Resume Chapter 7 Optimal Risky Portfolios and Chapter 8 Model Indeks PDF

Preview

Summary

CHAPTER 7 OPTIMAL RISKY PORTOFOLIOSKita tidak dapat menghindari risiko sama sekali karena hampir semua sekuritas dipengaruhi oleh faktor makroekonomi umum. Diversifikasi dapat mengurangi risiko ke tingkat rendah (semakinbanyakjenissaham yang dipunyaidiportofoliosemakinrendahresikonya).Risiko yang te...

Description

CHAPTER 7 OPTIMAL RISKY PORTOFOLIOS Kita tidak dapat menghindari risiko sama sekali karena hampir semua sekuritas dipengaruhi oleh faktor makroekonomi umum. Diversifikasi dapat mengurangi risiko ke tingkat rendah (semakinbanyakjenissaham yang dipunyaidiportofoliosemakinrendahresikonya).Risiko yang tetap ada bahkan setelah diversifikasi ekstensif disebut risiko pasar, risiko yang disebabkan oleh sumber risiko di seluruh pasar. Risiko semacam itu disebut juga risiko sistematis, atau risiko nondiversifiable. Sebaliknya, risiko yang dapat dihilangkan dengan diversifikasi disebut risiko unik, risiko spesifik perusahaan, risiko nonsistematis, atau risiko yang dapat didiversifikasi. Portofolio Dua Aset Berisiko Portofoliodariduaasetberisikorelatifmudahdianalisis,danmenggambarkanprinsipdanpertimbangan yang berlakuuntukportofoliobanyakaset.Manfaat potensial dari diversifikasi muncul ketika korelasi kurang dari positif sempurna. Semakin rendah korelasinya, semakin besar potensi keuntungan dari diversifikasi.Portofolio terbaik akan bergantung pada penghindaran risiko. Portofolio yang memberikan tingkat pengembalian yang lebih tinggi tetapi menimbulkan risiko yang lebih besar. Portofolio terbaik di antara pilihan-pilihan ini adalah masalah preferensi pribadi. Investor dengan penghindaran risiko yang lebih besar akan lebih memilih portofolio yang lain, dengan hasil yang diharapkan lebih rendah tetapi risiko lebih rendah. Investor tentu saja ingin bekerja dengan portofolio berisiko yang menawarkan rasio reward-tovolatility atau Sharpe tertinggi. Semakin tinggi rasio Sharpe, semakin besar hasil yang diharapkan sesuai dengan tingkat volatilitas mana pun. Cara lain untuk menjelaskannya adalah bahwa portofolio berisiko terbaik adalah yang menghasilkan garis alokasi modal (CAL) paling curam. CAL yang lebih curam memberikan keuntungan berlebih yang lebih tinggi untuk semua tingkat risiko. Langkah-langkah untuk membuat/menentukan portofolio lengkap: 1. Tentukan karakteristik pengembalian semua sekuritas (pengembalian yang diharapkan, varians, kovarians). 2. Menetapkan portofolio berisiko (alokasi aset): a. Hitung portofolio berisiko optimal, P b. Hitung properti portofolio P menggunakan bobot yang ditentukan pada langkah (a) dan Persamaan 7.2 dan 7.3yakni:

3. Alokasikan dana antara portofolio berisiko dan aset bebas risiko (alokasi modal): a. Hitung pecahan dari portfolio lengkap

