Embed Size (px)
http
://ww
w.d
ed
en
08
m.w
ord
pre
ss.c
om
CAKUPAN PEMBAHASAN
•Overview
•CAPM (C
apita
l Asse
t Pricin
g M
odel)
•Porto
folio
pasar
•Garis p
asar m
odal
•Garis p
asar se
kurita
s
•Estim
asi B
eta
•Pengujia
n CAPM
•APT (A
rbrita
ge Pricin
g Theory)
1/40
OVERVIEW
•Model d
apat d
igunakan se
bagai a
lat u
ntuk
memahami su
atu perm
asalahan yang
kompleksdalam gambaran yang le
bih
sederhana.
•Untuk m
emahami b
agaim
anakahpenentuan
risiko yang re
levan padasuatu aset, d
an
bagaim
anakahhubungan antara risik
o dan
return
yang diharapkan, d
iperlu
kan su
atu
model k
eseim
bangan, y
aitu
:
•Model h
ubungan risik
o-re
turn
aset k
etik
a
pasar d
alam kondisi k
eseim
bangan.
2/40
OVERVIEW
Dua m
odel k
eseim
bangan:
Capita
l Asse
t Pric
ing Model
(CAPM)
Arbitra
ge
Pric
ing
Theory (A
PT)
3/40
CAPITAL ASSET PRICING MODEL
(CAPM)
•CAPM adalah m
odel h
ubungan antara tin
gkat
return
harapan dari su
atu aset b
erisik
o dengan
risiko dari a
set te
rsebut p
ada kondisi p
asar y
ang
seim
bang.
•CAPM dibangun di a
tas p
ondasi te
ori p
orto
folio
Markowitz
•Berdasarkan te
ori p
orto
folio
Markowitz
, porto
folio
yang efisie
n adalah porto
folio
yang berada di
sepanjang kurva efficie
nt fro
ntie
r
•CAPM diperkenalkan se
cara te
rpisa
h oleh Sharpe,
Lintner d
an Mossin
pada perte
ngahan 1960-an.
4/40
Asumsi-a
sumsi m
odel C
APM:
1.
Investo
r akan m
endiversifik
asik
an porto
lionya dan m
emilih
porto
folio
yang optim
al se
suai d
engan garis p
orto
folio
efisie
n.
2.
Semua in
vesto
r mempunyai d
istribusi p
robabilita
s tingkat
return
masa depan yang id
entik
.
3.
Semua in
vesto
r memilik
i perio
de waktu yang sa
ma.
4.
Semua in
vesto
r dapat m
eminjam atau m
eminjamkan uang
pada tin
gkat re
turn
yang bebas risik
o.
5.
Tidak ada biaya tra
nsaksi, p
ajak pendapatan, d
an in
flasi.
6.
Terdapat b
anyak se
kali in
vesto
r, sehingga tid
ak ada in
vesto
r
tunggal y
ang dapat m
empengaruhi h
arga se
kurita
s. Semua
investo
r adalah price
taker.
7.
Pasar d
alam keadaan se
imbang (e
quilib
rium).
CAPITAL ASSET PRICING MODEL
(CAPM)
5/40
PORTOFOLIO PASAR
•Pada kondisi p
asar y
ang se
imbang, se
mua in
vesto
r akan m
emilih
porto
folio
pasar (p
orto
folio
optim
al y
ang berada di se
panjang
kurva efficie
nt fro
ntie
r).
RF
L
Risik
o, σσσ σ
p
A
E
H
G
M
C
Return yang diharapkan, Rp
B
Gam
bar 6
.1. P
orto
folio
yan
g e
fisie
n d
an
po
rtofo
lio y
an
g o
ptim
al
•Dalam kondisi p
asar
yang se
imbang, se
mua
investo
r akan m
emilih
porto
folio
pada titik
M
sebagai p
orto
folio
yang optim
al (te
rdiri
dari a
set-a
set
berisik
o).
6/40
•Porto
folio
pada titik
M (p
orto
folio
pasar)
akan
selalu te
rdiri d
ari se
mua aset b
erisik
o, d
an
merupakanporto
folio
aset b
erisik
o yang
optim
al.
