Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Gambar 2.2Portofolio<br /><ul><li>Portofolio ini akan berkores- ponden dengan titik kurva indifference bersinggungan denga...
Meskipun investor akan lebih menyukai portofolio di I3, tidak ada fortofolio yang tersedia; keinginan untuk berada pada ku...
Dengan memperhatikan I1, ter- dapat beberapa portofolio yang dapat dipilih (misalnya 0)</li></ul>	Optimal<br /><ul><li>gam...
Investor dapat memilih portofolio optimal dengan menggambar kurva indifference-nya pada grafik dengan efficient set dan ke...
Gambar 2.3 dan 2.4<br /><ul><li>investor yang sangat risk averse akan memilih fortofolio yang dekat dengan titik E. Bila d...
Kurva indifference untuk investor risk averse sebagai kurva yang berslope positif dan cekung. Efficient set biasanya bersl...
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. </li></ul>	(a). Pe...
Jika harga turun menjadi 4.500, maka likuidasi kontrak dengan arah ber- lawanan akan mengalami kerugian  1.500 per unit.
Perusahaan mengambil posisi long sebagai refleksi melindungi peru- sahn dari kemungkinan naiknya harga.</li></li></ul><li>...
Gambar 2.26<br /><ul><li>Hubungan tersebut dapat dijelaskan pada gambar 2.26, memperlihatkan posisi optimal hedge ratio, h...
Ini merupakan kemungkin an yang dapat dijelaskan secara intuitif, sebab penilaian  lindung  nilai memerlukan h*  yang  ber...
Upaya hedger meminimum kan varian disolusikan sebagai minimum variance hedge ratio </li></ul>      h*= cov (∆S, ∆F)/var(∆F...
<ul><li>Hubungan regresi ∆S dan ∆F dapat dijelaskan Pada gambar 2.27, parameter β,r, σF, dan σs  yang dihasilkan melalui p...
Parameter β dalam hubungan ini menjelaskan besaran kecendrung an hedge ratio yang dihasilkan dari hubungan regresi antara ...
Gambar 2.25<br /><ul><li>Risiko basis dapat dieleminasi oleh futures, karena (1) dapat mengurangi basis melalui pengambila...
Daves (200) menambahkan, risiko dapat dikelompokkan ke dalam dua komponen. pertama adalah risiko sistematis yang berhubung...
George (1996: 280-281), Hull (1997 : 32), Sharpe (1997) merinci, risiko portofolio sebagai risiko total menjadi risiko sis...
Asumsi Financial Times Series<br /><ul><li>Suatu	data	disebut time series apabila yt dan t=1 dan  T adalah covariance stat...
Restriksi<br /><ul><li>Dawson, et al (2000) hedge ratio diestimasi secara konstan dalam regresi standar (OLS), dibawah tig...
Unit root-kointegrasi-efek ARCH<br /><ul><li>Faktor, unit root.	Data financial time series bersifat non-stationary, memili...
Faktor cointegration relationship. Zou dan Pinfold (2000), dua seri non-stationary tetapi kombinasi linear dari keduanya m...
Faktor, Efek ARCH. Autoregressive terjadi karena adanya lag, menimbulkan akibat setelah suatu selang waktu tertentu. Penye...
Causality<br />Yang (2001), metode regresi standar mengabaikan heteroskedasticity pada seri harga tunai dan futures. Karen...
Hipotesis (I): Estimasi lindung nilai tukar Rupiah  terhadap USD terkait dengan karakteristik seri<br />Hipotesis Minor<br...
Hipotesis (II): Pengukuran estimasi lindung nilai tukar rupiah terhadap USD selama periode krisis keuangan Indonesia terka...
Hipotesis (III) sd. (V)<br />Hipotesis (III) :<br />       Three-month KLIBOR futures contract merupakan sarana lindung ni...
Desain Penelitian<br />Efrizal<br />
Desain Pengukuran<br /><ul><li>Penilaian terhadap kemampuan metode  OLS, B-VAR, VEC, M-GARCH  menghasilkan  pendugaan  ter...
Uji diagnostik  terhadap sejumlah karakteristik  seri DS dan DF yang saling bersesuaian.  Diagnosa difokuskan pada faktor:...
Desain Pengukuran<br /><ul><li>Pendugaan terhadap parameter hedging ratio di fokuskan pada</li></ul>Pengukuran lindikator ...
Desain Pengukuran<br /><ul><li>Pendugaan terhadap parameter hedging effectiveness di fokuskan pada </li></ul>Pengukuran in...
Desain Pengukuran<br />Pendugaan terhadap Hedging Performance  diperoleh melalui pengukuran sebagai berikut<br />(1).  Per...
Sumber Data<br /><ul><li>Data </li></ul>	Sekumpulan fakta yang difungsikan untuk mendukung adanya konsep atau konstruk pen...
Pengelompokan Data(1) Perubahan seri dan return seri<br />(A) Data diubah menjadi perubahan seri dengan ketentuan: <br />P...
Pengelompokan Data(2) Sample<br /><ul><li>Data dikelompokkan menurut sampel (in­sample) untuk pengujian empiris dan di lua...
Rangkai waktu (sample) peramalan tersebut adalah</li></ul> 	pengamatan in-sample (1997-1999) sebanyak 748 observasi, dan <...
Pengelompokan Data(3) Horizon<br /><ul><li>Pengambilan posisi harga three-month KLIBOR Futures contract merupakan peramala...
Pengelompokan Data(4) Peramalan dalam Lag<br /><ul><li>Penetapan lag interval sebagai pengaturan jarak titik pengamatan.  ...
Lag interval dari komputasi : tanggal 1 Januari 1997, 8 Oktober 1997, 15 Juli 1998, 21 April 1999; berjumlah 4 lag.  Maka ...
Boolerslev, Engel dan Wooldrige dalam Wen Ling Yang (2002),  optimal lag length pada metode M-GARCH dibangun berdasarkan a...
Spesifikasi Seri DS<br /><ul><li>Transaksi penukaran rupiah dan USD dilakukan secara tunai
Sekumpulan kurs tengah rupiah terhadap USD memiliki nilai bervariasi, ditafsirkan sebagai  variabel nilai tukar rupiah ter...
Sekumpulan return kurs tengah rupiah terhadap USD memiliki nilai bervariasi, dinotasikan sebagai RS</li></ul>Note: Nilai t...
Spesifikasi Seri  DF<br /><ul><li>Transaksi pemesanan harga three-month KLIBOR futures contract dilakukan secara berjangka
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 pen...
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 </li></li></ul><li...
Definisi Variabel<br /><ul><li>Perubahan nilai tukar rupiah terhadap USD  </li></ul>	perubahan harian kurs tengah Rupiah t...
Definisi Variabel<br /><ul><li>Three-month KLIBOR (Kuala Lumpur Interbank Offered Rate) futures contract,</li></ul>	kontra...
Definisi Variabel<br /><ul><li>Perubahan harga Three-month KLIBOR futures contract</li></ul>perubahan harga penutupan (clo...
Definisi Varian<br /><ul><li>Varian atau ragam  (s2)</li></ul>Penyimpangan disektor nilai yang diharapkan atau luas distri...
Definisi Kovarian<br /><ul><li>Kovarian(σDS,DF).</li></ul>Ukuran kecendrungan penyimpangan perubahan nilai tukar rupiah   ...
Definisi Residual<br /><ul><li>Residual nilai tukar rupiah terhadap USD (et)</li></ul>Simpangan, selisih antara perubahan ...
Definisi Standarized residual<br /><ul><li>Standarized residual nilai tukar rupiah  </li></ul>residual yang distandarkan (...
Definisi Faktor Pengganggu<br /><ul><li>Besaran residual (et) dipengaruhi oleh beberapa faktor pengganggu yang melekat pad...
Otokorelasi seri residual  </li></ul>korelasi antara residual dan  dependent variable yang dihasilkan dari persamaan.  <br...
Definisi Faktor Pengganggu<br /><ul><li>Unit root (non-stationary)   </li></ul>	korelasi  nilai yang berurutan dari variab...
Definisi Faktor Pengganggu<br /><ul><li>Efek ARCH  </li></ul>gabungan efek Autoregressive dan efek Conditional Heteroskeda...
Definisi Faktor gangguan putih (Gussian white noise)<br /><ul><li>Penyebab gangguan putih dari Gussian (Ut)</li></ul>kesal...
Definisi faktor gangguan putih (Gussian white noise)<br /><ul><li>Eview’s mendefinisikan variabel gangguan putih  </li></u...
Upaya Menghindari Gangguan Putih<br /><ul><li>Gangguan putih pada  variabel DS atau DF </li></ul>DSt (series statistic)   ...
Metode Pengukuran Varianrisk aversion<br />Total Penyimpangan Portofolio = undiversifiable risk + diversifiable risk<br />...
Optimal-minimum variance hedge ratio:</li></ul>min xf :  0 + x2f σ2(DFt)  + xfcov(DSt,DFt )<br />	 min xf :         x2f σ2...
Pengukuran Varian-returnGain Relatif<br />Total Penyimpangan-return Portofolio = <br />undiversifiable risk-return + diver...
