Lag Optimum TVAR

BAB IV PEMBAHASAN

4.8 Lag Optimum TVAR

Kriteria pemilihan lag optimum untuk model TVAR berdasarkan kriteria AIC, BIC, dan HQ. Diperoleh bahwa AIC terkecil berada pada lag ke-2, BIC terkecil pada lag ke-1, dan HQ pada lag ke-1. Dari ketiga kriteria tersebut maka dipilih lag ke-1 sebagai orde TVAR yaitu 𝑝 = 1 atau dapat dituliskan sebagai TVAR(1).

29 4.9 Uji Kenonlinearan

Kenonlinearan pada model diuji dengan menggunakan uji Likelihood Ratio (LR), jika terdapat kenonlinearan maka dapat dilanjutkan dengan model TVAR.

Sebelum menguji kenonlinearan, terlebih dahulu ditentukan variabel mana yang akan dijadikan threshold. Variabel impor dipilih peneliti untuk mengestimasi nilai threshold dengan menimbang faktor cadangan devisa sebagai pembiayaan utama bagi impor. Hubungan antara cadangan devisa dan impor juga dapat dilihat menggunakan korelasi yang disajikan dalam tabel berikut.

Tabel 4.9. Korelasi Cadangan

Devisa

Nilai

Ekspor Nilai Impor Nilai Inflasi

Berdasarkan Tabel 4.9, diperoleh korelasi antara cadangan devisa dan nilai impor sebesar 0.32 yang bisa dikatakan berkorelasi lemah. Akan tetapi jika ditelaah, korelasi antara nilai ekspor dan nilai impor mempunyai hubungan yang kuat. Nilai korelasi antara cadangan devisa dan nilai ekspor pun tidak jauh berbeda dengan korelasi antara cadangan devisa dan nilai impor. Berdasarkan teori dan hasil korelasi maka peneliti memilih variabel impor sebagai nilai threshold.

Setelah pemilihan variabel impor sebagai threshold lalu dilanjutkan dengan uji LR. Hasil dari uji LR diperoleh pada Tabel 4.10 dengan hipotesis sebagai berikut.

1. Untuk karakteristik model VAR vs model TVAR dengan 1 threshold 𝐻₀: Model linear VAR (model linear, hanya satu rezim)

𝐻₁: Model TVAR dengan satu threshold (model nonlinear, dibagi menjadi dua rezim)

30 2. Untuk karakteristik model VAR vs model TVAR dengan 2 threshold

𝐻₀: Model linear VAR (model linear, hanya satu rezim)

𝐻₁: Model TVAR dengan dua threshold (model nonlinear, dibagi menjadi tiga rezim)

LR statistik 72.16379 99.44014

𝒑-value 0.00000 0.00000

Dari Tabel 4.10 pada karakteristik model VAR vs TVAR dengan 1 threshold didapatkan 𝑝-value = 0.00000 < 𝛼 dengan taraf signifikansi 𝛼 = 0.05 maka 𝐻₀ ditolak sehingga asumsi model linear VAR dapat ditolak dan dimodelkan dengan pemodelan TVAR dengan satu threshold. Sedangkan pada karakteristik model VAR vs model TVAR dengan 1 threshold didapatkan 𝑝-value = 0.00000 < 𝛼 dengan taraf signifikansi 𝛼 = 0.05 maka 𝐻₀ ditolak sehingga dapat dimodelkan dengan pemodelan TVAR dengan dua threshold. Dari uji ini, kandidat model terpilih adalah TVAR(1) dengan satu threshold dan TVAR(1) dengan dua threshold.

4.10 Estimasi Nilai Threshold dan Delay

Untuk mendapatkan estimasi threshold digunakan pendekatan Least-Square.

Hasil yang diperoleh disajikan dalam tabel berikut.

