ARBITRAGE PRICING THEORY, MODEL EMPIRIS, DAN PENGUJIAN EMPIRIS MODEL KESEIMBANGAN

Document Sample
ARBITRAGE PRICING THEORY, MODEL EMPIRIS, DAN PENGUJIAN EMPIRIS MODEL KESEIMBANGAN Powered By Docstoc
					                         BAB 10
    ARBITRAGE PRICING THEORY, MODEL
  EMPIRIS, DAN PENGUJIAN EMPIRIS MODEL
                  KESEIMBANGAN
Model APT berusaha menjelaskan hubungan antara risiko
 dengan tingkat keuntungan. APT berbeda dengan CAPM
 dalam dua hal. Pertama, proses keseimbangan yang
 dibayangkan oleh APT adalah mekanisme arbitrase.
 Arbitrase dilakukan sampai harga yang terjadi sama
 untuk semua aset yang mempunyai risiko yang sama,
 mengikuti hukum the law of one price. Dalam CAPM,
 investor berusaha memaksimumkan kepuasannya (utility
 function). Kedua, jika CAPM sampai pada kesimpulan
 bahwa faktor pasar mempegaruhi tingkat keuntungan
 yang diharapkan, APT sampai pada kesimpulan bahwa
 ada beberapa faktor yang mempengaruhi tingkat
 keuntungan yang diharapkan untuk suatu aset.
1.      Arbitrage Pricing Theory (APT)
1.1. Proses Arbitrase
Kegiatan arbitrase adalah kegiatan yang berusaha
   memperoleh keuntungan arbitrase. Keuntungan arbitrase
   adalah keuntungan yang diperoleh dengan modal nol dan
   risiko nol. Proses arbitrase akan mendorong berlakunya
   hukum satu harga (the law of one price). Hukum tersebut
   pada dasarnya mengatakan bahwa aset dengan
   karakteristik yang sama akan terjual dengan harga yang
   sama dimanapun di dunia ini.
Misalkan Rf = 10%, tingkat keuntungan M = 20%, beta M
   = 1, beta Y = 0,5, dan tingkat keuntungan Y = 12%.
   Untuk melihat apakah ada kesempatan arbitrase atau
   tidak, kita melakukan langkah berikut ini.
1. Membentuk portofolio M dengan Rf (dengan nama X),
   dengan komposisi sedemikian rupa sehingga beta
   portofolio X tersebut sama dengan beta Y, yaitu 0,5.
   Beta portofolio merupakan rata-rata tertimbang beta
   individualnya sebagai berikut ini.

P = ∑ wi I

dimana         P   = beta portofolio
               ∑    = simbol penjumlahan
               wi   = bobot atau proporsi untuk aset i
               i   = beta aset i
Karena M = 1, dan RF = 0, maka proporsi masing-masing
  adalah 50%. Dengan demikian beta portofolio X akan
  sama dengan 0,5.
       X = (0,5 × 0) + (0,5 × 1) = 0,5
Kemudian kita menghitung tingkat keuntungan sebagai
  berikut.
       E(RX) = (0,5 × 20%) + (0,5 × 10) = 15%
Kita bisa membandingkan tingkat keuntungan dan beta
  portofolio X dengan Y sebagai berikut ini.
       E(RX)       = 15%              X     = 0,5
       E(RY)       = 12%              Y     = 0,5
Dari perbandingan tersebut terlihat bahwa meskipun risiko
  sistematis keduanya sama, yaitu 0,5, tetapi tingkat
  keuntungannya berbeda. Berarti ada kesempatan
  arbitrase.
 2. Arbitrase bisa dilakukan dengan jalan men-short sales
  aset Y, kemudian kas masuk dipakai untuk membeli
  portofolio X, yang berarti membeli 50% pada portofolio
  M dan 50% pada aset bebas risiko.
Keuntungan dan risiko kegiatan tersebut adalah (X minus
  Y):
Keuntungan         = 15% - 12%        = 2%
Tambahan risiko = 0,5 - 0,5           = 0
Tambahan modal = 0           karena kas masuk (modal)
  diperoleh dari short sales Y (pinjam aset Y, kemudian
  dijual, dikembalikan periode berikutnya).
 3. Proses semacam itu akan menurunkan harga Y dan
  menaikkan harga X. Kemudian tingkat keuntungan Y
  akan naik, tingkat keuntungan X akan turun. Setelah
  tingkat keuntungan Y dan X sama, maka tidak ada lagi
  kesempatan arbitrase.
1.2. Model Arbitrage Pricing Theory
Proses penghasilan return (return generating process)
  menurut APT bisa dirumuskan sebagai berikut ini.