Optimal-minimum variance-return hedge ratio:</li></ul>      min xf :  0 + x2f σ2(RFt) + xfcov(RSt,RFt )<br />	  min xf :  ...
Metode Estimasi<br />Efrizal<br />
Standard Regression method (OLS)<br /><ul><li>The Optimal-minimum variance hedgie ratio dapat di estimasikan ke ordinary l...
Kelemahan Standard Regression method (OLS)<br /><ul><li>Satu aspek dari ketidakvalidan metode OLS merupakan fakta bahwa re...
Sifat data heteroskedasticity tidak dapat dijelaskan melalui metode OLS, karena metode OLS hanya menganalisis hubungan ant...
Untuk mengurangi serial correlation dan efek heteroskedasticity, maka spot dan futures price perlu dimodelkan dalam bentuk...
Menurut Zou dan Pinfold (2000), cointegration terjadi jika dua seri masing­masing non-stationary, tetapi kombinasi linear ...
Kerangka kerja Bivariate-VAR dapat disusun sebagai berikut.</li></ul>.................. (7)<br />dimana<br />           c ...
Bivariate-VAR Model<br /><ul><li>Nilai varian dan kovarian diperhitungkan melalui residual covariance matrix, dan digunaka...
Residual covariance matrix. Vech( ) dapat ditulis sebagai berikut :
vech(ht) sebagai ht =
Basis risk portofolio dieliminasi melalui pengambilan posisi secara bersesuaian, dan diukur melalui Minimum Variance Hedge...
Kelemahan Bivariate-VAR Model<br /><ul><li>Model cointegrated relationship tidak dapat menjelaskan dampak perubahan jangka...
Kekurangan ini perlu diatasi dengan menyertakan unsur koreksi (error correct term), dimaksudkan untuk menghilangkan dampak...
Vector-Error Correction Model<br />Zt-1  	error correct term, yang mengukur bagaimana variabel dependen melakukan penyesua...
Watt (1997), Bruneti (1997), Sim (1998), Lien (1999), Gulen (2000), Feguerela (2000), Tse (2000), Yang (2001), menyarankan...
Multivariate Generlised Autoregressive Conditional  Heteroskedasticity(M-GARCH)<br /><ul><li>Kerangka kerja M-GARCH ini di...
Multivariate Generlised Autoregressive Conditional  Heteroskedasticity (M-GARCH)<br /><ul><li>Kerangka kerja  standar M-GA...
Multivariate Generlised Autoregressive Conditional  HeteroskedasticityM-GARCH<br /><ul><li>Boolerslev, Engel dan Wooldrige...
Representasi diagonal dari elemen conditional variance (hss,t), (hff,t), dan elemen conditional covariance (hsf,t) dapat d...
Kelemahan M-GARCH<br /><ul><li>Tetapi asumsi di atas berimplikasi kepada sulitnya menentukan ukuran pengaruh persamaan sil...
Teknik Pengujian Hipotesis<br />Efrizal<br />
Teknik Uji Diagnostik Data DS dan Data DF<br />
Teknik Uji Diagnostik Data DS dan Data DF<br />
Teknik Uji Indikator Lindung Nilai<br />
Teknik Uji Kinerja Lindung Nilai<br />
Teknik Komparasi Kinerja Lindung Nilai Pada Tabel 4.24<br />
Hasil Pengukuran<br />MVHR dan MVRHR<br />Efrizal<br />
 Pengukuran MVHR dan MVRHR                  Lampiran 10 dan 12 ---1- harian<br />Note :<br />MVHR=minimum variance hedge r...
Output EVIEW’sEstimasi OLS<br />
DSt   = a + βDFt + et  ...............................(4)<br />Pengukuran Reduksi metode OLS<br />.............  Lampiran ...
Output EVIEW’sEstimasi OLS<br />
Pengukuran Reduksi metode OLS<br />.............  Lampiran 13 kolom 13<br />
Output EVIEW’sEstimasi B-VAR<br />
......Model (7)<br />Pengukuran Reduksi metode B-VAR<br />.............  Lampiran 11 kolom 5<br />
Output EVIEW’sEstimasi B-VAR<br />
Pengukuran Reduksimetode B-VAR<br />.............  Lampiran 13 kolom 5<br />
Output EVIEW’sEstimasi VEC<br />
.......  Model (9)<br />Pengukuran Reduksi metode VEC<br />.............  Lampiran 11 kolom 9<br />
Output EVIEW’sEstimasi VEC<br />
Pengukuran Reduksimetode VEC<br />.............  Lampiran 13 kolom 9<br />
Output EVIEW’sEstimasi M-GARCH<br />
Upcoming SlideShare
Loading in …5
×

Ujian tertutup 2

1,641 views

Published on

  • Be the first to comment

  • Be the first to like this

Ujian tertutup 2

  1. 1. Gambar 2.2Portofolio<br /><ul><li>Portofolio ini akan berkores- ponden dengan titik kurva indifference bersinggungan dengan effisien set (portofolio 0* pada kurva indifference I2).
  2. 2. Meskipun investor akan lebih menyukai portofolio di I3, tidak ada fortofolio yang tersedia; keinginan untuk berada pada kurva indifference tersebut hanya merupakan impian.
  3. 3. Dengan memperhatikan I1, ter- dapat beberapa portofolio yang dapat dipilih (misalnya 0)</li></ul> Optimal<br /><ul><li>gambar menujukkan bahwa portofolio 0* mengungguli fortofolio lain karena berada di kurva indifference yang paling kiri atas.
  4. 4. 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.</li></ul>Note : Pilihan portofolio berada diantara titik E (risiko <br /> terendah) dan S (return tertinggi)<br />
  5. 5. Gambar 2.3 dan 2.4<br /><ul><li>investor yang sangat risk averse akan memilih fortofolio yang dekat dengan titik E. Bila diperhatikan, teori efficient set ini sebenarnya cukup rasional, investor akan memilih fortofolio yang menempatkan dirinya di kurva indifference yang paling kiri atas. Teori efficient set menyatakan bahwa investor tidak perlu memperhatikan portofolio yang tidak berada di batas kiri atas feasible set, suatu konsekuensi logis.
  6. 6. 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.</li></li></ul><li>Gambar 2.24Futures<br />Note:<br /> Keuntungan/kerugian diperhitungkan sebelum pajak dan komisi pialang<br /> (b). perusahaan menjual (short position) suatu asset futures pada harga 6000 per unit. <br /><ul><li>Jika harga naik menjadi 8000, maka likuidasi kontrak dengan arah berlawanan akan memperoleh kerugian 2000 per unit.
  7. 7. Jika harga turun menjadi 4.500, likuidasi kontrak dengan arah berlawanan akan mengalami keuntungan sebesar 1.500 per unit.
  8. 8. Perusahaan mengambil posisi short sebagai refleksi melindungi perushn dari kemungkinan turunnya harga. </li></ul> (a). Perusahaan membeli (long position) suatu asset futures pada harga 6000 per unit. <br /><ul><li>Jika harga naik menjadi 8000, maka likuidasi kontrak dengan arah berlawanan akan memperoleh keun- tungan sebesar 2000 per unit.
  9. 9. Jika harga turun menjadi 4.500, maka likuidasi kontrak dengan arah ber- lawanan akan mengalami kerugian 1.500 per unit.
  10. 10. Perusahaan mengambil posisi long sebagai refleksi melindungi peru- sahn dari kemungkinan naiknya harga.</li></li></ul><li>Hipotesa Ekspektasi<br /> Harga beli kini dari suatu kontrak futures sama dengan konsensus ekspektasi dari harga spot pada tanggal penyerahan. Dalam persamaan <br /> PF = Ps<br /> PF, harga pembelian kini dari kontrak futures dan Ps, ekspektasi harga spot dari asset pada tanggal penyerahan.. Dengan mangabaikan margin requirement, spekulan yang mengambil posisi long dalam futures setuju untuk membayar PF pada tanggal penyerahan untuk suatu asset jika diharapkan bernilai Ps dan laba sebesar Ps-PF yang sama dengan nol. Spekulan yang memegang posisi short akan mengharapkan laba sebesar PF-Ps, yang juga akan nol.<br /><ul><li>Normal Contango</li></ul> Hedger ingin memegang posisi long dam futures dan karena itu mereka akan menarik spekulator untuk memegang posisi short dam futures. Karena ada risiko dengan memegang posisi short, maka Hal ini memerlukan harga futures untuk lebih besar dari ekspektasi harga spot: PF > Ps<br /> Spekulan yang ingin menjual posisi short kontrak futures pada harga Ps akan mengharapkan membeli kembali pada harga yang lebih rendah, yakni Ps. Hubungan antara harga futures dan ekspektasi harga spot ini disebut dengan normal<br />Gambar 2.17<br /><ul><li>Normal Backwardation</li></ul>Hedger ingin mengambil posisi short dalam futures, dan akan menarik spekulan untuk mengambil posisi long dalam futures. Karena resiko ini berasosiasi dengan posisi Iong, hedger akan menarik spekulan membuat ekspektasi return dari posisi long lebih besar dari tingkat bunga bebas risiko .Ini membutuhkan harga futures kurang dari ekspektasi harga spot:<br /> PF< Ps<br /> Spekulan yang membeli kontrak futures pada harga PF akan menjual pada harga yang lebih tinggi, yakni Ps.Hubungan antara harga futures dan ekspektasi harga spot sebagai normal backwardation dan harga dari kontrak futures diharapkan naik dalam periode kontrak itu.<br />
  11. 11. Gambar 2.26<br /><ul><li>Hubungan tersebut dapat dijelaskan pada gambar 2.26, memperlihatkan posisi optimal hedge ratio, h*, adalah slope terbaik fit line ketika ∆S diregress terhadap ∆F. Yakni mengurangi varian hingga σ20.
