Upload
trinhtruc
View
224
Download
0
Embed Size (px)
Citation preview
PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM
INDONESIA DAN ASIA PASIFIK
GUNAWAN
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRAK
GUNAWAN. Pendeteksian Perilaku Herding pada Pasar Saham Asia Pasifik dan Indonesia
(dibimbing oleh HARI WIJAYANTO, NOER AZAM ACHSANI, dan LA ODE ABDUL
RAHMAN).
Perilaku herding merupakan perilaku investor yang tidak rasional, karena investor
mendasarkan keputusan investasinya bukan dengan melihat landasan fundamental ekonomi dari
suatu aset beresiko, namun dengan melihat tindakan investor lain pada keadaan yang sama,
maupun mengikuti konsensus pasar. Indikasi perilaku herding dapat dilihat dari hubungan antara
tingkat penyebaran imbal hasil saham (Cross Sectional Absolute Deviation, CSAD) dengan imbal
hasil portofolio pasar. Jika herding terjadi, maka tingkat penyebaran imbal hasil saham akan
meningkat lebih rendah daripada kenaikan imbal hasil portofolio pasar, bahkan tingkat penyebaran
imbal hasil saham akan menurun walaupun imbal hasil portofolio pasar meningkat. Perilaku
herding dapat memicu kesalahan penetapan harga dari suatu saham karena terjadi bias diantara
investor dalam melihat resiko dan imbal hasil yang diharapkan dari suatu saham. Untuk
mengetahui hubungan antara tingkat penyebaran imbal hasil saham dengan imbal hasil portofolio
pasar pada beberapa kondisi, digunakan regresi kuantil. Hasil yang diperoleh dari penelitian ini
adalah pada pasar saham Indonesia maupun pasar saham global Asia Pasifik, perilaku herding
terjadi pada saat kondisi market stress, sedangkan pada kondisi normal maupun kondisi imbal
hasil saham yang sangat tinggi, perilaku investor cenderung lebih rasional.
Kata Kunci : perilaku herding, CSAD, Regresi Kuantil
PENDETEKSIAN PERILAKU HERDING PADA PASAR SAHAM
INDONESIA DAN ASIA PASIFIK
GUNAWAN
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2011
Judul Skripsi : Pendeteksian Perilaku Herding pada Pasar Saham Indonesia dan
Asia Pasifik
Nama : Gunawan
NRP : G14070053
Disetujui
Pembimbing 1 Pembimbing 2
Dr. Ir. Hari Wijayanto, MS Noer Azam Achsani, Ph.D
NIP. 196504211990021001 NIP. 196812291992031016
Dosen Pembimbing 3
La Ode Abdul Rahman, S.Si, M.Si
Diketahui
Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Ir. Hari Wijayanto, MS
NIP. 196504211990021001
Tanggal Lulus :
PRAKATA
Puji dan syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan hidayah-Nya
sehingga tulisan ini dapat diselesaikan. Judul yang dipilih pada skripsi ini adalah “Pendeteksian
Herding pada Pasar Saham Asia Pasifik dan Indonesia”. Tulisan ini merupakan salah satu
syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Berbagai pihak telah memberikan kontribusi secara langsung maupun tidak langsung bagi
penyelesaian dan penyempurnaan skripsi ini. Penghargaan dan ucapan terima kasih penulis
sampaikan kepada:
1. Allah SWT, Maha Pendipta yang selalu memberikan keberkahanNya
2. Bapak Dr. Ir Hari Wijayanto, MS, Bapak Noer Azam Achsani, Ph.D, dan Bapak La Ode
Abdul Rahman, S.Si, M.Si selaku pembimbing skripsi yang telah dengan sabar serta
ikhlas menuntun penulis menyelesaikan skripsi ini dari segi ide, saran, dan kritik yang
membangun.
3. Kedua orang tua dan seluruh keluarga besar penulis atas doa, pelajaran dan perhatian
yang diberikan kepada penulis.
Semoga tulisan ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Agustus 2011
Penulis
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 14 Januari 1989 di Cirebon. Penulis adalah anak ketiga dari
tiga bersaudara dari pasangan Nono Mulyono dan Ery Nur’ainy. Jenjang pendidikan penulis dilalui
tanpa hambatan. Penulis menamatkan sekolah dasar di SDN Kampung Melati pada tahun 2001,
kemudian melanjutkan ke SLTPN 7 Cirebon dan lulus pada tahun 2004. Pada tahun yang sama
penulis diterima di SMAN 1 Kota Cirebon dan lulus pada tahun 2007. Pada tahun 2007 penulis
masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa
Program Studi Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa, penulis aktif dalam Organisasi Mahasiswa Daerah (OMDA) IKC
(Ikatan Kekeluargaan Cirebon) sebagai anggota. Selain itu, penulis juga aktif dalam organisasi
Himpunan Profesi Gamma Sigma Beta sebagai staf divisi Science. Penulis mendapatkan beberapa
penghargaan prestasi akademik, di antaranya adalah Finalis Presentasi Program Kreativitas
Mahasiswa Bidang Pengabdian Masyarakat Pekan Ilmiah Mahasiswa Tingkat Nasional (PIMNAS)
XXIII di Universitas Mahasaraswati Denpasar Bali tahun 2010. Selain itu penulis juga aktif
sebagai asisten dosen untuk mata kuliah Metode Statistika, Perancangan Percobaan dan Analisis
Regresi I. Penulis melaksanakan Praktik Lapang di Pusat Data dan Sistem Informasi Pertanian
(PUSDATIN), Kementerian Pertanian.
DAFTAR ISI
Halaman
DAFTAR ISI ....................................................................................................................... vi
DAFTAR TABEL ............................................................................................................... vii
DAFTAR GAMBAR ........................................................................................................... vii
DAFTAR LAMPIRAN ....................................................................................................... vii
PENDAHULUAN................................................................................................................ 1
Latar Belakang ............................................................................................................ 1
Tujuan .......................................................................................................................... 1
TINJAUAN PUSTAKA ...................................................................................................... 1
Herding ....................................................................................................................... 1
Capital Asset Pricing Model (CAPM) ........................................................................ 1
Cross Sectional Absolute Deviation(CSAD) ................................................................ 2
Kalman Filter dan Kalman Smoother .......................................................................... 2
Regresi Kuantil ........................................................................................................... 3
METODODOLOGI ............................................................................................................ 4
Sumber Data ............................................................................................................... 4
Metode Analisis .......................................................................................................... 4
HASIL DAN PEMBAHASAN ........................................................................................... 5
Model Pasar Saham Indonesia ..................................................................................... 5
Model Pasar Saham Asia Pasifik ................................................................................ 7
KESIMPULAN DAN SARAN ............................................................................................ 8
Kesimpulan ................................................................................................................. 8
Saran ........................................................................................................................... 8
DAFTAR PUSTAKA ......................................................................................................... 8
LAMPIRAN ........................................................................................................................ 10
DAFTAR TABEL
Halaman
1 Hasil Dugaan Parameter Regresi Kuantil Model LQ45 ................................................ 6
2 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral ................................ 6
3 Hasil Dugaan Parameter Regresi Kuantil Model Asia Pasifik ...................................... 8
DAFTAR GAMBAR
1 Grafik IHSG Tahun 2005-2010 .................................................................................... 5
2 Grafik Indeks Dow Jones Asia Pasifik Tahun 2005-2010 ............................................ 7
DAFTAR LAMPIRAN
Halaman
1 Daftar Saham LQ45 ...................................................................................................... 11
2 Deskriptif Imbal Hasil Saham LQ45 ............................................................................. 11
3 Deskriptif Imbal Hasil Indeks Sektoral ........................................................................ 11
4 Deskriptif Imbal Hasil Indeks Saham Negara-negara Asia Pasifik ............................... 12
5 Grafik Beta Saham LQ45 .............................................................................................. 12
6 Grafik Beta Indeks Saham Sektoral Indonesia .............................................................. 15
7 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik ............................................... 16
8 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45 ............. 19
9 Dugaan Parameter untuk Model LQ45 ........................................................................ 20
10 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks Sektoral 21
11 Dugaan Parameter untuk Model Indeks Sektoral ......................................................... 22
12 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik ... 23
13 Dugaan Parameter untuk Model Asia Pasifik .............................................................. 24
1
PENDAHULUAN
Latar Belakang
Dasar dari teori keuangan klasik adalah
pelaku pasar memiliki perilaku yang rasional.
