Ujian tertutup 2

Gambar 2.2Portofolio ,[object Object]

Meskipun investor akan lebih menyukai portofolio di I3, tidak ada fortofolio yang tersedia; keinginan untuk berada pada kurva indifference tersebut hanya merupakan impian.

Dengan memperhatikan I1, ter- dapat beberapa portofolio yang dapat dipilih (misalnya 0) Optimal ,[object Object]

Investor dapat memilih portofolio optimal dengan menggambar kurva indifference-nya pada grafik dengan efficient set dan kemudian memilih fortofolio yang berada pada kurva indifference yang paling kiri atas.Note : Pilihan portofolio berada diantara titik E (risiko terendah) dan S (return tertinggi)

Gambar 2.3 dan 2.4 ,[object Object]

Kurva indifference untuk investor risk averse sebagai kurva yang berslope positif dan cekung. Efficient set biasanya berslope positif dan cekung, artinya jika ditarik garis lurus akan berada di bawah effisient set. Ciri efficient set ini penting karena berarti hanya akan ada satu titik singgung antara kurva indifference investor dan efficient set.,[object Object]

Jika harga turun menjadi 4.500, likuidasi kontrak dengan arah berlawanan akan mengalami keuntungan sebesar 1.500 per unit.

Perusahaan mengambil posisi short sebagai refleksi melindungi perushn dari kemungkinan turunnya harga. (a). Perusahaan membeli (long position) suatu asset futures pada harga 6000 per unit. ,[object Object]

Jika harga turun menjadi 4.500, maka likuidasi kontrak dengan arah berlawanan akan mengalami kerugian 1.500 per unit.

Perusahaan mengambil posisi long sebagai refleksi melindungi peru- sahn dari kemungkinan naiknya harga.,[object Object]

Ini merupakan kemungkin an yang dapat dijelaskan secara intuitif, sebab penilaian lindung nilai memerlukan h* yang berkoresponden dengan ratio antara ∆S dan ∆F.

Upaya hedger meminimum kan varian disolusikan sebagai minimum variance hedge ratio h*= cov (∆S, ∆F)/var(∆F) Ukuran tersebut menggambar kan besaran kecendrungan hedge ratio yang diperoleh pada varian terkecil.

Parameter β dalam hubungan ini menjelaskan besaran kecendrung an hedge ratio yang dihasilkan dari hubungan regresi antara ∆S dan ∆F, katakanlah 0,03. Berarti 0,03 dari risiko yang ada di pasar spot secara potensial dapat di-cover oleh instrumen lindung nilai yang dipilih.Gambar 2.27

Daves (200) menambahkan, risiko dapat dikelompokkan ke dalam dua komponen. pertama adalah risiko sistematis yang berhubungan dengan kejadian di pasar, seperti risiko perubahan nilai mata uang, risiko politik, risiko ekonomi makro. Komponen kedua adalah risiko tidak sistematis, secara khusus terkait dengan portofolio individual.

George (1996: 280-281), Hull (1997 : 32), Sharpe (1997) merinci, risiko portofolio sebagai risiko total menjadi risiko sistematis dan risiko tidak sistematis. Risiko sistematis dipandang sebagai risiko basis. Menurut Solnik (1996:426), Farueqe, et al (1997), basis adalah selisih atau perbedaan antara spot price yang di-hedge dan futures price yang digunakan. ,[object Object]

Asumsi Financial Times Series ,[object Object],1. Nilai Tengah (Mean): E(Yt) =,untuk seluruh t 2. Variance: Var(Yt) = E(Yt-)2 = σ2 yo(<x),untuk seluruh t 3. Covariance: Yk= E[((Yt- )((Yt+k-)] Yk, untuk seluruh t 4. Yt adalah stationary integrated pada order d dan dicatat sebagai yt ~ I(d), dan ∆dYt ,[object Object],yt ~ I(0), dan ∆0Yt

