Modul 7: Manajemen Portofolio, Aset, Sumber Daya & Ekonomi Perilaku

Simulator Parameter 01

Batas Efisien Markowitz & Garis CML

Konstruksi frontier hiperbolik portofolio risiko-return. Temukan Portofolio Varian Minimum (MVP) dan sinar Garis Pasar Modal (CML) bertolak dari tingkat bebas risiko $R_f$.

Korelasi Antar-Aset (ρ):

Return Aset Bebas Risiko (R_f) 5.0%

Return Harapan Aset A E(R_A) 14.0%

Volatilitas Risiko Aset A (σ_A) 20.0%

Return Harapan Aset B E(R_B) 8.0%

Volatilitas Risiko Aset B (σ_B) 10.0%

Koefisien Korelasi Linear (ρ_AB) 0.20

Bobot Alokasi Aset A (w_A) 50%

Aset A: 50% Aset B: 50%

Kinerja Portofolio Terpilih P:

Return Portofolio E(R_p): 11.00%

Risiko Volatilitas (σ_p): 12.17%

Titik MVP (σ*, R*): σ = 9.45% | R = 8.84%

Sharpe Ratio Portofolio Tangen: 0.68

Frontier Efisien Markowitz & Garis Pasar Modal (CML)

Sumbu Horisontal: Risiko Volatilitas (σ) | Sumbu Vertikal: Return Harapan E(R)

Batas Efisien Markowitz (Efficient Frontier) & Garis Pasar Modal (CML) Teori & Ekonometrika (DB)

Teori Portofolio Modern Harry Markowitz, Minimum Variance Portfolio & Teorema Separasi Tobin

1. Konsep & Teori Dasar

Teori Portofolio Modern Harry Markowitz (1952) membuktikan bahwa risiko portofolio bukan sekadar rata-rata tertimbang risiko aset individual, melainkan sangat ditentukan oleh korelasi antar-aset ($\rho_{AB}$). Diversifikasi portofolio menyusutkan varians dan melengkungkan kombinasi imbal hasil-risiko membentuk hiperbola; lengan atas di atas Minimum Variance Portfolio (MVP) disebut Markowitz Efficient Frontier. Ketika aset bebas risiko ($R_f$) ditambahkan, investor dapat menarik garis singgung linier dari $R_f$ menuju portofolio tangen optimal di puncak Sharpe Ratio tertinggi—garis inilah yang disebut Capital Market Line (CML).

$E(R_p) = R_f + \left(\frac{E(R_T) - R_f}{\sigma_T}\right) \sigma_p \quad \text{(Kemiringan CML = Sharpe Ratio Maksimum)}$

2. Filosofi & Aksioma Berpikir

Revolusi filosofis Markowitz dan James Tobin (Tobin's Separation Theorem, 1958) memisahkan keputusan investasi menjadi dua langkah independen: (1) identifikasi satu portofolio aset berisiko tangen optimal yang identik bagi semua investor rasional (objective technical decision), dan (2) preferensi individu yang mengatur seberapa besar dana dialokasikan ke aset bebas risiko vs portofolio tangen tersebut (subjective risk aversion). Aksiomanya bertumpu pada preferensi Mean-Variance investor yang menyukai imbal hasil dan menghindari varians risiko.

3. Model Ekonometrika & Spesifikasi Fungsi

Optimasi kuadratik portofolio untuk $N$ aset mencari bobot $\mathbf{w}$ yang meminimumkan varians $\mathbf{w}^T \Sigma \mathbf{w}$ dengan kendala imbal hasil target:

$\min_{\mathbf{w}} \frac{1}{2} \mathbf{w}^T \Sigma \mathbf{w} \quad \text{s.t. } \mathbf{w}^T \boldsymbol{\mu} = \mu_p, \; \mathbf{w}^T \mathbf{1} = 1$

$\text{Estimasi Matriks Kovarians Empiris: } \hat{\Sigma}_{\text{Shrink}} = \delta \mathbf{F} + (1 - \delta) \mathbf{S} \; \text{(Ledoit-Wolf Shrinkage)}$

Dalam ekonometrika keuangan, estimator matriks kovarians sampel biasa ($\mathbf{S}$) sangat peka terhadap kesalahan estimasi (estimation error maximization - Michaud, 1989), sehingga teknik Ledoit-Wolf Shrinkage dan Black-Litterman digunakan di manajemen investasi profesional.

4. Contoh Penerapan & Kasus Riil

Konstruksi Portofolio Kombinasi Saham Blue-Chip (IHSG) & Emas/Obligasi SBN: Saham perbankan kapitalisasi besar memiliki expected return ~13–15% dan volatilitas ~20%, sedangkan obligasi negara SBN memiliki imbal hasil lebih moderat dan korelasi rendah bahkan negatif saat krisis pasar ($\rho \le 0.1$). Dengan mengombinasikan kedua kelas aset pada titik MVP atau Tangen, investor ritel maupun dana pensiun memperoleh risk-adjusted return (Sharpe Ratio) jauh melampaui memegang salah satu aset saja.