•Dengan demikian risik
o porto
folio
pasar h
anya
terdiri d
ari risik
o siste
matis (risik
o yang tid
ak
dapat d
ihila
ngkan oleh diversifik
asi).
•Secara umum, p
orto
folio
pasar d
apat d
iproksi
dengan nila
i indeks p
asar, se
perti IH
SG atau
LQ45 untuk kasus d
i Indonesia
.
PORTOFOLIO PASAR
7/40
GARIS PASAR MODAL
(CAPITAL M
ARKET LINE)
•Garis p
asar m
odal m
enggambarkan hubungan
antara re
turn
harapan dengan risik
o to
tal d
ari
porto
folio
efisie
n pada pasar y
ang se
imbang.
•Jika kurva efficie
nt fro
ntie
r pada Gambar 6
.1
dihila
ngkan,dan titik
M se
bagai p
orto
folio
aset b
erisik
o yang optim
al d
iambil, m
aka kita
akan m
endapatkan garis R
f -L yang m
erupakan
garis p
asar m
odal (C
ML), se
perti d
isajik
an
pada Gambar 6
.2.
8/40
Return yang diharapkan
L
Risiko
, σσσ σP
Risiko
Portofolio
pasar (M
)
σσσ σM
E(RM)
M
RF
CM
L
Premi Risiko
Portofolio M=
E(RM)-R
f
Ga
mb
ar 6
.2. G
aris
Pa
sa
r Mo
da
l (CM
L)
GARIS PASAR MODAL
(CAPITAL M
ARKET LINE)
9/40
SLOPE CML
•Kemirin
gan (slo
pe) C
ML m
enunjukkan harga pasar risik
o
(market p
rice of risk
) untuk porto
folio
yang efisie
n
atau harga keseim
bangan risik
o di p
asar.
Slope CML d
apat d
ihitu
ng dengan:
Slope CML m
engindikasik
an ta
mbahan re
turn
yang
disy
aratkan pasar u
ntuk se
tiap 1% kenaikan risik
o
porto
folio
.
CM
L
Slo
pe
σ
R- )
E(R
M
FM
=
10/40
Contoh: D
alam kondisi p
asar y
ang se
imbang, re
turn
yang diharapkan pada porto
folio
pasar a
dalah 15%
dengan deviasi sta
ndar se
besar 2
0%. T
ingkat re
turn
bebas risik
o se
besar 8
%.
Maka Slope CML a
dalah se
besar:
Slope CML =
(0,15 -0,08) : 0
,20 =
0,35
CM
L
Slo
pe
σ
R- )
E(R
M
FM
=
SLOPE CML
11/40
PERSAMAAN CML
•Dengan m
engetahui slo
pe CML d
an garis in
terse
p (R
F ),
maka kita
dapat m
embentuk persa
maan CML m
enjadi:
dalam hal in
i:
E (R
p ) = tin
gkat re
turn
yang diharapkan untuk su
atu
porto
folio
yang efisie
n pada CML
RF
= tin
gkat re
turn
pada aset y
ang bebas y
ang risik
o
E(R
M)
= tin
gkat re
turn
porto
folio
pasar (M
)
σM
= deviasi sta
ndar re
turn
pada porto
folio
pasar
σP
= deviasi sta
ndar p
orto
folio
efisie
n yang dite
ntukan
p
M
FM
FP
R)
E(RR
)E(R
σσ
−+
=
12/40
PENJELASAN MENGENAI C
ML
1.Garis p
asar m
odal te
rdiri d
ari p
orto
folio
efisie
n yang
merupakan kombinasi d
ari a
set b
erisik
o dan aset
bebas risik
o. P
orto
folio
M, m
erupakan porto
folio
yang te
rdiri d
ari a
set b
erisik
o, a
tau dise
but d
engan
porto
folio
pasar. S
edangkan titik
RF , m
erupakan
pilih
an aset b
ebas risik
o. K
ombinasi a
tau titik
-titk
porto
folio
di se
panjang garis R
F -M, m
erupakan
porto
folio
yang efisie
n bagi in
vesto
r.