Tabel 4.11. Estimasi Threshold dan Delay Estimasi

Threshold 13790.66 13790.66;

15636.02

Delay 1 1

31 Berdasarkan Tabel 4.11 diperoleh pada TVAR(1) dengan satu threshold diperoleh estimasi nilai threshold sebesar 13790.66 dan pada TVAR(1) dengan dua threshold diperoleh nilai threshold sebesar 15636.02 dan 13790.66. Parameter delay dalam model threshold yang diperoleh adalah 𝑑 = 1 sesuai ketentuan 𝑑 ≤ 𝑝 dimana orde yang digunakan pada pemodelan sebelumnya adalah 𝑝 = 1.

4.11 Estimasi Model TVAR

Kandidat pemodelan TVAR(1) yang terbentuk adalah TVAR(1) dengan satu threshold dan TVAR(1) dengan dua threshold. Guna mendapatkan model terbaik yang digunakan untuk tahapan selanjutnya maka model terbaik dipilih menggunakan nilai AIC dan BIC terkecil yang disajikan pada tabel berikut.

Tabel 4.12. Pemilihan Model Terbaik

Kriteria TVAR(1) dengan 1

threshold

TVAR(1) dengan 2 threshold

AIC 3055.54 3067.245

BIC 3158.485 3222.919

Berdasarkan Tabel 4.12 diperoleh nilai AIC untuk TVAR(1) dengan satu threshold sebesar 3055.54 dan TVAR(1) dengan dua threshold sebesar 3067.245, artinya TVAR(1) dengan dua threshold merupakan model terbaik berdasarkan kriteria AIC terkecil. Sedangkan pada kriteria BIC diperoleh nilai BIC pada TVAR(1) dengan satu threshold sebesar 3158.485 dan sebesar 3222.919 pada TVAR(1) dengan dua threshold, artinya model terbaik berdasarkan kriteria AIC dan BIC terkecil adalah model TVAR(1) dengan satu threshold. Dari kedua kriteria tersebut, dipilih TVAR(1) dengan satu threshold.

Model TVAR(1) dengan satu threshold untuk model cadangan devisa saat ini (𝑌̂_1,𝑡) meliputi variabel cadangan devisa satu bulan sebelumnya (𝑌_1,𝑡−1), variabel nilai ekspor satu bulan sebelumnya (𝑌_2,𝑡−1), variabel nilai impor satu bulan sebelumnya (𝑌_3,𝑡−1), dan variabel nilai inflasi satu bulan sebelumnya (𝑌_4,𝑡−1),

32 dimana satu threshold yang membagi dua daerah (rezim) dengan nilai threshold 𝑟

= 13790.66 dan 𝑑 = 1 dirumuskan dengan persamaan berikut.

1. Rezim Bawah

𝑌̂_1,𝑡= 5719.0255 + 0.9535 𝑌_1,𝑡−1+ 0.5475𝑌_2,𝑡−1− 0.4715 𝑌_3,𝑡−1− 26315.0566 𝑌_4,𝑡−1; 𝑌_3,𝑡−1 ≤ 13790.66 (4.2) 2. Rezim Atas

𝑌̂_1,𝑡= 16015.9136 + 0.9549 𝑌_1,𝑡−1+ 0.1269 𝑌_2,𝑡−1− 0.9948 𝑌_3,𝑡−1+ 43985.9438 𝑌_4,𝑡−1 ; 𝑌_3,𝑡−1 > 13790.66 (4.3)

Tahapan selanjutnya setelah menduga seluruh parameter dalam model yaitu pengujian signifikansi pada masing-masing parameter untuk melihat parameter apa saja yang signifikan terhadap model cadangan devisa saat ini. Pengujian signifikansi parameter menggunakan uji t dengan taraf signifikansi 𝛼 = 0.05. Hasil uji signifikansi dari penduga parameter model ditampilkan dalam tabel berikut.

