Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada penelitian ini dilakukan analisis sentimen berita konstituen indeks LQ45 terhadap pergerakan indeks LQ45 dengan mempertimbangkan intensitas berita. Dua metode analisis sentimen digunakan pada penelitian ini, pertama kamus Lougran dan McDonald sebagai ukuran sentimen keuangan. Kedua analisis sentimen TextBlob sebagai ukuran sentimen umum. Model Capital Asset Price (CAPM), Auto regresi (AR), Vektor Auto Regresi (VAR), tes kausalitas Granger, serta korelasi bergulir digunakan untuk melihat dinamika hubungan antara sentimen berita dan pergerakan indeks. Penelitian ini menemukan bahwa Intensitas berita menurun ketika terjadi krisis. Menariknya, intensitas berita meningkat secara drastis setelah kasus Covid-19 pertama. Sentimen berita memiliki korelasi dengan indeks cukup besar. Korelasi tersebut lebih besar ketika intensitas berita meningkat. Penelitian ini menemukan sentimen lebih memberikan efek lebih signifikan dalam kondisi intensitas berita yang lebih tinggi. Berdasarkan hasil temuan tersebut sentimen berita merupakan salah satu faktor pembentuk harga yang tidak dapat diabaikan dalam analisis selanjutnya. ......This study analyzed the sentiment of the constituent news of the LQ45 index on its index movement by considering the news intensity. Two Sentiment analysis methods are used in this study.   The Loughran and McDonald's dictionary as a measure of financial sentiment, then TextBlob sentiment analysis as a measure of general sentiment. Capital Asset Pricing Model (CAPM), Autoregression (AR), Vector Auto Regression (VAR), Granger Causality test and rolling correlation are used to investigate the dynamic relationship between news sentiment and index movement. This research found that news intensity decreased during the financial crisis. Interestingly, news intensity increased significantly after the first Covid-19 case. Then the constituent news sentiment has a relatively strong correlation with the index movement. The correlation value is more significant when the intensity increases. This research found that the news sentiments have a more significant impact in the higher intensity condition. Derived from these findings, we concluded that news sentiment is one of the unignorably price-forming factors in further analysis.

Abstrak :
Penelitian ini menguji pengaruh perubahan komposisi indeks terhadap imbal hasil dan volume perdagangan saham di Bursa Efek Indonesia. Saham yang diuji adalah saham-saham yang masuk dan keluar dari indeks Liquid 45 (LQ45) dan indeks Morgan Stanley Capital International (MSCI). Metode yang digunakan dalam penelitian ini adalah studi peristiwa, metode ini melihat pola perubahan imbal hasil dari saham yang masuk atau keluar indeks serta perubahan volume perdagangan. Inti dari penelitian ini adalah melihat bagaimana pasar merespon suatu saham ketika masuk atau keluar indeks LQ45 dan MSCI yang merupakan salah satu acuan dalam menentukan portofolio oleh investor. Penelitian ini mendapatkan hasil bahwa terjadi kenaikan (penurunan) return yang signifikan pada saat saham masuk (keluar) ke dalam indeks MSCI. Diperoleh hasil yang signifikan pula untuk volume perdagangan dari saham yang masuk dan keluar dari indeks MSCI. Pada saham yang masuk LQ45 sebelum perubahan metodologi perhitungan indeks LQ45 terjadi kenaikan yang signifikan pada hari pengumuman, sedangkan saat setelah perubahan metodologi perhitungan indeks LQ45, saham yang masuk ke dalam indeks tidak berpengaruh signifikan pada return. Pada saham yang keluar indeks LQ45 baik sebelum maupun setelah perubahan metodologi perhitungan indeks menyebabkan terjadinya penurunan signifikan pada return. Selanjutnya masuk (keluar) saham pada indeks LQ45 tidak berdampak signifikan pada volume perdagangan saham setelah pengumuman perubahan indeks. ......This study examines the effect of changes in the composition of the index on stock return and trading volumes at the Indonesia Stock Exchange. The stocks tested were stocks that getting addition and deletion from the Liquid 45 (LQ45) index and Morgan Stanley Capital International (MSCI) index. The method used in this study is event study, in addition, this method measured changes in the prices of stocks that obtain addition or deletion the index and also the change in trading volume. The essence of this research is to find out how the market responds to a stock when getting addition or deletion the LQ45 and MSCI indexes which are one of the references in determining portfolio by investors. This result of the study showed that there was a significant increase (decrease) in return when the stock obtaining inclusion (exclusion) to the MSCI index. It also obtained a significant result in trading volume from inclusion and exclusion stocks in the MSCI index. Before methodology transformation in the LQ45 calculation occuring on the stocks included, there was a significant increasement on the announcement day. Whereas, after methodology transformation in the LQ45 calculation, the inclusion stocks did not significantly affect the return. Whether before or after applying the methodology transformation of index calculation, the exclusion stocks in the LQ45 did not caused any significant decreasement on the return. In addition, the inclusion (exclusion) stocks in the LQ45 did not significantly affected the trading volume of stocks after the announcement of index changing.

