analisis fenomena market anomaly month of the year...
TRANSCRIPT
ANALISIS FENOMENA MARKET ANOMALY MONTH OF THE YEAR
EFFECT TERHADAP RETURN
(Studi Kasus Indeks - Indeks Indonesia dan indeks World Major Tahun 2010 - 2016)
SKRIPSI
Diajukan Kepada Fakultas Ekonomi dan Bisnis
Untuk Memenuhi Persyaratan Memperoleh Gelar Sarjana Ekonomi
Oleh
ASRI LESTARI
NIM: 1112081000028
JURUSAN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
1438 H/2017 M
vi
DAFTAR RIWAYAT HIDUP
IDENTITAS DIRI
Nama : Asri Lestari
Tempat Tanggal Lahir : Jakarta, 12 Juni 1994
Agama : Islam
Alamat : Jl. Syamsi 1 blok A No. 82 – 83 RT 01 RW 13 Villa
Ilhami. Karawaci – Tangerang 15810
Telp / HP : 021 54201628 / 0896 88682 592
Email : [email protected]
PENDIDIKAN FORMAL
2000 – 2006 SD Islamic Village
2006 – 2009 SMP plus Islamic Village
2009 – 2012 SMAN 8 Tangerang
2012 – 2017 Universitas Islam Negeri Syarif Hidayatullah Jakarta
PENDIDIKAN NON-FORMAL
2013 Peserta Sosialisasi Kebijakan Fiskal Dengan Materi
“Kebijakan Fiskal dalam Menghadapi Masyarakat
Ekonomi ASEAN dan Ekonomi Hijau” yang
Diselenggarakan oleh Badan Kebijakan Fiskal,
Kementerian Keuangan Republik Indonesia.
2013 Peserta “Seminar Sosialisasi Penghematan Listrik dan
Energi” yang Diselenggarakan Badan Eksekutif
Mahasiswa Fakultas Eknomi dan Bisnis UIN Jakarta.
vii
2014 Peserta Kegiatan Company Visit PT.Yakult Indonesia
Persada yang diselenggarakan oleh Himpunan
Mahasiswa Jurusan Manajemen Fakultas Ekonomi dan
Bisnis UIN Jakarta.
2014 Peserta Seminar Pasar Modal bersama Panin Sekuritas,
Panin Asset Management dan Bursa Efek Indonesia,
UIN Syarif Hidayatullah Jakarta
PENGALAMAN ORGANISASI
2009 – 2012 Anggota Ekstrakurikuler Karya Ilmiah Remaja (KIR)
SMAN 8 Tangerang
2013 – 2014 Anggota Divisi Informasi dan Komunikasi Himpunan
Mahasiswa Jurusan Manajemen UIN Syarif
Hidayatullah Jakarta
viii
ABSTRACT
This research aim is to analyze the market anomaly month of the year effect on return
in Indonesian and world major indexes during the period of 2010 – 2016. The sample
period divided into two sub-period, there are sub-period 2010 – 2013 and sub-period
2014 – 2016 in order to indicate the persistence of month of the year effect. The sample
selection method used in this research is a purposive sampling method or known as a
judgmental sampling method of weekly return from Indonesian’s indexes and world
major’s indexes based on certain criteria. As the result, the samples that meet the
criteria are consist of 6 Indonesian indexes (BISNIS27, JKSE, KOMPAS100, LQ45,
PEFINDO25, SRIKEHATI) and 4 world major’s indexes (CAC40 from France, DAX
from Germany, FTSE100 from England, IBEX35 from Spain). Ordinary least squares
(OLS) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH) (1,
1) model is used to analyze the data. The finding shows anomaly month of the year
effect exists in some of Indonesia’s indexes and world major’s indexes during the
research period with various occurrences. A few number of month of the year effect
anomalies in earliest sub-period (2010 – 2013) diminishing in the next sub-period. In
conclusion that the intensity of month of the year anomalies is diminishing with time.
September effects can be found in most of Indonesian’s indexes such as JKSE in earlier
sub-period. January and April effect too can be found in the later sub-period. For the
major world indexes, May effect can be found in IBEX35 (Spain) in the earlier sub-
period and February effect can be found in FTSE100 (England) in the later sub-period.
The research also indicates that the month of the year effects were more persistent
among indexes with smaller market capitalization.
Keywords: market anomalies, month of the year effect, return, GARCH model
ix
ABSTRAK
Tujuan dari penelitian ini adalah untuk menganalisis anomali pasar month of the year
effect pada return indeks Indonesia dan indeks world major selama periode 2010 –
2016. Periode sampel dibagi menjadi dua sub-periode, sub-periode 2010 – 2013 dan
sub-periode 2014 – 2016 untuk menunjukan persistansi month of the year effect.
Metode pemilihan sampel pada penelitian ini adalah dengan menggunakan purposive
sampling method atau sering dikenal sebagai judgmental sampling method terhadap
return mingguan dari indeks Indonesia dan indeks world major berdasarkan kriteria
tertentu. Sebagai hasilnya, sampel yang memenuhi keriteria terdiri dari 6 indeks
Indonesia (BISNIS27, JKSE, KOMPAS100, LQ45, PEFINDO25, SRIKEHATI) dan 4
indeks world major (CAC40 dari Perancis, DAX dari Jerman, FTSE100 dari Inggris,
IBEX35 dari Spanyol). Model Ordinary least squares (OLS) dan Generalized
Autoregressive Conditional Heteroskedasticity (GARCH) (1, 1) digunakan untuk
menganalisa data. Temuan menunjukan bahwa anomaly month of the year effect ada
pada beberapa indeks Indonesia dan indeks world major selama periode penelitian
dengan beberapa kejadian. Jumlah beberapa anomali month of the year effect pada awal
sub-periode (2010 – 2013) semakin menurun pada sub-periode selanjutnya. Dapat
disimpulkan bahwa intensitas month of the year effect berkurang seiring dengan
berjalannya waktu. Efek September dapat ditemukan di sebagian besar indeks
Indonesia seperti JKSE pada sub-periode awal. Efek Januari dan April juga dapat
ditemukan di sub-periode selanjutnya, untuk indeks world major, efek bulan Mei dapat
ditemukan di IBEX35 (Spanyol) pada sub-periode awal dan efek Februari dapat
ditemukan pada FTSE100 (Inggris) pada sub-periode selanjutnya. Penelitian ini juga
menunjukan bahwa month of the year effect lebih persisten diantara indeks – indeks
dengan kapitalisasi pasar yang kecil.
Kata kunci: anomaly pasar, month of the year effect, return, model GARCH
x
KATA PENGANTAR
Bismillahirrahmanirrahim,
Segala Puji bagi Allah SWT, karena telah memberikan rahmat dan karunia-
NYA. Shalawat serta salam semoga selalu tercurahkan kepada junjungan besar Nabi
Muhammad SAW yang telah memberikan suri tauladan, serta kepada keluarga, para
sahabatnya dan kepada umatnya hingga akhir zaman.
Skripsi yang berjudul “Analisis Fenomena Market Anomaly Month of the year
effect Terhadap Return (Studi Kasus Indeks Indonesia dan indeks World Major
Tahun 2010 - 2016)” ini kami susun untuk memenuhi salah satu syarat guna
memperoleh gelar Sarjana Ekonomi pada Universitas Islam Negeri Syarif Hidayatullah
Jakarta.
Penulis menyadari bahwa dalam penyusunan dan penulisan skripsi ini tidak lepas
dari bantuan, bimbingan serta dukungan dari berbagai pihak. Oleh Karena itu, penulis
sampaikan rasa terima kasih yang sedalam – dalamnya kepada :
1. Allah SWT atas segala karunia, nikmat, hidayah, rahmat serta kasih sayang-Nya
sehingga penulis dapat menyelesaikan penulisan skripsi ini.
2. Kedua orang tua tercinta, yang selalu menasehati, mendoakan dan menjadi inspirasi
untuk penulis. Yang telah merawat dan membesarkan penulis dengan kasih sayang,
serta selalu memberikan semangan dan dukungan kepada penulis untuk segera
menyelesaikan skripsi ini.
3. Kakak dan adik tercinta, Rizka Utami Putri dan Muhammad Ilham Putradharma
yang telah mendoakan dan memberikan dukungannya kepada penulis untuk
menyelesaikan skripsi ini.
4. Hari Aprianto dan Dara Mawar Jelita yang telah membantu penulis dengan
memberikan dukungan dan selalu memberi motivasi kepada penulis untuk segera
menyelesaikan skripsi ini.
5. Bapak Dr. M. Arief Mufraini, Lc., M.Si selaku Dekan Fakultas Ekonomi dan Bisnis
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
6. Ibu Titi Dewi Warninda, M.Si selaku Ketua Jurusan Manajemen Fakultas Ekonomi
dan Bisnis Universitas Islam Negeri Syarif Hidayatullah Jakarta.
7. Ibu Dr. Hj. Pudji Astuty, SE., MM selaku dosen pembimbing I yang telah
meluangkan waktunya untuk membimbing penulis dalam penyelesaian skripsi ini
xi
dan tak henti memberikan semangat kepada penulis sejak awal hingga akhirnya
skripsi ini terselesaikan.
8. Bapak Taridi Kasbi Ridho, SE., MBA, sebagai dosen pembimbing II yang telah
bersedia membantu membimbing penulis dalam menyelesaikan skripsi ini dari
sejak awal penulisan hingga sripsi ini selesai.
9. Seluruh Bapak/Ibu Dosen Fakultas Ekonomi dan Bisnis Universitas Islam Negeri
Syarif Hidayatullah Jakarta yang telah sabar dan ikhlas mendidik dan memberikan
ilmunya kepada penulis. Insha Allah ilmu yang diberikan dapat bermanfaat.
10. Seluruh staf pengajar dan karyawan Universitas Islam Negeri Syarif Hidayatullah
Jakarta yang telah membantu penulis dalan proses penyelesaian skripsi ini.
11. Hersinta Pusdika, Annisa Rivelia, Fikri Choirunnisa, Yulvie Sabriani, Lutfi wijaya,
Achmad Fauzi, Alilfikram Mughofir yang sejak awal perkuliahan sudah menjadi
teman baik, tempat berbagi suka dan duka.
12. Rekan Manajemen Keuangan 2012 yang selalu ada setiap saat untuk mengingatkan
tugas, mengerjakan tugas dan pertemanan yang indah.
13. Sahabat/i Manajemen 2012 seperjuangan, yang selama ini bersedia bertukar
pikiran, saling menasehati dan memberikan motivasi. Sukses untuk kita semua!
Akhir kata, dengan penuh rasa hormat dan kerendahan hati, saya mengucapkan
terima kasih kepada semua pihak yang tidak dapat disebutkan satu persatu. Semoga
segala bentuk bantuan yang telah diberikan mendapat pahala yang berlipat dari Allah
SWT. Penulis berharap semoga skripsi ini dapat memberikan manfaat bagi penulis
serta pembaca.
Tangerang, 6 April 2017
(Asri Lestari)
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
LEMBAR PENGESAHAN SKRIPSI ........................................................... ii
LEMBAR PENGESAHAN UJIAN KOMPREHENSIF ............................ iii
LEMBAR PENGESAHAN UJIAN SKRIPSI ............................................. iv
LEMBAR PERNYATAAN KEASLIAN KARYA ILMIAH ...................... v
DAFTAR RIWAYAT HIDUP ...................................................................... vi
ABSTRACT ................................................................................................... viii
ABSTRAK ...................................................................................................... ix
KATA PENGANTAR ..................................................................................... x
DAFTAR ISI .................................................................................................. xii
DAFTAR TABEL ........................................................................................ xiv
DAFTAR GAMBAR .................................................................................... xvi
DAFTAR LAMPIRAN ............................................................................... xvii
BAB I PENDAHULUAN .......................................................................... 1
A. Latar Belakang Masalah ........................................................................ 1
B. Rumusan Masalah ................................................................................. 7
C. Tujuan Penelitian .................................................................................. 7
D. Manfaat Penelitian ................................................................................ 8
BAB II TINJAUAN PUSTAKA ................................................................ 9
A. Landasan Teori ...................................................................................... 9
1. Pasar Modal ..................................................................................... 9
a. Pengertian Pasar Modal............................................................. 9
b. Manfaat Pasar Modal .............................................................. 10
c. Fungsi Pasar Modal ................................................................. 11
d. Jenis Pasar Modal .................................................................... 12
2. Pasar Modal Efisien ...................................................................... 13
3. Market Anomaly ............................................................................ 17
a. Pengertian Market Anomaly .................................................. 17
b. Jenis Anomali Pasar............................................................... 19
c. Month of the year Effect ........................................................ 21
xiii
4. Return Saham ................................................................................ 23
B. Penelitian Terdahulu ........................................................................... 24
C. Kerangka Pemikiran ............................................................................ 41
D. Perumusan Hipotesis ........................................................................... 44
BAB III METODE PENELITIAN .......................................................... 45
A. Ruang lingkup penelitian .................................................................... 45
B. Metode penentuan sampel ................................................................... 45
C. Metode Pengumpulan Data ................................................................. 46
D. Metode Analisis Data .......................................................................... 47
E. Operasional variable............................................................................ 57
BAB IV HASIL DAN PEMBAHASAN .................................................. 59
A. Sekilas Gambaran Umum Objek Penelitian ........................................ 59
1. Gambaran Umum Indeks yang termasuk Indeks
Indonesia ....................................................................................... 59
a. JKSE ...................................................................................... 59
b. LQ45 ...................................................................................... 59
c. BISNIS27............................................................................... 62
d. KOMPAS100......................................................................... 64
e. PEFINDO25 .......................................................................... 66
f. SRIKEHATI .......................................................................... 68
2. Gambaran Umum Indeks yang termasuk Indeks
World Major ................................................................................ 70
a. IBEX35 .................................................................................. 70
b. CAC40 ................................................................................... 71
c. DAX....................................................................................... 72
d. FTSE100 ................................................................................ 74
B. Deskriptif analisis Data ....................................................................... 77
C. Pengujian Month of the Year Effect .................................................... 83
1. Metode Regresi OLS ..................................................................... 83
2. Metode ARCH-GARCH ............................................................... 90
BAB V PENUTUP .................................................................................. 104
A. Kesimpulan ....................................................................................... 104
B. Implikasi ............................................................................................ 106
C. Saran .................................................................................................. 107
DAFTAR PUSTAKA .................................................................................. 108
LAMPIRAN ................................................................................................. 112
xiv
DAFTAR TABEL
No. Keterangan Halaman
1.1 Rata – rata return pasar bulanan periode 2010 – 2016 4
2.1 Jenis Anomali Pasar 19
2.2 Ringkasan Penelitian Terdahulu 35
3.1 Daftar Indeks yang Menjadi Sampel Penelitian 46
4.1 Daftar Saham – saham yang terdaftar di indeks LQ45 61
4.2 Daftar Saham – saham yang terdaftar di indeks BISNIS27 63
4.3 Daftar Saham – saham yang terdaftar di indeks KOMPAS100 64
4.4 Daftar Saham – saham yang terdaftar di indeks PEFINDO25 67
4.5 Daftar Saham – saham yang terdaftar di indeks SRIKEHATI 69
4.6 Daftar Saham – saham yang terdaftar di indeks IBEX35 70
4.7 Daftar Saham – saham yang terdaftar di indeks CAC40 72
4.8 Daftar Saham – saham yang terdaftar di indeks DAX 73
4.9 Daftar Saham – saham yang terdaftar di indeks FTSE100 75
4.10 Uji Deskriptif statistik periode 2010 – 2016 79
4.11 Uji Deskriptif statistik sub-periode 2010 – 2013 80
4.12 Uji Deskriptif statistik sub-periode 2014 – 2016 81
4.13 Uji Stasioneritas Return Indeks 84
4.14 Uji Autokorelasi Return Indeks 86
4.15 Uji Heteroskedestisitas Return Indeks 87
4.16 Hasil Uji Regresi OLS Periode 2010-2016 87
4.17 Hasil Uji Regresi OLS Sub-Periode 2010-2013 88
4.18 Hasil Uji Regresi OLS Sub-Periode 2014-2016 88
4.19 Hasil Uji GARCH (1,1) Periode 2010-2016 92
4.20 Hasil Uji GARCH (1,1) Sub-Periode 2010-2013 93
xv
4.21 Hasil Uji GARCH (1,1) Sub-Periode 2014-2016 93
4.22 Hasil penjumlahan koefisien ARCH-GARCH 94
4.23 Hasil uji ARCH-LM 95
4.24 Rangkuman Uji Keberadaan Month of the Year Effect
periode 2010-2016 97
4.25 Rangkuman Uji Keberadaan Month of the Year Effect
sub-periode 2010-2013 98
4.26 Rangkuman Uji Keberadaan Month of the Year Effect
sub-periode 2014-2016 99
xvi
DAFTAR GAMBAR
No Keterangan Halaman
1.1 Rata – rata return pasar bulanan periode 2010 – 2016 5
2.1 Tingkat kumulatif efisiensi pasar dan informasi terkait
dengan setiap tingkat 16
2.2 Grafik Penyesuaian harga sebagai reaksi terhadap informasi
positif pada Pasar efisien dan pasar tidak efisien 18
2.3 Kerangka Pemikiran 43
4.1 Pergerakan return indeks periode 2010-2016 77
xvii
DAFTAR LAMPIRAN
Keterangan Halaman
Lampiran 1: Uji Regresi Linier Return Indeks Periode 2010 – 2016 112
Lampiran 2: Uji Regresi Linier Return Indeks Periode 2010 – 2013 122
Lampiran 3: Uji Regresi Linier Return Indeks Periode 2014 – 2016 132
Lampiran 4: Uji GARCH (1,1) Return Indeks Periode 2010 – 2016 142
Lampiran 5: Uji GARCH (1,1) Return Indeks Periode 2010 – 2013 152
Lampiran 6: Uji GARCH (1,1) Return Indeks Periode 2014 – 2016 162
1
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Pasar modal merupakan suatu sarana penting dalam
perekonomian yang berfungsi memobilisasi dana dari masyarakat ke
sektor produktif. Perusahaan sebagai pihak yang membutuhkan dana
dapat menghimpun dana melalui pasar modal dengan menjual
sahamnya kepada publik atau menerbitkan surat hutang, sedangkan
investor sebagai pihak yang memiliki dana dapat mempergunakan pasar
modal sebagai salah satu alternatif investasi guna memperoleh
keuntungan (Nursanti, 2015).
Semakin besar keuntungan yang diperoleh investor semakin
besar pula risiko yang harus bersedia ditanggung. Oleh karena itu,
investor membutuhkan informasi relevan dalam mengambil keputusan
investasi. Informasi relevan mengenai kondisi dan arah pasar akan
mudah diperoleh investor apabila pasar dalam keadaan efisien
(Maharani dan Witiastuti, 2015).
Pasar efisien adalah pasar yang mampu menunjukkan harga
saham sebenarnya, serta dapat memberikan jaminan atas kebenaran
keadaan yang ditampilkan (Suad, 1998:264). Penelitian atas efisiensi
2
suatu pasar modal banyak dilakukan. Penelitian – penelitian tersebut
menemukan hal-hal yang berlawanan dengan konsep pasar modal
efisien di beberapa pasar modal, yaitu saat keadaan saham tidak sesuai
dengan informasi yang ada (Suad, 1998:271).
Bodie (2014:364) telah mengklasifikasikan tiga kategori
efisiensi pasar berdasarkan informasi yaitu efisiensi pasar bentuk lemah
(weak form efficiency), efisiensi pasar bentuk setengah kuat (semi
strong form efficiency), dan efisiensi pasar bentuk kuat (strong form
efficiency). Pada pasar dengan efisiensi lemah harga sekuritas secara
penuh mencerminkan informasi masa lalu. Efisiensi pasar bentuk
setengah kuat adalah harga saham secara penuh mencerminkan semua
informasi yang dipublikasikan, sehingga investor tidak akan
memperoleh abnormal return hanya dengan memanfaatkan informasi
publik. Sedangkat efisiensi pasar bentuk kuat yaitu harga saham
mencerminkan semua informasi yang tersedia, baik informasi privat
maupun yang dipublikasikan.
Kondisi tersebut sebenarnya dapat dicermati dan dimanfaatkan
oleh para investor agar dapat memiliki keputusan yang tepat saat
menjual atau membeli saham. Pembahasan mengenai pengujian pasar
efisien tidak bisa terlepas dari membahas tentang adanya penyimpangan
dan ketidak-teraturan yang terkait dengan hipotesis pasar efisien.
3
Penyimpangan dan ketidakteraturan tersebut di sebut dengan anomali
pasar (market anomaly).
Menurut Virginita Pandansari (2008) dalam Saputro (2014),
Berbagai kondisi yang terjadi di dalam suatu pasar modal akan
menimbulkan berbagai dampak yang dapat terlihat dari fluktuasi harga
saham di pasar modal. Kondisi yang tidak dapat diprediksi dengan
paradigma atau teori empiris dalam pasar modal biasa disebut dengan
anomali pasar. Dengan kata lain anomali pasar merupakan gejala
penyimpangan atau ketidak-konsistenan terhadap hipotesis pasar
modal.
Salah satu anomaly market tersebut adalah month of the year
effect. Menurut Jahfer (2015), month of the year effect artinya adalah
return saham dalam beberapa bulan lebih tinggi dari bulan-bulan
lainnya. Temuan yang paling umum dan menarik dari penelitian di atas
anomali efek bulan dalam setahun adalah "efek Januari" dan "efek
April". Hal ini sangat beralasan bahwa pengembalian saham pada
Januari dan bulan April yang berbeda dan signifikan dari bulan lain dari
hasil tahun. Ini sangat melanggar hipotesis pasar yang efisien (EMH)
yang sebagian dikembangkan oleh Fama di tahun 1960-an.
Dengan demikian, maka harga saham dapat mengalami
kenaikan maupun penurunan dari bulan ke bulan dalam satu tahun
perdagangan di pasar modal. Perilaku ini disebut month of the year
4
effect. Month of the year effect lebih mengacu pada adanya perbedaan
atas return bulanan pada tiap bulan dalam satu tahun.
Dikarenakan pada penelitian penelitian terdahulu dapat ditemukan
adanya fenomena market anomaly month of the year effect terhadap
return, maka berikut ini adalah tabel dan grafik data rata – rata return
IHSG secara bulanan yang menunjukan adanya perbedaan return pada
tiap – tiap bulan.
Tabel 1.1
Rata – rata return pasar bulanan periode 2010 – 2016
2010 2011 2012 2013 2014 2015 2016 Rata -
rata
Januari 0.0299 -0.0831 -0.0831 0.0299 0.0412 0.0106 0.0076 -0.0067
Februari -0.0239 0.0172 0.0172 0.0729 0.0472 0.0323 0.0321 0.0279
Maret 0.0858 0.0582 0.0582 0.0293 0.0382 0.0120 0.0177 0.0428
April 0.0674 0.0375 0.0375 0.0215 0.0091 -0.0812 -0.0010 0.0130
Mei -0.0606 0.0045 0.0045 0.0096 0.0100 0.0239 -0.0067 -0.0021
Juni 0.0410 0.0133 0.0133 -0.0475 -0.0046 -0.0596 0.0438 -0.00005
Juli 0.0523 0.0605 0.0605 -0.0313 0.0424 -0.0250 0.0368 0.0280
Agustus 0.0038 -0.0728 -0.0728 -0.0963 0.0119 -0.0578 0.0199 -0.0377
September 0.1277 -0.0795 -0.0795 0.0281 -0.0043 -0.0598 -0.0007 -0.0097
Oktober 0.0376 0.0662 0.0662 0.0443 -0.0115 0.0515 0.0035 0.0368
November -0.0291 -0.0200 -0.0200 -0.0498 0.0092 0.0009 -0.0533 -0.0231
Desember 0.0477 0.0283 0.0283 0.0012 0.0148 0.0195 0.0245 0.0235
Sumber: data sekunder yang diolah (2017)
5
Gambar 1.1
Rata – rata return pasar bulanan periode 2010 – 2016
Sumber: data sekunder yang diolah (2017)
Berdasarkan tabel 1.1 dan gambar 1.1 diatas dapat dilihat adanya
fluktuasi rata – rata return pasar bulanan selama periode 2010 sampai
dengan 2016. Fluktuasi return tersebut disebabkan keputusan dan
persepsi investasi investor yang berbeda – beda tiap bulan. Sejak
pertengahan abad 1970-an, sejumlah penelitian empiris tentang
berbagai anomali pasar tersebut telah banyak dilakukan. Salah satunya
adalah penelitian Nopphon Tangjitprom (2011) Menguji indeks SET
dan indeks SET50 dengan menggunakan model regresi dan model
-0.1500
-0.1000
-0.0500
0.0000
0.0500
0.1000
0.1500
2010 2011 2012 2013
2014 2015 2016 Rata - rata
6
GARCH (1,1). Hasil menyatakan signifikan terjadi efek bulan
Desember dan efek bulan Januari.
S.C.Thushara dan Prabath Perera (2013) menguji efek bulan
pada tahun dan January effect yang hadir di Bursa Efek Colombo
(Colombo Stock Exchange / CSE) berdasarkan data dari periode Januari
2000 hingga Desember 2011. Metode yang digunakan adalah Regresi
dan GARCH (1,1). Hasil Penelitian terdapat efek bulan pada tahun
(month of the year effect) di return harian saham yang diperdagangkan
di CSE. Pada CSE terdapat Efek Januari, Efek Februari, Efek April, dan
Efek September positif.
Aditya Probo Saputro dan Sukirno (2014) menguji Day of The
Week Effect Dan Month of The Year Effect pada IHSG. Metode yang
digunakan adalah Regresi dan t-test. Dari hasil penelitian dapat
disimpulkan bahwa Day of The Week Effect dan Month of The Year
Effect telah terjadi pada pasar modal Indonesia. Dari penelitian ini dapat
dilihat bahwa adanya efek bulan Januari, Maret, Mei dan Agustus
berpengaruh terhadap return indeks pasar.
Berdasarkan uraian diatas peneliti mencoba melakukan
penelitian mengenai anomali pasar dalam hal ini month of the year effect
terhadap return, maka penelitian ini berjudul “Analisis Fenomena
Market Anomaly Month of the Year Effect Terhadap Return (Studi
7
Kasus Indeks - Indeks Indonesia dan Indeks world major Tahun
2010 - 2016)”.
B. Rumusan Masalah
Pada dasarnya, orientasi tingkat return yang diharapkan oleh
hampir seluruh investor harusnya didasarkan keputusan investasi yang
tepat dalam memasuki perdagangan dan transaksi di pasar modal. Salah
satu cara membuat keputusan investasi yang tepat adalah dengan
pengetahuan tentang pola return saham untuk melihat bentuk efisiensi
pasar modal serta melihat penyimpangannya (anomali) yang
ditimbulkan, dalam penelitian ini adalah month of the year effect.
Berdasarkan alasan tersebut, maka rumusah masalah dalam penelitian
ini adalah :
1. Apakah terdapat month of the year effect terhadap return saham
Indeks - Indeks Indonesia selama periode penelitian?
2. Apakah terdapat month of the year effect terhadap return indeks
world major selama periode penelitian?
C. Tujuan Penelitian
Berdasarkan pada perumusah masalah diatas, maka tujuan penelitian ini
adalah sebagai berikut :
1. Untuk menganalisis month of the year effect terhadap return Indeks
- Indeks Indonesia selama periode penelitian.
8
2. Untuk menganalisis month of the year effect terhadap return indeks
world major selama periode penelitian.
D. Manfaat Penelitian
Manfaat penelitian yang diharapkan dapat diperoleh dari hasil
penelitian ini adalah:
1. Bagi akademisi, untuk menambah kepustakaan di bidang ilmu
pengetahuan dan untuk memperkaya kajian ilmiah.
2. Bagi penulis, hasil penelitian dapat digunakan untuk memperdalam
ilmu pengetahuan mengenai month of the year effect terhadap
return.
3. Bagi umum, dapat memberikan sumbangan ilmu pengetahuan
khususnya manajemen konsentrasi keuangan dan bagi mahasiswa
yang mempunyai minat yang sama dengan penulis.
9
BAB II
TINJAUAN PUSTAKA
A. Landasan Teori
1. Pasar Modal
a. Pengertian Pasar Modal
Sesuai dengan Undang-Undang Pasar Modal No. 8 Tahun 1995
pengertian pasar modal adalah kegiatan yang bersangkutan dengan
penawaran umum dan perdagangan efek, perusahaan publik yang
berkaitan dengan efek yang di terbitkannya, serta lembaga profesi yang
bekaitan dengan efek. Pasar modal merupakan tempat bertemunya
antara penjual dan pembeli dengan resiko untung dan rugi, sarana
perusahaan untuk meningkatkan kebutuhan dana jangka panjang
dengan menjual saham atau mengeluarkan obligasi. Saham merupakan
bukti kepemilikan sebagian dari perusahaan. Obligasi (bond)
merupakan suatu kontrak yang mengharuskan peminjam untuk
membayar pokok pinjaman ditambah dengan bunga dalam kurun waktu
tertentu yang sudah disepakati.
Pasar modal merupakan suatu sarana penting dalam
perekonomian yang berfungsi memobilisasi dana dari masyarakat ke
10
sektor produktif. Perusahaan sebagai pihak yang membutuhkan dana
dapat menghimpun dana melalui pasar modal dengan menjual
sahamnya kepada publik atau menerbitkan surat utang, sedangkan
investor sebagai pihak yang memiliki dana dapat mempergunakan pasar
modal sebagai salah satu alternatif investasi guna memperoleh
keuntungan (Nursanti, 2015).
b. Manfaat Pasar Modal
Manfaat Pasar modal adalah sebagai berikut (Sunariyah, 2011:9) :
1) Menyediakan sumber pembiayaan (jangka panjang) bagi dunia
usaha sekaligus memungkinkan alokasi sumber dana secara
optimal.
2) Memberikan wahana investasi bagi investor sekaligus
memungkinkan upaya diversifikasi.
3) Menyediakan lending indikator bagi tren ekonomi negara.
4) Penyebaran kepemilikan perusahaan sampai lapisan masyarakat
menengah.
5) Penyebaran kepemilikan, keterbukaan dan profesionalisme,
menciptakan iklim berusaha yang sehat.
6) Menciptakan lapangan kerja / profesi yang menaik.
7) Memberikan kesempatan memiliki perusahaan yang sehat dan
memiliki prospek.
11
c. Fungsi Pasar modal
Sebagai pasar berbagai instrumen keuangan jangka panjang yang
biasa diperjualbelikan Pasar modal menjalankan dua fungsi sebagai
berikut (Sunariyah, 2011:9) :
1) Fungsi Sebagai Ekonomi
Pasar modal menyediakan fasilitas atau wahana yang
mempertemukan dua kepentingan, yaitu investor pihak yang
memiliki kelebihan dana dan issuer pihak yang memerlukan dana.
Dengan adanya pasar modal maka pihak yang memiliki kelebihan
dana dapat menginvestasikan dana tersebut dengan harapan
memperoleh return (imbalan) sedangkan pihak issuer dalam hal ini
perusahaan yang dapat memanfaatkan dana tersebut untuk
kepentingan investasi tanpa harus menunggu tersedianya dana dari
operasional perusahaan.
2) Fungsi Sebagai Keuangan
Pasar modal memberikan kemungkinan dan kesempatan
memperoleh return (imbalan) bagi pemilik dana, sesuai dengan
karateristik investasi yang dipilih. Dengan adanya pasar modal
diharapkan aktifitas perekonomian menjadi meningkat karena pasar
modal merupakan alternatif pendanaan bagi perusahaan-
12
perusahaan. Sehingga perusahaan dapat beroperasi dengan skala
yang lebih besar dan pada gilirannya akan meningkatkan
pendapatan perusahaan dan kemakmuran masyarakat luas.
d. Jenis Pasar modal
Jenis - jenis pasar modal dapat dikategorikan menjadi 4 pasar, yaitu
sebagai berikut (Samsul, 2006:46) :
1) Pasar Pertama
Pasar pertama merupakan tempat atau sarana bagi perusahaan
yang untuk pertama kali menawarkan saham atau obligasi
kemasyarakat umum. Penawaran umum awal ini, yang disebut
jugainitial public offering (IPO) telah merubah dari perseroan
tertutup menjadi perseroan terbuka (Tbk).
2) Pasar Kedua
Pasar kedua adalah tempat atau sarana transaksi jual-beli efek
antar investor dan harga dibentuk oleh investor melalui perantara
efek.
3) Pasar Ketiga
Pasar ketiga adalah sarana transaksi jual-beli efek antara market
maker serta investor dan harga dibentuk oleh market maker.
Investor dapat memilih market maker yang memberi harga terbaik.
Market maker adalah anggota bursa. Pada market maker ini akan
bersaing dalam menentukan harga saham, karena satu jenis saham
13
dipasarkan oleh lebih dari satu market maker. Jadi, pasar ketiga
bukan merupakan bursa efek berskala kecil tetapi berskala besar
bahkan sangat besar.
4) Pasar Keempat
Pasar keempat adalah sarana transaksi jual-beli antara investor
jual dan investor beli tanpa melalui perantara efek. Transaksi
dilakukan secara tatap muka antara investor beli dan investor jual
untuk saham atas pembawa. Pasar keempat ini hanya dilaksanakan
oleh para investor besar karena dapat menghemat biaya transaksi
daripada jika dilakukan dipasar kedua.
2. Pasar Modal Efisien
Penelitian statistik telah menunjukkan bahwa taksiran harga saham
yang dekat terlihat mengikuti langkah random walk dengan pola yang tidak
dapat dilihat atau diramalkan yang investor dapat manfaatkan. Temuan
tersebut sekarang digunakan segabai bukti efisiensi pasar, yakni bukti
bahwa harga pasar mencerminkan seluruh informasi yang tersedia saat ini.