Tabel 4.13. Uji Signifikansi Parameter TVAR

Parameter Standard

Error Kesimpulan

𝜙̂₁₁ 0.0334 Signifikan

𝜙̂₂₁ 0.5678 Tidak

signifikan

𝜙̂₃₁ 0.6869 Tidak

signifikan

𝜙̂₄₁ 31352.7999 Tidak

signifikan

Berdasarkan Tabel 4.13, terlihat bahwa parameter yang berpengaruh signifikan pada model TVAR(1) untuk cadangan devisa saat ini hanya satu parameter yaitu parameter 𝜙̂₁₁ dimana cadangan devisa periode bulan sebelumnya berpengaruh secara signifikan terhadap cadangan devisa saat ini. Seperti di Subbab

33 4.4, walaupun parameter lainnya tidak signifikan, karena peneliti ingin mendapatkan informasi parameter yang tidak signifikan, peneliti tetap memasukan parameter yang tidak signifikan ke dalam model TVAR untuk cadangan devisa saat ini.

Dari Persamaan 4.2 diketahui bahwa pada rezim bawah cadangan devisa satu bulan sebelumnya berpengaruh positif sebesar 0.9535 terhadap cadangan devisa saat ini, nilai ekspor satu bulan sebelumnya berpengaruh positif sebesar 0.5475 terhadap cadangan devisa saat ini, nilai impor satu bulan sebelumnya berpengaruh negatif sebesar 0.4715 terhadap cadangan devisa saat ini, dan nilai inflasi satu bulan sebelumnya berpengaruh negatif sebesar 26315.0566 terhadap cadangan devisa saat ini. Ketika nilai impor pada satu bulan sebelumnya kurang dari sama dengan 13790.66 maka nilai cadangan devisa saat ini mempunyai volatilitas yang rendah.

Artinya, jika nilai impor satu bulan sebelumnya rendah maka cadangan devisa saat ini yang diperlukan juga rendah.

Dari Persamaan 4.3 diketahui bahwa pada rezim atas cadangan devisa satu bulan sebelumnya berpengaruh positif sebesar 0.9549 terhadap cadangan devisa saat ini, nilai ekspor satu bulan sebelumnya berpengaruh positif sebesar 0.2169 terhadap cadangan devisa saat ini, nilai impor satu bulan sebelumnya berpengaruh negatif sebesar 0.9948 terhadap cadangan devisa saat ini, dan nilai inflasi satu bulan sebelumnya berpengaruh positif sebesar 43985.9438 terhadap cadangan devisa saat ini. Ketika nilai impor pada satu bulan sebelumnya lebih dari 13790.66 maka nilai cadangan devisa saat ini mempunyai volatilitas yang tinggi. Artinya, jika nilai impor satu bulan sebelumnya tinggi maka cadangan devisa saat ini yang diperlukan juga tinggi.

4.12 Uji Autokorelasi Residual Model TVAR

Pengujian autokorelasi residual dilakukan kembali untuk memastikan sudah tidak ada autokorelasi antar lag pada model TVAR. Pengujian autokorelasi residual dilakukan dengan menggunakan uji multivariat Portmanteau (Ljung-Box) diperoleh hasil sebagai berikut.

34 Tabel 4.14. Uji Autokorelasi Residual Antar Lag pada Model

Lag Q-Statistik 𝒑-value

1 18.45283 0.3196803

2 31.00465 0.5404595

3 44.95984 0.6413586

4 61.79441 0.5934066

5 75.57894 0.6423576

6 85.62989 0.7872128

7 98.35432 0.8521479

8 122.18750 0.6473526

9 135.41354 0.7002997

10 147.43288 0.7822178

Berdasarkan Tabel 4.14, diperoleh nilai 𝑝-value > 𝛼 dengan taraf signifikansi 𝛼 = 0.05 pada seluruh lag ke-1 sampai lag ke-10 maka 𝐻₀ diterima.

Artinya autokorelasi residual antar lag tidak berkaitan atau tidak ada autokorelasi antar lag pada pemodelan TVAR(1) dengan satu threshold. Karena sudah tidak ada autokorelasi residual dalam model, maka model TVAR(1) dengan satu threshold layak digunakan sebagai model dan dapat digunakan sebagai model untuk memprediksi. Selanjutnya akan dilakukan prediksi menggunakan model TVAR(1) dengan satu threshold.