Abstrak :
Penelitian ini bertujuan untuk memberikan alternatif pembentukan portofolio saham dan obligasi korporasi untuk dapat memperoleh return yang optimal dengan risiko yang dapat diterima. Alternatif model tersebut adalah dengan mengkombinasikan seleksi saham model Graham dengan model pembentukan portofolio optimal yaitu model Markowitz. Hasil seleksi saham menggunakan model Graham portofolio defensif dan portofolio agresif adalah masing-masing 9 dan 13 saham dari 45 saham yang terdapat pada indeks LQ45. Dari saham-saham yang terpilih kemudian dibentuk portofolio optimalnya menggunakan model Markowitz. Dari portofolio optimal yang terbentuk kemudian dilakukan perbandingan kinerja antara keduanya dengan indeks LQ45 sebagai benchmark-nya. Hasil menunjukkan bahwa portofolio hasil optimasi model Markowitz memberikan kinerja (reward to variability ratio) ekspektasi lebih baik dibandingkan portofolio indeks LQ45 dengan selisih pengembalian hasil di kisaran 13,68 – 20,24% pertahun. Dengan demikian model kombinasi pembentukan portofolio optimal bertahap ini layak dipertimbangkan untuk diaplikasikan dengan harapan dapat meningkatkan hasil investasi saham yang optimal. Selanjutnya, hasil seleksi obligasi korporasi untuk portofolio yang optimal menghasilkan 8 obligasi korporasi dengan porsi masing-masing obligasi yaitu Obl Bkljt I Telkom Tahap I Tahun 2015 Seri C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr C 17,47%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr D 20%, Obligasi Bkljt I Hutama Karya Tahap II Tahun 2017 2,53%, Obligasi Bkljt I Hutama Karya Tahap I Tahun 2016. Portofolio ini dapat menghasilkan tingkat pengembalian sebesar 8,88% pertahun. ......This study aims to provide an alternative to the formation of portfolios and corporate bonds to obtain optimal returns with acceptable risk. The alternative model is to combine Graham's stock selection model with the formation of an optimal portfolio model, namely the Markowitz model. The results of the selection using the Graham model of defensif portfolio and aggressive portofolio are 9 and 13 stocks, respectively, of the 45 stocks listed on the LQ45 index. From the selected stocks, the optimal portfolio is formed using the Markowitz model. From the optimal portfolio formed, then the performance comparison between the two with the LQ45 index as the benchmark. The results show that the Markowitz model optimizing portfolio provides a better performance (reward to variability ratio) than the LQ45 portfolio index with a yield difference of 13.68 – 20.24% per year. Thus, the combination model for the formation of a gradual optimal portfolio is worth considering to be applied in the hope of increasing optimal stock investment returns. Furthermore, the results of the selection of corporate bonds for the optimal portfolio resulted in 8 corporate bonds with a portion of each bond, namely Obl Bkljt I Telkom Phase I 2015 Series C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Multi Infra Infrastructure. Thp I Th2016 Sr C 17.47%, Obl Bklj I Sarana Multi Infra. Thp I 2016 Sr D 20%, Bkljt I Hutama Karya Bonds Phase II 2017 2.53%, Bkljt I Hutama Karya Bonds Phase I 2016. This portfolio can generate rates of 8.88% per annum.