Restriksi ,[object Object],1. return yang diekspektasi dari kontrak futures adalah nol. 2. kovarianantara harga spot dan futures dan varian harga futures adalah konstan. 3. penaksir pangkat dua terkecil memiliki varian yang paling kecil dari semua penduga, sehingga tujuan hedging adalah menghindari risiko. ,[object Object],1.return seriesmempunyai excess kurtosis berbeda dengan Gussian white; 2. Varian-return selalu berubah ubah sepanjang waktu pengamatan, disebut heteroskedasticity 3. Formula returnmerupakan autocorelated pada level yang signifikan. ,[object Object],[object Object]

Unit root-kointegrasi-efek ARCH ,[object Object]

Faktor cointegration relationship. Zou dan Pinfold (2000), dua seri non-stationary tetapi kombinasi linear dari keduanya merupakan stationary maka keduanya terintegrasi secara bersamaan.

Faktor, Efek ARCH. Autoregressive terjadi karena adanya lag, menimbulkan akibat setelah suatu selang waktu tertentu. Penyebabnya (1) pengaruh multiflier jangka pendek (t), (2) pengaruh respon jangka panjang atau (t1). Conditional Heteroskedasticity sebagai penyebaran (cedasticity) data dengan varian yang tidak sama (hetero)

Causality Yang (2001), metode regresi standar mengabaikan heteroskedasticity pada seri harga tunai dan futures. Karena kovarian merupakan conditional moments yang dipengaruhi oleh sekelompok informasi pada waktu keputusan hedging dibuat. Heteroskedasticity muncul karena adanya faktor selang waktu (time-varying) sebagai conditional moment, seperti menentukan waktu pengambilan posisi hedge yang dibentuk oleh informasi. ,[object Object],[object Object]

Hipotesis (I): Estimasi lindung nilai tukar Rupiah terhadap USD terkait dengan karakteristik seri Hipotesis Minor Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract memiliki distribusi tidak normal Ada otokorelasi pada Serial residu perubahan nilai tukar Rupiah terhadap USD dan perubahan harga three-month KLIBOR futures contract Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract berisi suatu unit root Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract memiliki hubungan kointegrasi Ada efek autoregressive conditional heteroskedasticity (ARCH) pada serial residu perubahan nilai tukar Rupiah terhadap USD dan serial residu perubahan harga three-month KLIBOR futures contract Ada kausalitas pada seri perubahan nilai tukar Rupiah terhadap USD dan perubahan harga three-month KLIBOR futures contract

Hipotesis (II): Pengukuran estimasi lindung nilai tukar rupiah terhadap USD selama periode krisis keuangan Indonesia terkait dengan beberapa indikator Hipotesis Minor Perubahan nilai tukar Rupiah terhadap USD dan perubahan three-month KLIBOR futures contract berkorelasi Pengambilan posisi optimal Three-month KLIBOR futures contract dapat menjelaskan (mengcover) penyimpangan perubahan nilai tukar rupiah terhadap USD Hedge ratio tidak stabil sepanjang periode pengamatan

Hipotesis (III) sd. (V) Hipotesis (III) : Three-month KLIBOR futures contract merupakan sarana lindung nilai yang efisien Hipotesis (IV) : Three-month KLIBOR futures contract merupakan sarana lindung nilai yang efektif Hipotesis (V) : Three-month KLIBOR futures contract merupakan pilihan sarana lindung nilai yang tepat

Desain Pengukuran ,[object Object]

Uji diagnostik terhadap sejumlah karakteristik seri DS dan DF yang saling bersesuaian. Diagnosa difokuskan pada faktor:(1) Distribusi, (2) Otokorelasi, (3) unit root, (4) Hubungan Kointegrasi, (5) efek ARCH, (6) Kausalitas Uji Diagnosa memberi jalan bagi dilakukannya pengukuran indikator lindung nilai