4.13 Prediksi

Berdasarkan model TVAR(1) dengan satu threshold dilakukan prediksi dan diperoleh hasil dari prediksi cadangan devisa kemudian akan dibandingkan keakuratannya dengan data aktual. Hasil prediksi dan data aktual cadangan devisa ditampilkan dalam Gambar 4.4. dan Tabel 4.15.

35

0 20000 40000 60000 80000 100000 120000 140000

Sep-17 Oct-17 Nov-17 Dec-17 Jan-18 Feb-18 Mar-18 Apr-18 May-18 Jun-18 Jul-18 Aug-18 Sep-18 Oct-18 Nov-18 Dec-18 Jan-19 Feb-19 Mar-19 Apr-19 May-19 Jun-19 Jul-19

Hasil Prediksi Data Aktual

Gambar 4.4. Plot Hasil Prediksi dan Data Aktual Tabel 4.15. Perbandingan Hasil Prediksi dan Data Aktual

Bulan Hasil Prediksi

(Data Testing) Data Aktual

September 2017 129166.4 129402.4

Oktober 2017 128672.9 126547.1

November 2017 127636.3 125967.2

Desember 2017 126150.0 130196.4

Januari 2018 124312.6 131979.6

Februari 2018 122232.4 128058.6

Maret 2018 120018.3 126003.2

April 2018 117773.2 124862.0

Mei 2018 115589.1 122913.9

Juni 2018 113544.3 119839.0

Juli 2018 111701.6 118312.2

36

Agustus 2018 110107.4 117927.2

September 2018 108792.2 114847.5

Oktober 2018 107771.3 115163.1

November 2018 107046.1 117211.9

Desember 2018 106606.1 120654.3

Januari 2019 106430.7 120075.2

Februari 2019 106491.4 123273.9

Maret 2019 106754.1 124539.3

April 2019 107181.2 124293.8

Mei 2019 107733.5 120347.1

Juni 2019 108372.1 123823.3

Juli 2019 109059.7 125900.0

Berdasarkan Gambar 4.4. dan Tabel 4.15, hasil prediksi bulan September 2017 sampai dengan Desember 2017 nilai prediksinya mendekati data aktualnya, karena pada bulan tersebut errornya kecil. Sedangkan untuk bulan lainnya yaitu Januari 2018 sampai dengan Juli 2019 nilai prediksinya kurang mendekati data aktualnya, karena pada bulan tersebut errornya cukup besar.

Hasil prediksi dikatakan sangat baik jika nilai MAPE kurang dari 10% dan dikatakan baik jika nilai MAPE berkisar 10% sampai dengan 20%. Berdasarkan Tabel 4.15, data hasil prediksi dan data aktual dilakukan akurasi prediksi untuk memvalidasi tingkat keakuratan dengan menggunakan MAPE diperoleh nilai sebesar 0.07473055 atau 7,5% sehingga dikatakan sangat baik karena nilai MAPE kurang dari 10%. Dari MAPE yang diperoleh, keakurasian model TVAR(1) dengan satu threshold sangat baik sehingga dapat digunakan untuk memprediksi cadangan

37

0 20000 40000 60000 80000 100000 120000 140000

Hasil Prediksi Data Aktual Prediksi Selanjutnya

devisa di masa yang akan datang. Hasil prediksi cadangan devisa enam bulan mendatang ditampilkan dalam Tabel 4.16 dan Gambar 4.5 berikut.

