UNIVERSITAS INDONESIA
PERBANDINGAN KOMPARATIF CAPITAL ASSET PRICING MODEL (CAPM)
DAN SHARIA’ COMPLIANT ASSET PRICING MODEL (SCAPM) : STUDI KASUS
SAHAM YANG TERGABUNG DALAM JAKARTA ISLAMIC INDEX (INDONESIA) PERIODE 2005-2014
TUGAS AKHIR MATA KULIAH EKONOMETRIKA KEUANGAN
NURUL ARIFAH WAHYUNI (1306453483)
FAKULTAS EKONOMI PROGRAM STUDI BISNIS ISLAM
2
STATEMENT OF AUTHORSHIP
“Penulis yang bertandatangan dibawah ini menyatakan bahwa makalah/tugas terlampir adalah murni hasil pekerjaan penulis sendiri. Tidak ada pekerjaan orang lain yang penulis gunakan tanpa menyebutkan sumbernya.
Materi ini tidak/belum pernah disajikan/digunakan sebagai bahan untuk makalah/tugas pada mata ajaran lain kecuali penulis menyatakan dengan jelas bahwa penulis menggunakannya.
Penulis/kami memahami bahwa tugas yang penulis kumpulkan ini dapat diperbanyak dan atau dikomunikasikan untuk tujuan mendeteksi adanya plagiarisme.”
Mata Kuliah : Ekonometrika Keuangan
Judul Makalah/Tugas: Perbandingan Komparatif Capital Asset Pricing Model (CAPM) dan Sharia’ Compliant Asset Pricing Model (SCAPM) : Studi Kasus
Saham yang Tergabung dalam Jakarta Islamic Index (Indonesia) Periode 2005 - 2014
Tanggal : 03 Juni 2015
Dosen : Najwa Khairina, S.E, MA.
Nama : Nurul Arifah Wahyuni NPM : 1306453483
3
ABSTRAK
Capital Asset Pricing Model (CAPM) yang merupakan awal mula perkembangan asset
pricing theory, digunakan untuk memprediksi return dan mengetahu resiko pada tingkat
return tertentu. Dalam CAPM, terdapat variabel risk free, yang dipakai untuk mengetahui
kecenderungan tingkah laku investor pada tingkat risk free. Penggunaan variabel risk free tersebut menyebabkan CAPM tidak cocok diterapkan untuk memprediksi resiko dan return saham syariah. Oleh karena itu, dikembangkan sebuah model Sharia’ Compliant Asset Pricing Model (Hanif, 2011) yang merupakan penyesuaian model CAPM agar sesuai dengan
konsep syariah. Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan SCAPM secara komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014 dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah. Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5 hystorical price saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI,
PTBA, SMGR, TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing Index (N) selama 10 tahun (Desember 2004 – Desember 2014). Data diolah menggunakan
metode OLS. Pada akhir analisa didapat kesimpulan bahwa model SCAPM sedikit lebih baik dari model CAPM dalam memprediksi return pada saham-saham syariah yang konstan tergabung dalam JII periode 2005-2015 karena model SCAPM secara konstan menjelaskan variasi pada return dengan lebih baik.
4
PENDAHULUAN
Capital Asset Pricing Model (CAPM) adalah model asset pricing yang paling umum
digunakan untuk memprediksi return dan mengetahu resiko pada tingkat return tertentu. Model ini pertama kali diperkenalkan oleh Treynor dan Sharpe While Linter. Terlepas dari banyaknya kritik, CAPM tetap menjadi model regresi yang paling sering digunakan karena proses penerapan yang sederhana dan mudah. CAPM menjelaskan hubungan antara resiko dan return pada kondisi market equilibrium. Ide yang CAPM tawarkan adalah expected return akan sesuai dengan tingkat expected risk. Resiko sendiri terbagi menjadi 2 tipe, yaitu
sistematik dan non sistematik. Resiko non sistematik bergantung pada individu saham sehingga dapat diminimalisir dengan melakukan diversifikasi saham atau berinvestasi pada banyak saham sehingga resiko menyebar dengan sendirinya. Sedangkan untuk resiko sistematik bergantung pada kondisi pasar, sehingga tidak dapat dihindari dengan memperbesar ukuran portfolio atau melakukan diversifikasi saham. Sehingga, resiko jenis ini harus diperhitungkan sebelum investor melakukan investasi. CAPM menjelaskan bahwa return adalah fungsi linear dari risk free rate ditambah beta yang dikalikan dengan risk premium, dimana beta merupakan variabel yang menghitung resiko sistematik. Secara matematis dapat direpresentasikan sebagai berikut :
Rp – Rf = β0 + β(Rm – Rf) + Ut
(Rp = sample return, Rf = risk free rate, Rm= market return, β0 = intercept, β = beta, Ut = random error)
Sejak awal abad ke-21, industri keuangan syariah sudah menunjukkan perkembangan yang sangat pesat. Sebagai upaya untuk meningkatkan likuiditas, industri keuangan syariah mulai merambah ke pasar saham, salah satunya pasar saham di Indonesia. Di Indonesia sendiri, telah dibangun indeks saham syariah bernama JII dimana perusahaan yang terdaftar harus memenuhi berbagai persyaratan yang menunjukkan produk saham tidak bertentangan dengan syariah.