Desain Pengukuran ,[object Object],Pengukuran lindikator lindung nilai tukar rupiah terhadap USD, yakni pada tiga alternatif kecendrungan hedge ratio yang bersesuaian dengan korelas, yakni (1) optimal-minimum variance hedge ratio, (2) optimal risk hedge ratio, (3) minimum variance hedge ratio (MVRHR). Pengukuran tersebut memberi jalan bagi dilakukannya pengukuran efisiensi, ditafsirkan sebagai seberapa besar potensi reduksi varian dihasilkan oleh pengambilan posisi three-month KLIBOR futures contract secara bersesuaian Hasil pengukuran efisiensi merupakan signal bagi Pengambilan posisi harga three-month KLIBOR futures contract secara benar, sehingga berfungsi mengurangi penyimpangan basis

Desain Pengukuran ,[object Object],Pengukuran indikator lindung nilai tukar rupiah terhadap USD, yakni pada tiga alternatif kecendrungan return hedge ratio yang bersuaian dengan korelasi, yakni (1) optimal-minimum variance-return hedge ratio, (2) optimal risk-return hedge ratio, (3) minimum variance-return hedge ratio (MVRHR). Pengukuran tersebut memberi jalan bagi dilakukannya pengukuran efektivitas, ditafsirkan sebagai seberapa besar potensi reduksi varian-return dihasilkan oleh pengambilan posisi three-month KLIBOR futures contract secara bersesuaian. Hasil pengukuran efektivitas merupakan signal bagi Pengambilan posisi harga three-month KLIBOR futures contract secara benar, sehingga berfungsi mengurangi penyimpangan-return basis.

Desain Pengukuran Pendugaan terhadap Hedging Performance diperoleh melalui pengukuran sebagai berikut (1). Perbandingan antara tingkat efisiensi lindung nilai tukar rupiah terhadap USD secara bersesuaian. (2). Perbandingan tingkat efektifitas lindung nilai tukar rupiah terhadap USD secara bersesuaian. (3). Perbandingan kinerja lindung nilai poin (1) secara bersesuaian Perbandingan kinerja lindung nilai poin (2) secara bersesuaian Hasil Pendugaan tersebut di atas digunakan sebagai bahan : ,[object Object],[object Object]

Sumber Data ,[object Object], Sekumpulan fakta yang difungsikan untuk mendukung adanya konsep atau konstruk pengukuran hedging ratio dan hedging effectiveness. ,[object Object], Diperoleh dari Malaysia Derivatives Exchange (MDEX) melalui web site http://www.commex.com.my/. Terdiri dari 4 bulan dilivery dalam satu tahun, yaitu maret-Juni-September-Desember. Kontrak futures dilakukan untuk tiga bulanan, diperbaharui pada kontrak tiga bulanan berikutnya. Harga penutupan (close price) digunakan sebagai harga futures. (Lampiran 3 dan 4), ,[object Object], Diperoleh melalui web site http://www.bi.go.id/. Kurs tengah digunakan sebagai harga spot, tercatat di Bank Indonesia (Lampiran 5 dan 6),

Pengelompokan Data(1) Perubahan seri dan return seri (A) Data diubah menjadi perubahan seri dengan ketentuan: Perubahan nilai tukar Rupiah terhadap USD, diperoleh dari hasil bagi nilai tukar Rupiah terhadap USD dengan satu nilai dari laged-nya; Perubahan harga Three-month KLIBOR futures contract, diperoleh dari hasil bagi harga Three-month KLIBOR futures contract dengan satu nilai dari laged- nya sendiri. (B) Data diubah menjadi return seri dengan ketentuan: return nilai tukar Rupiah terhadap USD, diperoleh dari hasil bagi nilai tukar Rupiah terhadap USD dengan satu nilai dari laged-nya dalam log natural; Return Three-month KLIBOR futures contract, diperoleh dari hasil bagi harga Three-month KLIBOR futures contract dengan satu nilai dari laged-nya sendiri dalam log natural. Pengubahan data harian nilai tukar rupiah terhadap USD dan three-month KLIBOR futures contract tahun 1997-1999 menjadi perubahan seri maupun return seri, menghasilkan 1.135 observasi.

