Penelitian dengan judul “Pengembangan Model Portofolio Mean-Variance Melalui Metode Estimasi Robust dan Optimasi Robust” dilakukan oleh Epha Diana Supandi dibawah bimbingan Prof.Dr. rer. nat. Dedi Rosadi, S.Si., M.Sc. dan Dr. Abdurakhman, S.Si., M.Si pada tahun 2018.
Berikut ini merupakan intisari dari penelitian tersebut.
INTISARI
Teori dasar pemilihan portofolio dicetuskan pertama kali oleh Markowitz (1952) yang menjelaskan konsep mean-variance (MV) dalam mengalokasikan asset dan managemen portofolio aktif. Vektor mean dan matriks variansi-kovariansi harus diketahui sebagai masukan dalam prosedur pembentukan portofolio optimal model MV sehingga perlu diestimasi. Estimasi parameter dapat dilakukan dengan berbagai pilihan teknik estimasi, yang pasti akan mengandung kesalahan estimasi (estimation error). Sebagai input yang sangat penting dalam pembentukan portofolio model mean-variance, kesalahan estimasi akan mempengaruhi hasil dari pembentukan portofolio optimal. Beberapa peneliti telah membangun suatu portofolio robust, yaitu portofolio yang dapat mengurangi kesalahan estimasi vektor mean dan matriks variansi-kovariansi pada portofolio model MV. Terdapat dua pendekatan standar dalam pembentukan portofolio robust optimal yaitu melalui pendekatan estimasi robust dan optimasi robust. Pembentukan portofolio optimal melalui pendekatan estimasi robust ini dilakukan dengan dua tahap. Pertama, tahap estimasi vektor mean dan matriks variansi-kovariansi melalui penduga robust. Kedua, setelah diperoleh penduga robust kemudian inputkan ke dalam model portofolio model MV, sehingga diperoleh portofolio estimasi robust model MV. Pada penelitian ini dipilih penduga robust yang memiliki breakdown yang tinggi yaitu penduga S, Constrained-M (CM) dan Fast Minimum Covariance Determinant (FMCD). Berbeda dengan pendekatan estimasi robust, pemikiran dasar dari optimasi robust adalah untuk mengurangi sensitivitas portofolio optimal akibat adanya ketidakpastian dalam mengestimasi vektor mean dan matriks variansi-kovariansi. Dalam optimasi portofolio robust, parameter inputnya dianggap tidak pasti, dalam hal ini terletak dalam sebuah himpunan ketidakpastian (uncertainty set). Selanjutnya, solusi optimal pada model ini diselesaikan pada kasus terburuk (worst case) terjadi yaitu pada saat expected return minimum dan risiko maksimum. Di dalam optimasi robust, himpunan ketidakpastian bagi parameter menentukan peran yang sangat penting. Sampai saat ini belum ada ketentuan yang jelas bagaimana menentukan himpunan ketidakpastian dengan tepat. Pada penelitian ini, dilakukan suatu pendekatan baru untuk mengkonstruksi himpunan ketidakpastian bagi vektor mean dan matriks varian-kovariansi yaitu menggunakan metode blok Bootstrap persentil. Metode ini tepat digunakan karena resampling yang dilakukan pada data (return) dibangun sedemikian rupa sehingga struktur ketergantungan antara data tidak hilang. Penentuan portofolio optimal pada kasus terburuk dalam optimasi robust merupakan salah satu kelemahan metode ini. Salah satu konsekuensi potensial dari pendekatan ini adalah keputusan sangat dipengaruhi dengan adanya pengamatan ekstrim (outlier) di himpunan ketidakpastian. Akibatnya portofolio tersebut cenderung terlalu pesimis dan tidak mampu mencapai hasil portofolio benar – benar optimal. Untuk mengatasi kendala tersebut, pada penelitian ini akan mengembangkan model portofolio optimasi robust MV yang digabungkan dengan penduga robust. Hasil dari penelitian ini adalah perumusan penduga tak bias bagi portofolio optimal model MV, perumusan model portofolio estimasi robust serta pengembangan model portofolio optimasi robust. Pada penelitian ini juga dibuat program komputasi untuk mempermudah end-user dalam memanfaatkan teori-teori yang dihasilkan. Selanjutnya model – model portofolio yang dihasilkan diaplikasikan pada data saham yang terdaftar sebagai saham blue chip. Tahap akhir penelitian ini yaitu melakukan perbandingan kinerja portofolio – portofolio tersebut dengan menggunakan analisis in-sample dan out-of-sample.
Kata kunci: portofolio mean-variance, penduga robust, optimasi robust, Bootstrap