Teori Portofolio Modern (MPT) — Markowitz Efficient Frontier dari Nol

Seorang investor di Surabaya baru saja menerima bonus tahunan Rp 100 juta. Dia punya tiga pilihan yang sama-sama menarik di Bursa Efek Indonesia: saham BBCA (perbankan blue-chip, stabil), BBRI (perbankan BUMN, pertumbuhan tinggi tapi lebih liar), atau TLKM (telekomunikasi, defensif). Masing-masing punya imbal hasil dan risiko berbeda.

Pertanyaan yang diajarkan Harry Markowitz pada dunia tahun 1952 — dan yang kemudian membuatnya menerima Nobel Ekonomi 1990 — bukan “saham mana yang paling bagus?” Melainkan: bagaimana cara menggabungkan ketiganya sehingga risiko total paling kecil untuk tingkat imbal hasil yang diinginkan? Jawabannya, seperti yang akan kita lihat, berlawanan dengan intuisi: menggabungkan dua saham yang masing-masing berisiko bisa menghasilkan portofolio yang risikonya lebih rendah dari kedua saham itu sendiri. Inilah inti Teori Portofolio Modern (Modern Portfolio Theory, MPT).

Pelajaran kunci Markowitz hanya satu kalimat: jangan pernah menilai sebuah aset berdasarkan risiko dan imbal hasilnya sendirian; nilailah berdasarkan kontribusinya terhadap portofolio secara keseluruhan. Sebuah saham yang sendirian tampak berisiko mungkin justru menurunkan risiko portofolio ketika digabungkan — karena ia bergerak berlawanan arah dengan saham lain yang sudah Anda pegang. Diversifikasi bukan sekadar “jangan taruh semua telur dalam satu keranjang”; ada matematika yang menentukan seberapa besar manfaatnya, dan matematika itu namanya korelasi.

Artikel ini membangun kerangka Markowitz dari nol — dimulai dari satu aset, lalu dua, lalu tiga — dengan angka konkret dari BEI, dan diakhiri dengan efficient frontier serta perhitungan bobot optimal. Semua angka bisa Anda kerjakan ulang di workbook Excel pendamping yang rumusnya hidup (MMULT, TRANSPOSE, MINVERSE).

Intuisi: Mengapa Menggabungkan Aset Menurunkan Risiko

Bayangkan dua saham BEI dengan riwayat imbal hasil tahunan sebagai berikut (angka ilustratif):

• BBCA: naik di tahun ekspansi kredit, naik tipis di resesi (orang tetap nabung di bank besar).
• TLKM: turun tipis saat resesi (orang pangkas pengeluaran), tapi relatif stabil di siklus lain.

Perhatikan bahwa keduanya tidak pernah naik-turun di waktu yang sama dengan arah yang sama. Saat satu menurun, yang lain cenderung menahan atau bahkan naik. Inilah yang disebut bergerak tidak sinkron. Konsekuensi matematisnya penting: kalau Anda memegang 50% BBCA dan 50% TLKM, titik-titik ekstrem (lonjakan besar atau jatuh besar) dari masing-masing saham saling meratakan. Fluktuasi portofolio menjadi lebih kecil dari rata-rata fluktuasi kedua saham.

Ini bukan sihir. Ini konsekuensi langsung dari fakta statistik bahwa varians jumlah dua variabel bergantung pada seberapa berkorelasi keduanya. Tapi sebelum kita sampai ke rumus, kita perlu memahami dulu bagaimana mengukur imbal hasil dan risiko satu aset — bahan baku untuk semua perhitungan selanjutnya.

Langkah 1: Return dan Risiko Aset Tunggal

Imbal hasil harapan $E[R]$

Imbal hasil (return) sebuah saham pada periode $t$ adalah persentase perubahan harga (tambah dividen, bila ada):

$$R_t = \frac{P_t - P_{t-1} + D_t}{P_{t-1}}$$

dengan $P_t$ harga akhir periode, $P_{t-1}$ harga awal, dan $D_t$ dividen. Karena imbal hasil masa depan tidak pasti, kita bekerja dengan imbal hasil harapan $E[R]$ — rata-rata aritmatika imbal hasil historis sebagai taksiran titik terbaik:

$$E[R_i] = \frac{1}{T}\sum_{t=1}^{T} R_{i,t}$$

Ini rata-rata sederhana. Di Excel: =AVERAGE(imbal_hasil).