Ri = E(Ri) + 1 (RF1 - E(RF1)) + ……… + N (RFN -
  E(RFN)) + ei                      ……… (1)

dimana      Ri    = tingkat keuntungan (return) aset i
                    yang terjadi
     E(Ri) = tingkat keuntungan aset i yang
              diharapkan
  1 … N         = risiko sistematis aset terhadap faktor 1
                    ... faktor N
  RF1 ... RFN     = tingkat keuntungan dari faktor 1 ...
                     faktor N
Faktor tersebut bisa berupa faktor pasar (RM, seperti dalam
  CAPM) atau faktor lainnya, seperti faktor ekonomi
  (pertumbuhan GNP, inflasi, dan sejenisnya). Persamaan
  di atas mengatakan bahwa return suatu aset sama dengan
  (1) return yang diharapkan, (2) perubahan faktor yang
  tidak diharapkan (RF - E(RF), (3) sensitifias aset i
  terhadap perubahan faktor pada (2), dan (3) random term
  yang mencerminkan faktor spesifik perusahaan/industri.
Dalam APT, hanya perubahan yang tidak terduga yang
  dikompensasi oleh return, seperti terlihat berikut ini.
  Return bisa dipecah ke dalam return yang diharapkan
  dan return yang tidak diharapkan:

R = E(R) + Unexpected (Tidak Terduga) ……… (2)
Return yang tidak terduga bisa dipecah ke dalam dua tipe:
  (1) Return yang tidak diharapkan yang berasal dari
  kejutan (surprises) faktor-faktor tertentu. Kejutan
  tersebut bersifat sistematis (tidak bisa dihilangkan
  melalui diversifikasi), dan (2) Return yang tidak
  diharapkan yang berasal dari kejutan (surprises) dari
  perusahaan spesifik. Kejutan tersebut bersifat tidak
  sistematis (bisa dihilangkan melalui diversifikasi).
Misalkan ada tiga faktor yang terlibat: (1) Inflasi, (2)
  Pertumbuhan GNP, dan (3) Perubahan Tingkat Bunga.
  Model di atas bisa dipecah ke dalam model berikut ini.

Ri = E(Ri) + i - inflasi Finflasi + i - GNP FGNP + i - tkt-bunga
     Ftkt - bunga + εi                             ……… (3)
Misalkan seorang investor memegang banyak (N) saham
 dalam portofolionya. Sumber return dari portofolionya
 bisa dilihat sebagai berikut ini.

RP = E(RP) + P - inflasi Finflasi + P - GNP FGNP + P - tkt
     bunga Ftkt bunga + εP                         ……… (4)

E(RP)        = X1 E(R1) + ……… + XN E(RN)
P-Faktor    = X1 1 - Faktor F1 + ……… + X1 N - Faktor FN
εP           = X1 ε1 + ……… + XN εN
Karena ε1…εN bersifat tidak sistematis, maka εP
  diharapkan mempunyai nilai 0. Dengan demikian tingkat
  keuntungan portofolio bisa ditulis sebagai berikut ini.

RP = E(RP) + P - inflasi Finflasi + P - GNP FGNP + P
  – tkt bunga Ftkt bunga                     ……… (5)

Perhatikan hanya risiko sistematis terhadap faktor-faktor
  yang dikompensasi oleh kenaikan return.
Dengan melakukan beberapa manipulasi matematis, model
  APT yang ekuivalen dengan SML dalam CAPM bisa
  dirumuskan sebagai berikut ini.’

E(Ri) = Rf + i1 (RF1  Rf) + ……… + iN (RFN 
      Rf)                         ……… (6)

dimana     E(Ri)      = Tingkat keuntungan yang
                         diharapkan untuk aset i
     Rf         = Teturn aset bebas risiko
     RF1 .. RFN = Untuk risiko faktor 1,2,3, dan N
     i1 .. iN = Risiko sistematis untuk faktor 1,
                  2, 3, dan N
Perhatikan bahwa ada banyak faktor yang mempengaruhi
  tingkat keuntungan. Jika hanya satu faktor dalam model
  tersebut, dan faktor tersebut adalah return pasar, maka
  APT akan sama dengan CAPM. Sayangnya APT tidak
  menjelaskan berapa faktor yang relevan dalam model
  tersebut. Kelebihan APT dibandingkan dengan CAPM
  adalah (1) APT tidak memerlukan portofolio pasar dalam
  perhitungan tingkat keuntungan suatu aset. Secara
  teoritis, portofolio pasar yang digambarkan oleh CAPM
  adalah portofolio yang mencakup semua.
1.3. Perbandingan CAPM dengan APT
CAPM dan APT merupakan dua model yang berusaha
  menjelaskan return atau tingkat keuntungan. Keduanya
  ‘bersaing’ menjadi model terbaik yang bisa menjelaskan
  return. CAPM lebih tua, dan saat ini diaplikasikan lebih
  banyak. CAPM juga banyak mempengaruhi model
  akademis. Tetapi meskipun nampaknya CAPM lebih
  mapan, perkembangan selanjutnya menunjukkan bahwa
  validitas CAPM diragukan. Pengujian empiris terbaru
  dan juga kritik lainnya mempertanyakan validitas
  CAPM. Validitas CAPM dengan demikian masih
  merupakan kontroversi. Model APT masih relatif baru.
  Pengujian empiris dan pengembangannya masih dalam
  tahap awal. Karena itu APT belum bisa menggantikan
  posisi CAPM.
2.    Pengujian Model Keseimbangan
2.1.  Data Historis dan Model Berdasarkan Ekspektasi
      (Pengharapan) dalam CAPM
Salah satu masalah dalam pengujian CAPM adalah CAPM
  ditulis dalam bentuk ekspektasi (pengaharapan).
  Pengujian empiris dengan demikian harus melihat proksi
  untuk variabel pengaharapan tersebut. Tentu saja hal
  tersebut merupakan masalah yang sangat sulit karena
  pengharapan sangat sulit diobservasi. Untuk mengatasi
  masalah tersebut, data historis sering digunakan sebagai
  proksi pengharapan di masa mendatang. Asumsi yang
  digunakan adalah pola data historis adalah stabil, dan
  secara umum (rata-rata) dalam jangka panjang,
  pengharapan investor akan terbukti benar. Dua argumen
  tersebut mendasari dipakainya data historis sebagai
  pengukur harapan (ekspektasi) di masa mendatang.
Argumen lain menggunakan pendekatan sebagai berikut
  ini. Menurut model pasar, return suatu saham
  dipengaruhi oleh return pasar sebagai berikut ini.

