Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Karya akhir ini bertujuan untuk mendapatkan gambaran profil risiko masmgmasing reksadana saham, membandingkan peringkat reksadana saham berdasarkan kinerja Sharpe, Treynor dan Fama serta mempelajari korelasi yang terjadi pada imbal hasil (return) dengan tolak ukur yang telah ditentukan. Penelitian ini cukup penting untuk memberikan informasi yang lebih mendalam mengenai reksadana saham kep.ada para investor serta kepada manager investasi pengelola reksadana untuk meningkatkan kinerja portofolio yang ditawarkan kepada masyarakat.

Dalam karya akhir ini digunakan bantuan metode ARCH/GARCH untuk mendapatkan model yang lebih akurat serta untuk mendapatkan komponen yang . akan digunakan dalam analisa kinerja berikutnya. Analisis kinerja dilakukan dengan bantuan metode Sharpe, Treynor dan Fama decomposition.

Metode ARCH/GARCH pada penelitian ini juga digunakan untuk melakukan analisis volatilitas pada masing-masing reksadana saham. Hasil penelitian menunjukkan bahwa tingkat volatilitas dengan cepat dapat kembali ke tingkat yang stabil dalam waktu yang singkat.

Dari proses pengolahan data diperoleh hasil bahwa hampir semua reksadana saham dapat dimodelkan dengan GARCH(l,l). Kecuali reksadana Bima, Danareksa Mawar, Panin Dana Maksima serta GTF Sentosa yang hanya dapat dimodelkan dengan ARCH.

Dari hasil penelitian hubungan NAB terhadap IHSG menunjukkan bahwa semua reksadana saham mempunyai korelasi yang positif dimana imbal hasil dari NAB akan mengikuti pergerakan dari IHSG. Model yang paling akurat adalah dimiliki oleh reksadana Bahana Dana Prima sedangkan validitas terendah dimiliki oleh GTF Agresif.

Hasil pengukuran kinerja dengan ketiga metode tersebut diatas selama periode pengukuran menunjukkan bahwa reksadana Phinisi Dana Saham (HZPHSE) mempunyai nilai indeks yang paling tinggi untuk ketika pengukuran tersebut sedangkan nilai indeks yang paling rendah juga memiliki oleh reksadana yang sama yaitu oleh reksadana Arjuna (UPARJE). Peringkat kinerja untuk masing-masing metode pengukuran cenderung sama terutama untuk metode Sharpe dan Fama (Net Selectivity).

Dalam penelitian ini juga didapat temuan bahwa portofolio dengan beta tinggi (lebih besar dari 1) tidak secara otomatis menghasilkan imbal hasil yang lebih baik dibandingkan portofolio yang mempunya1 beta lebih kecil seperti ditunjukkan oleh reksadana Master Dinamis.

Berdasarkan hasil pengukuran kinerja yang diperoleh maka dalam pengukuran suatu portofolio metode pengukuran kinerja menggunakan Metode Sharpe dan Fama (Net Selectivity) dapat digunakan untuk melakukan perhitungan kinerja secara bersama-sama karena memberikan hasil yang relatifkonsisten (sama) dalam hasil peringkatnya. Untuk lebih akuratnya penelitian ini maka perlu dilakukan penelitian lanjutan yang membedah lebih detail periode tersebut diatas dengan membaginya ke dalam sub periode -sub periode yang lebih pendek (misal 1 tahun) sehingga akan diperoleh profil serta kinerja yang lebih detail serta dapat dilihat apakah ada pola berulang/konsisten untuk masing-masing reksadana saham tersebut selama periode pengukuran.

Abstrak :
ABSTRAK
Pada dasarnya terdapat dua macam faktor yang dapat mempengaruhi kinerja dan pasar modal yaitu faktor ekonomi dan faktor politik. Walaupun tidak memiliki hubungan secara Iangsung, faktor politik juga mempunyai peranan yang cukup signifikan dalam menentukan kinerja dan pasar modal.

Penelitian yang dilakukan kali ini berbentuk event study, dimana peristiwa yang dipilih adalah peristiwa pencabutan fasilitas mobnas oleh pemerintah pada tanggal 15 Januari 1998 dimana segala hak ekslusif yang dimiliki PT. Timor Putra Nasional dalam hal pembebasan pajak bea cukai. Strategi umum yang digunakan dalam event study adalah mengihitung abnormal return yang dihasilkan selama periode peristiwa, dan abnormal return yang dihasilkan akan diuji apakah memang memiliki pengaruh yang cukup signifikan.