2.Slope CML a
kan cenderung positip
karena adanya
asumsi b
ahwa in
vesto
r bersifa
t risk averse
. Artin
ya,
investo
r hanya akan m
au berin
vesta
si pada aset
yang b
erisik
o, jik
a m
endapatkan kompensasi b
erupa
return
harapan yang le
bih tin
ggi.
13/40
3.Berdasarkan data histo
ris, adanya risik
o akibat
perbedaan re
turn
aktual d
an re
turn
harapan,
bisa
menyebabkan slo
pe CML y
ang negatif.
Slope negatif in
i terja
di b
ila tin
gkat re
turn
aktual p
orto
folio
pasar le
bih kecil d
ari tin
gkat
keuntungan bebas risik
o.
4.Garis p
asar m
odal d
apat d
igunakan untuk
menentukan tin
gkat re
turn
harapan untuk
setia
p risik
o porto
folio
yang berbeda.
PENJELASAN MENGENAI C
ML14/40
GARIS PASAR SEKURITAS (S
ML)
•Garis p
asar se
kurita
s adalah garis h
ubungan antara tin
gkat
return
harapan dari su
atu se
kurita
s dengan risik
o siste
matis
(beta).
•SML d
apat d
igunakan untuk m
enila
i keuntungan su
atu aset
individual p
ada kondisi p
asar y
ang se
imbang. S
edangkan CML
dapat d
ipakai u
ntuk m
enila
i tingkat re
turn
harapan dari
suatu porto
folio
yang efisie
n, p
ada su
atu tin
gkat risik
o
terte
ntu (σ
P ).
•Form
ula untuk m
endapatkan E(R) d
ari su
atu se
kurita
s
menurut m
odel S
ML a
dalah:
dalam hal in
i:
[])
R(ER
M)
R )
E(RF
iF
i−
+=
β
M2
Mi,
iσ σ
β
=
15/40
•Pada Gambar 6
.3,risik
o se
kurita
s ditu
njukkan olehbeta, y
ang
menunjukkan se
nsitiv
itas re
turn se
kurita
s terhadap perubahan
return pasar. Aset yang
risikonya lebih
kecil d
ari p
asar
Risik
o (βββ β)
1.5
0.5
0βββ βM=1
SM
L
A
B
Return yang diharapkan
kM
kR
F
Aset yang
risikonya lebih
besar dari p
asar
Gambar 6.3 Garis P
asar Sekuritas (S
ML)
GARIS PASAR SEKURITAS (S
ML)
16/40
RETURNSEKURITAS YANG
DISYARATKAN
•Berdasarkan hubungan tin
gkat re
turn
dengan beta, m
aka
komponen penyusunrequire
d ra
te of re
turn
terdiri d
ari:
tingkat re
turn
bebas risik
o dan premi risik
o.
•Secara m
atematis, h
ubungan te
rsebut d
apat d
igambarkan
sebagai:
ki= tin
gkat risik
o aset b
ebas risik
o + premi risik
o se
kurita
s
dalam hal in
i:
ki
= tin
gkat re
turn yang disy
aratkan in
vesto
r pada
sekurita
s i
E(R
M)
= re
turn porto
folio
pasar y
ang diharapkan
βi
= koefisie
n beta se
kurita
s i
RF
= tin
gkat re
turn bebas risik
o
[]F
Mi
FR
)E(R
βR
−+
=
17/40
Contoh:
Diasumsik
an beta sa
ham PT Gudang Garam adalah 0,5
dan tin
gkat re
turn
bebas risik
o (R
f ) adalah 1,5%.
Tingkat re
turn pasar h
arapan diasumsik
an se
besar 2
%.