  R~it = αi + i (R~Mt) + e~it

Dimana tanda ~ berarti variabel tersebut bersifat random.
  Return yang diharapkan bisa dituliskan sebagai berikut.

  E(Ri) = αi + i E(RM) atau E(Ri) - αi - i E(RM) = 0
Dengan menambahkan term tersebut (yang nilainya 0,
  sehingga penambahan term tersebut tidak akan
  berpengaruh),   dan   kemudian      kita melakukan
  penyederhanaan, maka akan diperoleh:

  R~it = E(Ri) + i (R~Mt - E(RM) ) + e~it

Model CAPM sederhana bisa dituliskan sebagai berikut.

  E(Ri) = RF + i [ E(RM) - RF ]
Persamaan di atas dimasukkan kembali ke persamaan
    sebelumnya, kemudian dilakukan penyederhanaan,
    maka kita akan memperoleh
    R~it = RF + i (R~Mt - RF) + e~it   ……… (7)

Model tersebut menunjukkan bahwa data historis
    nampaknya bisa digunakan untuk menguji CAPM.
Tetapi ada tiga asumsi yang mendasari model tersebut:
1. Model pasar berlaku untuk setiap periode
2. Model CAPM berlaku untuk setiap periode
3. Beta stabil selama waktu pengamatan.

Pengujian dengan model diatas, merupakan pengujian
   secara simultan ketiga hipotesis tersebut.
2.2. Pengujian Empiris CAPM
Baik tidaknya suatu model bisa dilihat pada
  kemampuannya menjelaskan fenomena. Meskipun
  CAPM dibangun atas dasar asumsi yang tidak realistis,
  tetapi baik tidaknya CAPM akan ditentukan oleh
  kemampuannya menjelaskan fenomena.

Beberapa implikasi dari CAPM bisa ditarik, yaitu:
 (1)Semakin besar risiko sitematis pasar (bi) akan semakin
  tinggi tingkat keuntungan aset tersebut
 (2)Hubungan antara risiko sistematis dengan tingkat
  keuntungan (return) bersifat linear
 (3)Hanya risiko sistematis yang dikompensasi oleh
  kenaikan tingkat keuntungan (return). Risiko atau faktor
  lainnya tidak ada hubungannya dengan return.
2.2.1. Pengujian oleh Black, Jensen, dan Scholes (1972)
Black, Jensen, dan Scholes (1972) menguji CAPM cukup
  mendalam. Mereka melakukan pengujian CAPM melalui
  pengujian time-series dan cross-sectional. Pertama,
  mereka menguji model time-series CAPM

Rit – RFt = αi + i (RMt - RFt) + eit

Jika CAPM menjelaskan return, maka kita bisa
   mengharapkan nilai αi = 0. Kita bisa menggunakan
   saham (sampel) yang banyak, dan kemudian untuk setiap
   sampel, dijalankan regresi seperti di atas. Kemudian
   distribusi alpha (αi ) atau intercept bisa dilihat dan diuji,
   apakah sama dengan nol atau tidak.
Pengujian bisa dilakukan dengan, misal uji t-test untuk
  melihat apakah rata-rata intercept sama dengan nol.
  Yang menjadi masalah, pengujian semacam itu
  mengasumsikan kovarians residual antar saham sama
  dengan nol (eit, ejt = 0). Pada kenyataannya, kovarians
  residual tersebut tidak sama dengan nol, dengan kata lain
  residual saham tersebut tidak independen satu sama lain.
  Dengan demikian pengujian sederhana dengan
  mengamati distribusi αi tidak bisa dilakukan.
Untuk mengatasi masalah tersebut, pengujian time-series
  portofolio bisa digunakan. Untuk setiap periode, kita
  membentuk portofolio yang kemudian dihitung return
  atas portofolio tersebut, sebagai berikut ini.