Risiko = standar deviasi $\sigma$

Risiko adalah sebaran imbal hasil di sekitar rata-rata. Saham yang kadang naik 40%, kadang turun 30%, lebih berisiko daripada saham yang selalu bergerak di kisaran ±5% — meskipun rata-ratanya sama. Ukuran baku untuk sebaran ini adalah standar deviasi $\sigma$ (baca: sigma), yaitu akar dari varians:

$$\sigma_i^2 = \frac{1}{T-1}\sum_{t=1}^{T}(R_{i,t} - E[R_i])^2, \qquad \sigma_i = \sqrt{\sigma_i^2}$$

Varians mengukur rata-rata kuadrat deviasi dari mean (pembagi $T-1$ untuk koreksi bias sampel — sesuai VAR.S dan STDEV.S di Excel). Standar deviasi lebih mudah dibaca karena satuannya sama dengan imbal hasil (persen).

Tiga saham BEI — statistik kalibrasi

Mari kita pakai tiga saham blue-chip BEI dengan angka ilustratif yang akan kita pakai konsisten sepanjang artikel. Angka-angka ini disesuaikan agar masuk akal untuk karakteristik sektoral dan agar perhitungan mendatang menghasilkan bobot yang bersih (ganti dengan data terkini Anda saat mempraktikkan):

Pola yang muncul adalah hukum besarnya-dan-jahatnya dunia keuangan: tidak ada makan siang gratis. BBRI menawarkan imbal hasil tertinggi (14%), tetapi Anda membayarnya dengan risiko tertinggi (24%). TLKM paling aman (15%) tetapi juga paling rendah imbalnya (9%). Sebuah aset tidak bisa menawarkan imbal hasil tinggi tanpa menanggung risiko tinggi — kalau bisa, semua investor akan berebut dan harganya langsung naik sampai imbal hasilnya turun kembali ke tingkat yang sepadan dengan risikonya.

Tapi inilah titik di mana Markowitz menambahkan dimensi baru. Pertanyaan berikutnya bukan “mana aset terbaik?”, melainkan “apa yang terjadi kalau kita gabungkan?” — dan untuk menjawabnya kita butuh alat yang mengukur hubungan antar aset: kovarians dan korelasi.

Langkah 2: Kovarians dan Korelasi — Mengukur Gerakan Bersama

Kovarians

Kovarians mengukur sejauh mana dua aset bergerak bersama:

$$\operatorname{Cov}(R_i, R_j) = \frac{1}{T-1}\sum_{t=1}^{T}(R_{i,t} - E[R_i])(R_{j,t} - E[R_j])$$

Tanda kovarians memberi tahu arah: positif berarti cenderung bergerak searah (keduanya naik bersama, turun bersama); negatif berarti cenderung berlawanan. Magnitudonya sulit dibaca karena bergantung pada satuan masing-masing varians — itulah kelemahannya.

Kovarians dapat dihitung dari korelasi dan standar deviasi, dan sebaliknya:

$$\operatorname{Cov}(R_i, R_j) = \rho_{ij} \cdot \sigma_i \cdot \sigma_j \qquad \Longleftrightarrow \qquad \rho_{ij} = \frac{\operatorname{Cov}(R_i, R_j)}{\sigma_i \cdot \sigma_j}$$

Korelasi $\rho$ — kunci diversifikasi

Korelasi $\rho_{ij}$ (baca: rho) menormalkan kovarians ke rentang $[-1, +1]$, sehingga mudah dibandingkan antar-pasangan aset. Inilah angka yang benar-benar menentukan seberapa besar manfaat diversifikasi.

• $\rho = +1$: dua aset bergerak searah sempurna. Tidak ada manfaat diversifikasi sama sekali.
• $\rho = 0$: dua aset tak berkorelasi. Diversifikasi mengurangi risiko secara substansial.
• $\rho = -1$: dua aset berlawanan sempurna. Risiko bisa (secara teoritis) dihilangkan sepenuhnya.