Periode penelitian yang digunakan terdiri dari 2 periode waktu, yaitu periode estimasi dan periode peristiwa. Periode estimasi adalah periode selama 261 hari bursa sebelum periode peristiwa. Sedangkan untuk periode peristiwa adalah mulai tanggal 1 Januari 1998 sampai dengan tanggal 29 Januari 1998 (21 hari bursa). Periode peristiwa terdiri dari 10 hari bursa sebelum peristiwa (pre event) yaitu mulai tanggal 1 Januari 1998 sampai dengan 14 Januari 1998, dan 10 hari bursa setelah peristiwa (post event) yaitu dan tanggal 16 Januari 1998 sampai dengan tanggal 29 Januari 1998. Pemilihan sampel yang dilakukan oleh peneliti adalah melihat saham-saham yang tergabung dalam industri otomotif dan komponennya yang terdiri dari 11 saham yang diperdagangkan pada saat itu.

Untuk penelitian tahap awal dilakukan pencarian bentuk stasioner masing-masing saham, kemudian dari hasil ini dilakukan penelitian dengan mencari model regresi masing masing saham dengan menggunakan 2 permodelan yaitu dengan menggunakan model ARIMA dan model ARCH/GARCH. Hasil akhir yang didapat dari permodelan tersebut menghasilkan 4 saham model regresi yang signifikan (dapat memenuhi a=5%) yaitu saham ADMG. saham GJTL, saham LPIN dan saham SMSM.

Dari hasil masing-masing permodelan regresi tersebut dilakukan forecast sehingga dari hasil forecast tersebut didapat saham proyeksi. Selisih saham proyeksi dari saham aktual dinamakan abnormal return.

Penelitian dilanjutkan dengan melakukan pengolahan data secara matematis terhadap hasil masing-masing hasil forecast dan kedua permodelan tersebut, dimana kita mencari bentuk Cummulative Abnormal Return dan Standardized Abnormal Return, dari hasil CAR masing-masing saham diplot ke dalam gambar untuk mengetahui pergerakan CAR masing masing saham tersebut selama periode event.

Hasil dari plot kedua permodelan tersebut diketahui bahwa rata-rata saham tersebut mengalami kebocoran informasi sebelum tanggal event, dimana CAR tertihat bergerak ke sisi negatif yang berarti reaksi pasar negatif terhadap kebijakan pencabutan mobnas oleh pemerintah.

Untuk analisa individu masing-masing saham diketahui saham ADMG mulai melakukan pergerakan pada tn, dimana pergerakan CAR saham ini berbentuk seperti anak tangga yang mengalami pergerakan ke sisi negatif yang lebih besar.

Saham GJTL mengalami pergerakan CAR pada t9 dirnana saham ini bereaksi negatif terhadap kebijakan pencabutan fasilitas mobnas baik sebelum maupun sesudahnya.

Untuk saham LPIN megalami pergerakan negatif pada t9 hingga pada 1 hari sebelum tanggal event, dimana pada t0 saham mengalami kenaikan hingga CAR mencapai positif. tetapi pada t+4 mengalami penurunan yang besar sehingga CAR mencapai titik negatif kembali.

Saharn SMSM memiliki kecenderungan berada di sisi negatif baik sebelum pengumuman maupun setelah pengumuman dimana tampak saham ini mengalami beberapa kali rebound walaupun pada akhir periode even tampak tidak dapat mencapai titik ekuilibrium kembali.

Hasil penelitian yang dilakukan terhadap kedua hasil permodelan tersebut dapat diketahui dengan mempergunakan perhitungan equality of Mean dari masing-masing permodelan, didapat bahwa probabilitas yang dihasilkan diatas 5% yang berarti menerima hipotesis nol (H0) mengenai adanya kualitas data yang dimiliki antara permodelan ARIMA dengan permodelan ARCH/GARCH adalah sama.