Pengelompokan Data(2) Sample ,[object Object]

Rangkai waktu (sample) peramalan tersebut adalah pengamatan in-sample (1997-1999) sebanyak 748 observasi, dan pengamatan out-of-sample (20002001) sebanyak 387 observasi.

Pengelompokan Data(3) Horizon ,[object Object],∆Ft =(F t-1 ,F t-2 ,F t-3 ,F t-4 ,F t-5 ,F t-8 ,F t-10) ,[object Object],∆St = (S t-1 ,S t-2 ,S t-3 ,S t-4 ,S t-5 ,S t-8 ,S t-10) ,[object Object],[object Object]

Pengelompokan Data(4) Peramalan dalam Lag ,[object Object]

Lag interval dari komputasi : tanggal 1 Januari 1997, 8 Oktober 1997, 15 Juli 1998, 21 April 1999; berjumlah 4 lag. Maka seri spot dan seri futures tahun 1997-1999 berisi lag 1 4,

Boolerslev, Engel dan Wooldrige dalam Wen Ling Yang (2002), optimal lag length pada metode M-GARCH dibangun berdasarkan asumsi (a) matriks Ai and Bi berbentuk diagonal; (b) off-diagonal dalam matrik Ai dan Bi bernilai nol. Asumsi ini menghasilkan conditional variance yang tergantung pada satu residu dan satu nilai yang dihasilkan dari lag-nya sendiri. maka lag length pada metode M-GARCH ditulis sebagai ARCH (1) dan GARCH(1). Penggabungan keduanya ditulis sebagai GARCH(1,1).

Spesifikasi Seri DS ,[object Object]

Sekumpulan kurs tengah rupiah terhadap USD memiliki nilai bervariasi, ditafsirkan sebagai variabel nilai tukar rupiah terhadap USD

Sekumpulan return kurs tengah rupiah terhadap USD memiliki nilai bervariasi, dinotasikan sebagai RSNote: Nilai tukar rupiah terhadap USD bukan sebagai indikator ekonomi, melainkan sebagai asset portofolio

Spesifikasi Seri DF ,[object Object]

Pemesanan dan penyerahan three-month KLIBOR futures contract disepakati untuk jangka waktu tiga bulan

Pemesanan dimaknai sebagai pengambilan posisi harga kontrak dan diakhiri dengan penutupan posisi harga kontrak

Pengambilan posisi harga three-month KLIBOR futures contract dilakukan secara bersesuasian dan tidak disertasi dengan penyerahan, jadi penutupan posisi harga kontrak tidak melampaui jangka waktu penyerahan futures

Sekumpulan perubahan harga three-month KLIBOR futures contract memiliki nilai bervariasi.

Harga three-month KLIBOR futures contract diidentifikasi sebagai objek pemesanan pada setiap sesi penutupan perdagangan.

Sekumpulan return three-month KLIBOR futures contract memiliki nilai bervariasi, dinotasikan sebagai RF ,[object Object]

Definisi Variabel ,[object Object], perubahan harian kurs tengah Rupiah terhadap USD, mencerminkan perubahan harian keseimbangan harga jual dan harga beli satu unit USD dalam mata uang rupiah. Eview's menafsirkan sebagai dependent variable, dan dikenali sebagai seri DS. ,[object Object], return kurs tengah Rupiah terhadap USD, mencerminkan keseimbangan harian return jual dan return beli satu unit USD dalam mata uang rupiah. Eview's menafsirkan sebagai dependent variable, dan dikenali sebagai seri RS.