Pada praktiknya di BEI, korelasi antar-saham hampir selalu positif (sebagian besar saham cenderung bergerak mengikuti sentimen IHSG secara umum). Tapi besarnya bervariasi sesuai sektor:

Perhatikan satu hal krusial: BBCA dan TLKM berkorelasi rendah (0,25) meskipun sama-sama saham “defensif”. Ini karena pendorak labanya berbeda — perbankan bergantung pada marjin bunga dan kredit, sedangkan telekomunikasi pada langganan data. Dua saham dari sektor yang sama (BBCA-BBRI) justru berkorelasi tinggi karena dipengaruhi variabel makro yang sama. Aturan praktis: untuk diversifikasi, cari aset yang berkorelasi rendah, bukan aset dari sektor yang berbeda secara sembarangan.

Dari ketiga angka korelasi di atas dan statistik risiko sebelumnya, kita bisa membangun matriks kovarians penuh yang akan menjadi bahan perhitungan risiko portofolio. Kovarians tiap pasangan = $\rho \cdot \sigma_i \cdot \sigma_j$:

Diagonal matriks adalah varians masing-masing aset ($\sigma_i^2$); di luarnya adalah kovarians. Angka-angka inilah yang akan kita pakai untuk menghitung risiko portofolio. Di Excel companion, matriks kovarians ini dihitung hidup dari input E[R], $\sigma$, dan $\rho$ — geser satu angka, semua sel menghitung ulang.

Langkah 3: Return Portofolio — Rata-rata Tertimbang

Portofolio adalah kumpulan aset dengan bobot tertentu. Kalau Anda mengalokasikan $w_1$ proporsi modal ke saham 1, $w_2$ ke saham 2, dan seterusnya, dengan $\sum w_i = 1$, maka portofolio Anda punya satu imbal hasil dan satu risiko.

Imbal hasil portofolio adalah rata-rata tertimbang (weighted average) imbal hasil aset — bagian mudah dari Markowitz:

$$E[R_p] = w_1 E[R_1] + w_2 E[R_2] + \dots + w_n E[R_n] = \sum_{i=1}^{n} w_i E[R_i]$$

Tidak ada kejutan di sini: imbal hasil portofolio berada di antara imbal hasil aset pembentuknya, dengan posisi tepat bergantung pada bobot. Contoh: portofolio 50% BBCA + 50% TLKM:

$$E[R_p] = 0{,}50 \times 12\% + 0{,}50 \times 9\% = 10{,}50\%$$

Imbal hasil 10,50% berada di antara 9% (TLKM) dan 12% (BBCA). Wajar dan linier. Tapi bagian berikutnya — risiko — sama sekali tidak linier, dan di situlah letak keajaiban Markowitz.

Langkah 4: Risiko Portofolio — Di Sinilah Keajaiban Terjadi

Risiko portofolio BUKAN rata-rata tertimbang risiko

Di sinilah banyak investor pemula terjatuh. Imbal hasil portofolio adalah rata-rata tertimbang, jadi mungkin tergoda mengira risikonya juga rata-rata tertimbang. Salah. Risiko portofolio selalu lebih kecil atau sama dengan rata-rata tertimbang risiko aset — selama korelasinya kurang dari +1.

Rumus risiko portofolio 2 aset

Untuk portofolio dua aset, varians portofolio adalah:

$$\sigma_p^2 = w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2 w_1 w_2 \operatorname{Cov}(R_1, R_2)$$

atau, dengan substitusi $\operatorname{Cov} = \rho_{12}\sigma_1\sigma_2$:

$$\boxed{\;\sigma_p^2 = w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2 w_1 w_2 \rho_{12} \sigma_1 \sigma_2\;}$$

dan $\sigma_p = \sqrt{\sigma_p^2}$. Suku ketiga inilah jantungnya — suku korelasi. Mari kita bedah:

• $w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2$: kontribusi murni dari varians masing-masing aset, tertimbang oleh kuadrat bobot.
• $2 w_1 w_2 \rho_{12} \sigma_1 \sigma_2$: suku interaksi. Inilah yang membuat risiko portofolio bukan rata-rata tertimbang. Tanda dan besarnya bergantung pada $\rho_{12}$.