Model Optimasi Portofolio Markowitz Pemilihan Keamanan Pada contoh dua aset berisiko, masalah memiliki tiga bagian.1) mengidentifikasi kombinasi risiko-pengembalian yang tersedia dari kumpulan aset berisiko. 2) mengidentifikasi portofolio optimal dari aset berisiko dengan menemukan bobot portofolio yang menghasilkan CAL paling tajam. 3) memilih portofolio lengkap yang sesuai dengan mencampurkan aset bebas risiko dengan portofolio berisiko optimal. Manajer portofolio dapat menyesuaikan rangkaian yang efisien agar sesuai dengan keinginan klien. Tentu saja, batasan apa pun memiliki harganyasendiri dalam arti bahwa batasan efisien yang dibangun tunduk pada batasandan akan menawarkan rasio Sharpe yang lebih rendah daripada rasio yang tidak terlalu dibatasi. Klien harus mengetahui hal ini dan harus mempertimbangkan dengan cermat kendala yang tidak diwajibkan oleh undang-undang. Alokasi modal dan properti pemisahan Ada cara lain untuk menemukan portofolio berisiko terbaik. Dalam pendekatan ini, kita bertanya kepada lembar kerjaProgram untuk memaksimalkan rasio portofolio Sharpe. Alasan ini layak disebut adalah bahwa kita dapat melewatkan penyusunan batas efisien sepenuhnya dan melanjutkan langsung untuk menemukan portofolio yang menghasilkan CAL paling curam. Program ini memaksimalkan rasio Sharpe dengan tidak ada kendala pada pengembalian yang diharapkan atau variasi sama sekali (menggunakan hanya keterbatasan ituBerat portofolio harus mencapai 1.0). Kekuatan diversifikasi ketika kita memegang portofolio diversifikasi, kontribusi untuk portofolio risiko keamanan tertentu akan bergantung pada kovariasi keamanan yang kembali dengan mereka dari keamanan lainnya, dan bukan pada keragaman keamanan, ini berarti bahwa premi risiko yang adil juga harus bergantung pada kovarians daripada total perbedaan laba. Alokasi aset dan seleksi keamanan Sebuah perusahaan investasi besar kemungkinan akan berinvestasi baik dalam bidang domestik maupun internasional dan dalam serangkaian kelas aset, yang masing-masing memerlukan keahlian khusus. Oleh karena itu manajemen dari setiap portofolio kelas aset perlu didesentralisasi, dan menjadi mustahil untuk secara bersamaan mengoptimalkan portofolio berisiko seluruh organisasi dalam satu tahap, meskipun ini akan dianjurkan dengan tingkat optimal secara teori. Dalam masa depan kita akan melihat bagaimana optimalisasi portofolio terdesentralisasi dapat mengingat juga dari seluruh portofolio yang merupakan bagian dari itu.

Praktek ini, oleh karena itu, untuk mengoptimalkan pemilihan keamanan dari setiap portofolio kelas aset secara mandiri. Pada saat yang sama, manajemen top terus memperbarui alokasi aset organisasi, menyesuaikan anggaran investasi yang dialokasikan untuk setiap portofolio kelas aset. Portofolio normal dan pengembalian tidak normal Teknik optimalisasi portofolio yang telah kita gunakan sejauh ini adalah distribusi normal dari laba dalam penyimpangan standar yang diambil untuk menjadi ukuran risiko yang sepenuhnya memadai. Namun, potensi hasil yang tidak normal juga mengharuskan kita memperhatikan langkah-langkah risiko yang berfokus pada kerugian kasus terburuk seperti kerugian nilai (VaR) atau kerugian yang diharapkan (ES). Suatu cara praktis untuk memperkirakan nilai VaR dan ES di hadapan ekor yang gemuk disebut bootstrapping. Kita mulai dengan sampel sejarah pengembalian setiap aset di calon portofolio kita. Kami menghitung pengembalian portofolio sesuai untuk menarik satu kembalinya dari sejarah masing-masing aset. Dengan demikian kami menghitung hipotetis (tetapi masih secara empiris berbasis), menghasilkan sebanyak mungkin portofolio acak ini sesuai dengan keinginan kami. Lima puluh ribu portofolio kembali pro- dengan cara ini dapat memberikan estimasi yang baik dari nilai VaR dan ES. Nilai estimasi bagi VaR dan ES dari portofolio optimal yang berbeda-beda berarti dapat dibandingkan dengan calon portofolio lainnya. Jika portfolios lainnya menghasilkan pendapatan yang cukup baik mencapai VaR dan nilai ES, kita mungkin lebih suka salah satunya dari portofolio yang berbeda tingkat kesehatan. Risiko pooling, risiko berbagi, dan risiko investasi jangka panjang Diversifikasi (diversifikasi) memerlukan penyebaran anggaran investasi di berbagai aset untuk membatasi risiko keseluruhan. Adalah umum, seperti yang telah kita lakukan di sini, untuk menggunakan analogi antara perusahaan asuransi menyebarkan risiko lintas kebijakan dan investor diversifikasi portofolio mereka untuk mengilustrasikan bagaimana diversifikasi mengurangi risiko. Sementara analogi itu berguna, kita sebenarnya harus sedikit berhati-hati mengenai sumber dari pengurangan risiko. Kita akan lihat di sini bahwa pengurangan risiko sebenarnya membutuhkan kedua risiko pooling (menyebar eksposur anda di beberapa uncor.Usaha berisiko) serta berbagi risiko (memungkinkan investor lain untuk berbagi dalam risiko aset portofolio). Utilitas pasar modal dalam ekonomi maju sebagian besar terletak pada pembedaan ini. Kebingungan antara peran pooling risiko dan berbagi risiko mengarah ke yang lain, kebingungan terkait. Kepercayaan yang tersebar luas, tetapi tidak benar, ialah bahwa penyebaran investasi melintasi waktu, sehingga kinerja rata - rata mencerminkan laba dalam beberapa jangka investasi, menawarkan semacam "diversifikasi waktu" "Banyak pengamat berpendapat bahwa diversifikasi waktu dapat mengurangi risiko investasi jangka panjang. Kita akan melihat bahwa memperluas cakrawala investasi berisiko adalah sama dengan risiko pooling. Namun penerapan

