 1 2 i21 (i1 i1) 2 K i21 i K i Ku( g ) 5 K i Ku( g ) 6 i i (10) (g) 1 1 K i Ku 6 i Ini dimiliki oleh semua model GARCH dengan ketentuan kurtosis ada. Misalnya, jika i1 0 , maka berubah menjadi model ARCH(1). Dalam kasus ini, mudah untuk menunjukkan bahwa Ku( g ) 6i21 / (1 3 i21 ) dengan 1 3 i21 , dan ekses kurtosis dari uit adalah i (g) (g) 5 K 2 K i21 6i21 K i Kui 6 K i Kui i i Ku 3 i i (g) 1 ( K 3) i21 1 3i31 K i21 1 1 K i Ku i i 6 i ( K 3)(1 i21) (11) Hasil-hasil sebelumnya telah ditunjukkan bahwa model GARCH(1,1) koefisien i1 memainkan peranan penting dalam menentukan perilaku tail dari uit . Jika i1 0 , maka Ku( g ) 0 dan Kui K i . Dalam hal ini, perilaku tail dari uit adalah sepadan dengan i Jurusan Statistika-FMIPA-Unpad 2011 29 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 standarisasi residual it . Namun, jika i1 0 , maka Ku( g ) 0 dan uit suatu proses yang i memiliki heavy tails (Tsay, 2005; Shi-Jie Deng, 2004). Untuk distribusi Student- t standar dengan derajat kebebasan v , diperoleh E ( it4 ) 6 / (v 4) 3 jika v 4 . Oleh sebab itu, ekses kurtosis dari it adalah K 6 / (v 3) i untuk v 4 . Ekses kurtosis dari uit menjadi Kui [6 (v 1) Ku( g ) ] / [v 4 K u( g ) ] dengan i i 1 2 i21 (v 1) / (v 4) ( i1 i1 )2 0 (Tsay, 2005; Shi-Jie Deng, 2004). 2.4 Modified VaR Normal Perluasan Cornish-Fisher digunakan untuk menentukan persentil dari distribusidistribusi tak normal. Perluasan Cornish-Fisher dimaksudkan untuk memberikan faktor penyesuaian terhadap persentil yang diestimasi dari distribusi non-normalitas, dan penyesuaian yang diberikan dari normalitas adalah “kecil”. Oleh karena itu, perluasan Cornish-Fisher dapat digunakan untuk estimasi VaR bilamana Profit/Loss (P/L) memiliki distribusi non-normalitas (Dowd, 2002; Kindanova & Rachev, 2005). Pandang bahwa z persentil dari distribusi normal standar untuk tingkat konfidensi (misalnya, z0,05 1.645 , dan sebagainya). Maka perluasan Cornish-Fisher adalah: 1 1 1 z ( z2 1) S ( z3 3z ) K (2 z3 5 z ) S 2 higher order terms 6 12 36 di mana S skewness dan K kurtosis suatu distribusi (Dowd, 2002). Jika kita hilangkan higher order terms karena diasumsikan pengaruhnya semakin kecil dari normalitas, perluasan menjadi: 1 1 1 z ( z2 1) S ( z3 3 z ) K (2 z3 5 z ) S 2 6 12 36 Untuk menggunakan perluasan, dilihat nilai persentil z dari tabel distribusi probabilitas normal standar. Ini ekivalen dengan menyesuaikan persentil normal z untuk skewness dan atau kurtosis (Dowd, 2002). Keberadaan non-normalitas dalam aset dapat sebagai petunjuk untuk memilih portofolio berbeda berkenaan dengan asumsi. Menurut Dowd (2002), Cornish-Fisher pada tahun 1937 mengembangkan suatu ukuran baru di mana risiko diukur dengan deviasi standar, skewness (untuk return asimetri) dan kurtosis (untuk return fat tailes). Ukuran ini disebut Modified VaR (atau MVaR), adalah serupa dengan Value-at-Risk secara klasik. Menurut Sukono (2011) dan Dowd (2002), MVaR dirumuskan sebagai: Jurusan Statistika-FMIPA-Unpad 2011 30 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 1 1 1 MVaR W0 i z ( z2 1)Si ( z3 3z ) Ki (2 z3 5 z )Si2 i (13) 6 24 36 di mana i rata-rata, i deviasi standar, Si skewness, Ki kurtosis, dari return saham i dan z persentil distribusi normal standar dengan tingkat signifikansi . 