Dengan demikian, m
aka tin
gkat k
euntungan yang
disy
aratkan in
vesto
r untuk sa
ham PT Gudang Garam
adalah:= 0,015 + 0,5 (0
,02 –0,015)
= 1,75%
[]F
Mi
FG
GRM
R)
E(RR
k−
+=
β
RETURNSEKURITAS YANG
DISYARATKAN
18/40
SEKURITAS YANG UNDERVALUED ATAU
OVERVALUED
βββ β(B)
βββ β(A)
E(RB ’)
E(R
B )E
(RA’)
E(RA)
B
A
SM
L
Be
ta
Return yang diharapkan
Ga
mb
ar 6
.4. M
en
ilai s
eku
ritas y
an
g u
nd
erv
alu
ed
ata
u o
ve
rva
lue
d d
en
ga
n
me
ng
gu
na
ka
n S
ML
19/40
•Secara te
oritis, h
arga se
kurita
s seharusnya
berada pada SML k
arena titik
-titik pada
SML m
enunjukkan tin
gkat re
turn
harapan
pada su
atu tin
gkat risik
o siste
matis
terte
ntu.
•Jika tin
gkat re
turn
harapan tid
ak berada
pada SML, m
aka se
kurita
s terse
but
undervalued atau overvalued.
SEKURITAS YANG UNDERVALUED ATAU
OVERVALUED
20/40
•Pada Gambar 6
.4.telih
at b
ahwa se
kurita
s A te
rletak di a
tas S
ML d
an dinila
i sebagai
sekurita
s yang te
rnila
i rendah
(undervalued) k
arena tin
gkat re
turn
harapan E(R
A ’) > re
tun yang disy
aratkan
investo
r E(R
A ).
•Sedangkan se
kurita
s B te
rletak di b
awah
SML, se
hingga se
kurita
s B dikatakan
ternila
i lebih
(overvalued).
SEKURITAS YANG UNDERVALUED ATAU
OVERVALUED
21/40
CONTOH PENGGUNAAN CAPM
1.
Anggap tin
gkat re
turn
bebas risik
o adalah 10 perse
n.
Return
harapan pasar a
dalah 18 perse
n. J
ika sa
ham YOY
mempunyai b
eta 0,8, b
erapakah re
turn
disy
aratkan
berdasarkan CAPM?
ki= 10% + 0,8 x (1
8%-10%)
= 16,4%
2.
Anggap tin
gkat re
turn
bebas risik
o adalah 10 perse
n.
Return
harapan pasar a
dalah 18 perse
n. J
ika sa
ham la
in
yaitu
saham GFG m
empunyai re
turn
disy
aratkan 20 perse
n,
berapakah betanya?
20%
= 10% + β
i x (1
8%-10%)
10%
= β
i x 8%
βi
= 1,25
22/40
ESTIMASI B
ETA
•Untuk m
engestim
asi b
esarnya koefisie
n beta,
digunakan m
arket m
odelberik
ut:
dalam
halini:
Ri=return
sekurita
si
RM=return
indekspasar
αi=interse
p
βi=slo
pe
εi=random
resid
ualerro
r
ie
RR
Mi
ii
++
=β
α
23/40
•Market m
odelbisa
diestim
asi d
engan
meregresreturn
sekurita
s yang akan dinila
i
dengan re
turn in
deks p
asar.
•Regresi te
rsebut a
kan m
enghasilk
an nila
i:
1.
αi(ukuran re
turn se
kurita
s i yang tid
ak
terkait d
engan re
turn pasar)
2.