Saat $\rho_{12} = +1$, suku interaksi maksimal positif dan $\sigma_p = w_1\sigma_1 + w_2\sigma_2$ (rata-rata tertimbang murni — tidak ada manfaat diversifikasi). Saat $\rho_{12}$ turun, suku interaksi mengecil, sehingga $\sigma_p$ turun di bawah rata-rata tertimbang. Saat $\rho_{12} = -1$, suku interaksi menjadi negatif maksimal dan risiko bisa (secara teoritis) mencapai nol.

Contoh hitung: BBCA + TLKM, 50/50

Mari kerjakan dengan angka kita. $w_1 = 0{,}50$ (BBCA), $w_2 = 0{,}50$ (TLKM), $\sigma_1 = 18\%$, $\sigma_2 = 15\%$, $\rho_{12} = 0{,}25$.

$$\sigma_p^2 = (0{,}50)^2(0{,}18)^2 + (0{,}50)^2(0{,}15)^2 + 2(0{,}50)(0{,}50)(0{,}25)(0{,}18)(0{,}15)$$$$= 0{,}00810 + 0{,}005625 + 0{,}003375 = 0{,}01710$$$$\sigma_p = \sqrt{0{,}01710} = 13{,}08\%$$

Sekarang bandingkan dengan rata-rata tertimbang risiko (apa yang akan Anda dapatkan tanpa diversifikasi):

$$\bar\sigma = 0{,}50 \times 18\% + 0{,}50 \times 15\% = 16{,}50\%$$

Selisihnya — 3,42 poin persentase — adalah manfaat diversifikasi. Anda menggabungkan dua saham berisiko dan mendapat portofolio yang risikonya 13,08%, bukan 16,50%. Hampir 21% dari risiko “raib” begitu saja, bukan karena sahamnya berubah, melainkan karena korelasinya kurang dari 1.

Bagaimana korelasi mengubah bentuk portofolio

Geser nilai $\rho$ dan lihat bagaimana risiko portofolio 50/50 BBCA+TLKM bergeser (semua faktor lain tetap):

Pelajaran dari tabel dan gambar di atas sangat penting: manfaat diversifikasi ditentukan oleh korelasi antar aset, bukan oleh seberapa banyak aset yang Anda pegang. Memegang 50 saham perbankan yang berkorelasi 0,9 hampir tidak memberi manfaat dibanding memegang 1 saham; tetapi memegang 2 saham dari sektor berbeda yang berkorelasi 0,2 bisa memangkas risiko secara dramatis.

Langkah 5: Efficient Frontier — Tempat Portofolio Optimal Berada

Sekarang kita punya semua bahan. Untuk setiap kombinasi bobot $(w_1, w_2)$ yang mungkin, kita bisa menghitung satu titik $(\sigma_p, E[R_p])$ di bidang risiko-imbal hasil. Kumpulan semua titik ini membentuk kurva berbentuk khas yang disebut efficient frontier (batas efisien) — atau lebih tepatnya, himpunan portofolio yang mungkin (feasible set) yang bentuknya seperti peluru.

Untuk dua aset, kurvanya tergantung pada korelasi: makin rendah korelasi, makin melengkung ke kiri. Untuk tiga aset atau lebih, kurvanya membentuk area berbentuk peluru (bullet), dengan sisi kiri melengkung ke titik risiko minimum.

Tiga hal yang perlu diperhatikan dari gambar di atas:

1. Titik Min-Variance (hijau, di kiri kurva) adalah portofolio dengan risiko terkecil yang mungkin. Inilah tujuan pertama kita — bagaimana menemukannya akan dijelaskan di Langkah 6.
2. Efficient frontier sejati adalah bagian kurva dari titik Min-Variance ke kanan-atas. Setiap titik di sini menawarkan imbal hasil tertinggi untuk tingkat risikonya. Investor rasional tidak akan pernah memilih portofolio di bawah kurva ini (daerah berbayang), karena selalu ada portofolio di kurva yang memberi imbal hasil lebih tinggi untuk risiko yang sama.
3. Lengan inefisien adalah bagian kurva dari titik Min-Variance ke bawah. Meskipun secara teknis “di kurva”, kombinasi di sini memberi imbal hasil lebih rendah untuk risiko yang lebih tinggi — irasional.