RPt – RFt = αP + P (RMt - RFt) + ePt
Pada waktu Black, Jensen, dan Scholes (1972) membentuk
   portofolio, mereka ingin memaksimumkan variasi beta
   sehingga efek beta terhadap return bisa dilihat. Cara
   yang paling mudah adalah membentuk portofolio
   berdasarkan beta yang sesungguhnya. Masalah statistik
   adalah kita tidak bisa menghitung beta sesungguhnya.
   Dengan demikian akan mempunyai potensi bias.
Jika kita meranking beta berdasarkan beta observasi, ada
   potensi bias seleksi (selection bias). Saham dengan
   observed beta yang tinggi mempunyai kemungkinan
   yang lebih tinggi untuk menghasilkan kesalahan
   pengukuran yang positif (bias yang positif), yang
   kemudian       mengakibatkan      interceptnya      (dalam
   persamaan di atas) menjadi bias negatif (terlalu rendah
   dari yang seharusnya). Hal yang sebaliknya akan terjadi
   dengan saham dengan observed beta yang rendah.
Untuk mengatasi masalah tersebut, digunakan variabel
  instrumen. Variabel tersebut idealnya variabel yang
  mempunyai korelasi yang tinggi dengan true-beta (beta
  sesungguhnya) tetapi bisa diobservasi secara
  independen. Mereka menggunakan observed-beta pada
  periode sebelumnya sebagai variabel instrumental.
Kemudian mereka menjalankan regresi model CAPM:

RPt – RFt = αP + P (RMt - RFt) + ePt

Mereka kemudian membandingkan CAPM standar dengan
 CAPM versi beta nol (zero beta version).
Menurut CAPM versi beta nol, return bisa dituliskan
 sebagai berikut ini.

Rit = E(RZ) (1 - i) + i RMt + eit

Dimana E(RZ) adalah return portofolio dengan beta sama
  dengan nol. Sedangkan model yang diuji adalah:

Rit = αi + RF (1 - i) + i RMt + eit
Jika versi beta sama dengan nol berlaku, maka kedua
   persamaan di atas jika digabungkan, dan dihitung
   interceptnya, akan diperoleh

αi = (E(RZ) - RF) (1 - i)

E(RZ) lebih besar dibandingkan dengan RF, karena itu
  (E(RZ) - RF) akan bernilai positif. (1 - ) akan bernilai
  negatif jika  > 1, dan bernilai positif jika  < 1. Dengan
  demikian, untuk beta yang tinggi, intercept akan bernilai
  negatif, dan sebaliknya, untuk beta yang rendah,
  intercept akan bernilai positif.
tahap berikutnya adalah pengujian cross-sectional
  hubungan antara risiko dengan return. Estimasi beta
  yang bebas dari bias (dari first-pass regression) penting
  dilakukan karena estimasi yang salah bisa
  mengakibatkan pengujian second pass regression
  menjadi tidak benar, karena mengakibatkan bias dalam
  slope, intercept, dan mengakibatkan residual (risiko tidak
  sistematis) menjadi proksi untuk risiko sistematis (dan
  mempunyai pengaruh terhadap return, meskipun pada
  kenyataannya tidak ada pengaruh). Penggunaan
  portofolio merupakan salah satu cara untuk
  menghilangkan masalah tersebut, karena dalam
  portofolio, estimasi yang terlalu tinggi akan
  dikompensasi dengan estimasi yang terlalu rendah, yang
  mengakibatkan efek keseluruhan (error secara
  keseluruhan) menjadi nol.
2.2.2. Pengujian oleh Fama dan MacBeth (1973)
Fama dan MacBeth (1973) melakukan pengujian CAPM
  dengan menggunakan spesifikasi berikut ini.

Rit = γ0t + γ1t i + γ2t i2 + γ3t Sei + it ……… (8)

Spesifikasi tersebut ditujukan untuk menguji hipotesis-
  hipotesis berikut ini.
 1. Hipotesis 1: Menurut CAPM, ada hubungan antara
  risiko sistematis dengan return. Jika     hal tersebut
  berlaku, kita bisa mengharapkan nilai koefisien regresi
  γ1t adalah positif
2. Hipotesis 2: Menurut CAPM, hubungan antara risiko
 sistematis dengan return bersifat linear. Jika hipotesis
 tersebut didukung oleh data empiris, maka koefisien
 regresi γ2t mempunyai nol. i2 (beta dikuadratkan)
 dimaksudkan untuk melihat non-linearitas hubungan
 antara risiko sistematis dengan return
3. Hipotesis 3: Menurut CAPM, hanya risiko sistematis
 yang dihargai oleh pasar. Risiko tidak sistematis tidak
 dihargai oleh pasar. Sei dipakai sebagai proksi untuk
 risiko tidak sistematis (residual). Jika CAPM didukung
 oleh bukti empiris, maka koefisien regresi γ3t
 mempunyai nilai 0.
Mereka melangkah lebih lanjut untuk melihat apakah pasar
 berada dalam kondisi keseimbangan (fair game). Jika
 kondisi tersebut berlaku, maka investor tidak bisa
 menggunakan informasi saat ini untuk memperoleh
 excess return.[1] Secara spesifik, pengujian hipotesis
 tersebut bisa dilakukan dengan melihat korelasi antara
 parameter γ2t , γ3t pada periode t dengan parameter
 tersebut pada periode t + 1. Jika korelasi tersebut kecil,
 kita bisa mengambil kesimpulan bahwa informasi saat
 ini tidak bisa dipakai untuk memprediksi kondisi
 mendatang, dan dengan demikian tidak bisa dipakai
 untuk memperoleh excess return.