  12. 12. Ini merupakan kemungkin an yang dapat dijelaskan secara intuitif, sebab penilaian lindung nilai memerlukan h* yang berkoresponden dengan ratio antara ∆S dan ∆F.
  13. 13. Upaya hedger meminimum kan varian disolusikan sebagai minimum variance hedge ratio </li></ul> h*= cov (∆S, ∆F)/var(∆F)<br /> Ukuran tersebut menggambar kan besaran kecendrungan hedge ratio yang diperoleh pada varian terkecil. <br />
  14. 14. <ul><li>Hubungan regresi ∆S dan ∆F dapat dijelaskan Pada gambar 2.27, parameter β,r, σF, dan σs yang dihasilkan melalui persamaan regresi standar (OLS) diestimasi dari data historis ∆S dan ∆F.Dipilih sejumlah penyamaan interval waktu yang tidak tumpang-tindih, nilai ∆S dan ∆F untuk setiap interval waktu adalah sama.
  15. 15. 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.</li></ul>Gambar 2.27<br />
  16. 16. Gambar 2.25<br /><ul><li>Risiko basis dapat dieleminasi oleh futures, karena (1) dapat mengurangi basis melalui pengambilan posisi jual atau beli asset futures, (2) pergerakan harga spot dapat dijelaskan (di-cover) oleh pergerakan harga futures. Di lain pihak, risiko tidak sistematis dapat dilakukan melalui diversifikasi portofolio tanpa melibatkan pasar futures.
  17. 17. 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.
  18. 18. 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. </li></li></ul><li>Karakteristik Financial Time Series<br />Efrizal<br />
  19. 19. Asumsi Financial Times Series<br /><ul><li>Suatu data disebut time series apabila yt dan t=1 dan T adalah covariance stationary, dengan asumsi:</li></ul>1. Nilai Tengah (Mean): E(Yt) =,untuk seluruh t<br />2. Variance: Var(Yt) = E(Yt-)2 = σ2 yo(<x),untuk seluruh t<br />3. Covariance: Yk= E[((Yt- )((Yt+k-)] Yk, untuk seluruh t<br />4. Yt adalah stationary integrated pada order d dan dicatat <br /> sebagai<br />yt ~ I(d), dan ∆dYt<br /><ul><li>Jika seri bersifat stationary dalam jangka pendek, dicatat sebagai</li></ul>yt ~ I(0), dan ∆0Yt<br />
  20. 20. Restriksi<br /><ul><li>Dawson, et al (2000) hedge ratio diestimasi secara konstan dalam regresi standar (OLS), dibawah tiga restriksi,</li></ul>1. return yang diekspektasi dari kontrak futures adalah nol. <br />2. kovarianantara harga spot dan futures dan varian harga futures<br /> adalah konstan. <br />3. penaksir pangkat dua terkecil memiliki varian yang paling kecil dari <br /> semua penduga, sehingga tujuan hedging adalah menghindari risiko.<br /><ul><li>Kierkegaard (2000: 20), karakteristik financial time series berbeda dengan Gussian white noise, karena</li></ul>1.return seriesmempunyai excess kurtosis berbeda dengan Gussian white;<br />2. Varian-return selalu berubah ubah sepanjang waktu pengamatan, disebut <br /> heteroskedasticity<br />3. Formula returnmerupakan autocorelated pada level yang signifikan. <br /><ul><li>Perbedaan ini pada akhirnya bermuara pada bagaimana mendiagnosa faktor (1) Distribusi (2) otokorelasi, (3) unit root, (4) hubungan kointegrasi, (4) efek ARCH (6) kausalitas</li></li></ul><li>Otokorelasi<br /><ul><li>Faktor otokorelasi, merupakan (1) hubungan di antara anggota-anggota yang tersusun pada financial time series, (2) gangguan berhubungan dengan faktor gangguan lainnya, (3) hubungan nilai-nilai yang berurutan dari variable yang sama. Penyebabnya</li></ul>(1) dikeluarkannya variable yang benar dari metode regresi, <br /> (2) asumsi yang salah mengenai bentuk fungsional metode regresi, <br /> (3) salah satu variable bebas dalam metode regresi merupakan nilai lag <br /> (4) korelasi serial residu.<br /><ul><li>Penerapan regesi standar (OLS) pada data yang bersifat otokorelasi akan menghasilkan prosedur yang tidak efisien (keliru), Penyebabnya </li></ul>(1) prediksi memiliki varian lebih besar daripada prediksi dari teknik <br /> lainnya, <br /> (2) varian dari taksiran bias ke bawah atau bias ke atas, <br /> (3) pengujian dengan t dan F mengalami kesalahan, <br /> (4) kesimpulan yang menyesatkan dari koefisien yang ditaksir, <br /> (5) gambaran yang menyimpang dari nilai populasi atau sensitif terhadap <br /> fluktuasi penyampelan.<br />
  21. 21. Unit root-kointegrasi-efek ARCH<br /><ul><li>Faktor, unit root. Data financial time series bersifat non-stationary, memiliki volatilitas yang bergerak secara tajam. Keadaan itu disebabkan masalah unit root, sehingga data menjadi tidak stationary, dan menghasilkan peramalan yang tidak valid. Data dapat diubah menjadi stationary melalui pendekatan differencing.
  22. 22. Faktor cointegration relationship. Zou dan Pinfold (2000), dua seri non-stationary tetapi kombinasi linear dari keduanya merupakan stationary maka keduanya terintegrasi secara bersamaan.
  23. 23. Faktor, Efek ARCH. Autoregressive terjadi karena adanya lag, menimbulkan akibat setelah suatu selang waktu tertentu. Penyebabnya </li></ul> (1) pengaruh multiflier jangka pendek (t), <br /> (2) pengaruh respon jangka panjang atau (t­1). <br /> Conditional Heteroskedasticity sebagai penyebaran (cedasticity) data dengan varian yang tidak sama (hetero)<br />
  24. 24. Causality<br />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. <br /> Heteroskedasticity muncul karena adanya faktor selang waktu (time-varying) sebagai conditional moment, seperti menentukan waktu pengambilan posisi hedge yang dibentuk oleh informasi.<br /><ul><li>Faktor Causality. mendeteksi regresi palsu (spurious regressions)pada seri non-stationary, ditandai oleh hubungan kointegrasi, dilakukan dengan memanfaatkan residual yang stasioner untuk mengoreksi keseimbangan jangka pendek ke keseimbangan jangka panjang.</li></li></ul><li>Hipotesis Penelitian<br />Efrizal<br />
  25. 25. Hipotesis (I): Estimasi lindung nilai tukar Rupiah terhadap USD terkait dengan karakteristik seri<br />Hipotesis Minor<br />Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract memiliki distribusi tidak normal<br />Ada otokorelasi pada Serial residu perubahan nilai tukar Rupiah terhadap USD dan perubahan harga three-month KLIBOR futures contract<br />Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract berisi suatu unit root<br />Seri perubahan nilai tukar Rupiah terhadap USD dan seri perubahan harga three-month KLIBOR futures contract memiliki hubungan kointegrasi<br />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<br />Ada kausalitas pada seri perubahan nilai tukar Rupiah terhadap USD dan perubahan harga three-month KLIBOR futures contract<br />
  26. 26. Hipotesis (II): Pengukuran estimasi lindung nilai tukar rupiah terhadap USD selama periode krisis keuangan Indonesia terkait dengan beberapa indikator<br />Hipotesis Minor<br />Perubahan nilai tukar Rupiah terhadap USD dan perubahan three-month KLIBOR futures contract berkorelasi<br />Pengambilan posisi optimal Three-month KLIBOR futures contract dapat menjelaskan (mengcover) penyimpangan perubahan nilai tukar rupiah terhadap USD<br />Hedge ratio tidak stabil sepanjang periode pengamatan<br />
  27. 27. Hipotesis (III) sd. (V)<br />Hipotesis (III) :<br /> Three-month KLIBOR futures contract merupakan sarana lindung nilai yang efisien<br />Hipotesis (IV) :<br /> Three-month KLIBOR futures contract merupakan sarana lindung nilai yang efektif<br />Hipotesis (V) : <br /> Three-month KLIBOR futures contract merupakan pilihan sarana lindung nilai yang tepat <br />