5. Interpretasi Parameter

Korelasi Antar-Aset ($\rho$): $\rho = -1$ memungkinkan hilangnya risiko hingga nol sempurna (pelengkungan runcing tajam); $\rho = +1$ meniadakan manfaat diversifikasi (garis lurus).
Risk-Free Rate ($R_f$): Titik jangkar awal garis CML; kenaikan $R_f$ memutar garis CML dan memindahkan portofolio tangen optimal ke aset berimbal hasil lebih tinggi.
Bobot Aset A ($w_A$): Menggeser posisi portofolio aktual menyusuri kurva batas peluang investasi.

Simulator Parameter 02

Penetapan Harga Aset CAPM & SML

Evaluasi kompensasi risiko sistematik (Koefisien Beta β). Amati bagaimana saham Undervalued (α > 0) atau Overvalued (α < 0) mengalami penyesuaian harga kembali ke garis ekuilibrium SML.

Tingkat Bebas Risiko (R_f) 6.0%

Return Harapan Pasar E(R_m) 14.0%

Sensitivitas Risiko Sistematik Saham (β_i) 1.25

β < 1: Saham Defensif β > 1: Saham Agresif

Return Aktual / Ekspektasi Investor (R_i) 18.0%

Kinerja Valuasi Saham CAPM:

Premi Risiko Pasar (Equity Risk Premium): 8.00%

Return Wajar Wajib CAPM E(R_i): 16.00%

Jensen's Alpha (α_i): +2.00%

Sinyal Rekomendasi Pasar: UNDERVALUED (BUY SIGNAL)

Garis Pasar Sekuritas (Security Market Line - SML) & Nilai Tambah Alfa

Sumbu Horisontal: Risiko Sistematik Beta (β) | Sumbu Vertikal: Return Harapan E(R)

Model Penetapan Harga Aset Modal (CAPM) & Garis Pasar Sekuritas (SML) Teori & Ekonometrika (DB)

Risiko Sistematis (Beta), Premi Risiko Ekuitas, Jensen's Alpha & Mekanisme Arbitrase Koreksi Harga

1. Konsep & Teori Dasar

Capital Asset Pricing Model (CAPM — William Sharpe 1964; John Lintner 1965) menegaskan bahwa dalam pasar modal yang terdiversifikasi baik, pasar hanya memberikan premi kompensasi atas Risiko Sistematis ($\beta_i$)—risiko pasar makro yang tak dapat dihilangkan oleh diversifikasi—dan tidak membayar imbal hasil untuk risiko idiosinkratik spesifik perusahaan. Hubungan linier antara imbal hasil yang disyaratkan dan Beta digambarkan oleh Security Market Line (SML). Saham yang berada di atas SML menghasilkan Jensen's Alpha positif ($\alpha > 0$, Undervalued / murah) sehingga memicu gelombang beli; saham di bawah SML ($\alpha < 0$, Overvalued / mahal) akan dijual investor hingga harganya terkoreksi kembali tepat ke garis SML.

2. Filosofi & Aksioma Berpikir

CAPM berakar pada aksioma keseimbangan pasar kompetitif sempurna, ekspektasi homogen (homogeneous expectations), dan kemampuan meminjam tanpa batas pada suku bunga bebas risiko. Secara filosofis, CAPM mendefinisikan ulang konsep "risiko": risiko suatu aset tidak lagi diukur secara terisolasi oleh standar deviasinya sendiri, melainkan oleh kontribusi marjinal aset tersebut terhadap guncangan agregat seluruh pasar dunia.

3. Model Ekonometrika & Spesifikasi Fungsi

Estimasi Beta historis dan pengujian validitas empiris CAPM (termasuk pengembangan model multi-faktor Fama-French) dilakukan melalui regresi Time-Series Market Model dan regresi Cross-Section Fama-MacBeth (1973):

$R_{it} - R_{ft} = \alpha_i + \beta_i (R_{mt} - R_{ft}) + \varepsilon_{it}, \quad \hat{\beta}_i = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)}$

$\text{Model 3-Faktor Fama-French (1993): } R_{it} - R_{ft} = \alpha_i + \beta_{i,M} MKT_t + \beta_{i,S} SMB_t + \beta_{i,V} HML_t + u_{it}$

Uji empiris Black, Jensen, & Scholes (1972) menemukan SML aktual kerap lebih landai daripada prediksi teoretis akibat kendala pinjaman (leverage constraints) serta anomali faktor ukuran dan nilai.

4. Contoh Penerapan & Kasus Riil

Valuasi Biaya Modal Ekuitas (Cost of Equity) Saham BEI: Ketika imbal hasil obligasi SBN 10-Tahun berada di 6.75% ($R_f$), premi risiko ekuitas Indonesia sekitar 6.0%, dan saham siklikal pertambangan/properti memiliki Beta $\beta = 1.35$, maka required return minimal menurut CAPM adalah $6.75\% + 1.35 \times 6.0\% = 14.85\%$. Analis ekuitas membandingkan angka ini dengan proyeksi imbal hasil fundamental perusahaan untuk menentukan saham tersebut memiliki positive alpha (layak beli) atau overvalued.