[1] Lebih spesifik lagi, investor tidak bisa menggunakan informasi
   penyimpangan dari kondisi keseimbangan untuk memprediksi
   return masa mendatang dan untuk memperoleh keuntungan
   abnormal (excess return).
Fama dan MacBeth (1973) menghitung beta first-pass
  regression dengan metode yang sama dilakukan oleh
  Black, Jensen, dan Scholes (1972). Mereka membentuk
  20 portofolio menggunakan data bulanan 5 tahun
  sebelumnya (sebelum pengujian cross-sectional).
  Kemudian, menguji second-pass regression dengan
  menggunakan data bulan berikutnya (sesudah lima tahun
  first-pass regression). Kemudian mereka mengulangi
  prosedur yang sama, sehingga pengujian cross-sectional
  dilakukan tidak hanya sekali, tetapi berkali-kali dari
  periode tahun 1935 sampai dengan tahun 1968. Dengan
  cara semacam ini, mereka bisa melihat bagaimana
  parameter-parameter tersebut berubah dari waktu ke
  waktu. Nilai rata-rata untuk setiap parameter (γ0t , γ1t , γ2t
  , γ3t ) kemudian dihitung dan kemudian diuji
  signifikansinya, apakah berbeda dari nol atau tidak.
Hasil pengujian menunjukkan, secara umum koefisien
  regresi γ1t menunjukkan rata-rata angka yang positif dan
  signifikan berbeda dari nol. Sedangkan regresi γ2t dan γ3t
  menunjukkan rata-rata angka yang kecil dan tidak
  berbeda dari nol. Hasil tersebut menunjukkan bahwa
  CAPM didukung oleh data empiris.

2.2. Kritik terhadap CAPM
Bukti-bukti empris yang disajikan di muka nampaknya
  mendukung CAPM. Tetapi perkembangan selanjutnya
  mempertanyakan validitas CAPM baik secara teoritis
  konseptual maupun secara empiris.
2.2.1. Anomali yang Berkaitan dengan Risiko dan
       Return
Pengujian empiris tahap-tahap awal sepertinya memberikan
  dukungan empiris terhadap CAPM. Pada tahap
  selanjutnya, penemuan empiris menunjukkan bahwa ada
  ‘sesuatu yang kurang’ dalam CAPM. CAPM
  mengatakan bahwa hanya variabel beta (risiko
  sistematis) yang mempengaruhi return. Penemuan
  selanjutnya menunjukkan bahwa beberapa variabel lain
  ternyata mempengaruhi return. Yang pertama dan yang
  paling populer adalah efek size (ukuran perusahaan).
  Banz (1981) menunjukkan bahwa return (baik yang
  disesuaikan maupun tidak dengan risiko) berhubungan
  terbalik dengan size (ukuran perusahaan).
Peneliti lain menemukan bahwa variabel PER (Price
  Earning Ratio) mempengaruhi return (Basu, 1977,
  1983), meskipun dikontrol oleh risiko sistematis (beta).
  Saham dengan rasio P/E rendah mempunyai return yang
  lebih tinggi dibandingkan saham dengan P/E tinggi.
  Variabel P/E juga relatif mudah didapatkan, sehingga
  timbul pertanyaan kenapa variabel yang mudah
  didapatkan tersebut menghasilkan premi yang tinggi.
  Fama dan French dan Reinganum menunjukkan bahwa
  rasio nilai pasar saham dengan nilai buku saham bisa
  memprediksi cross-sectional return.
Fama dan French (1992) menguji CAPM secara empiris.
  Mereka melihat korelasi yang cukup tinggi antara size
  (ukuran saham) dengan beta saham. Untuk memisahkan
  efek size terhadap return, mereka membentuk portofolio.
  Pertama, mereka membentuk decile portofolio (10
  kelompok) atas dasar size. Kemudian untuk setiap decile
  size, mereka membentuk decile berdasar pre-ranking
  beta (beta yang dihitung menggunakan periode sebelum
  pengujian). Mereka mempunyai 10 kali 10 atau 100
  portofolio yang menjadi sampel (bandingkan dengan 10
  portofolio pada studi oleh Black, Jensen, dan Scholes).
  Dengan cara itu bisa memisahkan efek size (mengontrol
  efek size) sekaligus memaksimumkan variasi beta
  sehingga efek beta terhadap return bisa diuji. Dengan
  metode pengambilan sampel itu, mereka menguji
  hubungan antara risiko dengan return cross-sectional.
Secara keseluruhan, variabel size dan BE/ME merupakan
    variabel yang signfikan mempengaruhi return. Dengan
    latar belakang seperti itu, Fama dan French
    mengembangkan model tiga faktor, yang memasukkan
    faktor pasar, size, dan BE/ME.

