Laporkan Masalah

Pembentukan portofolio optimal model indeks tunggal dengan pendekatan regresi Robust

ISTIQOMAH, Prof. Drs. Zanzawi Soejoeti, M.Sc

2008 | Tesis | S2 Matematika

Dalam tesis ini akan dibahas mengenai pembentukan portofolio optimal Model Indeks Tunggal dengan pendekatan regresi robust. Model indeks tunggal mengasumsikan bahwa return antara dua efek atau lebih akan berkorelasi dan mempunyai reaksi yang sama terhadap satu faktor atau indeks tunggal yang dimasukkan dalam model. Dari sini terlihat bahwa terjadi hubungan sebab akibat antara dua variabel, yang dapat dianalisis dengan analisis regresi linier. Metode yang biasanya digunakan untuk mengestimasi parameter dalam analisis regresi adalah estimasi kuadrat terkecil atau ordinary least square (OLS). Tetapi munculnya outlier membuat estimasi kuadrat terkecil tidak efisien, dan dapat menjadi bias. Regresi robust merupakan alat penting untuk menganalisis data yang terkontaminasi oleh outlier. Regresi ini dapat memberikan hasil yang stabil terhadap outlier sehingga memberikan hasil portofolio yang lebih baik.

This final project will present about optimal portfolio forming using Single index Model with robust regression approach. Single Index Model give an assumption that the return between two stocks or more have correlation and same reaction to one factor or single index that entering to the model. This showing there is functional relation between two variabels that could be analized using linier regression analysis. Usually, to estimate the parameters in linier regression analysis using ordinary least square estimation. But outliers makes this estimation method unefficient and biased. Robust regression is the urgent tool for analyzing the data that contamined outliers. This regression can give the stabil result to outliers, so can give better portfolio result.

Kata Kunci : Model indeks,Model estimasi kuadrat terkecil,Regresi,Robust,OLS, Single Index Model, Ordinary Least Square, Robust Regression


    Tidak tersedia file untuk ditampilkan ke publik.