Definisi Variabel ,[object Object], kontrak suku bunga berjangka. Kontrak direpresentasikan sebagai deposito berjangka tiga bulan (three-month maturity) dalam Ringgit Malaysia di the Kuala Lumpur Wholesale Money Market yang memberikan nilai dasar dari satu juta Ringgit Malaysia (RM1,000,000), dalam rentang waktu 360 hari (satu tahun). Harga Three-month KLIBOR futures contract diperdagangkan pada sesi pagi dan sore hari, selama 5 hari dalam satu minggu. ,[object Object], harga penutupan (close price) Three-month KLIBOR futures contract di sesi terakhir perdagangan, mencerminkan harga Three-month KLIBOR futures contract untuk seluruh sesi perdagangan dalam satu hari.

Definisi Variabel ,[object Object],perubahan harga penutupan (close price) Three-month KLIBOR futures contract di sesi terakhir perdagangan, mencerminkan perubahan harga Three-month KLIBOR futures contract untuk seluruh sesi perdagangan dalam satu hari. Eview's menafsirkan sebagai independent variable, dan dikenali sebagai seri DF. ,[object Object],return penutupan Three-month KLIBOR futures contract di sesi terakhir perdagangan, mencerminkan return Three-month KLIBOR futures contract untuk seluruh sesi perdagangan dalam satu hari. Eview's menafsirkan sebagai independent variable, dan dikenali sebagai seri RF

Definisi Varian ,[object Object],Penyimpangan disektor nilai yang diharapkan atau luas distribusi probabilitas atau sejumlah probabilitas tertimbang, dari tingkat hasil yang diharapkan. Luas distribusi probabilitas dari tingkat hasil merupakan ukuran dari ketidakpastian. Hasil yang diharapkan merupakan perkiraan matematika dari kemungkinan tingkat hasil yang berbeda. ,[object Object],Residual variance yang diestimasi dari persamaan, memiliki nilai sama dengan squared standard error (s2t) yang diestimasi dari persamaan residual covariance matrix. conditional variance, ditunjukkan olehnilai koefisien GARCH

Definisi Kovarian ,[object Object],Ukuran kecendrungan penyimpangan perubahan nilai tukar rupiah terhadap USD dan penyimpangan perubahan three-month KLIBOR futures contract bergerak bersama-sama pada dua situasi yang berbeda. ,[object Object],Residual covariance. diestimasi dari persamaan. conditional covariance, pada model M-GARCH, mengikuti asumsi korelasi konstan.

Definisi Residual ,[object Object],Simpangan, selisih antara perubahan nilai tukar rupiah terhadap USD yang diamati/sesungguhnya (DSt) dengan hasil perubahan nilai tukar rupiah terhadap USD yang diprediksi (DS^t). ,[object Object], DSt = a + βDFt + e t DS^t = a + (β^ x DFt ) et = DSt - DS^t

Definisi Standarized residual ,[object Object],residual yang distandarkan (std e2t), diperoleh dari hasil bagi residual (e2t) dengan standar error (se) yang diestimasi dari M-GARCH. ,[object Object],conditional residual M-GARCH : Data DS : (σ2ss) = ω + (e2ss,t-1) + β(σ2ss,t-1) std(e2ss, t-1) = (e2ss,t) / √ (σ2ss,t) Data DF : (σ2ff) = ω + (e2 ff,t-1) + β(σ2 ff,t-1) std(e2 ff,t-1) = (e2 ff,t) / √ (σ2 ff,t)

Definisi Faktor Pengganggu ,[object Object]

Otokorelasi seri residual korelasi antara residual dan dependent variable yang dihasilkan dari persamaan. Eview's mendefinisikan otokorelasi seri residual sebagai DSt =β1+ β2 DFt+et et = ΩDF1 + v ........... nilai otokorelasi (AC) et = aet-1 + v .......... korelasi otokorelasi parsiai (PAC)