2.5 Back Testing Menurut Dowd (2002), metode Back test dapat dilakukan menggunakan pendekatan evaluasi hasil prediksi (forecast) yang diperkenalkan oleh Lopez pada tahun 1998-an. Misalkan rit adalah tingkat kerugian (jika negatif) atau keuntungan (jika positif), return saham i ( i 1,..., N dan N banyaknya saham yang dianalisis), yang dihasilkan pada periode t , dan VaRit prediksi VaR untuk return saham i pada periode t , fungsi indikator kerugian observasi return saham i pada periode t diberikan sebagai berikut: f (r ,VaRit ), jika rit VaRit Cit it , g ( rit ,VaRit ), jika rit VaRit (14) di mana f ( rit ,VaRit ) g ( rit ,VaRit ) . Untuk uji hipotesis nol bahwa model VaRit adalah “terbaik”, dapat digunakan fungsi quadratic probability score (QPS) diberikan oleh: QPSi 2 n (Cit p)2 , n j 1 (15) di mana p nilai probabilitas yang dapat ditentukan sama dengan tingkat signifikansi (biasanya sebesar 5%). Nilai QPS terletak di antara rentang [0, 2], dan nilai QPS mendekati pada nol, adalah model terbaik (Dowd, 2002). Merujuk persamaan (15), rentang [0, 2] menunjukkan bahwa angka 0 adalah nilai minimum terjadi bila seluruh rit VaRit , dan angka 2 adalah nilai maksimum terjadi bila seluruh rit VaRit . 3. HASIL DAN PEMBAHASAN Data yang dianalisis meliputi sepuluh saham terdiri dari saham-saham: INDF, DEWA, AALI, LSIP, ASII, TRUB, HDMT, BMRI, UNTR, dan BBRI. Selanjutnya, nama-nama saham tersebut secara berturut-turut diberi simbol S1 sampai dengan S10 . Data indeks pasar yang dipergunakan adalah Indeks Harga Saham Gabungan (IHSG), dan data aset bebas risiko adalah obligasi. Data tersebut diakses melalui website http://www.finance.go.id//. Data saham masing-masing ditentukan return-nya, dan kemudian digunakan untuk pemodelan Jurusan Statistika-FMIPA-Unpad 2011 31 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 rata-rata dan volatilitas berikut ini. Pengolahan data dilakukan dengan bantuan software: MS Excel 2007, Eviews 4 dan R. 3.1 Pemodelan Rata-rata dan Volatilitas Data Return Indeks Pasar Estimasi model rata-rata IHSG. Dalam analisis, Indeks Harga Saham Gabungan (IHSG) digunakan sebagai indeks pasar. Selanjutnya dihitung return indeks pasar, kemudian diidentifikasi efek long memory, diestimasi model rata-rata dan model volatilitas. Identifikasi efek long memory. Untuk mengidentifikasi efek long memory, dilakukan dengan mengestimasi parameter diferensi fraksional dm dalam persamaan (1). Estimasi dilakukan menggunakan metode Gewek dan Porter-Hudak, dengan bantuan software R. Hasil estimasi diperoleh nilai diferensi fraksional dˆm 0,3613183 ; dan deviasi standar ˆ d m 0,1462239 . Untuk meyakinkan adanya pola long memory, dilakukan uji hipotesis H 0 : dˆm 0 melawan H1 : dˆm 0 . Berdasarkan hasil perhitungan, diperoleh statistik Z 5,86 . Sedangkan untuk tingkat signifikansi 0,05 , berdasarkan distribusi normal standar diperoleh nilai Z1 0,5/ 2 1,96 . Karena nilai Z lebih besar dari nilai Z1 0,5/ 2 , disimpulkan bahwa hasil uji adalah signifikan. Artinya data return indeks pasar terdapat efek long memory. Interval konfidensi 95% untuk parameter diferensi fraksional dˆm ditentukan berdasarkan rumus dˆm Z /2 .