Hanya informasi baru yang akan menggerakkan harga saham, dan informasi
ini mungkin sama dengan kabar baik atau kabar buruk (Bodie, 2014;329).
Efisiensi pasar dapat didefinisikan sebagai hubungan antar harga-harga
sekuritas dengan informasi yang beredar. Suatu pasar dikatakan efisien
apabila tidak seorangpun, baik investor individu maupun investor institusi,
akan mampu memperoleh abnormal return, setelah disesuaikan dengan
14
risiko, dengan menggunakan strategi perdagangan yang ada (Christian dan
Lestari, 2013).
Pasar efisien adalah pasar dimana semua harga sekuritas secara tepat
dan cepat dapat merefleksikan informasi yang ada (Fama, 1970).
Bodie (2014;364) membedakan tiga jenis hipotesis pasar efisien
berdasarkab “seluruh informasi yang tersedia” yaitu sebagai berikut:
a. Hipotesis bentuk lemah (weak form) menyatakan bahwa harga
saham sudah mencerminkan seluruh informasi yang dapat diperoleh
dengan memeriksa data perdagangan pasar semisal riwayat harga di
masa lalu, volum perdagangan, atau suku bunga jangka pendek. Jeni
hipotesis ini menyatakan bahwa analisis tren tidaklah berguna. Data
harga saham di masa lalu tersedia secara luas dan hamper gratis
untuk didapatkan. Hipotesis bentuk lemah menekankan bahwa jika
data tersebut menyampaikan sinyal yang tepat mengenai kinerja di
masa datang, seluruh investor sudah belajar memanfaatkan sinyal
tersebut. Pada akhirnya, sinyal kehilangan nilainya ketika menjadi
diketahui secara luas Karena membeli sinyal, sebagai contoh, akan
segera berakibat pada kenaikan harga.
b. Hipotesis bentuk agak kuat (semistrong-form) menyatakan bahwa
seluruh informasi yang tersedia secara umum mengenai prospek
perusahaan harus tercermin dalam harga saham. Informasi tersebut
15
meliputi, sebagai tambahan atas harga di masa lalu, data pokok
mengenai merk produk perusahaan, kualitas manajemen, susunan
neraca, paten yang dipegang, peramalan keuntungan, dan praktik
pelaporan. Lagipula, jika investor memiliki akses pada informasi itu
dari sumber yang tersedia secara publik, seseorang akan menduga
hal itu tercermin dalam harga saham.
c. Hipotesis bentuk kuat (strong form) dari hipotesis pasar efisien
menyatakan bahwa harga saham mencerminkan seluruh informasi
yang relevan pada perusahaan, bahkan termasuk informasi yang
hanya tersedia bagi orang dalam perusahaan. Jenis hipotesis ini
sungguh ekstrim. Beberapa akan berpendapat mengenai hal bahwa
pegawai perusahaan memiliki akses terhadap informasi yang
mengena cukup jauh sebelum pemberitaan public memungkinkan
mereka untuk mengambil untung dari perdagangan atas informasi
itu. Tentunya, banyak aktivitas dari komisi bursa dan sekuritas yang
diarahkan untuk menghalangi orang dalam dari mengambil untung
dengan memanfaatkan situasi istimewanya.
Pada pasar modal yang efisien dalam bentuk lemah, harga saham akan
mengikuti pola acak dan tidak dapat diprediksi, namun berbagai bukti
empiris menunjukkan bahwa ternyata pergerakan harga saham ini
cenderung tidak acak bahkan membentuk suatu pola yang seringkali disebut
16
dengan pola musiman (seasonality) atau calendar anomalies (Robiyanto,
2015)
Gambar 2.1 : Tingkat kumulatif efisiensi pasar dan informasi terkait
dengan setiap tingkat (Kadir Can Yalçın, 2010)
Terdapat beberapa faktor yang menyebabkan terjadinya pasar efisien.
Pasar efisien terjadi karena peristiwa-peristiwa sebagai berikut ini:
a. Investor adalah penerima harga (price takers), yang berati bahwa
sebagai pelaku pasar, investor seorang diri tidak dapat mempengaruhi
harga dari suatu sekuritas.
b. Informasi tersedia luas kepada semua pelaku pasar pada saat yang
bersamaan dan harga untuk memperoleh informasi tersebut murah.
c. Informasi dihasilkan secara acak (random) dan tiap-tiap pengumuman
informasi sifatnya random satu dengan yang lainnya sehingga investor
tidak dapat memprediksi kapan emiten akan mengumumkan informasi
yang baru.
17
d. Investor bereaksi dengan menggunakan informasi secara penuh dan
cepat, sehingga harga sekuritas berubah dengan semestinya
3. Market Anomaly
a. Pengertian Market Anomaly
Penelitian atas efisiensi suatu pasar modal banyak dilakukan.
Penelitian – penelitian tersebut menemukan hal-hal yang berlawanan
dengan konsep pasar modal efisien di beberapa pasar modal, yaitu saat
keadaan saham tidak sesuai dengan informasi yang ada (Suad Husnan,
1998:271). Saat pasar saham bereaksi atas hal yang tidak termasuk ke
dalam konsep pasar efisien, hal itulah yang disebut sebagai anomali,
atau gangguan.
Anomali Pasar adalah sebuah kondisi yang tidak teratur, tidak
sesuai atau menyimpang dari hipotesis pasar yang efisien. Anomali di
sini merupakan salah satu bentuk fenomena yang ada di pasar, di mana
ditemukan hal - hal yang seharusnya tidak ada bilamana dianggap
bahwa pasar efisien benar-benar ada. Investor dapat memanfaatkan
kondisi pada saat terjadi anomali pasar ini untuk memperoleh abnormal
return dari investasi yang dilakukannya. (Christian dan Sri Lestari,
2013)
18
Menurut Bostancı (2003) pada Kadir Can Yalçın (2010), ada
banyak pergerakan pasar diamati yang tidak dijelaskan oleh argumen
dari hipotesis pasar yang efisien. Dalam teori keuangan standar,
pergerakan pasar seperti ini yang tidak sesuai dengan hipotesis pasar
efisien disebut anomali
Menurut Woś Żarnowski (2000) pada pawel (2014), analisis
anomali biasanya didasarkan pada pengamatan waktu keuangan seri
jangka panjang untuk mempelajari efek dan pengulangan nya. time
series harus memiliki panjang yang signifikan karena menurunkan
kemungkinan mendeteksi fenomena insidental. Anomali yang
berkelanjutan adalah kondisi yang diperlukan untuk dapat menciptakan
strategi investasi yang menguntungkan.
19
Gambar 2.2 Grafik Penyesuaian harga sebagai reaksi terhadap informasi
positif pada Pasar efisien dan pasar tidak efisien (Paweł Jamróz dan
Grzegorz Koronkiewicz, 2014)
Anomali pasar ini merupakan teknik-teknik atau strategi-strategi
yang berlawanan dengan konsep pasar modal yang efisien.
b. Jenis anomali pasar
Berikut ini adalah Jenis Anomali Pasar secara ringkas :
No Kelompok Jenis Keterangan
1 Anomali
Peristiwa
Analysis
Recomendation
Semakin banyak analis
merekomendasi untuk
membeli suatu saham,
semakin tinggi peluang
harga akan turun Insider
Trading Semakin banyak saham yang
dibeli oleh insiders, semakin
tinggi kemungkinan harga
akan naik.
Listings Harga sekuritas cenderung
naik setelah perusahaan
mengumumkan akan
melakukan pencatatan saham
di Bursa Value lines
trading
changes
Harga sekuritas akan terus
naik setelah Value Line
menempatkan rating
perusahaan pada urutan
tinggi
20
No Kelompok Jenis Keterangan
2 Anomali
musiman
January Harga sekuritas cenderung
naik di bulan Januari,
khususnya di hari-hari pertama
Weekend Harga sekuritas cenderung
naik hari Jum’at dan turun hari
Senin. Time of day Harga sekuritas cenderung
naik di 45 menit pertama dan
15 menit terakhir perdagangan
End of
month
Harga sekuritas cenderung
naik di hari-hari akhir tiap
bulan Seasonal Saham perusahaan dengan
penjualan musiman tinggi
cenderung naik selama musim
ramai.
Holidays Ditemukan return positif pada
hari terakhir sebelum liburan
3 Anomali
perusahaan
size Return pada perusahaan kecil
cenderung lebih besar
walaupun sudah disesuaikan
dengan risiko. Closed-end
Mutual
Funds
Return pada close-end funds
yang dijual dengan potongan
cenderung lebih tinggi
Neglect Perusahaan yang tidak diikuti
oleh banyak analis cenderung
menghasilkan return lebih
Tinggi Institutional
holdings Perusahaan yang dimiliki oleh
sedikit institusi cenderung
memiliki return lebih tinggi
21
No Kelompok Jenis Keterangan
4 Anomali
akuntansi
P/E Saham dengan P/E ratio rendah
cenderung memiliki return
yang lebih tinggi.
Earning
Surprise Saham dengan capaian
earnings lebih tinggi dari yang
diperkirakan cenderung
mengalami peningkatan harga.
Price/Sales Jika rasionya rendah cenderung
berkinerja lebih baik
Price/book Jika rasionya rendah cenderung
berkinerja lebih baik
Dividend
Yield Jika yield-nya tinggi cenderung
berkinerja lebih baik.
Earning
Momentum Saham perusahaan yang tingkat
pertumbuhan earnings-nya
meningkat cenderung
berkinerja lebih baik.
Tabel 2.1 Jenis Anomali Pasar (Haim S. Levy, 1996:436)
c. Month Of The Year Effect
Menurut Schwert (2002) pada Robiyanto (2015),
mengemukakan bahwa calendar anomalies adalah bukti empiris yang
tidak konsisten dengan teori perilaku penilaian aset. Salah satu calendar
anomalies yang mengemuka adalah month of the year effect yaitu
adanya pola pada bulan-bulan tertentu dalam setiap tahun.
Jahfer (2015), month of the year effect artinya adalah return
saham dalam beberapa bulan lebih tinggi dari bulan-bulan lainnya.
Temuan yang paling umum dan menarik dari penelitian di atas anomali
efek bulan dalam setahun adalah "efek Januari" dan "efek April". Hal
22
ini sangat beralasan bahwa pengembalian saham pada Januari dan bulan
April yang berbeda dan signifikan dari bulan lain dari hasil tahun. Ini
sangat melanggar hipotesis pasar yang efisien (EMH) yang sebagian
dikembangkan oleh Fama di tahun 1960-an.
January Effect merupakan kecenderungan terjadinya kenaikan
harga saham pekan pertama bulan Januari. Adanya kenaikan harga ini
didorong oleh aktivitas investor untuk kembali menyusun portofolionya
setelah mereka "terbenam" selama liburan akhir tahun (Werastuti,
2012).
Sharpe (1999) menyebutkan ada tiga penyebab terjadinya January
effect, yaitu:
a. tax-loss selling
Tax-loss selling dan window dressing pada dasarnya melakukan
hal yang sama, yaitu menjual saham-saham dengan nilai yang
rendah. Bedanya adalah tujuan tax-loss selling dilakukan untuk
pengurangan hutang pajak
b. window dressing
Tujuan window dressing adalah dilakukan untuk memperbaiki
portofolio akhir tahun yang dimiliki perusahaan agar terlihat baik.
23
c. small stock’s beta
Small stock’s beta adalah kecenderungan ketika pada bulan
Januari, perusahaan kecil lebih memberikan tingkat return yang
lebih tinggi dibandingkan dengan perusahaan besar.
4. Return Saham
Return saham merupakan hasil yang diperoleh dari investasi. Dalam
menginvestasikan dana tersebut investor yang realistis akan
membandingkan keuntungan yang dihasilkan dengan risiko yang akan
ditanggung oleh investasi tersebut di masa yang akan datang (Isfenti dan
Octavianus, 2010).
Return merupakan hasil yang diperoleh dari suatu investasi. Return
dapat berupa return realisasi yang sudah terjadi atau return ekspektasi yang
belum terjadi tetapi diharapkan akan terjadi di masa yang akan datang
(Rodoni dan Ali, 2010:71).
Menghitung pengembalian saham (return saham) untuk setiap hari
dapat diamati dengan menggunakan rumus (Christos dan Andreas, 2015):
24
Keterangan :
Rt : Return saham pada hari t
Pt : Harga penutupan (closing price) pada hari ke t
Pt-1 : Harga penutupan (closing price) pada hari t – 1
B. Penelitian Terdahulu
Rizwan Ahmed dan Jingsi Leng (2016) menguji efek musiman pada
bursa saham shanghai di Cina. 3 efek musiman yang diuji adalah weekend
effect, turn of the month dan holiday effect. Periode penelitian adalah dari
Januari 2008 sampai dengan April 2016. Metode yang digunakan peneliti
adalah GARCH(1,1). Hasil Penelitian adalah dapat ditemukan weekend effect
pada pasar saham Shanghai. Ditemukan juga efek selasa dan efek kamis. Dapat
disimpulkan bahwa pasar memiliki bentuk efisiensi lemah (Weak form
efficiency). Selain itu, month of the year effect juga dapat ditemukan pada bulan
Februari, Juli September dan Oktober. Sedangkan untuk holiday effect, hasil
menunjukkan signifikan untuk pasca libur nasional.
M. Shabri ABD. Majid, Zulfa Alvi Vakhira, dan Salina Kassim (2016)
menguji anomali bulan pada bursa efek Indonesia dan Malaysia, Jakarta Stock
Exchange Index (JKSE), Kuala Lumpur Stock Exchange Index (KLSE), Jakarta
Rt = ln(Pt/Pt–1) x 100
25
Islamic Index (JII) and FTSE Bursa Malaysia Hijrah Shariah Indeks (FBMHS)
dengan periode dari tahun 2004 sampai dengan 2015. Metode yang digunakan
adalah independen sampel t-test. Hasil Penelitian menemukan bahwa tidak ada
perbedaan antara return saham konvensional dan syariah, dan anomali kalender
hanya ada di pasar saham Indonesia. Efek bulan April dan juli dapat ditemukan
di return saham konvensional Indonesia, sedangkan hanya efek bulan April
dapat ditemukan pada saham islam Indonesia. Ini berarti bahwa meskipun
kedua pasar saham konvensional dan syariah telah terintegrasi baik di pasar,
bursa efek Malaysia lebih efisien daripada Indonesia.
Jihen Jbenieni Gouider, Amira Kaddour & Azza Hmaid (2015) Menguji
efek anomali kalender pada bursa saham Tunisia. Periode yang digunakan oleh
peneliti adalah dari 02 Januari 2006 sampai 31 Juli 2013. Periode ini meliputi
revolusi Tunisia yang menyebabkan penutupan pasar saham selama dua
minggu. Sehingga Periode penelitian dibagi menjadi dua periode: periode
sebelum revolusi (2006-2010) dan periode setelah revolusi (2011-2013). Data
yang digunakan adalah data harian harga penutupan bursa saham Tunisia atau
TUNINDEKS. Metode yang digunakan peneliti adalah GARCH(1,1). Dari
Hasil Penelitian dapat diberi kesimpulan bahwa adanya efek kalender pada
bursa saham Tunisia. Terdapat efek hari senin negatif dan efek jumat positif di
seluruh periode sehingga dapat di simpulkan bahwa terdapat efek akhir pekan
(weekend effect) namun anomali tersebut menghilang pada periode pasca
revolusi. pada ketiga periode dari penelitian tidak ditemukannya efek januari,
26
namun tedapat efek april, efek agustus dan efek september di ketiga periode.
Dari hasil penelitian juga terdapat efek bulan ramadhan pada seluruh periode
dan periode sebelum revolusi.
Christos N. Christodoulou-Volos dan Andreas Hadjixenophontos
(2015) menguji anomali kalender pada pasar modal London indeks FTSE
kapitalisasi kecil. Anomali kalender yang di uji adalah January, Monthly,
Holiday dan Weekend Effect. Periode penelitian adalah dari 1 april 1996 sampai
dengan 12 Juli 2010. Metode yang digunakan penulis adalah Regresi dan
GARCH(1,1). Hasil dari penelitian dengan menggunakan regresi telah
ditemukan efek pra dan pasca liburan (Holiday Effect) dengan siginifikasi 10%.
Dengan menggunakan GARCH, ditemukan negatif day of the week effect
dengan siginifikansi 10%. January effect juga ditemukan. Semua hasil di atas
sesuai dengan semua literatur yang relevan yang tersedia.
Robiyanto (2015) menguji month of the year effect pada beberapa pasar
modal di Asia Tenggara dan pasar komoditas. Periode yang di uji adalah selama
Januari 1999 sampai Maret 2014. Metode yang di gunakan adalah
GARCH(1,1). Komoditas yang diuji adalah produk emas, perak, platinum dan
paladium serta minyak mentah West Texas Intermediate, dan yang diuji adalah
Harga Saham Gabungan (IHSG) di Bursa Efek Jakarta, Strait Times Index (STI)
di Singapore Stock Exchange, KLSE Composite (KLSE) dari Kuala Lumpur
Stock Exchange dan SET (SET) dari Stock Exchange Thailand. Dari penilitian
ini dapat di indikasi bahwa month of the year effect masih ada di pasar modal
27
di asia tenggara dan pasar komoditas selama periode penelitian. January effect
terjadi pada modal Filipina dan pasar modal Singapura; juga terjadi pada
komoditas Platinum dan Paladium. March effect terjadi pada pasar modal
Indonesia dan pasar paladium serta pasar minyak mentah WTI, sedangkan April
effect hanya terjadi di pasar modal Indonesia. May effect negatif terjadi di pasar
modal Singapura. June effect pada pasar modal Singapura dan negatif pada
pasar paladium. July effect terjadi di pasar Singapura saja dan membukukan
return terbesar untuk pasar modal Singapura. August effect hanya terjadi di
pasar emas dan pasar platinum. Sedangkan September effect terjadi di pasar
modal Singapura, positif tinggi di pasar emas dan pasar perak. October effect
hanya berlaku untuk pasar modal Malaysia saja. Demikian pula November
effect juga hanya berlaku untuk pasar emas. Sementara itu December effect
muncul di pasar modal Indonesia, pasar modal Malaysia, pasar modal Thailand
dan pasar modal Singapura dengan dampak yang positif.
Christos Floros dan Enrique Salvador (2014) menguji anomali kalender
(day of the week dan monthly seasonal effect) di FTSE100 (UK), FTSE/ASE-
20 (Greece), S&P500 (US) and Nasdaq100 (US) spot dan future dengan
periode 2004–2011. Hasil penelitian adalah Selama periode volatilitas rendah,
ada efek Desember positif umum untuk semua return cash. Selain itu, ada efek
Januari positif bagi spot Amerika (Nasdaq100 dan SP500). penelitian ini juga
menemukan efek Februari di Nasdaq100, efek April di FTSE100, dan efek
Maret dan Juli pada SP500 selama periode stabilitas pasar (volatilitas yang
28
rendah). Namun, pada periode volatilitas tinggi efek musiman diperoleh negatif
dalam semua kasus contohnya efek November di Inggris (FTSE100) dan AS
(Nasdaq100 dan SP500). Hasil ini disebabkan hipotesis tax-loss selling
(kerugian portofolio tetap untuk tujuan pajak pada akhir tahun keuangan),
hipotesis yearly investor cash flow, bonus akhir tahun, dan pengumuman
perusahaan. Efek kalender dikondisikan dengan situasi pasar. Pada saat situasi
volatilitas rendah efek kalender cenderung positif, tetapi efek ini berubah
negatif apabila pasar berada di bawah periode volatilitas yang tinggi. Temuan
ini dianjurkan untuk manajer risiko keuangan berurusan dengan pasar
berjangka.
Tajinder Jassal dan Babli Dhiman (2015) menguji kegigihan month of
the year effect di BSE (Bombay stock Exchange) Sensex, saham tingkat capital
kecil dan saham capital menengah dengan periode 2006 sampai dengan 2013.
Metode yang digunakan adalah GARCH(1,1). Hasil Penelitian menunjukan
adanya efek September pada keseluruhan sampel. Efek April dan efek Februari
negative dapat terlihat pada saham capital kecil dan capital menengah. Model
GARCH menegaskan bahwa pasar saham India tidak mengikuti random walk
dan terdapat peluang untuk mendapatkan abnormal return.
Eleftherios Giovanis (2014) menguji efek pergantian bulan pada return
pasar modal di 20 negara. Periode terakhir adalah 31 Desember 2013 untuk
semua seri kecuali dari awal mula periode. Metode yang digunakan adalah
GARCH(1,1). Hasil penelitian menunjukkan bahwa efek pergantian bulan
29
adalah terus-menerus di 19 dari 20 pasar saham selama seluruh periode
diperiksa. Hasil penelitian ini mengkonfirmasi temuan oleh Marquering et al.
(2006), yang menemukan bahwa efek pergantian bulan masih ada terus-
menerus. Marquering et al. (2006) menyatakan bahwa kegigihan pergantian
efek bulan dapat dijelaskan oleh biaya transaksi, yang terlalu tinggi untuk
investor untuk mendapatkan keuntungan dari anomali kalender ini, karena
mereka tidak dapat memanfaatkan pola.
Andrew Urquhart dan Frank McGroarty (2014) Menguji adaptive
market hypothesis (AMH) melalui anomalijh kalender pada Dow Jones
Industrial Average (DJIA). Periode penelitian adalah dari tahun 1900 ke 2013.
Metode yang digunakan yaitu dengan GARCH(1,1). Dari Penelitian ini dapat
dilihat sifat waktu bervariasi dari perilaku anomali kalender dari waktu ke
waktu di DJIA dan menentukan kondisi pasar yang paling kondusif untuk
kinerja mereka. Kami menunjukkan bahwa perilaku keempat anomali kalender
bervariasi dari waktu ke waktu dan bahwa kondisi pasar tertentu lebih
menguntungkan untuk kinerja mereka, sehingga memberikan bukti yang
konsisten dengan AMH. Hasil penelitian menunjukan pada keseluruhan sampel
adanya efek senin, efek januari, efek TOTM, dan efek Halloween. Ditemukan
bukti analisis perilaku waktu yg bervariasi dari keempat anomaly kalender dari
waktu ke-waktu, melalui analisis subsample dan rolling dan juga menunjukkan
bahwa anomali kalender berperilaku berbeda tergantung pada kondisi pasar
tertentu. Bukti ini tidak konsisten dengan EMH tetapi konsisten dengan AMH.
30
Evangelos Vasileiou dan Aristeidis Samitas (2014) menguji efek bulan
pada bursa efek Yunani dengan ATHEXGI sebagai sampel. Periode penelitian
adalah dari 2 Januari 2002 hingga 31 Desember 2012. Periode sampel dibagi
menjadi 2 sub-periode, sub-periode pertumbuhan keuangan (2002-2007) dan
sub periode resesi keuangan (2008-2012). Metode yang digunakan adalah
regresi dan T-GARCH. Hasil empiris menunjukkan bahwa perubahan kondisi
ekonomi dan keuangan mempengaruhi efek kalender. Efek januari terlihat
signifikan pada sub periode pertumbuhan keuangan, tetapi memudar selama
periode resesi. Selain itu, efek februari dan November hanya dapat terlihat pada
periode resesi, sedangkan efek maret juga hanya terlihat pada periode
pertumbuhan. Efek Juli dapat terlihat pada periode keseluruhan dan periode
pertumbuhan. Sehingga, dapat disimpulkan bahwa bursa efek Yunani bersifat
tidak efisien, dikarenakan setelah diuji pada saat selama pertumbuhan maupun
saat periode resesi ada beberapa bulan yang signifikan.
N. P. Ravindra deyshappriya (2014) meguji anomaly pada pasar modal
colombo (colombo stock exchange /CSE). Periode penelitian adalah dari tahun
2004 sampai dengan tahun 2013. Periode penelitian dibagi menjadi 2 periode,
periode selama perang dan periode pasca perang. Metode yang digunakan
adalah regresi dan GARCH(1,1). Hasil menunjukkan adanya efek senin negatif
dan efek positif untuk semua hari-hari lain hanya untuk periode perang. Efek
Januari positif terjadi untuk seluruh periode sampel, efek Desember negatif
tidak dapat diidentifikasi untuk periode pasca perang. Oleh karena itu, studi ini
31
menegaskan adanya anomali stock market; baik efek hari dalam seminggu dan
efek bulan khususnya selama periode perang.
Aditya Probo Saputro dan Sukirno (2014) Menguji day of the week
effect dan month of the year effect pada IHSG ( harga saham gabungan). Periode
penelitian adalah dari tahun 2010 sampai dengan 2012. Metode yang digunakan
adalah Regresi dan t-test. Dari hasil penelitian dapat disimpulkan bahwa day of
the week effect dan month of the year effect telah terjadi pada pasar modal
Indonesia. Efek hari Kamis berpengaruh terhadap return pasar secara parsial,
trading return pada hari Senin dipengaruhi oleh non-trading return pada hari
Jumat minggu sebelumnya dan return yang negatif terjadi pada saat trading
yaitu pembukaan sampai dengan penutupan hari Senin. Dari penelitian ini juga
dapat dilihat bahwa adanya efek bulan Januari, Maret, Mei dan Agustus
berpengaruh terhadap return pasar.
Ali F. Darrat, Bin Li, dan Richard Chung (2013) Menguji anomali
musiman pada return saham harian Johannesburg dari Afrika selatan. Periode
penelitian adalah dari Januari 1973 sampai September 2012. Metode yang
digunakan adalah GARCH (1,1). Hasil penelitian terdapat efek senin negatif
dan efek selasa positif pada Johannesburg. Sedangkan untuk efek bulan (month
of the year effect) Peneliti gagal untuk menemukan return yang signifikan pada
bulan apapun.
32
S.C.Thushara dan Prabath Perera (2013) menguji efek bulan pada tahun
dan January effect yang hadir di Bursa Efek Colombo (Colombo Stock
Exchange / CSE) berdasarkan data dari periode Januari 2000 hingga Desember
2011. Metode yang digunakan adalah Regresi dan GARCH (1,1). Hasil
Penelitian terdapat efek bulan pada tahun (month of the year effect) di return
harian saham yang diperdagangkan di CSE. Pada CSE terdapat Efek Januari,
Efek Februari, Efek April, dan Efek September positif.
Ming Qi & Wenyao Wang (2013) menguji efek calendar pada return
harian emas di Cina. Periode penelitian yaitu dari 30 Desember 2002 sampai
dengan 5 november 2011. Metode yang digunakan peneliti adalah GED-
GARCH (1,1). Hasil penelitian menujukan adanya return anomali emas yang
signifikan pada bulan Februari, April, Agustus, September, November dan
Desember. Sebagian besar efek bulan ini terjadi sebelum 7 hari libur, yang
disebut "Golden Weeks" di Cina.
Ricky Chee-Jiun Chia dan Venus Khim-Sen Liew (2012) Menguji
adanya Anomali efek bulan (month of the year effect) pada NIKKEI225 dari
bursa saham Tokyo (Tokyo Stock Exchange / TSE) dari periode Januari 2000
sampai Juni 2009. Metode yang digunakan adalah Regresi dan TGARCH. Hasil
penelitian terdapat efek November di NIKKEI225 pada periode Januari 2010
sampai Juni 2009. Hasil penelitian ini konsisten dengan bukti sebelumnya yang
mendukung hipotesis tax-loss selling pada pasar saham di U.S. dan U.K.
Adanya month of the year effect di TSE menunjukkan bahwa melalui strategi
33
waktu investasi yang benar, manajer keuangan, konselor keuangan dan investor
bisa mengambil keuntungan dari pola tersebut.
Qiwei Chen (2012) Melakukan Pengujian efek musiman pada bursa di
Amerika, Inggris, Australia dan Cina. Periode sampel data Inggris adalah dari
Januari 1971 sampai Juni 2012; sampel data Amerika Serikat adalah dari
Januari 1973 sampai Juni 2012; sampel data Australia adalah dari Januari 1981
sampai Juni 2012 dan sampel data China dari Januari 1991 sampai Juni 2012.
Metode yang di gunakan pada penelitian ini adalah Regresi, Garch(1,1) dan
GARCH-M. Hasil Penelitian Menunjukan adanya efek musiman (seasonal
effect) pada Amerika Serikat, Inggris, cina, dan Australia dengan sistem pajak
yang berbeda dan pajak akhir tahun. Bukti empiris menunjukkan efek Januari
di Amerika Serikat, Januari dan April efek di Inggris, Efek Juli di Australia dan
tidak ada efek musiman yang signifikan di Cina.
Galih Pandekar dan Nadia Putrini (2012) menguji turn-off-the-month
Effect pada beberapa sector di pasar modal Indonesia dan saham - saham dari
LQ45. Periode penelitian adalah dari Januari 2002 sampai Agustus 2010.
Metode yang digunakan adalah GARCH(p,q). Hasil penelitian dapat dilihat
bahwa turn off the month effect dapat ditemukan pada bursa saham Indonesia.
Efek ini dapat dilihat pada 4 hari transaksi terakhir atau delapan hari pertama
pada bulan selanjutnya. Secara umum, efek TOM juga terjadi di saham-saham
yang konsisten dalam LQ45. Saham ini AALI, ASII, ANTM, BBCA, INDF,
ISAT, INCO, PTBA, SMCB, TLKM dan UNTR.
34
Andreas G. Georgantopoulos, Dimitris F. Kenourgios dan Anastasios
D. Tsamis (2011) menguji anomali kalender terhadap empat saham negara
berkembang (Rumania, Bulgaria, Kroasia dan Turki) dan mitra mereka di
wilayan Balkan (Yunani), Selama periode 2000 – 2008. SOFIX dari Bulgaria,
VANGUARD dari Rumania, CROBEX dari Kroasia, ISE NASIONAL 50 dari
Turki, dan General Indeks Athena (ASE) dari yunani. Lima efek kalender
terkenal pada kedua return dan volatilitas diperiksa; Efek hari dalam seminggu,
efek januari, efek setengah bulan, efek pergantian bulan dan efek bulan. Metode
yang digunakan penguji adalah regresi dan GARCH(1,1). Hasil dari Penelitian
terdapat anomali kalender pada SOFIX dari Bulgaria, VANGUARD dari
Rumania, CROBEX dari Kroasia, ISE NASIONAL 50 dari Turki, dan General
Indeks Athena (ASE) dari Yunani.
Nopphon Tangjitprom (2011) Menguji adanya Anomali kalender
termasuk efek bulan, efek pergantian bulan, dan efek akhir pekan. Periode yang
digunakan adalah tahun 1988 sampai 2009 untuk SET (Stock Exchange of
Thailand) dan periode SET50 sejak dibentuk pada tahun 1995. Metode yang
digunakan adalah Regresi dan Garch(1,1). Hasil menunjukan bahwa adanya
anomaly kalender pada bursa saham Thailand. Return SET dan SET50
abnormal tinggi selama bulan Desember dan Januari, yang dapat dinyatakan
sebagai efek pergantian tahun. Return selama periode pergantian bulan, yang
dapat didefinisikan sebagai hari perdagangan terakhir dan empat hari
35
perdagangan pertama bulan-bulan berikutnya, juga abnormal tinggi. efek akhir
pekan juga ada untuk kedua SET dan SET50. Return saham adalah abnormal
tinggi pada hari Jumat dan rendah yang tidak normal pada hari Senin.
Secara ringkas hasil-hasil penelitian terdahulu dapat dilihat pada tabel
2.2 sebagai berikut :
Tabel 2.2
Ringkasan Penelitian Terdahulu
No Peneliti Judul Alat
Statistik Hasil
1 M. Shabri
ABD.
Majid,
Zulfa
Alvi
Vakhira,
dan
Salina
Kassim
Do
Conventional
and Islamic
Stock Markets
Subject to
Different
Market
Anomalies?
Empirical
Evidences from
Indonesia and
Malaysia (2016)
t-test Hasil Penelitian menemukan bahwa tidak ada
perbedaan antara return saham konvensional dan
syariah, dan anomali kalender hanya ada di
pasar saham Indonesia. Efek bulan April dan juli
dapat ditemukan di return saham konvensional
Indonesia, sedangkan hanya efek bulan April
dapat ditemukan pada saham islam Indonesia.
Ini berarti bahwa meskipun kedua pasar saham
konvensional dan syariah telah terintegrasi baik
di pasar, bursa efek Malaysia lebih efisien
daripada Indonesia.
36
No Peneliti Judul Alat
Statistik Hasil
2 Rizwan Ahmed
dan Jingsi Leng
Seasonality
Effects through
ARCH and
GARCH model:
Evidence from
Shanghai Stock
Market (China)
(2016)
GARCH
(1,1)
Hasil Penelitian adalah dapat ditemukan
weekend effect pada pasar saham
Shanghai. Ditemukan juga efek selasa
dan efek kamis. Dapat disimpulkan
bahwa pasar memiliki bentuk efisiensi
lemah (Weak form efficiency). Selain itu,
month of the year effect juga dapat
ditemukan pada bulan Februari, Juli
September dan Oktober. Sedangkan
untuk holiday effect, hasil menunjukkan
signifikan untuk pasca libur nasional.
3 Christos N.
Christodoulou-
Volos dan
Andreas
Hadjixenophontos
Calendar
Anomalies in
The London
Stock
Exchange: A
Re-Examination
(2015)
Regresi
dan
GARCH
(1,1)
Hasil dari penelitian dengan
menggunakan regresi telah ditemukan
efek pra dan pasca liburan (Holiday
Effect) dengan siginifikasi 10%. Dengan
menggunakan GARCH, ditemukan
negatif day of the week effect dengan
siginifikansi 10%. January effect juga
ditemukan. Semua hasil di atas sesuai
dengan semua literatur yang relevan yang
tersedia.