5. Interpretasi Parameter

Beta Sistematis ($\beta_i$): $\beta = 1.0$ bergerak seirama pasar; $\beta > 1.0$ adalah saham agresif/siklikal; $\beta < 1.0$ adalah saham defensif (utilitas/konsumer primer).
Jensen's Alpha ($\alpha_i$): Selisih vertikal antara posisi aktual aset dan garis SML ($R_i - R_{\text{CAPM}}$), menjadi indikator objektif kelebihan atau kekurangan valuasi.
Market Risk Premium ($R_m - R_f$): Menentukan kemiringan SML; kenaikan sentimen takut risiko membuat pasar menuntut premi ekstra untuk setiap satuan Beta.

Simulator Parameter 03

Kurva Imbal Hasil Obligasi Dinamis

Struktur jangka waktu suku bunga (*term structure of interest rates*). Amati transformasi kurva imbal hasil dari pola normal naik menjadi datar, hingga terbalik (*Inverted Yield Curve*) sebagai sinyal peringatan resesi.

Sentimen Prospek Makroekonomi:

Suku Bunga Kebijakan Jangka Pendek (Policy Rate) 4.50%

Premi Ekspektasi Inflasi Jangka Panjang (π^e) 2.25%

Premi Risiko Tenor / Maturitas (Term Premium) 1.50%

Barometer Kurva & Peringatan Resesi:

Yield Tenor 2 Tahun: 4.92%

Yield Tenor 10 Tahun: 6.45%

Spread Kunci (10Y - 2Y): +1.53% (+153 bps)

Status Sinyal Makro: SEHAT (Ekspansi Normal)

Struktur Imbal Hasil Obligasi Pemerintah (Maturity vs Yield)

Maturitas: 1 Bulan hingga 30 Tahun. Perhatikan apakah yield jangka pendek lebih tinggi dari jangka panjang.

Kurva Imbal Hasil Obligasi Dinamis (Yield Curve) & Inversi Resesi Teori & Ekonometrika (DB)

Struktur Jangka Waktu Suku Bunga (Term Structure), Teori Ekspektasi, Premi Likuiditas & Sinyal Resesi

1. Konsep & Teori Dasar

Yield Curve memetakan tingkat imbal hasil (Yield to Maturity) surat utang pemerintah berperingkat risiko kredit seragam terhadap berbagai tenor jatuh tempo (1 bulan hingga 30 tahun). Dalam kondisi sehat, kurva berbentuk menaik (Normal / Upward-Sloping) karena investor menuntut Premi Likuiditas & Premi Term tambahan untuk mengunci modal jangka panjang. Namun ketika pasar obligasi meyakini suku bunga acuan saat ini terlalu tinggi dan akan memicu perlambatan ekonomi sehingga bank sentral kelak terpaksa memangkas suku bunga tajam, imbal hasil obligasi 10 tahun turun di bawah tenor 2 tahun—terjadilah Inverted Yield Curve (Spread 10Y–2Y Negatif).

2. Filosofi & Aksioma Berpikir

Struktur jangka waktu obligasi bertindak sebagai "kecerdasan kolektif berorientasi masa depan" (forward-looking consensus) dari pelaku institusional terbesar dunia. Berbeda dengan indikator ketenagakerjaan yang bersifat tertinggal (lagging), kurva imbal hasil memadatkan dua teori filosofis: (1) Pure Expectations Theory (tenor panjang hanyalah rata-rata geometrik suku bunga jangka pendek masa depan) dan (2) Liquidity Preference Theory (investor secara psikologis menghindari risiko durasi jangka panjang sehingga selalu menuntut premi kompensasi positif kecuali ekspektasi resesi sangat ekstrem).

3. Model Ekonometrika & Spesifikasi Fungsi

Estimasi kurva imbal hasil kontinu dan model peramalan resesi menggunakan Model Nelson-Siegel (1987) / Svensson dan model Probit Resesi Estrella-Mishkin (1998):

$y(m) = \beta_0 + \beta_1 \left(\frac{1 - e^{-m/\tau}}{m/\tau}\right) + \beta_2 \left(\frac{1 - e^{-m/\tau}}{m/\tau} - e^{-m/\tau}\right)$

$\Pr(\text{Recession}_{t+12} = 1) = \Phi\left(\alpha + \gamma \cdot Spread_{10Y-3M, t}\right)$

Koefisien $\beta_0, \beta_1, \beta_2$ merepresentasikan tiga faktor laten ortogonal Litterman-Scheinkman: Level, Slope, dan Curvature yang menjelaskan lebih dari 98% variasi harian pasar surat utang.

4. Contoh Penerapan & Kasus Riil

Rekam Jejak Inversi US Treasury (1980, 1990, 2000, 2006, 2019, 2022–2024): Sejak 1970-an, setiap resesi resmi ekonomi AS hampir selalu didahului oleh inversi selisih yield 10Y–2Y atau 10Y–3M dalam rentang 6 hingga 18 bulan sebelumnya. Inversi juga menekan margin bunga bersih perbankan tradisional (net interest margin), karena bank umumnya menghimpun dana jangka pendek (deposito mahal saat short rate tinggi) dan menyalurkan kredit jangka panjang.

5. Interpretasi Parameter

Short-Term Policy Rate: Menggeser jangkar kiri kurva; dikendalikan secara langsung oleh keputusan rapat dewan gubernur bank sentral.
Premi Term & Ekspektasi Ekonomi: Bernilai positif menghasilkan kurva normal melengkung naik; berubah negatif membalikkan struktur jangka waktu menjadi Inverted.
Spread 10Y–2Y: Barometer kritis siklus ekonomi dan pembalikan rezim moneter.