Sebagai gambaran, berikut tabel frontier 2 aset BBCA + TLKM pada beberapa bobot (semua dihitung dari rumus di Langkah 4):

Perhatikan baris 38% — itulah portofolio minimum-variance. Risikonya 12,85%, lebih rendah daripada kedua aset penyusunnya (15% TLKM dan 18% BBCA). Inilah bukti konkret klaim Markowitz: portofolio bisa lebih aman dari aset paling aman di dalamnya. Mari kita pelajari cara menemukan bobot ajaib 38% ini.

Langkah 6: Bobot Optimal — Portofolio Minimum-Variance

Solusi analitis untuk 2 aset

Portofolio minimum-variance adalah kombinasi bobot yang menghasilkan $\sigma_p$ terkecil. Untuk dua aset, ada rumus tertutup yang diturunkan dengan kalkulus (meminimalkan $\sigma_p^2$ terhadap $w_1$, lalu menyamakan turunan ke nol):

$$\boxed{\;w_1^* = \frac{\sigma_2^2 - \operatorname{Cov}(R_1,R_2)}{\sigma_1^2 + \sigma_2^2 - 2\operatorname{Cov}(R_1,R_2)}\;}$$

dengan $w_2^* = 1 - w_1^*$. Substitusi $\operatorname{Cov} = \rho\sigma_1\sigma_2$ bila Anda lebih suka bekerja dengan korelasi. Mari kerjakan untuk BBCA (1) dan TLKM (2):

• $\sigma_1^2 = (0{,}18)^2 = 0{,}0324$, $\sigma_2^2 = (0{,}15)^2 = 0{,}0225$
• $\operatorname{Cov} = \rho\sigma_1\sigma_2 = 0{,}25 \times 0{,}18 \times 0{,}15 = 0{,}00675$

$$w_{\text{BBCA}}^* = \frac{0{,}0225 - 0{,}00675}{0{,}0324 + 0{,}0225 - 2 \times 0{,}00675} = \frac{0{,}01575}{0{,}04140} = 0{,}3804$$

Jadi 38,04% di BBCA, 61,96% di TLKM — persis seperti di tabel. Imbal hasil dan risiko di titik minimum:

$$E[R_p] = 0{,}3804 \times 12\% + 0{,}6196 \times 9\% = 10{,}14\%$$$$\sigma_p = \sqrt{0{,}01650} = 12{,}85\%$$

Generalisasi ke 3 aset: aljabar matriks

Untuk tiga aset atau lebih, rumus tertutup menjadi berantakan — solusi yang elegan menggunakan aljabar matriks. Dengan matriks kovarians $\Sigma$ (3×3) dan vektor satuan $\mathbf{1}$ (tiga angka 1), bobot minimum-variance adalah:

$$\mathbf{w}^* = \frac{\Sigma^{-1} \mathbf{1}}{\mathbf{1}^\top \Sigma^{-1} \mathbf{1}}$$

Ini rumus matriks klasik Markowitz (Merton, 1972). Mari kita hitung untuk BBCA + BBRI + TLKM dengan matriks kovarians yang sudah kita bangun di Langkah 2. Hasilnya (terverifikasi di Excel companion lewat MINVERSE dan MMULT):

Beberapa observasi menarik:

• TLKM mendapat bobot terbesar (61,3%) karena ia aset berisiko terendah — algoritma “menghindari risiko” menumpuk pada aset paling stabil.
• BBRI mendapat bobot nyaris nol (2,0%) meskipun imbal hasilnya tertinggi. Mengapa? Karena BBRI berkorelasi tinggi dengan BBCA (0,55) dan jauh lebih berisiko (24% vs 18%). Dari sudut pandang minimum-variance, menambah BBRI tidak banyak membantu diversifikasi — ia hanya menambah risiko tanpa memberi “lapisan perlawanan” baru. BBRI akan kembali menarik ketika kita menargetkan imbal hasil lebih tinggi (bukan risiko minimum).
• Jumlah bobot = 100% (36,6% + 2,0% + 61,3% = 99,9% ≈ 100%, dengan pembulatan). Ini persyaratan wajib: seluruh modal dialokasikan.