Abstrak :
Dengan menggunakan data return 13 indek harian yang didapat dari buzsa dapat digunakan _untuk menghitung suatu ukuran dari volatilitas time-varying. Andersen dan Bollerslev (1998) menyatakan bahwa model-model volatilitas menycdiakan forecast yang baik dari suatu variansi yang terkondisi (the conditional variance). Dalam tulisan ini, penulis menggunakan pendekatan yang sama dengan Bollerslev (1998) dan menggunakan data return 13 indck harian untuk mengestimasi pengukumn volatilitas yang kemudian dibandingkan dengan model-model volatilitas. Tujuan penulisan adalah untuk mengevaluasi apakah evolusi dari model-model volatilitas (dalam hal ini model-model GARCHfamib=) telah membawa hasil forecast volatilitas menjadi lebih baik dali model volatilitas yang lebih sederhana (ARMA). Penulis menggunakan 7 model dari GARCH famibv pada .13 indek yang terdailar di Bursa Efek Jakarta dengan jumlah pengamatan sebanyak 317 pengamatan. Hasil analisis penulis memmjukan bahwa tidak satupun model dari GARCH#1mi(y yang lebih superior dari model GARCHj21mib» lainnya untuk setiap indek, namun beberapa model volatilitas dari GARCH family jelas menunjukkan aproksimasi volatilitas yang Iebih baik jika dibandingkan dengan apa yang didapat dari model ARMA (sebagai bench mark). ......Within data from 13 daily index which listing on Bursa Efek Jakarta (BEJ) can be measured one important measuring, that is volatility in time series. Andersen and Bollerslev (1986) said that volatility models are specially usetirl when the goal of study to analyze and forecast the conditional variance (volatility). In this paper, the writer use approximation the same as with Bollerslev (1998), and use retum data of 13 daily index in BEJ to estimate measuring volatility and then make comparison among volatility models. This paper focuses on the performance of various GARCH models in terms of their ability of delivering volatility forecast for stock return data compared to the simple volatility model, that is ARMA. This paper using 7 models of GARCH family on 13 index which is listing on BFJ with 317 observation daily data. Finally, out of sample tests indicate that no one of GARCH models (in this paper) superior among themselves for every index, but some of GARCH models clearly show that they better than ARMA models as forecaster in volatility.

Abstrak :
ABSTRAK
Industri pertambangan batubara menjadi pendukung pembangunan nasional melalui perannya sebagai penyumbang lebih dari 12 persen nilai ekspor Indonesia. Peran dan keberlangsungannya rentan terhadap volatilitas harga komoditas dan perkembangan ekonomi global. Penelitian ini bertujuan menganalisis volatilitas harga batubara selama periode 2009 ndash; 2014 serta dampaknya terhadap kinerja ekspor batubara Indonesia. Dengan menggunakan model ARCH/GARCH volatilitas harga batubara acuan HBA bervariasi antar waktu time varying dan rata-rata dibawah volatilitas harga minyak Indonesian Crude Price ICP . Analisis dengan metode Error Correction Model ECM menunjukkan bahwa volatilitas HBA berpengaruh positif terhadap kinerja ekspor dengan penyesuaian keseimbangan pada periode berikutnya. Volatilitas ICP cenderung berdampak negatif terhadap kinerja ekspor sesuai perannya sebagai faktor produksi batubara.

---

ABSTRACT
Coal mining industry supporting national development through its role as a contributor to more than 12 percent of Indonesia 39 s export value. The role and sustainability are vulnerable to commodity price volatility and global economic developments. This study aims to analyze coal prices volatility during period 2009 to 2014 and its impact on Indonesian coal exports performance. Analyze using GARCH model shows that reference coal price HBA volatility varies over time and below Indonesian Crude Price ICP volatility. Error Correction Model ECM analysis shows HBA volatility has positive effect on export performance with balance adjustment in the next period. ICP volatility tends to negatively impact on export performance according to the role as a coal production factor.

Abstrak :
Effecient market hypothesis stated returns should be unpredictable and has no clear pattern because tock returns should be unpredictable and has no clear pattern because stock price at any date has reflect all available information...

Abstrak :
Efficient Market Hypothesis stated stock returns should be unpredictable and has no clear pattern because stock price at any date has reflect all available information. This hypothesis is very rational because predictable stock return give investor chances to reap high abnormal return without risk through arbitrage activity. In spite of its rationality, this hypothesis has been rejected by many empirical researches in many countries. This paper empirically tested calender anomaly in Jakarta Stock Exchanges. It investigated 3 types calender anomaly; turn of the month effect, month-of-the year effect and holidays effect. The result is that Calender Anomaly is statistically significant occurred. Meanwhile January effect is not statistically significant occurred.