  28. 28. Desain Penelitian<br />Efrizal<br />
  29. 29. Desain Pengukuran<br /><ul><li>Penilaian terhadap kemampuan metode OLS, B-VAR, VEC, M-GARCH menghasilkan pendugaan terhadap parameter hedging ratio dan hedging effectiveness dilakukan menurut desain pengukuran sebagaimana berikut ini:
  30. 30. Uji diagnostik terhadap sejumlah karakteristik seri DS dan DF yang saling bersesuaian. Diagnosa difokuskan pada faktor:</li></ul>(1) Distribusi, (2) Otokorelasi, (3) unit root, (4) Hubungan Kointegrasi, (5) efek ARCH, (6) Kausalitas<br />Uji Diagnosa memberi jalan bagi dilakukannya pengukuran indikator lindung nilai<br />
  31. 31. Desain Pengukuran<br /><ul><li>Pendugaan terhadap parameter hedging ratio di fokuskan pada</li></ul>Pengukuran lindikator lindung nilai tukar rupiah terhadap USD, yakni pada tiga alternatif kecendrungan hedge ratio yang bersesuaian dengan korelas, yakni <br />(1) optimal-minimum variance hedge ratio, (2) optimal risk hedge ratio, (3) minimum variance hedge ratio (MVRHR). <br />Pengukuran tersebut memberi jalan bagi dilakukannya<br />pengukuran efisiensi, ditafsirkan sebagai seberapa besar potensi reduksi varian dihasilkan oleh pengambilan posisi three-month KLIBOR futures contract secara bersesuaian <br />Hasil pengukuran efisiensi merupakan signal bagi<br />Pengambilan posisi harga three-month KLIBOR futures contract secara benar, sehingga berfungsi mengurangi penyimpangan basis<br />
  32. 32. Desain Pengukuran<br /><ul><li>Pendugaan terhadap parameter hedging effectiveness di fokuskan pada </li></ul>Pengukuran indikator lindung nilai tukar rupiah terhadap USD, yakni pada tiga alternatif kecendrungan return hedge ratio yang bersuaian dengan korelasi, yakni <br />(1) optimal-minimum variance-return hedge ratio, (2) optimal risk-return hedge ratio, (3) minimum variance-return hedge ratio (MVRHR). <br />Pengukuran tersebut memberi jalan bagi dilakukannya <br />pengukuran efektivitas, ditafsirkan sebagai seberapa besar potensi reduksi varian-return dihasilkan oleh pengambilan posisi three-month KLIBOR futures contract secara bersesuaian.<br />Hasil pengukuran efektivitas merupakan signal bagi<br />Pengambilan posisi harga three-month KLIBOR futures contract secara benar, sehingga berfungsi mengurangi penyimpangan-return basis.<br />
  33. 33. Desain Pengukuran<br />Pendugaan terhadap Hedging Performance diperoleh melalui pengukuran sebagai berikut<br />(1). Perbandingan antara tingkat efisiensi lindung nilai <br /> tukar rupiah terhadap USD secara bersesuaian. <br />(2). Perbandingan tingkat efektifitas lindung nilai tukar <br /> rupiah terhadap USD secara bersesuaian. <br /> (3). Perbandingan kinerja lindung nilai poin (1) secara <br /> bersesuaian Perbandingan kinerja lindung nilai poin (2) <br /> secara bersesuaian<br />Hasil Pendugaan tersebut di atas digunakan sebagai bahan : <br /><ul><li>Menghasilkan strategi dan kebijakan lindung nilai tukar rupiah terhadap USD. </li></li></ul><li>Definisi Hedge Ratio <br /><ul><li>Kecendrungan hedge ratio (b), yang bersuaian dengan korelasi, ditafsirkan sebagai: </li></ul>Optimal-minimum variance hedge ratio, <br /> sebagai seberapa besar penyimpangan perubahan nilai tukar rupiah terhadap USD dapat diminimalisasi oleh pengambilan posisi optimal three-month KLIBOR futures contract pada varian minimum. <br />Optimal risk hedge ratio, <br /> sebagai seberapa besar penyimpangan perubahan nilai tukar rupiah terhadap USD dapat dijelaskan (di-cover) secara potensial oleh pengambilan posisi optimal three­month KLIBOR futures contract secara bersesuaian.<br />Minimum variance hedge ratio (MVHR),<br /> sebagai seberapa besar penyimpangan perubahan nilai tukar rupiah terhadap USD dapat diminimalisasi oleh pengambilan posisi three-month KLIBOR futures contract pada varian minimum <br />
  34. 34. Sumber Data<br /><ul><li>Data </li></ul> Sekumpulan fakta yang difungsikan untuk mendukung adanya konsep atau konstruk pengukuran hedging ratio dan hedging effectiveness. <br /><ul><li>Harga Three-month KLIBOR futures contract </li></ul> 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),<br /><ul><li>Nilai tukar rupiah terhadap USD </li></ul> Diperoleh melalui web site http://www.bi.go.id/. Kurs tengah digunakan sebagai harga spot, tercatat di Bank Indonesia (Lampiran 5 dan 6), <br />
  35. 35. Pengelompokan Data(1) Perubahan seri dan return seri<br />(A) Data diubah menjadi perubahan seri dengan ketentuan: <br />Perubahan nilai tukar Rupiah terhadap USD, diperoleh dari hasil bagi nilai tukar Rupiah terhadap USD dengan satu nilai dari laged-nya; <br />Perubahan harga Three-month KLIBOR futures contract, diperoleh dari hasil bagi harga Three-month KLIBOR futures contract dengan satu nilai dari laged- nya sendiri. <br />(B) Data diubah menjadi return seri dengan ketentuan: <br />return nilai tukar Rupiah terhadap USD, diperoleh dari hasil bagi <br /> nilai tukar Rupiah terhadap USD dengan satu nilai dari laged-nya dalam <br /> log natural; <br />Return Three-month KLIBOR futures contract, diperoleh dari hasil <br /> bagi harga Three-month KLIBOR futures contract dengan satu nilai dari <br /> laged-nya sendiri dalam log natural.<br />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.<br />
  36. 36. Pengelompokan Data(2) Sample<br /><ul><li>Data dikelompokkan menurut sampel (in­sample) untuk pengujian empiris dan di luar sample (out-of­sample) untuk diluar pengujian empiris.
  37. 37. Rangkai waktu (sample) peramalan tersebut adalah</li></ul> pengamatan in-sample (1997-1999) sebanyak 748 observasi, dan <br /> pengamatan out-of-sample (2000­2001) sebanyak 387 observasi.<br />
  38. 38. Pengelompokan Data(3) Horizon<br /><ul><li>Pengambilan posisi harga three-month KLIBOR Futures contract merupakan peramalan posisi disepanjang horizon. Data dikelompokkan ke dalam horizon, dan dikalisifikasi dalam sejumlah durasi, yakni 1,2,3,4,5,8,10 harian (Daily basis). Durasi sebagai cerminan aktivitas nyata perdagangan Three-month KLIBOR futures contract (Lampiran 7).</li></ul>∆Ft =(F t-1 ,F t-2 ,F t-3 ,F t-4 ,F t-5 ,F t-8 ,F t-10)<br /><ul><li>Aktivitas lindung nilai menuntut penyesuaian durasi, sehingga jumlah durasi aktivitas perdagangan USD mengikuti jumlah durasi aktivitas nyata perdagangan Three-month KLIBOR futures contract.</li></ul>∆St = (S t-1 ,S t-2 ,S t-3 ,S t-4 ,S t-5 ,S t-8 ,S t-10)<br /><ul><li>Pengamatan sepanjang horizon difokuskan pada dua durasi titik ekstrim, yaitu : (i) rentang sempit (durasi 1 dan 2 harian), sebagai pengamatan jangka pendek (short term); (ii) rentang lebar (durasi 8 dan 10 harian), sebagai pengamatan jangka panjang (long term).</li></li></ul><li>PENENTUAN DURASI<br />
  39. 39. Pengelompokan Data(4) Peramalan dalam Lag<br /><ul><li>Penetapan lag interval sebagai pengaturan jarak titik pengamatan. Lag interval ditentukan secara komputasi melalui logaritma pembedaan (the differenced logarithm), dan ditafsirkan sebagai skala grafik garis (Lampiran 3 dan 5).