Investor yang rasional akan memaksimalkan
utilitasnya (imbal hasil dan resiko)
berdasarkan informasi yang tersedia di pasar.
Jika investor bertindak rasional maka pada
saat harga saham menurun, saham tersebut
akan dibeli. Demikian pula sebaliknya, jika
harga suatu saham meningkat, maka saham
tersebut akan dijual. Namun pada saat adanya
krisis, para investor cenderung untuk
berperilaku secara tidak rasional. Salah satu
perilaku tidak rasional diantara para investor
adalah perilaku herding. Perilaku herding
merupakan kecenderungan perilaku investor
untuk mengikuti konsensus pasar dan
mengikuti perilaku investor lainnya tanpa
melakukan analisis fundamental ekonominya.
Sehingga yang terjadi adalah ketika harga
saham turun, maka saham tersebut akan dijual
karena melihat investor lainnya menjual
saham yang mereka miliki.
Menurut Chang et.al (2000), jika perilaku
herding terjadi, maka tingkat penyebaran dari
imbal hasil saham akan meningkat lebih
rendah daripada kenaikan imbal hasil
portofolio pasar atau tingkat penyebaran imbal
hasil saham akan menurun walaupun imbal
hasil portofolio pasar meningkat. Ketika
perilaku herding terjadi, harga saham di pasar
saham tidak mencerminkan keadaan
ekonominya, sehingga dapat terjadi kesalahan
penetapan harga dari suatu saham karena
terjadi bias dalam melihat resiko dan imbal
hasil yang diharapkan (Hwang dan Salmon
2004). Sejak perilaku rasional pengambilan
keputusan investasi terganggu, maka hal ini
akan meningkatkan volatilitas pada pasar
tersebut (Bikhchandani dan Sharma 2001).
Oleh karena itu, pendeteksian perilaku
herding pada suatu pasar saham dibutuhkan
untuk melihat kerasionalan dari pelaku
investor di beberapa kondisi pasar. Kondisi
pasar yang akan dibahas diantaranya pada saat
imbal hasil saham sangat rendah (market
stress), perdagangan normal, dan pada saat
imbal hasil yang sangat tinggi.
Tujuan
Tujuan dari penelitian ini adalah untuk
melihat adanya indikasi perilaku herding
pada: (1) Pasar saham Indonesia, dilihat dari
saham LQ45 dan Indeks sektoral, (2) Pasar
saham global Asia Pasifik; pada kondisi
market stress, kondisi normal maupun kondisi
keuntungan yang sangat tinggi.
TINJAUAN PUSTAKA
Perilaku Herding
Perilaku herding merupakan perilaku
investor menjual atau membeli
sekuritas/saham tanpa menghiraukan alasan
yang mendasarinya untuk melakukan investasi
(Saastamoinen 2008). Pada saat perilaku
herding terjadi, mereka melakukan investasi
tanpa memperhitungkan resiko atau imbal
hasil yang akan mereka dapatkan. Beberapa
dampak negatif dari perilaku herding ini
adalah investor mungkin saja melakukan jenis
investasi yang sebenarnya tidak mereka
pahami dan mengambil resiko yang
sebenarnya tidak diperlukan.
Perilaku herding terlihat di beberapa
negara di dunia, diantaranya Cina (Tan et.al
2008), Taiwan dan Korea Selatan (Chang et.al
2000), Finlandia (Saastamoinen 2008), Italia,
Yunani dan Portugal (Fotini et.al 2010) dan
lain-lain.
Model yang digunakan untuk mendeteksi
adanya herding adalah
𝐶𝑆𝐴𝐷𝑡 = 𝛼 + 𝛾1𝑟𝑚 ,𝑡 + 𝛾2𝑟𝑚 ,𝑡2 + 𝜀𝑡 (1)
di mana CSADt merupakan CSAD pada
waktu ke-t, dan rm,t adalah imbal hasil
portofolio pasar pada waktu ke-t
(Saastamoinen 2008).
Menurut Chang et.al (2000) jika dalam
suatu pasar terdapat perilaku herding, maka
tingkat penyebaran dari imbal hasil (CSAD)
akan meningkat lebih rendah jika
dibandingkan dengan proporsi kenaikan imbal
hasil portofolio pasar atau bahkan tingkat
penyebaran imbal hasilnya akan menurun. Hal
ini dapat dilihat dari model pada persamaan
(1), jika nilai dari parameter 𝛾2 bernilai
negatif dan signifikan secara statistik, maka
terdapat indikasi perilaku herding pada pasar
saham tersebut
Capital Asset Pricing Model (CAPM)
Model penetapan harga aset (Capital Asset
Pricing Model, CAPM) merupakan sebuah
alat untuk memprediksi keseimbangan imbal
hasil yang diharapkan dari suatu aset yang
beresiko (Bodie et.al 2006). Dalam penelitian
ini model CAPM yang digunakan adalah :
𝑟𝑖 ,𝑡 = 𝛼 + 𝛽𝑖𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡) (2)
dimana 𝛽𝑖 merupakan koefisien yang
mengukur tingkat sensitivitas imbal hasil
saham ke-i terhadap pergerakan imbal hasil
portofolio pasar. 𝑟𝑚 ,𝑡 merupakan imbal hasil
2
dari portofolio pasar, sedangkan 𝑟𝑓 ,𝑡
merupakan aset bebas resiko, yang didekati
oleh Suku bunga Bank Indonesia (model
saham Indonesia) dan suku bunga kawasan
asia pasifik (model saham Asia Pasifik).
Cross Sectional Absolute Deviation (CSAD)
Cross Sectional Absolute Deviation
(CSAD) merupakan ukuran yang
merepresentasikan tingkat penyebaran imbal
hasil saham. Sebagai langkah awal, hitung
tingkat sensitivitas imbal hasil saham ke-i
terhadap imbal hasil portofolio pasar
berdasarkan persamaan (2). Kemudian hitung
Nilai Deviasi Mutlak (AVD) dari sebuah
imbal hasil saham ke-i pada waktu ke-t
terhadap imbal hasil portofolio pasar dengan
persamaan :
𝐴𝑉𝐷𝑖 ,𝑡 = 𝛽 𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡 (2)
dengan 𝛽 𝑖 merupakan tingkat sensitivitas
imbal hasil saham perusahaan ke-i terhadap
imbal hasil pasar. Sedangkan 𝛽𝑚 merupakan
tingkat sensitivitas untuk portofolio pasar.