Simulator Parameter 04

Jalur Ekstraksi Sumber Daya Hotelling

Ekonomi sumber daya tak terbarukan. Laju royalti bersih meningkat setara suku bunga pasar ($r$), sementara tingkat ekstraksi fisik ($q$) menurun hingga cadangan habis.

Cadangan Stok Awal Sumber Daya (S_0) 1,000 Juta Barel

Tingkat Suku Bunga Pasar Diskonto (r) 6.0%

Biaya Marjinal Penambangan (c) $20.00 / Unit

Harga Royalti Bersih Awal (P_0 - c) $30.00

Karakteristik Jalur Deplesi:

Harga Awal Komoditas (P_0): $50.00 / Barel

Harga Terminal / Choke Price: $160.00 / Barel

Waktu Cadangan Habis Total (T_exhaust): Tahun ke-25.6

Tingkat Pertumbuhan Royalti: +6.0% per Tahun (= r)

Lintasan Waktu Harga Hotelling P(t) & Laju Ekstraksi q(t)

Sumbu Kiri (Cyan): Lintasan Harga Eksponensial | Sumbu Kanan (Teal): Volume Ekstraksi Tahunan

Kaidah Ekstraksi Sumber Daya Tak Terbarukan Harold Hotelling Teori & Ekonometrika (DB)

Pertumbuhan Eksponensial Rente Kelangkaan (Scarcity Rent), Harga Choke & Jalur Deplesi Optimal

1. Konsep & Teori Dasar

Kaidah Hotelling (Harold Hotelling, 1931) adalah hukum ekonomi sumber daya alam tak terbarukan (minyak bumi, gas alam, batu bara, mineral langka). Karena setiap barel atau ton mineral yang ditambang hari ini mengurangi cadangan terbatas di masa depan (memunculkan User Cost / Scarcity Rent $\lambda_t = P_t - c$), pemilik tambang rasional baru bersedia membiarkan sumber daya tetap tersimpan di dalam tanah hanya jika nilai bersih cadangan di dalam tanah itu tumbuh pada tingkat yang persis menyamai Suku Bunga Diskonto ($r$). Ketika harga pasar meningkat hingga menyentuh Choke Price (harga ketika permintaan turun menjadi nol atau teknologi substitusi terbarukan lebih murah), seluruh cadangan yang layak secara ekonomis tepat habis.

2. Filosofi & Aksioma Berpikir

Secara filosofis, model Hotelling memandang cadangan mineral di perut bumi sebagai bentuk aset portofolio alamiah: pemilik tambang memiliki dua pilihan aset—menggali lalu menaruh uang hasil jual ke obligasi berbunga $r$, atau membiarkan mineral di dalam perut bumi demi kapitalisasi kelangkaan di masa depan. Kaidah ini menggarisbawahi dilema keadilan intergenerasional: suku bunga diskonto sosial yang terlalu tinggi mendiskon kesejahteraan anak-cucu secara tajam sehingga mendorong pengurasan sumber daya alam jauh lebih cepat pada generasi saat ini.

3. Model Ekonometrika & Spesifikasi Fungsi

Formulasi kendali optimal Hamiltonian menghasilkan jalur harga bersih dan persamaan uji empiris ekonometrika (Pindyck, 1978; Slade, 1982; Livernois, 2009):

$\mathcal{H} = U(q_t) - c \cdot q_t - \lambda_t q_t \implies P_t - c = \lambda_0 e^{rt}$

$\text{Spesifikasi Uji Empiris Harga Komoditas Non-Terbarukan: } \ln P_t = \alpha + \beta_1 t + \beta_2 t^2 + \gamma X_{\text{tech}, t} + \varepsilon_t$

Dalam data historis satu abad, harga riil banyak logam sering membentuk pola U (Slade U-shaped curve) karena penemuan teknologi ekstraksi baru dan penemuan cadangan baru sempat mengimbangi efek kelangkaan Hotelling sebelum tekanan deplesi kembali mendominasi.

4. Contoh Penerapan & Kasus Riil

Deplesi Cadangan Litium-Nikel & Transisi Energi Hijau: Seiring melajunya transisi kendaraan listrik, lonjakan permintaan nikel kelas-1 dan litium menaikkan scarcity rent cadangan kualitas tinggi. Pada saat bersamaan, kemajuan riset baterai alternatif seperti Sodium-ion (Na-ion) atau hidrogen hijau bertindak menurunkan Choke Price—menciptakan insentif strategis bagi negara pemilik cadangan seperti Indonesia untuk mengoptimalkan pemanfaatan dan nilai tambah hilirisasi sebelum teknologi substitusi membuat cadangan tak ekonomis lagi (stranded assets).

5. Interpretasi Parameter

Suku Bunga Diskonto ($r$): Kenaikan $r$ menaikkan biaya peluang menyimpan cadangan di tanah, mempercepat laju ekstraksi awal dan memperpendek umur tambang hingga titik habis $T^*$.
Total Cadangan Awal ($S_0$) & Biaya ($c$): Cadangan yang lebih besar merendahkan rente awal $\lambda_0$ sehingga jalur konsumsi dapat bertahan lebih lama sebelum mencapai Choke Price.