Metrik portofolio minimum-variance 3 aset ini: $E[R_p] = 10{,}20\%$, $\sigma_p = 12{,}84\%$. Bandingkan dengan aset paling aman sendirian (TLKM, $\sigma = 15\%$): portofolio tiga aset ini lebih aman 2,16 poin persentase sekaligus memberi imbal hasil sedikit lebih tinggi (10,20% vs 9,00%). Inilah kekuatan Markowitz bekerja penuh.

Catatan penting tentang minimum-variance vs optimal. Portofolio minimum-variance tidak selalu “terbaik” — ia hanya meminimalkan risiko tanpa mempedulikan imbal hasil. Untuk investor yang juga mempedulikan imbal hasil, portofolio optimal adalah yang memberi rasio Sharpe tertinggi (imbal hasil per unit risiko), yang melibatkan aset bebas risiko (SUN). Tapi minimum-variance adalah titik awal yang penting karena ia menandai ujung kiri frontier — batas risiko terendah yang dapat dicapai.

Batas Diversifikasi: Risiko Sistematis vs Tidak Sistematis

Sampai di sini kita sudah melihat bagaimana menambah aset menurunkan risiko. Tetapi diversifikasi punya batas. Kalau Anda terus menambah saham ke portofolio, risiko tidak akan turun menuju nol — ia akan mendatar pada tingkat tertentu yang disebut risiko sistematis (systematic risk, atau risiko pasar).

Dua jenis risiko perlu dibedakan:

• Risiko tidak sistematis (unsystematic / diversifiable / idiosyncratic): risiko spesifik perusahaan atau sektor — mogok kerja BBCA, skandal manajemen, kebakaran pabrik. Risiko ini bisa dihilangkan dengan menambah aset yang tidak terkait.
• Risiko sistematis (systematic / undiversifiable / market): risiko yang memengaruhi seluruh pasar — resesi global, kenaikan suku bunga, pandemi. Risiko ini tidak bisa dihilangkan dengan diversifikasi karena semua aset terkena bersamaan.

Rumus kuantitatifnya (dengan asumsi semua saham berisiko $\sigma$ dan berkorelasi rata-rata $\bar\rho$):

$$\sigma_p^2 = \sigma^2 \left(\frac{1-\bar\rho}{N} + \bar\rho\right)$$

Saat $N \to \infty$, suku $(1-\bar\rho)/N \to 0$, sehingga $\sigma_p \to \sigma\sqrt{\bar\rho}$ — itulah lantai risiko sistematis. Inilah alasan mengapa CAPM hanya memberi premi imbal hasil atas beta (risiko sistematis), bukan atas $\sigma$ total — karena bagian risiko yang bisa dihilangkan tidak layak dibayar (investor bisa menghindarinya cuma-cuma).

Bereksperimen Sendiri

Workbook Excel pendamping artikel ini menghitung semua angka di atas dengan rumus hidup — geser satu input (E[R], $\sigma$, atau korelasi $\rho$), dan semua sel termasuk bobot optimal menghitung ulang. Lembar-lembarnya:

• PETUNJUK — cara pakai dan konvensi warna (biru = input, hitam = rumus, kuning = hasil kunci).
• RETURN_RISIKO — input $E[R]$ dan $\sigma$ tiga aset; tabel data historis sebagai referensi.
• KOVAR_KORELASI — matriks korelasi (input) dan kovarians (terhitung hidup $= \rho\sigma_i\sigma_j$).
• 2ASET_FRONTIER — frontier BBCA+TLKM: tabel $E[R_p]$ dan $\sigma_p$ untuk $w = 0..1$, bobot min-variance (rumus analitis), plus grafik scatter efficient frontier.
• 3ASET_MINVAR — portofolio min-variance 3 aset via aljabar matriks penuh: MINVERSE, MMULT, TRANSPOSE. Bobot optimal terhitung otomatis.
• DIVERSIFIKASI — tabel sensitivitas korelasi: bagaimana $\sigma_p$ portofolio 50/50 berubah saat $\rho$ bergeser dari +1 ke −1.