Dari persamaan tersebut, dapat dihitung nilai
harapan dari Cross Sectional Absolute
Deviation (E(CSAD) pada periode ke-t
𝐸(𝐶𝑆𝐴𝐷𝑡) =1
𝑁 𝐴𝑉𝐷𝑖 ,𝑡
𝑁
𝑖=1
=1
𝑁 𝛽 𝑖 − 𝛽𝑚 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡
𝑁𝑖=1 (3)
Sehingga dapat diperlihatkan bahwa
hubungan yang linier dan terus meningkat
antara tingkat penyebaran dengan nilai yang
diharapkan dari imbal hasil portofolio pasar
seperti
𝜕𝐸(𝐶𝑆𝐴𝐷𝑡 )
𝜕𝐸𝑡 𝑅𝑚 =
1
𝑁 𝛽 𝑖 − 𝛽𝑚 𝑁
𝑖=1 > 0
𝜕2𝐸(𝐶𝑆𝐴𝐷𝑡 )
𝜕2𝐸𝑡 𝑅𝑚 = 0 (4)
Nilai aktual dari CSADt dapat dihitung
dengan menggunakan persamaan
𝐶𝑆𝐴𝐷𝑡 =1
𝑁 𝛽 𝑖 − 𝛽𝑚 ,𝑡 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡
𝑁𝑖=1 + 𝜀𝑡
(5)
Karena nilai dari 𝛽𝑚 = 1, yang merupakan
tingkat sensitivitas pasar terhadap pasar, maka
persamaan (5) menjadi
𝐶𝑆𝐴𝐷𝑡 =1
𝑁 𝛽 𝑖 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡
𝑁𝑖=1 + 𝜀𝑡 (6)
(Tan 2005)
Kalman Filter dan Kalman Smoother
Tingkat sensitivitas suatu imbal hasil
saham terhadap imbal hasil portofolio pasar
(β) seperti pada persamaan (1), memiliki nilai
yang tetap sepanjang waktu. Hal tersebut
memiliki beberapa kritisi bahwa
sesungguhnya tingkat sensitivitas tersebut
memiliki nilai yang berbeda-beda setiap
waktu. Pada waktu tertentu mungkin saja
tingkat sensitivitas suatu saham akan menjadi
sangat sensitif maupun menjadi tidak sensitif
bergantung bagaimana performa imbal hasil
saham tersebut terhadap imbal hasil portofolio
pasar. Sehingga untuk menduga tingkat
sensitivitas imbal hasil suatu saham atau
indeks saham terhadap imbal hasil portofolio
pasar (β) di setiap waktu pada persamaan (1),
maka model pada persamaan (1) diubah
menjadi bentuk state space model.
Bentuk state space model merupakan alat
yang sangat berguna yang dapat menangani
model deret waktu secara luas (Harvey 1993).
Model state space terdiri dari dua persamaan,
yaitu persamaan pengukuran (measurement
equation) dan persamaan transisi (transition
equation). Persamaan pengukuran dapat
dinyatakan sebagai :
𝑦𝑖 ,𝑡 = 𝑭𝒊,𝒕𝜃𝑖 ,𝑡 + 𝑣𝑖 ,𝑡 (7)
dan persamaan transisisi :
𝜃𝑖 ,𝑡 = 𝑮𝑖 ,𝑡𝜃𝑖 ,𝑡−1 + 𝑤𝑖 ,𝑡 (8)
di mana:
𝑦𝑖 ,𝑡 : imbal hasil saham perusahaan ke-i atau
indeks saham ke-i pada waktu ke-t
𝜃𝑖 ,𝑡 : nilai α dan β pada saham perusahaan ke-i
dan waktu ke-t (state vector)
𝑭𝒊,𝒕 : matriks koefisien (matriks observasi)
𝑮𝑖 ,𝑡 : matriks koefisien (matriks input)
𝑣𝑖 ,𝑡 : komponen acak 𝑣𝑖 ,𝑡~𝑁(0, 𝑽𝑖 ,𝑡)
𝑤𝑖 ,𝑡 : komponen acak 𝑤𝑖 ,𝑡~𝑁(0, 𝑾𝑖 ,𝑡)
dengan nilai 𝑭𝒊,𝒕 dan 𝑮𝑖 ,𝑡
𝑭𝒊,𝒕 = 1 𝐸(𝑟𝑚 ,𝑡 − 𝑟𝑓 ,𝑡) , 𝑮𝑖 ,𝑡 = 1 00 1
Jika model telah terbentuk dalam bentuk
state space model, maka dapat menggunakan
Kalman Filter untuk menduga tingkat
sensitivitas imbal hasil suatu saham terhadap
imbal hasil pasar (state vector), kemudian
melakukan pemulusan terhadap state vector.
Kalman Filter merupakan prosedur rekursif
untuk menghitung penduga yang optimal bagi
state vector berdasarkan informasi yang ada.
Misalkan Dt adalah informasi yang telah ada
pada t awal observasi, yaitu yi,1,…, yi,t.
Langkah-langkah yang digunakan dalam
Kalman Filter adalah :
3
i. Melakukan prediksi sebaran 𝜃𝑖 ,𝑡
(𝜃𝑖 ,𝑡~𝑁(𝑚𝑖 ,𝑡 , 𝑪𝑖 ,𝑡)) untuk satu langkah ke
depan dengan informasi yang ada
sebelumnya (Di,t-1) diketahui berdasarkan
sebaran filter 𝑝(𝜃𝑖 ,𝑡−1|𝐷𝑖 ,𝑡−1) dan model
transisi.
𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1 =
𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡−1 𝑝 𝜃𝑖 ,𝑡−1 𝐷𝑖 ,𝑡−1 𝑑𝑣 𝜃𝑖 ,𝑡−1
dengan parameter
𝑎𝑖,𝑡 = 𝐸 𝜃𝑖,𝑡 𝐷𝑖,𝑡−1
= 𝑮𝒊,𝒕𝑚𝑖,𝑡−1
𝑹𝒊,𝒕 = 𝑉𝑎𝑟 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
= 𝑮𝒊,𝒕𝑪𝒊,𝒕−𝟏𝑮𝒊,𝒕′ + 𝑾𝒊,𝒕
ii. Melakukan prediksi sebaran observasi
untuk satu langkah selanjutya.
𝑓 𝑦𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
= 𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡−1 𝐷𝑖 ,𝑡−1 𝑑𝑣 𝜃𝑖 ,𝑡
dengan parameter
𝑓𝑖 ,𝑡 = 𝐸 𝑌𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
= 𝑭𝒊,𝒕𝑎𝑖 ,𝑡
𝑸𝒊,𝒕 = 𝑉𝑎𝑟 𝑌𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
= 𝑭𝒊,𝒕𝑹𝒊,𝒕−𝟏𝑭𝒊,𝒕′ + 𝑽𝒊,𝒕
iii. Menghitung sebaran dari filtering
𝑝(𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑡) menggunakan aturan Bayes
dengan 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1 sebagai sebaran
prior dan fungsi kemungkinan 𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 .
𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 =𝑓 𝑦𝑖 ,𝑡 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
𝑓 𝑦𝑖 ,𝑡 𝐷𝑖 ,𝑡−1
dengan parameter
𝑚𝑖 ,𝑡 = 𝐸 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡
= 𝑎𝑖 ,𝑡 + 𝑹𝒊,𝒕𝑭𝒊,𝒕′ 𝑸𝒊,𝒕
−𝟏 𝑒𝑖 ,𝑡
𝑪𝒕 = 𝑉𝑎𝑟 𝜃𝑖,𝑡 𝐷𝑖 ,𝑡
= 𝑹𝒊,𝒕 − 𝑹𝒊,𝒕𝑭𝒊,𝒕′ 𝑸𝒊,𝒕
−𝟏𝑭𝒊,𝒕𝑹𝒊,𝒕
Petris et.al (2009)
Kalman filter membutuhkan inisialisasi
nilai awal untuk state vector dan ragam dari
state vector, yang didapat dari informasi
sebelumnya. Jika nilai awal tidak diketahui
dan state vector tidak stationer, maka dapat
menggunakan nilai awal dengan ragam yang
sangat besar (Harvey 1993).