Simulator Parameter 05

Teori Prospek Kahneman-Tversky

Fungsi nilai asimetris berbentuk huruf $S$. Bukti psikologis mengapa manusia merasakan penderitaan rugi $2\times$ lipat lebih dalam dibanding kenikmatan untung dalam jumlah yang sama (*Loss Aversion*).

Koefisien Keengganan Rugi (λ Loss Aversion) 2.25x

1.0 = Netral Rugi 2.25 = Baku Nobel Tversky

Sensitivitas Berkurang Untung (α Gains) 0.88

Sensitivitas Berkurang Rugi (β Losses) 0.88

Probe Hasil Finansial Nominal (x) +$50

Kalkulasi Nilai Psikologis Subjektif v(x):

Nilai Keuntungan v(+$50): +31.2 Unit Kepuasan

Nilai Kerugian v(-$50): -70.3 Unit Kesedihan

Rasio Ketimpangan Psikologis: Rugi Terasa 2.25x Lebih Sakit

Nilai Probe v(x_terpilih): +31.2 Unit

Fungsi Nilai Prospek Kahneman-Tversky v(x) Melalui Titik Referensi (0,0)

Kuadran Kanan Atas: Cekung (Risk Averse). Kuadran Kiri Bawah: Cembung Sangat Curam (Loss Aversion & Risk Seeking).

Teori Prospek (Prospect Theory) Daniel Kahneman & Amos Tversky Teori & Ekonometrika (DB)

Fungsi Nilai Asimetris, Ketakutan Kerugian (Loss Aversion) & Efek Bingkai Titik Referensi

1. Konsep & Teori Dasar

Prospect Theory (Kahneman & Tversky, 1979; Cumulative PT, 1992) merevolusi ilmu ekonomi modern dengan menggantikan Teori Utilitas Harapan klasik. Fungsi nilai manusia berkarakter unik: (1) diukur dari perubahan (untung/rugi) relatif terhadap titik referensi, bukan kekayaan absolut; (2) cekung di zona keuntungan (risk aversion saat untung) namun cembung di zona kerugian (risk seeking untuk menghindari kepastian rugi); dan (3) jauh lebih curam di kuadran rugi dengan koefisien Loss Aversion ($\lambda \approx 2.25$)—rasa sakit kehilangan uang Rp 1 juta terasa lebih dari dua kali lipat pedihnya dibanding kebahagiaan mendapat Rp 1 juta.

2. Filosofi & Aksioma Berpikir

Secara filosofis, Teori Prospek menjembatani jurang antara logika rasional Homo Economicus dengan realitas psikologis Homo Sapiens (psikofisika persepsi Weber-Fechner). Berpijak pada perbedaan antara Teori Normatif (bagaimana manusia seharusnya memilih menurut aksioma Von Neumann-Morgenstern) versus Teori Deskriptif (bagaimana otak manusia sesungguhnya menimbang risiko), Kahneman membuktikan bahwa cara penyajian pilihan (framing effect) dan acuan emosional status-quo mampu membalikkan keputusan finansial tanpa mengubah nilai ekspektasi matematis sedikit pun.

3. Model Ekonometrika & Spesifikasi Fungsi

Estimasi eksperimental parameter keengganan kerugian ($\lambda$), sensitivitas berkurang ($\alpha, \beta$), serta fungsi pembobotan probabilitas non-linier ($w(p)$) Tversky-Kahneman menggunakan Maximum Likelihood Structural Estimation atas data lotre atau pilihan investasi:

$V(P) = \sum \pi_i \, v(x_i), \quad w(p) = \frac{p^{\gamma}}{[p^{\gamma} + (1 - p)^{\gamma}]^{1/\gamma}}$

$\Pr(\text{Memilih A vs B}) = \frac{1}{1 + \exp(-\mu [V(A) - V(B)])} \; (\text{Fechner / Luce Choice Logit})$

Dalam ekonometrika empiris pasar keuangan (Odean, 1998; Barberis et al., 2001), parameter Teori Prospek menjelaskan fenomena Equity Premium Puzzle dan anomali Disposition Effect lewat rasio proporsi realisasi keuntungan versus realisasi kerugian.

4. Contoh Penerapan & Kasus Riil

Disposition Effect di Bursa Saham & Desain Kebijakan Save More Tomorrow: Studi Odean (1998) terhadap puluhan ribu akun ritel menunjukkan investor jauh lebih cepat menjual saham yang baru untung +15% (risk-averse mengunci profit) tetapi mempertahankan saham yang anjlok -40% terlalu lama berharap impas (risk-seeking menolak memotong rugi karena nyeri realisasi loss aversion). Di kebijakan pensiun global, Richard Thaler merancang program Save More Tomorrow berbasis keengganan rugi: pekerja berkomitmen menabung dari kenaikan gaji masa depan sehingga gaji bawa pulang tak pernah terasa berkurang.

5. Interpretasi Parameter

Rasio Loss Aversion ($\lambda$): Standar empiris ~2.25; semakin tinggi $\lambda$, semakin ekstrem investor menghindari fluktuasi negatif dan menuntut premi ekuitas ekstra.
Kurvatur Keuntungan & Kerugian ($\alpha, \beta$): Nilai $< 1$ mencerminkan kepekaan marjinal yang mengecil (diminishing sensitivity) makin jauh dari titik referensi.