Tabel 4.16. Prediksi Cadangan Devisa

Bulan Hasil Prediksi

Agustus 2019 109762.1 September 2019 110449.2 Oktober 2019 111095.5 November 2019 111680.4 Desember 2019 112188.8 Januari 2020 112610.4

Gambar 4.5. Plot Prediksi Cadangan Devisa Indonesia

Berdasarkan Tabel 4.16 dan Gambar 4.5 diperoleh bahwa cadangan devisa Indonesia pada periode enam bulan mendatang mengalami kenaikan. Pada Agustus 2019 cadangan devisa diprediksikan bernilai 109762.1 juta dollar AS. Selanjutnya dari bulan September 2019 sampai dengan Januari 2020 diprediksikan cadangan devisa mengalami kenaikan secara berturut-turut dengan nilai cadangan devisa

38 110449.2 juta dollar AS, 111095.5 juta dollar AS, 111680.4 juta dollar AS, 112188.8 juta dollar AS dan 112610.4 juta dollar AS.

39 BAB V PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian menunjukkan bahwa pemodelan dengan menggunakan TVAR merupakan pengembangan pemodelan VAR dengan memasukan threshold yang dimanfaatkan untuk menangkap non linearitas yang terdapat dalam data keuangan. Dari pembahasan diperoleh bahwa model TVAR yang paling sesuai adalah TVAR(1) dengan satu threshold untuk model cadangan devisa (𝑌̂_1,𝑡) dengan pembagian dua rezim, yaitu.:

1. Rezim Bawah

𝑌̂_1,𝑡= 5719.0255 + 0.9535 𝑌_1,𝑡−1+ 0.5475𝑌_2,𝑡−1− 0.4715 𝑌_3,𝑡−1− 26315.0566 𝑌_4,𝑡−1; 𝑌_3,𝑡−1 ≤ 13790.66 (5.1) 2. Rezim Atas

𝑌̂_1,𝑡= 16015.9136 + 0.9549 𝑌_1,𝑡−1+ 0.1269 𝑌_2,𝑡−1− 0.9948 𝑌_3,𝑡−1+ 43985.9438 𝑌_4,𝑡−1 ; 𝑌_3,𝑡−1 > 13790.66 (5.2)

Dimana variabel cadangan devisa (𝑌_1,𝑡−1), variabel nilai ekspor (𝑌_2,𝑡−1), variabel nilai impor (𝑌_3,𝑡−1), dan variabel nilai inflasi (𝑌_4,𝑡−1), dan 𝑟 = 13790.66 yakni sebagai threshold. Dari pemodelan TVAR(1) dengan satu threshold diperoleh bahwa model memiliki MAPE sebesar 7,5%. Apabila MAPE kurang dari 10%

dapat model dapat dikatakan sangat baik, artinya model TVAR(1) dengan satu threshold yang telah diteliti dapat dikatakan sangat baik untuk digunakan dalam prediksi. Dari nilai MAPE tersebut maka diprediksi cadangan devisa Indonesia untuk enam bulan mendatang.

5.2 Saran

Penelitian selanjutnya dapat dilakukan dengan menambahkan variabel eksogen dan dapat juga dilakukan pengujian terhadap efek asimetris atau dapat menambahkan Autoregressive Conditional Heteroskedasticity (ARCH) pada model

40 TVAR sehingga didapatkan pemodelan yang lebih baik untuk digunakan dalam memprediksi.

41

REFERENSI

[1] A. H. Manurung, Cadangan Devisa dan Valuta Asing. Jakarta: Kompas Media Nusantara, 2016.

[2] Agustina dan Reny, “Pengaruh Ekspor, Impor, Nilai Tukar Rupiah, dan Tingkat Inflasi terhadap Cadangan Devisa Indonesia,” Jurnal Wira Ekonomi Mikroskil, vol. 4, no.2, pp. 61-70, 2014.

[3] L. B. Uli, “Analisis Cadangan Devisa,” Jurnal Perspektif Pembiayaan dan Pembangunan Daerah, vol. 4, no.1, pp. 15-24, 2016.