4 Tajinder Jassal
dan Babli Dhiman
Heterogeneous
Evidence an
Analysis of
Monthly
Anomaly (2015)
GARCH
(1,1)
Hasil Penelitian menunjukan adanya efek
September pada keseluruhan sampel.
Efek April dan efek Februari negative
dapat terlihat pada saham capital kecil
dan capital menengah. Model GARCH
menegaskan bahwa pasar saham India
tidak mengikuti random walk dan
terdapat peluang untuk mendapatkan
abnormal return.
5 Robiyanto Month Of The
Year Effect
Pada Beberapa
Pasar Modal Di
Asia Tenggara
dan Pasar
Komoditas
(2015)
GARCH
(1,1)
Dari penilitian ini dapat di indikasi bahwa
month of the year effect masih ada di
pasar modal di asia tenggara dan pasar
komoditas selama periode penelitian.
January effect terjadi pada modal Filipina
dan pasar modal Singapura; juga terjadi
pada komoditas Platinum dan Paladium.
37
No Peneliti Judul Alat
Statistik Hasil
6 Jihen
Jbenieni
Gouider,
Amira
Kaddour &
Azza Hmaid
Stock Market
Anomalies:
Case of
Calendar
Effects on the
Tunisian Stock
Market (2015)
GARCH
(1,1)
Dari Hasil Penelitian dapat diberi kesimpulan
bahwa adanya efek kalendar pada bursa
saham Tunisia. Terdapat efek hari senin
negatif dan efek jumat positif sehingga dapat
di simpulkan bahwa terdapat efek akhir pekan
(weekend effect) namun anomali tersebut
menghilang pada periode pasca revolusi. pada
ketiga periode dari penelitian tidak
ditemukannya efek januari, namun tedapat
efek april, efek agustus dan efek september di
ketiga periode. Dari hasil penelitian juga
terdapat efek bulan ramadhan pada seluruh
periode dan periode sebelum revolusi.
7 Andrew
Urquhart dan
Frank
McGroarty
Calendar
effects, market
conditions and
the Adaptive
Market
Hypothesis:
Evidence from
long-run U.S.
data (2014)
GARCH
(1,1)
Hasil penelitian menunjukan pada
keseluruhan sampel adanya efek senin, efek
januari, efek TOTM, dan efek Halloween.
Ditemukan bukti analisis perilaku waktu yg
bervariasi dari keempat anomali kalender dari
waktu ke-waktu, melalui analisis sub-sample
dan rolling dan juga menunjukkan bahwa
anomali kalender berperilaku berbeda
tergantung pada kondisi pasar tertentu. Bukti
ini tidak konsisten dengan EMH tetapi
konsisten dengan AMH.
8 N. P.
Ravindra
Deyshappriya
An Empirical
Investigation on
Stock Market
Anomalies: The
Evidence from
Colombo Stock
Exchange in Sri
Lanka (2014)
Regresi
dan
GARCH
(1,1)
Hasil menunjukkan adanya efek Senin negatif
dan efek positif untuk semua hari-hari lain
hanya untuk periode perang. efek Januari
positif terjadi untuk seluruh periode sampel,
efek Desember negatif tidak dapat
diidentifikasi untuk periode pasca perang.
Oleh karena itu, studi ini menegaskan adanya
anomali Stock Market; baik efek hari dalam
seminggu dan efek bulan khususnya selama
periode perang.
38
No Peneliti Judul Alat Statistik Hasil
9 Evangelos
Vasileiou
dan
Aristeidis
Samitas
Does the financial
crisis influence
the month and the
trading month
effects? Evidence
from the Athens
Stock Exchange
(2014)
regresi dan T-
GARCH
Hasil empiris menunjukkan bahwa
perubahan kondisi ekonomi dan
keuangan mempengaruhi efek kalender.
Efek januari terlihat signifikan pada sub
periode pertumbuhan keuangan, tetapi
memudar selama periode resesi. Selain
itu, efek februari dan November hanya
dapat terlihat pada periode resesi,
sedangkan efek maret juga hanya terlihat
pada periode pertumbuhan. Efek Juli
dapat terlihat pada periode keseluruhan
dan periode pertumbuhan. Sehingga,
dapat disimpulkan bahwa bursa efek
Yunani bersifat tidak efisien.
10 Eleftherios
Giovanis
The Turn-of-the-
Month-Effect:
Evidence from
Periodic
Generalized
Autoregressive
Conditional
Heteroskedasticity
(PGARCH) Model
(2014)
GARCH(1,1)
dan
PGARCH(1,1)
Hasil penelitian menunjukkan bahwa
efek pergantian bulan adalah terus-
menerus di 19 dari 20 indeks pasar saham
selama seluruh periode diperiksa. Hasil
penelitian ini mengkonfirmasi temuan
oleh Marquering et al. (2006), yang
menemukan bahwa efek pergantian bulan
masih ada terus-menerus. Marquering et
al. (2006) menyatakan bahwa kegigihan
pergantian efek bulan dapat dijelaskan
oleh biaya transaksi, yang terlalu tinggi
untuk investor untuk mendapatkan
keuntungan dari anomali kalender ini,
karena mereka tidak dapat memanfaatkan
pola.
39
No Peneliti Judul Alat
Statistik Hasil
11 Aditya
Probo
Saputro
dan
Sukirno
Day Of The
Week Effect Dan
Month Of The
Year Effect
Terhadap
Return Indeks
Pasar (2014)
Regresi
dan t-test
Dari hasil penelitian dapat disimpulkan bahwa
Day Of The Week Effect Dan Month Of The Year
Effect telah terjadi pada pasar modal Indonesia.
Efek hari Kamis berpengaruh terhadap return
indeks pasar secara parsial, trading return pada
hari Senin dipengaruhi oleh non trading return
pada hari Jumat minggu sebelumnya dan return
yang negatif terjadi pada saat trading yaitu
pembukaan sampai dengan penutupan hari
Senin. Dari penelitian ini juga dapat dilihat
bahwa adanya efek bulan Januari, Maret, Mei
dan Agustus berpengaruh terhadap return indeks
pasar.
12 Christos
Floros
dan
Enrique
Salvador
Calendar
anomalies in
cash and stock
index futures:
International
evidence (2014)
regresi Hasil penelitian adalah selama periode
volatilitas rendah, ada efek Desember positif
umum untuk semua return cash. Selain itu, ada
efek Januari positif bagi indeks spot Amerika
(Nasdaq100 dan SP500). penelitian ini juga
menemukan efek Februari di Nasdaq100, efek
April di FTSE100, dan efek Maret dan Juli pada
SP500 selama periode stabilitas pasar (volatilitas
yang rendah). Namun, pada periode volatilitas
tinggi efek musiman diperoleh negatif dalam
semua kasus contohnya efek November di
Inggris (FTSE100) dan AS (Nasdaq100 dan
SP500).
13 Ali F.
Darrat,
Bin Li,
dan
Richard
Chung
Seasonal
Anomalies: A
Closer Look at
the
Johannesburg
Stock Exchange
(2013)
GARCH
(1,1)
Hasil penelitian terdapat efek senin negatif dan
efek selasa positif pada indeks Johannesburg.
Sedangkan untuk efek bulan (month of the year
effect) Peneliti gagal untuk menemukan return
yang signifikan pada bulan apapun.
40
No Peneliti Judul Alat
Statistik Hasil
14 S.C.Thushara
dan Prabath
Perera
The Month of
The Year Effect:
Empirical
Evidence from
Colombo Stock
Exchange (2013)
Regresi,
GARCH
(1,1)
Hasil Penelitian terdapat efek bulan pada
tahun (month of the year effect) di return
harian saham yang diperdagangkan di CSE.
Pada CSE terdapat Efek Januari, Efek
Februari, Efek April, dan Efek September
positif.
15 Ming Qi &
Wenyao
Wang
The Monthly
Effects in
Chinese Gold
Market (2013)
GED-
GARCH
(1,1)
Hasil penelitian menujukan adanya return
anomali emas yang signifikan pada bulan
Februari, April, Agustus, September,
November dan Desember. Sebagian besar
efek bulan ini terjadi sebelum 7 hari libur,
yang disebut "Golden Weeks" di Cina.
16 Ricky Chee-
Jiun Chia
dan Venus
Khim-Sen
Liew
Month-of-the-
Year and
Symmetrical
Effects in the
Nikkei 225
(2012)
Regresi
dan
TGARCH
Hasil penelitian terdapat efek November di
indeks NIKKEI225 pada periode Januari
2010 sampai Juni 2009. Adanya month of
the year effect di TSE menunjukkan bahwa
melalui strategi waktu investasi yang benar,
manajer keuangan, konselor keuangan dan
investor bisa mengambil keuntungan dari
pola tersebut.
17 Qiwei Chen Risk and
Seasonal Effects:
International
Evidence (2012)
Regresi,
GARCH
(1,1) dan
GARCH-
M
Hasil Penelitian Menunjukan adanya efek
musiman (seasonal effect) pada Amerika
Serikat, Inggris, cina, dan Australia dengan
sistem pajak yang berbeda dan pajak akhir
tahun. Bukti empiris menunjukkan efek
Januari di Amerika Serikat, Januari dan
April efek di Inggris, Efek Juli di Australia
dan tidak ada efek musiman yang signifikan
di Cina.
18 Galih
Pandekar dan
Nadia Putrini
Turn-off-the-
Month Effect on
Stocks in LQ45
Index and
Various Sectors
in the Indonesia
Stock Exchange
using GARCH
(p,q) (2012)
GARCH
(p,q)
Hasil penelitian dapat dilihat bahwa turn off
the month effect dapat ditemukan pada bursa
saham Indonesia. Efek ini dapat dilihat pada
4 hari transaksi terakhir atau delapan hari
pertama pada bulan selanjutnya. Secara
umum, efek TOM juga terjadi di saham-
saham yang konsisten dalam LQ45. Saham
ini AALI, ASII, ANTM, BBCA, INDF,
ISAT, INCO, PTBA, SMCB, TLKM dan
UNTR.
41
No Peneliti Judul Alat
Statistik Hasil
19 Andreas G.
Georgantopoulos,
Dimitris F.
Kenourgios dan
Anastasios D.
Tsamis
Calendar
Anomalies in
Emerging
Balkan Equity
Markets (2011)
Regresi,
GARCH
(1,1)
Hasil dari Penelitian terdapat anomali
kalender pada indeks SOFIX dari
Bulgaria, VANGUARD dari Rumania,
CROBEX dari Kroasia, ISE NASIONAL
50 dari Turki, dan General Index Athena
(ASE) dari Yunani.
20 Nopphon
Tangjitprom
The Calendar
Anomalies of
Stock Return in
Thailand
(2011)
Regresi,
GARCH
(1,1)
Hasil menunjukan bahwa adanya anomali
kalender pada bursa saham Thailand.
Return SET dan SET50 abnormal tinggi
selama bulan Desember dan Januari, yang
dapat dinyatakan sebagai efek pergantian
tahun. Return selama periode pergantian
bulan, yang dapat didefinisikan sebagai
hari perdagangan terakhir dan empat hari
perdagangan pertama bulan-bulan
berikutnya, juga abnormal tinggi. efek
akhir pekan juga ada untuk kedua indeks
SET dan indeks SET50. Return saham
adalah abnormal tinggi pada hari Jumat
dan rendah yang tidak normal pada hari
Senin.
C. Kerangka Pemikiran
Kerangka konseptual merupakan suatu model yang menerangkan
bagaimana hubungan suatu teori dengan faktor - faktor penting yang telah
diketahui dalam suatu masalah tertentu. Kerangka konseptual akan
menghubungkan secara teoritis antara variabel-variabel penelitian, yaitu
variabel independen dan variabel dependen.
42
Dalam penelitian ini variabel yang digunakan sebagai variabel
dependen adalah return dari Indeks – indeks indonesia dan indeks World Major.
Sedangkan variabel independen yaitu bulan perdagangan yang meliputi:
Januari, Februari, Maret, April, Mei, Juni, Juli, Agustus, September, Oktober,
November, dan Desember.
Penelitian ini dilakukan terhadap Indeks - Indeks yang yang termasuk
dalam Indeks - Indeks Indonesia dan Indeks world major Tahun 2010 - 2016,
Indeks Indonesia yang di uji terdiri dari LQ45, Bisnis27, JKSE, Kompas100,
Pefindo25 dan Sri Kehati. Sedangkan Indeks World Major yang di uji adalah
CAC40, DAX, IBEX35, FTSE100.
Tujuannya adalah untuk mengetahui apakah adanya anomali pasar
modal month of the year terhadap Indeks - Indeks tersebut. Untuk memudahkan
memahami diberikan gambaran tentang arah penelitian terlihat pada Gambar
2.3 :
43
Uji A
sum
si Klasik
Gambar 2.3
Kerangka Pemikiran
INDEX INDONESIA
(JKSE, LQ45, BISNIS27, KOMPAS100, SRIKEHATI, PEFINDO25)
INDEX WORLD MAJOR
(FTSE100, DAX, IBEX35, CAC40)
Dependen
(Return)
Independen
(Bulan Perdagangan)
Uji Stasioneritas
Uji Autokorelasi
Uji Heteroskedisitas
Uji Analisis Month of
the Year Effect
Uji OLS
Hasil Penelitian
Uji Arch-Garch
44
D. Perumusan Hipotesis
Hipotesis merupakan jawaban masalah atau pertanyaan penelitian yang
dikembangkan berdasarkan teori-teori yang perlu diuji melalui proses
pemilihan, pengumpulan, dan analisis data. Berdasarkan kerangka pemikiran
diatas yang didukung oleh berbagai teori dan berbagai penelitian terdahulu,
maka hipotesis yang dibangun dari penelitian ini adalah :
H1 : Terdapat month of the year effect terhadap return saham di Indeks - Indeks
Indonesia
H2 : Terdapat month of the year effect terhadap return saham di Indeks - indeks
world major
45
BAB III
METODE PENELITIAN
A. Ruang lingkup penelitian
Ruang lingkup penelitian ini adalah beberapa indeks Indonesia yaitu
Jakarta Composite Index (JKSE), LQ45 (JKLQ45), BISNIS27 (JKBI27),
KOMPAS100 (JKKM100), PEFINDO25 (JKPEF25), SRIKEHATI (JKSRI)
dan Indeks yang termasuk dalam Indeks world major yaitu CAC40 (F40) dari
Perancis, DAX (GDAXI) dari Jerman, IBEX35 (IBEX) dari Spanyol, dan
FTSE100 (FTSE) dari Inggris. Periode penelitian yaitu dari Januari 2010
sampai Desember 2016, sub-periode 2010-2013 dan sub-periode 2014-2016.
Data yang digunakan dalam penelitian ini adalah laporan mingguan historical
price index yang konsisten selama periode penelitian, yakni antara Januari 2010
sampai dengan Desember 2016, sub-periode 2010-2013 dan sub-periode 2014-
2016.
Alasan peneliti menggunakan sampel dari Indeks – indeks diatas yakni
karena peneliti menilai bahwa return indeks - indeks Indonesia dan indeks
world major memberikan tingkat return yang baik
B. Metode penentuan sampel
Teknik penentuan sampel yang digunakan dalam penelitian ini dipilih
berdasarkan metode judgement sampling adalah pengumpulan data atas dasar
strategi kecakapan atau pertimbangan pribadi semata.
46
Kriteria saham-saham yang akan dilakukan penelitian untuk dijadikan sampel
penelitian adalah sebagai berikut:
1. Indeks – Indeks yang dipilih adalah Indeks Indonesia dan indeks world
major sejak Januari 2010 sampai dengan Desember 2016.
2. Indeks yang digunakan dalam penelitian ini adalah indeks yang secara terus
menerus terdaftar selama periode penelitian, sedangkan untuk indeks yang
tidak terdaftar secara terus menerus dikeluarkan dari objek penelitian. Tabel
3.1 adalah daftar indeks – indeks yang menjadi sampel penelitian.
Tabel 3.1
Daftar Indeks yang Menjadi Sampel Penelitian
No Nama Indeks Kode Indeks Negara
1 JKSE JKSE Indonesia
2 LQ45 JKLQ45 Indonesia
3 bisnis27 JKBI27 Indonesia
4 Kompas100 JKKM100 Indonesia
5 Pefindo25 JKPEF25 Indonesia
6 Sri Kehati JKSRI Indonesia
7 CAC40 F49 France
8 DAX GDAXI Germany
9 Ibex35 IBEX Spain
10 FTSE100 FTSE United Kingdom
C. Metode Pengumpulan Data
Dalam penelitian ini data yang sekunder yang diperoleh adalah dengan
cara melakukan studi kepustakaan untuk menunjang materi pembahasan pada
penelitian. Kegiatan-kegiatan ini dilaksanakan dengan cara mengumpulkan
47
informasi melalui buku-buku, jurnal literatur, majalah, koran, website dan lain-
lain yang berkaitan dan mendukung penelitian ini. Data yang dimaksud dalam
penelitian ini merupakan data time series yang berupa historical price index
Indonesia dan Indeks world major periode Januari 2010 sampai Desember 2016
yang diperoleh dari Investing.com yaitu data mingguan.
D. Metode Analisis Data
Metode analisis data dilakukan dengan aturan yang harus dilalui melalui
beberapa tahap, yaitu:
1. Menghitung masing-masing return selama periode Januari 2010 sampai
Desember 2016. Return indeks dapat dihitung dengan rumus sebagai
berikut :
2.
Keterangan :
Rt: Return Indeks pada minggu t
Pt: Harga penutupan (closing price) pada minggu ke t
Pt-1: Harga penutupan (closing price) pada minggu t – 1
3. Mengelompokkan return Indeks yang telah dihitung kedalam bulan
perdagangan Januari, Februari, Maret, April, Mei, Juni, Juli, Agustus,
September, November, Desember.
Rt = ln(Pt/Pt–1) x 100
48
4. Melakukan uji analisis market anomaly month of the year effect
Dalam pengujian ini, penguji mencoba untuk menganalisis
keberadaan market anomaly month of the year effect pada beberapa
indeks Indonesia dan indeks world major selama periode observasi,
yaitu periode 2010-2016 dan sub-periode 2010-2013, 2014-2016.
Peneliti akan menggunakan uji regresi linier (OLS) dan metode
Generalized Autoregressiv Conditional Heterokedasticity (GARCH).
a. Uji Regresi Linier
Penelitian ini akan menggunakan regresi linear majemuk
sehingga pada nantinya akan dijelaskan lebih dalam mengenai
penggunaan metode tersebut. Berikut ini adalah permodelan dengan
memasukkan variable dummy dengan persamaan regresi sebagai
berikut:
Rt = β1DJan + β2DFeb + β3DMar + β4DApr + β5DMei + β6DJun + β7DJul +
β8DAgt + β9DSept + β10DOkt + β11DNov + β12DDes + et
Keterangan:
Rt: Return bulanan indeks pada bulan t.
β1, β2, .... β12: Koefisien regresi untuk variabel dummy dari masing-
masing bulan.
Djan : Dummy untuk bulan Januari
49
Dfeb : Dummy untuk bulan Februari
Dmar : Dummy untuk bulan Maret
Dapr : Dummy untuk bulan April
Dmei : Dummy untuk bulan Mei
Djun : Dummy untuk bulan Juni
Djul : Dummy untuk bulan Juli
Dagt : Dummy untuk bulan Agustus
Dsept : Dummy untuk bulan September
Dokt : Dummy untuk bulan Oktober
Dnov : Dummy untuk bulan November
Ddes : Dummy untuk bulan Desember
Nilai DJan = 1 untuk return pada bulan perdagangan Januari
dan 0 untuk return pada bulan perdagangan lainnya. Nilai DFeb = 1
untuk return pada bulan perdagangan Februari dan 0 untuk return
pada bulan perdagangan lainnya, dan seterusnya. Koefisien regresi
ini menunjukan besarnya return rata-rata pada hari perdagangan ke-
t.
Menurut Abdul Hakim (2014:38) untuk mendapatkan estimator
dengan sifat yang diinginkan, yakni BLUE (best, linear, unbiased
estimator), OLS harus memenuhi asumsi – asumsi klasik. Beberapa
asumsi klasik dalam model regresi linier adalah sebagai berikut:
1) E (ui|Xi) = 0, yakni mean residual adalah 0.
50
2) E (Ui|Xi – E (Ui|Xi))2 = σ2, yakni varians dari residual adalah
konstan, dikenal sebagai asumsi homokedastisitas.
3) E (Ui|Xi – E (Ui|Xi)) (Uj|Xj - E (Uj|Xj)) = 0, i ≠ j, yakni tidak ada
serial korelasi antar residual, dikenal sebagai asumsi no serial
correlation.
Agar dapat memenuhi estimator agar bersifat BLUE, maka
dilakukan beberapa uji, kemudian dilakukan treatment bila
ditemukan adanya penyimpangan pada data.
1) Uji Stasioneritas
Data time series merekam perilaku ekonomi dari waktu ke
waktu, maka fluktuasi data mencerminkan bagaimana pelaku
ekonomi berperilaku. Data yang tidak stasioner menunjukan
varians data yang tetap sepanjang waktu observasi, sedangkan
data yang tidak stasioner menjelaskan bahwa pada saat tertentu
situasi ekonomi melakukan suatu tindakan tertentu yang keluar
dari biasanya. (Dr. Mahyus Ekananda, 2014:21)
Sebuah serial dinamakan stasioner jika memiliki mean
konstan, varian konstan, dan otokovarians konstan untuk
panjang lag tertentu (dikenal sebagai konsep weak stationarity).
(Abdul Hakim, 2014;189)
51
Uji stasioneritas akan menggunakan Unit root
Augmented Dickey-Fuller Test (ADF). Hipotesis Unit root
Augmented Dickey-Fuller Test adalah sebagai berikut:
H0 : δ=0
H1 : δ≠0
H0 Mengindikasi adanya unit root. Nilai uji ADF t-statistik
dengan angka lebih rendah dari critical value 5%
mengindikasikan data tidak memiliki masalah unit root atau data
telah stasioner sehingga kesimpulan yang diambil adalah tolak
H0.
2) Uji Autokorelasi
Autokorelasi yang kuat dapat menyebabkan dua variabel
yang tidak berhubungan menjadi berhubungan. Bila metode
OLS digunakan maka akan terlihat R2 yang besar dapat
menghasilkan spurious regression atau regresi palsu (Nachrowi
dan Usman, 2006:186).
Cara untuk melakukan uji autokorelasi selain dengan uji
Durbin Watson juga dapat menggunakan uji LM test atau yang
juga dikenal dengan The Breusch-Godrey (BG) test merupakan
salah satu metode yang dapat digunakan untuk mengecek
adanya penyimpangan autukorelasi pada suatu periode
52
observasi. Penggunaan LM test dalam mendeteksi keberadaan
autokorelasi dirasa lebih baik dibandingkan dengan
menggunakan Durbin Watson karena LM test tidak
mempermasalahkan keberadaan error pada AR dan MA sebagai
variabel bebas. Adapun hipotesis yang digunakan yaitu:
H0 = Tidak terdapat autokorelasi
H1 = Terdapat autokorelasi
Apabila probabilitas pada Obs*R-squared > α = 5%,
mengindikasi data tidak ada autokorelasi sehingga H0 diterima.
Sedangkan, Apabila nilai probabilitas pada Obs*R-squared < α
= 5% maka H0 ditolak.
3) Uji Heteroskedetisitas
Homoskedastisitas berarti varians residual yang konstan,
yakni: E(ui2) = σ2 Pelanggaran terhadap asumsi ini disebut
Heteroskedestisitas yakni varian tidak konstan : E(ui2) = σi
2.
(Abdul Hakim, 2014;113)
Heteroskedestisitas merupakan kondisi dimana varian
tidak konstan atau berubah-ubah. Uji heteroskedestisitas dapat
dilakukan dengan menggunakan White Heterokedasticity test
ataupun dengan melihat Residual Graph. Hipotesis pada uji
Heteroskedestitas adalah sebagai berikut:
H0 = Tidak terdapat heteroskedestisitas
53
H1 = Terdapat heteroskedestisitas
Hipotesis awal mengindikasikan bahwa tidak terdapat
hubungan antara error dengan variabel bebas atau data telah
homokedastis. Bila nilai telah probibality pada Obs*R-squared>
α = 5%, berarti tidak terdapat heteroskedastisitas atau dengan
kata lain terima H0. Sedangkan bila nilai probabilitas pada
Obs*R-squared < α = 5%, berarti terdapat heteroskedastisitas
atau tolak H0.
b. Uji Model ARCH dan GARCH
Dikarenakan data yang digunakan oleh penguji adalah data time
series, sering ditemukan kondisi varian error yang bersifat tidak
konstan sehingga data time series tersebut memiliki masalah
heterokedastisitas. Seperti yang sudah disebutkan sebelumnya,
untuk menggunakan uji regresi linier (OLS) diperlukan data yang
bersifat homokedastis yaitu varian error yang konstan agar
mendapatkan estimator yang bersifat BLUE. Karena ada
penyimpangan tersebut, maka diperlukan model lain.
Menurut Ekananda (2014:258) model ARCH/GARCH (Auto
regressive conditional heteroscedasticity/General auto regressive
conditional heteroscedasticity) menganggap varian error yang tidak
konstan (heterokedastisitas) bukan sebagai suatu masalah, tetapi
54
justru dapat digunakan untuk modelling dan peralaman
(Forcasting).
1) Uji ARCH
Penelitian akan menggunakan trial and error untuk
menemukan persamaan. Berikut adalah persamaan dasar dengan
menggunakan permodelan ARCH :
Rt = β1DJan + β2DFeb + β3DMar + β4DApr + β5DMei + β6DJun + β7DJul
+ β8DAug + β9DSept + β10DOct + β11DNov + β12DDec +∑−4
∫=1 bj + 5rt-
j + ɛt
ARCH model digunakan untuk mengatasi ketidak
pastian dari resiko residual. Keuntungan pendekatan ini adalah
conditional variance atau volatilitas jangka pendek merupakan
fungsi dari error pada return masa lalu. Untuk menemukan
permodelan yang sesuai, dapat dilakukan penambahan jumlah
orde (q) yang lebih besar pada model ARCH (q). Penambahan
orde (q) akan mengakibatkan variance dari residualnya berubah.
Selain itu, jumlah orde (q) yang relatif besar akan
mengakibatkan banyaknya parameter yang harus diestimasi.
Semakin banyak parameter yang harus diestimasi dapat
55
mengakibatkan ketepatan dari estimator berkurang. Hal ini biasa
dijumpai pada pengujian menggunakan data bulanan (Nachrowi
dan Usman, 2006:421).
2) Uji GARCH
Menurut Bollerslev (1986) dalam Robiyanto (2015),
Metode GARCH digunakan ketika terdapat variance error yang
besarnya bergantung pada squared error terms pada beberapa
tahun lalu. Berikut ini adalah pemodelan dari GARCH :
𝜎t2 = 𝛼0 + ∑ 𝛼𝑖𝑞
𝑖=1 𝜀2t-1+ ∑ 𝛾𝜎𝑝
𝑖=12
t-1
Permodelan yang sesuai dalam menggambarkan
volatilitas return saham selama periode observasi, maka akan
dilakukan deteksi keberadaan month of the year efect pada hasil.
Berikut adalah hipotesis penelitian untuk uji tersebut:
H0 : β1, β2,…..β12 = 0
H1 : β1, β2,…..β12 ≠ 0
Hipotesis awal mengindikasikan bahwa terdapat
conditional variance yang bersifat konstan pada periode
56
observasi atau terdapat rata-rata return yang sama selama
periode observasi dimana return bulan Januari akan sama
dengan return bulan Februari, Maret, April, Mei, Juni, Juli,
Agustus, September, Oktober, November, dan Desember.
Hipotesa alternatif mengindikasikan bahwa terdapat perbedaan
return antara kedua belas bulan tersebut yang mencerminkan
keberadaan month of the year effect selama periode observasi.
Bila nilai probabilitas < α=5%, maka terdapat anomali
month of the year effect atau dengan kata lain tolak H0. Hal ini
mengindikasikan bahwa return kedua belas bulan tersebut
berbeda satu sama lain. Sedangkan bila nilai probabilitas > α
=5%, maka tidak terdapat anomali month of the year effect
sehingga kesimpulan yang diambil adalah terima H0. Berikut
adalah diagnostic check lebih lanjut sebagai uji kelayakan untuk
model GARCH, hasil penjumlahan koefisien ARCH dan
GARCH tidak lebih dari 1(α+β<1) (Shochrul R. Ajija,
2011:112).
57
E. Operasional variabel
Berikut ini akan dijelaskan mengenai defenisi operasional variabel yang
akan digunakan penelitian mengenai month of the year effect terhadap return
pasar pada indeks – indeks Indonesia dan Indeks world major pada periode
tahun 2010 sampai 2016, sub-periode 2010-2013 dan sub-periode 2014-2016
yaitu sebagai berikut:
1. Variabel Independen
Variabel independen adalah variabel yang tidak terikat, bebas dan tidak
mempengaruhi variabel dependen. Berdasarkan tujuan penelitian ini adalah
untuk menganalisa ada tidaknya anomali month of the year effect di indeks
- indeks Indonesia dan indeks world major. Maka variabel yang digunakan
adalah return bulan Januari,Februari, Maret, April, Mei, Juni, Juli, Agustus,
September, Oktober,November, Desember.
2. Variabel Dependen
Variabel dependen adalah variabel yang terikat dan dipengaruhi oleh
variabel Independen. Berdasarkan tujuan penelitian ini adalah untuk
menganalisis keberadaan anomali month of the year effect di indeks –
indeks Indonesia dan indeks world major. Variabel yang digunakan adalah
return indeks. Adapun rumus nilai return indeks yang digunakan adalah
sebagai berikut:
58
Keterangan :
Rt : Return indeks pada minggu t
Pt : Harga penutupan (closing price) pada minggu ke t
Pt-1 : Harga penutupan (closing price) pada minggu t – 1
Rt = ln(Pt/Pt–1) x 100
59
BAB IV
HASIL DAN PEMBAHASAN
A. Sekilas Gambaran Umum Objek Penelitian
1. Gambaran Umum Indeks yang termasuk Indeks – Indeks Indonesia
a. JKSE (Jakarta Composite Index/IHSG)
JKSE atau sering disebut dengan IHSG diperkenalkan pada
tanggal 1 April 1983 sebagai indikator pergerakan harga semua saham
yang tercatat di BEI, baik untuk saham biasa dan preferred. Tanggal
dasar untuk perhitungan IHSG adalah 10 Agustus 1982 dengan nilai
indeks dasar 100. Pada saat itu, jumlah saham yang tercatat adalah 13
saham.
b. LQ45
LQ45 merupakan salah satu indeks di Bursa Efek Indonesia
(BEI), di mana indeks tersebut diperoleh dari perhitungan 45 emiten
dengan seleksi kriteria seperti penilaian atas likuiditas. Tujuan indeks
LQ 45 adalah sebagai pelengkap IHSG dan khususnya untuk
menyediakan sarana yang obyektif dan terpercaya bagi analisis
keuangan, manajer investasi, investor dan pemerhati pasar modal
lainnya dalam memonitor pergerakan harga dari saham-saham yang
aktif diperdagangkan.
60
Indeks LQ 45 hanya terdiri dari 45 saham yang telah terpilih melalui
berbagai kriteria pemilihan, sehingga akan terdiri dari saham-saham
dengan likuiditas dan kapitalisasi pasar yang tinggi. Saham-saham pada
indeks LQ 45 harus memenuhi kriteria dan melewati seleksi utama
sebagai berikut:
1) Masuk dalam ranking 60 besar dari total transaksi saham di pasar
reguler (rata-rata nilai transaksi selama 12 bulan terakhir).
2) Ranking berdasar kapitalisasi pasar (rata-rata kapitalisasi pasar
selama 12 bulan terakhir)
3) Telah tercatat di BEJ minimum 3 bulan
4) Keadaan keuangan perusahaan dan prospek pertumbuhannya,
frekuensi dan jumlah hari perdagangan transaksi pasar reguler.
Saham-saham yang termasuk didalam LQ 45 terus dipantau dan
setiap enam bulan akan diadakan review (awal Februari, dan Agustus).
Apabila ada saham yang sudah tidak masuk kriteria maka akan diganti
dengan saham lain yang memenuhi syarat.