"prinsip asuransi" untuk investasi jangka panjang ini mengabaikan peran penting dari berbagi risiko dalam manajemen risiko portofolio, dan dapat dengan mudah menuntun pada keputusan investasi yang buruk. Investasi jangka panjang tidak selalu lebih aman. Dalam bagian ini, oleh karena itu, kami mencoba untuk mengklarifikasi isu-isu ini dan menjelajahi perluasan yang sesuai dari prinsip asuransi untuk investasi risiko atas cakrawala yang berbeda. Kita mulai dengan meninjau setiap kontribusi risiko pooling dan risiko berbagi untuk manfaat diversifikasi portofolio. Dengan wawasan ini di tangan, kita dapat memahami dengan lebih baik risiko investasi jangka panjang CHAPTER 8 MODEL INDEKS 8.1 Pasar Keamanan Satu Faktor Daftar input Model Markowitz Keberhasilan dari pemilihan aturan portofolio tergantung pada kualitas dari daftar masukan, yaitu, perkiraan keamanan yang diharapkan kembali dan matriks kovarians. Dalam jangka panjang, portofolio efisien akan mengalahkan portfolios dengan daftar masukan yang kurang dapat diandalkan dan akibatnya penjualan yang tidak bermutu hingga berisiko rendah. Dalam menerapkan model Markowitz untuk portofolio optimasi adalah bahwa kesalahan dalam penilaian atau estimasi koefisien korelasi dapat mengarah pada hasil yang tidak sensi- yang sempurna. Sistematis versus risiko spesifik Perbedaan laba yang disebabkan oleh faktor pemasaran disebut risiko keamanan yang sistematis. Komponen dari perbedaan ini sama dengan perpecahan saya pikir 2 cuman kaki tangan 2 kaki dan lebih tinggi ketika perusahaan coefisien beta saya lebih tinggi. Perusahaan "sikclical" memiliki sensitivitas yang lebih besar terhadap pasar (lebih tinggiDan karenanya memiliki risiko sistematis yang lebih besar. Komponen spesifik dari varians kembalinya adalah σ2 (el). 8.2 Model indeks tunggal Karena faktor sistematis mempengaruhi ratusan-rasio pengembalian pada semua saham, tingkat pengembalian pada indeks pasar yang luas dapat masuk akal proxy untuk faktor komunikasi tersebut. Pendekatan ini mengarah pada persamaan yang sama dengan model faktor tunggal, yang disebut model indeks tunggal karena menggunakan indeks pasar untuk mendukung faktor umum.