Simulator Parameter 06

Alokasi Modal (CAL & Portofolio Tangen)

Gabungkan aset bebas risiko (Risk-Free Asset R_f) dengan portofolio berisiko untuk menemukan Portofolio Tangen dengan Rasio Sharpe Tertinggi.

Tingkat Bebas Risiko (R_f) 5.0%

Koefisien Keengganan Risiko Investor (A) 3.0

1.0 = Sangat Berani 8.0 = Sangat Konservatif

Porsi Investasi pada Aset Berisiko (y) 80%

y ≤ 100%: Lending y > 100%: Leveraged Borrowing

Karakteristik Portofolio Tangen & Komplit:

Sharpe Ratio Maksimum (SR*): 0.68

Return Portofolio Tangen E(R_T): 13.25%

Risiko Volatilitas Tangen (σ_T): 12.10%

Posisi Investor: Lending (20% R_f, 80% Tangen)

Garis Alokasi Modal (CAL) & Titik Tangen Sharpe Optimal

Sinar CAL yang bertolak dari R_f menyinggung batas efisien tepat pada titik yang memaksimalkan slope (Sharpe Ratio).

Alokasi Modal Investor Optimal (CAL / CML) & Kurva Indiferensi Utilitas Teori & Ekonometrika (DB)

Tangensi Preferensi Risiko Investor dengan Garis Alokasi Modal & Bobot Optimal Aset Berisiko (y*)

1. Konsep & Teori Dasar

Sementara Markowitz menemukan portofolio tangen terbaik, setiap individu memiliki toleransi risiko berbeda. Investor menggabungkan portofolio berisiko $P$ (bobot $y$) dengan instrumen bebas risiko $R_f$ (bobot $1-y$) sepanjang Capital Allocation Line (CAL) yang berlereng sebesar Sharpe Ratio. Titik alokasi paling optimal tercapai di perpotongan singgung antara garis CAL dan kurva indiferensi utilitas tertinggi investor.

2. Filosofi & Aksioma Berpikir

Model alokasi optimal menerjemahkan filosofi keengganan risiko kuadratik (Quadratic Utility): kenaikan imbal hasil portofolio menaikkan utilitas secara linear, sedangkan risiko varians mengurangi utilitas dengan penalti kuadratik proporsional terhadap koefisien risk aversion $A$. Dengan demikian, investor konservatif ($A$ tinggi) cukup menyisihkan bagian kecil aset ke saham dan memarkir mayoritas di obligasi negara, sementara investor agresif bahkan dapat meminjam margin ($y^* > 1$) mengikuti garis yang sama.

3. Model Ekonometrika & Spesifikasi Fungsi

Fungsi utilitas risiko-return Mean-Variance standar yang menjadi fondasi robo-advisor keuangan:

$U = \mathbb{E}[R_C] - \frac{1}{2} A \sigma_C^2 \implies y^* = \frac{\mathbb{E}[R_P] - R_f}{A \sigma_P^2}$

Parameter koefisien keengganan risiko relatif (CRRA) empiris diestimasi melalui kuisioner lottery choice, survei kekayaan rumah tangga (SCF), maupun uji momen GMM konsumsi-imbal hasil.

4. Contoh Penerapan & Kasus Riil

Perencanaan Alokasi Aset Siklus Hidup (Dana Pensiun vs Investor Muda): Apabila rata-rata pasar IHSG menawarkan ekspektasi return 13% dengan standar deviasi 18% di atas bunga bebas risiko 6%, investor muda bertoleransi tinggi ($A=2$) secara matematis optimal mengalokasikan ~108% ke portofolio ekuitas, sedangkan pensiunan konservatif ($A=6$) tepat menempatkan ~36% di ekuitas dan 64% di instrumen likuid aman.

5. Interpretasi Parameter

Risk Aversion ($A$): Menentukan kecuraman kurva indiferensi utilitas; makin tinggi nilai $A$, makin kecil proporsi modal optimal $y^*$ yang ditempatkan ke aset berisiko.
Sharpe Ratio CAL: Mengukur setiap tambahan return yang didapat per unit risiko; seluruh titik di sepanjang CAL memiliki rasio imbal hasil per risiko identik.

Simulator Parameter 07

Sandbox Regresi Linear OLS Ekonometrika

Uji empiris Gauss-Markov: Estimasi Ordinary Least Squares (OLS), visualisasi residual kuadrat terkecil, koefisien determinasi R², dan t-statistik.

Kemiringan Sebenarnya (β_1 True Slope) 1.50

Intersep Sebenarnya (β_0 True Intercept) 4.0

Varians Noise Gangguan Acak (σ_ε) 2.5

Jumlah Observasi Sampel (N) 40 Titik

Hasil Regresi Ekonometrika OLS:

Persamaan Terestimasi: Y = 4.12 + 1.48 X

Koefisien Determinasi (R²): 0.824 (Kuat)

Standar Error SE(β̂_1): 0.112

t-Statistik (Signifikansi): t = 13.21 (p < 0.001)

Scatter Plot Data, Garis OLS & Garis Residual Error e_i

Garis vertikal merah muda menunjukkan deviasi residual e_i yang diminimalkan kuadratnya oleh kriteria OLS.