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
LQ45:
61
Tabel 4.1
Daftar Saham – saham yang terdaftar di indeks LQ45
No Kode Nama Emiten No Kode Nama Emiten
1 AALI Astra Agro Lestari Tbk 24 LPKR Lippo Karawaci Tbk
2 ADHI Adhi Karya (Persero) Tbk 25 LPPF Matahari Department Store Tbk
3 ADRO Adaro Energy Tbk 26 LSIP PP London Sumatra Indonesia Tbk
4 AKRA AKR Corporindo Tbk 27 MNCN Media Nusantara Citra Tbk
5 ANTM Aneka Tambang (Persero) Tbk 28 MPPA Matahari Putra Prima Tbk
6 ASII Astra International Tbk 29 MYRX Hanson International Tbk
7 ASRI Alam Sutera Realty Tbk 30 PGAS Perusahaan Gas Negara (Persero)
Tbk
8 BBCA Bank Central Asia Tbk 31 PTBA Tambang Batubara Bukit Asam
(Persero) Tbk
9 BBNI Bank Negara Indonesia (Persero)
Tbk 32 PTPP PP (Persero) Tbk
10 BBRI Bank Rakyat Indonesia (Persero)
Tbk 33 PWON Pakuwon Jati Tbk
11 BBTN Bank Tabungan Negara (Persero)
Tbk 34 SCMA Surya Citra Media Tbk
12 BMRI Bank Mandiri (Persero) Tbk 35 SILO Siloam International Hospitals Tbk
13 BMTR Global Mediacom Tbk 36 SMGR Semen Indonesia (Persero) Tbk
14 BSDE Bumi Serpong Damai Tbk 37 SMRA Summarecon Agung Tbk
15 CPIN Charoen Pokphand Indonesia Tbk 38 SRIL Sri Rejeki Isman Tbk
16 GGRM Gudang Garam Tbk 39 SSMS Sawit Sumbermas Sarana Tbk
17 HMSP HM Sampoerna Tbk 40 TBIG Tower Bersama Infrastructure Tbk
18 ICBP Indofood CBP Sukses Makmur
Tbk 41 TLKM
Telekomunikasi Indonesia
(Persero) Tbk
19 INCO Vale Indonesia Tbk 42 UNTR United Tractors Tbk
20 INDF Indofood Sukses Makmur Tbk 43 UNVR Unilever Indonesia Tbk
21 INTP Indocement Tunggal Prakasa Tbk 44 WIKA Wijaya Karya (Persero) Tbk
22 JSMR Jasa Marga (Persero) Tbk 45 WSKT Waskita Karya (Persero) Tbk
23 KLBF Kalbe Farma Tbk Sumber: www.idx.com
62
c. BISNIS27
Pada tanggal 27 Januari 2009, BEI dan Harian Bisnis Indonesia
bergabung bersama untuk meluncurkan Indeks BISNIS-27 yang
memiliki tujuan untuk menjadi salah satu indikator untuk pasar modal
Indonesia.
Indeks BISNIS-27 terdiri dari 27 saham memilih berdasarkan
kriteria fundamental dan teknis. Beberapa faktor fundamental
dipertimbangkan dalam pemilihan saham adalah Operasi Pendapatan,
Laba Bersih, ROA, ROE dan DER, serta LDR dan CAR Emiten di
sektor perbankan. Selanjutnya, kriteria teknis yang akan
dipertimbangkan adalah jumlah hari transaksi dalam satu tahun, nilai
perdagangan, volume, frekuensi, dan kapitalisasi pasar.
Untuk memastikan keadilan dari proses seleksi saham, Komite
Indeks Bisnis-27 didirikan. Komite ini terdiri dari ahli pasar modal dan
profesional. Tanggal dasar dari indeks adalah 28 Desember 2004
dengan nilai dasar 100. BEI dan Harian Bisnis Indonesia secara rutin
akan memantau komponen saham yang masuk dalam perhitungan
indeks. Daftar Emiten yang termasuk dalam Indeks BISNIS-27 akan
ditinjau dan diperbaharui setiap 6 bulan, pada awal Mei dan November.
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
BISNIS27:
63
Tabel 4.2
Daftar Saham – saham yang terdaftar di indeks BISNIS27
No Kode Nama Emiten
1 AALI Astra Agro Lestari Tbk
2 ADRO Adaro Energy Tbk
3 AKRA AKR Corporindo Tbk
4 ASII Astra International Tbk
5 BBCA Bank Central Asia Tbk
6 BBNI Bank Negara Indonesia (Persero) Tbk
7 BBRI Bank Rakyat Indonesia (Persero) Tbk
8 BDMN Bank Danamon Tbk
9 BMRI Bank Mandiri (Persero) Tbk
10 BSDE Bumi Serpong Damai Tbk
11 CPIN Charoen Pokphand Indonesia Tbk
12 CTRA Ciputra Development Tbk *)
13 GGRM Gudang Garam Tbk
14 ICBP Indofood CBP Sukses Makmur Tbk
15 INCO Vale Indonesia Tbk
16 INTP Indocement Tunggal Prakasa Tbk
17 KLBF Kalbe Farma Tbk
18 LPKR Lippo Karawaci Tbk
19 MIKA Mitra Keluarga Karyasehat Tbk *)
20 MNCN Media Nusantara Citra Tbk
21 PGAS Perusahaan Gas Negara (Persero) Tbk
22 PNBN Bank Pan Indonesia Tbk
23 PTBA Bukit Asam (Persero) Tbk
24 PWON Pakuwon Jati Tbk
25 SMGR Semen Indonesia (Persero) Tbk
26 TLKM Telekomunikasi Indonesia (Persero) Tbk
27 UNTR United Tractors Tbk
Sumber: www.idx.com
64
d. KOMPAS100
KOMPAS100 diluncurkan di bawah kerjasama antara Bursa
Efek Indonesia dan surat kabar harian Kompas. Penghitungan
KOMPAS100 dimulai pada tanggal dasar 2 Januari 2002 dengan nilai
dasar 100. Indeks KOMPAS100 akan diperbaharui setiap enam bulan
atau setiap bulan Februari dan Agustus. Daftar saham yang terdaftar di
KOMPAS100 adalah sebagai berikut:
Tabel 4.3
Daftar Saham – saham yang terdaftar di indeks KOMPAS100
No Kode Nama Emiten No Kode Nama Emiten
1 AALI Astra Agro Lestari Tbk 19 BIRD Blue Bird Tbk.
2 ACES Ace Hardware Indonesia Tbk 20 BJBR Bank Pembangunan Daerah Jawa Barat dan Banten Tbk
3 ADHI Adhi Karya (Persero) Tbk 21 BJTM Bank Pembangunan Daerah Jawa Timur Tbk
4 ADRO Adaro Energy Tbk 22 BKSL Sentul City Tbk
5 AISA Tiga Pilar Sejahtera Food Tbk. 23 BMRI Bank Mandiri (Persero) Tbk
6 AKRA AKR Corporindo Tbk 24 BMTR Global Mediacom Tbk
7 ANTM Aneka Tambang (Persero) Tbk 25 BSDE Bumi Serpong Damai Tbk
8 APLN Agung Podomoro Land Tbk 26 BUMI Bumi Resources Tbk
9 ASII Astra International Tbk 27 BWPT BW Plantation Tbk
10 ASRI Alam Sutera Realty Tbk 28 CPIN Charoen Pokphand Indonesia Tbk
11 BBCA Bank Central Asia Tbk 29 CPRO Central Proteinaprima Tbk
12 BBNI Bank Negara Indonesia (Persero) Tbk 30 CTRA Ciputra Development Tbk
13 BBRI Bank Rakyat Indonesia (Persero) Tbk 31 DILD Intiland Development Tbk
14 BBTN Bank Tabungan Negara (Persero) Tbk 32 DSFI Dharma Samudera Fishing Industries Tbk
15 BCIP Bumi Citra Permai Tbk 33 DSNG Dharma Satya Nusantara Tbk
16 BDMN Bank Danamon Indonesia Tbk 34 ELSA Elnusa Tbk
17 BEST Bekasi Fajar Industrial Estate Tbk 35 ENRG Energi Mega Persada Tbk
18 BHIT MNC Investama Tbk 36 ERAA Erajaya Swasembada Tbk
65
No Kode Nama Emiten No Kode Nama Emiten
37 EXCL XL Axiata Tbk 69 PGAS Perusahaan Gas Negara (Persero) Tbk
38 GGRM Gudang Garam Tbk 70 PLAS Polaris Investama Tbk
39 GIAA Garuda Indonesia (Persero) Tbk 71 PNBN Bank Pan Indonesia Tbk
40 GJTL Gajah Tunggal Tbk 72 PNLF Panin Financial Tbk
41 HMSP HM Sampoerna Tbk 73 PTBA Tambang Batubara Bukit Asam (Persero) Tbk
42 ICBP Indofood CBP Sukses Makmur
Tbk 74 PTPP PP (Persero) Tbk
43 INCO Vale Indonesia Tbk 75 PWON Pakuwon Jati Tbk
44 INDF Indofood Sukses Makmur Tbk 76 RALS Ramayana Lestari Sentosa Tbk
45 INTP Indocement Tunggal Prakasa Tbk 77 SCMA Surya Citra Media Tbk
46 ISAT Indosat Tbk 78 SIDO Industri Jamu dan Farmasi Sido Muncul Tbk
47 ITMG Indo Tambangraya Megah Tbk 79 SILO Siloam International Hospitals Tbk
48 JPFA Japfa Comfeed Indonesia Tbk 80 SIMP Salim Ivomas Pratama Tbk
49 JSMR Jasa Marga (Persero) Tbk 81 SMCB Holcim Indonesia Tbk
50 KIJA Kawasan Industri Jababeka Tbk 82 SMGR Semen Indonesia (Persero) Tbk
51 KLBF Kalbe Farma Tbk 83 SMRA Summarecon Agung Tbk
52 KREN Kresna Graha Sekurindo Tbk 84 SMRU SMR Utama Tbk
53 LCGP Eureka Prima Jakarta Tbk 85 SOCI Soechi Lines Tbk.
54 LINK Link Net Tbk. 86 SRIL Sri Rejeki Isman Tbk
55 LPCK Lippo Cikarang Tbk 87 SSIA Surya Semesta Internusa Tbk
56 LPKR Lippo Karawaci Tbk 88 SSMS Sawit Sumbermas Sarana Tbk
57 LPPF Matahari Department Store Tbk 89 SUGI Sugih Energy Tbk
58 LSIP PP London Sumatra Indonesia Tbk 90 TARA Sitara Propertindo Tbk.
59 MAPI Mitra Adiperkasa Tbk 91 TBIG Tower Bersama Infrastructure Tbk
60 MDLN Modernland Realty Ltd Tbk 92 TINS Timah (Persero) Tbk
61 META Nusantara Infrastructure Tbk 93 TLKM Telekomunikasi Indonesia (Persero) Tbk
62 MIKA Mitra Keluarga Karyasehat Tbk 94 TRAM Trada Maritime Tbk
63 MLPL Multipolar Tbk 95 UNTR United Tractors Tbk
64 MNCN Media Nusantara Citra Tbk 96 UNVR Unilever Indonesia Tbk
65 MPPA Matahari Putra Prima Tbk 97 VIVA Visi Media Asia Tbk
66 MYRX Hanson International Tbk 98 WIKA Wijaya Karya (Persero) Tbk
67 NIRO Nirvana Development Tbk 99 WSKT Waskita Karya (Persero) Tbk
68 PBRX Pan Brothers Tbk 100 WTON Wijaya Karya Beton Tbk.
Sumber: www.idx.com
66
KOMPAS100 Indeks meliputi 100 saham yang dipilih
berdasarkan kriteria sebagai berikut:
1) Terdaftar di BEI selama minimal 3 bulan;
2) Kinerja perdagangan di pasar reguler, yang meliputi nilai, volume
dan frekuensi transaksi;
3) Jumlah hari perdagangan di pasar reguler;
4) kapitalisasi pasar pada periode waktu tertentu.
e. PEFINDO25
Indeks PEFINDO25 diluncurkan pada tanggal 18 Mei 2009 di
bawah kerjasama antara BEI dan PT Pemeringkat Efek Indonesia
(PEFINDO). Indeks ini mewakili saham (UKM) Kecil dan Menengah
terdaftar dengan kinerja fundamental yang baik dan likuiditas. Tanggal
dasar dari indeks adalah 29 Desember 2005, dengan nilai dasar 100
Indeks PEFINDO25 terdiri dari 25 saham dipilih berdasarkan keuangan
dan likuiditas mereka, serta kepemilikan publik mereka. Setiap enam
bulan, atau setiap bulan Februari dan Agustus saham yang tercatat di
PEFINDO 25 akan diperpanjang. Saham harus menjalani tahapan
seleksi di bawah ini:
1) Memiliki total aset kurang dari Rp1 triliun, berdasarkan laporan
keuangan yang telah diaudit tahunan;
2) Memiliki Kembali sama atau lebih tinggi dari (ROE) tingkat Equity
ini dari BUMD rata-rata semua Emiten di BEI;
67
3) Menerima pendapat Wajar Tanpa Pengecualian oleh akuntan publik
laporan keuangan yang telah diaudit;
4) Telah tercatat di BEI selama minimal 6 (enam) bulan;
5) Daftar 25 saham akan dipilih dengan mempertimbangkan aspek
likuiditas dan jumlah saham yang dimiliki oleh publik (floating
shares).
Daftar saham yang terdaftar di PEFINDO25 adalah sebagai berikut:
Tabel 4.4
Daftar Saham – saham yang terdaftar di indeks PEFINDO25
No Kode Nama Emiten No Kode Nama Emiten
1 ACES Ace Hardware Indonesia Tbk 14 NRCA Nusa Raya Cipta Tbk
2 ACST Acset Indonusa Tbk 15 RAJA Rukun Raharja Tbk
3 ARNA Arwana Citramulia Tbk 16 RALS Ramayana Lestari Sentosa Tbk
4 ASSA Adi Sarana Armada Tbk 17 ROTI Nippon Indosari Corpindo Tbk
5 BEST Bekasi Fajar Industrial Estate Tbk 18 SAME Sarana Meditama Metropolitan Tbk
6 BISI BISI International Tbk 19 SCMA Surya Citra Media Tbk
7 CSAP Catur Sentosa Adiprana Tbk 20 SIDO Industri Jamu dan Farmasi Sido
Muncul Tbk
8 ELSA Elnusa Tbk 21 SILO Siloam International Hospitals Tbk
9 LINK Link Net Tbk. 22 SMBR Semen Baturaja (Persero) Tbk
10 LPCK Lippo Cikarang Tbk 23 SMSM Selamat Sempurna Tbk
11 LPPF Matahari Department Store Tbk 24 TOTL Total Bangun Persada Tbk
12 MIKA Mitra Keluarga Karyasehat Tbk 25 WTON Wijaya Karya Beton Tbk.
13 MTDL Metrodata Electronics Tbk Sumber: www.idx.com
68
f. SRIKEHATI
Pada tanggal 8 Juni 2009, BEI bekerja sama dengan Yayasan
Keanekaragaman Hayati Indonesia (Yayasan Keanekaragaman Hayati
Indonesia - KEHATI), sebuah organisasi yang bergerak dengan upaya
konservasi alam dan kelestarian sumber daya keanekaragaman hayati,
untuk meluncurkan Indeks baru yang mengacu pada pelaksanaan
berkelanjutan dan bertanggung jawab investasi (SRI). Indeks ini
bernama Indeks SRI-KEHATI, dan teridiri dari 25 saham.
Indeks ini didirikan sebagai pedoman investasi tambahan untuk
investor dengan mendirikan sebuah patokan pada Emiten dengan
praktek-praktek yang sangat baik untuk mendukung keberlanjutan
mereka melalui metode menyangkut tentang lingkungan, tata sosial dan
kelola perusahaan yang baik. Indeks baru ini diharapkan dapat
meningkatkan eksposur pada Emiten yang telah dilakukan tanggung
jawab lingkungan dan sosial mereka serta tata kelola perusahaan yang
baik.
BEI dan SRI-KEHATI akan rutin memantau komponen saham
yang masuk dalam perhitungan indeks. konstituen indeks akan ditinjau
dan diperbaharui setiap 6 bulan, pada Mei dan November.
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
SRIKEHATI:
69
Tabel 4.5
Daftar Saham – saham yang terdaftar di indeks SRIKEHATI
No Kode Nama Emiten
1 AALI Astra Agro Lestari Tbk
2 ADHI Adhi Karya (Persero) Tbk
3 ASII Astra International Tbk
4 BBCA Bank Central Asia Tbk
5 BBNI Bank Negara Indonesia (Persero) Tbk
6 BBRI Bank Rakyat Indonesia (Persero) Tbk
7 BDMN Bank Danamon Tbk
8 BMRI Bank Mandiri (Persero) Tbk
9 GJTL Gajah Tunggal Tbk
10 INDF Indofood Sukses Makmur Tbk
11 JPFA Japfa Comfeed Indonesia Tbk
12 JSMR Jasa Marga (Persero) Tbk
13 KLBF Kalbe Farma Tbk
14 LSIP PP London Sumatera Indonesia Tbk
15 PGAS Perusahaan Gas Negara (Persero) Tbk
16 PJAA Pembangunan Jaya Ancol Tbk
17 PTBA Bukit Asam (Persero) Tbk
18 SMCB Holcim Indonesia Tbk
19 SMGR Semen Indonesia (Persero) Tbk
20 TINS Timah (Pesero) Tbk
21 TLKM Telekomunikasi Indonesia (Persero) Tbk
22 UNTR United Tractors Tbk
23 UNVR Unilever Indonesia Tbk
24 WIKA Wijaya Karya (Persero) Tbk
25 WSKT Waskita Karya (Persero) Tbk
Sumber: www.idx.com
70
2. Gambaran Umum Indeks yang termasuk Indeks – Indeks World Major
a. IBEX35
Indeks IBEX adalah sebuah indeks pasar saham patokan dari
Bolsa de Madrid, bursa efek utama di Spanyol. Dimulai pada tahun
1992, indeks ini dikelola dan dihitung oleh Sociedad de Bolsas, anak
perusahaan di Bolsas y Mercados Españoles (BME), perusahaan yang
bergerak pasar saham Spanyol (termasuk Bolsa de Madrid).
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
IBEX35 :
Tabel 4.6
Daftar Saham – saham yang terdaftar di indeks IBEX35
No Kode Nama Emiten No Kode Nama Emiten No Kode Nama Emiten
1 ABE Abertis 13 BBVA BBVA 25 IDR Indra Sistemas
2 ANA Acciona 14 CABK Caixabank 26 IAG International Airlines Group
3 AENA AENA 15 DIA Dia 27 MAP Mapfre
4 ACX Acerinox 16 ENG Enagás 28 TL5 Mediaset España
Comunicación
5 ACS ACS 17 ELE Endesa 29 MRL Merlin Properties
6 AMS Amadeus IT
Holding 18 FCC FCC 30 OHL Obrascón Huarte Lain
7 MTS ArcelorMittal 19 FER Ferrovial 31 REE Red Eléctrica de España
8 POP Banco Popular 20 GAM Gamesa 32 REP Repsol
9 SAB Banco Sabadell 21 GAS Gas Natural 33 SCYR Sacyr Vallehermoso
10 SAN Banco Santander 22 GRF Grifols 34 TRE Técnicas Reunidas
11 BKIA Bankia 23 IBE Iberdrola 35 TEF Telefónica
12 BKT Bankinter 24 ITX Inditex
Sumber: www.wikipedia.com
71
IBEX 35 adalah indeks tertimbang kapitalisasi pasar yang terdiri
35 saham paling likuid Spanyol diperdagangkan dalam Indeks Umum
Bursa Saham Madrid, yang terakhir dua kali setiap tahunnya.
b. CAC40
Indeks CAC 40 adalah sebuah indeks pasar saham patokan
Perancis. Indeks ini merupakan ukuran tertimbang kapitalisasi dari 40
nilai yang paling signifikan di antara 100 kapitalisasi pasar tertinggi di
Bursa Saham Paris (sekarang Euronext Paris) merupakan indikator yang
paling banyak digunakan dari pasar saham Paris. Indeks berfungsi
sebagai mendasari untuk produk terstruktur, dana, dana exchange
traded, opsi dan futures.. CAC 40 adalah salah satu indeks nasional
utama di grup bursa saham pan-Eropa Euronext bersama BEL20 di
Brussel, PSI-20 di Lisboa dan AEX di Amsterdam
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
CAC40:
72
Tabel 4.7
Daftar Saham – saham yang terdaftar di indeks CAC40
No Kode Nama Emiten No Kode Nama Emiten
1 AC Accor 21 ML Michelin
2 AI Air Liquide 22 NOKIA Nokia
3 AIR Airbus Group 23 ORA Orange
4 MT ArcelorMittal 24 RI Pernod Ricard
5 CS AXA 25 UG Groupe PSA
6 BNP BNP Paribas 26 PUB Publicis
7 EN Bouygues 27 RNO Renault
8 CAP Capgemini 28 SAF Safran
9 CA Carrefour 29 SGO Saint-Gobain
10 ACA Crédit Agricole 30 SAN Sanofi
11 BN Danone 31 SU Schneider Electric
12 ENGI Engie 32 GLE Société Générale
13 EI Essilor 33 SW Sodexo
14 FTI TechnipFMC 34 SOLB Solvay
15 KER Kering 35 FP Total
16 LI Klépierre 36 UL Unibail-Rodamco
17 OR L'Oréal 37 FR Valeo
18 LHN LafargeHolcim 38 VIE Veolia
19 LR Legrand 39 DG Vinci
20 MC LVMH 40 VIV Vivendi
Sumber: www.wikipedia.com
c. DAX
Deutscher Aktien Index, atau The DAX 30 adalah indeks
populer yang terdiri dari 30 perusahaan terbesar di Jerman perdagangan
di Bursa Efek Frankfurt (FSE).
73
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
DAX:
Tabel 4.8
Daftar Saham – saham yang terdaftar di indeks DAX
No Kode Nama Emiten No Kode Nama Emiten
1 ADS Adidas 16 FRE Fresenius
2 ALV Allianz 17 FME Fresenius Medical Care
3 BAS BASF 18 HEI HeidelbergCement
4 BAYN Bayer 19 HEN3 Henkel
5 BEI Beiersdorf 20 IFX Infineon Technologies
6 BMW BMW 21 SDF K+S
7 CBK Commerzbank 22 LIN Linde
8 CON Continental 23 MRK Merck
9 DAI Daimler 24 MUV2 Munich Re
10 DBK Deutsche Bank 25 RWE RWE
11 DB1 Deutsche Börse 26 SAP SAP
12 LHA Transport Aviation 27 SIE Siemens
13 DPW Deutsche Post 28 TKA ThyssenKrupp
14 DTE Deutsche Telekom 29 VOW3 Volkswagen Group
15 EOAN E.ON 30 VNA Vonovia
Sumber: www.Wikipedia.com
Indeks sampel dari DAX dipilih sesuai dengan enam kriteria sebagai
berikut:
1) umumnya perusahaan harus terdaftar untuk setidaknya tiga tahun
sebelum masuknya sahamnya di DAX;
2) modal mengambang bebas harus setidaknya mencapai 15%;
74
3) pergantian;
4) kapitalisasi pasar;
5) ketersediaan harga pembukaan awal, dan
6) keterwakilan cabang untuk ekonomi Jerman.
d. FTSE100
FTSE 100 adalah indeks yang terdiri dari 100 perusahaan
terbesar yang terdaftar di Bursa Efek London (LSE). FTSE 100
diluncurkan pada tanggal 3 Januari 1984 dan memiliki nilai awal
1.000,0. FTSE 100 kini dikelola oleh kelompok FTSE yang merupakan
anak perusahaan yang sepenuhnya dimiliki oleh Bursa Efek London.
Meskipun FTSE 100 adalah indeks yang paling terkenal
perusahaan memproduksi, FTSE Group juga menghitung lebih dari
100.000 indeks lainnya, meliputi pasar di seluruh dunia, setiap hari.
Berikut ini adalah daftar saham – saham yang terdaftar dalam indeks
FTSE100:
75
Tabel 4.9
Daftar Saham – saham yang terdaftar di indeks FTSE100
No Kode Nama Emiten No Kode Nama Emiten
1 III 3i 26 CCH Coca-Cola HBC AG
2 ADN Aberdeen Asset Management 27 CPG Compass Group
3 ADM Admiral Group 28 CRH CRH plc
4 AAL Anglo American plc 29 DCC DCC plc
5 ANTO Antofagasta 30 DGE Diageo
6 ARM ARM Holdings 31 DLG Direct Line Group
7 AHT Ashtead Group 32 DC. Dixons Carphone
8 ABF Associated British Foods 33 EZJ EasyJet
9 AZN AstraZeneca 34 EXPN Experian
10 AV. Aviva 35 FRES Fresnillo plc
11 BAB Babcock International 36 GKN GKN
12 BA. BAE Systems 37 GSK GlaxoSmithKline
13 BARC Barclays 38 GLEN Glencore
14 BDEV Barratt Developments 39 HMSO Hammerson
15 BKG Berkeley Group Holdings 40 HL. Hargreaves Lansdown
16 BLT BHP Billiton 41 HIK Hikma Pharmaceuticals
17 BP. BP 42 HSBA HSBC
18 BATS British American Tobacco 43 IMB Imperial Brands
19 BLND British Land 44 ISAT Inmarsat
20 BT. A BT Group 45 IHG InterContinental Hotels Group
21 BNZL Bunzl 46 IAG International Consolidated
Airlines Group SA
22 BRBY Burberry 47 ITRK Intertek
23 CPI Capita 48 INTU Intu Properties
24 CCL Carnival Corporation & plc 49 ITV ITV plc
25 CNA Centrica 50 JMAT Johnson Matthey
76
No Kode Nama Emiten No Kode Nama Emiten
51 KGF Kingfisher plc 76 SAB SABMiller
52 LAND Land Securities 77 SGE Sage Group
53 LGEN Legal & General 78 SBRY Sainsbury's
54 LLOY Lloyds Banking Group 79 SDR Schroders
55 LSE London Stock Exchange
Group 80 SVT Severn Trent
56 MKS Marks & Spencer 81 SHP Shire plc
57 MERL Merlin Entertainments 82 SKY Sky plc
58 MNDI Mondi 83 SN. Smith & Nephew
59 NG. National Grid plc 84 SMIN Smiths Group
60 NXT Next plc 85 SPD Sports Direct
61 OML Old Mutual 86 SSE SSE plc
62 PSON Pearson PLC 87 STAN Standard Chartered
63 PSN Persimmon plc 88 SL. Standard Life
64 PFG Provident Financial 89 STJ St. James's Place plc
65 PRU Prudential plc 90 TW. Taylor Wimpey
66 RRS Randgold Resources 91 TSCO Tesco
67 RB. Reckitt Benckiser 92 TPK Travis Perkins
68 REL RELX Group 93 TUI TUI Group
69 REX Rexam 94 ULVR Unilever
70 RIO Rio Tinto Group 95 UU. United Utilities
71 RR. Rolls-Royce Holdings 96 VOD Vodafone Group
72 RBS Royal Bank of Scotland
Group 97 WTB Whitbread
73 RDSA Royal Dutch Shell 98 WOS Wolseley plc
74 RMG Royal Mail 99 WPG Worldpay
75 RSA RSA Insurance Group 100 WPP WPP plc
Sumber: www.wikipedia.com
77
B. Deskriptif analisis Data
Penelitian ini bertujuan untuk menguji fenomena market anomaly
month of the year effect terhadap return dengan periode 2010 sampai dengan
2016, dengan tambahan sub-periode 2010-2013 dan 2014-2016. Data yang
digunakan adalah data return mingguan dari indeks – indeks Indonesia dan
beberapa Indeks major world. Berikut ini adalah pergerakan return indeks
Indonesia dan indeks world major periode 2010 sampai dengan 2016:
Gambar 4.1
Pergerakan return indeks periode 2010-2016
Sumber: data penelitian yang diolah (2017)
-1.0%
-0.5%
0.0%
0.5%
1.0%
1.5%
2010
2011
2012
2013
2014
2015
2016
78
Berdasarkan gambar diatas dapat dilihat fluktuasi return indeks
dari tahun ke-tahun. Dapat dilihat dari 10 indeks yang dipilih sebagai sampel
penelitian, persentase return tertinggi adalah pada indeks PEFINDO25 pada
periode tahun 2010 yaitu sebesar 1.1563%. Namun, pada tahun 2013, indeks
PEFINDO25 adalah indeks dengan return terendah dibandingkan kesepuluh
indeks lainnya, yaitu sebesar -0.6765%. Terlihat pada indeks world major,
return tertinggi adalah pada indeks DAX periode tahun 2012 yaitu sebesar
0.6113%. Sedangkan, return terendah pada indeks world major adalah pada
indeks IBEX35 pada tahun 2010 yaitu sebesar -0.5960%.
Selanjutnya dilakukan analisis statistik deskriptif untuk melihat
deskriptif data penelitian secara singkat. Seperti yang sudah disebutkan
sebelumnya, populasi penelitian ini adalah indeks – indeks yang terdaftar di
Indonesia dan indeks yang termasuk indeks world major. Setelah penentuan
sampel sesuai kriteria maka didapatkan 6 indeks Indonesia dan 4 indeks world
major periode Januari 2010 sampai dengan Desember 2016. Namun, untuk
melihat analisis month of the year effect secara lebih dalam, maka ditambahkan
sub-periode untuk melihat persistensi adanya anomaly month of the year effect.
Periode keseluruhan dibagi menjadi dua bagian yaitu sub-periode 2010-2013
dan sub-periode 2014- 2016. Berikut ini adalah hasil statistik deskriptif dari
masing – masing indeks selama periode penelitian:
79
Tabel 4.10
Uji Deskriptif statistik periode 2010 – 2016
BISNIS27 JKSE KOMPAS100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
Mean 0.0021 0.0022 0.0019 0.0022 0.0020 0.0024 0.0007 0.0017 0.0008 -0.0007
Median 0.0026 0.0031 0.0025 0.0023 0.0036 0.0030 0.0023 0.0034 0.0030 0.0017
Maximum 0.1183 0.0784 0.1029 0.1106 0.1094 0.1118 0.0883 0.0959 0.0724 0.0909
Minimum -0.1202 -0.1124 -0.1202 -0.1151 -0.1738 -0.1104 -0.1258 -0.1513 -0.1028 -0.1420
Std. Dev. 0.0285 0.0227 0.0261 0.0271 0.0295 0.0279 0.0276 0.0280 0.0213 0.0341
Skewness -0.2293 -0.6575 -0.4379 -0.1591 -0.6761 -0.1681 -0.4972 -0.5811 -0.4963 -0.2161
Kurtosis 5.2668 6.1181 5.6366 5.2196 7.4927 4.6803 4.6405 5.7590 5.3306 3.8003
Jarque-Bera 81.3474 174.169 117.388 76.464 334.775 44.657 55.969 136.306 97.5912 12.5816
Probability 0 0 0 0 0 0 0 0 0 0.001853
Sum 0.778 0.810 0.690 0.804 0.722 0.867 0.269 0.617 0.277 -0.248
Sum Sq.
Dev. 0.295 0.188 0.249 0.267 0.318 0.284 0.277 0.285 0.165 0.424
Observations 365 365 365 365 365 365 365 365 365 365
Sumber: data penelitian yang sudah diolah (2017)
80
Tabel 4.11
Uji Deskriptif statistik sub-periode 2010 – 2013
BISNIS27 JKSE KOMPAS_100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
Mean 0.0020 0.0025 0.0019 0.0021 0.0028 0.0023 0.0003 0.0021 0.0010 -0.0008
Median 0.0031 0.0041 0.0031 0.0024 0.0047 0.0040 0.0017 0.0047 0.0020 0.0008
Maximum 0.0848 0.0678 0.0807 0.0887 0.1094 0.0892 0.0883 0.0959 0.0724 0.0909
Minimum -0.1202 -0.1124 -0.1202 -0.1151 -0.1738 -0.1104 -0.1258 -0.1513 -0.1028 -0.1420
Std. Dev. 0.0292 0.0250 0.0276 0.0283 0.0331 0.0289 0.0295 0.0289 0.0220 0.0375
Skewness -0.4998 -0.9115 -0.7411 -0.4431 -0.7954 -0.4169 -0.5099 -0.7602 -0.6531 -0.1514
Kurtosis 4.9944 6.1186 5.6754 5.0703 7.5955 4.4274 4.9529 7.0923 5.9349 3.6759
Jarque-Bera 43.341 113.631 81.462 44.166 205.943 23.797 42.268 165.973 89.871 4.777
Probability 0 0 0 0 0 0.000007 0 0 0 0.09175
Sum 0.4159 0.5192 0.3922 0.4378 0.5830 0.4724 0.0655 0.4401 0.2179 -0.1626
Sum Sq.
Dev. 0.1779 0.1295 0.1584 0.1667 0.2285 0.1731 0.1808 0.1736 0.1005 0.2929
Observations 209 209 209 209 209 209 209 209 209 209
Sumber: data penelitian yang sudah diolah (2017)
81
Tabel 4.12
Uji Deskriptif statistik sub-periode 2014 – 2016
BISNIS27 JKSE KOMPAS_100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
Mean 0.0023 0.0019 0.0019 0.0023 0.0009 0.0025 0.0013 0.0011 0.0004 -0.0005
Median 0.0020 0.0013 0.0018 0.0022 0.0027 0.0021 0.0037 0.0021 0.0031 0.0027
Maximum 0.1183 0.0784 0.1029 0.1106 0.0803 0.1118 0.0558 0.0680 0.0691 0.0718
Minimum -0.0975 -0.0596 -0.0751 -0.0762 -0.0710 -0.0786 -0.0760 -0.0870 -0.0678 -0.0984
Std. Dev. 0.0275 0.0194 0.0241 0.0255 0.0239 0.0267 0.0248 0.0268 0.0204 0.0291
Skewness 0.2130 0.0788 0.1789 0.3686 -0.2793 0.2575 -0.4247 -0.2869 -0.2390 -0.3757
Kurtosis 5.6598 4.7886 5.2366 5.3376 3.7291 5.0486 3.3220 3.3040 4.1954 3.2986
Jarque-Bera 47.1645 20.9552 33.3477 39.0515 5.4841 29.0030 5.3636 2.7414 10.7743 4.2492
Probability 0 0.000028 0 0 0.064438 0.000001 0.068439 0.253927 0.004575 0.11948
Sum 0.3620 0.2905 0.2974 0.3665 0.1387 0.3944 0.2039 0.1768 0.0594 -0.0856
Sum Sq.