  40. 40. 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,
  41. 41. Boolerslev, Engel dan Wooldrige dalam Wen Ling Yang (2002), optimal lag length pada metode M-GARCH dibangun berdasarkan asumsi </li></ul>(a) matriks Ai and Bi berbentuk diagonal; <br /> (b) off-diagonal dalam matrik Ai dan Bi bernilai nol. Asumsi ini <br /> menghasilkan conditional variance yang tergantung pada satu <br /> residu dan satu nilai yang dihasilkan dari lag-nya sendiri. maka <br /> lag length pada metode M-GARCH ditulis sebagai ARCH (1) dan <br /> GARCH(1). Penggabungan keduanya ditulis sebagai GARCH(1,1).<br />
  42. 42. Spesifikasi Seri DS<br /><ul><li>Transaksi penukaran rupiah dan USD dilakukan secara tunai
  43. 43. Sekumpulan kurs tengah rupiah terhadap USD memiliki nilai bervariasi, ditafsirkan sebagai variabel nilai tukar rupiah terhadap USD
  44. 44. Sekumpulan return kurs tengah rupiah terhadap USD memiliki nilai bervariasi, dinotasikan sebagai RS</li></ul>Note: Nilai tukar rupiah terhadap USD bukan sebagai indikator ekonomi, melainkan sebagai asset portofolio<br />
  45. 45. Spesifikasi Seri DF<br /><ul><li>Transaksi pemesanan harga three-month KLIBOR futures contract dilakukan secara berjangka
  46. 46. Pemesanan dan penyerahan three-month KLIBOR futures contract disepakati untuk jangka waktu tiga bulan
  47. 47. Pemesanan dimaknai sebagai pengambilan posisi harga kontrak dan diakhiri dengan penutupan posisi harga kontrak
  48. 48. 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
  49. 49. Sekumpulan perubahan harga three-month KLIBOR futures contract memiliki nilai bervariasi.
  50. 50. Harga three-month KLIBOR futures contract diidentifikasi sebagai objek pemesanan pada setiap sesi penutupan perdagangan.
  51. 51. Sekumpulan return three-month KLIBOR futures contract memiliki nilai bervariasi, dinotasikan sebagai RF </li></li></ul><li>Definisi Variabel<br /><ul><li>Lindung nilai tukar rupiah terhadap USD </li></ul> praktek mengurangi penyimpangan basis dan penyimpangan return basis, melalui pengambilan posisi harga three-month KLIBOR futures contract pada arah yang bersesuaian. <br /><ul><li>Kebijakan lindung nilai,</li></ul> hasil pengukuruan kinerja lindung nilai rupiah terhadap USD menuntut keragaman metode estimasi, memberikan satu-kesatuan tindakan pengambilan posisi harga three-month KLIBOR futures contract pada arah yang bersesuaian di sepanjang horizon,<br /><ul><li>Nilai tukar rupiah </li></ul> kurs tengah Rupiah terhadap USD, mencerminkan keseimbangan harian harga jual dan harga beli satu unit USD dalam mata uang rupiah. US-Dollar (USD) merupakan valuta asing (hard currency), digunakan untuk membiayai transaksi ekonomi dalam mata uang Rupiah. <br />
  52. 52. Definisi Variabel<br /><ul><li>Perubahan nilai tukar rupiah terhadap USD </li></ul> 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. <br /><ul><li>Return nilai tukar rupiah terhadap USD </li></ul> 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.<br />
  53. 53. Definisi Variabel<br /><ul><li>Three-month KLIBOR (Kuala Lumpur Interbank Offered Rate) futures contract,</li></ul> 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. <br /><ul><li>Harga Three-month KLIBOR futures contract </li></ul> 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.<br />
  54. 54. Definisi Variabel<br /><ul><li>Perubahan harga Three-month KLIBOR futures contract</li></ul>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. <br /><ul><li>Return Three-month KLIBOR futures contract </li></ul>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<br />
  55. 55. Definisi Varian<br /><ul><li>Varian atau ragam (s2)</li></ul>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. <br /><ul><li>Eview's mendefinisikan varian sebagai </li></ul>Residual variance yang diestimasi dari persamaan, memiliki nilai sama dengan squared standard error (s2t) yang diestimasi dari persamaan residual covariance matrix. <br /> conditional variance, ditunjukkan olehnilai koefisien GARCH<br />
  56. 56. Definisi Kovarian<br /><ul><li>Kovarian(σDS,DF).</li></ul>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. <br /><ul><li>Eview's mendefinisikan kovarian sebagai </li></ul>Residual covariance. diestimasi dari persamaan. <br /> conditional covariance, pada model M-GARCH, mengikuti asumsi korelasi konstan.<br />
  57. 57. Definisi Residual<br /><ul><li>Residual nilai tukar rupiah terhadap USD (et)</li></ul>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).<br /><ul><li>Eview's mendefinisikan residual nilai tukar rupiah terhadap USD sebagai</li></ul> DSt = a + βDFt + e t<br /> DS^t = a + (β^ x DFt )<br /> et = DSt - DS^t<br />
  58. 58. Definisi Standarized residual<br /><ul><li>Standarized residual nilai tukar rupiah </li></ul>residual yang distandarkan (std e2t), diperoleh dari hasil bagi residual (e2t) dengan standar error (se) yang diestimasi dari M-GARCH.<br /><ul><li>Eview's mendefinisikan Standarized residual sebagai</li></ul>conditional residual M-GARCH :<br />Data DS :<br /> (σ2ss) = ω + (e2ss,t-1) + β(σ2ss,t-1)<br /> std(e2ss, t-1) = (e2ss,t) / √ (σ2ss,t)<br />Data DF :<br /> (σ2ff) = ω + (e2 ff,t-1) + β(σ2 ff,t-1)<br /> std(e2 ff,t-1) = (e2 ff,t) / √ (σ2 ff,t)<br />
  59. 59. Definisi Faktor Pengganggu<br /><ul><li>Besaran residual (et) dipengaruhi oleh beberapa faktor pengganggu yang melekat pada karakteristik lindung nilai tukar rupiah terhadap USD, yaitu :
  60. 60. Otokorelasi seri residual </li></ul>korelasi antara residual dan dependent variable yang dihasilkan dari persamaan. <br /> Eview's mendefinisikan otokorelasi seri residual sebagai<br /> DSt =β1+ β2 DFt+et<br /> et = ΩDF1 + v ........... nilai otokorelasi (AC)<br /> et = aet-1 + v .......... korelasi otokorelasi parsiai (PAC)<br />
  61. 61. Definisi Faktor Pengganggu<br /><ul><li>Unit root (non-stationary) </li></ul> korelasi nilai yang berurutan dari variabel yang sama (series statistic) sebagai kecendrungan kondisional. Data yang memiliki unit root disebut random walk <br /> Eview’s mendefinisikan Unit root sebagai :<br />DSt (series statistic) DFt (series statistic)<br /> DSt = C1 +δDSt-1 + Ut dan DFt = C1+ δDFt-1 + Ut<br />
  62. 62. Definisi Faktor Pengganggu<br /><ul><li>Efek ARCH </li></ul>gabungan efek Autoregressive dan efek Conditional Heteroskedasticity<br /> Eview’s mendefinisikan efek ARCH sebagai <br />DSt = β1+ β2 DFt+et<br /> e2t = a1e2t-1 + Ut ............. otokorelasi residuals squared <br />
  63. 63. Definisi Faktor gangguan putih (Gussian white noise)<br /><ul><li>Penyebab gangguan putih dari Gussian (Ut)</li></ul>kesalahan pengukuran yang terjadi pada setiap pengambilan data, dan kesalahan stokastik yang terjadi karena kejadian yang diulang tidak akan memberikan hasil yang persis sama. <br /><ul><li>Variabel gangguan putih pada DSt atau DFt </li></ul>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. <br /><ul><li>Otokorelasi gangguan putih </li></ul> korelasi nilai yang berurutan dari variabel gangguan putih (mt)<br />
  64. 64. Definisi faktor gangguan putih (Gussian white noise)<br /><ul><li>Eview’s mendefinisikan variabel gangguan putih </li></ul>DSt = δDSt-1 + Ut DFt = δDFt-1 + Ut<br /> Ut = δDSt-1 - mt Ut = δDFt-1 - mt<br /><ul><li>Eview's mendefinisikan gangguan putih pada variabel DS/DF</li></ul> DSt (series statistic) DFt (series statistic)<br /> DSt = C1 + δDSt-1 + Ut dan DFt= C1 + δDFt-1 + Ut<br /> Ut = Ut-1 + vt Ut = Ut-1 + vt<br /><ul><li>Eview's mendefinisikan gangguan putih pada seri residu </li></ul> DSt = 1 + 2 DFt + et<br /> et =  DF1 + c1 + 1e t-1+ Ut<br /><ul><li>Eview's mendefinisikan gangguan putih pada residuals squared</li></ul> DSt = β1 + β2 DFt+ et<br /> e2t = a1 e2t-1 + Ut<br />
  65. 65. Upaya Menghindari Gangguan Putih<br /><ul><li>Gangguan putih pada variabel DS atau DF </li></ul>DSt (series statistic) DFt (series statistic)<br /> DSt = C1 + δDSt-1 + Utdan DFt= C1 + δDFt-1 + Ut<br /> Ut = Ut-1 + vt Ut = Ut-1 + vt<br />Dimodifikasi menjadi<br /> D(DSt-1) = 1DSt-1 + 1D(DSt-1) + 2D(DSt-1) + 3D(DSt-1) + 4D(DSt-1) + c1<br /> D(DFt-1) = 1DFt-1 + 1D(DFt-1) + 2D(DFt-1) + 3D(DFt-1) + 4D(DFt-1) + c1<br /><ul><li>Gangguan putih pada seri residu </li></ul>DSt = 1 + 2 DFt + et<br /> et =  DF1 + c1 + 1e t-1+ Ut<br />Dimodifikasi menjadi<br /> et =  DF1 + c1 + 1e t-1 + 2e t-2 + 3e t-3 + 4e t-4<br /><ul><li>gangguan putih pada residuals squared </li></ul>DSt = β1+ β2 DFt+et<br /> e2t = a1 e2t-1 + Ut<br />dimodifikasi menjadi<br /> e2t = ct + a1 e2t-1 + a2 e2t-2 +a3 e2t-3 +a4 e2t-4 <br />