ˆ dm d m dˆm Z1 /2 .ˆ dm , dan hasilnya adalah 0.074719 d m 0.647917 . Karena dˆm terletak dalam interval 0,5 dm 0, 5 , disimpulkan bahwa dˆm adalah benar signifikan. Langkah selanjutnya menggunakan nilai diferensi fraksional dˆm 0,3613183 untuk estimasi model rata-rata dan model volatilitas. Estimasi model rata-rata IHSG. Dalam bagian ini digunakan software Eviews 4 untuk estimasi model rata-rata. Data return indeks pasar yang telah didiferensi fraksional dˆm 0.3613183 akan diestimasi model rata-ratanya. Tahap pertama adalah identifikasi dan estimasi model rata-rata. Identifikasi dilakukan dengan melalui sampel autocorrelation function (ACF) and partial autocorrelation function (PACF) data diferensi fraksional. Berdasarkan pada pola ACF dan PACF, model tentatif yang mungkin untuk data return indeks pasar adalah model ARMA(1,1). Dari estimasi model, dapat ditunjukkan bahwa model ARMA(1,1) signifikan. Merujuk pada (2), model ARMA(1,1) memiliki persamaan rmt 0, 239800 rmt 1 0,997450 amt 1 amt , atau model ARFIMA(1, dˆm ,1), di mana dˆm 0,3613183 ; dengan persamaan (1 0, 239800 B)(1 B)0,3613183 rmt (1 0,997450 B ) amt . Jurusan Statistika-FMIPA-Unpad 2011 32 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 Tahap kedua, dilakukan uji diagnosis terhadap model ARMA(1,1). Uji diagnosis dilakukan menggunakan correlogram dari residual model ARMA(1,1) dan uji hipotesis LjungBox. Hasil uji menunjukkan bahwa residual model ARMA(1,1) adalah white noise. Lebih lanjut, dilakukan uji normalitas terhadap residual amt . Hasil uji menunjukkan bahwa amt berdistribusi normal. Sehingga disimpulkan model cukup signifikan. Estimasi model volatilitas IHSG. Dalam bagian ini juga digunakan software Eviews 4 untuk estimasi model volatilitas. Dalam tahap pertama, dilakukan deteksi keberadaan unsur autoregressive conditional heteroscedasticity (ARCH) terhadap residual amt dari model ARMA(1,1). Deteksi dilakukan dengan menggunakan metode uji ARCH-LM. Hasil deteksi menunjukkan bahwa nilai perhitungan 2 (obs * R-Square) adalah 3,921869 dengan probabilitas 0,0000 atau lebih kecil 5%, yang berarti terdapat unsur ARCH. Tahap kedua, dilakukan identifikasi dan estimasi model volatilitas. Model volatilitas yang digunakan adalah model generalized autoregressive conditional heterscedasticity 2 (GARCH) merujuk persamaan (3). Berdasarkan correlogram residual kuadrat amt , grafik ACF menurun secara gradual setelah lag 1, sedangkan grafik PACF turun secara dratis setelah lag 1. Berdasarkan hal tersebut, ditetapkan model volatilitas tentatif adalah GARCH(1,1). Estimasi model volatilitas dilakukan secara serempak dengan model ARMA(1,1). Setelah dilakukan observasi berkali-kali dalam estimasi model volatilitas, akhirnya diperoleh model terbaik adalah ARMA(1,1)-GARCH(1,1). Model tersebut memiliki persamaan rata-rata rmt 0, 073579rmt 1 0,997326amt 1 amt 2 1, 04 10 8 0,077409 a 2 mt mt 1 dan 2 0,886862 mt 1 mt . persamaan volatilitas Dalam proses pemodelan volatilitas juga ditunjukkan bahwa berdasarkan uji ARCH-LM, residual mt dari model ARMA(1,1)-GARCH(1,1) adalah white noise. Selanjutnya, persamaan rata-rata dan volatilitas 2 ˆ 2 (1) tersebut digunakan untuk mengestimasi nilai ˆ mt rˆmt (1) = 0,0547027 dan ˆmt mt = 0,0018864; merupakan prediksi 1-langkah ke depan secara rekursif. 