Dev. 0.1169 0.0586 0.0903 0.1008 0.0888 0.1105 0.0956 0.1112 0.0644 0.1313
Observations 156 156 156 156 156 156 156 156 156 156
Sumber: data penelitian yang sudah diolah (2017)
82
Berdasarkan data statistik deskriptif dari tabel 4.10, 4.11, dan tabel 4.12
menunjukkan hasil yang beragam. Berdasarkan tabel 4.10, pada periode 2010
sampai dengan 2016 dari semua sampel indeks nilai minimum PEFINDO25
adalah yang paling terkecil yaitu sebesar -0.1738, sedangkan nilai maksimum
tertinggi adalah BISNIS27 yaitu sebesar 0.1183. Nilai rata – rata (mean)
terbesar yaitu pada indeks SRIKEHATI yaitu sebesar 0.0024. Dari semua
indeks pada periode ini, dapat dilihat bahwa nilai Jarque-Bera lebih besar dari
5%, yakni berarti bahwa data bersifat berdistribusi secara normal.
Berdasarkan tabel 4.11, pada periode 2010 sampai dengan 2013 dari
semua indeks, nilai minimum IBEX35 adalah yang paling terkecil yaitu sebesar
-0.1420, sedangkan nilai maksimum tertinggi adalah PEFINDO25 yaitu sebesar
0.1094. Nilai rata – rata (mean) terbesar yaitu pada indeks PEFINDO25 yaitu
sebesar 0.0028. Dari semua indeks pada sub-periode ini, dapat dilihat bahwa
nilai Jarque-Bera lebih besar dari 5%, yakni berarti bahwa data bersifat
berdistribusi secara normal.
Berdasarkan tabel 4.12, pada periode 2010 sampai dengan 2013 dari
semua indeks, nilai minimum BISNIS27 adalah yang paling terkecil yaitu
sebesar -0.0975, dan nilai maksimum yang terbesar adalah pada BISNIS27
yaitu sebesar 0.1183. Nilai rata – rata (mean) terbesar yaitu pada indeks
SRIKEHATI yaitu sebesar 0.0025. Dari semua indeks pada sub-periode ini,
dapat dilihat bahwa nilai Jarque-Bera lebih besar dari 5%, yakni berarti bahwa
data bersifat berdistribusi secara normal.
83
C. Pengujian Month of the Year Effect
Dari enam sampel indeks Indonesia dan empat sampel indeks world major
yang dianalisis untuk mengetahui adanya fenomena market anomaly month of
the year effect pada periode 2010 sampai 2016 dan sub-periode 2010-2013 dan
2014-2016, diperoleh jumlah observasi sebanyak 356 return mingguan untuk
periode 2010-2016, sebanyak 209 jumlah observasi return mingguan untuk sub-
periode 2010-2013 dan 156 jumlah observasi return mingguan untuk sub-
periode 2014-2016.
Metode yang digunakan untuk menguji month of the year effect yaitu
dengan metode regresi OLS dan metode ARCH/GARCH. Selanjutnya dari
kedua metode diatas akan dipilih metode dengan hasil yang terbaik
menggambarkan hasil output fenomena market anomaly month of the year
effect.
1. Metode Regresi OLS
Data return mingguan selama periode penelitian akan diuji pertama
dengan menggunakan regresi linier (OLS), namun sebelumnya di perlukan
pengujian asumsi klasik agar estimator bersifat BLUE (best, linear,
unbiased estimator):
a. Uji Stasioneritas
Uji stasioneritas dilakukan dengan menggunakan Unit root
Augmented Dickey-Fuller Test (ADF), critical value yang digunakan
84
adalah 5%. Berikut adalah tabel hasil uji Stasioneritas dengan
Augmented Dickey Fuller (ADF) terhadap data return indeks:
Tabel 4.13
Uji Stasioneritas Return Indeks
t-statistic
TAHUN INDEKS BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100
IBEX
35
2010-
2016
Critical
Value
1% -3.448 -3.448 -3.448 -3.448 -3.448 -3.448 -3.448 -3.448 -3.448 -3.448
5% -2.869 -2.869 -2.869 -2.869 -2.869 -2.869 -2.869 -2.869 -2.869 -2.869
10% -2.571 -2.571 -2.571 -2.571 -2.571 -2.571 -2.571 -2.571 -2.571 -2.571
ADF test
statistic -23.456 -22.315 -23.191 -23.746 -18.436 -23.370 -19.885 -20.047 -20.281 -20.254
2010-
2013
Critical
Value
1% -3.462 -3.462 -3.462 -3.462 -3.462 -3.462 -3.462 -3.462 -3.462 -3.462
5% -2.875 -2.875 -2.875 -2.875 -2.875 -2.875 -2.875 -2.875 -2.875 -2.875
10% -2.574 -2.574 -2.574 -2.574 -2.574 -2.574 -2.574 -2.574 -2.574 -2.574
ADF test
statistic -17.720 -16.944 -17.479 -17.870 -14.250 -17.468 -15.233 -15.429 -15.340 -15.846
2014-
2016
Critical
Value
1% -3.473 -3.473 -3.473 -3.474 -3.473 -3.473 -3.473 -3.473 -3.473 -3.473
5% -2.880 -2.880 -2.880 -2.881 -2.880 -2.880 -2.880 -2.880 -2.880 -2.880
10% -2.577 -2.577 -2.577 -2.577 -2.577 -2.577 -2.577 -2.577 -2.577 -2.577
ADF test
statistic -15.221 -14.303 -15.104 -14.038 -11.356 -15.429 -12.567 -12.621 -13.134 -12.213
Sumber: data penelitian yang sudah diolah (2017)
Dari hasil uji stasioneritas dengan uji Augmented Dickey Fuller (ADF),
hasil t-statistic dari semua indeks dari setiap periode dan sub-periode
menunjukan hasil yang lebih rendah dari critical values 5%. Sehingga
dapat disimpulkan bahwa semua data tidak memiliki masalah unit root
atau data telah bersifat stasioner.
85
b. Uji Autokorelasi
Uji autokorelasi dilakukan dengan menggunakan Lagrange
Multiplier test (LM Test) atau yang juga dikenal dengan The Breusch-
Godrey (BG) test. Autokorelasi menunjukan adanya korelasi terhadap
anggota observasi diurutkan menurut waktu.
Hasil dari Lagrange Multiplier test (LM Test) terhadap return
indeks adalah dari semua indeks Indonesia maupun World Major dari
periode keseluruhan maupun kedua sub-periode, nilai prob. Chi square
dari Obs*R-squared menunjukan angka nilai yang lebih besar
dibandngkan dengan α=5%. Hal ini menunjukan bahwa tidak terdapat
autokorelasi
Berikut ini adalah tabel hasil uji Autokorelasi dengan
menggunakan Lagrange Multiplier test (LM Test):
Tabel 4.14
Uji Autokorelasi Return
prob. Chi square
TAHUN BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI
CAC
40 DAX
FTSE
100
IBEX
35
2010-2016 0.9464 0.9029 0.9879 0.888 0.3827 0.7564 0.3887 0.1867 0.1405 0.1426
2010-2013 0.7094 0.6121 0.7181 0.8192 0.1386 0.8847 0.4014 0.0521 0.2691 0.1239
2014-2016 0.6053 0.7076 0.6589 0.5423 0.3531 0.4124 0.3417 0.4526 0.0983 0.0524
Sumber: Data penelitian yang diolah (2017)
86
c. Uji Heteroskedestisitas
Langkah selanjutnya yaitu menguji keberadaan
Heteroskedestisitas. Pengujian Heteroskedestisitas yaitu menggunakan
White Heterokedasticity. Hasil dari uji Heteroskedestisitas dengan
menggunakan White Heterokedasticity dari semua periode penelitian
baik periode keseluruhan maupun kedua sub-periode, menunjukan hasil
Prob. Chi-Square dari Obs*R-Squared yang tidak signifikan terhadap
level α=5%. Atau hasil Prob. Chi-Square dari Obs*R-Squared yang
lebih besar dibandingkan dengan α=5%. Hal ini menunjukan bahwa
tidak ada masalah Heteroskedestisitas.
Berikut ini adalah tabel hasil pengujian Heteroskedestisitas
terhadap return dari keseluruhan perioded an sub-periode:
Tabel 4. 15
Uji Heteroskedestisitas Return
prob. Chi square
TAHUN BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100
IBEX
35
2010-2016 0.1058 0.0558 0.088 0.0819 0.1527 0.1415 0.7931 0.7744 0.7835 0.3521
2010-2013 0.7497 0.4731 0.467 0.272 0.0889 0.0543 0.6488 0.8123 0.3863 0.1239
2014-2016 0.5884 0.5966 0.4572 0.5229 0.3981 0.5996 0.3315 0.3026 0.2295 0.4634
Sumber: Data penelitian yang diolah (2017)
87
Setelah semua data telah memenuhi persyaratan asumsi klasik
atau data sudah bersifat BLUE, maka dilakukan uji Regresi. Berikut adalah
hasil Uji Regresi OLS terhadap data Return:
Tabel 4.16
Hasil Uji Regresi OLS periode 2010 – 2016
OLS BISNIS27 JKSE KOMPAS100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
January 0.4293 0.3631 0.4101 0.3753 0.5659 0.4221 0.8997 0.7371 0.8661 0.5233
February 0.1906 0.1584 0.1663 0.196 0.2143 0.1931 0.1793 0.2407 0.0347 0.7226
March 0.1348 0.0562 0.1134 0.1329 0.0475 0.0941 0.7185 0.3997 0.6249 0.9978
April 0.7272 0.761 0.9756 0.9562 0.5548 0.9438 0.842 0.993 0.6314 0.6234
May 0.3961 0.4456 0.406 0.527 0.8358 0.5029 0.1389 0.3573 0.0859 0.0789
June 0.7889 0.9892 0.9927 0.821 0.6016 0.6736 0.9612 0.8126 0.8746 0.9423
July 0.1349 0.1025 0.1901 0.1937 0.4096 0.081 0.9087 0.927 0.6608 0.9157
August 0.2643 0.2149 0.2085 0.2823 0.0352 0.3546 0.4796 0.1838 0.5513 0.8099
September 0.7442 0.6128 0.7806 0.6823 0.8688 0.7293 0.7563 0.5403 0.9898 0.2754
October 0.2169 0.214 0.243 0.2197 0.2538 0.3331 0.1647 0.031 0.1387 0.5417
November 0.8012 0.9214 0.8805 0.8368 0.6376 0.6905 0.8371 0.1967 0.8972 0.7651
December 0.5466 0.521 0.6124 0.6235 0.405 0.6718 0.6708 0.8399 0.3453 0.7524
Sumber: Data penelitian yang diolah (2017)
88
Tabel 4.17
Hasil Uji Regresi OLS sub-periode 2010 – 2013
OLS BISNIS27 JKSE KOMPAS100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
January 0.8548 0.9984 0.8496 0.8231 0.7837 0.722 0.7054 0.4315 0.6194 0.8079
February 0.2887 0.34 0.3411 0.3252 0.7515 0.299 0.7363 0.7112 0.2287 0.8737
March 0.1538 0.0653 0.117 0.1391 0.058 0.1157 0.8719 0.5214 0.8607 0.6063
April 0.5389 0.3245 0.4539 0.5237 0.3659 0.4187 0.6134 0.8114 0.9887 0.4621
May 0.2489 0.2975 0.2459 0.3412 0.91 0.2918 0.0798 0.2575 0.0573 0.0481
June 0.96 0.9325 0.9592 0.8684 0.5512 0.7766 0.8677 0.9727 0.9156 0.5843
July 0.3255 0.2821 0.3686 0.332 0.9111 0.1842 0.9572 0.9655 0.7432 0.9115
August 0.2709 0.316 0.2598 0.2933 0.0686 0.3421 0.4872 0.1495 0.9233 0.993
September 0.174 0.1537 0.1911 0.1667 0.068 0.1613 0.3928 0.1204 0.7296 0.0785
October 0.3286 0.3052 0.349 0.3211 0.2403 0.4225 0.1901 0.0487 0.0774 0.6789
November 0.4206 0.64 0.5294 0.4313 0.8205 0.3385 0.8334 0.4986 0.7284 0.7182
December 0.8817 0.813 0.8987 0.945 0.688 0.9878 0.6926 0.9351 0.3975 0.7501
Sumber: Data penelitian yang diolah (2017)
Tabel 4.18
Hasil Uji Regresi OLS sub-periode 2014 – 2016
OLS BISNIS27 JKSE KOMPAS100 LQ45 PEFINDO25 SRIKEHATI CAC40 DAX FTSE100 IBEX35
January 0.132 0.0977 0.0999 0.079 0.5072 0.0781 0.7487 0.6384 0.362 0.4343
February 0.4466 0.2729 0.3052 0.4059 0.0631 0.4353 0.0758 0.1662 0.0672 0.3918
March 0.5316 0.4818 0.5698 0.5751 0.4501 0.4659 0.7063 0.5911 0.5883 0.4754
April 0.1836 0.3417 0.2871 0.3545 0.715 0.2524 0.7132 0.7736 0.4331 0.8192
May 0.9478 0.864 0.8835 0.8557 0.566 0.8175 0.9155 0.9486 0.7156 0.8273
June 0.7202 0.8823 0.935 0.8777 0.9718 0.7512 0.7611 0.7425 0.7072 0.3588
July 0.2495 0.1889 0.33 0.3904 0.1586 0.2604 0.9051 0.8419 0.7755 0.9817
August 0.671 0.4636 0.5475 0.6815 0.2687 0.7577 0.8028 0.7315 0.4251 0.671
September 0.2173 0.1913 0.1777 0.2356 0.0052 0.2032 0.4885 0.303 0.6366 0.4545
October 0.4557 0.491 0.4922 0.4763 0.7917 0.5883 0.5945 0.3386 0.8985 0.6385
November 0.5938 0.6371 0.5971 0.542 0.6004 0.6222 0.5539 0.241 0.8401 0.9874
December 0.4306 0.4182 0.4935 0.4684 0.3373 0.474 0.8685 0.6642 0.6687 0.9352
Sumber: Data penelitian yang diolah (2017)
89
Berdasarkan hasil output eviews diatas, dengan menggunakan
metode regresi OLS menunjukkan adanya Fenomena market anomaly
month of the year baik pada indeks-indeks yang ada di Indonesia
maupun Indeks-indeks world major. Anomaly tersebut dapat dilihat
dari output dengan nilai probabilitas <0.05 yang artinya signifikan pada
α=5%.
Pada periode keseluruhan yaitu dari tahun 2010 sampai dengan
2016 dengan menggunakan regresi OLS, dapat ditemukan efek bulan
Maret dan Agustus pada indeks PEFINDO25, dan efek bulan Oktober
pada indeks DAX.
Pada sub-periode 2010 – 2013, dengan menggunakan model
regresi OLS, hanya dapat ditemukan efek bulan Mei pada indeks
IBEX35 dan efek bulan Oktober pada Indeks DAX. Tidak ditemukan
adanya fenomena market anomaly month of the year effect pada indeks
Indonesia pada sub-periode ini dengan menggunakan model OLS.
Pada sub-periode 2014 – 2016, dengan menggunakan model
OLS, hanya dapat ditemukan efek bulan September pada indeks
PEFINDO25. Namun, tidak ditemukannya adanya fenomena market
anomaly month of the year effect pada indeks world major. fenomena
market anomaly month of the year effect pada indeks-indeks Indonesia
dan world major pada sub-periode sebelumnya (2010-2013) tidak
muncul pada periode sub-periode (2014-2016) ini.
90
2. Metode ARCH GARCH
Selanjutnya data return mingguan selama periode akan diuji
menggunakan metode ARCH GARCH, berikut adalah proses
pengujiannya:
a. Uji GARCH (1,1) periode 2010 – 2016
Hasil uji GARCH (1,1) pada periode keseluruhan yaitu 2010
sampai dengan 2016 menunjukan bahwa adanya fenomena market
anomaly month of the year effect pada indeks – indeks Indonesia,
namun tidak pada Indeks Major World. Dengan α=5%, efek bulan
Januari dapat dilihat pada Indeks LQ45, efek bulan Maret dan Juli
pada indeks PEFINDO25. Dapat terlihat bahwa efek bulan
September terjadi pada beberapa indeks, yaitu indeks BISNIS27,
KOMPAS100, LQ45, PEFINDO, dan SRIKEHATI.
b. Uji GARCH (1,1) sub-periode 2010-2013
Pada sub-periode 2010-2013, berbeda dengan periode
kesuluruhan, dapat terlihat adanya fenomena market anomaly month
of the year effect pada indeks world major. Sama seperti periode
keseluruhan (2010-2016) efek bulan Maret dan Juli dapat terlihat
pada indeks PEFINDO25. Efek bulan Mei muncul pada IBEX35,
BISNIS27, dan SRIKEHATI. Efek bulan September merupakan
efek yang terbanyak seperti periode keseluruhan, yaitu terjadi pada
indeks BISNIS27, JKSE, KOMPAS100, LQ45, dan SRIKEHATI.
91
c. Uji GARCH (1,1) sub-periode 2014-2016
Pada sub-periode 2014-2016 dapat dilihat bahwa adanya
fenomena market anomaly month of the year effect pada indeks –
indeks Indonesia dan Indeks Major World. Efek bulan Januari
muncul pada empat indeks Indonesia, yaitu JKSE, KOMPAS100,
LQ45, dan SRIKEHATI. Sama seperti periode keseluruhan, efek
Januari muncul pada Indeks LQ45. Selanjutnya dapat dilihat bahwa
efek bulan April muncul pada hampir seluruh indeks Indonesia yang
observasi, yaitu muncul pada indeks BISNIS27, JKSE,
KOMPAS100, dan SRIKEHATI. Efek bulan Mei pada indeks
IBEX35 pada sub-periode sebelumnya menghilang pada periode ini,
namun muncul efek Februari pada indeks FTSE100. Selain itu, Efek
bulan September yang pada Sub-periode sebelumnya dapat terlihat
pada hampir seluruh indeks Indonesia yang di observasi pada sub-
periode ini hanya terlihat pada indeks PEFINDO25 yang pada sub-
periode sebelumnya tidak terlihat adanya efek bulan ini.
92
Berikut ini adalah tabel hasil pengujian fenomena market
anomaly month of the year dengan menggunakan GARCH (1,1) periode
2010 – 2016 dengan sub-periode 2010-2013 dan 2014-2016:
Tabel 4.19
Hasil Uji GARCH (1,1) periode 2010 – 2016
GARCH
(1,1)
BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX FTSE100 IBEX35
January 0.1228 0.6499 0.0689 0.0346 0.1269 0.0674 0.7183 0.745 0.9271 0.6114
February 0.1462 0.5801 0.131 0.146 0.1692 0.1311 0.3047 0.3285 0.4144 0.8073
March 0.156 0.3785 0.1365 0.1544 0.0155 0.1234 0.6276 0.3083 0.8209 0.7671
April 0.1759 0.9048 0.1915 0.2062 0.5311 0.1663 0.5126 0.9533 0.8399 0.9463
May 0.1877 0.6701 0.379 0.4271 0.8782 0.2699 0.3575 0.4034 0.4231 0.155
June 0.253 0.994 0.4801 0.3209 0.4848 0.1984 0.9486 0.3357 0.9231 0.6193
July 0.173 0.4824 0.1019 0.1501 0.0071 0.0817 0.3847 0.6736 0.8339 0.6077
August 0.4818 0.5447 0.3744 0.3962 0.0716 0.5384 0.6699 0.5283 0.787 0.702
September 0.0134 0.7637 0.019 0.0149 0.0448 0.0138 0.6467 0.4508 0.9955 0.4223
October 0.393 0.548 0.4606 0.427 0.7376 0.4237 0.3065 0.0844 0.4451 0.4855
November 0.4583 0.9678 0.6633 0.584 0.8511 0.4013 0.9796 0.1407 0.9418 0.6459
December 0.6501 0.7634 0.9331 0.7808 0.4044 0.6558 0.4465 0.6536 0.6114 0.6459
Sumber: Data penelitian yang diolah (2017)
93
Tabel 4.20
Hasil Uji GARCH (1,1) sub-periode 2010 – 2013
GARCH
(1,1)
BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100 IBEX35
January 0.6659 0.6629 0.7487 0.7991 0.4568 0.9018 0.381 0.7145 0.8224 0.9174
February 0.2582 0.3447 0.3187 0.2806 0.6906 0.274 0.9417 0.8876 0.6293 0.7893
March 0.0895 0.0557 0.0893 0.0877 0.0188 0.0658 0.572 0.7604 0.9379 0.6847
April 0.7844 0.5277 0.7103 0.7915 0.3217 0.6019 0.5707 0.9038 0.9954 0.7972
May 0.0155 0.0952 0.0685 0.0748 0.1347 0.0172 0.2989 0.5855 0.2961 0.0498
June 0.1836 0.506 0.3658 0.217 0.3553 0.1776 0.69 0.9858 0.9457 0.8455
July 0.4696 0.2526 0.3617 0.3619 0.0497 0.2804 0.2115 0.9831 0.8645 0.3671
August 0.6959 0.9371 0.6856 0.4377 0.0637 0.6363 0.6857 0.5557 0.9682 0.8448
September 0.0005 0.0001 0.0003 0.0005 0.265 0.0023 0.4193 0.461 0.8793 0.0998
October 0.4763 0.385 0.4629 0.5218 0.7399 0.5117 0.334 0.3967 0.425 0.6225
November 0.2703 0.5647 0.4539 0.343 0.9295 0.2058 0.8202 0.7201 0.8194 0.5495
December 0.9017 0.9329 0.7858 0.9322 0.5934 0.9608 0.649 0.9748 0.7443 0.6669
Sumber: Data penelitian yang diolah (2017)
Tabel 4.21
Hasil Uji GARCH (1,1) sub-periode 2014 – 2016
GARCH
(1,1)
BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100 IBEX35
January 0.0567 0.0317 0.015 0.0047 0.1422 0.0154 0.8191 0.6758 0.3484 0.1776
February 0.3612 0.2827 0.2637 0.3404 0.2411 0.2777 0.5235 0.2694 0.0208 0.3584
March 0.6682 0.6569 0.8339 0.8759 0.2629 0.7371 0.8826 0.7315 0.4853 0.5661
April 0 0.0211 0.0008 0.0034 0.7952 0.0005 0.8435 0.2306 0.3967 0.7345
May 0.9599 0.8314 0.8372 0.8137 0.5168 0.7386 0.9639 0.9468 0.8293 0.8419
June 0.4718 0.6271 0.6477 0.5616 0.8956 0.337 0.878 0.8801 0.9291 0.3495
July 0.0927 0.0617 0.1101 0.1811 0.1467 0.0649 0.9511 0.9361 0.66 0.9759
August 0.7207 0.6825 0.6489 0.6637 0.4373 0.6925 0.8878 0.8494 0.7536 0.5496
September 0.6244 0.3498 0.4817 0.6013 0.0015 0.9411 0.8292 0.6289 0.6901 0.6303
October 0.5347 0.5552 0.4958 0.4462 0.8875 0.4481 0.7487 0.0002 0.9856 0.6307
November 0.9957 0.8497 0.8537 0.7892 0.5221 0.9094 0.7671 0.0872 0.8307 0.9892
December 0.403 0.4495 0.6339 0.5664 0.4278 0.4595 0.9111 0.5311 0.196 0.8654
Sumber: Data penelitian yang diolah (2017)
94
Dari hasil output uji GARCH (1,1) diatas, perlu dilakukan diagnostic
check lebih lanjut sebagai uji kelayakan untuk model tersebut:
1. Hasil penjumlahan koefisien ARCH dan GARCH tidak lebih dari 1
(α+β<1).
Apabila hasil lebih kecil dari satu, maka dapat diindikasi bahwa
model telah stasioner. Dari hasil penjumlahan, semua indeks dari
setiap periode dan sub-periode telah menunjukan hasil bahwa model
telah stasioner.
Berikut adalah tabel hasil penjumlahan tersebut:
Tabel 4.22
Hasil penjumlahan koefisien ARCH-GARCH
Tahun GARCH
(1,1) BISNIS27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100 IBEX35
2010
-
2016
RESID (-1)
^2 0.296 0.15 0.287 0.299 0.165 0.334 0.136 0.111 0.15 0.097
GARCH (-1) 0.45 0.6 0.538 0.508 0.757 0.449 0.759 0.784 0.6 0.797
Jumlah 0.746 0.75 0.824 0.808 0.922 0.782 0.894 0.896 0.75 0.894
2010
-
2013
RESID (-1)
^2 0.411 0.43 0.387 0.322 0.193 0.333 0.261 0.15 0.15 0.159
GARCH (-1) 0.304 0.249 0.306 0.397 0.753 0.38 0.611 0.6 0.6 0.71
Jumlah 0.715 0.68 0.693 0.719 0.946 0.713 0.873 0.75 0.75 0.869
2014
-
2016
RESID (-1)
^2 0.192 0.174 0.24 0.272 0.049 0.328 0.15 0.213 -0.052 -0.028
GARCH (-1) 0.7 0.719 0.668 0.624 0.896 0.57 0.6 -0.431 1.04 0.578
Jumlah 0.892 0.893 0.908 0.895 0.945 0.898 0.75 -0.217 0.988 0.55
Sumber: Data penelitian yang diolah (2017)
95
2. Tidak adanya ARCH effect
Dengan menguji menggunakan uji ARCH-LM, p-value Obs*R-
squared harus lebih besar dari 0.05 yang menunjukan tidak adanya
gangguan heterokedastisitas. Hal ini menunjukan bahwa sudah tidak
terdapat ARCH-effect pada permodelan.
Dapat dilihat dari hasil semua indeks Indonesia maupun world
major pada periode keseluruhan dan kedua sub-periode bahwa nilai
p-value Obs*R-squared lebih besar daripada α=5%.
Berikut ini adalah tabel hasil uji ARCH-LM pada periode
keseluruhan dan sub-periode:
Tabel 4.23
Hasil uji ARCH-LM
prob. Chi square
TAHUN BISNIS
27 JKSE
KOMPAS
100 LQ45
PEFINDO
25
SRI
KEHATI CAC40 DAX
FTSE
100 IBEX35
2010 -2016 0.9536 0.1412 0.841 0.8504 0.6717 0.9056 0.6114 0.8277 0.8878 0.4922
2010-2013 0.8912 0.8086 0.7863 0.7686 0.6613 0.8239 0.9579 0.1441 0.4544 0.4806
2014-2016 0.673 0.5733 0.6176 0.7025 0.9307 0.8555 0.1349 0.6391 0.7725 0.7602
Sumber: data penelitian yang diolah (2017)
Berdasarkan hasil dari pengujian menggunakan regresi OLS dan menggunakan
GARCH (1,1) tampak menunjukan hasil yang beragam. Namun dari kedua metode
tersebut, analisis menggunakan GARCH (1,1) menggambarkan fenomena market
anomaly month of the year lebih baik dibandingkan dengan menggunakan analisis
96
regresi OLS. Dikarenakan data return indeks adalah termasuk dalam data time
series, maka data tersebut memiliki volatilitas yang tinggi. Volatilitas sering terjadi
di pasar keuangan dan sulit dihindari. Maka perilaku data time series sangat
berbeda dengan asumsi bahwa data time series kecenderungannya mempunyai
error term yang konstan dari waktu ke waktu, perilaku varians residual yang tidak
konstan dan banyak mengalami perubahan dari suatu periode ke periode yang lain
disebut heteroskedastis.
Agar permodelan terbebas dari masalah heteroskedastis maka hanya perlu
transformasi persamaan regresi. Model GARCH berbeda dengan asumsi tersebut,
heteroskedastisitas terjadi karena data time series menunjukan unsure
volatilitasnya. Salah satu pendekatan untuk memprediksi volatilitas varian residual
adalah dengan memasukan variabel independen yang mampu memprediksi
volatilitas residual, karena itulah dirasa model GARCH lebih baik dalam
memprediksi (Hamja, 2012:266).