[4] P. Sayoga dan S. Tan, “Analisis Cadangan Devisa Indonesia dan Faktor-Faktor yang Mempengaruhinya,” Jurnal Paradigma Ekonomika, vol. 12, no.1, pp. 25-30, 2017

[5] A. P. Sonia dan N. D. Setiawina, “Pengaruh Kurs, JUB, dan Tingkat Inflasi terhadap Ekspor, Impor, dan Cadangan Devisa Indonesia,” E-Jurnal Ekonomi Pembangunan Universitas Udayana, vol. 5, no.10, pp. 1077-1102, 2016.

[6] D. V. Gandhi, Pengelolaan Cadangan Devisa di Bank Indonesia. Jakarta:

Pusat Pendidikan dan Studi Kebanksentralan (PPSK) Bank Indonesia, 2006.

[7] I. Mukhlis, Ekonomi Keuangan dan Perbankan Teori dan Aplikasi. Jakarta:

Salemba Empat, 2015.

[8] M. Ekanda, Analisis Ekonometrika Keuangan Untuk Penelitian Bisnis dan Keuangan. Jakarta: Salemba Empat, 2016.

[9] R. S. Tsay, Analysis of Financial Time Series Thrid Edition. New Jersey: John Wiley & Sons, Inc, 2010.

[10] W. W. S. Wei, Time Series Analysis: Univariate and Multivariate Methods Second Edition. USA: Pearson, 2006.

[11] J. D. Cryer dan K. S. Chan, Time Series Analysis With Applications in R Second Edition. New York: Pearson, 2008.

[12] N. S. Balke, “Credit and Economics Activity: Credit Regimes and Nonlinear Propagation of Shocks,” The Review of Economics and Statistics, vol. 82, no.

2, pp. 344-349, 2000.

42 [13] D.N. Gujarati, Basic Econometrics. New York: McGraw-Hill, 2003.

[14] C. Chatfield, Time Series Forecasting. USA:Chapman&Hall/CRC, 2000.

[15] Bank Indonesia, “Statistik Ekonomi dan Keuangan Indonesia.” [Online].

Available: https://www.bi.go.id/id/statistik/ekonomi-keuangan/seki/Default.aspx. [Accessed: 2-Agust-2019]

[16] IMF Data, “Trade of Goods.” [Online]. Available:

https://data.imf.org/regular.aspx?key=61545870. [Accessed: 11-Jul-2019]

[17] Badan Pusat Statistik. “Inflasi”. [Online]. Available:

https://www.bps.go.id/indicator/3/1/1/inflasi-umum-.html. [Accessed: 11-Jul-2019]

[18] H. Kusdarwati, E. Sumarminingsih, dan E. M. Arifin, “Pemodelan Threshold Vector Autoregressive (TVAR) untuk Kurs Jual dan Kurs Beli Euro,”

Finance and Banking Journal, vol. 13, no. 2, pp. 151-158, 2019.

[19] B.E. Hansen, “Threshold effects in non-dynamic panels: Estimation, testing, and inference,” Journal of Econometrics, vol. 93, pp. 345-368, 1999.

[20] J.S. Armstrong, “Significance test harm progress in forecasting,”

International Journal of Forecasting, vol. 23, pp. 321-327, 2007.

[21] R.S. Tsay, “Testing and Modeling Multivariate Threshold Models,” Journal of the American Statistical Association, vol. 93, no. 443, pp. 1188-1202, 1998.

[22] M.C. Lo dan E. Zivot, “Threshold Cointegration and Nonlinear Adjustment To The Law Of One Price,” Macroeconomic Dynamics, vol. 5, no. 4, pp. 533-576, 2001.

[23] W.S. Chan, A.C.S. Wong, dan H. Tong. “Some Nonlinear Threshold Autoregressive Time Series Models for Actuarial Use”, North American Actuarial Journal, vol.8, no. 4, pp. 37-61, 2004.