3.2 Perhitungan MVaRi dan Back Testing Sebelum melakukan perhitungan MVaRi , perlu diestimasi persamaan CAPM pendekatan model ARMAX-GARCH terlebih dahulu. Estimasi dilakukan dengan menggunakan bantuan software Eviews 4. Untuk masing-masing return saham S1 sampai dengan S10 , estimasi persamaan CAPM pendekatan model ARMAX dilakukan dengan merujuk pada persamaan (12). Residual dari model ARMAX, yakni uit selanjutnya digunakan untuk mengestimasi Jurusan Statistika-FMIPA-Unpad 2011 33 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 model volatilitas data return saham i ( i 1,...,10 ), pada sepuluh saham S1 sampai dengan S10 . Estimasi model volatilitas dilakukan dengan merujuk persamaan (3). Hasil estimasi model diberikan dalam Tabel-1 kolom dua (yaitu: ”model”). Menggunakan estimator model ARMAX-GARCH tersebut, kemudian dilakukan estimasi nilai-nilai rata-rata dan deviasi standar untuk masing-masing saham S1 sampai dengan S10 . Hasil estimasi nilai-nilai ratarata dan deviasi standar diberikan dalam Tabel-1 kolom ˆi dan kolom ˆ i . Melalui model volatilitas, juga digunakan untuk mengestimasi nilai-nilai kurtosis untuk masing-masing saham S1 sampai dengan S10 . Estimasi nilai kurtosis dilakukan dengan merujuk persamaan (11). Hasil estimasi nilai-nilai kurtosis untuk masing-masing saham S1 sampai dengan S10 diberikan dalam Tabel-1 kolom Kˆ i . Model GARCH adalah model simetri (Gausian), oleh karena itu skewness diasumsikan sama dengan 0. Sehingga, perhitungan Modified Value-at-Risk (MVaR) hanya melibatkan parameter ˆi , ˆ i dan Kˆ i . Perhitungan MVaRi untuk masing-masing saham S1 sampai dengan S10 , dilakukan dengan merujuk persamaan (13). Tingkat signifikansi ditentukan sebesar = 0,05; sehingga dari tabel distribusi normal standar diperoleh persentil z0,05 1, 645 . Hasil perhitungan MVaRi untuk masing-masing saham S1 sampai dengan S10 diberikan dalam Tabel-1 kolom MVaRi . Tabel-1 Hasil Estimasi Model, Perhitungan MVaRi dan Back Testing Saham ( Si ) S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 Model ARMAX(1,1)GARCH(1,1) ARMAX(1,1)ARCH(2,1) ARMAX(1,1)GARCH(1,1) ARMAX(1,1)GARCH(1,1)-M ARMAX(1,1)GARCH(1,1) ARMAX(1,1)GARCH(1,1) ARMAX(1,1)GARCH(1,1) ARMAX(1,1)GARCH(1,1) ARMAX(1,1)GARCH(1,1) ARMAX(1,1)ARCH(1,1)-M Rata-rata ( ˆi ) Dev. Standar ( ˆi ) Kurtosis ( Kˆ i ) MVaRi QPSi 0,014364 0,037918 2,884444 0,047247 0,046195 0,012776 0,027372 2,834820 0,031699 0,048987 0,016777 0,030585 2,915390 0,032919 0,043281 0,013865 0,032695 2,87615 0,039259 0,034378 0,019022 0,028064 2,924787 0,026578 0,038325 0,037195 0,025206 3,038834 0,003761 0,047840 0,015886 0,031613 3,019924 0,035480 0,038638 0,017182 0,030165 3,027223 0,031832 