Berikut ini adalah rangkuman uji fenomena market anomaly month of the year
effect untuk model regresi OLS dan GARCH (1,1) periode keseluruhan dan kedua
sub-periode:
97
Tabel 4.24
Rangkuman Keberadaan Month of the Year Effect periode 2010-2016
Indeks Metode Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
BISNIS27
OLS 0.0040 0.0071 0.0077 -0.0019 -0.0043 0.0014 0.0077 -0.0057 0.0017 0.0063 -0.0013 0.0031
GARCH
(1,1) 0.0073 0.0079 0.0072 -0.0053 -0.0056 0.0048 0.0062 -0.0036 0.0092 0.0050 -0.0035 0.0020
JKSE
OLS 0.0037 0.0061 0.0078 0.0013 -0.0031 0.0001 0.0067 -0.0051 0.0021 0.0051 -0.0004 0.0027
GARCH
(1,1) 0.0037 0.0061 0.0078 0.0013 -0.0031 0.0001 0.0067 -0.0051 0.0021 0.0051 -0.0004 0.0027
KOMPAS100
OLS 0.0038 0.0069 0.0075 -0.0001 -0.0039 0.0000 0.0062 -0.0059 0.0013 0.0055 -0.0007 0.0024
GARCH
(1,1) 0.0077 0.0075 0.0067 -0.0042 -0.0034 0.0028 0.0062 -0.0042 0.0086 0.0037 -0.0018 0.0003
LQ45
OLS 0.0043 0.0067 0.0074 -0.0003 -0.0030 0.0011 0.0064 -0.0053 0.0020 0.0060 -0.0010 0.0024
GARCH
(1,1) 0.0088 0.0074 0.0068 -0.0041 -0.0030 0.0040 0.0058 -0.0039 0.0090 0.0041 -0.0022 0.0013
PEFINDO25
OLS 0.0030 0.0069 0.0105 0.0032 0.0011 -0.0028 0.0044 -0.0112 0.0009 0.0061 -0.0025 0.0045
GARCH
(1,1) 0.0063 0.0080 0.0102 0.0031 -0.0007 0.0037 0.0107 -0.0091 -0.0073 0.0021 -0.0011 0.0045
SRI
KEHATI
OLS 0.0040 0.0069 0.0084 -0.0004 -0.0033 0.0022 0.0088 -0.0047 0.0018 0.0049 -0.0020 0.0022
GARCH
(1,1) 0.0081 0.0076 0.0077 -0.0042 -0.0042 0.0053 0.0085 -0.0031 0.0088 0.0040 -0.0032 0.0022
CAC40
OLS 0.0006 0.0071 0.0018 -0.0010 -0.0073 -0.0002 0.0006 -0.0035 0.0016 0.0069 0.0010 0.0022
GARCH
(1,1) 0.0017 0.0060 0.0023 0.0025 -0.0049 -0.0003 0.0044 -0.0020 0.0023 0.0050 -0.0001 0.0030
DAX
OLS 0.0017 0.0062 0.0042 0.0000 -0.0046 -0.0012 -
0.0005 -0.0067 0.0031 0.0109 0.0066 0.0010
GARCH
(1,1) 0.0016 0.0057 0.0051 0.0002 -0.0041 -0.0043 0.0023 -0.0032 0.0041 0.0089 0.0074 0.0022
FTSE100
OLS -0.0006 0.0085 -
0.0019 0.0019 -0.0065 0.0006 0.0017 -0.0023 0.0000 0.0057 -0.0005 0.0037
GARCH
(1,1) -0.0006 0.0085
-
0.0019 0.0019 -0.0065 0.0006 0.0017 -0.0023 0.0000 0.0057 -0.0005 0.0037
IBEX35
OLS -0.0039 0.0023 0.0000 -0.0031 -0.0107 -0.0005 -
0.0007 -0.0015 0.0069 0.0038 -0.0019 0.0020
GARCH
(1,1) -0.0024 0.0019 0.0019 0.0004 -0.0089 -0.0027 0.0028 -0.0024 0.0056 0.0043 -0.0027 0.0026
Sumber: data penelitian yang diolah (2017)
98
Tabel 4.25
Rangkuman Keberadaan Month of the Year Effect sub-periode 2010-2013
Indeks Metode Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
BISNIS27
OLS -0.0012 0.0078 0.0102 0.0044 -0.0080 0.0004 0.0068 -0.0079 0.0094 0.0068 -0.0059 0.0010
GARCH
(1,1) 0.0026 0.0066 0.0126 0.0018 -0.0141 0.0075 0.0039 -0.0029 0.0138 0.0059 -0.0064 -0.0007
JKSE
OLS 0.0000 0.0060 0.0112 0.0060 -0.0062 -0.0005 0.0064 -0.0061 0.0084 0.0061 -0.0029 0.0014
GARCH
(1,1) 0.0026 0.0051 0.0124 0.0035 -0.0092 0.0030 0.0044 0.0006 0.0147 0.0051 -0.0031 -0.0004
KOMPAS100
OLS -0.0012 0.0066 0.0106 0.0050 -0.0076 -0.0003 0.0059 -0.0076 0.0086 0.0061 -0.0044 0.0008
GARCH
(1,1) 0.0021 0.0058 0.0124 0.0024 -0.0102 0.0047 0.0041 -0.0034 0.0153 0.0045 -0.0044 -0.0014
LQ45
OLS -0.0015 0.0070 0.0102 0.0044 -0.0064 0.0011 0.0065 -0.0073 0.0093 0.0067 -0.0056 0.0005
GARCH
(1,1) 0.0016 0.0061 0.0125 0.0020 -0.0096 0.0066 0.0047 -0.0056 0.0148 0.0043 -0.0052 -0.0006
PEFINDO25
OLS 0.0021 0.0026 0.0153 0.0073 -0.0009 -0.0048 0.0009 -0.0147 0.0143 0.0092 -0.0019 0.0031
GARCH
(1,1) 0.0052 0.0030 0.0139 0.0076 -0.0090 0.0070 0.0095 -0.0156 0.0077 0.0046 0.0010 0.0037
SRI
KEHATI
OLS -0.0024 0.0075 0.0111 0.0057 -0.0072 0.0020 0.0091 -0.0067 0.0096 0.0055 -0.0069 -0.0001
GARCH
(1,1) 0.0007 0.0061 0.0134 0.0038 -0.0129 0.0078 0.0075 -0.0039 0.0128 0.0047 -0.0064 -0.0004
CAC40
OLS 0.0026 0.0025 0.0012 -0.0037 -0.0124 0.0012 0.0004 -0.0050 0.0060 0.0092 -0.0016 0.0028
GARCH
(1,1) 0.0070 0.0005 0.0030 0.0030 -0.0089 0.0018 0.0123 -0.0023 0.0045 0.0076 -0.0012 0.0025
DAX
OLS 0.0052 0.0027 0.0045 0.0017 -0.0077 -0.0002 0.0003 -0.0102 0.0106 0.0135 0.0049 -0.0006
GARCH
(1,1) 0.0052 0.0027 0.0045 0.0017 -0.0077 -0.0002 0.0003 -0.0102 0.0106 0.0135 0.0049 -0.0006
FTSE100
OLS 0.0025 0.0067 -0.0009 -0.0001 -0.0099 -0.0006 0.0017 -0.0005 0.0018 0.0092 -0.0019 0.0044
GARCH
(1,1) 0.0025 0.0067 -0.0009 -0.0001 -0.0099 -0.0006 0.0017 -0.0005 0.0018 0.0092 -0.0019 0.0044
IBEX35
OLS -0.0021 -0.0015 -0.0047 -0.0067 -0.0177 0.0050 -0.0010 0.0001 0.0157 0.0037 -0.0034 0.0028
GARCH
(1,1) 0.0007 -0.0037 -0.0033 0.0019 -0.0173 0.0014 0.0076 -0.0020 0.0138 0.0045 -0.0046 0.0038
Sumber: data penelitian yang diolah (2017)
99
Tabel 4.26
Rangkuman Keberadaan Month of the Year Effect sub-periode 2014-2016
Sumber: data penelitian yang diolah (2017)
Indeks Metode Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
BISNIS27
OLS 0.0116 0.0061 0.0046 -0.0107 0.0005 0.0028 0.0089 -0.0031 -0.0099 0.0057 0.0040 0.0063
GARCH
(1,1) 0.0125 0.0078 0.0031 -0.0183 0.0004 0.0049 0.0122 -0.0026 -0.0031 0.0057 0.0000 0.0058
JKSE
OLS 0.0090 0.0062 0.0037 -0.0054 0.0009 0.0008 0.0072 -0.0038 -0.0074 0.0037 0.0025 0.0046
GARCH
(1,1) 0.0096 0.0075 0.0023 -0.0080 0.0012 0.0023 0.0102 -0.0022 -0.0043 0.0039 0.0009 0.0037
KOMPAS100
OLS 0.0112 0.0072 0.0037 -0.0075 0.0010 0.0006 0.0066 -0.0039 -0.0095 0.0046 0.0034 0.0048
GARCH
(1,1) 0.0125 0.0089 0.0015 -0.0115 0.0014 0.0026 0.0102 -0.0028 -0.0038 0.0052 0.0011 0.0030
LQ45
OLS 0.0127 0.0062 0.0039 -0.0069 0.0013 0.0011 0.0062 -0.0028 -0.0089 0.0051 0.0042 0.0054
GARCH
(1,1) 0.0144 0.0082 0.0013 -0.0105 0.0017 0.0033 0.0089 -0.0027 -0.0031 0.0058 0.0017 0.0041
PEFINDO25
OLS 0.0043 0.0127 0.0047 -0.0025 0.0036 -0.0002 0.0092 -0.0070 -0.0192 0.0017 -0.0033 0.0065
GARCH
(1,1) 0.0079 0.0135 0.0067 -0.0017 0.0039 0.0010 0.0110 -0.0047 -0.0187 0.0008 -0.0035 0.0063
SRI
KEHATI
OLS 0.0132 0.0061 0.0053 -0.0089 0.0017 0.0024 0.0084 -0.0022 -0.0099 0.0041 0.0036 0.0056
GARCH
(1,1) 0.0139 0.0082 0.0030 -0.0132 0.0024 0.0053 0.0119 -0.0026 -0.0004 0.0054 0.0007 0.0054
CAC40
OLS -0.0023 0.0131 0.0026 0.0027 -0.0007 -0.0021 0.0008 -0.0017 -0.0051 0.0038 0.0040 0.0012
GARCH
(1,1) -0.0023 0.0131 0.0026 0.0027 -0.0007 -0.0021 0.0008 -0.0017 -0.0051 0.0038 0.0040 0.0012
DAX
OLS -0.0036 0.0109 0.0039 -0.0023 -0.0005 -0.0025 -0.0015 -0.0025 -0.0081 0.0072 0.0086 0.0034
GARCH
(1,1) -0.0020 0.0130 0.0032 -0.0061 0.0005 -0.0012 -0.0005 0.0014 -0.0047 0.0190 0.0098 0.0046
FTSE100
OLS -0.0052 0.0110 -0.0030 0.0047 -0.0020 0.0022 0.0016 -0.0044 -0.0028 0.0007 0.0011 0.0026
GARCH
(1,1) -0.0038 0.0116 -0.0036 0.0047 -0.0019 -0.0007 0.0033 -0.0019 -0.0028 0.0001 0.0015 0.0075
IBEX35
OLS -0.0065 0.0074 0.0057 0.0020 -0.0017 -0.0076 -0.0002 -0.0034 -0.0065 0.0039 -0.0001 0.0007
GARCH
(1,1) -0.0090 0.0076 0.0055 0.0027 -0.0020 -0.0076 -0.0003 -0.0038 -0.0066 0.0037 0.0001 0.0012
100
Beberapa indeks pada periode 2010 sampai dengan 2016 dan sub-periode
menunjukan nilai probabilitas yang signifikan pada α=5%, hal ini mengindikasi
bahwa adanya fenomena market anomaly month of the year effect. Pada periode
2010 – 2016 pada beberapa indeks terlihat adanya efek bulan Maret, Juli, Agustus,
September, dan Oktober. Selanjutnya, untuk sub-periode 2010 – 2013, efek bulan
Maret, Mei, Juli, September, dan Oktober. Dan untuk sub-periode 2014 – 2016,
signifikan bulan Januari, Februari, April, Agustus, dan September.
Berdasarkan penelitian Qiwei Chen (2012) alasan mengapa risiko lebih tinggi
hanya pada bulan Januari dapat dilihat dari hasil periode sampel menyiratkan
bahwa volatilitas return pasar meningkat ketika pengumuman laporan keuangan
ditutup. Dikarenakan ketidakpastian terkait dengan kinerja perusahaan, investor
akan menjual saham untuk menghindari risiko yang mungkin, yang mengarah ke
volatilitas pasar yang meningkat. Hasil penelitiannya menunjukkan bahwa efek
musiman, yang didefinisikan sebagai fakta bahwa dalam bulan kalender tertentu,
mean return pasar secara signifikan lebih tinggi dari bulan-bulan lainnya sepanjang
tahun, karena kompensasi dari volatilitas pasar yang lebih tinggi. volatilitas pasar
meningkat terkait dengan ketidakpastian pengumuman laporan keuangan. Pada
penelitiannya ditemukan efek Januari di Amerika Serikat, Januari dan April efek di
Inggris, Efek Juli di Australia dan tidak ada efek musiman yang signifikan di Cina.
Penelitian tersebut mendukung penelitian Christos Floros dan Enrique Salvador
(2014) melakukan pengujian anomali kalender (day of the week dan monthly
seasonal effect) di FTSE100 (UK), FTSE/ASE-20 (Greece), S&P500 (US) and
101
Nasdaq100 (US) spot dan future indeks dengan periode 2004–2011. Efek kalender
dikondisikan dengan situasi pasar. Pada saat situasi volatilitas rendah efek kalender
cenderung positif, tetapi efek ini berubah negatif apabila pasar berada di bawah
periode volatilitas yang tinggi. Temuan ini dianjurkan untuk manajer risiko
keuangan berurusan dengan pasar berjangka.
Sesuai dengan hasil penelitian Jihen Jbenieni Gouider, Amira Kaddour & Azza
Hmaid (2015) yang meneliti efek anomali kalender pada bursa saham Tunisia.
Dengan periode dibagi menjadi tiga periode (keseluruhan, sesudah dan sebelum
revolusi) dan menggunakan metode GARCH (1,1), Sebagian besar anomali dapat
dijelaskan oleh kombinasi dari berbagai faktor seperti suspensi perdagangan selama
akhir pekan, portofolio rebalancing, saat publikasi informasi dan sentimen
investor. Di sisi lain, juga dapat disimpulkan hasil volatilitas tinggi dan rendah
return saham setelah revolusi, yang menyebabkan hilangnya anomali di pasar
Tunisia. Fenomena ini dapat dijelaskan oleh ketidakpastian dan kurangnya
kepercayaan di kalangan investor di bawah situasi negara baru.
Ricky Chee-Jiun Chia dan Venus Khim-Sen Liew (2012) juga menguji adanya
Anomali efek bulan (month of the year effect) pada indeks NIKKEI225 dari bursa
saham Tokyo (Tokyo Stock Exchange / TSE). Metode yang digunakan adalah
Regresi dan TGARCH. Hasil penelitian terdapat efek November di indeks
NIKKEI225. Adanya month of the year effect menunjukkan bahwa melalui strategi
waktu investasi yang benar, manajer keuangan, konselor keuangan dan investor
bisa mengambil keuntungan dari pola tersebut.
102
Pada periode keseluruhan dan sub-periode 2010 – 2013 efek bulan September
banyak terlihat pada hampir seluruh indeks Indonesia. Ini berarti ada hal – hal yang
mempengaruhi pasar modal Indonesia pada bulan tersebut. Hari besar islam yaitu
Idul Adha terjadi pada bulan September selama periode penelitian, kemungkinan
idul adha mempengaruhi pasar modal Indonesia pada bulan September dikarenakan
sebagian besar penduduk Indonesia beragama islam sehingga perayaan ini
mempengaruhi pasar modal Indonesia namun tidak Pasar modal world Major yang
di uji peneliti. Selain itu, pada sub periode 2014 – 2016 terlihat adanya efek bulan
April pada hampir seluruh indeks Indonesia. Perayaan maulid nabi terjadi pada
bulan April selama sub periode tersebut.
Berdasarkan hasil penelitian, pada sub-periode 2014-2016 efek bulan Januari
terlihat signifikan pada probabilitas 5%, namun pada sub-periode sebelumnya
terindikasi bahwa tidak adanya efek bulan Januari di indeks Indonesia maupun
indeks world major. Evangelos Vasileiou dan Aristeidis Samitas (2014) menguji
efek bulan pada bursa efek Yunani. Berdasarkan hasil penelitiannya efek Januari
signifikan hadir selama masa pertumbuhan, tetapi memudar selama periode resesi.
Selain itu, tren keuangan mempengaruhi hasil beberapa bulan lain. Adapun efek
bulan Juli menampilkan tanda-tanda untuk return positif, khususnya selama periode
pertumbuhan, sedangkan hasil bulan Maret menunjukkan justru sebaliknya. Selama
periode resesi, secara signifikan hasil menurun pada bulan Februari, Juni dan
November. Kesimpulan yang paling signifikan mengenai month of the year effect
adalah bahwa efek Januari memudar selama periode resesi. Oleh karena itu,
103
penjelasan untuk keberadaan efek bulan Januari yang memudar selama bertahun-
tahun mungkin dikarenakan tren keuangan yang berubah.
Dari hasil keseluruhan penelitian, terlihat bahwa jumlah terjadinya month of the
year effect pada indeks Indonesia terjadi lebih banyak dibandingkan dengan Indeks
World Major. Bursa Efek Indonesia (BEI) mengungkapkan, pertumbuhan indeks
saham Indonesia mengalami pertumbuhan tertinggi kedua di kawasan Asia Pasifik.
Namun, kapitalisasi pasar Saham Indonesia jauh tertinggal dibanding dengan
negara-negara lain. Pertumbuhan IHSG mengalahkan indeks acuan di Thailand,
Filipina, Hong Kong, Singapura, Malaysia dan juga Jepang. Namun sayangnya,
meskipun pengalami pertumbuhan yang cukup tinggi, nilai kapitalisasi pasar saham
di Indonesia masih cukup kecil. (Bisnis.Liputan6.com)
Sesuai dengan penelitian Tajinder Jassal dan Babli Dhiman (2015) yang
meneliti adanya month of the year effect pada BSE (Bombay Stock Exchange).
Anomali masih ada di pasar saham India namun mereka yang lebih menonjol di
saham-saham berkapitalisasi kecil dan Saham kapitalisasi menengah. Oleh karena
itu ada peluang yang tersedia untuk investor dalam pasar saham India. Investor
dapat merencanakan strategi portofolio sesuai dengan anomali untuk mendapat
keuntungan yang abnormal dari Indians stock Market.
104
BAB V
PENUTUP
A. Kesimpulan
Peneliti menguji fenomena market anomaly month of the year effect
terhadap return indeks Indonesia dan indeks world major pada periode 2010
sampai 2016 dan dengan sub-periode tahun 2010-2013 dan 2014-2016. Dari
hasil analisis data dan pembahasan hasil penelitian yang telah dilakukan, maka
dapat disimpulkan sebagai berikut:
1. Hasil penelitian menunjukan adanya fenomena month of the year effect
dengan menggunakan model GARCH (1,1) dan model OLS pada indeks
Indonesia pada periode 2010 – 2016 dan sub-periode 2014 - 2016. Pada
sub-periode 2010 sampai 2013, hasil penelitian menunjukkan adanya
fenomena month of the year effect pada indeks Indonesia dengan
menggunakan model GARCH (1,1), namun, tidak ditemukan adanya
fenomena month of the year effect pada sub-periode ini dengan
menggunakan model OLS.
2. Hasil Penelitian pada periode 2010 sampai 2016, dengan menggunakan
model GARCH (1,1) tidak ditemukannya month of the year effect pada
indeks world major. Namun, dengan menggunakan model OLS, dapat
ditemukan efek positif bulan Oktober pada indeks DAX. Pada sub-periode
2010 sampai 2013, hasil penelitian menunjukkan adanya efek bulan Mei
105
pada indeks IBEX35 dengan menggunakan model GARCH (1,1).
Sedangkan dengan menggunakan model OLS, ditemukan efek bulan Mei
pada indeks IBEX35 dan efek bulan Oktober pada Indeks DAX. Pada sub-
periode 2014 sampai 2016, hasil penelitian menunjukkan ditemukan adanya
efek bulan Februari pada indeks FTSE100 dengan menggunakan uji
GARCH (1,1). Namun dengan menggunakan model OLS, tidak
ditemukannya adanya month of the year.
3. Fenomena month of the year effect pada indeks Indonesia dan world major
pada sub-periode 2010-2013 tidak persisten muncul pada sub-periode 2014
- 2016. Beberapa efek bulan yang ditemukan pada sub-periode awal, terlihat
menghilang pada sub-periode selanjutnya, namun ditemukan efek bulan
lain pada sub-periode selanjutnya. Dari output data, model GARCH (1,1)
terlihat lebih baik menggambarkan adanya fenomena market anomaly
month of the year effect dibandingkan dengan menggunakan model OLS.
Hasil penelitian menunjukan bahwa Pasar Modal Indonesia bersifat tidak
efisien dibandingkan dengan beberapa pasar modal world major. Pasar
modal Indonesia bersifat tidak efisien dibandingkan dengan negara tersebut
di karenakan kapitalisasi pasar Indonesia yang tidak besar. Dari kesimpulan
diatas, apabila investor dapat memanfaatkan fenomena month of the year
effect untuk mendapatkan keuntungan lebih, sebaiknya investor
berinvestasi pada pasar modal Indonesia dibandingkan beberapa pasar
modal world major dikarenakan volatilitas harga saham yang tinggi.
106
B. Implikasi
Berdasarkan pada penelitian yang telah dilakukan, mengenai analisis
fenomena market anomaly month of the year effect semoga hasil dari penelitian
ini dapat berguna bagi beberapa pihak:
1. Implikasi Bagi Investor
Hasil penelitian ini diharapkan dapat bermanfaat sebagai suatu referensi
dan penyedia Informasi, sehingga dapat menjadi pertimbangan sebelum
melakukan investasi di pasar modal. Selain itu, investor dapat
mempelajari pola return pasar sebagai salah satu strategi dalam
melakukan jual beli saham dimasa yang akan datang dalam rangka
untuk
mendapatkan keuntungan lebih di dalam pasar modal.
2. Implikasi Bagi Perusahaan
Hasil penelitian ini dapat dijadikan informasi tambahan dan
pertimbangan bagi perusahaan dalam melakukan kebijakan yang
berhubungan dengan investasi.
3. Implikasi Bagi Akademik
Penelitian ini diharapkan dapat digunakan sebagai bahan rujukan bagi
penelitian selanjutnya di bidang Manajemen keuangan, Khususnya
yang bersangkutan dengan analisis mengenai anomal pasar dan analisis
mengenai efisiensi pasar.
107
C. Saran
Telah disadari bahwa penelitian ini masih banyak terdapat kekurangan.
Oleh karenanya, berikut disajikan saran terkait untuk perkembangan penelitian
selanjutnya:
1. Peneliti selanjutnya disarankan untuk menggunakan pengujian analisis
dengan teknik berbeda. Serta membandingkannya dengan metode yang
telah digunakan dalam penelitian ini. Dan memberikan hasil metode
mana yang lebih baik.
2. Peneliti selanjutnya diharapkan dapat menguji seluruh indeks yang
terdapat di Indonesia dan menguji indeks world major lebih banyak di
bandingkan penelitian ini sehingga dapat memberikan pandangan yang
lebih luas.
3. Diharapkan periode penelitian yang dilakukan peneliti selanjutnya
dapat di perpanjang dan menggunakan beberapa sub-periode lebih
banyak agar dapat membandingkan dari sub-periode ke sub-periode dan
memperoleh hasil yang lebih baik lagi.
108
DAFTAR PUSTAKA
Ali F. Darrat, Bin Li, dan Richard Chung. “Seasonal Anomalies: A Closer Look at the
Johannesburg Stock Exchange”. Contemporary Management Research Pages
155-168, Vol. 9, No. 2, 2013.
Agan Deep Sharma, Sanjiv Mittal dan Prachi Khurana. “Month of the year anomalies
in stock markets: Evidence from India”. the international journal of applied
economics and finance vol 8 issue 3, 2014.
Anonim. “IDX Fact Book 2016”. Jakarta: Research Division Bursa Efek Indonesia,
2016.
Bodie, Alex Kane, Alan J. Marcus.”Manajemen Portofolio dan Investasi”. Salemba
Empat, Jakarta, 2014.
Bollerslev, T. “Generalized Autoregressive Conditional Heteroscedasticity”. Journal
of Econometrics, Vol.31, 1986.
Chen, Qiwei. “Risk and Seasonal Effects: International Evidence”. Economics and
Finance Working Paper Series, No. 12-15, 2012.
Chia Jiun, Ricky Chee dan Venus Khim Liew Sen. “Month of the Year and Symmetrical
Effects in the Nikkei 225”. IOSR Journal of Business and Management Volume
3, Issue 2, 2012.
Christodoulou-Volos, Christos N. dan Andreas Hadjixenophontos. “Calendar
Anomalies in The London Stock Exchange: A Re-Examination”. The Cyprus
Journal of Sciences Vol. 13, 2015.
Corrado, Charles J dan Jordan. “Fundamentals of investments Valuation and
Management”. McGraw-Hill, New York, 2002.
Darmaji, Tjiptono dan Hendy M. Fakhruddin. “Pasar Modal di Indonesia Pendekatan
Tanya Jawab”. Salemba empat, Jakarta, 2001.
Deyshappriya, N. P. Ravindra Deyshappriya. “An Empirical Investigation on Stock
Market Anomalies: The Evidence from Colombo Stock Exchange in Sri Lanka”.
International Journal of Economics and Finance Vol. 6 No. 3, 2014.
Ekananda, Mahyus. “Analisis Data Time Series Untuk Penelitian Ekonomi,
Manajemen Dan Akuntansi”, Mitra Wacana Media, Jakarta, 2014.
Fama. “Efficient Capital Markets: A Review of Theory and Empirical Work”. The
Journal of Finance, Vol 25, No. 25, 1970.
109
Fitriyani, Indah dan Maria M. Ratna Sari. “Analisis January Effect Pada Kelompok
Saham Indeks LQ-45 Di Bursa Efek Indonesia Tahun 2009-2011”. E-Jurnal
Akuntansi Universitas Udayana 4.2, 2013.
Floros, hristos dan Enrique Salvador. “Calendar anomalies in cash and stock index
futures: International evidence”. Economic Modelling Volume 37, Pages 216–
223, 2014.
Georgantopoulos, Andreas G., Dimitris F. Kenourgios dan Anastasios D. Tsamis.
“Calendar Anomalies in Emerging Balkan Equity Markets”. International
Economics dan Finance Journal Vol. 6, No. 1, 2011.
Giovanis, Eleftherios. “The Turn-of-the-Month-Effect: Evidence from Periodic
Generalized Autoregressive Conditional Heteroskedasticity (PGARCH)
Model”. International Journal of Economic Sciences and Applied Research
Vol. 7 Iss.3 pp. 43-61, 2014.
Gouider, Jihen Jbenieni, Amira Kaddour dan Azza Hmaid. “Stock Market Anomalies:
Case of Calendar Effects on the Tunisian Stock Market”. Global Journal of
Management and Business Research: (B) Economics and Commerce, Volume
15 Issue 2, 2015.
Hakim, Abdul. “Pengantar Ekonomi Eknometrika”, EKONISIA, Yogyakarta, 2014.
Jamróz, Paweł dan Grzegorz Koronkiewicz. “The Occurrence of the Day of the Week
Effects on Polish and Major World Stock Markets”. Paper on Logic and
Rationality Vol 37, Issue 1, 2014.
Jassal, Tajinder dan Babli Dhiman. “Heterogeneous Evidence an Analysis of Monthly
Anomaly”. International Journal of Applied Business and Economic Research
Vol. 13 No. 3, 2015.
Jones, Charles P. “Investment: Analysis and Management”. John Wiley and Son ,
California, 1998.
Levy, Haim S. “Intoduction Investement”. South Western Publishing, 1996.
Majid, M. Shabri ABD., Zulfa Alvi Vakhira, dan Salina Kassim. ”Do Conventional
and Islamic Stock Markets Subject to Different Market Anomalies? Empirical
Evidences from Indonesia and Malaysia”. Journal of Applied Economic
Sciences Volume XI Issue 5(43), 2016
Nachrowi, Djalal Nachrowi dan Hardius Usman. “Analisis Ekonometrika untuk
Ekonomi dan Keuangan”. LPFEUI, Jakarta, 2006.
Pandekar Galih dan Nadia Putrini. “Turn-off-the-Month Effect on Stocks in LQ45 Index
and Various Sectors in the Indonesia Stock Exchange using GARCH (p,q)”.
Indonesian Capital Market Review Vol. IV No.1, 2012.
110
Qi, Ming dan Wenyao Wang. “The Monthly Effects in Chinese Gold Market”.
International Journal of Economics and Finance; Vol. 5, No. 10, 2013.
R. A, Shochrul, Dyah, Rahmat, Martha. “Cara Cerdas Menguasai EViews”. Salemba
Empat, Jakarta, 2011.
Rizwan Ahmed dan Jingsi Leng. “Seasonality Effects through ARCH and GARCH
model: Evidence from Shanghai Stock Market (China)”. SSRN eLibrary, 2016.
Robiyanto. ”Month of The Year Effect Pada Beberapa Pasar Modal Di Asia Tenggara
dan Pasar Komoditas”. Jurnal Ekonomi dan Bisnis Volume XVIII No. 2, 2015.
Rodoni, Ahmad dan Ali, Herni. “Manajemen Keuangan”. Mitra Wacana Media,
Jakarta, 2010.
Sadalia, Isfenti dan Octavianus Pandiangan. “Analisis Anomali Pasar Perdagangan
Pada Return Saham Di Bursa Efek Indonesia”. Jurnal Ekonom Vol. 13, No.2,
2010.
Samsul, Mohamad.”Pasar Modal dan Manajemen Portofolio”. Erlangga. Jakarta,
2006.
Saputro, Aditya Probo dan Sukirno. “Day of The Week Effect Dan Month Of The Year
Effect Terhadap Return Indeks Pasar”. Jurnal Nominal Volume III No 2, 2014.
Sharpe, William. “Investment”. Sixth Edition. Prentice Hall, New Jersey, 1999.
Suad, Husnan. “Teori Portofolio dan Analisis Sekuritas”. UPP AMP YKPN,
Yogyakarta, 1998.
Sunariyah. “Pengantar Pengetahuan Pasar Modal”. UPP STIM YKPN, Jakarta, 2011.
Thushara, S.C. dan Prabath Perera. “The Month of The Year Effect: Empirical
Evidence from Colombo Stock Exchange”. International Conference on
Management and Economics, 2013.
Urquhart, Andrew dan Frank McGroarty. “Calendar effects, market conditions and the
Adaptive Market Hypothesis: Evidence from long-run U.S. data”. International
Review of Financial Analysis Volume 35, October 2014, Pages 154–166, 2014.
Vasileiou, Evangelos dan Aristeidis Samitas. “Does the financial crisis influence the
month and the trading month effects? Evidence from the Athens Stock
Exchange”. Studies in Economics and Finance Vol. 32 No. 2, 2014.
Werastuti, Desak Nyoman Sri. “Anomali Pasar Pada Return Saham: The Day of Week
Effect, Week Four Effect, Rogalsky Effect, dan January Effect”. Jurnal Ilmiah
Akuntansi dan Humanika Vol.2 No.1, 2012.
111
Yalçın, Kadir Can. “Market Rationality: Efficient Market Hypothesis versus Market
Anomalies”. European Journal of Economic and Political Studies vol 3, issue
2, 2010.
http://jurnal-sdm.blogspot.co.id/2009/07/indek-lq-45-definisi-kriteria-dan.html
diakses pada 10 Desember 2016 pukul 19.45 WIB.
https://finance.detik.com/bursa-dan-valas/3298411/mengenal-lq-45 diakses pada 10
Desember 2016 pukul 19.45 WIB.
https://www.share.com/new-to-investing/the-ftse-100-what-does-it-all-mean/ diakses
pada 10 Desember 2016 pukul 19.45 WIB.
http://www.wikinvest.com/index/German_DAX_Index_(GDAXI) diakses pada 10
Desember 2016 pukul 19.45 WIB.
https://id.wikipedia.org/wiki/Indeks_Harga_Saham_Gabungan#Sejarah_nilai_IHSG
diakses pada 10 Desember 2016 pukul 19.45 WIB.
https://id.wikipedia.org/wiki/IBEX_35 diakses pada 10 Desember 2016 pukul 19.45
WIB.
https://id.wikipedia.org/wiki/CAC_40 diakses pada 10 Desember 2016 pukul 19.45
WIB.
http://bisnis.liputan6.com/read/2098941/kapitalisasi-pasar-saham-ri-jauh-di-bawah-
negara-lain-di-asia diakses pada 10 Desember 2016 pukul 19.45 WIB.