Definisi Faktor Pengganggu ,[object Object], korelasi nilai yang berurutan dari variabel yang sama (series statistic) sebagai kecendrungan kondisional. Data yang memiliki unit root disebut random walk Eview’s mendefinisikan Unit root sebagai : DSt (series statistic) DFt (series statistic) DSt = C1 +δDSt-1 + Ut dan DFt = C1+ δDFt-1 + Ut

Definisi Faktor Pengganggu ,[object Object],gabungan efek Autoregressive dan efek Conditional Heteroskedasticity Eview’s mendefinisikan efek ARCH sebagai DSt = β1+ β2 DFt+et e2t = a1e2t-1 + Ut ............. otokorelasi residuals squared

Definisi Faktor gangguan putih (Gussian white noise) ,[object Object],kesalahan pengukuran yang terjadi pada setiap pengambilan data, dan kesalahan stokastik yang terjadi karena kejadian yang diulang tidak akan memberikan hasil yang persis sama. ,[object Object],Selisih antara nilai DSt atau DFt yang diamati/sesungguhnya dengan nilai harapannya/mean(m). Mean adalah nilai rata-rata suatu seri, dihasilkan melalui penambahan anggota seri dan membaginya dengan jumlah observasi. ,[object Object], korelasi nilai yang berurutan dari variabel gangguan putih (mt)

Definisi faktor gangguan putih (Gussian white noise) ,[object Object],DSt = δDSt-1 + Ut DFt = δDFt-1 + Ut Ut = δDSt-1 - mt Ut = δDFt-1 - mt ,[object Object], DSt (series statistic) DFt (series statistic) DSt = C1 + δDSt-1 + Ut dan DFt= C1 + δDFt-1 + Ut Ut = Ut-1 + vt Ut = Ut-1 + vt ,[object Object], DSt = 1 + 2 DFt + et et =  DF1 + c1 + 1e t-1+ Ut ,[object Object], DSt = β1 + β2 DFt+ et e2t = a1 e2t-1 + Ut

Upaya Menghindari Gangguan Putih ,[object Object],DSt (series statistic) DFt (series statistic) DSt = C1 + δDSt-1 + Utdan DFt= C1 + δDFt-1 + Ut Ut = Ut-1 + vt Ut = Ut-1 + vt Dimodifikasi menjadi D(DSt-1) = 1DSt-1 + 1D(DSt-1) + 2D(DSt-1) + 3D(DSt-1) + 4D(DSt-1) + c1 D(DFt-1) = 1DFt-1 + 1D(DFt-1) + 2D(DFt-1) + 3D(DFt-1) + 4D(DFt-1) + c1 ,[object Object],DSt = 1 + 2 DFt + et et =  DF1 + c1 + 1e t-1+ Ut Dimodifikasi menjadi et =  DF1 + c1 + 1e t-1 + 2e t-2 + 3e t-3 + 4e t-4 ,[object Object],DSt = β1+ β2 DFt+et e2t = a1 e2t-1 + Ut dimodifikasi menjadi e2t = ct + a1 e2t-1 + a2 e2t-2 +a3 e2t-3 +a4 e2t-4

Metode Pengukuran Varianrisk aversion Total Penyimpangan Portofolio = undiversifiable risk + diversifiable risk ,[object Object],Min xf : σ2(DPt ) = x2s σ2(DSt ) + x2f σ2(DFt) + 2xsxfcov(DSt ,DFt ) ,[object Object]

Optimal-minimum variance hedge ratio:min xf : 0 + x2f σ2(DFt) + xfcov(DSt,DFt ) min xf : x2f σ2(DFt) - xfcov(DSt,DFt) min x'f: h*= - cov(DSt,DFt )/σ2(DFt)............................. (1) Jika h* <0, berpotensi mengambil posisi menjual (short) futures, dan Jika h* >0, berpotensi mengambil posisi membeli (long) futures ,[object Object],σ2(DPt)= h* + e2t........................................................ (2)