Kalman smoother dapat digunakan untuk
menghitung sebaran dari 𝜃𝑖 ,𝑡+1, dimulai dari
𝑡 = 𝑇 − 1 dengan 𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑡~𝑁(𝑠𝑖 ,𝑡 , 𝑺𝒊,𝒕),
kemudian melakukan proses rekursif ke
belakang untuk 𝑡 = 𝑇 − 2, 𝑡 = 𝑇 − 3, dan
seterusnya. Dengan algoritma rekursif ke
belakang, untuk menghitung sebaran 𝜃𝑖 ,𝑡 |𝐷𝑖 ,𝑇
untuk t < T, dimulai dari sebaran filternya
𝑝 𝜃𝑖 ,𝑇 𝐷𝑖 ,𝑇 dan menduga kebelakang semua
data state vector sebelumnya. dengan
langkah-langkah:
i. Dengan syarat 𝐷𝑖 ,𝑇 , rangkaian dari state
vector (𝜃𝑖 ,0 , … , 𝜃𝑖 ,𝑇) memiliki peluang
transisi kebelakang,
𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 =𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡
𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡
ii. Sebaran pemulusan dari 𝜃𝑖 ,𝑡 dengan syarat
𝐷𝑖 ,𝑇 dapat dihitung mengikuti rekursif ke
belakang pada waktu ke-t (dimulai dari
𝑝 𝜃𝑖 ,𝑇 𝐷𝑖 ,𝑇 ) :
𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑇 = 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 ×
𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡
𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑑𝜇 𝜃𝑖 ,𝑡+1
iii. Dengan memarginalkan 𝑝(𝜃𝑖 ,𝑡 , 𝜃𝑖 ,𝑡+1|𝐷𝑖 ,𝑇)
maka akan didapatkan:
𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑇 = 𝑝 𝜃𝑖 ,𝑡 , 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑑𝜃𝑖 ,𝑡+1
= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇 𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1
= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝜃𝑖 ,𝑡+1, 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1
= 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 ×
𝑝 𝜃𝑖 ,𝑡+1 𝜃𝑖 ,𝑡 , 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡
𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑑𝜃𝑖 ,𝑡+1
= 𝑝 𝜃𝑖 ,𝑡 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡 𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑇
𝑝 𝜃𝑖 ,𝑡+1 𝐷𝑖 ,𝑡
(Petris et al. 2009)
Sehingga untuk menghitung nilai CSADt
seperti pada persamaan (6) dengan
menggunakan tingkat sentitivitas yang tidak
tetap sepanjang waktu, persamaannya diubah
menjadi
𝐶𝑆𝐴𝐷𝑡 =1
𝑁 𝛽 𝑖 ,𝑡 − 1 𝐸𝑡 𝑟𝑚 ,𝑡 − 𝑟𝑓,𝑡
𝑁
𝑖=1
+ 𝜀𝑡
dimana 𝛽 𝑖 ,𝑡 merupakan tingkat sensitivitas
imbal hasil suatu saham ke-i terhadap imbal
hasi portofolio pasar pada waktu ke-t (Tan
2005; Saastamoinen 2008)
Regresi Kuantil
Regresi kuantil merupakan teknik
statistika yang digunakan untuk menduga
hubungan antara peubah respon dengan
peubah penjelas pada fungsi kuantil bersyarat
tertentu. Seperti pada metode kuadrat terkecil,
yang meminimumkan jumlah kuadrat galat
dan menduga model dengan menggunakan
fungsi rata-rata bersyarat, regresi kuantil
meminimumkan galat mutlak berbobot yang
tidak simetris dan menduga fungsi kuantil
bersyarat pada suatu sebaran data. Secara
umum, regresi kuantil sangat bermanfaat
ketika ingin menganalisis bagian tertentu dari
4
suatu sebaran bersyarat. Sebagai contoh pada
kuantil atas, median maupun kuantil bawah
dari suatu sebaran bersyara. Metode regresi
kuantil tidak membutuhkan asumsi parametrik
(Buhai 2005). Untuk suatu peubah acak Y
dengan fungsi sebaran peluang
𝐹 𝑌 = 𝑃(𝑌 ≤ 𝑦)
di mana untuk setiap 0 < τ < 1, terdapat
fungsi invers,
𝐹−1 = inf{𝑦: 𝐹 𝑦 ≥ 𝜏}
yang merupakan kuantil ke-τ dari Y.
Jika rata-rata contoh merupakan solusi dari
masalah
𝑚𝑖𝑛𝜇∈ℝ 𝑦𝑖 − 𝜇 2
𝑛
𝑖=1
maka untuk 𝜇 𝑥 = 𝑥 ′𝛽 yang merupakan rata-
rata bersyarat dari y dengan x diketahui, nilai
β dapat diduga dengan menyelesaikan
𝑚𝑖𝑛𝛽∈𝑅𝑃 𝑦𝑖 − 𝑥𝑖′𝛽
2𝑛
𝑖=1
Dengan cara yang sama, kuantil contoh ke-τ
𝛼 (𝜏) didapat dengan menyelesaikan
𝑚𝑖𝑛𝛼∈𝑅𝑃 𝑦𝑖 − 𝛼
𝑛
𝑖=1
Jika fungsi bersyarat dari kuantil ke-τ
didefinisikan sebagai 𝑄𝜏 𝜏 𝑥 = 𝑥 ′𝛽(𝜏), maka
nilai 𝛽 (𝜏) didapat dengan menyelesaikan
𝑚𝑖𝑛𝛽∈𝑅𝑃 𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇𝛽
𝑛
𝑖=1
di mana 𝜌𝜏 𝑢 = 𝑢(𝜏 − 𝐼 𝑢 < 0 ), 0 < τ < 1
dan I(.) adalah fungsi indikator (Koenker
2005).
Salah satu metode pendugaan parameter
untuk regresi kuantil adalah dengan
menggunakan algoritma simpleks. Sebagai
langkah awal misalkan, 𝜇 = 𝑦 − 𝐴′𝛽 +,
𝑣 = 𝐴′𝛽 − 𝑦 +, 𝜙 = 𝛽 +, dan 𝜑 = −𝛽 +,
dimana [𝑧]+ adalah bagian dari z yang tidak
bernilai negatif, dan A merupakan matriks
peubah penjelas. Untuk kasus regresi median,
pendekatan simpleks menyelesaikan
𝑚𝑖𝑛𝛽𝐷𝐿𝐴𝑅(𝛽) dengan memformulasikan
𝑚𝑖𝑛𝛽 {𝑒 ′𝜇 + 𝑒 ′𝑣|𝑦 = 𝐴′𝛽 + 𝜇 − 𝑣}
di mana e merupakan vektor satu yang
berukuran n dan {𝑢, 𝑣} ∈ ℝ+𝑛 .
Misalkan 𝐵 = 𝐴′ − 𝐴′ 𝐼 − 𝐼 , 𝑑 = (0′ 0′ 𝑒 ′ 𝑒 ′), 𝜃 = (𝜙′ 𝜑′ 𝜇′ 𝑣′ ) di mana
0′ = (0 0 … 0)𝑝 . Sehingga rumusan ulang
dari masalah pemrograman linier baku adalah
minθ d’θ dengan kendala Bθ = y dan θ ≥ 0. Masalah ini memiliki bentuk ganda maxz x’z
dengan kendala B’z = d. Yang dapat
disederhanakan menjadi
𝑚𝑎𝑥𝑧{𝑦′𝑧 𝐴𝑧 = 0, 𝑧 ∈ −1,1 𝑛 .
Jika 𝜂 =1
2𝑧 +
1
2𝑒, 𝑏 =
1
2𝐴𝑒, maka
rumusannya menjadi
𝑚𝑎𝑥𝜂 {𝑦′𝜂 𝐴𝜂 = 𝑏, 𝜂 ∈ 0,1 𝑛
Untuk regresi kuantil, masalah minimisasinya
adalah 𝑚𝑖𝑛𝛽∈𝑅𝑃 𝜌𝜏 𝑦𝑖 − 𝑥𝑖𝑇𝛽 𝑛
𝑖=1 , dan sama
seperti tahapan sebelumnya, rumusan
masalahnya menjadi
𝑚𝑎𝑥𝑧{𝑦′𝑧 𝐴𝑧 = 1 − 𝜏 , 𝑧 ∈ 0,1 𝑛 . (Chen 2005)
METODOLOGI
Sumber Data
Data yang digunakan dalam penelitian ini
berupa data penutupan harian saham, data
penutupan harian indeks saham, dan data suku
bunga dari tahun 2005 hingga tahun 2010.
Data penutupan harian saham maupun indeks
saham didapat dari www.finance.yahoo.com,
data suku bunga didapat dari www.bi.go.id, dan www.bloomberg.com.