112
LAMPIRAN
LAMPIRAN 1: Uji Regresi Linier Return Indeks Periode 2010 – 2016
Dependent Variable: BISNIS27
Method: Least Squares
Date: 03/13/17 Time: 00:41
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.003991 0.005044 0.791265 0.4293
@MONTH=2 0.007072 0.005392 1.311469 0.1906
@MONTH=3 0.007681 0.005125 1.498797 0.1348
@MONTH=4 -0.001850 0.005299 -0.349100 0.7272
@MONTH=5 -0.004285 0.005044 -0.849567 0.3961
@MONTH=6 0.001396 0.005210 0.268002 0.7889
@MONTH=7 0.007679 0.005125 1.498471 0.1349
@MONTH=8 -0.005730 0.005125 -1.118148 0.2643
@MONTH=9 0.001701 0.005210 0.326497 0.7442
@MONTH=10 0.006340 0.005125 1.237035 0.2169
@MONTH=11 -0.001312 0.005210 -0.251922 0.8012
@MONTH=12 0.003144 0.005210 0.603459 0.5466
R-squared 0.024948 Mean dependent var 0.002131
Adjusted R-squared -0.005436 S.D. dependent var 0.028456
S.E. of regression 0.028534 Akaike info criterion -4.243141
Sum squared resid 0.287402 Schwarz criterion -4.114925
Log likelihood 786.3732 Hannan-Quinn criter. -4.192186
Durbin-Watson stat 2.484330
113
Dependent Variable: JKSE
Method: Least Squares
Date: 03/13/17 Time: 02:46
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.003664 0.004024 0.910630 0.3631
@MONTH=2 0.006080 0.004302 1.413359 0.1584
@MONTH=3 0.007831 0.004088 1.915604 0.0562
@MONTH=4 0.001287 0.004227 0.304429 0.7610
@MONTH=5 -0.003073 0.004024 -0.763645 0.4456
@MONTH=6 5.65E-05 0.004156 0.013605 0.9892
@MONTH=7 0.006694 0.004088 1.637337 0.1025
@MONTH=8 -0.005079 0.004088 -1.242310 0.2149
@MONTH=9 0.002105 0.004156 0.506509 0.6128
@MONTH=10 0.005090 0.004088 1.245009 0.2140
@MONTH=11 -0.000411 0.004156 -0.098782 0.9214
@MONTH=12 0.002670 0.004156 0.642521 0.5210
R-squared 0.027973 Mean dependent var 0.002218
Adjusted R-squared -0.002317 S.D. dependent var 0.022735
S.E. of regression 0.022762 Akaike info criterion -4.695143
Sum squared resid 0.182889 Schwarz criterion -4.566927
Log likelihood 868.8636 Hannan-Quinn criter. -4.644189
Durbin-Watson stat 2.387559
114
Dependent Variable: KOMPAS_100
Method: Least Squares
Date: 03/13/17 Time: 02:56
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.003822 0.004634 0.824712 0.4101
@MONTH=2 0.006872 0.004954 1.387151 0.1663
@MONTH=3 0.007472 0.004708 1.587005 0.1134
@MONTH=4 -0.000149 0.004868 -0.030665 0.9756
@MONTH=5 -0.003856 0.004634 -0.832008 0.4060
@MONTH=6 4.36E-05 0.004786 0.009107 0.9927
@MONTH=7 0.006181 0.004708 1.312763 0.1901
@MONTH=8 -0.005932 0.004708 -1.260036 0.2085
@MONTH=9 0.001334 0.004786 0.278799 0.7806
@MONTH=10 0.005506 0.004708 1.169523 0.2430
@MONTH=11 -0.000720 0.004786 -0.150388 0.8805
@MONTH=12 0.002427 0.004786 0.507137 0.6124
R-squared 0.024745 Mean dependent var 0.001889
Adjusted R-squared -0.005645 S.D. dependent var 0.026140
S.E. of regression 0.026214 Akaike info criterion -4.412736
Sum squared resid 0.242569 Schwarz criterion -4.284521
Log likelihood 817.3244 Hannan-Quinn criter. -4.361782
Durbin-Watson stat 2.455733
115
Dependent Variable: LQ45
Method: Least Squares
Date: 03/13/17 Time: 03:01
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.004273 0.004814 0.887640 0.3753
@MONTH=2 0.006667 0.005146 1.295416 0.1960
@MONTH=3 0.007368 0.004891 1.506308 0.1329
@MONTH=4 -0.000278 0.005057 -0.054968 0.9562
@MONTH=5 -0.003048 0.004814 -0.633219 0.5270
@MONTH=6 0.001126 0.004972 0.226490 0.8210
@MONTH=7 0.006369 0.004891 1.302178 0.1937
@MONTH=8 -0.005266 0.004891 -1.076705 0.2823
@MONTH=9 0.002037 0.004972 0.409612 0.6823
@MONTH=10 0.006014 0.004891 1.229517 0.2197
@MONTH=11 -0.001025 0.004972 -0.206083 0.8368
@MONTH=12 0.002443 0.004972 0.491331 0.6235
R-squared 0.021128 Mean dependent var 0.002203
Adjusted R-squared -0.009375 S.D. dependent var 0.027106
S.E. of regression 0.027233 Akaike info criterion -4.336483
Sum squared resid 0.261789 Schwarz criterion -4.208267
Log likelihood 803.4082 Hannan-Quinn criter. -4.285528
Durbin-Watson stat 2.492066
116
Dependent Variable: PEFINDO25
Method: Least Squares
Date: 03/13/17 Time: 03:06
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.002995 0.005212 0.574642 0.5659
@MONTH=2 0.006932 0.005572 1.244047 0.2143
@MONTH=3 0.010531 0.005296 1.988673 0.0475
@MONTH=4 0.003236 0.005475 0.591073 0.5548
@MONTH=5 0.001081 0.005212 0.207419 0.8358
@MONTH=6 -0.002813 0.005383 -0.522628 0.6016
@MONTH=7 0.004372 0.005296 0.825587 0.4096
@MONTH=8 -0.011197 0.005296 -2.114415 0.0352
@MONTH=9 0.000890 0.005383 0.165356 0.8688
@MONTH=10 0.006053 0.005296 1.143027 0.2538
@MONTH=11 -0.002538 0.005383 -0.471469 0.6376
@MONTH=12 0.004488 0.005383 0.833736 0.4050
R-squared 0.033566 Mean dependent var 0.001977
Adjusted R-squared 0.003450 S.D. dependent var 0.029536
S.E. of regression 0.029485 Akaike info criterion -4.177525
Sum squared resid 0.306892 Schwarz criterion -4.049309
Log likelihood 774.3983 Hannan-Quinn criter. -4.126570
Durbin-Watson stat 2.024114
117
Dependent Variable: SRIKEHATI
Method: Least Squares
Date: 03/13/17 Time: 03:09
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.003979 0.004951 0.803644 0.4221
@MONTH=2 0.006902 0.005293 1.303922 0.1931
@MONTH=3 0.008445 0.005031 1.678741 0.0941
@MONTH=4 -0.000367 0.005201 -0.070582 0.9438
@MONTH=5 -0.003320 0.004951 -0.670548 0.5029
@MONTH=6 0.002156 0.005114 0.421523 0.6736
@MONTH=7 0.008805 0.005031 1.750214 0.0810
@MONTH=8 -0.004663 0.005031 -0.926992 0.3546
@MONTH=9 0.001771 0.005114 0.346281 0.7293
@MONTH=10 0.004876 0.005031 0.969238 0.3331
@MONTH=11 -0.002038 0.005114 -0.398462 0.6905
@MONTH=12 0.002169 0.005114 0.424089 0.6718
R-squared 0.023496 Mean dependent var 0.002375
Adjusted R-squared -0.006934 S.D. dependent var 0.027912
S.E. of regression 0.028009 Akaike info criterion -4.280268
Sum squared resid 0.276927 Schwarz criterion -4.152052
Log likelihood 793.1489 Hannan-Quinn criter. -4.229313
Durbin-Watson stat 2.473933
118
Dependent Variable: CAC40
Method: Least Squares
Date: 03/13/17 Time: 03:15
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.000618 0.004901 0.126106 0.8997
@MONTH=2 0.007050 0.005240 1.345449 0.1793
@MONTH=3 0.001796 0.004980 0.360687 0.7185
@MONTH=4 -0.001027 0.005149 -0.199432 0.8420
@MONTH=5 -0.007270 0.004901 -1.483268 0.1389
@MONTH=6 -0.000246 0.005062 -0.048646 0.9612
@MONTH=7 0.000572 0.004980 0.114771 0.9087
@MONTH=8 -0.003524 0.004980 -0.707698 0.4796
@MONTH=9 0.001572 0.005062 0.310577 0.7563
@MONTH=10 0.006934 0.004980 1.392451 0.1647
@MONTH=11 0.001041 0.005062 0.205715 0.8371
@MONTH=12 0.002154 0.005062 0.425453 0.6708
R-squared 0.018660 Mean dependent var 0.000738
Adjusted R-squared -0.011920 S.D. dependent var 0.027562
S.E. of regression 0.027726 Akaike info criterion -4.300568
Sum squared resid 0.271362 Schwarz criterion -4.172353
Log likelihood 796.8537 Hannan-Quinn criter. -4.249614
Durbin-Watson stat 2.128218
119
Dependent Variable: DAX
Method: Least Squares
Date: 03/13/17 Time: 03:30
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.001663 0.004950 0.335925 0.7371
@MONTH=2 0.006219 0.005292 1.175138 0.2407
@MONTH=3 0.004241 0.005029 0.843242 0.3997
@MONTH=4 4.57E-05 0.005200 0.008788 0.9930
@MONTH=5 -0.004562 0.004950 -0.921705 0.3573
@MONTH=6 -0.001213 0.005112 -0.237280 0.8126
@MONTH=7 -0.000461 0.005029 -0.091659 0.9270
@MONTH=8 -0.006698 0.005029 -1.331799 0.1838
@MONTH=9 0.003134 0.005112 0.612998 0.5403
@MONTH=10 0.010893 0.005029 2.166017 0.0310
@MONTH=11 0.006613 0.005112 1.293543 0.1967
@MONTH=12 0.001033 0.005112 0.202126 0.8399
R-squared 0.028470 Mean dependent var 0.001690
Adjusted R-squared -0.001804 S.D. dependent var 0.027976
S.E. of regression 0.028001 Akaike info criterion -4.280811
Sum squared resid 0.276777 Schwarz criterion -4.152595
Log likelihood 793.2480 Hannan-Quinn criter. -4.229856
Durbin-Watson stat 2.172945
120
Dependent Variable: FTSE100
Method: Least Squares
Date: 03/13/17 Time: 04:03
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.000635 0.003762 -0.168720 0.8661
@MONTH=2 0.008526 0.004022 2.120181 0.0347
@MONTH=3 -0.001870 0.003822 -0.489332 0.6249
@MONTH=4 0.001897 0.003952 0.480161 0.6314
@MONTH=5 -0.006479 0.003762 -1.722410 0.0859
@MONTH=6 0.000613 0.003885 0.157896 0.8746
@MONTH=7 0.001678 0.003822 0.439160 0.6608
@MONTH=8 -0.002279 0.003822 -0.596415 0.5513
@MONTH=9 -4.98E-05 0.003885 -0.012816 0.9898
@MONTH=10 0.005672 0.003822 1.484066 0.1387
@MONTH=11 -0.000502 0.003885 -0.129317 0.8972
@MONTH=12 0.003672 0.003885 0.945073 0.3453
R-squared 0.030702 Mean dependent var 0.000760
Adjusted R-squared 0.000497 S.D. dependent var 0.021285
S.E. of regression 0.021280 Akaike info criterion -4.829792
Sum squared resid 0.159849 Schwarz criterion -4.701577
Log likelihood 893.4371 Hannan-Quinn criter. -4.778838
Durbin-Watson stat 2.178985
121
Dependent Variable: IBEX35
Method: Least Squares
Date: 03/13/17 Time: 04:06
Sample: 1/03/2010 12/25/2016
Included observations: 365
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.003885 0.006080 -0.638871 0.5233
@MONTH=2 0.002309 0.006500 0.355291 0.7226
@MONTH=3 -1.70E-05 0.006178 -0.002753 0.9978
@MONTH=4 -0.003139 0.006387 -0.491497 0.6234
@MONTH=5 -0.010713 0.006080 -1.761972 0.0789
@MONTH=6 -0.000455 0.006280 -0.072461 0.9423
@MONTH=7 -0.000655 0.006178 -0.105966 0.9157
@MONTH=8 -0.001487 0.006178 -0.240777 0.8099
@MONTH=9 0.006860 0.006280 1.092454 0.2754
@MONTH=10 0.003774 0.006178 0.610869 0.5417
@MONTH=11 -0.001878 0.006280 -0.298986 0.7651
@MONTH=12 0.001983 0.006280 0.315705 0.7524
R-squared 0.015529 Mean dependent var -0.000680
Adjusted R-squared -0.015149 S.D. dependent var 0.034138
S.E. of regression 0.034395 Akaike info criterion -3.869467
Sum squared resid 0.417613 Schwarz criterion -3.741251
Log likelihood 718.1777 Hannan-Quinn criter. -3.818512
Durbin-Watson stat 2.146767
122
LAMPIRAN 2: Uji Regresi Linier Return Indeks Periode 2010 – 2013
Dependent Variable: BISNIS27
Method: Least Squares
Date: 03/13/17 Time: 01:01
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.001233 0.006730 -0.183256 0.8548
@MONTH=2 0.007803 0.007334 1.063939 0.2887
@MONTH=3 0.010187 0.007115 1.431672 0.1538
@MONTH=4 0.004380 0.007115 0.615531 0.5389
@MONTH=5 -0.007996 0.006915 -1.156367 0.2489
@MONTH=6 0.000357 0.007115 0.050176 0.9600
@MONTH=7 0.006816 0.006915 0.985736 0.3255
@MONTH=8 -0.007856 0.007115 -1.104162 0.2709
@MONTH=9 0.009435 0.006915 1.364527 0.1740
@MONTH=10 0.006772 0.006915 0.979303 0.3286
@MONTH=11 -0.005920 0.007334 -0.807144 0.4206
@MONTH=12 0.001030 0.006915 0.148961 0.8817
R-squared 0.046733 Mean dependent var 0.001990
Adjusted R-squared -0.006495 S.D. dependent var 0.029242
S.E. of regression 0.029337 Akaike info criterion -4.164266
Sum squared resid 0.169544 Schwarz criterion -3.972362
Log likelihood 447.1658 Hannan-Quinn criter. -4.086678
Durbin-Watson stat 2.541255
123
Dependent Variable: JKSE
Method: Least Squares
Date: 03/13/17 Time: 05:00
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -1.14E-05 0.005740 -0.001980 0.9984
@MONTH=2 0.005983 0.006255 0.956463 0.3400
@MONTH=3 0.011247 0.006068 1.853395 0.0653
@MONTH=4 0.005994 0.006068 0.987797 0.3245
@MONTH=5 -0.006160 0.005897 -1.044529 0.2975
@MONTH=6 -0.000515 0.006068 -0.084832 0.9325
@MONTH=7 0.006360 0.005897 1.078499 0.2821
@MONTH=8 -0.006100 0.006068 -1.005219 0.3160
@MONTH=9 0.008446 0.005897 1.432220 0.1537
@MONTH=10 0.006063 0.005897 1.028049 0.3052
@MONTH=11 -0.002930 0.006255 -0.468493 0.6400
@MONTH=12 0.001397 0.005897 0.236864 0.8130
R-squared 0.047946 Mean dependent var 0.002484
Adjusted R-squared -0.005214 S.D. dependent var 0.024955
S.E. of regression 0.025020 Akaike info criterion -4.482607
Sum squared resid 0.123319 Schwarz criterion -4.290702
Log likelihood 480.4324 Hannan-Quinn criter. -4.405019
Durbin-Watson stat 2.437147
124
Dependent Variable: KOMPAS_100
Method: Least Squares
Date: 03/13/17 Time: 05:40
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.001207 0.006354 -0.189905 0.8496
@MONTH=2 0.006607 0.006924 0.954205 0.3411
@MONTH=3 0.010576 0.006717 1.574463 0.1170
@MONTH=4 0.005041 0.006717 0.750434 0.4539
@MONTH=5 -0.007596 0.006528 -1.163718 0.2459
@MONTH=6 -0.000344 0.006717 -0.051266 0.9592
@MONTH=7 0.005883 0.006528 0.901190 0.3686
@MONTH=8 -0.007591 0.006717 -1.130061 0.2598
@MONTH=9 0.008564 0.006528 1.311982 0.1911
@MONTH=10 0.006129 0.006528 0.938848 0.3490
@MONTH=11 -0.004362 0.006924 -0.630081 0.5294
@MONTH=12 0.000832 0.006528 0.127483 0.8987
R-squared 0.045965 Mean dependent var 0.001876
Adjusted R-squared -0.007306 S.D. dependent var 0.027594
S.E. of regression 0.027695 Akaike info criterion -4.279445
Sum squared resid 0.151099 Schwarz criterion -4.087540
Log likelihood 459.2020 Hannan-Quinn criter. -4.201857
Durbin-Watson stat 2.501558
125
Dependent Variable: LQ45
Method: Least Squares
Date: 03/13/17 Time: 05:45
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.001461 0.006525 -0.223892 0.8231
@MONTH=2 0.007013 0.007110 0.986289 0.3252
@MONTH=3 0.010246 0.006898 1.485319 0.1391
@MONTH=4 0.004407 0.006898 0.638839 0.5237
@MONTH=5 -0.006396 0.006704 -0.954109 0.3412
@MONTH=6 0.001144 0.006898 0.165850 0.8684
@MONTH=7 0.006519 0.006704 0.972457 0.3320
@MONTH=8 -0.007269 0.006898 -1.053747 0.2933
@MONTH=9 0.009305 0.006704 1.388055 0.1667
@MONTH=10 0.006668 0.006704 0.994666 0.3211
@MONTH=11 -0.005608 0.007110 -0.788657 0.4313
@MONTH=12 0.000463 0.006704 0.069096 0.9450
R-squared 0.043877 Mean dependent var 0.002095
Adjusted R-squared -0.009511 S.D. dependent var 0.028308
S.E. of regression 0.028442 Akaike info criterion -4.226198
Sum squared resid 0.159363 Schwarz criterion -4.034294
Log likelihood 453.6377 Hannan-Quinn criter. -4.148610
Durbin-Watson stat 2.545486
126
Dependent Variable: PEFINDO25
Method: Least Squares
Date: 03/13/17 Time: 05:50
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.002085 0.007588 0.274840 0.7837
@MONTH=2 0.002622 0.008269 0.317051 0.7515
@MONTH=3 0.015295 0.008022 1.906680 0.0580
@MONTH=4 0.007269 0.008022 0.906177 0.3659
@MONTH=5 -0.000883 0.007796 -0.113228 0.9100
@MONTH=6 -0.004789 0.008022 -0.596953 0.5512
@MONTH=7 0.000872 0.007796 0.111805 0.9111
@MONTH=8 -0.014688 0.008022 -1.830911 0.0686
@MONTH=9 0.014305 0.007796 1.834951 0.0680
@MONTH=10 0.009182 0.007796 1.177788 0.2403
@MONTH=11 -0.001879 0.008269 -0.227249 0.8205
@MONTH=12 0.003135 0.007796 0.402110 0.6880
R-squared 0.056728 Mean dependent var 0.002790
Adjusted R-squared 0.004058 S.D. dependent var 0.033143
S.E. of regression 0.033076 Akaike info criterion -3.924345
Sum squared resid 0.215516 Schwarz criterion -3.732440
Log likelihood 422.0940 Hannan-Quinn criter. -3.846757
Durbin-Watson stat 2.122716
127
Dependent Variable: SRIKEHATI
Method: Least Squares
Date: 03/13/17 Time: 06:04
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.002361 0.006627 -0.356299 0.7220
@MONTH=2 0.007519 0.007221 1.041279 0.2990
@MONTH=3 0.011068 0.007006 1.579957 0.1157
@MONTH=4 0.005677 0.007006 0.810354 0.4187
@MONTH=5 -0.007196 0.006808 -1.057005 0.2918
@MONTH=6 0.001990 0.007006 0.284082 0.7766
@MONTH=7 0.009072 0.006808 1.332479 0.1842
@MONTH=8 -0.006672 0.007006 -0.952419 0.3421
@MONTH=9 0.009573 0.006808 1.406159 0.1613
@MONTH=10 0.005472 0.006808 0.803782 0.4225
@MONTH=11 -0.006929 0.007221 -0.959504 0.3385
@MONTH=12 -0.000104 0.006808 -0.015293 0.9878
R-squared 0.050645 Mean dependent var 0.002260
Adjusted R-squared -0.002365 S.D. dependent var 0.028850
S.E. of regression 0.028885 Akaike info criterion -4.195320
Sum squared resid 0.164360 Schwarz criterion -4.003416
Log likelihood 450.4109 Hannan-Quinn criter. -4.117732
Durbin-Watson stat 2.515724
128
Dependent Variable: CAC40
Method: Least Squares
Date: 03/13/17 Time: 06:08
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.002587 0.006833 0.378573 0.7054
@MONTH=2 0.002511 0.007446 0.337167 0.7363
@MONTH=3 0.001166 0.007224 0.161445 0.8719
@MONTH=4 -0.003656 0.007224 -0.506079 0.6134
@MONTH=5 -0.012364 0.007021 -1.761104 0.0798
@MONTH=6 0.001205 0.007224 0.166840 0.8677
@MONTH=7 0.000377 0.007021 0.053752 0.9572
@MONTH=8 -0.005029 0.007224 -0.696097 0.4872
@MONTH=9 0.006012 0.007021 0.856350 0.3928
@MONTH=10 0.009230 0.007021 1.314752 0.1901
@MONTH=11 -0.001569 0.007446 -0.210659 0.8334
@MONTH=12 0.002780 0.007021 0.395929 0.6926
R-squared 0.033346 Mean dependent var 0.000314
Adjusted R-squared -0.020629 S.D. dependent var 0.029483
S.E. of regression 0.029786 Akaike info criterion -4.133867
Sum squared resid 0.174777 Schwarz criterion -3.941962
Log likelihood 443.9891 Hannan-Quinn criter. -4.056279
Durbin-Watson stat 2.180698
129
Dependent Variable: DAX
Method: Least Squares
Date: 03/13/17 Time: 06:10
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.005233 0.006638 0.788323 0.4315
@MONTH=2 0.002682 0.007234 0.370751 0.7112
@MONTH=3 0.004508 0.007018 0.642292 0.5214
@MONTH=4 0.001676 0.007018 0.238882 0.8114
@MONTH=5 -0.007746 0.006820 -1.135694 0.2575
@MONTH=6 -0.000241 0.007018 -0.034302 0.9727
@MONTH=7 0.000296 0.006820 0.043338 0.9655
@MONTH=8 -0.010154 0.007018 -1.446928 0.1495
@MONTH=9 0.010638 0.006820 1.559823 0.1204
@MONTH=10 0.013526 0.006820 1.983256 0.0487
@MONTH=11 0.004905 0.007234 0.678018 0.4986
@MONTH=12 -0.000556 0.006820 -0.081583 0.9351
R-squared 0.049874 Mean dependent var 0.002106
Adjusted R-squared -0.003178 S.D. dependent var 0.028890
S.E. of regression 0.028936 Akaike info criterion -4.191787
Sum squared resid 0.164942 Schwarz criterion -3.999882
Log likelihood 450.0417 Hannan-Quinn criter. -4.114199
Durbin-Watson stat 2.252477
130
Dependent Variable: FTSE100
Method: Least Squares
Date: 03/13/17 Time: 06:13
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.002520 0.005065 0.497493 0.6194
@MONTH=2 0.006665 0.005519 1.207587 0.2287
@MONTH=3 -0.000941 0.005355 -0.175706 0.8607
@MONTH=4 -7.59E-05 0.005355 -0.014174 0.9887
@MONTH=5 -0.009949 0.005204 -1.911971 0.0573
@MONTH=6 -0.000568 0.005355 -0.106081 0.9156
@MONTH=7 0.001707 0.005204 0.328075 0.7432
@MONTH=8 -0.000516 0.005355 -0.096381 0.9233
@MONTH=9 0.001801 0.005204 0.346148 0.7296
@MONTH=10 0.009239 0.005204 1.775555 0.0774
@MONTH=11 -0.001920 0.005519 -0.347813 0.7284
@MONTH=12 0.004413 0.005204 0.848029 0.3975
R-squared 0.044465 Mean dependent var 0.001043
Adjusted R-squared -0.008890 S.D. dependent var 0.021980
S.E. of regression 0.022077 Akaike info criterion -4.732829
Sum squared resid 0.096019 Schwarz criterion -4.540925
Log likelihood 506.5807 Hannan-Quinn criter. -4.655241
Durbin-Watson stat 2.214570
131
Dependent Variable: IBEX35
Method: Least Squares
Date: 03/13/17 Time: 06:16
Sample: 1/03/2010 12/29/2013
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.002108 0.008660 -0.243402 0.8079
@MONTH=2 -0.001502 0.009437 -0.159174 0.8737
@MONTH=3 -0.004726 0.009155 -0.516188 0.6063
@MONTH=4 -0.006746 0.009155 -0.736848 0.4621
@MONTH=5 -0.017692 0.008897 -1.988514 0.0481
@MONTH=6 0.005017 0.009155 0.548005 0.5843
@MONTH=7 -0.000990 0.008897 -0.111307 0.9115
@MONTH=8 8.04E-05 0.009155 0.008784 0.9930
@MONTH=9 0.015736 0.008897 1.768650 0.0785
@MONTH=10 0.003689 0.008897 0.414595 0.6789
@MONTH=11 -0.003410 0.009437 -0.361370 0.7182
@MONTH=12 0.002837 0.008897 0.318902 0.7501
R-squared 0.041850 Mean dependent var -0.000778
Adjusted R-squared -0.011651 S.D. dependent var 0.037529
S.E. of regression 0.037747 Akaike info criterion -3.660142
Sum squared resid 0.280686 Schwarz criterion -3.468238
Log likelihood 394.4849 Hannan-Quinn criter. -3.582554
Durbin-Watson stat 2.255804
132
LAMPIRAN 3: Uji Regresi Linier Return Indeks Periode 2014 – 2016
Dependent Variable: BISNIS27
Method: Least Squares
Date: 03/13/17 Time: 01:18
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.011627 0.007676 1.514799 0.1320
@MONTH=2 0.006097 0.007989 0.763168 0.4466
@MONTH=3 0.004639 0.007396 0.627138 0.5316
@MONTH=4 -0.010675 0.007989 -1.336146 0.1836
@MONTH=5 0.000486 0.007396 0.065640 0.9478
@MONTH=6 0.002755 0.007676 0.358931 0.7202
@MONTH=7 0.008875 0.007676 1.156212 0.2495
@MONTH=8 -0.003149 0.007396 -0.425706 0.6710
@MONTH=9 -0.009901 0.007989 -1.239274 0.2173
@MONTH=10 0.005741 0.007676 0.747997 0.4557
@MONTH=11 0.003953 0.007396 0.534458 0.5938
@MONTH=12 0.006314 0.007989 0.790363 0.4306
R-squared 0.056453 Mean dependent var 0.002321
Adjusted R-squared -0.015623 S.D. dependent var 0.027461
S.E. of regression 0.027675 Akaike info criterion -4.262767
Sum squared resid 0.110291 Schwarz criterion -4.028163
Log likelihood 344.4959 Hannan-Quinn criter. -4.167481
Durbin-Watson stat 2.465455
133
Dependent Variable: JKSE
Method: Least Squares
Date: 03/13/17 Time: 06:20
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.009036 0.005420 1.667077 0.0977
@MONTH=2 0.006209 0.005642 1.100585 0.2729
@MONTH=3 0.003684 0.005223 0.705309 0.4818
@MONTH=4 -0.005382 0.005642 -0.953984 0.3417
@MONTH=5 0.000896 0.005223 0.171615 0.8640
@MONTH=6 0.000804 0.005420 0.148266 0.8823
@MONTH=7 0.007155 0.005420 1.320126 0.1889
@MONTH=8 -0.003839 0.005223 -0.734966 0.4636
@MONTH=9 -0.007407 0.005642 -1.312891 0.1913
@MONTH=10 0.003743 0.005420 0.690508 0.4910
@MONTH=11 0.002469 0.005223 0.472771 0.6371
@MONTH=12 0.004580 0.005642 0.811837 0.4182
R-squared 0.061269 Mean dependent var 0.001862
Adjusted R-squared -0.010440 S.D. dependent var 0.019442
S.E. of regression 0.019543 Akaike info criterion -4.958578
Sum squared resid 0.054999 Schwarz criterion -4.723974
Log likelihood 398.7691 Hannan-Quinn criter. -4.863292
Durbin-Watson stat 2.366374
134
Dependent Variable: KOMPAS_100
Method: Least Squares
Date: 03/13/17 Time: 06:24
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.011171 0.006746 1.655942 0.0999
@MONTH=2 0.007226 0.007021 1.029086 0.3052
@MONTH=3 0.003703 0.006500 0.569646 0.5698
@MONTH=4 -0.007502 0.007021 -1.068410 0.2871
@MONTH=5 0.000954 0.006500 0.146791 0.8835
@MONTH=6 0.000551 0.006746 0.081663 0.9350
@MONTH=7 0.006593 0.006746 0.977375 0.3300
@MONTH=8 -0.003919 0.006500 -0.602871 0.5475
@MONTH=9 -0.009511 0.007021 -1.354530 0.1777
@MONTH=10 0.004645 0.006746 0.688526 0.4922
@MONTH=11 0.003443 0.006500 0.529711 0.5971
@MONTH=12 0.004820 0.007021 0.686424 0.4935
R-squared 0.057075 Mean dependent var 0.001906
Adjusted R-squared -0.014954 S.D. dependent var 0.024143
S.E. of regression 0.024323 Akaike info criterion -4.521024
Sum squared resid 0.085188 Schwarz criterion -4.286420
Log likelihood 364.6399 Hannan-Quinn criter. -4.425738
Durbin-Watson stat 2.457153
135
Dependent Variable: LQ45
Method: Least Squares
Date: 03/13/17 Time: 06:30
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.012654 0.007152 1.769163 0.0790
@MONTH=2 0.006205 0.007444 0.833540 0.4059
@MONTH=3 0.003872 0.006892 0.561823 0.5751
@MONTH=4 -0.006915 0.007444 -0.928852 0.3545
@MONTH=5 0.001256 0.006892 0.182231 0.8557
@MONTH=6 0.001103 0.007152 0.154159 0.8777
@MONTH=7 0.006161 0.007152 0.861428 0.3904
@MONTH=8 -0.002834 0.006892 -0.411257 0.6815
@MONTH=9 -0.008867 0.007444 -1.191026 0.2356
@MONTH=10 0.005108 0.007152 0.714118 0.4763
@MONTH=11 0.004213 0.006892 0.611298 0.5420
@MONTH=12 0.005412 0.007444 0.727037 0.4684
R-squared 0.049553 Mean dependent var 0.002349
Adjusted R-squared -0.023051 S.D. dependent var 0.025496
S.E. of regression 0.025788 Akaike info criterion -4.403989
Sum squared resid 0.095765 Schwarz criterion -4.169384
Log likelihood 355.5111 Hannan-Quinn criter. -4.308703
Durbin-Watson stat 2.490258
136
Dependent Variable: PEFINDO25
Method: Least Squares
Date: 03/13/17 Time: 06:33
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.004325 0.006505 0.664862 0.5072
@MONTH=2 0.012679 0.006770 1.872747 0.0631
@MONTH=3 0.004747 0.006268 0.757266 0.4501
@MONTH=4 -0.002477 0.006770 -0.365885 0.7150
@MONTH=5 0.003606 0.006268 0.575298 0.5660
@MONTH=6 -0.000230 0.006505 -0.035411 0.9718
@MONTH=7 0.009219 0.006505 1.417233 0.1586
@MONTH=8 -0.006959 0.006268 -1.110244 0.2687
@MONTH=9 -0.019232 0.006770 -2.840653 0.0052
@MONTH=10 0.001721 0.006505 0.264556 0.7917
@MONTH=11 -0.003291 0.006268 -0.525050 0.6004
@MONTH=12 0.006518 0.006770 0.962755 0.3373
R-squared 0.107517 Mean dependent var 0.000889
Adjusted R-squared 0.039341 S.D. dependent var 0.023929
S.E. of regression 0.023453 Akaike info criterion -4.593793
Sum squared resid 0.079209 Schwarz criterion -4.359188
Log likelihood 370.3158 Hannan-Quinn criter. -4.498507
Durbin-Watson stat 1.913489
137
Dependent Variable: SRIKEHATI
Method: Least Squares
Date: 03/13/17 Time: 06:37
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 0.013245 0.007465 1.774240 0.0781
@MONTH=2 0.006079 0.007770 0.782317 0.4353
@MONTH=3 0.005259 0.007194 0.731090 0.4659
@MONTH=4 -0.008930 0.007770 -1.149195 0.2524
@MONTH=5 0.001664 0.007194 0.231243 0.8175
@MONTH=6 0.002372 0.007465 0.317709 0.7512
@MONTH=7 0.008435 0.007465 1.129819 0.2604
@MONTH=8 -0.002224 0.007194 -0.309133 0.7577
@MONTH=9 -0.009933 0.007770 -1.278346 0.2032
@MONTH=10 0.004050 0.007465 0.542488 0.5883
@MONTH=11 0.003552 0.007194 0.493783 0.6222
@MONTH=12 0.005578 0.007770 0.717844 0.4740
R-squared 0.055447 Mean dependent var 0.002528
Adjusted R-squared -0.016706 S.D. dependent var 0.026695
S.E. of regression 0.026917 Akaike info criterion -4.318318
Sum squared resid 0.104331 Schwarz criterion -4.083714
Log likelihood 348.8288 Hannan-Quinn criter. -4.223032
Durbin-Watson stat 2.491045
138
Dependent Variable: CAC40
Method: Least Squares
Date: 03/13/17 Time: 06:40
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.002259 0.007038 -0.321023 0.7487
@MONTH=2 0.013102 0.007326 1.788492 0.0758
@MONTH=3 0.002561 0.006782 0.377592 0.7063
@MONTH=4 0.002698 0.007326 0.368279 0.7132
@MONTH=5 -0.000720 0.006782 -0.106232 0.9155
@MONTH=6 -0.002144 0.007038 -0.304675 0.7611
@MONTH=7 0.000840 0.007038 0.119400 0.9051
@MONTH=8 -0.001697 0.006782 -0.250243 0.8028
@MONTH=9 -0.005088 0.007326 -0.694508 0.4885
@MONTH=10 0.003755 0.007038 0.533451 0.5945
@MONTH=11 0.004024 0.006782 0.593344 0.5539
@MONTH=12 0.001215 0.007326 0.165812 0.8685
R-squared 0.030260 Mean dependent var 0.001307
Adjusted R-squared -0.043818 S.D. dependent var 0.024838
S.E. of regression 0.025377 Akaike info criterion -4.436158
Sum squared resid 0.092734 Schwarz criterion -4.201554
Log likelihood 358.0203 Hannan-Quinn criter. -4.340872
Durbin-Watson stat 2.091570
139
Dependent Variable: DAX
Method: Least Squares
Date: 03/13/17 Time: 06:43
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.003555 0.007549 -0.470950 0.6384
@MONTH=2 0.010934 0.007857 1.391536 0.1662
@MONTH=3 0.003917 0.007275 0.538438 0.5911
@MONTH=4 -0.002265 0.007857 -0.288204 0.7736
@MONTH=5 -0.000470 0.007275 -0.064566 0.9486
@MONTH=6 -0.002485 0.007549 -0.329113 0.7425
@MONTH=7 -0.001508 0.007549 -0.199821 0.8419
@MONTH=8 -0.002501 0.007275 -0.343743 0.7315
@MONTH=9 -0.008123 0.007857 -1.033775 0.3030
@MONTH=10 0.007248 0.007549 0.960065 0.3386
@MONTH=11 0.008565 0.007275 1.177428 0.2410
@MONTH=12 0.003418 0.007857 0.434992 0.6642
R-squared 0.040621 Mean dependent var 0.001134
Adjusted R-squared -0.032665 S.D. dependent var 0.026785
S.E. of regression 0.027219 Akaike info criterion -4.295999
Sum squared resid 0.106686 Schwarz criterion -4.061394
Log likelihood 347.0879 Hannan-Quinn criter. -4.200713
Durbin-Watson stat 2.105045
140
Dependent Variable: FTSE100
Method: Least Squares
Date: 03/13/17 Time: 06:45
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.005245 0.005735 -0.914482 0.3620
@MONTH=2 0.011008 0.005970 1.843977 0.0672
@MONTH=3 -0.002999 0.005527 -0.542578 0.5883
@MONTH=4 0.004693 0.005970 0.786115 0.4331
@MONTH=5 -0.002018 0.005527 -0.365116 0.7156
@MONTH=6 0.002158 0.005735 0.376329 0.7072
@MONTH=7 0.001639 0.005735 0.285705 0.7755
@MONTH=8 -0.004421 0.005527 -0.799866 0.4251
@MONTH=9 -0.002826 0.005970 -0.473449 0.6366
@MONTH=10 0.000733 0.005735 0.127736 0.8985
@MONTH=11 0.001117 0.005527 0.202164 0.8401
@MONTH=12 0.002560 0.005970 0.428842 0.6687
R-squared 0.043555 Mean dependent var 0.000381
Adjusted R-squared -0.029507 S.D. dependent var 0.020381
S.E. of regression 0.020680 Akaike info criterion -4.845532
Sum squared resid 0.061581 Schwarz criterion -4.610928
Log likelihood 389.9515 Hannan-Quinn criter. -4.750246
Durbin-Watson stat 2.161512
141
Dependent Variable: IBEX35
Method: Least Squares
Date: 03/13/17 Time: 06:47
Sample: 1/05/2014 12/25/2016
Included observations: 156
Variable Coefficient Std. Error t-Statistic Prob.