  66. 66. Metode Pengukuran Varianrisk aversion<br />Total Penyimpangan Portofolio = undiversifiable risk + diversifiable risk<br /><ul><li>Apabila investor adalah risk aversion maka penyimpangan yang tidak dapat didiversifikasi (undiversifiable risk) memiliki nilai yang sama dengan minimum risk hedge ratio.</li></ul>Min xf : σ2(DPt ) = x2s σ2(DSt ) + x2f σ2(DFt) + 2xsxfcov(DSt ,DFt )<br /><ul><li>Dowson, et al (2000) memberi restriksi: x2sσ2(DSt ) = 0
  67. 67. Optimal-minimum variance hedge ratio:</li></ul>min xf : 0 + x2f σ2(DFt) + xfcov(DSt,DFt )<br /> min xf : x2f σ2(DFt) - xfcov(DSt,DFt)<br /> min x'f: h*= - cov(DSt,DFt )/σ2(DFt)............................. (1)<br /> Jika h* <0, berpotensi mengambil posisi menjual (short) futures, dan<br /> Jika h* >0, berpotensi mengambil posisi membeli (long) futures <br /><ul><li>Sharpe: Total penyimpangan portofolio</li></ul>σ2(DPt)= h* + e2t........................................................ (2)<br />
  68. 68. Pengukuran Varian-returnGain Relatif<br />Total Penyimpangan-return Portofolio = <br />undiversifiable risk-return + diversifiable risk-return<br /><ul><li>Apabila pasar Three-month KLIBOR futures menawarkan return sebagai gain relatif</li></ul> Min xf : σ2(RPt ) = x2s σ2(RSt ) + x2f σ2(RFt) + 2xsxfcov(RSt , RFt )<br /><ul><li>Dowson, et al (2000) memberi restriksi: x2s σ2(RSt ) = 0
  69. 69. Optimal-minimum variance-return hedge ratio:</li></ul> min xf : 0 + x2f σ2(RFt) + xfcov(RSt,RFt )<br /> min xf : x2f σ2(RFt) - xfcov(RSt,RFt)<br /> min x'f: h*= - cov(RSt,RFt ) / σ2(RFt)<br /><ul><li>Sharpe: Total penyimpangan-return portofolio</li></ul> σ2(RPt) = h*σ2(RFt) + e2t..........................................(3)<br />
  70. 70. Metode Estimasi<br />Efrizal<br />
  71. 71. Standard Regression method (OLS)<br /><ul><li>The Optimal-minimum variance hedgie ratio dapat di estimasikan ke ordinary least square (OLS) regression</li></ul>DSt = a + βDFt + et .............................................................(4)<br />dimana<br /> DSt = perubahan nilai tukar Rupiah per USD (Jakarta) selaman periode t<br /> DFt = perubahan harga three-month KLIBOR <br />futures contract selama periode t<br />D = Sebagai perubahan dalam horizon<br />t = Sebagai horizon<br /> a , β = sebagai parameter <br /> ε t = Erorr term<br /><ul><li>Investor diasumsikan risk aversion, sehingga memberikan nilai yang sama antara penyimpangan yang tidak dapat didiversifikasi (β) dan minimum risk hedge ratio (h*), dan diidentifikasi sebagai </li></ul>β =h* ......................................................................................(5)<br /><ul><li>hedging vehicle disolusikan sebagai koefisien korelasi (r), dimana</li></ul>r(DSt, DFt) = cov(DSt, DFt) / (DSt) (DFt) ........................... (6)<br />
  72. 72. Kelemahan Standard Regression method (OLS)<br /><ul><li>Satu aspek dari ketidakvalidan metode OLS merupakan fakta bahwa residual adalah autocorrelated. Penerapan regesi OLS pada data yang bersifat outocorelation akan menghasilkan prosedur yang tidak efisien. Dengan kata lain, prediksi yang dihasilkan atas dasar regresi OLS akan keliru.
  73. 73. 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.
  74. 74. Untuk mengurangi serial correlation dan efek heteroskedasticity, maka spot dan futures price perlu dimodelkan dalam bentuk Bivariate-VAR.</li></li></ul><li>Bivariate-VAR Model<br /><ul><li>B-VAR dapat mengubah dua seri non-stationary menjadi hubungan yang stationer, yaitu terdapat dua seri sebagai cointegrated relationship.
  75. 75. 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
  76. 76. Kerangka kerja Bivariate-VAR dapat disusun sebagai berikut.</li></ul>.................. (7)<br />dimana<br /> c = intercept, <br /> k = optimal lag intervals (1 4) <br />bs, b f= parameter, <br /> Var(est), var(eft)= σ2(DSt), σ2(DFt)<br /> Cov(esft) = σ(DSt, σDFt)<br />
  77. 77. Bivariate-VAR Model<br /><ul><li>Nilai varian dan kovarian diperhitungkan melalui residual covariance matrix, dan digunakan sebagai elemen Minimum Variance Hedging ratio (MVHR).
  78. 78. Residual covariance matrix. Vech( ) dapat ditulis sebagai berikut :
  79. 79. vech(ht) sebagai ht =
  80. 80. Basis risk portofolio dieliminasi melalui pengambilan posisi secara bersesuaian, dan diukur melalui Minimum Variance Hedge ratio (MVHR), disolusikan sebagai</li></ul>h*= - cov(DSt, DFt ) / σ2(DFt) ...................................(8)<br />
  81. 81. Kelemahan Bivariate-VAR Model<br /><ul><li>Model cointegrated relationship tidak dapat menjelaskan dampak perubahan jangka pendek terhadap keseimbangan jangka panjang.
  82. 82. 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</li></li></ul><li>Vector-Error Correction Model<br /><ul><li>Kerangka kerja V-EC dapat disusun sebagai berikut</li></ul>.................... (9)<br />dimana<br />c = intercept, <br /> k = optimal lag intervals (1 4) <br />bs, b f= parameter, <br /> Var(est), var(eft) = σ2(DSt), σ2(DFt)<br /> Cov(esft)= σ(DSt, σDFt)<br />
  83. 83. Vector-Error Correction Model<br />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<br />Zt-1= c + st-1 – a ft-1 ...........................................(10)<br /> a = cointegrating vector .<br /> = parameter penyesuaian (speed of adjustment <br /> parameters) pada the first defference <br /> Augmanted<br /><ul><li>Basis risk portofolio dieliminasi melalui pengambilan posisi secara bersesuaian, dan diukur melalui MVHR mengikuti formula (8)</li></li></ul><li>Kelemahan Vector-Error Correction Model<br /><ul><li>Penggunaan metode V-EC belum dapat mendeteksi efek autoregresssive conditional heteroskedasticity (ARCH) dalam suatu rangkaian waktu yang panjang, padahal dalam penelitian finansial, terutama penelitian lindung nilai, dibutuhkan financial time series dengan rangkaian waktu yang panjang.
  84. 84. Watt (1997), Bruneti (1997), Sim (1998), Lien (1999), Gulen (2000), Feguerela (2000), Tse (2000), Yang (2001), menyarankan :</li></ul> penggabungan antara ARCH dan error correction model menjadi kerangka kerja M-GARCH, sehingga dapat mengubah hedging ratio menjadi dynamic conditional variance hedge ratio<br />
  85. 85. Multivariate Generlised Autoregressive Conditional Heteroskedasticity(M-GARCH)<br /><ul><li>Kerangka kerja M-GARCH ini dibangun dalam empat pilar, bertujuan untuk mengeliminir faktor residuals of error correction model sebagai efek ARCH.</li></ul>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. <br />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.<br />menghilangkan dampak Autoregressive conditional, faktor pengganggu untuk rangkaian waktu data yang panjang, sehingga hasil dari semua kondisi waktu diharapkan sama. <br />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.<br />
  86. 86. Multivariate Generlised Autoregressive Conditional Heteroskedasticity (M-GARCH)<br /><ul><li>Kerangka kerja standar M-GARCH(1,1) diekspresikan sebagai</li></ul>......... (11)<br />Dan dijelaskan melalui term berikut ini:<br />1. Conditional mean equation: Rt = ωt+σtεt<br />2. Conditional variance equation: <br /> ω the mean level of the return at time t<br /> σt menjelaskan bahwa variasi antara ωt dan εt adalah zero mean stationary yang <br /> identik dengan randon distribusi variabel independen.<br /> Volatility dari Rt didefinisikan sebagai σt.<br /> informasi tentang volatility di awal periode diukur sebagai lag squared residual<br /> dari mean equation: (the ARCH term).<br /> Informasi tentang volatility di akhir periode diukur sebagai Variance conditonal:<br /> ht-1 = (the GARCH term) <br />
  87. 87. Multivariate Generlised Autoregressive Conditional HeteroskedasticityM-GARCH<br /><ul><li>Boolerslev, Engel dan Wooldrige dalam Yang (2002) menjelaskan bahwa kerangka kerja M-GARCH dibangun berdasarkan asumsi (a) matriks Ai and Bi berbentuk diagonal; (b) off-diagonal dalam matrik Ai dan Bi bernilai nol, sehingga conditional variance hanya tergantung pada satu residu dan satu nilai yang dihasilkan dari laged-nya sendiri, dan ditulis sebagai ARCH(1) dan GARCH(1). Penggabungan keduanya ditulis sebagai GARCH(1,1); dan (c) korelasi antara conditional variance adalah konstan.