Pada pasar saham Indonesia, IHSG
digunakan sebagai pendekatan untuk
portofolio pasar, sedangkan data suku bunga
Bank Indonesia digunakan sebagai
pendekatan aset bebas resiko. Pada pasar
saham global Asia Pasifik, indeks Dow Jones
Asia Pasifik digunakan sebagai pendekatan
untuk portofolio pasar. Suku bunga LIBOR
(London Interbank Offered Rate) digunakan
sebagai pendekatan untuk aset bebas resiko.
Metode Analisis
Tahap-tahap yang dilakukan dalam
penelitian ini adalah :
1. Mencari perusahaan yang terdaftar dalam
saham LQ45 selama 5 tahun terakhir.
2. Menghitung nilai imbal hasil saham tiap
perusahaan dan indeks saham, dengan
menggunakan persamaan
𝑟𝑖 ,𝑡 =𝑃𝑖 ,𝑡 − 𝑃𝑖 ,𝑡−1
𝑃𝑖 ,𝑡−1
dengan 𝑃𝑖 ,𝑡 merupakan harga penutupan
saham perusahaan ke-i pada waktu ke-t.
3. Menghitung tingkat sensitivitas imbal
hasil untuk masing-masing saham
perusahaan maupun indeks saham
berdasarkan persamaan (7) dan (8),
5
dengan menggunakan Kalman Filter dan
Kalman Smoother.
4. Menghitung CSADt dari imbal hasil
harian LQ45, indeks sektoral dan indeks
negara-negara di Asia Pasifik.
5. Melakukan eksplorasi data terhadap nilai
dari CSADt.
6. Melakukan regresi kuantil data CSADt
dengan imbal hasil portofolio pasar pada
τ = 0.01, τ = 0.05 , τ = 0.5, τ = 0.95 dan
τ = 0.99.
7. Interpretasi hasil regresi kuantil.
Metode Kalman Filter dan Kalman
Smoother, dihitung dengan menggunakan
bantuan package dlm pada software R.2.13.
Regresi kuantil dihitung dengan menggunakan
software Eviews 6.1 .
HASIL DAN PEMBAHASAN
Indikasi perilaku herding pada pasar
saham Indonesia, didasarkan atas saham yang
terdaftar sebagai indeks LQ45 dan indeks
sektoral. Penelitian ini mengunakan saham
perusahaan yang selalu terdaftar pada indeks
LQ45 selama 5 tahun terakhir. Saham-saham
tersebut merupakan saham-saham besar yang
akan merepresentasikan keadaan pasar saham
Indonesia. Saham perusahaan yang selalu
menjadi bagian dari LQ45 adalah AALI,
ASII, UNSP, BBCA, BDMN, BMRI, SMCB,
ISAT, INCO, MEDC, PGAS, PTBA, TLKM,
dan UNTR. Sedangkan indeks sektoral yang
digunakan adalah sektor pertanian
(agriculture), pertambangan (mining),
perdagangan (trade), konsumsi
(consumption), keuangan (finance),
infrastuktur (infrastucture), industri dasar
(basic industry), properti (property), dan
sektor lainnya (miscellanous). Sebagai
pendekatan untuk nilai portofolio pasar,
digunakan Indeks Harga Saham Gabungan
(IHSG).
Selain pada pasar saham Indonesia,
identifikasi perilaku herding juga dilakukan
pada pasar saham global Asia Pasifik.
Identifikasi perilaku herding ini didasarkan
atas indeks saham negara-negara Asia Pasifik.
Indeks saham yang digunakan adalah indeks
HSI (Hongkong), N225 (Jepang), JKSE
(Indonesia), NZ50 (Selandia Baru), AORD
(Australia), SSE (Cina), KLSE (Malaysia),
KS11 (Korea Selatan), GSPC (Amerika),
PSEI (Filipina), dan STI (Singapura). Sebagai
pendekatan untuk nilai portofolio pasar,
digunakan indeks Dow Jones Asia Pasifik.
Model Pasar Saham Indonesia
Menurut publikasi BI yang dimuat dalam
Outlook Ekonomi Indonesia Januari 2009,
selama triwulan ketiga tahun 2008, IHSG
mengalami penurunan yang tajam. Penurunan
tajam tersebut merupakan imbas dari krisis
keuangan global yang terjadi sejak bulan
Agustus 2007, yaitu pada saat BNP Paribas
yang merupakan salah satu bank terbesar di
Perancis mengumumkan pembekuan beberapa
sekuritas yang berkaitan dengan kredit
perumahan berisiko tinggi di Amerika Serikat.
Pembekuan ini kemudian memicu gejolak di
pasar keuangan dan akhirnya merambat ke
seluruh dunia. Pada akhir triwulan ketiga
tahun 2008, intensitas krisis semakin
membesar seiring dengan jatuhnya bank
investasi terbesar di Amerika Serikat, Lehman
Brothers, yang diikuti oleh kesulitan keuangan
yang semakin parah di sejumlah lembaga
keuangan berskala besar di Amerika, Eropa
maupun Jepang. Krisis tersebut menyebabkan
gejolak di pasar modal dan pasar uang. Pada
bulan Desember, IHSG ditutup pada level
1355.4, terpangkas hampir separuhnya
dibandingkan pada awal tahun 2008 yang
mencapai 2267.3, yang bersamaan dengan
jatuhnya kapitalisasi pasar dan penurunan
tajam volume perdagangan saham. Hal ini
terlihat pada Gambar 1, yang menunjukkan
IHSG mencapai nilai yang rendah disekitar
pengamatan 800 hingga 900 (Agustus 2008 –
Februari 2009).
Gambar 1 Grafik IHSG Tahun 2005-2010.
Tingkat sensitivitas setiap imbal hasil
saham terhadap imbal hasil portofolio pasar
tidak konstan di setiap waktu. Dengan
menggunakan Kalman Filter dan Kalman
Smoother, grafik tingkat sensitivitas setiap
imbal hasil saham perusahaan dapat dilihat
pada Lampiran 5. Tingkat sensitivitas pada
6
imbal hasil saham LQ45 secara umum sangat
berfluktuasi selama periode pengamatan,
seperti yang dapat dilihat pada Lampiran 5,
namun pada saham AALI, INCO dan ISAT,
tingkat sensitivitas imbal hasilnya tidak terlalu
berfluktuasi seperti pada saham lainnya.
Seperti halnya saham LQ45, indeks saham
sektoral juga memiliki tingkat sensitivitas
imbal hasil yang befluktuatif. Pada indeks
saham infrastruktur, terlihat bahwa tingkat
sensitivitas imbal hasilnya sangat berfluktuatif
dan memliki tren yang menurun. Grafik
indeks saham sektoral dapat dilihat pada
Lampiran 6.
Perilaku herding diidentifikasi pada tiga
kondisi, yaitu pada kondisi market stress,
normal maupun imbal hasil yang tinggi.
Kuantil 0.01 dan 0.05 merepresentasikan
kondisi market stress, kuantil 0.5
merepresentasikan kondisi normal, sedangkan
kondisi imbal hasil yang sangat tinggi
direpresentasikan oleh kuantil 0.95 dan 0.99.
Identifikasi perilaku herding pada pasar
saham Indonesia yang didasarkan atas saham
LQ45 menunjukkan bahwa terdapat indikasi
herding pada kondisi market stress. Indikasi
ini terlihat dari koefisien 𝛾2 yang negatif dan
signifikan pada taraf nyata 5%. Pada kondisi
ini tingkat penyebaran imbal hasil saham akan
meningkat lebih rendah jika dibandingkan
dengan kenaikan imbal hasil portofolio pasar
atau bahkan menurun. Hal ini berarti bahwa
investor pada pasar saham Indonesia memiliki
perilaku yang tidak rasional.
Berbeda halnya dengan kondisi market
stress, pada kondisi normal maupun imbal
hasil yang sangat tinggi tidak ditemukan
adanya perilaku herding. Hal ini ditunjukkan
oleh nilai dari koefisien 𝛾2 yang bernilai
positif. Dugaan parameter regresi kuantil
untuk saham LQ45 dapat dilihat pada Tabel 1.