βi(peningkatan re
turn yang diharapkan
pada se
kurita
s i untuk se
tiapkenaikan
return pasar se
besar 1
%)
ESTIMASI B
ETA
24/40
CONTOH PENGESTIMASIAN BETA (1
)
•Investo
r mempunyai d
ata re
turn
saham UUU dan re
turn
pasar se
lama lim
a bulan te
rakhir se
bagai b
erik
ut:
•Tabel b
erik
ut a
kan digunakan untuk m
emperm
udah
perhitu
ngan:
Bulan
ReturnsahamUUU
Returnpasar
Juni0
,40
,3
Juli0
,10
,1
Ag
ustus-0
,05
-0,1
Sep
tem
ber
0-0
,05
Okto
ber
0,4
0,2
Bula
n
Return
Devia
sire
turnD
evia
si kuad
rat
Perka
lian
Devia
siSa
ham
UU
U
Pasa
rSa
ham
UU
U
Pasa
rSa
ham
UU
U
Pasa
r
Juni0
,40
,30
,23
0,2
10
,05
29
0,0
44
10
,04
83
Juli0
,10
,1-0
,07
0,0
10
,00
49
0,0
00
1-0
,00
07
Ag
ustus-0
,05
-0,1
-0,2
2-0
,19
0,0
48
40
,03
61
0,0
41
8
Sep
tem
ber
0-0
,05
-0,1
7-0
,14
0,0
28
90
,01
96
0,0
23
8
Okto
ber
0,4
0,2
0,2
30
,11
0,0
52
90
,01
21
0,0
25
3
Jumla
h0
,85
0,4
50
00
,18
80
,11
20
0,1
38
5
25/40
•Berdasarkan ta
bel d
iatas, p
erhitu
ngan berik
ut d
apat
dibuat:
Rata-ra
ta re
turn
saham UUU
= 0,85 / 5 = 0,17.
Varia
ns re
turn sa
ham UUU
= 0,188 / 4 = 0,047.
Deviasi sta
ndar re
turn sa
ham UUU = √
0,047 = 0,216795.
Rata-ra
ta re
turn pasar
= 0,45 / 5 = 0,15.
Varia
ns re
turn pasar
= 0,112 / 4 = 0,028.
Deviasi sta
ndar re
turn sa
ham UUU = √0,028 = 0,167332.
Covaria
ns =
0,1385 / 4 = 0,034625.
CONTOH PENGESTIMASIAN BETA (2
)26/40
•Dengan m
enggunakan persa
maan
beta sa
ham UUU dihitu
ng se
bagai b
erik
ut:
βUUU= 0,034625 / 0,028 = 1,236607.
•Sedangkan in
terse
pnya dihitu
ng dengan m
engurangkan
rata-ra
ta re
turn
sekurita
s dari p
erkalia
n beta dengan
rata-ra
ta re
turn
pasar.
α1= 0,17 –(1,236607) (0
,15) =
0,059.
M2
Mi,
iσ σ
β
=
CONTOH PENGESTIMASIAN BETA (3
)27/40
ANALISIS DENGAN MODEL EXCESS
RETURN (1
)
•Persa
maan re
gresi m
arket m
odeldapat d
imodifik
asi m
enjadi:
β, slo
pe dari g
aris k
arakteristik
, akan m
enunjukkan se
nsitiv
itas
excess re
turn se
kurita
s terhadap porto
folio
pasar.
•Meneruskan contoh sa
ham UUU, a
nggap RF = 5 perse
n. M
aka
return
saham UUU dan re
turn
pasar d
apat d
iubah m
enjadi
seperti p
ada ta
bel b
erik
ut.
iF
Mi
iF
ie
)R
(Rβ
α)
R(R
+−
+=
−
Bula
nReturn
Sa
ham
UU
UPa
sar
Juni0
,35
0,2
5
Juli0
,05
0,0
5
Ag
ustus-0
,1-0
,15
Sep
tem
ber
-0,0
5-0
,1
Okto
ber
0,3
50
,15
28/40
•Apabila
menggunakan re
gresi lin
ier se
derhana, p
rintout
SPSS ditu
njukkan pada gambar b
erik
ut. H
asiln
ya adalah
sama dengan cara se
belumnya, y
aitu
beta = 1,236607.
Coefficie
nts(a
)
Mod
e
l
Unsta
nda
rdize
d
Coefficie
nts
Sta
nda
rdize
d
Coefficie
ntst
Sig
.
B
Std
.
Error
Beta
1(C
onsta
nt).0
71
.03
52
.04
0.1
34
RET_
M1
.23
7.2
23
.95
45
.54
2.0
12
a D
ep
end
ent V
aria
ble
: RET_
UU
U
ANALISIS DENGAN MODEL EXCESS
RETURN (2
)29/40
FAKTOR-FAKTOR YANG MEMPENGARUHI
KEAKURATAN ESTIMASI B
ETA
1.