5 dengan Nominal Gross Domestic Product, Askhar mengganti risk free dengan Zakah rate, dan Hanif mengganti variabel risk free dengan inflation rate.
Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate), sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah, sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut dapat digunakan dalam memprediksi return atas investasi. Secara matematis SCAPM dapat direpresentasikan sebagai berikut :
Rp – N = β0 + β(Rm – N) + Ut
(Rp = sample return, N = inflation, Rm= market return, β0 = intercept, β = beta, Ut = random error)
Tujuan dari makalah ini adalah untuk membandingkan model CAPM dan SCAPM secara komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014 dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah.
LITERATURE REVIEW
6 Hanif [3] mengemukakan pandangan bahwa inflasi dapat digunakan sebagai variabel atau proxy pengganti risk free karena inflasi dapat dijadikan patokan untuk melakukan investasi
tanpa tergantung dengan resiko. Dasar pandangan tersebut adalah variabel risk free yang selama ini digunakan menggunakan rate surat berharga (Indonesia menggunakan SBI rate), sedangkan rate surat berharga itu sendiri mengacu pada inflasi. Sehingga, variabel Rf sendiri terdiri dari dua komponen yaitu (i) Real dan (ii) Inflation charge. Karena nilai riil dari Rf tersebut mencerminkan time value of money, maka penggunaannya dilarang secara syariah, sedangkan belum ada pelarangan atas penggunaan inflation charge sehingga variabel tersebut dapat digunakan dalam memprediksi return atas investasi.
METODOLOGI
Makalah ini digunakan untuk menguji explanatory power dari CAPM dan SCAPM untuk menentukan model terbaik dalam memprediksi return dan resiko saham-saham syariah yang tergabung secara konstan dalam JII selama periode 10 tahun. Untuk melakukan regresi, data return premium (Rp) yang digunakan adalah return closing price dari 10 jenis saham yang
tercatat dalam JII periode Mei 2004 – Mei 2014 berdasarkan surat edaran PT. Bursa Efek Jakarta. Return market (Rm) menggunakan data Jakarta Islamic Index. Risk free rate (Rf) menggunakan data SBI rate. Inflasi sebagai pengganti variabel risk free dalam SCAPM menggunakan data Customer Pricing Index (N). Seluruh data berupa data bulanan yang memiliki periode 10 tahun (Desember 2004 – Desember 2014) dan didapat dari sumber data Data Stream.
Data diolah menggunakan metode Ordinary Least Square. Persamaan regresi yang digunakan adalah sebagai berikut :
Rumus return data :
Ri = Pt – Pt-1 / Pt-1 ... (1)
(Ri = return harga saham, Pt = harga saham pada current month, Pt-1 = harga saham pada bulan sebelumnya)
Model regresi CAPM (Sharpe, 1964)
Rp – Rf = β0 + β(Rm – Rf) + Ut ... (2)
(Rp = sample return, Rf = risk free rate, Rm= market return, β0 = intercept, β = beta, Ut = random error)
Model regresi SCAPM (Hanif, 2011)
Rp – N = β0 + β(Rm – N) + Ut ... (3)
7
ANALISIS
Metode regresi Ordinary Least Square yang dipakai pada analisis makalah ini dapat meregresi dengan baik apabila syarat-syarat best linear unbiased estimator (BLUE) terpenuhi. Tahap pertama dari analisis ini adalah memastikan terpenuhinya asumsi-asumsi OLS yaitu data stasioner, tidak mengandung autokorelasi, dan tidak memiliki multikolinearitas agar memenuhi kriteri BLUE OLS. Uji stasionaritas menggunakan uji ADF-test, autokorelasi meggunakan stastistik Durbin-Watson, dan multikolinearitas menggunakan uji korelasi. Hasil uji masing-masing kriteria terlampir.