Tabel 1 Hasil Dugaan Parameter Regresi Kuantil Model LQ45
Kondisi Kuantil ke R-Square
𝛼 𝛾1 𝛾2
Market stress 0.01 0.8757 Dugaan -0.1586 0.3983 -0.0840
t hitung -9.7472* 39.7757* -10.0413*
0.05 0.8004 Dugaan -0.1162 0.3643 -0.0636
t hitung -9.1150* 44.2997* -12.1845*
Normal 0.5 0.6929 Dugaan -0.0095 0.2696 0.0001
t hitung -7.3566* 119.0709* 0.1966
Imbal hasil 0.95 0.7807 Dugaan 0.0657 0.3387 0.0642
sangat tinggi t hitung 6.8683* 27.3238* 23.0358*
0.99 0.8753 Dugaan 0.1341 0.3724 0.0664
t hitung 11.1776* 41.3330* 16.3139*
*Menunjukkan signifikan pada taraf nyata α=5%
Tabel 2 Hasil Dugaan Parameter Regresi Kuantil Model Indeks Sektoral
Kondisi Kuantil ke R-Square 𝛼 𝛾1 𝛾2
Market stress 0.01 0.8717 Dugaan -0.0939 0.2379 -0.0361
t hitung -5.1041* 70.5533* -3.4947*
0.05 0.8096 Dugaan -0.0737 0.2283 -0.0302
t hitung -8.7787* 62.9390* -7.4199*
Normal 0.5 0.7335 Dugaan -0.0064 0.1969 0.0022
t hitung -4.3449* 34.5539* 0.7935
Imbal hasil 0.95 0.8107 Dugaan 0.0521 0.2185 0.0265
sangat tinggi t hitung 8.2574* 50.2752* 10.5180*
0.99 0.8826 Dugaan 0.0885 0.2310 0.0321
t hitung 7.0222* 62.0351* 5.9038*
*Menunjukkan signifikan pada taraf nyata α=5%
7
Jika dilihat pada keseluruhan sebaran data,
parameter 𝛾2 pada model yang didasarkan
pada saham LQ45 memperlihatkan bahwa
kecenderungan perilaku investor pada saat
market stress hingga pada kondisi normal,
menuju ke arah yang rasional. hal ini
diperlihatkan pada koefisien 𝛾2 yang bernilai
negatif dan signifikan hingga kuantil 0.35.
Hasil dugaan parameter untuk setiap kuantil
dapat dilihat pada Lampiran 9.
Sama halnya dengan identifikasi perilaku
herding pada pasar saham Indonesia yang
berdasarkan saham LQ45, identifikasi
perilaku herding yang dilakukan berdasarkan
indeks sektoral menunjukkan bahwa terdapat
indikasi perilaku herding terjadi pada kondisi
market stress. Hal ini terlihat dari koefisien
𝛾2 yang bernilai negatif dan signifikan.
Namun pada kondisi normal dan kondisi
imbal hasil yang sangat tinggi tidak
ditemukan adanya indikasi perilaku herding.
Dugaan parameter regresi kuantil dapat dilihat
pada Tabel 2.
Lampiran 10 menunjukkan hasil dugaan
parameter untuk model yang didasarkan pada
indeks sektoral di setiap kuantil. Dari hasil
tersebut dapat dilihat bahwa masih terdapat
indikasi perilaku herding hingga kuantil 0.45.
Hasil yang ditunjukkan pada model yang
digunakan untuk pasar saham Indonesia, baik
berdasarkan saham LQ45 maupun indeks
saham sektoral memperlihatkan bahwa ketika
kondisi imbal hasil dari suatu saham
cenderung sedikit memburuk, maka investor
pada pasar saham Indonesia akan mulai panik,
sehingga investor akan menunjukkan indikasi
perilaku herding. Hal ini ditunjukkan oleh
adanya indikasi perilaku herding hingga
kuantil 0.45.
Model Pasar Saham Global Asia Pasifik
Selain Indonesia, krisis global pada tahun
2008 juga berdampak pada pasar saham
global Asia Pasifik. Hal ini terlihat pada
indeks saham Dow Jones Asia Pasifik, bahwa
di sekitar data pengamatan ke-800 hingga 900
(Agustus 2008 – Februari 2009) indeks Dow
Jones Asia Pasifik mengalami penurunan yang
tajam hingga mencapai level 73.78. Grafik
pergerakan indeks saham Dow Jones Asia
Pasifik dapat dilihat pada Gambar 2.
Tingkat sensitivitas indeks saham negara-
negara Asia Pasifik secara umum tidak
memiliki fluktuasi yang tinggi, seperti yang
dapat dilihat pada Lampiran 7. Fluktuasi yang
sangat tinggi terjadi pada indeks saham negara
Australia dan Indonesia.
Sama halnya seperti identifikasi perilaku
herding pada pasar saham Indonesia,
identifikasi perilaku herding pada pasar saham
global Asia Pasifik dilihat dari tiga kondisi,
yaitu kondisi market stress, normal maupun
kondisi imbal hasil yang sangat tinggi. Pada
kondisi market stress, terdapat indikasi
perilaku herding. Hal ini terlihat dari koefisien
𝛾2 yang bernilai negatif dan signifikan.
Tidak terdapat indikasi perilaku herding
pada pasar saham global Asia Pasifik saat
kondisi normal maupun kondisi imbal hasil
yang sangat tinggi. Hal ini terlihat pada
koefisien 𝛾2 yang bernilai positif. Dugaan
parameter regresi kuantil pada pasar saham
global Asia Psifik dapat dilihat pada Tabel 3.
Gambar 2 Grafik Indeks Dow Jones Asia
Pasifik Tahun 2005-2010
Lampiran 13 memperlihatkan dugaan
parameter regresi di setiap kuantil. Dari hasil
tersebut, terlihat bahwa masih terdapat
indikasi perilaku herding hingga kuantil 0.15.
Hasil ini menunjukkan bahwa pada pasar
saham global Asia Pasifik, perilaku herding
hanya diperlihatkan pada kondisi market
stress yang ekstrim.
Hasil pendeteksian perilaku herding pada
pasar saham Indonesia maupun pasar saham
Asia Pasifik menunjukkan bahwa investor
pada pasar saham global Asia Pasifik, lebih
rasional dibandingkan dengan investor pada
pasar saham Indonesia. Karena pada pasar
saham global Asia Pasifik, indikasi perilaku
herding terdeteksi hanya pada saat kondisi
market stress yang ekstrim (hingga kuantil
0.15). Sedangkan pada pasar saham Indonesia,
perilaku herding terdeteksi hingga kuantil
0.45.
8
Tabel 3 Hasil Dugaan Parameter Regresi Kuantil Model Global Asia Pasifik
Kondisi Kuantil ke R-Square 𝛼 𝛾1 𝛾2
Market stress 0.01 0.8803 Dugaan -0.1514 0.4857 -0.0592
t hitung -5.4721* 91.4233* -3.4908*
0.05 0.8396 Dugaan -0.1075 0.4558 -0.0286
t hitung -7.2010* 29.9416* -2.1036*
Normal 0.5 0.8506 Dugaan -0.0017 0.4280 0.0012
t hitung -1.4840 142.6068* 2.0552*
Imbal hasil 0.95 0.8280 Dugaan 0.0884 0.5010 0.0597
Sangat tinggi t hitung 5.5615* 66.3392* 4.2340*
Nilai-p 0.0000 0.0000 0.0000
0.99 0.8763 Dugaan 0.1154 0.4905 0.0725
t hitung 3.9233* 87.9843* 3.0116*
*Menunjukkan signifikan pada taraf nyata α=5%
KESIMPULAN DAN SARAN
Kesimpulan
Pada pasar saham Indonesia, indikasi
perilaku herding terlihat pada kondisi market
stress. Sedangkan pada kondisi normal dan
imbal hasil yang sangat tinggi, tidak terdapat
indikasi perilaku herding. Hal ini didasarkan
pada saham LQ45 maupun indeks sektoral.