[24] H. Rosyidah, R. Rahmawati, dan A. Prahutama, “Pemodelan Vector Autoregressive untuk Meramalkan Jumlah Uang yang Beredar di Indonesia,”

Jurnal Gaussian, vol. 6, no. 3, pp. 333-343, 2017

43

LAMPIRAN

Lampiran 1

DATA CADANGAN DEVISA, NILAI EKSPOR, NILAI IMPOR DAN LAJU INFLASI PERIODE JANUARI 2010-JULI 2019

Bulan Cadangan

Devisa

Nilai

Ekspor Nilai Impor Inflasi Jan-10 69562.47 11595.87 9490.46 0.0372

Feb-10 69730.60 11166.45 9498.14 0.0381

Mar-10 71823.21 12774.37 10972.64 0.0343 Apr-10 78582.77 12035.25 11235.79 0.0391

May-10 74587.29 12619.13 9980.35 0.0416

Jun-10 76321.26 12330.11 11760.00 0.0505 Jul-10 78794.09 12486.97 12625.94 0.0622 Aug-10 81317.21 13726.52 12171.55 0.0644

Sep-10 86550.64 12181.63 9654.13 0.0580

Oct-10 91728.66 14399.64 12120.02 0.0567 Nov-10 92759.27 15633.28 13007.60 0.0633 Dec-10 96206.85 16829.89 13146.67 0.0696 Jan-11 95331.57 14606.25 12560.00 0.0702 Feb-11 99618.83 14415.28 11750.00 0.0684 Mar-11 105709.08 16365.95 14490.00 0.0665 Apr-11 113814.19 16554.24 14890.00 0.0616 May-11 118108.84 18287.44 14830.00 0.0598 Jun-11 119654.74 18386.86 15070.00 0.0554 Jul-11 122670.95 17418.47 16210.00 0.0461 Aug-11 124637.75 18647.83 15070.00 0.0479 Sep-11 114502.40 17543.41 15170.00 0.0461 Oct-11 113961.76 16957.74 15530.00 0.0442 Nov-11 111315.93 17235.46 15390.00 0.0415 Dec-11 110122.84 17077.69 15480.00 0.0379 Jan-12 111990.49 15570.07 14554.62 0.0365 Feb-12 112219.56 15695.44 14866.79 0.0356 Mar-12 110493.27 17251.52 16325.66 0.0397 Apr-12 116413.02 16173.19 16937.88 0.0450 May-12 111528.08 16829.55 17036.74 0.0445

44 Jun-12 106502.39 15441.46 16727.52 0.0453

Jul-12 106558.99 16090.60 16354.45 0.0456 Aug-12 108990.39 14047.01 13813.88 0.0458 Sep-12 110172.24 15898.12 15348.56 0.0431 Oct-12 110297.16 15320.00 17210.00 0.0461 Nov-12 111285.11 16320.00 16940.00 0.0432 Dec-12 112781.22 15390.00 15580.00 0.0430 Jan-13 108779.95 15375.49 15450.24 0.0457 Feb-13 105182.65 15015.63 15313.29 0.0531 Mar-13 104799.86 15024.58 14887.08 0.0590 Apr-13 107268.50 14760.89 16463.47 0.0557 May-13 105148.52 16133.36 16660.56 0.0547 Jun-13 98095.10 14758.82 15636.02 0.0590 Jul-13 92671.05 15087.86 17416.99 0.0861 Aug-13 92997.09 13083.71 13012.05 0.0879 Sep-13 95675.34 14706.78 15509.77 0.0840 Oct-13 96995.67 15698.33 15674.02 0.0832 Nov-13 96960.15 15938.56 15149.33 0.0837 Dec-13 99386.70 16967.80 15455.86 0.0838 Jan-14 100651.31 14472.62 14916.23 0.0822 Feb-14 102740.93 14634.17 13790.66 0.0775 Mar-14 102591.86 15192.78 14523.72 0.0732 Apr-14 105562.78 14292.52 16254.98 0.0725 May-14 107047.64 14823.66 14770.34 0.0732 Jun-14 107678.10 15409.49 15697.74 0.0670 Jul-14 110542.44 14124.15 14081.71 0.0453 Aug-14 111223.65 14481.65 14793.24 0.0399 Sep-14 111164.46 15275.85 15546.10 0.0453 Oct-14 111972.60 15292.89 15327.99 0.0483 Nov-14 111143.54 13544.73 14041.61 0.0623 Dec-14 111861.60 14436.34 14434.51 0.0836 Jan-15 114249.52 13244.88 12612.65 0.0696 Feb-15 115527.33 12172.80 11510.11 0.0629 Mar-15 111553.66 13634.04 12608.69 0.0638 Apr-15 110867.11 13104.60 12626.28 0.0679 May-15 110770.54 12754.66 11613.59 0.0715 Jun-15 108029.60 13514.10 12978.09 0.0726 Jul-15 107552.85 11465.78 10081.86 0.0726 Aug-15 105345.93 12726.04 12399.25 0.0718 Sep-15 101719.52 12588.36 11558.60 0.0683 Oct-15 100711.97 12121.74 11108.92 0.0625