Estim
asi b
eta te
rsebut m
enggunakan data histo
ris. Hal in
i secara im
plisit b
erarti b
ahwa kita
menganggap
apa yang te
rjadi p
ada beta m
asa la
lu, a
kan sa
ma
dengan apa yang te
rjadi p
ada beta m
asa datang.
2.
Garis k
arakteristik
dapat d
ibentuk oleh berbagai
observasi d
an perio
de w
aktu yang berbeda, d
an tid
ak
ada sa
tu pun perio
de dan observasi y
ang dianggap
tepat. D
engan demikian, e
stimasi b
eta untuk sa
tu
sekurita
s dapat b
erbeda karena observasi d
an perio
de
waktunya yang digunakan berbeda.
3.
Nila
i αdan β
yang diperoleh dari h
asil re
gresi
terse
but tid
ak te
rlepas d
ari a
danya erro
r, sehingga
bisa
jadi e
stimasi b
eta tid
ak akurat k
arena α
dan β
tidak m
enunjukkan nila
i yang se
benarnya.
30/40
BETA PORTOFOLIO
•Contoh, d
iketahui in
form
asi b
erik
ut in
i:
Tentukan re
turn
harapan dan risik
o su
atu porto
folio
terdiri d
ari e
mpat sa
ham FF, G
G, H
H, d
an II.
Sekuritas
Banyaknya
investasi
Return
harapan
Beta
FFRp
20
juta0
,10
0,9
0
GG
Rp
5 juta
0,1
20
,95
HH
Rp
10
juta0
,15
1,2
0
IIRp
15
juta0
,17
1,3
0
31/40
•Bobot p
orto
folio
dihitu
ng te
rlebih dahulu.
Jumlah dana yang diin
vesta
si adalah Rp50 ju
ta, m
aka
sebanyak Rp20 ju
ta/Rp50 ju
ta = 40%diin
vesta
si pada FF.
Dengan cara yang sa
ma, d
ana yang diin
vesta
si pada GG, H
H,
dan II, se
cara berurutan se
besar 1
0%, 2
0%, d
an 30%.
•Return
harapan porto
folio
:
E(Rp) =
(0,4) (0
,10) +
(0,1)(0
,12) +
(0,2)(0
,15) +
(0,3) (0
,17)
= 0,133 atau 13,3 perse
n.
•Beta porto
folio
:
βP = (0
,4) (β
FF) +
(0,1)( β
GG) +
(0,2)( β
HH) +
(0,3) (β
II)
= (0
,4) (0
,9) +
(0,1)(0
,95) +
(0,2)(1
,2) +
(0,3) (0
,13)
= 1,085.
BETA PORTOFOLIO
32/40
PENGUJIAN CAPM
•Kesim
pulan yang bisa
diambil d
ari p
enjelasan
mengenai C
APM,adalah:
1.Risik
o dan re
turn berhubungan positif,
artin
ya se
makin besar risik
o m
aka se
makin
besar p
ula re
turn-nya.
2.Ukuran risik
o se
kurita
s yang re
levan adalah
ukuran ‘k
ontrib
usi’ risik
o se
kurita
s terhadap
risiko porto
folio
.
33/40
•Pengujia
n CAPM dapat m
enggunakan persa
maan
berik
ut:
dalam hal in
i:
Ri= ra
ta-ra
ta re
turn
sekurita
s i dalam perio
de
terte
ntu
βi= estim
asi b
eta untuk se
kurita
s i
Jika CAPM valid
, maka nila
i a1 akan m
endekati n
ilai
rata-ra
ta re
turn
bebas risik
o se
lama perio
de
pengujia
n,dan nila
i a2 akan m
endekati ra
ta-ra
ta premi
risiko pasar se
lama perio
de te
rsebut.
i2
1i
β a
a
R+
=
PENGUJIAN CAPM
34/40
TEORI P
ENETAPAN HARGA ARBITRASI
•Salah sa
tu alte
rnatif m
odel k
eseim
bangan,selain
CAPM,adalah Arbrita
ge Pricin
g Theory (A
PT).