0,051941 0,019588 0,015457 2,900240 0,005527 0,034575 0,015356 0,022365 3,023342 0,020984 0,041034 Jurusan Statistika-FMIPA-Unpad 2011 34 PROSIDING Seminar Nasional Statistika | 12 November 2011 ISSN : 2087-5290. Vol 2, November 2011 Setelah dihitung MVaRi untuk masing-masing saham S1 sampai dengan S10 , selanjutnya perlu dilakukan back testing. Back testing tersebut dilakukan untuk mengukur kinerja dari model MVaRi yang digunakan. Back testing dilakukan dengan merujuk persamaan (14) dan (15), yang hasilnya diberikan dalam Tabel-1 kolom QPSi . Besarnya QPSi yang dihasilkan untuk masing-masing saham S1 sampai dengan S10 , menunjukkan bahwa nilai-nilainya berada dalam rentang [0, 2], dan cenderung mendekati 0. Berarti bahwa model MVaRi cukup baik sebagai ukuran risiko saham S1 sampai dengan S10 . Besarnya risiko untuk masing-masing saham S1 sampai dengan S10 dapat dilihat dalam Tabel-1 kolom MVaRi . Besarnya ukuran risiko tersebut dapat dijadikan sebagai bahan pertimbangan dalam berinvestasi berupa saham individual, khusus saham S1 sampai dengan S10 . 4. KESIMPULAN Berdasarkan hasil identifikasi, bahwa return indeks pasar terdapat efek long memory dengan estimator diferensi fraksional dˆm 0.3613183 . Pada data return indeks pasar terdiferensi fraksional, rata-rata dan volatilitasnya mengikuti model ARFIMA(1, dˆm ,1)GARCH(1,1). Rata-rata indeks pasar yang diestimasi menggunakan model ARFIMA(1, dˆm ,1)GARCH(1,1) selanjutnya digunakan untuk membentuk regresi CAPM dengan pendekatan model ARMAX, pada data return saham S1 sampai dengan S10 . Melalui model-model ARMAXGARCH yang dihasilkan, selanjutnya digunakan untuk mengestimasi nilai-nilai rata-rata, deviasi standar dan kurtosis untuk masing-masing saham S1 sampai dengan S10 . Karena model GARCH merupakan model simetri (Gausian), maka skewness diasumsikan sama dengan nol. Estimator rata-rata, deviasi standar dan kurtosis yang dihasilkan, selanjutnya digunakan untuk menghitung Modified Value-at-Risk (MVaR) masing-masing saham S1 sampai dengan S10 . Berdasarkan hasil back testing, menunjukkan bahwa nilai QPS masing-masing saham S1 sampai dengan S10 berada dalam rentang [0, 2], dan cenderung mendekati 0. Hal ini menunjukkan bahwa MVaR di bawah CAPM dengan pendekatan ARMAX-GARCH cukup baik digunakan untuk mengukur risiko return saham S1 sampai dengan S10 . Jurusan Statistika-FMIPA-Unpad 2011 35 PROSIDING Seminar Nasional Statistika | 12 November 2011 5. ISSN : 2087-5290. Vol 2, November 2011 DAFTAR PUSTAKA Allen, D.E. & Bujang, I. (2009). Conditional Beta Capital Asset Pricing Model (CAPM) and Duration Dependece Test. Working Paper. 18th World IMACS/MODSIM Congress, Cains, Australia 13-17 July 2009. http://www.mssanz.org.au/modsim09. (Diakses 10 Januari 2010). Dowd, K. (2002). An Introduction to Market Risk Measurement. New Delhi, India: John Wiley & Sons, Inc. Firnandez, V. (2002). The CAPM Value at Risk Different Time Scales. Working Paper. Center for Applied Economics (CEA), Department of Industrial Engineering at the University of Chile. . http://www.dii.uchile.cl/~ceges/ publicaciones/ceges57.pdf. (Diakses 