2.2.2. Kritik Roll terhadap CAPM
Richard Roll (1977) melancarkan kritik secara konseptual
    terhadap CAPM. Pada intinya, Roll berargumen bahwa
    CAPM tidak bisa diuji secara empiris. Argumen yang
    lebih rinci adalah sebagai berikut ini.
1. Hanya ada satu hipotesis yang diuji dari CAPM yaitu
    portofolio pasar adalah efisien (dalam konteks mean
    atau return-varians).
2. Semua implikasi dari model, yaitu hubungan yang
   linear antara return dengan risiko sistematis (beta),
   merupakan kelanjutan dari efisiensi portofolio pasar
   dan dengan demikian tidak bisa diuji secara
   independen. Ada hubungan ‘jika dan hanya jika’ (if
   and only if) antara hubungan beta-return dan efisiensi
   portofolio pasar (hubungan beta return bisa diuji hanya
   jika portofolio pasar adalah efisien, jika tidak efisien
   maka kita tidak bisa menguji hubungan beta-return)
3. Jika menggunakan data historis, maka ada portofolio
   pasar yang efisien yang jumlahnya tidak terbatas. Beta
   tersebut akan berada pada garis SML. Dengan kata
   lain, beta yang dihitung menggunakan portofolio
   tersebut akan berada pada garis SML, tidak tergantung
   apakah portofolio pasar efisien (dalam konteks mean
   dan varians) dalam bentuk pengharapan (ex-ante)
4. CAPM tidak bisa diuji kecuali jika mengetahui
   komposisi portofolio pasar yang sesungguhnya, dan
   menggunakannya untuk pengujian empiris. Hal
   tersebut berarti teori CAPM tidak bisa diuji kecuali
   jika kita bisa mengidentifikasi semua aset individual
   dan memasukkannya sebagai portofolio pasar
5. Menggunakan indeks pasar (misal Indeks Harga
   Saham Gabungan atau Standard and Poors 500)
   sebagai proksi portofolio pasar bisa menimbulkan
   masalah. Pertama, proksi itu sendiri barangkali efisien
   dalam konteks mean-varians, meskipun portofolio
   pasar yang sesungguhnya tidak efisien dalam konteks
   mean-varians. Sebaliknya, proksi tersebut barangkali
   tidak efisien, tetapi hal tersebut tidak mempunyai
   implikasi apapun terhadap portofolio pasar yang
   sesungghnya.
    Kemudian, proksi-proksi yang ada (yang banyak) akan
    berkorelasi tinggi satu sama lain, juga dengan
    portofolio pasar yang sesungguhnya, tidak tergantung
    apakah proksi tersebut efisien atau tidak. Korelasi yang
    tinggi bisa membuat kita berkesimpulan komposisi
    portofolio pasar yang tepat tidak penting, padahal
    penggunaan proksi yang berbeda bisa menghasilkan
    kesimpulan yang berbeda. Problem tersebut sering
    disebut benchmark error, yaitu penggunaan benchmark
    yang salah dalam pengujian suatu teori.
Jika kita tidak menemukan hubungan antara risiko dengan
    return, kita tidak bisa mengetahui apakah hasil tersebut
    dikarenakan teori yang salah (tidak terbukti) atau
    pilihan proksi pasar yang kebetulan tidak tepat. Singkat
    kata, hasil yang ditunjukkan oleh pengujian CAPM
    tidak bisa menunjukkan apapun.
2.3. Pengujian APT
2.3.1. Pengujian dengan Analisis Faktor
Salah satu kelemahan APT adalah faktor-faktor dalam APT
  tidak pernah disebutkan dengan jelas. Menurut
  modelnya, faktor-faktor tersebut diserahkan pada
  penelitian empiris, baik jenis maupun jumlahnya. Pada
  dasarnya ada dua jenis penelitian untuk mengidentifikasi
  faktor-faktor tersebut. Pertama, menggunakan analisis
  faktor. Dengan analisis ini, return untuk semua aset
  dimasukkan. Kemudian analisis fakor akan
  mengelompokkan return-return tersebut ke dalam jumlah
  yang lebih sedikit.
Setelah diperoleh faktor-faktor tersebut, kita bisa
  melanjutkan pengujian untuk memperoleh factor
  loadings (beta atau risiko sistematis) atas faktor-faktor
  tersebut, untuk setiap sahamnya.
Secara spesifik, kita bisa melakukan pengujian dengan
  regresi time-series sebagai berikut ini (misal kita hanya
  memfokuskan pada empat faktor terbesar yang bisa
  menjelaskan variasi return).

Rit = α + ßi1 RF1t + ßi2 RF2t + ßi3 RF3t + ßi4 RF4t + eit

ßi1, ßi2, ßi3t, dan ßi4 merupakan factor loadings, yang bisa
   diinterpretasikan sebagai risiko sistematis (beta) aset i
   terhadap faktor 1, 2, 3, dan 4. Beta tersebut sama dengan
   beta pasar yang dihasilkan oleh regresi tahap pertama
   (first pass regression) dalam CAPM.
Tahap berikutnya adalah pengujian cross-sectional untuk
  melihat apakah risiko sistematis tersebut dihargai oleh
  pasar. Pengujian bisa dilakukan dengan analisis regresi,
  dalam hal ini akan sama dengan second pass regression
  dalam pengujian CAPM, seperti berikut ini.