Pada pasar saham Asia pasifik, perilaku
investor pada kondisi normal maupun kondisi
imbal hasil yang sangat tinggi menunjukkan
perilaku yang rasional. Sedangkan pada
kondisi market stress, terdapat indikasi
perilaku herding diantara investor.
Pada pasar saham Indonesia dan pasar
saham global Asia Pasifik secara umum
memiliki perilaku yang sama. Sehingga
integrasi ekonomi negara-negara ASEAN+3
pada tahun 2015 sudah terlihat di pasar
keuangan. Namun, perilaku herding pada
Indonesia lebih buruk jika dibandingkan
dengan Asia Pasifik. Hal ini karena pada pasar
saham Indonesia, perilaku herding masih
terlihat hingga kuantil 0.45. Sedangkan pada
pasar saham Asia Pasifik perilaku herding
hanya terlihat hingga kuantil 0.15.
Saran
Metode Kalman Filter memiliki
kelemahan, yaitu dalam hal penentuan nilai
inisialisasi awal untuk state vector dan ragam
dari state vector. Oleh karena itu, untuk
penelitian selanjutnya dapat menggunakan
metode lain untuk menduga tingkat
sensitivitas suatu imbal hasil saham atau
indeks saham dengan menggunakan Adaptive
Kalman Filter, Extended Kalman Filter, dan
lain-lain.
DAFTAR PUSTAKA
[BI] Bank Indonesia. 2009. Outlook Ekonomi
Indonesia2009-2014. Jakarta : BI.
Bikchandani S dan Sharma S. 2001. Herd
behavior in financial markets. IMF Staff
Papers, 47;3:279-310.
Bodie Z, Kane A, dan Markus AJ. 2005.
Investasi. Dalimunthe Z, Wibowo B,
penerjemah; Jakarta : Salemba Empat.
Terjemahan dari : Investments.
Buhai S. 2005. Quantile Regression :
Overview and Selected Applications. Ad-
Astra.
Chang EC, Cheng JW, dan Khorana A. 2000.
An examination of herd behavior in
equity markets: an international
perspective. Journal of Banking and
Finance 24:1651–1679.
Chen C. 2005. An Introduction to Quantile
Regression and the Quantreg Proceduree.
Proceedings of the Thirtieth Annual SAS
Users Group International Conference.
http:
//support.sas.com/rad/app/papers/quantile.
html.[12 Mei 2011].
Fotini E, Kostakis A, Philippas N. 2010. An
Examination Of Herd Behaviour In Four
Mediterraneans Stock Markets.
Harvey A. 1993. Time Series Model. Second
edition. Great Britain : Harvester
Wheatsheaf.
Hwang S dan Salmon M. 2004. Market Stress
and Herding. Journal of Empirical
Finance 11:585-616.
9
Koenker R. 2005. Quantile Regression. New
York :Cambridge University Press.
Petris, Petrone, and Campagnoli. 2009.
Dynamic Linear Models with R, Springer.
Saastamoinen, Jani. 2008. Quantile Resression
Analysis of dispersion of stock returns-
evidence of herding?. keskustelualoitteita
#57.
Tan L. 2005. Empirical Analysis of
ChineseStock Market Behavior: Evidence
from Dynamic Correlations, Herding
Behavior, and Speed of Adjustment.[ tesis]
Drexel University, http
://idea.library.drexel.edu/handle/1860/514.
[12 Mei 2011].
Tan L, Chiang TC, Mason JR, dan Nelling E.
2008. Herding Behavior In Chinese Stock
Markets: An Examination of A and B
Shares, Pacific-Basin.
10
L A M P I R A N
11
Lampiran 1 Daftar Saham Perusahaan LQ45
AALI : Astra Argo Lestari Tbk
ASSII : Astra International Tbk
UNSP : Bakrie Sumatra Plantations Tbk
BBCA : Bank Central Asia Tbk
BDMN : Bank Danamon Tbk
BMRI : Bank Mandiri (Persero) Tbk
SMCB : Holcim Indonesia Tbk
ISAT : Indosat Tbk
INCO : International Nickel Indonesia
MEDC : Medco Energi International Tbk
PGAS : Perusahaan Gas Negara Tbk
PTBA : Tambang Batubara Bukit Asam Tbk
TLKM : Telekomunikasi Indonesia Tbk
UNTR : United Tractors Tbk
Lampiran 2 Deskriptif Imbal Hasil Saham Perusahaan LQ45 Terpilih
Saham Rata-rata StDev Ragam Minimum Median Maximum
AALI 0.2100 3.2079 10.2907 -22.7799 0.0000 19.8980
ASII 0.1711 3.0415 9.2507 -10.1036 0.0000 19.8718
UNSP 0.0930 4.3600 19.0080 -35.2110 0.0000 29.6300
BBCA 0.1166 2.5495 6.5001 -25.0000 0.0000 13.5135
BDMN 0.1004 3.1987 10.2320 -20.8000 0.0000 18.1818
BMRI 0.1600 3.0608 9.3687 -12.9412 0.0000 20.0000
BBRI 0.1574 3.0451 9.2725 -9.9237 0.0000 18.9655
SMCB 0.1783 3.3850 11.4584 -23.5294 0.0000 19.1489
ISAT 0.0251 2.6072 6.7973 -14.5455 0.0000 20.0000
INCO 0.1820 3.7420 14.0030 -17.9250 0.0000 23.7500
MEDC 0.0542 3.2548 10.5940 -17.2414 0.0000 24.8485
PGAS 0.2220 3.2568 10.6069 -23.3161 0.0000 21.0784
PTBA 0.2818 3.3837 11.4493 -22.9947 0.0000 19.6721
TLKM 0.0587 2.2474 5.0506 -9.9237 0.0000 10.2941
UNTR 0.2186 3.3161 10.9963 -21.6931 0.0000 20.0000
Lampiran 3 Deskriptif Imbal Hasil Indeks Saham Sektoral Negara Indonesia
Indeks Rata-rata StDev Ragam Minimum Median Maximum
JKAGRI 0.1644 2.5016 6.2581 -19.4197 0.0929 12.8160
JKBIND 0.1105 1.8081 3.2692 -11.7602 0.1526 10.0982
JKCONS 0.1143 1.5400 2.3717 -7.8222 0.1650 11.4275
JKFINA 0.1094 1.8860 3.5572 -7.4558 0.1371 10.9607
JKINFA 0.0800 1.9461 3.7874 -12.9079 0.0560 12.6109
JKMING 0.1606 2.6531 7.0388 -22.2546 0.1274 15.4067
JKMIS 0.1327 2.4857 6.1787 -15.5082 0.0696 14.2521
JKPROP 0.0824 1.6483 2.7169 -12.1753 0.1178 7.0154
JKTRADE 0.0760 1.7659 3.1183 -16.7183 0.0636 7.5087
12
Lampiran 4 Deskriptif Imbal hasil Indeks Saham Negara-Negara di Asia Pasifik
Indeks Rata-rata StDev Ragam Minimum Median Maximum
KLSE 0.0505 1.4376 2.0668 -17.5076 0.0648 21.9700
HSI 0.0544 1.9103 3.6491 -12.7000 0.0880 14.3471
JKSE 0.1046 1.6757 2.8081 -10.3753 0.1860 7.9215
KS11 0.0648 1.5991 2.5572 -10.5705 0.1501 11.9457
N225 0.0049 1.7744 3.1484 -11.4064 0.0432 14.1503
PSEI 0.0777 1.6095 2.5904 -12.2683 0.1135 13.8245
AORD 0.0189 1.2828 1.6457 -8.1980 0.0603 5.5064
GSPC 0.0157 1.5373 2.3633 -9.0350 0.0843 11.5800
SSE 0.0928 1.9964 3.9855 -8.8407 0.1633 9.4549
STI 0.0370 1.4435 2.0836 -8.8036 0.0717 7.8213
NZ50 0.0058 0.8426 0.7099 -4.8182 0.0317 5.9869
Lampiran 5 Grafik Beta Saham LQ45
13
Lampiran 5 (lanjutan)
14
Lampiran 5 (lanjutan)
15
Lampiran 6 Grafik Beta Indeks Saham Sektoral Indonesia
16
Lampiran 6 (lanjutan)