Sandbox Regresi Linear Ekonometrika (Ordinary Least Squares / OLS) Teori & Ekonometrika (DB)

Minimisasi Kuadrat Residual, Teorema Gauss-Markov (BLUE), Koefisien Determinasi R² & Heteroskedastisitas

1. Konsep & Teori Dasar

Ordinary Least Squares (OLS) adalah metode estimasi fundamental ekonometrika yang mencari garis linier terbaik $\hat{Y}_i = \hat{\beta}_0 + \hat{\beta}_1 X_i$ dengan cara meminimumkan jumlah kuadrat jarak vertikal (Sum of Squared Residuals, $\sum e_i^2$) antara titik data observasi dan garis prediksi. Kualitas kesesuaian model dievaluasi lewat Koefisien Determinasi ($R^2$) yang mengukur persentase variasi variabel dependen yang mampu dijelaskan oleh variabel penjelas $X$.

2. Filosofi & Aksioma Berpikir

Kekuatan metodologis OLS diabadikan dalam Teorema Gauss-Markov: di bawah lima asumsi klasik (linearitas, sampel acak, tak ada multikolinearitas sempurna, ekspektasi bersyarat error nol, dan homoskedastisitas), estimator OLS merupakan BLUE (Best Linear Unbiased Estimator)—estimator linier tak-bias yang memiliki varians terkecil di antara seluruh estimator tak-bias lainnya. Secara filosofis, pengkuadratan galat memberikan bobot penalti lebih tinggi pada penyimpangan besar (outliers) sekaligus menjaga diferensiabilitas analitik mulus.

3. Model Ekonometrika & Spesifikasi Fungsi

Model regresi sederhana dalam notasi matriks serta pengujian diagnostik standar:

$\mathbf{Y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon} \implies \hat{\boldsymbol{\beta}}_{\text{OLS}} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{Y}, \quad R^2 = 1 - \frac{SSR}{SST}$

$\text{Standard Error Robust White (HC1): } \widehat{\text{Var}}(\hat{\boldsymbol{\beta}}) = (\mathbf{X}^T\mathbf{X})^{-1} \left(\sum \hat{e}_i^2 \mathbf{x}_i \mathbf{x}_i^T\right) (\mathbf{X}^T\mathbf{X})^{-1}$

Apabila data deret waktu (time-series) bersifat non-stasioner, regresi OLS antar-variabel acak dapat menghasilkan Spurious Regression (R² tinggi palsu) sehingga wajib diuji kointegrasinya terlebih dahulu.

4. Contoh Penerapan & Kasus Riil

Estimasi Fungsi Konsumsi Keynes, Hukum Okun & Market Model Beta Saham: Analis kuantitatif di departemen riset ekonomi menggunakan regresi OLS pada data return saham harian terhadap IHSG guna memperoleh nilai sensitivitas Beta dan statistik t-uji signifikansi. Di tingkat makro, regresi OLS menghubungkan perubahan pengangguran dengan pertumbuhan PDB guna menaksir koefisien Hukum Okun nasional.

5. Interpretasi Parameter

Kemiringan Terestimasi ($\hat{\beta}_1$): Perubahan marginal perkiraan rata-rata Y tiap kenaikan 1 unit X.
Noise / Galat Standar ($\sigma_\varepsilon$): Peningkatan sebaran acak menurunkan nilai $R^2$ dan melebarkan Standard Error koefisien tanpa membiaskan nilai ekspektasi $\hat{\beta}$.
Regenerasi Sampel & Outliers: Mengamati sensitivitas kemiringan garis regresi akibat pengaruh observasi ekstrem berdaya ungkit tinggi (high leverage points).

Simulator Parameter 08

Distribusi Risiko Finansial (VaR & CVaR)

Kalkulasi kerugian ekstrem portofolio menggunakan Value at Risk (VaR) parametrik dan Conditional VaR (Expected Shortfall) pada tingkat kepercayaan 95% dan 99%.

Tingkat Kepercayaan (Confidence Level):

Nilai Total Portofolio (V_0) $1,000,000

Volatilitas Harian (σ_harian) 1.80%

Horizon Waktu Penahanan (Hari T) 10 Hari

Estimasi Batas Kerugian Maksimal:

Value at Risk (VaR): $93,650 (9.37%)

Expected Shortfall (CVaR): $117,450 (11.75%)

Volatilitas Kumulatif Periode: 5.69%

Interpretasi Basel III: Pencadangan Modal Wajib

Distribusi Peluang Return & Zona Kerugian Ekor Kiri (VaR/CVaR)

Arsiran merah muda menandai area kerugian ekstrem di luar batas keyakinan (Tail Risk).