Pengukuran Varian-returnGain Relatif Total Penyimpangan-return Portofolio = undiversifiable risk-return + diversifiable risk-return ,[object Object], Min xf : σ2(RPt ) = x2s σ2(RSt ) + x2f σ2(RFt) + 2xsxfcov(RSt , RFt ) ,[object Object]

Optimal-minimum variance-return hedge ratio: min xf : 0 + x2f σ2(RFt) + xfcov(RSt,RFt ) min xf : x2f σ2(RFt) - xfcov(RSt,RFt) min x'f: h*= - cov(RSt,RFt ) / σ2(RFt) ,[object Object], σ2(RPt) = h*σ2(RFt) + e2t..........................................(3)

Standard Regression method (OLS) ,[object Object],DSt = a + βDFt + et .............................................................(4) dimana DSt = perubahan nilai tukar Rupiah per USD (Jakarta) selaman periode t DFt = perubahan harga three-month KLIBOR futures contract selama periode t D = Sebagai perubahan dalam horizon t = Sebagai horizon a , β = sebagai parameter ε t = Erorr term ,[object Object],β =h* ......................................................................................(5) ,[object Object],r(DSt, DFt) = cov(DSt, DFt) / (DSt) (DFt) ........................... (6)

Kelemahan Standard Regression method (OLS) ,[object Object]

Sifat data heteroskedasticity tidak dapat dijelaskan melalui metode OLS, karena metode OLS hanya menganalisis hubungan antara peubah yang bersifat unconditional, yaitu varian, ekspektasi dan kovariannya tetap konstan dari waktu ke waktu.

Untuk mengurangi serial correlation dan efek heteroskedasticity, maka spot dan futures price perlu dimodelkan dalam bentuk Bivariate-VAR.,[object Object]

Menurut Zou dan Pinfold (2000), cointegration terjadi jika dua seri masingmasing non-stationary, tetapi kombinasi linear dari kedua seri merupakan stationary, maka keduanya terintegrasi secara bersamaan (cointegrated relationship

Kerangka kerja Bivariate-VAR dapat disusun sebagai berikut................... (7) dimana c = intercept, k = optimal lag intervals (1 4) bs, b f= parameter, Var(est), var(eft)= σ2(DSt), σ2(DFt) Cov(esft) = σ(DSt, σDFt)

Bivariate-VAR Model ,[object Object]

Residual covariance matrix. Vech( ) dapat ditulis sebagai berikut :

Basis risk portofolio dieliminasi melalui pengambilan posisi secara bersesuaian, dan diukur melalui Minimum Variance Hedge ratio (MVHR), disolusikan sebagaih*= - cov(DSt, DFt ) / σ2(DFt) ...................................(8)

Kelemahan Bivariate-VAR Model ,[object Object]

Kekurangan ini perlu diatasi dengan menyertakan unsur koreksi (error correct term), dimaksudkan untuk menghilangkan dampak cointegrated. Oleh karena itu B-VAR perlu dimodifikasi menjadi V-EC,[object Object]

Vector-Error Correction Model Zt-1 error correct term, yang mengukur bagaimana variabel dependen melakukan penyesuaian terhadap deviasi periode dalam jangka panjang (the previous period's deviation from long-run equilibrium) pada the first defference Augmanted Zt-1= c + st-1 – a ft-1 ...........................................(10) a = cointegrating vector . = parameter penyesuaian (speed of adjustment parameters) pada the first defference Augmanted ,[object Object],[object Object]

Watt (1997), Bruneti (1997), Sim (1998), Lien (1999), Gulen (2000), Feguerela (2000), Tse (2000), Yang (2001), menyarankan : penggabungan antara ARCH dan error correction model menjadi kerangka kerja M-GARCH, sehingga dapat mengubah hedging ratio menjadi dynamic conditional variance hedge ratio