10 November 2007). Franses, P.H. & Van Oest, R., 2004, On the Econometrics of the Koyck Model, Econometric Institute Report 2004-07, http://www.publishing.eur.nlfir/ asset/1190/ei200407.pdf. (Diakses 20 December 2009). Froot, K.A., Venter, G.G. & Major, J.A. (2007). Capital and Value of Risk Transfer. Working Paper. New York: Harvard Business School, Boston, MA 02163. Http://www.people.hbs.edu/kfroot/. (Diakses 6 Desember 2009). Hu, J., Kumamaru, K. & Hirasawa, K. (2000). Quasi-ARMAX Modeling Approaches to Identification and Prediction of Nonlinear Systems. IFAC System Identification. Santa Barbara, California, USA, 2000. www.hflab.ips.waseda.ac.jp/.../sysid00.pdf. (Diakses 10 September 2011). Korkmaz, T., Cevic, E.I. & Ozatac, N. (2009). Testing for Long Memory in ISE Using ARFIMA-FIGARCH Model and Structural Break Test. International Research Journal of Finance and Economics. ISSN 1450-2887 Issue 26 (2009). http://www. Eurojournals.com/ finance.htm. (Diakses 2 Januari 2011). Kang, S.H. & Yoon, S-M. (2007). Value-at-Risk Analysis of the Long Memory Volatility Process: The Case of Individual Stock Return. Working Paper. School of Commerce, University of South Australia. . http://www.korfin.org/ data/journal/21-1-04.pdf. (Diakses 5 Desember 2008). Khindanova, I.N. & Rachev, S.T., Value at Risk : Recent Advances, Working Paper, University of California, Santa Barbara and University of Karlsruhe, Germany, 2005. http://www.econ.ucsb.edu/papers/wp3-00.pdf... (Diakses 10 November 2008). Li He & Karny, M. (2003). Estimation and Prediction with ARMMAX Model: A Mixture of ARMAX Models with Common ARX Part. International Journal of Adaptive Control and Signal Processing, 2003; 00: 1-15. www.library.utia.cas.cz/.../karny-... (Diakses 5 Agustus 2011). Moore, S., Lai, J. & Shankar, K. (....). ARMAX Modal Parameter Identification for Structures Excited with Piezoceramic Actuators. Working Paper. School of Aerospace, Civil, and Mechanical Engineering, University of New South Wales, Australian Defence Force Academy Canberra, Australia. www.sem-proceedings.com/.../sem.org-IMAC-XXI.. (Diakses 3 September 2011). Shi-Jie Deng. (2004). Heavy-Tailed GARCH models: Pricing and Risk Management Applications in Power Market. IMA Control & Pricing in Communication & Power Networks. 7-17 Mar. 2004. http://www.ima.umn. edu/talks/.../deng/power_workshop_ima032004-deng.pdf. (Diakses 12 Maret 2007). Sukono, Subanar & Rosadi, D. (2010). Analisis VaR Dibawah CAPM Berdistribusi Koyck dengan Volatilitas Tak Konstan dan Efek Long Memory. Jurnal Bionatura: Jurnal Ilmu-ilmu Hayati dan Fisik (Journal of Life and Phisical Sciences), Vol. 12, No. 3, Desember 2010, pp. 117-123 (ISSN: 1411-0903). (Terakreditasi: SK Dirjen Dikti No. 110/Dikti/Kep/2009). Sukono. (2011). Pengukuran VaR dengan Volatilitas Tak Konstan dan Efek Long Memory. Disertasi. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gajah mada. Yogyakarta. Tsay, R.S. (2005). Analysis of Financial Time Series. Second Edition. Hoboken, New Jersey: John Wiley & Sons, Inc. Jurusan Statistika-FMIPA-Unpad 2011 36