E(Ri) = λ0 + λ1 ßi1 + λ2 ßi2 + λ3 ßi3 + λ4 ßi4 + εi ……… (9)

Nilai λ1, λ2, λ3, dan λ4 bisa diharapkan positif atau negatif
  tergantung dari faktor tersebut. Nilai positif menandakan
  adanya premi risiko yang positif. Nilai seperti ini bisa
  diharapkan untuk faktor pada umumnya. Contoh, faktor
  pasar atau faktor produksi bisa diharapkan mempunyai
  nilai yang positif. Tetapi jika aset bisa dipakai sebagai
  hedge (lindung nilai), maka nilai λ bisa diharapkan
  negatif.
Premi risiko bisa diharapkan negatif, yang berarti faktor
  tersebut tidak perlu dikompensasi dengan kenaikan
  tingkat    keuntungan,    tetapi   investor   bersedia
  mengorbankan tingkat keuntungan untuk memperoleh
  faktor tersebut. Faktor inflasi bisa diharapkan
  mempunyai λ yang negatif, karena saham cenderung bisa
  sebagai hedge atas inflasi (korelasi positif antara
  keduanya).
2.3.2 Pengujian Pre-Spesifikasi Faktor
Pengujian lain adalah dengan menentukan faktor-faktor apa
  saja yang bisa mempengaruhi return saham/aset. Kalau
  dalam metode pertama penentuan faktor ditentukan oleh
  hasil/perhitungan empiris, dalam metode kedua, faktor-
  faktor ditentukan di muka. Faktor-faktor tersebut bisa
  diambil dari teori ekonomi atau pengamatan empiris.
Sebagai contoh, Chen, Roll dan Ross (1986) berargumen
  bahwa ada empat faktor yang mempengaruhi risiko
  saham, yaitu:
(1)Inflasi: inflasi mempengaruhi aliran kas masa
  mendatang dan juga discount rate
 (2)Term structure atau yield curve: Yield curve adalah
  perbedaan antara yield obligasi jangka waktu panjang
  dengan yield obligasi jangka pendek. Yield curve
  tersebut mempengaruhi discount rate (risiko)
(3)Premi risiko: Perbedaan antara tingkat bunga untuk
  obligasi risiko rendah (rating Aaa) dengan tingkat bunga
  obligasi risiko tinggi (Baa). Premi risiko mempengaruhi
  discount rate
(4)Produksi industri. Perubahan produksi industri
  mempengaruhi aliran kas masa mendatang.

Chen, Roll, dan Ross (1986) kemudian menghitung
  sensitivitas return saham terhadap keempat faktor
  tersebut. Tahap ini mirip dengan first pass regression
  dalam pengujian CAPM. Setelah sensitivitas (beta, atau
  risiko sistematis) tersebut diperoleh, kemudian dilakukan
  pengujian cross-sectional untuk melihat apakah ada
  premi risiko untuk faktor-faktor tersebut.
Mereka menemukan hubungan yang kuat dalam regresi
 tersebut, yang berarti ada premi risiko untuk faktor-
 faktor    tersebut.     Kemudian      mereka  mencoba
 mengkontraskan beta faktor-faktor tersebut dengan beta
 pasar. Beta pasar merupakan wakil dari CAPM. Model
 yang diuji bisa ditulis sebagai berikut ini.

E(Ri) = λ0 + λ1 (i VWNY) + λ2 (I MP) + λ3 (I DEI) +
        λ4 (i UI) + λ5 (i UPR) + λ6 (i UTS) + εi

Mereka berkesimpulan bahwa APT didukung oleh data
 empiris lebih baik dibandingkan dengan CAPM.
3.     Model Empiris dan Model Tiga Faktor
3.2. Model Empiris
Model empiris dalam penentuan tingkat keuntungan yang
   diharapkan didasarkan pada pengamatan empiris,
   berbeda dengan model CAPM atau APT yang didasarkan
   pada pengembangan teori. Model empiris tersebut
   melihat adanya pola-pola tertentu di pasar keuangan,
   yang mempengaruhi tingkat keuntungan. Bagian atas
   (pengujian empiris) menunjukkan adanya anomali-
   anomali yang tidak bisa dijelaskan oleh model-model
   keseimbangan risiko-return. Anomali tersebut adalah
   (antara lain) anomali ukuran (size), anomali rasio PER
   (Price Earning Ratio), dan anomali rasio BE/ME (Book
   Value to Market Value of Equity).
Dengan menggunakan ketiga anomali tersebut, kita bisa
  mengembangkan model empiris, misal seperti berikut
  ini.
E(Ri) = RF + i 1 (Size) + i 2 (PER) + i 3 (BE/ME) + eit
                                                ……… (10)

i bisa diestimasi berdasarkan data historis (time-series).
  Setelah i dihitung, tingkat keuntungan yang diharapkan
  untuk suatu aset bisa dihitung.
Karena tidak didasarkan pada teori, maka kritik utama
  untuk model empiris adalah pola-pola yang muncul
  tersebut kemungkinan hanya muncul karena kebetulan.
Pendukung model empiris berargumentasi bahwa pola
  yang telah mereka temukan merupakan pola yang nyata,
  karena analisis telah dilakukan dengan hati-hati.
  Barangkali pendekatan yang ideal adalah gabungan
  antara keduanya (empiris dan teori). Teori diperlukan
  untuk mengarahkan penelitian dan pembuatan model. Di
  lain pihak, empiris diperlukan untuk melihat sejauh
  mana konsistensi model atau teori dengan kondisi
  empiris.
3.2. Model Tiga Faktor Fama dan French
Berangkat dari anomali-anomali yang telah ditemukan,
  Fama dan French (1992) berargumentasi bahwa garis
  SML seharusnya dipengaruhi oleh tiga faktor. Ketiga
  faktor tersebut adalah:

(1)Beta CAPM, yang mengukur risiko pasar
 (2)Size (ukuran) saham, yang dilihat melalui nilai
  kapitalisasi pasar saham (jumlah saham yang beredar
  dikalikan dengan harga saham). Saham kecil cenderung
  mempunyai risiko yang lebih tinggi, karena itu
  mempunyai tingkat keuntungan yang lebih tinggi
  dibandingkan dengan saham besar
(3)Nilai buku saham dibagi dengan nilai pasar saham
 (Book-to-Market ratio). Nilai rasio B/M yang besar
 mencerminkan investor yang pesimistis terhadap masa
 depan perusahaan. Sebaliknya, jika investor optimistik
 terhadap masa depan perusahaan, maka nilai B/M akan
 kecil (nilai pasar saham jauh lebih besar dibandingkan
 dengan nilai bukunya). Saham dengan nilai B/M besar
 cenderung lebih berisiko (kemungkinan bangkrut lebih
 besar) dibandingkan dengan saham dengan nilai B/M
 rendah, dan dengan demikian mempunyai tingkat
 keuntungan yang diharapkan lebih tinggi dibandingkan
 dengan saham dengan B/M rendah.
Fama dan French menguji secara empiris ketiga variabel
  tersebut. Mereka menemukan variabel ukuran dan B/M
  mempengaruhi cross-sectional return, tetapi variabel beta
  pasar ternyata tidak berpengaruh. Kemudian Fama dan
  French kemudian mengembangkan model tiga faktor,
  yang bisa dituliskan sebagai berikut ini.

  Ri - RF = α + i (RM - RF) + γi (SMB) + δi (HML) + ei
                                               ……… (11)

dimana      Ri     = return saham i historis
     RF     = return aset bebas risiko historis
     α      = intercept
     i     = beta pasar atau koefisien regresi
RM   = return atau tingkat keuntungan pasar
        historis
γi   = koefisien regresi saham i terhadap
       return SMB
     SMB = Small minus Big, yaitu selisih return
               portofolio saham kecil dengan
               portofolio saham besar
δi   = koefisien regresi saham i terhadap
       return HML
     HML = High minus Low, yaitu selisih return
              portofolio saham dengan B/M tinggi
              dengan portofolio saham dengan B/M
              rendah
Ei   = error term
Fama dan French membentuk SMB sebagai berikut.
  Mereka meranking semua saham yang aktif berdasarkan
  ukuran saham. Kemudian mereka membagi saham ke
  dalam dua kelompok, yaitu saham besar dengan saham
  kecil. Kemudian return untuk setiap kelompok dihitung,
  kemudian return kelompok saham besar dikurangkan
  dari return kelompok saham kecil. Untuk HML, mereka
  membentuk portofolio yang terdiri dari 30% saham
  dengan nilai B/M tertinggi dan 30% saham dengan nilai
  B/M terendah. Kemudian return HML diperoleh dengan
  mengurangi return kelompok B/M tinggi dengan return
  kelompok B/M rendah.
Aplikasi model tiga faktor untuk menghitung return yang
 diharapkan untuk suatu aset (mirip dengan SML pada
 CAPM) adalah:

  E(Ri) = RF + α + i (RM - RF) + γi (SMB) + δi (HML)
                                              ……… (12)

Misalkan untuk saham Microsoft, kita menghitung regresi
 time-series (secara terpisah) untuk suatu saham dengan
 variabel tidak bebas adalah return saham dan variabel
 bebas adalah return pasar, return SMB, dan return HML.
 Hasil yang diperoleh yaitu koefisien regresi adalah
 sebagai berikut ini.

α = 0,0    i = 1,2    γi = 0,3    δi = 0,2
Misalkan premi risiko pasar adalah 10% (RM - RF), return
 aset bebas risiko adalah 10%. Misalkan berdasarkan
 perhitungan data historis, return SMB adalah 4%, dan
 return HML adalah 6%. Return yang diharapkan untuk
 Microsoft dengan menggunakan model tiga faktor:
 E(Ri) = 10 + 0,0 + 1,2 (10) + 0,3 (4) + 0,2 (6) = 13,6%

Perhatikan jika kita menggunakan CAPM, maka tingkat
  keuntungan yang diharapkan untuk Microsoft adalah:
E(Ri) = RF + i (RM - RF)
             = 10 + 1,2 (10)                 = 11,2%
Terlihat perhitungan tingkat keuntungan yang berbeda
  untuk kedua model tersebut. Pertimbangan (judgment)
  dari analis sangat diperlukan untuk menentukan tingkat
  keuntungan yang disyaratkan dengan tepat.

				
DOCUMENT INFO