@MONTH=1 -0.006481 0.008267 -0.784012 0.4343
@MONTH=2 0.007391 0.008604 0.859028 0.3918
@MONTH=3 0.005701 0.007966 0.715607 0.4754
@MONTH=4 0.001970 0.008604 0.228959 0.8192
@MONTH=5 -0.001741 0.007966 -0.218560 0.8273
@MONTH=6 -0.007611 0.008267 -0.920627 0.3588
@MONTH=7 -0.000190 0.008267 -0.022962 0.9817
@MONTH=8 -0.003391 0.007966 -0.425706 0.6710
@MONTH=9 -0.006453 0.008604 -0.749928 0.4545
@MONTH=10 0.003891 0.008267 0.470733 0.6385
@MONTH=11 -0.000126 0.007966 -0.015821 0.9874
@MONTH=12 0.000700 0.008604 0.081405 0.9352
R-squared 0.025263 Mean dependent var -0.000549
Adjusted R-squared -0.049196 S.D. dependent var 0.029099
S.E. of regression 0.029807 Akaike info criterion -4.114376
Sum squared resid 0.127934 Schwarz criterion -3.879771
Log likelihood 332.9213 Hannan-Quinn criter. -4.019090
Durbin-Watson stat 1.979753
142
LAMPIRAN 4: Uji GARCH (1,1) Return Indeks Periode 2010 – 2016
Dependent Variable: BISNIS27
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 00:47
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 27 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.007330 0.004750 1.543268 0.1228
@MONTH=2 0.007928 0.005456 1.452925 0.1462
@MONTH=3 0.007192 0.005069 1.418768 0.1560
@MONTH=4 -0.005273 0.003896 -1.353365 0.1759
@MONTH=5 -0.005648 0.004288 -1.317282 0.1877
@MONTH=6 0.004835 0.004230 1.143058 0.2530
@MONTH=7 0.006233 0.004574 1.362635 0.1730
@MONTH=8 -0.003645 0.005181 -0.703378 0.4818
@MONTH=9 0.009173 0.003708 2.473775 0.0134
@MONTH=10 0.004970 0.005818 0.854245 0.3930
@MONTH=11 -0.003469 0.004677 -0.741723 0.4583
@MONTH=12 0.001958 0.004316 0.453666 0.6501
Variance Equation
C 0.000214 6.21E-05 3.441039 0.0006
RESID(-1)^2 0.295963 0.069959 4.230538 0.0000
GARCH(-1) 0.449730 0.114049 3.943307 0.0001
143
Dependent Variable: JKSE
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 02:48
Sample: 1/03/2010 12/25/2016
Included observations: 365
Failure to improve likelihood (non-zero gradients) after 0 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.003664 0.008073 0.453872 0.6499
@MONTH=2 0.006080 0.010988 0.553298 0.5801
@MONTH=3 0.007831 0.008892 0.880737 0.3785
@MONTH=4 0.001287 0.010759 0.119600 0.9048
@MONTH=5 -0.003073 0.007213 -0.426018 0.6701
@MONTH=6 5.65E-05 0.007569 0.007470 0.9940
@MONTH=7 0.006694 0.009528 0.702491 0.4824
@MONTH=8 -0.005079 0.008385 -0.605719 0.5447
@MONTH=9 0.002105 0.007001 0.300663 0.7637
@MONTH=10 0.005090 0.008471 0.600817 0.5480
@MONTH=11 -0.000411 0.010174 -0.040349 0.9678
@MONTH=12 0.002670 0.008869 0.301066 0.7634
Variance Equation
C 0.000326 0.000354 0.920996 0.3571
RESID(-1)^2 0.150000 0.114835 1.306227 0.1915
GARCH(-1) 0.600000 0.393413 1.525115 0.1272
144
Dependent Variable: KOMPAS_100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 02:58
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 35 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.007722 0.004245 1.818910 0.0689
@MONTH=2 0.007495 0.004962 1.510361 0.1310
@MONTH=3 0.006689 0.004492 1.488963 0.1365
@MONTH=4 -0.004161 0.003185 -1.306291 0.1915
@MONTH=5 -0.003401 0.003867 -0.879657 0.3790
@MONTH=6 0.002796 0.003960 0.706080 0.4801
@MONTH=7 0.006224 0.003805 1.635587 0.1019
@MONTH=8 -0.004213 0.004743 -0.888180 0.3744
@MONTH=9 0.008572 0.003654 2.345488 0.0190
@MONTH=10 0.003719 0.005039 0.737902 0.4606
@MONTH=11 -0.001821 0.004183 -0.435351 0.6633
@MONTH=12 0.000326 0.003885 0.083969 0.9331
Variance Equation
C 0.000132 4.57E-05 2.897022 0.0038
RESID(-1)^2 0.286644 0.054891 5.222020 0.0000
GARCH(-1) 0.537835 0.085359 6.300878 0.0000
145
Dependent Variable: LQ45
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 03:03
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 28 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.008841 0.004184 2.112869 0.0346
@MONTH=2 0.007367 0.005068 1.453732 0.1460
@MONTH=3 0.006827 0.004794 1.424225 0.1544
@MONTH=4 -0.004071 0.003220 -1.264149 0.2062
@MONTH=5 -0.003049 0.003840 -0.794200 0.4271
@MONTH=6 0.003966 0.003996 0.992510 0.3209
@MONTH=7 0.005829 0.004050 1.439023 0.1501
@MONTH=8 -0.003929 0.004631 -0.848380 0.3962
@MONTH=9 0.008969 0.003686 2.433614 0.0149
@MONTH=10 0.004066 0.005119 0.794266 0.4270
@MONTH=11 -0.002214 0.004044 -0.547507 0.5840
@MONTH=12 0.001307 0.004695 0.278313 0.7808
Variance Equation
C 0.000154 5.15E-05 2.986296 0.0028
RESID(-1)^2 0.299398 0.067349 4.445435 0.0000
GARCH(-1) 0.508242 0.097498 5.212840 0.0000
146
Dependent Variable: PEFINDO25
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 03:07
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 24 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.006337 0.004151 1.526605 0.1269
@MONTH=2 0.008035 0.005845 1.374721 0.1692
@MONTH=3 0.010210 0.004220 2.419555 0.0155
@MONTH=4 0.003124 0.004987 0.626336 0.5311
@MONTH=5 -0.000674 0.004400 -0.153221 0.8782
@MONTH=6 0.003735 0.005346 0.698628 0.4848
@MONTH=7 0.010738 0.003991 2.690322 0.0071
@MONTH=8 -0.009149 0.005077 -1.801929 0.0716
@MONTH=9 -0.007302 0.003639 -2.006775 0.0448
@MONTH=10 0.002096 0.006255 0.335062 0.7376
@MONTH=11 -0.001144 0.006091 -0.187742 0.8511
@MONTH=12 0.004479 0.005372 0.833749 0.4044
Variance Equation
C 7.56E-05 3.00E-05 2.518860 0.0118
RESID(-1)^2 0.165030 0.046393 3.557228 0.0004
GARCH(-1) 0.756875 0.056834 13.31723 0.0000
147
Dependent Variable: SRIKEHATI
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 03:11
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 29 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.008068 0.004410 1.829320 0.0674
@MONTH=2 0.007573 0.005016 1.509677 0.1311
@MONTH=3 0.007655 0.004969 1.540485 0.1234
@MONTH=4 -0.004167 0.003010 -1.384345 0.1663
@MONTH=5 -0.004227 0.003831 -1.103397 0.2699
@MONTH=6 0.005277 0.004103 1.285999 0.1984
@MONTH=7 0.008540 0.004905 1.740950 0.0817
@MONTH=8 -0.003116 0.005065 -0.615231 0.5384
@MONTH=9 0.008776 0.003562 2.463441 0.0138
@MONTH=10 0.004032 0.005040 0.800014 0.4237
@MONTH=11 -0.003201 0.003814 -0.839338 0.4013
@MONTH=12 0.002239 0.005023 0.445678 0.6558
Variance Equation
C 0.000187 5.88E-05 3.183722 0.0015
RESID(-1)^2 0.333686 0.086994 3.835749 0.0001
GARCH(-1) 0.448670 0.115684 3.878418 0.0001
148
Dependent Variable: CAC40
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 03:16
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 29 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.001718 0.004763 0.360782 0.7183
@MONTH=2 0.005964 0.005811 1.026413 0.3047
@MONTH=3 0.002304 0.004749 0.485090 0.6276
@MONTH=4 0.002540 0.003878 0.654793 0.5126
@MONTH=5 -0.004854 0.005275 -0.920200 0.3575
@MONTH=6 -0.000255 0.003962 -0.064446 0.9486
@MONTH=7 0.004412 0.005075 0.869321 0.3847
@MONTH=8 -0.002003 0.004700 -0.426284 0.6699
@MONTH=9 0.002274 0.004962 0.458330 0.6467
@MONTH=10 0.004962 0.004852 1.022656 0.3065
@MONTH=11 -0.000109 0.004274 -0.025594 0.9796
@MONTH=12 0.002962 0.003890 0.761260 0.4465
Variance Equation
C 7.75E-05 4.52E-05 1.713695 0.0866
RESID(-1)^2 0.135585 0.041664 3.254211 0.0011
GARCH(-1) 0.758749 0.098237 7.723635 0.0000
149
Dependent Variable: DAX
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 03:31
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 36 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.001603 0.004927 0.325284 0.7450
@MONTH=2 0.005684 0.005816 0.977191 0.3285
@MONTH=3 0.005053 0.004960 1.018878 0.3083
@MONTH=4 0.000225 0.003848 0.058507 0.9533
@MONTH=5 -0.004083 0.004887 -0.835509 0.4034
@MONTH=6 -0.004332 0.004500 -0.962767 0.3357
@MONTH=7 0.002279 0.005411 0.421182 0.6736
@MONTH=8 -0.003210 0.005090 -0.630564 0.5283
@MONTH=9 0.004143 0.005493 0.754122 0.4508
@MONTH=10 0.008871 0.005141 1.725578 0.0844
@MONTH=11 0.007415 0.005034 1.473072 0.1407
@MONTH=12 0.002154 0.004800 0.448773 0.6536
Variance Equation
C 7.95E-05 4.77E-05 1.666762 0.0956
RESID(-1)^2 0.111236 0.057697 1.927921 0.0539
GARCH(-1) 0.784274 0.107883 7.269646 0.0000
150
Dependent Variable: FTSE100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 04:04
Sample: 1/03/2010 12/25/2016
Included observations: 365
Failure to improve likelihood (non-zero gradients) after 0 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.000635 0.006939 -0.091464 0.9271
@MONTH=2 0.008526 0.010447 0.816134 0.4144
@MONTH=3 -0.001870 0.008263 -0.226347 0.8209
@MONTH=4 0.001897 0.009392 0.202019 0.8399
@MONTH=5 -0.006479 0.008089 -0.801015 0.4231
@MONTH=6 0.000613 0.006356 0.096513 0.9231
@MONTH=7 0.001678 0.008005 0.209683 0.8339
@MONTH=8 -0.002279 0.008436 -0.270214 0.7870
@MONTH=9 -4.98E-05 0.008854 -0.005623 0.9955
@MONTH=10 0.005672 0.007428 0.763599 0.4451
@MONTH=11 -0.000502 0.006884 -0.072980 0.9418
@MONTH=12 0.003672 0.007227 0.508034 0.6114
Variance Equation
C 0.000285 0.000367 0.774804 0.4385
RESID(-1)^2 0.150000 0.167204 0.897108 0.3697
GARCH(-1) 0.600000 0.468354 1.281083 0.2002
151
Dependent Variable: IBEX35
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 04:06
Sample: 1/03/2010 12/25/2016
Included observations: 365
Convergence achieved after 36 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.002409 0.004741 -0.508103 0.6114
@MONTH=2 0.001889 0.007745 0.243877 0.8073
@MONTH=3 0.001887 0.006370 0.296197 0.7671
@MONTH=4 0.000391 0.005813 0.067301 0.9463
@MONTH=5 -0.008945 0.006290 -1.422109 0.1550
@MONTH=6 -0.002654 0.005341 -0.496882 0.6193
@MONTH=7 0.002844 0.005540 0.513329 0.6077
@MONTH=8 -0.002436 0.006366 -0.382556 0.7020
@MONTH=9 0.005584 0.006959 0.802473 0.4223
@MONTH=10 0.004254 0.006099 0.697460 0.4855
@MONTH=11 -0.002725 0.005931 -0.459480 0.6459
@MONTH=12 0.002572 0.005598 0.459480 0.6459
Variance Equation
C 0.000122 0.000111 1.104269 0.2695
RESID(-1)^2 0.097352 0.055084 1.767333 0.0772
GARCH(-1) 0.796504 0.138584 5.747430 0.0000
152
LAMPIRAN 5: Uji GARCH (1,1) Return Indeks Periode 2010 – 2013
Dependent Variable: BISNIS27
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 01:06
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 33 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.002567 0.005946 0.431721 0.6659
@MONTH=2 0.006578 0.005818 1.130632 0.2582
@MONTH=3 0.012591 0.007414 1.698229 0.0895
@MONTH=4 0.001766 0.006456 0.273586 0.7844
@MONTH=5 -0.014070 0.005815 -2.419355 0.0155
@MONTH=6 0.007468 0.005616 1.329758 0.1836
@MONTH=7 0.003918 0.005418 0.723131 0.4696
@MONTH=8 -0.002854 0.007301 -0.390864 0.6959
@MONTH=9 0.013809 0.003990 3.460890 0.0005
@MONTH=10 0.005927 0.008322 0.712235 0.4763
@MONTH=11 -0.006431 0.005834 -1.102354 0.2703
@MONTH=12 -0.000650 0.005262 -0.123557 0.9017
Variance Equation
C 0.000245 9.39E-05 2.613788 0.0090
RESID(-1)^2 0.411247 0.114663 3.586557 0.0003
GARCH(-1) 0.303765 0.173468 1.751131 0.0799
153
Dependent Variable: JKSE
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 05:02
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 44 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.002570 0.005895 0.435941 0.6629
@MONTH=2 0.005062 0.005356 0.944988 0.3447
@MONTH=3 0.012444 0.006503 1.913765 0.0557
@MONTH=4 0.003510 0.005558 0.631591 0.5277
@MONTH=5 -0.009245 0.005541 -1.668525 0.0952
@MONTH=6 0.003046 0.004580 0.665011 0.5060
@MONTH=7 0.004429 0.003872 1.144053 0.2526
@MONTH=8 0.000550 0.006965 0.078931 0.9371
@MONTH=9 0.014748 0.003761 3.921053 0.0001
@MONTH=10 0.005066 0.005831 0.868729 0.3850
@MONTH=11 -0.003111 0.005402 -0.575889 0.5647
@MONTH=12 -0.000408 0.004842 -0.084188 0.9329
Variance Equation
C 0.000210 6.51E-05 3.218106 0.0013
RESID(-1)^2 0.430383 0.110884 3.881366 0.0001
GARCH(-1) 0.249475 0.172333 1.447633 0.1477
154
Dependent Variable: KOMPAS_100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 05:42
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 65 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.002070 0.006461 0.320343 0.7487
@MONTH=2 0.005780 0.005797 0.997138 0.3187
@MONTH=3 0.012379 0.007286 1.699068 0.0893
@MONTH=4 0.002400 0.006463 0.371444 0.7103
@MONTH=5 -0.010241 0.005622 -1.821559 0.0685
@MONTH=6 0.004747 0.005250 0.904320 0.3658
@MONTH=7 0.004098 0.004493 0.912061 0.3617
@MONTH=8 -0.003379 0.008346 -0.404894 0.6856
@MONTH=9 0.015265 0.004182 3.649902 0.0003
@MONTH=10 0.004469 0.006089 0.734026 0.4629
@MONTH=11 -0.004385 0.005856 -0.748864 0.4539
@MONTH=12 -0.001424 0.005241 -0.271741 0.7858
Variance Equation
C 0.000235 8.01E-05 2.928423 0.0034
RESID(-1)^2 0.387428 0.098591 3.929656 0.0001
GARCH(-1) 0.305784 0.180147 1.697408 0.0896
155
Dependent Variable: LQ45
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 05:47
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 32 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.001573 0.006180 0.254528 0.7991
@MONTH=2 0.006149 0.005700 1.078864 0.2806
@MONTH=3 0.012475 0.007305 1.707809 0.0877
@MONTH=4 0.002035 0.007698 0.264305 0.7915
@MONTH=5 -0.009575 0.005373 -1.781857 0.0748
@MONTH=6 0.006592 0.005339 1.234664 0.2170
@MONTH=7 0.004737 0.005196 0.911674 0.3619
@MONTH=8 -0.005642 0.007270 -0.776010 0.4377
@MONTH=9 0.014808 0.004245 3.488145 0.0005
@MONTH=10 0.004333 0.006764 0.640577 0.5218
@MONTH=11 -0.005178 0.005461 -0.948182 0.3430
@MONTH=12 -0.000563 0.006617 -0.085130 0.9322
Variance Equation
C 0.000212 9.13E-05 2.319037 0.0204
RESID(-1)^2 0.321672 0.086636 3.712935 0.0002
GARCH(-1) 0.397307 0.179237 2.216658 0.0266
156
Dependent Variable: PEFINDO25
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 05:52
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 28 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.005224 0.007019 0.744203 0.4568
@MONTH=2 0.002956 0.007427 0.398050 0.6906
@MONTH=3 0.013906 0.005917 2.350414 0.0188
@MONTH=4 0.007560 0.007629 0.991047 0.3217
@MONTH=5 -0.009039 0.006043 -1.495828 0.1347
@MONTH=6 0.007010 0.007583 0.924453 0.3553
@MONTH=7 0.009544 0.004863 1.962493 0.0497
@MONTH=8 -0.015639 0.008433 -1.854513 0.0637
@MONTH=9 0.007654 0.006867 1.114588 0.2650
@MONTH=10 0.004605 0.013868 0.332032 0.7399
@MONTH=11 0.000975 0.011010 0.088520 0.9295
@MONTH=12 0.003727 0.006980 0.533879 0.5934
Variance Equation
C 7.96E-05 4.37E-05 1.819934 0.0688
RESID(-1)^2 0.192758 0.071796 2.684818 0.0073
GARCH(-1) 0.753095 0.065421 11.51148 0.0000
157
Dependent Variable: SRIKEHATI
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:05
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 35 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.000658 0.005339 0.123326 0.9018
@MONTH=2 0.006137 0.005610 1.093909 0.2740
@MONTH=3 0.013412 0.007291 1.839503 0.0658
@MONTH=4 0.003782 0.007250 0.521679 0.6019
@MONTH=5 -0.012884 0.005407 -2.382828 0.0172
@MONTH=6 0.007773 0.005766 1.348196 0.1776
@MONTH=7 0.007540 0.006986 1.079333 0.2804
@MONTH=8 -0.003887 0.008219 -0.472919 0.6363
@MONTH=9 0.012827 0.004209 3.047190 0.0023
@MONTH=10 0.004682 0.007135 0.656244 0.5117
@MONTH=11 -0.006401 0.005059 -1.265319 0.2058
@MONTH=12 -0.000381 0.007755 -0.049109 0.9608
Variance Equation
C 0.000228 0.000105 2.158944 0.0309
RESID(-1)^2 0.332914 0.103461 3.217763 0.0013
GARCH(-1) 0.379904 0.193271 1.965659 0.0493
158
Dependent Variable: CAC40
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:08
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 30 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.006992 0.007982 0.875972 0.3810
@MONTH=2 0.000500 0.006839 0.073164 0.9417
@MONTH=3 0.002966 0.005250 0.565041 0.5720
@MONTH=4 0.002980 0.005255 0.566996 0.5707
@MONTH=5 -0.008891 0.008558 -1.038864 0.2989
@MONTH=6 0.001830 0.004587 0.398841 0.6900
@MONTH=7 0.012330 0.009868 1.249388 0.2115
@MONTH=8 -0.002291 0.005662 -0.404739 0.6857
@MONTH=9 0.004513 0.005587 0.807641 0.4193
@MONTH=10 0.007593 0.007859 0.966138 0.3340
@MONTH=11 -0.001158 0.005093 -0.227348 0.8202
@MONTH=12 0.002460 0.005405 0.455209 0.6490
Variance Equation
C 0.000111 6.99E-05 1.585578 0.1128
RESID(-1)^2 0.261155 0.096637 2.702435 0.0069
GARCH(-1) 0.611458 0.169506 3.607300 0.0003
159
Dependent Variable: DAX
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:11
Sample: 1/03/2010 12/29/2013
Included observations: 209
Failure to improve likelihood (non-zero gradients) after 0 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.005233 0.014304 0.365838 0.7145
@MONTH=2 0.002682 0.018982 0.141294 0.8876
@MONTH=3 0.004508 0.014779 0.304988 0.7604
@MONTH=4 0.001676 0.013870 0.120873 0.9038
@MONTH=5 -0.007746 0.014202 -0.545378 0.5855
@MONTH=6 -0.000241 0.013494 -0.017840 0.9858
@MONTH=7 0.000296 0.013960 0.021173 0.9831
@MONTH=8 -0.010154 0.017231 -0.589303 0.5557
@MONTH=9 0.010638 0.014431 0.737200 0.4610
@MONTH=10 0.013526 0.015961 0.847467 0.3967
@MONTH=11 0.004905 0.013687 0.358351 0.7201
@MONTH=12 -0.000556 0.017592 -0.031628 0.9748
Variance Equation
C 0.000513 0.000911 0.563053 0.5734
RESID(-1)^2 0.150000 0.263458 0.569350 0.5691
GARCH(-1) 0.600000 0.682008 0.879755 0.3790
160
Dependent Variable: FTSE100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:14
Sample: 1/03/2010 12/29/2013
Included observations: 209
Failure to improve likelihood (non-zero gradients) after 0 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.002520 0.011225 0.224474 0.8224
@MONTH=2 0.006665 0.013809 0.482648 0.6293
@MONTH=3 -0.000941 0.012077 -0.077899 0.9379
@MONTH=4 -7.59E-05 0.013172 -0.005762 0.9954
@MONTH=5 -0.009949 0.009522 -1.044823 0.2961
@MONTH=6 -0.000568 0.008333 -0.068164 0.9457
@MONTH=7 0.001707 0.010006 0.170619 0.8645
@MONTH=8 -0.000516 0.012948 -0.039859 0.9682
@MONTH=9 0.001801 0.011864 0.151822 0.8793
@MONTH=10 0.009239 0.011581 0.797779 0.4250
@MONTH=11 -0.001920 0.008409 -0.228286 0.8194
@MONTH=12 0.004413 0.013531 0.326130 0.7443
Variance Equation
C 0.000299 0.000500 0.597259 0.5503
RESID(-1)^2 0.150000 0.229043 0.654898 0.5125
GARCH(-1) 0.600000 0.615327 0.975092 0.3295
161
Dependent Variable: IBEX35
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:16
Sample: 1/03/2010 12/29/2013
Included observations: 209
Convergence achieved after 34 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.000679 0.006545 0.103689 0.9174
@MONTH=2 -0.003668 0.013729 -0.267174 0.7893
@MONTH=3 -0.003314 0.008162 -0.406075 0.6847
@MONTH=4 0.001910 0.007433 0.257013 0.7972
@MONTH=5 -0.017261 0.008800 -1.961532 0.0498
@MONTH=6 0.001357 0.006965 0.194864 0.8455
@MONTH=7 0.007601 0.008428 0.901842 0.3671
@MONTH=8 -0.002041 0.010424 -0.195766 0.8448
@MONTH=9 0.013774 0.008370 1.645738 0.0998
@MONTH=10 0.004520 0.009181 0.492335 0.6225
@MONTH=11 -0.004623 0.007724 -0.598511 0.5495
@MONTH=12 0.003828 0.008896 0.430350 0.6669
Variance Equation
C 0.000184 0.000165 1.119713 0.2628
RESID(-1)^2 0.158765 0.098648 1.609408 0.1075
GARCH(-1) 0.710378 0.188175 3.775100 0.0002
162
LAMPIRAN 6: Uji GARCH (1,1) Return Indeks Periode 2014 – 2016
Dependent Variable: BISNIS27
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 01:23
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 28 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.012507 0.006564 1.905492 0.0567
@MONTH=2 0.007829 0.008574 0.913171 0.3612
@MONTH=3 0.003142 0.007331 0.428633 0.6682
@MONTH=4 -0.018269 0.003918 -4.662453 0.0000
@MONTH=5 0.000393 0.007810 0.050272 0.9599
@MONTH=6 0.004911 0.006826 0.719551 0.4718
@MONTH=7 0.012193 0.007252 1.681400 0.0927
@MONTH=8 -0.002576 0.007207 -0.357457 0.7207
@MONTH=9 -0.003145 0.006422 -0.489690 0.6244
@MONTH=10 0.005724 0.009219 0.620839 0.5347
@MONTH=11 -3.79E-05 0.007118 -0.005332 0.9957
@MONTH=12 0.005797 0.006932 0.836274 0.4030
Variance Equation
C 9.22E-05 5.52E-05 1.669714 0.0950
RESID(-1)^2 0.192319 0.116299 1.653663 0.0982
GARCH(-1) 0.699728 0.141254 4.953673 0.0000
163
Dependent Variable: JKSE
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:22
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 24 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.009594 0.004467 2.147934 0.0317
@MONTH=2 0.007460 0.006944 1.074287 0.2827
@MONTH=3 0.002280 0.005133 0.444259 0.6569
@MONTH=4 -0.007956 0.003450 -2.306002 0.0211
@MONTH=5 0.001190 0.005589 0.212949 0.8314
@MONTH=6 0.002317 0.004768 0.485859 0.6271
@MONTH=7 0.010181 0.005449 1.868469 0.0617
@MONTH=8 -0.002154 0.005267 -0.409042 0.6825
@MONTH=9 -0.004260 0.004556 -0.935048 0.3498
@MONTH=10 0.003915 0.006635 0.590026 0.5552
@MONTH=11 0.000882 0.004655 0.189537 0.8497
@MONTH=12 0.003657 0.004835 0.756290 0.4495
Variance Equation
C 4.42E-05 2.74E-05 1.614827 0.1063
RESID(-1)^2 0.173742 0.103719 1.675128 0.0939
GARCH(-1) 0.718848 0.133528 5.383502 0.0000
164
Dependent Variable: KOMPAS_100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:26
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 28 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.012468 0.005126 2.432304 0.0150
@MONTH=2 0.008926 0.007986 1.117711 0.2637
@MONTH=3 0.001456 0.006940 0.209764 0.8339
@MONTH=4 -0.011540 0.003441 -3.353353 0.0008
@MONTH=5 0.001352 0.006578 0.205539 0.8372
@MONTH=6 0.002589 0.005665 0.457015 0.6477
@MONTH=7 0.010204 0.006386 1.597863 0.1101
@MONTH=8 -0.002848 0.006255 -0.455358 0.6489
@MONTH=9 -0.003842 0.005462 -0.703525 0.4817
@MONTH=10 0.005165 0.007583 0.681187 0.4958
@MONTH=11 0.001050 0.005695 0.184413 0.8537
@MONTH=12 0.003044 0.006394 0.476179 0.6339
Variance Equation
C 6.74E-05 3.82E-05 1.764220 0.0777
RESID(-1)^2 0.239829 0.132045 1.816260 0.0693
GARCH(-1) 0.667781 0.128717 5.187988 0.0000
165
Dependent Variable: LQ45
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:32
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 26 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.014398 0.005090 2.828902 0.0047
@MONTH=2 0.008210 0.008612 0.953327 0.3404
@MONTH=3 0.001296 0.008300 0.156150 0.8759
@MONTH=4 -0.010489 0.003580 -2.929933 0.0034
@MONTH=5 0.001673 0.007101 0.235619 0.8137
@MONTH=6 0.003270 0.005634 0.580414 0.5616
@MONTH=7 0.008871 0.006634 1.337342 0.1811
@MONTH=8 -0.002665 0.006130 -0.434812 0.6637
@MONTH=9 -0.003110 0.005952 -0.522477 0.6013
@MONTH=10 0.005822 0.007643 0.761777 0.4462
@MONTH=11 0.001651 0.006174 0.267410 0.7892
@MONTH=12 0.004075 0.007107 0.573362 0.5664
Variance Equation
C 8.77E-05 4.62E-05 1.898040 0.0577
RESID(-1)^2 0.271704 0.137375 1.977830 0.0479
GARCH(-1) 0.623596 0.128936 4.836475 0.0000
166
Dependent Variable: PEFINDO25
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:34
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 35 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.007881 0.005370 1.467712 0.1422
@MONTH=2 0.013521 0.011535 1.172220 0.2411
@MONTH=3 0.006712 0.005995 1.119550 0.2629
@MONTH=4 -0.001708 0.006581 -0.259562 0.7952
@MONTH=5 0.003909 0.006029 0.648304 0.5168
@MONTH=6 0.001014 0.007726 0.131229 0.8956
@MONTH=7 0.011041 0.007608 1.451255 0.1467
@MONTH=8 -0.004681 0.006027 -0.776693 0.4373
@MONTH=9 -0.018729 0.005911 -3.168644 0.0015
@MONTH=10 0.000797 0.005634 0.141505 0.8875
@MONTH=11 -0.003495 0.005459 -0.640187 0.5221
@MONTH=12 0.006334 0.007987 0.793025 0.4278
Variance Equation
C 2.85E-05 5.57E-05 0.512734 0.6081
RESID(-1)^2 0.049269 0.063614 0.774511 0.4386
GARCH(-1) 0.895634 0.148635 6.025735 0.0000
167
Dependent Variable: SRIKEHATI
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:38
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 30 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 0.013882 0.005727 2.423906 0.0154
@MONTH=2 0.008182 0.007538 1.085513 0.2777
@MONTH=3 0.002959 0.008816 0.335639 0.7371
@MONTH=4 -0.013160 0.003808 -3.456051 0.0005
@MONTH=5 0.002438 0.007304 0.333774 0.7386
@MONTH=6 0.005332 0.005553 0.960119 0.3370
@MONTH=7 0.011946 0.006471 1.846092 0.0649
@MONTH=8 -0.002629 0.006646 -0.395524 0.6925
@MONTH=9 -0.000423 0.005716 -0.073948 0.9411
@MONTH=10 0.005434 0.007164 0.758583 0.4481
@MONTH=11 0.000701 0.006166 0.113741 0.9094
@MONTH=12 0.005355 0.007240 0.739641 0.4595
Variance Equation
C 0.000103 5.22E-05 1.980885 0.0476
RESID(-1)^2 0.327569 0.160089 2.046171 0.0407
GARCH(-1) 0.570331 0.136583 4.175719 0.0000
168
Dependent Variable: CAC40
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:41
Sample: 1/05/2014 12/25/2016
Included observations: 156
Failure to improve likelihood (non-zero gradients) after 0 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.002259 0.009880 -0.228696 0.8191
@MONTH=2 0.013102 0.020538 0.637928 0.5235
@MONTH=3 0.002561 0.017336 0.147720 0.8826
@MONTH=4 0.002698 0.013665 0.197436 0.8435
@MONTH=5 -0.000720 0.015931 -0.045225 0.9639
@MONTH=6 -0.002144 0.013967 -0.153534 0.8780
@MONTH=7 0.000840 0.013695 0.061363 0.9511
@MONTH=8 -0.001697 0.012024 -0.141150 0.8878
@MONTH=9 -0.005088 0.023591 -0.215665 0.8292
@MONTH=10 0.003755 0.011719 0.320393 0.7487
@MONTH=11 0.004024 0.013590 0.296121 0.7671
@MONTH=12 0.001215 0.010878 0.111662 0.9111
Variance Equation
C 0.000386 0.000670 0.576927 0.5640
RESID(-1)^2 0.150000 0.255788 0.586424 0.5576
GARCH(-1) 0.600000 0.621441 0.965497 0.3343
169
Dependent Variable: DAX
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:43
Sample: 1/05/2014 12/25/2016
Included observations: 156
Failure to improve likelihood (non-zero gradients) after 51 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.002036 0.004869 -0.418246 0.6758
@MONTH=2 0.012979 0.011753 1.104347 0.2694
@MONTH=3 0.003179 0.009264 0.343145 0.7315
@MONTH=4 -0.006142 0.005124 -1.198812 0.2306
@MONTH=5 0.000494 0.007403 0.066705 0.9468
@MONTH=6 -0.001205 0.007989 -0.150847 0.8801
@MONTH=7 -0.000536 0.006683 -0.080149 0.9361
@MONTH=8 0.001366 0.007194 0.189941 0.8494
@MONTH=9 -0.004731 0.009788 -0.483310 0.6289
@MONTH=10 0.019039 0.005135 3.707598 0.0002
@MONTH=11 0.009769 0.005712 1.710189 0.0872
@MONTH=12 0.004555 0.007272 0.626390 0.5311
Variance Equation
C 0.000800 0.000221 3.618689 0.0003
RESID(-1)^2 0.213172 0.092463 2.305487 0.0211
GARCH(-1) -0.430531 0.255815 -1.682978 0.0924
170
Dependent Variable: FTSE100
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:45
Sample: 1/05/2014 12/25/2016
Included observations: 156
Failure to improve likelihood (non-zero gradients) after 82 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.003782 0.004034 -0.937677 0.3484
@MONTH=2 0.011642 0.005035 2.312343 0.0208
@MONTH=3 -0.003550 0.005087 -0.697725 0.4853
@MONTH=4 0.004732 0.005583 0.847498 0.3967
@MONTH=5 -0.001885 0.008743 -0.215537 0.8293
@MONTH=6 -0.000695 0.007810 -0.089032 0.9291
@MONTH=7 0.003293 0.007486 0.439846 0.6600
@MONTH=8 -0.001895 0.006037 -0.313951 0.7536
@MONTH=9 -0.002785 0.006984 -0.398744 0.6901
@MONTH=10 9.98E-05 0.005534 0.018035 0.9856
@MONTH=11 0.001520 0.007110 0.213761 0.8307
@MONTH=12 0.007453 0.005764 1.293021 0.1960
Variance Equation
C 5.66E-06 3.47E-06 1.629033 0.1033
RESID(-1)^2 -0.052466 0.012401 -4.230891 0.0000
GARCH(-1) 1.040125 0.000136 7639.734 0.0000
171
Dependent Variable: IBEX35
Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 03/13/17 Time: 06:48
Sample: 1/05/2014 12/25/2016
Included observations: 156
Convergence achieved after 30 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(13) + C(14)*RESID(-1)^2 + C(15)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
@MONTH=1 -0.008963 0.006649 -1.348061 0.1776
@MONTH=2 0.007604 0.008279 0.918446 0.3584
@MONTH=3 0.005469 0.009531 0.573761 0.5661
@MONTH=4 0.002674 0.007886 0.339157 0.7345
@MONTH=5 -0.002045 0.010256 -0.199408 0.8419
@MONTH=6 -0.007552 0.008072 -0.935627 0.3495
@MONTH=7 -0.000259 0.008572 -0.030264 0.9759
@MONTH=8 -0.003790 0.006334 -0.598301 0.5496
@MONTH=9 -0.006553 0.013616 -0.481292 0.6303
@MONTH=10 0.003685 0.007666 0.480694 0.6307
@MONTH=11 0.000125 0.009241 0.013562 0.9892
@MONTH=12 0.001164 0.006865 0.169543 0.8654
Variance Equation
C 0.000362 0.000754 0.479652 0.6315
RESID(-1)^2 -0.027840 0.074767 -0.372365 0.7096
GARCH(-1) 0.577559 0.927670 0.622591 0.5336