  88. 88. Representasi diagonal dari elemen conditional variance (hss,t), (hff,t), dan elemen conditional covariance (hsf,t) dapat diekspresikan :</li></ul>.................. (12)<br />dimana <br /> c = konstanta, <br /> a, b= parameter. <br /> (hss,t) = conditional variance dari seri DS<br /> (hff ,t) = conditional variance dari seri DF<br />
  89. 89. Kelemahan M-GARCH<br /><ul><li>Tetapi asumsi di atas berimplikasi kepada sulitnya menentukan ukuran pengaruh persamaan silang antara squared errors dan conditional variance, sehingga Watt (1997) menyarankan penggunaan Constant Correlation model sebagai elemen conditional covariance matrix yang digeneralisasi melalui persamaan tradisional, dan disubstitusikan dengan formula MVHR. Hasil substitusi digunakan untuk mengekspresikan Dynamic conditional MVHR.</li></ul> h*= .........................................................................(13)<br /> dimana<br /> р = korelasi dari OLS<br /> √σ2(DSt) = akar koefisien GARCH dari seri DS<br /> √σ2(DFt) = akar koefisien GARCH dari seri DF<br />
  90. 90. Teknik Pengujian Hipotesis<br />Efrizal<br />
  91. 91. Teknik Uji Diagnostik Data DS dan Data DF<br />
  92. 92. Teknik Uji Diagnostik Data DS dan Data DF<br />
  93. 93. Teknik Uji Indikator Lindung Nilai<br />
  94. 94. Teknik Uji Kinerja Lindung Nilai<br />
  95. 95. Teknik Komparasi Kinerja Lindung Nilai Pada Tabel 4.24<br />
  96. 96. Hasil Pengukuran<br />MVHR dan MVRHR<br />Efrizal<br />
  97. 97. Pengukuran MVHR dan MVRHR Lampiran 10 dan 12 ---1- harian<br />Note :<br />MVHR=minimum variance hedge ratio<br />MVRHR=minimum variance-return hedge ratio<br />
  98. 98. Output EVIEW’sEstimasi OLS<br />
  99. 99. DSt = a + βDFt + et ...............................(4)<br />Pengukuran Reduksi metode OLS<br />............. Lampiran 11 kolom 13<br />
  100. 100. Output EVIEW’sEstimasi OLS<br />
  101. 101. Pengukuran Reduksi metode OLS<br />............. Lampiran 13 kolom 13<br />
  102. 102. Output EVIEW’sEstimasi B-VAR<br />
  103. 103. ......Model (7)<br />Pengukuran Reduksi metode B-VAR<br />............. Lampiran 11 kolom 5<br />
  104. 104. Output EVIEW’sEstimasi B-VAR<br />
  105. 105. Pengukuran Reduksimetode B-VAR<br />............. Lampiran 13 kolom 5<br />
  106. 106. Output EVIEW’sEstimasi VEC<br />
  107. 107. ....... Model (9)<br />Pengukuran Reduksi metode VEC<br />............. Lampiran 11 kolom 9<br />
  108. 108. Output EVIEW’sEstimasi VEC<br />
  109. 109. Pengukuran Reduksimetode VEC<br />............. Lampiran 13 kolom 9<br />
  110. 110. Output EVIEW’sEstimasi M-GARCH<br />
  111. 111. ....... Model (12)<br />Pengukuran Reduksi metode M-GARCH<br />............. Lampiran 11 kolom 17<br />
  112. 112. Output EVIEW’sEstimasi M-GARCH<br />
  113. 113. Pengukuran Reduksi metode M-GARCH<br />............. Lampiran 13 kolom 17<br />
  114. 114. Hasil Pengujian Hipotesis<br />Efrizal<br />
  115. 115. Hasil Uji Diagnostik Variabel DS dan DF<br />
  116. 116. Hasil Uji Diagnostik Variabel DS dan DF<br />
  117. 117. Hasil Uji Indikator Lindung nilai<br />
  118. 118. Hasil Uji Kinerja Lindung Nilai<br />
  119. 119. Hasil Komparasi Kinerja Lindung Nilai Pada tabel 4.24<br />
  120. 120. Interpretasi<br />Efrizal<br />
  121. 121. Potensi risiko<br />Uji Standar Distribusi <br />Pengujian<br /><ul><li>Seri memiliki distribusi tidak normal. Didukung oleh identifikasi :
  122. 122. Nilai skewness untuk seluruh seri berbeda dengan nol, artinya seluruh seri adalah non-symetry. Skewness negatif diartikan distribusi memiliki panjang sebaran ke kekiri, Skewness positif diartikan distribusi memiliki panjang sebaran ke kanan. nilai Kurtosis untuk seluruh seri melebihi 3, artinya seluruh seri memiliki distribusi yang bersifat leptokurtic.
  123. 123. Standar deviasi lebih besar dari 0,5, </li></ul>Implikasi<br /><ul><li>Pengujioan standar distribusi dan standar deviasi mengkonfirmasikan risiko seri perubahan nilai tukar Rupiah terhadap USD, dan memberikan alasan kuat dilakukannya lindung nilai rupiah terhadap USD</li></ul>Uji diagnosa unit root dalam variabel<br />Pengujian<br /><ul><li>seri berisi suatu unit root </li></ul>Implikasinya, <br /><ul><li>Seri bersifat non-stationary karena memiliki volatilitas. menggambarkan perubahan nilai tukar rupiah terhadap USD yang bergerak secara ekstrim, mengindikasikan risiko perubahan nilai asset portofolio rupiah</li></li></ul><li>Tujuan Hedging<br />Hubungan Kointegrasi<br />Pengujian<br /><ul><li>Hedger lebih mementingkan hubungan kointegratif antara perubahan harga Three-month KLIBOR futures contract dan perubahan nilai tukar Rupiah terhadap USD. </li></ul> Didukung oleh identifikasi<br /><ul><li>Regresi standar sebagai satu hubungan kointegrasi, sehingga layak digunakan sebagai metode estimasi.
  124. 124. VEC sebagai dua hubungan kointegrasi, sehingga layak digunakan sebagai metode estimasi.</li></ul>Implikasi<br /><ul><li>hedger menggunakan Three-month KLIBOR futures contract bukan untuk tujuan spekulasi, melainkan untuk mengurangi penyimpangan basis </li></li></ul><li>Motivasi Hedging<br /><ul><li>Korelasi</li></ul>Pengujian<br /><ul><li>Rendahnya indikator korelasi yang ditampilkan pada tabel 4.14 mengindikasikan rendahnya motivasi hedger mendapatkan hasil optimal melalui pengambilan posisi hedging.
  125. 125. Pada durasi dalam rentang yang lebar, korelasi antara perubahan nilai tukar Rupiah terhadap USD dan perubahan three-month KLIBOR futures contract tidak menjadi pertimbangan krusial dalam menentukan bagaimana posisi three-month KLIBOR futures contract yang harus diambil untuk meng-cover nilai tukar rupiah terhadap USD. </li></ul>Implikasi<br />Perubahan motivasi berimplikasi pada perubahan pandangan terhadap hedge ratio. Dengan demikian, pengujian terhadap hipotesis (8) menjadi penting. <br />
  126. 126. Motivasi Hedging<br /><ul><li>Kecendrungan Hedge Ratio</li></ul>Pengujian<br /><ul><li>pengambilan posisi optimal Three-month KLIBOR futures contract dapat mengcover penyimpangan perubahan nilai tukar rupiah terhadap USD, ditolak. </li></ul>Makna Hedge Ratio <br /><ul><li>Motivasi pengambilan posisi rentang yang lebar (long-term) tidak untuk meng-cover perubahan nilai tukar Rupiah terhadap USD.
  127. 127. Hedger tidak memandang penting pengambilan posisi optimal Three-month KLIBOR futures contract.
  128. 128. pengambilan posisi sebatas varian minimum dan varian kondisionl minimum</li></ul>Implikasinya <br /><ul><li>Hedger bertujuan melindungi nilai tukar Rupiah terhadap USD sebagai asset portofolio, dan pengambilan posisi hanya sebatas penyimpangan perubahan nilai tukar rupiah terhadap USD.