•Estim
asi re
turn
harapan dari su
atu se
kurita
s,dengan
menggunakan APT, tid
ak te
rlalu dipengaruhi p
orto
folio
pasar se
perti h
anya dalam CAPM.
•Pada APT, re
turn
sekurita
s tidak hanya dipengaruhi
oleh porto
folio
pasar k
arena ada asumsi b
ahwa re
turn
harapan dari su
atu se
kurita
s bisa
dipengaruhi o
leh
beberapa su
mber risik
o yang la
innya.
35/40
•APT didasari o
leh pandangan bahwa re
turn
harapan
untuk su
atu se
kurita
s dipengaruhi o
leh beberapa
faktor risik
o yang m
enunjukkan kondisi p
erekonomian
secara umum.
•Faktor–fa
ktor risik
o te
rsebut h
arus m
empunyai
karakteristik
seperti b
erik
ut in
i:
1.
Masin
g-m
asin
g fa
ktor risik
o harus m
empunyai p
engaruh lu
as
terhadap re
turn
saham-sa
ham di p
asar.
2.
Faktor-fa
ktor risik
o te
rsebut h
arus m
empengaruhi re
turn
harapan.
3.
Pada awal p
erio
de, fa
ktor risik
o te
rsebut tid
ak dapat
diprediksi o
leh pasar.
TEORI P
ENETAPAN HARGA ARBITRASI
36/40
MODEL APT
•APT berasumsibahwainvesto
r percaya bahwa re
turn
sekurita
s akan dite
ntukan oleh se
buah m
odel fa
ktoria
l
dengan n
faktor risik
o, se
hingga:
dalam hal in
i:
Ri
= tin
gkat re
turn
aktual se
kurita
s i
E(R
i )= re
turn
harapan untuk se
kurita
s i
f = deviasi fa
ktor siste
matis F
dari n
ilai
harapannya
bi
= se
nsitiv
itas se
kurita
s i terhadap fa
ktor i
ei
= ra
ndom erro
r
in
in2
i21
i1i
ie
fb
...f
bf
b)
(R E
R+
++
++
=
37/40
MODEL KESEIMBANGAN APT
dalam hal in
i:
E(R
i )= re
turn
harapan dari se
kurita
s i
a0
= re
turn
harapan dari se
kurita
s i bila
risiko
sistematis se
besar n
ol
bin
= koefisie
n yang m
enujukkan besarnya pengaruh
faktor n
terhadap re
turn
sekurita
s i
= Premi risik
o untuk se
buah fa
ktor (m
isalnya
premi risik
o untuk F
1adalah E(F
1 ) –a0 )
�Risik
o dalam APT didefin
isi sebagai se
nsitiv
itas sa
ham
terhadap fa
ktor-fa
ktor e
konomi m
akro (b
i ),dan besarnya
return
harapan akan dipengaruhi o
leh se
nsitiv
itas te
rsebut.
nin
2i2
1i1
0i
Fb
...F
bF
ba
)E(R
++
++
=
F
38/40
•Pada dasarnya, C
APM m
erupakan m
odel
APT yang hanya m
empertim
bangkan sa
tu
faktor risik
o yaitu
risiko siste
matis p
asar.
•Dalam penerapan m
odel A
PT, b
erbagai
faktor risik
o bisa
dim
asukkan se
bagai
faktor risik
o.
MODEL APT
39/40
•Misa
lnya Chen, R
oll d
an Ross (1
986),
mengidentifik
asi e
mpat fa
ktor y
ang
mempengaruhi re
turn
sekurita
s, yaitu
:
1.Perubahan tin
gkat in
flasi.
2.Perubahan produksi in
dustri y
ang tid
ak
diantisip
asi.
3.Perubahan premi risk
-default
yang tid
ak
diantisip
asi.
4.Perubahan stru
ktur tin
gkat su
ku bunga yang
tidak diantisip
asi.
MODEL APT
40/40