Multivariate Generlised Autoregressive Conditional Heteroskedasticity(M-GARCH) ,[object Object],Dimensi multivariate digunakan untuk membuat proses simultan conditional variance dan covariance dari dua seri yang berinteraksi. Dalam penerapannya digunakan untuk menghitung dynamic MVHR sepanjang waktu yang bersesuaian. Vector Error Corection. Vector, elemen dalam matrik diagonal, terdiri atas vector baris dan kolom, dan menghasilkan conditional variance yang hanya tergantung pada satu residu dan satu nilai yang dihasilkan dari laged-nya sendiri. Dengan demikian, Matrik diagonal dapat menghilangkan dampak cointegrated relationship dan residual serial correlation. menghilangkan dampak Autoregressive conditional, faktor pengganggu untuk rangkaian waktu data yang panjang, sehingga hasil dari semua kondisi waktu diharapkan sama. metode ini berusaha menghilangkan kemungkinan perbedaan varian (heteroskedasticity), sehingga rangkaian waktu data dapat menghasilkan varian yang semakin rendah. Usaha ini akan menghasilkan hedge ratio yang dinamis.

Multivariate Generlised Autoregressive Conditional Heteroskedasticity (M-GARCH) ,[object Object],......... (11) Dan dijelaskan melalui term berikut ini: 1. Conditional mean equation: Rt = ωt+σtεt 2. Conditional variance equation:  ω the mean level of the return at time t  σt menjelaskan bahwa variasi antara ωt dan εt adalah zero mean stationary yang identik dengan randon distribusi variabel independen.  Volatility dari Rt didefinisikan sebagai σt.  informasi tentang volatility di awal periode diukur sebagai lag squared residual dari mean equation: (the ARCH term).  Informasi tentang volatility di akhir periode diukur sebagai Variance conditonal: ht-1 = (the GARCH term)

Multivariate Generlised Autoregressive Conditional HeteroskedasticityM-GARCH ,[object Object]

Representasi diagonal dari elemen conditional variance (hss,t), (hff,t), dan elemen conditional covariance (hsf,t) dapat diekspresikan :.................. (12) dimana c = konstanta, a, b= parameter. (hss,t) = conditional variance dari seri DS (hff ,t) = conditional variance dari seri DF

Kelemahan M-GARCH ,[object Object], h*= .........................................................................(13) dimana р = korelasi dari OLS √σ2(DSt) = akar koefisien GARCH dari seri DS √σ2(DFt) = akar koefisien GARCH dari seri DF

Teknik Pengujian Hipotesis Efrizal

Teknik Uji Diagnostik Data DS dan Data DF

Teknik Uji Indikator Lindung Nilai

Teknik Uji Kinerja Lindung Nilai

Teknik Komparasi Kinerja Lindung Nilai Pada Tabel 4.24

Hasil Pengukuran MVHR dan MVRHR Efrizal

Pengukuran MVHR dan MVRHR Lampiran 10 dan 12 ---1- harian Note : MVHR=minimum variance hedge ratio MVRHR=minimum variance-return hedge ratio

DSt = a + βDFt + et ...............................(4) Pengukuran Reduksi metode OLS ............. Lampiran 11 kolom 13

Pengukuran Reduksi metode OLS ............. Lampiran 13 kolom 13

Output EVIEW’sEstimasi B-VAR

......Model (7) Pengukuran Reduksi metode B-VAR ............. Lampiran 11 kolom 5

Pengukuran Reduksimetode B-VAR ............. Lampiran 13 kolom 5

....... Model (9) Pengukuran Reduksi metode VEC ............. Lampiran 11 kolom 9

Pengukuran Reduksimetode VEC ............. Lampiran 13 kolom 9

Output EVIEW’sEstimasi M-GARCH

Ujian tertutup 2

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Ujian tertutup 2

Similar a Ujian tertutup 2 (20)

Último

Último (20)

Ujian tertutup 2