Abstrak :
Penelitian ini bertujuan untuk memberikan alternatif pembentukan portofolio saham dan obligasi korporasi untuk dapat memperoleh return yang optimal dengan risiko yang dapat diterima. Alternatif model tersebut adalah dengan mengkombinasikan seleksi saham model Graham dengan model pembentukan portofolio optimal yaitu model Markowitz. Hasil seleksi saham menggunakan model Graham portofolio defensif dan portofolio agresif adalah masing-masing 9 dan 13 saham dari 45 saham yang terdapat pada indeks LQ45. Dari saham-saham yang terpilih kemudian dibentuk portofolio optimalnya menggunakan model Markowitz. Dari portofolio optimal yang terbentuk kemudian dilakukan perbandingan kinerja antara keduanya dengan indeks LQ45 sebagai benchmark-nya. Hasil menunjukkan bahwa portofolio hasil optimasi model Markowitz memberikan kinerja (reward to variability ratio) ekspektasi lebih baik dibandingkan portofolio indeks LQ45 dengan selisih pengembalian hasil di kisaran 13,68 – 20,24% pertahun. Dengan demikian model kombinasi pembentukan portofolio optimal bertahap ini layak dipertimbangkan untuk diaplikasikan dengan harapan dapat meningkatkan hasil investasi saham yang optimal. Selanjutnya, hasil seleksi obligasi korporasi untuk portofolio yang optimal menghasilkan 8 obligasi korporasi dengan porsi masing-masing obligasi yaitu Obl Bkljt I Telkom Tahap I Tahun 2015 Seri C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr C 17,47%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr D 20%, Obligasi Bkljt I Hutama Karya Tahap II Tahun 2017 2,53%, Obligasi Bkljt I Hutama Karya Tahap I Tahun 2016. Portofolio ini dapat menghasilkan tingkat pengembalian sebesar 8,88% pertahun. ......This study aims to provide an alternative to the formation of portfolios and corporate bonds to obtain optimal returns with acceptable risk. The alternative model is to combine Graham's stock selection model with the formation of an optimal portfolio model, namely the Markowitz model. The results of the selection using the Graham model of defensif portfolio and aggressive portofolio are 9 and 13 stocks, respectively, of the 45 stocks listed on the LQ45 index. From the selected stocks, the optimal portfolio is formed using the Markowitz model. From the optimal portfolio formed, then the performance comparison between the two with the LQ45 index as the benchmark. The results show that the Markowitz model optimizing portfolio provides a better performance (reward to variability ratio) than the LQ45 portfolio index with a yield difference of 13.68 – 20.24% per year. Thus, the combination model for the formation of a gradual optimal portfolio is worth considering to be applied in the hope of increasing optimal stock investment returns. Furthermore, the results of the selection of corporate bonds for the optimal portfolio resulted in 8 corporate bonds with a portion of each bond, namely Obl Bkljt I Telkom Phase I 2015 Series C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Multi Infra Infrastructure. Thp I Th2016 Sr C 17.47%, Obl Bklj I Sarana Multi Infra. Thp I 2016 Sr D 20%, Bkljt I Hutama Karya Bonds Phase II 2017 2.53%, Bkljt I Hutama Karya Bonds Phase I 2016. This portfolio can generate rates of 8.88% per annum.

Abstrak :
Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

---

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model.

Abstrak :
Tesis ini membahas mengenai analisis kinerja saham berdasarkan perbedaan komposisi Index LQ45 menggunakan metode empat faktor Carhart. Penelitian dilakukan terhadap ketiga jenis saham, yaitu saham yang secara konsisten berada dalam indeks (saham inti), dikeluarkan dari indeks, dan menjadi saham pengganti dari saham yang keluar indeks LQ45 selama Tahun 2009-2014. Analisis kinerja saham dilakukan menggunakan metode empat faktor Carhart, antara lain konstanta intercept, market premium, faktor SMB (kapitalisasi pasar), faktor HML (nilai buku terhadap nilai pasar), dan faktor WML (momentum). Menggunakan metode empat faktor Carhart, hanya saham inti yang memiliki excess return positif, yang ditunjukkan oleh konstanta intercept positif. Variabel dependen saham inti dapat dijelaskan oleh nilai konstanta intercept dan HML (rasio nilai buku terhadap nilai pasar). Variabel dependen saham yang dikeluarkan dari indeks LQ45 dapat dijelaskan oleh faktor SMB (nilai kapitalisasi pasar). Sedangkan variabel dependen saham yang masuk sebagai pengganti di indeks LQ45 dapat dijelaskan oleh faktor rm-rf, HML (rasio nilai buku terhadap nilai pasar), dan faktor WML (momentum). Bila dibandingkan dengan hasil penelitian sebelumnya yang telah dilakukan oleh Chan et al (2013), menggunakan periode 1962-2003 dengan 788 saham yang masuk ke dalam indeks S&P 500 dan 244 saham yang dikeluarkan dari indeks S&P 500, Chan et al memiliki kesimpulan kedua jenis saham dipengaruhi secara signifikan oleh nilai konstanta intercept, faktor SMB (kapitalisasi pasar), dan faktor HML (nilai buku terhadap nilai pasar).

---

The objective of this research is to analyze the stock performance based on differences in the composition of the LQ45 Index using the Carhart four-factor. This research is conducted on three types of stocks, which are stocks that consistently remain in the index, being removed from the index, and become substitution of the stock that comes out from LQ45 index during the year of 2009-2014. The analysis of the stock performance uses Carhart four factors method, which are the intercept constant value, market premium, SMB factor (market capitalization), HML factor (book value to market value), and WML factor (momentum). Using the method of Carhart four factors, only stocks that consistently remain in the index LQ45 have positive excess return, while also demonstrating positive intercept constants. These intercept constants value and HML factor (ratio of book value to market value) explain dependent variable of stocks that consistently remain in the index LQ45. SMB factor (market capitalization) explain dependent variable of stocks that are removed from LQ45 index. While market premium, HML factor (ratio of book value to market value) and WML factor (momentum) explain dependent variable stocks that is being substitution of the stock that comes out from LQ45 index. In comparation to the results of previous studies by Chan et al (2013), using period of 1962-2003 with 788 of shares join into the S&P 500 and removal 244 of shares from S&P 500, Chan et al conclude that intercept constants value, SMB factor and HML factor influence both types of stock significantly.