  129. 129. Hedger menggunakan futures trading bukan untuk tujuan spekulasi, melainkan untuk mengurangi penyimpangan basis. Hedger seperti ini cendrung mengurangi risiko (risk aversion).</li></li></ul><li>Motivasi Hedging<br /><ul><li>Rekomendasi</li></ul>Metode OLS <br /><ul><li>pengambilan posisi beli Three-month KLIBOR futures contract pada durasi 1 dan 2 hari berpotensi memberikan varian paling minimum, yakni paling mampu mengimbangi penyimpangan perubahan nilai tukar rupiah terhadap USD.
  130. 130. pengambilan posisi beli Three-month KLIBOR futures contract pada durasi 1 dan 2 hari berpotensi memberikan varian-return paling minimum, yakni paling mampu mengimbangi penyimpangan-return nilai tukar rupiah terhadap USD.</li></ul>Metode M-GARCH <br /><ul><li>pengambilan posisi beli Three-month KLIBOR futures contract pada durasi 5 hari berpotensi memberikan varian kondisional paling minimum, yakni paling mampu mengimbangi penyimpangan perubahan nilai tukar rupiah terhadap USD
  131. 131. pengambilan posisi beli Three-month KLIBOR futures contract pada durasi 4 hari berpotensi memberikan varian-return kondisional paling minimum, yakni paling mampu mengimbangi penyimpangan-return nilai tukar rupiah terhadap USD</li></li></ul><li>Kinerja Hedging<br /><ul><li>Efisiensi</li></ul>Asumsi : <br /><ul><li>tujuan utama hedger adalah mengurangi risiko (risk aversion) (hipotesis (8)</li></ul>Metode<br /><ul><li>metode Regresi standar (OLS), </li></ul> efisiensi akan dihasilkan apabila pengambilan posisi jual atau beli three-month KLIBOR futures contract dilakukan pada durasi dengan rentang yang sempit. <br /><ul><li>metode M-GARCH, </li></ul> efisiensi akan dihasilkan apabila pengambilan posisi jual atau beli three-month KLIBOR futures contract dilakukan pada durasi dengan rentang yang lebar. <br />Implikasi<br /><ul><li>kedua metode memberikan pilihan strategi hedging terbaik bagi investor dengan motivasi mengurangi risiko</li></li></ul><li>Kinerja Hedging<br /><ul><li>Efektivitas</li></ul>Asumsi : <br /><ul><li>tujuan utama hedger adalah mengurangi risiko-return (risk-return aversion) (hipotesis (8)</li></ul>Metode<br /><ul><li>Metode M-GARCH </li></ul> mampu menghasilkan efektifitas pada durasi dengan rentang yang sempit<br /><ul><li>Metode V-EC </li></ul> mampu menghasilkan efektifitas pada durasi dengan rentang yang lebar.<br />Implikasi<br /><ul><li>Temuan ini berimplikasi pada motivasi investor, yakni jika tujuan investor adalah meraih return maka kedua metode memberikan pilihan strategi hedging terbaik.</li></li></ul><li>Sarana Lindung Nilai<br /><ul><li>Asumsi : </li></ul> Seri bersifat stationary dan memiliki dua hubungan kointegrasi dalam jangka panjang, sehingga V-EC layak digunakan untuk menilai estimasi lindung nilai<br /><ul><li>Pengujian</li></ul> Three-month KLIBOR futures contract merupakan pilihan sarana lindung nilai yang tepat, karena perubahan harga Three-month KLIBOR Futures contract mempunyai kemampunan menyesuaikan dengan perubahan nilai tukar rupiah terhadap USD dalam keseimbangan jangka panjang<br /><ul><li>Rekomendasi</li></ul> Perubahan nilai tukar rupiah merupakan signal bagi tanggal pemasanan harga three-month KLIBOR futures contract yang harus diambil, karena tanggal pemesanan harga three-month KLIBOR futures contract dapat menyesuaiakan sendiri dengan perubahan nilai tukar Rupiah terhadap USD. <br />
  132. 132. Strategi Hedging<br />Asumsi<br /><ul><li>penggunaan sejumlah metode yang berbeda sebagai upaya menghasilkan strategi lindung nilai, yakni sejumlah pilihan pengambilan posisi futures contract</li></ul>Pilihan Metode<br />Durasi Rentang sempit<br /><ul><li>metode M-GARCH </li></ul> mampu mengurangi varian DS yang di dihedge sebesar 54,10 persen dan 15,28 persen, tetapi return DS yang dihedge hanya sebesar 0,82 persen dan 0,13 persen. <br /><ul><li>Metode V-EC </li></ul> mampu meraih return DS yang dihedge sebesar 11,50 persen dan 0,13 persen, tetapi hanya mampu mengurangi varian DS yang di dihedge sebesar 34,83 persen dan 0.14 persen. <br /><ul><li>Implikasinya, </li></ul> metode M-GARCH ukuran terbaik mengurangi tingkat penyimpangan basis, tetapi secara umum memberikan tingkat return terkecil. <br /> Metode V-EC ukuran terbaik meraih return DS yang di hedge, tetapi secara umum memberikan pengurangan penyimpangan basis terkecil.<br />
  133. 133. Strategi Hedging<br />Durasi rentang lebar<br /><ul><li>Metode regresi standar (OLS)</li></ul> mampu mengurangi varian DS yang di dihedge sebesar 40,01 persen dan 11,86 persen, tetapi return DS yang dihedge hanya sebesar 0,33 persen dan 0,34 persen. <br /><ul><li>Metode M-GARCH </li></ul> mampu meraih return DS yang dihedge sebesar 13,60 persen dan 15,40 persen, tetapi hanya mampu mengurangi penyimpangan basis sebesar 3,68 persen dan 10,20 persen. <br /><ul><li>Implikasinya, </li></ul> metode regresi standar (OLS) merupakan ukuran terbaik mengurangi tingkat penyimpangan basis tetapi secara umum memberikan tingkat return terkecil. <br /> Metode M-GARCH merupakan ukuran terbaik meraih return DS yang di hedge tetapi secara umum memberikan pengurangan penyimpangan basis terkecil.<br />
  134. 134. Strategi Hedging<br />Kesimpulan<br /><ul><li>metode M-GARCH </li></ul> merupakan ukuran terbaik mengurangi penyimpangan basis jangka panjang, dan <br /> merupakan ukuran terbaik untuk meraih return investasi jangka pendek; <br /><ul><li>metode LS standar </li></ul> paling mampu mengurangi penyimpangan basis jangka pendek, <br /><ul><li>VEC </li></ul> merupakan ukuran terbaik untuk meraih return investasi jangka panjang.<br />
  135. 135. Strategi Mencapai Tujuan Hedging<br />
  136. 136. Komparasi Hasil Penelitian<br />Efrizal<br />
  137. 137. KOMPARASI HASIL PENELITIANKARAKTERISTIK SERIES<br />
  138. 138. KOMPARASI HASIL PENELITIANKARAKTERISTIK SERIES<br />
  139. 139. KOMPARASI HASIL PENELITIAN UKURAN LINDUNG NILAI<br />
  140. 140. Kesimpulan<br />Efrizal<br />
  141. 141. Kesimpulan<br /><ul><li>Estimasi lindung nilai tukar Rupiah terhadap USD terkait dengan karakteristik seri, dapat diterima.</li></ul>Hipotesis Minor<br />Seri nilai tukar Rupiah terhadap USD dan seri three-month KLIBOR futures contract memiliki distribusi tidak normal, diterima<br />Ada otokorelasi pada Serial residu nilai tukar Rupiah terhadap USD dan three-month KLIBOR futures contract, diterima<br />Seri nilai tukar Rupiah terhadap USD dan seri three-month KLIBOR futures contract berisi suatu unit root, diterima<br />Seri nilai tukar Rupiah terhadap USD dan seri three-month KLIBOR futures contract memiliki hubungan kointegrasi, diterima<br />ada efek autoregressive conditional heteroskedasticity (ARCH) pada serial residu nilai tukar Rupiah terhadap USD dan serial residu three-month KLIBOR futures contract, diterima <br />Ada kusalitas pada seri nilai tukar Rupiah terhadap USD dan three-month KLIBOR futures contract, diterima<br />
  142. 142. Kesimpulan<br />Pengukuran estimasi lindung nilai tukar rupiah terhadap USD selama periode krisis keuangan Indonesia terkait dengan beberapa indikator, diterima.<br />Hipotesis Minor<br />Perubahan nilai tukar Rupiah terhadap USD dan perubahan three-month KLIBOR futures contract berkorelasi, ditolak<br />Pengambilan posisi optimal Three-month KLIBOR futures contract dapat menjelaskan (mengcover) penyimpangan perubahan nilai tukar rupiah terhadap USD, ditolak<br />Hedge ratio stabil sepanjang periode pengamatan, diterima<br />Three-month KLIBOR futures contract merupakan sarana lindung nilai yang efisien, diterima<br />Three-month KLIBOR Futures contractmerupakan sarana lindung nilai yang efektif, diterima<br />Three-month KLIBOR futures contract merupakan pilihan sarana lindung nilai yang tepat, diterima<br />

×