Lampiran 7 Grafik Beta Indeks Saham Negara-Negara Asia Pasifik
17
Lampiran 7 (lanjutan)
18
Lampiran 7 (lanjutan)
19
Lampiran 8 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model LQ45
-.15
-.10
-.05
.00
.05
.10
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
C
.24
.28
.32
.36
.40
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R
-.08
-.04
.00
.04
.08
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R2
Quantile Process Estimates (95% CI)
20
Lampiran 9 Dugaan Parameter Regresi Kuantil Model Saham LQ45
Kuantil α 𝛾1 𝛾2
0.05 -0.116203 0.364313 -0.063621
-9.115* 44.29968* -12.1845*
0.1 -0.073582 0.324359 -0.049518
-5.99645* 31.24523* -17.29357*
0.15 -0.05307 0.307886 -0.041837
-5.268037* 17.84829* -2.296742*
0.2 -0.041271 0.296116 -0.03385
-5.973708* 42.22041* -7.779623*
0.25 -0.029338 0.283061 -0.027519
-8.990735* 57.22037* -45.16985*
0.3 -0.022598 0.275631 -0.019204
-5.425351* 39.53685* -3.737583*
0.35 -0.016298 0.268813 -0.012218
-10.53872* 39.59153* -6.073212*
0.4 -0.013749 0.268439 -0.004592
-6.018685* 60.48084* -1.416409
0.45 -0.011588 0.268732 -0.001369
-5.379914* 95.6028* -0.513795
0.5 -0.009479 0.26955 0.000118
-7.35664* 119.0709* 0.196609
0.55 -0.007328 0.26972 0.000601
-5.708392* 121.9465* 1.187107
0.6 -0.004843 0.27031 0.002093
-3.035149* 80.51059* 1.285554
0.65 -0.002578 0.269891 0.007054
-0.883687 58.29955* 1.174154
0.7 0.000945 0.277214 0.015702
0.565832 26.9293* 5.507465*
0.75 0.005742 0.285439 0.025778
1.776553 29.24178* 3.004918*
0.8 0.014537 0.294108 0.032869
3.731397* 14.89125* 2.194713*
0.85 0.029524 0.302316 0.035303
6.324146* 41.44942* 20.36699*
0.9 0.039011 0.317639 0.05133
5.498073* 31.66341* 9.393352*
0.95 0.065672 0.338749 0.064218 6.868307* 27.32381* 23.03582*
*Menunjukkan signifikan pada taraf nyata α=5%
Keterangan :
- Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada
kuantil yang bersangkutan.
- Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi
kuantil pada kuantil yang bersangkutan.
21
Lampiran 10 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Indeks
Sektoral
-.12
-.08
-.04
.00
.04
.08
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
C
.18
.20
.22
.24
.26
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R
-.06
-.04
-.02
.00
.02
.04
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R2
Quantile Process Estimates (95% CI)
22
Lampiran 11 Dugaan Parameter untuk Model Indeks Sektoral
Kuantil α 𝛾1 𝛾2
0.05 -0.07366 0.228338 -0.03023
-8.778695* 62.93898* -7.41985*
0.1 -0.059 0.217982 -0.02166
-6.490149* 14.90129* -1.710125
0.15 -0.04574 0.208214 -0.01372
-7.573158* 49.14415* -3.375961*
0.2 -0.03363 0.204904 -0.01162
-8.408961* 45.80386* -2.989668*
0.25 -0.02872 0.200232 -0.00666
-6.658506* 63.08352* -1.752657
0.3 -0.0212 0.198989 -0.00656
-11.91367* 69.8041* -14.57862*
0.35 -0.01732 0.198584 -0.00475
-6.725788* 48.47412* -1.634903
0.4 -0.01295 0.201059 -0.00403
-7.462434* 40.34419* -3.073531*
0.45 -0.00924 0.198704 -0.00152
-5.705938* 38.78648* -2.535379*
0.5 -0.0064 0.196852 0.002165
-4.344944* 34.55394* 0.793497
0.55 -0.00366 0.195586 0.004541
-1.928931 41.06297* 1.169294
0.6 -0.00168 0.196943 0.008036
-0.985042 56.79524* 3.489631*
0.65 0.001089 0.19594 0.010771
0.619766 57.81283* 4.599272*
0.7 0.004 0.196796 0.01291
2.74632* 75.42077* 8.671833*
0.75 0.009584 0.19967 0.013899
6.70255* 102.8268* 35.14095*
0.8 0.015363 0.203149 0.015002
7.134851* 55.77822* 7.468676*
0.85 0.021612 0.204741 0.018788
4.432676* 53.58347* 3.291628*
0.9 0.029914 0.208522 0.022146
9.010172* 62.98898* 15.416*
0.95 0.052084 0.218541 0.026484 8.257398* 50.27515* 10.51803*
*Menunjukkan signifikan pada taraf nyata α=5%
Keterangan :
- Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada
kuantil yang bersangkutan.
- Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi
kuantil pada kuantil yang bersangkutan.
23
Lampiran 12 Grafik Dugaan Parameter dan Selang Kepercayaan 95% untuk Model Asia Pasifik
-.15
-.10
-.05
.00
.05
.10
.15
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
C
.40
.42
.44
.46
.48
.50
.52
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R
-.08
-.04
.00
.04
.08
.12
0.0 0.2 0.4 0.6 0.8 1.0
Quantile
R2
Quantile Process Estimates (95% CI)
24
Lampiran 13 Dugaan Parameter untuk Model Asia Pasifik
Kuantil α 𝛾1 𝛾2
0.05 -0.10746 0.455761 -0.02857
-7.201042* 29.94155* -2.103617*
0.1 -0.08189 0.443523 -0.01013
-10.63837* 93.29444* -2.576036*
0.15 -0.05205 0.439358 -0.01006
-8.630844* 163.4842* -4.469651*
0.2 -0.037 0.433998 -0.0072
-6.556336* 106.6632* -1.600546
0.25 -0.0281 0.430746 -0.00486
-6.536818* 109.0715* -1.322453
0.3 -0.01881 0.428705 -0.0027
-4.503438* 79.53308* -0.356051
0.35 -0.01278 0.426427 -0.00106
-9.493454* 95.4496* -1.644336
0.4 -0.00737 0.425963 -2.1E-06
-5.696038* 178.3189* -0.001763
0.45 -0.00456 0.426281 0.000816
-3.986607* 169.8499* 1.1363
0.5 -0.00166 0.428036 0.001165
-1.483983 142.6068* 2.05517*
0.55 -0.00078 0.429722 0.004682
-0.680994 173.9869* 8.595973*
0.6 0.001012 0.429658 0.00558
0.722994 149.3737* 2.94942*
0.65 0.004794 0.431159 0.006679
4.009498* 137.7861* 6.440898*
0.7 0.010925 0.433656 0.008417
7.450974* 125.9619* 9.334338*
0.75 0.016923 0.435491 0.009756
6.200414* 132.1014* 4.130353*
0.8 0.028646 0.440076 0.013832
6.316903* 99.0362* 3.889737*
0.85 0.038255 0.446465 0.018772
5.610708* 95.48586* 3.661114*
0.9 0.061965 0.463689 0.030677
3.98961* 44.12521* 1.992108*
0.95 0.088356 0.501034 0.059654 5.56152* 66.33924* 4.233973*
*Menunjukkan signifikan pada taraf nyata α=5%
Keterangan :
- Baris pertama pada setiap kuantil merupakan nilai koefisien dari dugaan parameter pada
kuantil yang bersangkutan.
- Baris kedua pada setiap kuantil merupakan nilai t statistik untuk parameter model regresi
kuantil pada kuantil yang bersangkutan.