Setelah terbukti bebas dari masalah-masalah yang menyebabkan regresi OLS tidak BLUE, maka selanjutnya kita lakukan regresi menggunakan OLS dan diperoleh hasil sebagai berikut (hasil uji terlampir) :
CAPM
AALI PTBA SMGR TLKM UNVR
Prob F-stat 0.0000 0.026826 0.415201 0.6042 0.43664
Prob C 0.6301 0.0766 0.0000 0.0000 0.00000
Prob Rm-Rf 0.0000 0.0268 0.4152 0.049369 0.07512
R-squared 0.302519 0.04086 0.005634 0.002284 0.005136
Adj R-squared 0.296608 0.032731 -0.00279 -0.06263 -0.00329
SCAPM
AALI PTBA SMGR TLKM UNVR
Prob F-stat 0.0000 0.0145 0.4558 0.722018 0.984995
Prob C 0.2576 0.1685 0.0000 0.4239 0.00000
Prob Rm-N 0.0000 0.0145 0.4558 0.722 0.985
R-squared 0.314386 0.049543 0.005722 0.002377 0.000003
8
Perbandingan Signifikansi Model
Dengan menggunakan level of significance 95%, terlihat bahwa model CAPM adalah signifikan pada saham AALI, PTBA, SMGR, UNVR dan tidak signifikan pada saham TLKM ditunjukkan dengan Prob F-stat yang melebihi alfa 0.05. Sedangkan menggunakan level of significance 95%, terlihat bahwa model SCAPM adalah signifikan pada saham AALI,
PTBA, SMGR dan tidak signifikan pada saham TLKM dan UNVR ditunjukkan dengan Prob F-stat yang melebihi alfa 0.05. Dari data hasil regresi, hanya saham AALI, PTBA, dan SMGR yang signifikan dapat diestimasi menggunakan model CAPM dan SCAPM, sehingga hanya tiga saham tersebut yang akan kita bandingkan explanatory powernya.
Perbandingan Explanatory Power
Karena jumlah variabel independen hanya 1, maka kita dapat menggunakan R-squared untuk melihat dan membandingkan explanatory power masing model terhadap masing-masing saham. Untuk saham AALI, R-squared model CAPM 0.302519 sedikit lebih kecil bila dibandingkan dengan squared pada SCAPM sebesar 0.314386. Pada saham PTBA, R-squared model CAPM 0.04086 sedikit lebih kecil bila dibandingkan dengan R-R-squared pada SCAPM sebesar 0.049543. Sedangkan pada saham SMGR, R-squared model CAPM 0.005634 sedikit lebih kecil bila dibandingkan dengan R-squared pada SCAPM sebesar 0.005722.
9
KESIMPULAN
Makalah ini memiliki tujuan untuk membandingkan model CAPM dan SCAPM secara komparatif pada saham-saham yang secara konstan masuk ke dalam JII periode 2005-2014 dilihat dari model mana yang menjelaskan variasi pada return dengan lebih baik, untuk mengetahui model mana yang lebih sesuai untuk memprediksi return pada saham syariah. Data yang digunakan pada penelitian adalah data bulanan SBI rate (Rf), 5 hystorical price saham-saham yang termasuk ke dalam JII 2005-2014 secara konstan (AALI, PTBA, SMGR, TLKM, UNVR) (Ri), Jakarta Islamic Index (Rm), dan Customer Pricing Index (N) selama 10 tahun (Desember 2004 – Desember 2014). Data diolah menggunakan metode Ordinary Least Square. Secara keseluruhan dapat ditarik kesimpulan bahwa masing-masing model memiliki
explanatory power yang sangat kecil. Hal ini ditunjukkan dengan nilai koefisien R-squared
10
REFERENSI
[1] Fama, E.F. and K.R. French. 2004. The Capital Asset Pricing Model: Theory and Evidence. Journal of Economic Prespective, 18:3, 25-46.
[2] Sheikh, S.A., 2010. Corporate Finance in an Interest free economy: An alternate approach
to practiced Islamic Corporate finance.
[3] Hanif, M., 2011. Risk and Return under Shari ‘a Framework an Attempt to Develop Shari
‘a Compliant Asset Pricing Model-SCAPM. Pakistan Journal of Commerce and Social Sciences 5:2.