Distribusi Risiko Ekor Finansial (Value at Risk / VaR & Expected Shortfall CVaR) Teori & Ekonometrika (DB)

Pengukuran Risiko Kerugian Kuantil, Fat Tails vs Normalitas & Regulasi Modal Perbankan Basel III

1. Konsep & Teori Dasar

Value at Risk (VaR) menjawab pertanyaan fundamental manajer risiko bank dan dana investasi: "Berapa kerugian maksimum portofolio yang mungkin terjadi dalam periode waktu tertentu pada tingkat keyakinan $\alpha$ (misal 95% atau 99%)?" Meski sangat populer sejak era J.P. Morgan RiskMetrics (1994), VaR hanya merupakan batas ambang kuantil (quantile threshold) dan tidak mengungkapkan betapa parahnya kerugian bila kejadian langka ekstrem terjadi di luar batas VaR (tail risk). Untuk mengatasi kelemahan ini, Conditional VaR / Expected Shortfall (CVaR) menghitung rata-rata kerugian di wilayah ekor distribusi paling buruk melampaui ambang VaR tersebut.

2. Filosofi & Aksioma Berpikir

Dalam matematika ukuran risiko koheren (Artzner et al., 1999), VaR melanggar aksioma krusial Subadditivity (penggabungan dua portofolio berisiko terkadang justru menaikkan nilai VaR terukur pada distribusi non-normal). Sebaliknya, CVaR/Expected Shortfall memenuhi seluruh empat aksioma risiko koheren, sehingga secara metodologis menjadi standar baru global Komite Perbankan Basel III guna mengantisipasi krisis ekor gemuk (Black Swan / Fat-Tailed Crashes).

3. Model Ekonometrika & Spesifikasi Fungsi

Untuk distribusi Normal standar $\mathcal{N}(\mu, \sigma^2)$ dan estimasi deret waktu dinamis (GARCH + Extreme Value Theory):

$\text{VaR}_{\alpha} = -\left(\mu - z_{\alpha}\sigma\right) \cdot V_0, \quad \text{CVaR}_{\alpha} = -\left(\mu - \sigma \frac{\phi(z_{\alpha})}{1 - \alpha}\right) \cdot V_0$

Uji balik akurasi prediksi risiko di institusi keuangan wajib melewati Kupiec Proportion of Failures (POF) Test dan Christoffersen Conditional Coverage Test.

4. Contoh Penerapan & Kasus Riil

Perhitungan Modal Minimum Risiko Pasar Perbankan (Basel III / POJK): Bank komersial pemegang portofolio SBN dan valas bernilai Rp 10 triliun dengan volatilitas harian dan tingkat keyakinan 99% wajib mencadangkan modal penyangga risiko berdasarkan Expected Shortfall (CVaR 97.5%) agar tetap solven meskipun pasar mengalami gejolak guncangan ekor seperti pandemi Maret 2020.

5. Interpretasi Parameter

Confidence Level (90%, 95%, 99%): Menggeser garis batas VaR semakin ke ekor kiri; perbedaan tipis antara 95% dan 99% dapat melompatkan kerugian CVaR berlipat ganda.
Volatilitas Tahunan ($\sigma$) & Nilai Modal: Memperlebar sebaran kurva lonceng/ekor distribusi dan meningkatkan eksposur kerugian moneter absolut.

Batas Efisien Markowitz & Garis CML

Frontier Efisien Markowitz & Garis Pasar Modal (CML)

Batas Efisien Markowitz (Efficient Frontier) & Garis Pasar Modal (CML) Teori & Ekonometrika (DB)

Penetapan Harga Aset CAPM & SML

Garis Pasar Sekuritas (Security Market Line - SML) & Nilai Tambah Alfa

Model Penetapan Harga Aset Modal (CAPM) & Garis Pasar Sekuritas (SML) Teori & Ekonometrika (DB)

Kurva Imbal Hasil Obligasi Dinamis

Struktur Imbal Hasil Obligasi Pemerintah (Maturity vs Yield)

Kurva Imbal Hasil Obligasi Dinamis (Yield Curve) & Inversi Resesi Teori & Ekonometrika (DB)

Jalur Ekstraksi Sumber Daya Hotelling

Lintasan Waktu Harga Hotelling P(t) & Laju Ekstraksi q(t)

Kaidah Ekstraksi Sumber Daya Tak Terbarukan Harold Hotelling Teori & Ekonometrika (DB)

Teori Prospek Kahneman-Tversky

Fungsi Nilai Prospek Kahneman-Tversky v(x) Melalui Titik Referensi (0,0)

Teori Prospek (Prospect Theory) Daniel Kahneman & Amos Tversky Teori & Ekonometrika (DB)

Alokasi Modal (CAL & Portofolio Tangen)

Garis Alokasi Modal (CAL) & Titik Tangen Sharpe Optimal

Alokasi Modal Investor Optimal (CAL / CML) & Kurva Indiferensi Utilitas Teori & Ekonometrika (DB)

Sandbox Regresi Linear OLS Ekonometrika

Scatter Plot Data, Garis OLS & Garis Residual Error e_i

Sandbox Regresi Linear Ekonometrika (Ordinary Least Squares / OLS) Teori & Ekonometrika (DB)

Distribusi Risiko Finansial (VaR & CVaR)

Distribusi Peluang Return & Zona Kerugian Ekor Kiri (VaR/CVaR)

Distribusi Risiko Ekor Finansial (Value at Risk / VaR & Expected Shortfall CVaR) Teori & Ekonometrika (DB)

Simpan Konfigurasi Skenario

Hasil Komputasi Ekuilibrium & Diagnostik Server