45 Nov-15 100240.45 11122.18 11519.47 0.0489

Dec-15 105931.03 11917.11 12077.30 0.0335 Jan-16 102133.90 10581.88 10467.00 0.0414 Feb-16 104543.73 11316.73 10175.63 0.0442 Mar-16 107542.59 11812.13 11301.71 0.0445 Apr-16 107710.73 11689.75 10813.62 0.0360 May-16 103591.27 11517.41 11140.68 0.0333 Jun-16 109788.72 13206.12 12095.22 0.0345 Jul-16 111408.71 9649.50 9017.16 0.0321 Aug-16 113538.18 12753.92 12385.15 0.0279 Sep-16 115671.34 12579.75 11297.51 0.0307 Oct-16 115037.05 12743.74 11507.18 0.0331 Nov-16 111466.09 13502.92 12669.43 0.0358 Dec-16 116361.53 13832.36 12782.52 0.0302 Jan-17 116890.08 13397.68 11973.77 0.0349 Feb-17 119863.05 12615.98 11359.41 0.0383 Mar-17 121805.63 14718.48 13283.19 0.0361 Apr-17 123249.42 13269.69 11950.61 0.0417 May-17 124953.30 14333.86 13772.55 0.0433 Jun-17 123093.71 11661.38 9991.57 0.0437 Jul-17 127758.58 13611.06 13889.81 0.0388 Aug-17 128787.07 15187.99 13509.20 0.0382 Sep-17 129402.40 14580.22 12788.29 0.0372 Oct-17 126547.13 15252.56 14249.18 0.0358 Nov-17 125967.24 15334.74 15113.52 0.0330 Dec-17 130196.37 14864.55 15104.47 0.0361 Jan-18 131979.63 14576.28 15309.43 0.0325 Feb-18 128058.65 14132.38 14185.49 0.0318 Mar-18 126003.20 15510.62 14463.60 0.0340 Apr-18 124862.01 14496.24 16162.29 0.0341 May-18 122913.90 16198.34 17662.89 0.0323 Jun-18 119839.03 12941.74 11267.89 0.0312 Jul-18 118312.23 16284.72 18297.15 0.0318 Aug-18 117927.18 15865.12 16818.14 0.0320 Sep-18 114847.51 14956.35 14610.06 0.0288 Oct-18 115163.05 15909.07 17667.62 0.0316 Nov-18 117211.85 14851.72 16901.81 0.0323 Dec-18 120654.27 14290.09 15364.99 0.0313 Jan-19 120075.16 14028.09 15005.19 0.0282 Feb-19 123273.87 12788.56 12465.07 0.0257 Mar-19 124539.31 14447.79 13746.62 0.0248

46 Apr-19 124293.82 13068.07 15399.19 0.0283 May-19 120347.15 14751.89 14606.66 0.0332 Jun-19 123823.27 11763.35 11495.39 0.0328 Jul-19 125900.04 15238.42 15518.48 0.0349