11
LAMPIRAN
A. Individual Statistics Descriptive CAPM
RM_RF AALI_RF PTBA_RF SMGR_RF TLKM_RF UNVR_RF
Mean -0.063120 -0.052796 -0.051271 -0.055264 -0.065741 -0.055824
Median -0.055246 -0.051780 -0.060416 -0.053758 -0.064395 -0.063164
Maximum 0.110951 0.281136 0.336115 0.174838 0.151286 0.185254
Minimum -0.393548 -0.549954 -0.511539 -0.320831 -0.341855 -0.271329
Std. Dev. 0.072452 0.122764 0.131734 0.091208 0.074839 0.075941
Skewness -0.989561 -0.515028 0.250168 -0.184715 -0.019114 0.349738
Kurtosis 6.572566 5.149835 5.244832 3.630730 4.124793 4.142034
Jarque-Bera 83.40075 28.41401 26.44803 2.671499 6.333100 8.967546
Probability 0.000000 0.000001 0.000002 0.262961 0.042149 0.011291
Sum -7.574459 -6.335469 -6.152517 -6.631734 -7.888952 -6.698897
Sum Sq. Dev. 0.624665 1.793458 2.065093 0.989941 0.666510 0.686274
Minimum -0.285030 -0.441436 -0.418885 -0.216371 -0.249201 -0.213078
12
B. Hasil Uji Stationarity
(Menggunakan ADF Individual Unit Root Test)
Null Hypothesis: Unit root (individual unit root process)
Series: AALI_N, AALI_RF, PTBA_N, PTBA_RF, RM_N, RM_RF, SMGR_N, SMGR_RF, TLKM_N, TLKM_RF, UNVR_N, UNVR_RF
Date: 06/05/15 Time: 08:59 Sample: 2004M12 2014M12
Exogenous variables: Individual effects Automatic selection of maximum lags
Automatic selection of lags based on SIC: 0 to 1 Total number of observations: 1427
Cross-sections included: 12
Method Statistic Prob.**
ADF - Fisher Chi-square 748.513 0.0000
ADF - Choi Z-stat -25.9622 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Intermediate ADF test results UNTITLED
Series Prob. Lag Max Lag Obs
13
C. Hasil Uji Multicollinearity CAPM
RM_RF AALI_RF PTBA_RF SMGR_RF TLKM_RF UNVR_RF RM_RF 1 0.550017 0.202138 0.075059 0.047794 0.071669
SCAPM
RM_N AALI_N PTBA_N SMGR_N TLKM_N UNVR_N RM_N 1 0.542574 0.222583 0.068714 0.032811
-0.00174
14
D. Hasil Regresi CAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat,
Signifikansi model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan
explanatory power dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_RF Method: Least Squares Date: 05/31/15 Time: 12:07
Sample (adjusted): 2005M01 2014M12 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_RF 0.931962 0.130271 7.154032 0.0000
C 0.006030 0.012488 0.482882 0.6301
R-squared 0.302519 Mean dependent var -0.052796
Adjusted R-squared 0.296608 S.D. dependent var 0.122764
S.E. of regression 0.102961 Akaike info criterion -1.692415
Sum squared resid 1.250904 Schwarz criterion -1.645957
Log likelihood 103.5449 Hannan-Quinn criter. -1.673548
F-statistic 51.18017 Durbin-Watson stat 2.086607
Prob(F-statistic) 0.000000 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_RF 0.367531 0.163925 2.242063 0.0268
C -0.028072 0.015714 -1.786402 0.0766
R-squared 0.040860 Mean dependent var -0.051271
Adjusted R-squared 0.032731 S.D. dependent var 0.131734
S.E. of regression 0.129560 Akaike info criterion -1.232824
Sum squared resid 1.980714 Schwarz criterion -1.186366
Log likelihood 75.96943 Hannan-Quinn criter. -1.213957
F-statistic 5.026845 Durbin-Watson stat 2.032315
15 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_RF 0.094490 0.115561 0.817658 0.4152
C -0.049300 0.011078 -4.450247 0.0000
R-squared 0.005634 Mean dependent var -0.055264
Adjusted R-squared -0.002793 S.D. dependent var 0.091208
S.E. of regression 0.091335 Akaike info criterion -1.932041
Sum squared resid 0.984363 Schwarz criterion -1.885583
Log likelihood 117.9225 Hannan-Quinn criter. -1.913175
F-statistic 0.668564 Durbin-Watson stat 2.128594
Prob(F-statistic) 0.415201 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_RF 0.049369 0.094982 0.519767 0.6042
