Hasil Pencarian  ::  Simpan CSV :: Kembali

"Konsep Fractal Market Hypothesis (FMH) dalam pasar modal muncul sebagai alternatif teori Efficient Market Hypothesis (EMH) yang mampu menunjukkan kelemahan teori portofolio modern yang mengasumsikan bahwa investor bersifat rasional, pasar efisien, dan random walk. Fraktal mempunyai karakteristik yang tidak random, melainkan memiliki pola. Fraktal mengalami perulangan pola atau struktur dengan skala dan ukuran yang berbeda, dan menunjukkan adanya trend. Penelitian ini merupakan studi empiris yang bertujuan untuk mengetahui apakah konsep fraktal berlaku terhadap return harian indeks LQ45 dan lima saham perbankan yang bertahan dalam kelompok LQ45 selama periode 2 Juni 2008 sampai dengan 1 September 2009. Dalam penelitian digunakan analisis Rescaled Range (R/S) dan nilai eksponen Hurst (H) untuk melihat karakteristik pergerakan return, mengukur tingkat risiko, mengukur korelasi dan melihat dimensi fraktal. Berdasarkan hasil penelitian dapat disimpulkan bahwa pergerakan harga return harian indeks LQ45 dan lima saham perbankan kelompok LQ45 di BEI lebih mendekati asumsi FMH dengan konsep bias random walk, investor terdiri dari berbagai horison investasi dan pergerakan return saham dari waktu ke waktu mempunyai keterkaitan.

---

Fractal Market Hypothesis (FMH) turns up in the capital market as an alternative theory for Efficient Market Hypothesis (EMH). The EMH assumes that investor have rational character, efficient market and random walk. This study is an empirical study to identify whether the EMH concept is still suitable for the LQ45 stocks return or applies to the Hurst process which is biased random walk in nature and which is in accordance with the FMH concept emphasizing the effect of the liquidity and the horizon of the investor behavior. FMH concept uses Rescaled Range analysis as a statistical processing tool and Hurst value used to measure the degree of risk. The result of this study shows that the FMH assumptions are more realistic than the EMH assumptions and do happen on the Indonesian Capital Market, especially for LQ45."

"ABSTRAKSuatu runtun waktu dikatakan proses memori jangka panjang jika setiap pengamatan masih memiliki ketergantungan. Proses memori jangka panjang tidak dapat dimodelkan dengan model umum AR, MA, ARMA, serta ARIMA, karena pada proses memori jangka panjang korelasi antar pengamatan yang terpisah jauh tidak diabaikan. Granger Joyeux 1981 mengembangkan model Autoregressive Fractionally Integrated Moving Average ARFIMA yang dapat memodelkan proses memori jangka panjang dengan parameter fractional differencing d yang bernilai riil karena melibatkan seluruh data pengamatan, artinya korelasi setiap pengamatan yang sudah lama tidak diabaikan. Untuk memodelkan suatu runtun waktu dengan model ARFIMA, terlebih dahulu dilakukan pengujian untuk menentukan adanya proses memori jangka panjang yaitu analisis rescaled range. Analisis ini dilakukan dengan mempartisi runtun waktu menjadi beberapa sub-periode dan melihat korelasi antar sub-periode yang dipartisi. Dari analisis tersebut diperoleh eksponen Hurst H yang menggambarkan sifat runtun waktu. Proses memori jangka panjang terjadi ketika . Pada model ARFIMA dilakukan proses penaksiran untuk menentukan nilai parameter yang tepat untuk memodelkan proses memori jangka panjang pada data. Suatu data dikatakan stasioner dan memori jangka panjang jika . Penaksiran parameter yang digunakan yaitu metode Geweke Porter-Hudak GPH . Metode GPH ini dilakukan dengan membentuk persamaan spektral model ARFIMA menjadi persamaan regresi spektral dengan log-periodogram sebagai variabel tak bebasnya.

---

ABSTRACTA time series is said to be a long term memory process if each observations still has a dependency. Long term memory processes can not be modeled with AR, MA, ARMA, and ARIMA general models, because the correlations between remote observations of long term memory processes of can not be ignored. Granger Joyeux 1981 developed an Autoregressive Fractionally Integrated Moving Average ARFIMA model for modeling time series in the presence of long memory with fractional differencing d parameters that are real value. So, the model involve all observational data, which means the correlation of any observations that are far apart by time is not ignored . For modeling a time series with the ARFIMA model, we have to determine the long term memory process by rescaled range analysis. This analysis is applied by partitioning the time series into several sub periods and considering the correlations between partitioned sub periods. From the analysis, Hurst exponents H are obtained which illustrate the time series characteristics. Long term memory process occurs when . In the ARFIMA model an estimation process is performed to determine the exact fractional differencing parameter values of data to model the long term memory process in the data. A data is said to be stationary and long term memory if . The estimation of fractional differencing parameter use the Geweke Porter Hudak GPH method. This method is implemented by forming spectral functions of the ARFIMA model into a spectral regression equation with log periodogram as the dependent variable. "

"We try to detect chaos structure on the capital market by searching for low dimensional chaos at the market portfolio index: IHSG.We apply BDS statistic, R/S analysis,correlation dimension and lyapunov exponent for nonlinearty and chaos testing.We observe IHSG data from January 1988 until November 2003.We find nonlinearty,persistence and low dimensional chaos in IHSG data."

"We try to detect chaos structure on the capital market by searching for low dimensional chaos at the market portfolio index: IHSG. We apply BDS statistic, R/S Analysis, Correlation Dimension and Lyapunov Exponent for non linearity and chaos testing. We observe IHSG data from January 1988 until November 2003. We find nonlinearity, persistence and low dimensional chaos in IHSG"