8.3 Memperkirakan Model Indeks Tunggal Garis Karakteristik Keamanan untuk Ford Perubahan yang lebih besar dalam kelebihan pengembalian Ford menunjukkan bahwa kita harus menemukan sensitivitas yang lebih besar dari rata-rata terhadap indeks pasar, yaitu beta yang lebih besar dari 1.0. Dengan: RFord (t) = αFord + βFord Rindex (t) + eFord (t) Persamaan tersebut menggambarkan ketergantungan (linier) dari keuntungan berlebih Ford pada pengembalian berlebih dari portofolio indeks pasar. Perkiraan regresi menggambarkan garis lurus dengan intersep αFord dan kemiringan βFord, yang kami sebut garis karakteristik keamanan Ford (SCL). Jarak vertikal setiap titik dari garis regresi adalah nilai sisa Ford, eFord (t), pada bulan tersebut. Misalnya, pada Januari 2012, ketika keuntungan berlebih pasar adalah 5,4%, garis regresi akan memperkirakan pengembalian berlebih untuk Ford ini sekitar 6,2%. Ini adalah nilai sumbu y di garis regresi yang sesuai dengan nilai sumbu x (keuntungan berlebih pasar) sebesar 5,4%. Faktanya, laba berlebih Ford di bulan Januari adalah 15,9%, yang menyiratkan bahwa pengembalian sisa di bulan ini adalah 15,9 - 6,2 = 9,7%. Ini adalah bukti dari berita khusus perusahaan yang baik yang memberikan kontribusi 9,7% terhadap tingkat pengembalian Ford. Estimasi Alfa Meskipun ini merupakan nilai ekonomi yang besar (hampir 1% per bulan), secara statistik tidak signifikan. Hal ini terlihat dari tiga statistik di samping koefisien taksiran. Yang pertama adalah kesalahan standar dari perkiraan (0,0077). Ini adalah ukuran ketidaktepatan estimasi. Jika kesalahan standar besar, kisaran kesalahan perkiraan yang mungkin juga besar. Di sini, standarnya kesalahan hampir sebesar koefisien alfa yang diperkirakan. Statistik t yang dilaporkan pada kolom berikutnya adalah rasio parameter regresi terhadap kesalahan standarnya. Statistik ini sama dengan jumlah kesalahan standar di mana perkiraan kami melebihi nol, dan oleh karena itu dapat digunakan untuk menilai kemungkinan bahwa nilai sebenarnya tetapi tidak teramati mungkin benar-benar nol daripada perkiraan yang kami peroleh dari data. Intuisi adalah bahwa jika nilai sebenarnya adalah nol, kita tidak mungkin mengamati nilai perkiraan jauh (yaitu, banyak kesalahan standar) dari nol. Statistik-t yang begitu besar menyiratkan probabilitas rendah sehingga nilai sebenarnya adalah nol. Perkiraan Beta Nilai beta dan SE-nya menghasilkan statistik-t yang besar (6.1451), dan nilai-p praktis nol. Kami dengan yakin dapat menolak hipotesis bahwa beta sejati Ford adalah nol. Hal ini tidak mengherankan mengingat Gambar 8.3, yang menunjukkan bahwa pengembalian Ford dan indeks pasar berhubungan dengan jelas. Statistik-t yang lebih menarik mungkin menguji hipotesis

bahwa beta Ford lebih besar daripada beta rata-rata pasar 1. Statistik-t ini akan mengukur berapa banyak kesalahan standar yang memisahkan perkiraan beta dari nilai yang dihipotesiskan 1. Di sini, terlepas dari poin besarnya estimasi beta Ford, ketidaktepatan estimasi (tercermin dalam kesalahan standar) menghasilkan statistik-t hanya 1,51 dan tidak memungkinkan kita untuk menolak hipotesis bahwa beta sebenarnya adalah 1. 8.4 Versi Industri dari Model Indeks Manajer portofolio yang tidak memiliki informasi khusus tentang keamanan atau wawasan yang tidak tersedia untuk masyarakat umum akan menganggap nilai alpha keamanan sebagai nol, dan, menurut Persamaan 8.6, akan memperkirakan premi risiko untuk keamanan yang sama dengan βiRM. Jika kami menyatakan kembali perkiraan ini dalam hal pengembalian total, orang akan berharap E (ri) = rf + βi [E (rM) - rf] (8.15) 8.5 Konstruksi Portofolio Menggunakan Model Indeks Tunggal Pada bagian ini, kita melihat implikasi dari model indeks untuk konstruksi portofolio. Teknikteknik ini awalnya dikembangkan oleh Jack Treynor dan Fischer Black dan umumnya disebut model Treynor-Black.12 Tujuan kami sama seperti di bab sebelumnya, pembentukan portofolio dengan trade-off risiko-pengembalian yang efisien, tetapi mengingat penyederhanaan yang ditawarkan oleh model indeks, teknik kami akan berbeda. Kita akan melihat bahwa model indeks menawarkan beberapa keuntungan, tidak hanya dalam hal estimasi parameter, tetapi juga untuk penyederhanaan analitik dan desentralisasi organisasi yang dimungkinkan. Daftar Input Model Indeks Tunggal Jika manajer portofolio berencana untuk menyusun portofolio dari daftar n perusahaan yang diteliti secara aktif ditambah portofolio indeks pasar pasif seperti S&P 500, daftar masukan akan mencakup perkiraan berikut: 1. Premi risiko pada portofolio S&P 500. 2. Deviasi standar portofolio S&P 500. 3. n set perkiraan (a) koefisien beta, (b) varian sisa stok, dan (c) nilai alpha. Nilai alfa, bersama dengan premi risiko S&P 500 dan beta dari setiap keamanan, menentukan pengembalian yang diharapkan pada setiap keamanan....