C -0.062625 0.009105 -6.877884 0.0000
R-squared 0.002284 Mean dependent var -0.065741
Adjusted R-squared -0.006171 S.D. dependent var 0.074839
S.E. of regression 0.075070 Akaike info criterion -2.324269
Sum squared resid 0.664987 Schwarz criterion -2.277811
Log likelihood 141.4561 Hannan-Quinn criter. -2.305402
F-statistic 0.270158 Durbin-Watson stat 2.133614
Prob(F-statistic) 0.604200 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_RF 0.075120 0.096242 0.780534 0.4366
C -0.051083 0.009226 -5.536747 0.0000
R-squared 0.005136 Mean dependent var -0.055824
Adjusted R-squared -0.003295 S.D. dependent var 0.075941
S.E. of regression 0.076066 Akaike info criterion -2.297909
Sum squared resid 0.682749 Schwarz criterion -2.251451
Log likelihood 139.8745 Hannan-Quinn criter. -2.279042
F-statistic 0.609233 Durbin-Watson stat 2.038294
17
E. Hasil Regresi SCAPM
(Menunjukkan hasil uji Aucorrelation dilihat dari Durbin Watson Stat, Signifikansi model dilihat dari F-stat, Signifikansi koefisien, Nilai koefisien, dan explanatory power dari R-squared dan Adj R-squared)
1. AALI
Dependent Variable: AALI_N Method: Least Squares Date: 05/31/15 Time: 12:08
Sample (adjusted): 2005M01 2014M12 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_N 0.946976 0.134966 7.016429 0.0000
C 0.010779 0.009474 1.137680 0.2576
R-squared 0.314386 Mean dependent var 0.018885
Adjusted R-squared 0.308406 S.D. dependent var 0.122116
S.E. of regression 0.103012 Akaike info criterion -1.691413
Sum squared resid 1.252157 Schwarz criterion -1.644955
Log likelihood 103.4848 Hannan-Quinn criter. -1.672547
F-statistic 49.23028 Durbin-Watson stat 2.084621
Prob(F-statistic) 0.000000 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_N 0.427185 0.172246 2.480087 0.0145
C 0.016753 0.012091 1.385531 0.1685
R-squared 0.049543 Mean dependent var 0.020410
Adjusted R-squared 0.041488 S.D. dependent var 0.134282
S.E. of regression 0.131467 Akaike info criterion -1.203602
Sum squared resid 2.039447 Schwarz criterion -1.157144
Log likelihood 74.21615 Hannan-Quinn criter. -1.184736
F-statistic 6.150829 Durbin-Watson stat 2.022620
Prob(F-statistic) 0.014546
18 Dependent Variable: SMGR_N
Method: Least Squares Date: 05/31/15 Time: 12:15
Sample (adjusted): 2005M01 2014M12 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_N 0.090921 0.121522 0.748190 0.4558
C 0.015638 0.008531 1.833176 0.0693
R-squared 0.005722 Mean dependent var 0.016416
Adjusted R-squared -0.003713 S.D. dependent var 0.092579
S.E. of regression 0.092751 Akaike info criterion -1.901269
Sum squared resid 1.015126 Schwarz criterion -1.854811
Log likelihood 116.0761 Hannan-Quinn criter. -1.882402
F-statistic 0.559789 Durbin-Watson stat 2.101593
Prob(F-statistic) 0.455834 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_N 0.035671 0.100026 0.356613 0.7220
C 0.005634 0.007022 0.802414 0.4239
R-squared 0.002377 Mean dependent var 0.005940
Adjusted R-squared -0.07389 S.D. dependent var 0.076064
S.E. of regression 0.076345 Akaike info criterion -2.290585
Sum squared resid 0.687768 Schwarz criterion -2.244126
Log likelihood 139.4351 Hannan-Quinn criter. -2.271718
F-statistic 0.127173 Durbin-Watson stat 2.128091
Prob(F-statistic) 0.722018 Included observations: 120 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
RM_N -0.001808 0.095918 -0.018847 0.9850
C 0.015872 0.006733 2.357273 0.0201
R-squared 0.000003 Mean dependent var 0.015857
19 S.E. of regression 0.073209 Akaike info criterion -2.374461
Sum squared resid 0.632434 Schwarz criterion -2.328003
Log likelihood 144.4677 Hannan-Quinn criter. -2.355594
F-statistic 0.000355 Durbin-Watson stat 2.094170
Prob(F-statistic) 0.984995