Coba ubah korelasi BBCA-BBRI di KOVAR_KORELASI dari 0,55 menjadi 0,90 (misalnya saat sektor perbankan sangat sinkron dalam resesi). Anda akan melihat bobot BBRI di portofolio min-variance 3 aset menjadi negatif — algoritma ingin short-selling BBRI karena ia tidak lagi menambah diversifikasi. Ini mengilustrasikan mengapa batasan “tidak boleh short” (long-only) sering menjadi kendala praktis dalam portofolio riil.

Konteks Indonesia: Praktik Portofolio di BEI

Pelajaran Markowitz menjadi hidup ketika diterapkan pada karakteristik pasar BEI:

BEI adalah pasar dengan korelasi intra-sektor tinggi

Karena IHSG didominasi sektor keuangan (~40% kapitalisasi) dan komoditas, banyak saham bergerak bersamaan mengikuti siklus makro. Artinya manfaat diversifikasi lebih sulit didapat di BEI dibanding di pasar maju yang lebih terdiferensiasi. Strategi praktis: cari saham dari sektor dengan pendorak laba berbeda — perbankan (BBCA, BMRI), telekomunikasi (TLKM, ISAT), konsumsi pokok (UNVR, ICBP), kesehatan (KLBF), infrastruktur (WIKA, WSkt). Jangan hanya memegang 10 saham perbankan sekalipun semuanya “blue-chip”.

Reksa dana indeks sebagai diversifikasi murah

Bagi investor ritil, cara termudah mencapai portofolio terdiversifikasi adalah lewat reksa dana indeks yang menelusuri IHSG atau indeks sektoral. Dengan satu produk, Anda langsung memegang puluhan saham — menangkap sebagian besar manfaat diversifikasi tanpa biaya transaksi 40+ pembelian terpisah. Inilah implementasi paling pragmatis dari teori Markowitz untuk investor kecil.

Batas praktis di BEI: likuiditas dan biaya

Teori Markowitz mengasumsikan pasar tanpa biaya transaksi dan likuiditas sempurna. Di BEI, saham lapis kedua dan ketiga sering illiquid — bobot optimal yang “harusnya” 5% bisa mustahil dilakukan tanpa menggerakkan harga. Praktisi menambahkan kendala (bobot maksimum per saham, batas sektor, likuiditas minimum) ke optimasi — sebuah bidang yang disebut portfolio optimization with constraints. Workbook Excel di atas adalah versi tak terkendali; portofolio produksi menggunakan solver dengan kendala tambahan.

Estimasi input: bahaya optimisasi data historis

MPT sangat sensitif terhadap input $E[R]$, $\sigma$, dan $\rho$. Sayangnya ketiganya diestimasi dari data historis yang berisik dan tidak stabil. Dua jebakan klasik:

1. Error maksimalisasi (error maximization) — algoritma Markowitz menumpuk bobot pada aset yang kebetulan memiliki korelasi rendah atau imbal hasil tinggi dalam sampel historis, padahal itu sering noise. Solusi: gunakan shrinkage estimator (Ledoit-Wolf) atau batasi bobot.
2. Korelasi yang berubah — korelasi yang rendah di pasar normal sering naik tajam menuju 1 saat krisis (semua saham jatuh bersama). Portofolio yang tampak terdiversifikasi pada 2019 bisa gagal pada Maret 2020. Solusi: stres-tes dengan matriks korelasi krisis, bukan hanya rata-rata historis.

Rumus di Excel

Imbal hasil aset tunggal:
=AVERAGE(imbal_hasil)

Risiko aset tunggal (standar deviasi):
=STDEV.S(imbal_hasil)
Varians:
=VAR.S(imbal_hasil)

Kovarians 2 aset (sample):
=COVARIANCE.S(aset1; aset2)

Korelasi 2 aset:
=CORREL(aset1; aset2)

Return portofolio (weighted):
=SUMPRODUCT(bobot; E_R)            'atau =w1*r1 + w2*r2 + ...

Risiko portofolio 2 aset:
=SQRT(w1^2*sd1^2 + w2^2*sd2^2 + 2*w1*w2*rho*sd1*sd2)

Bobot minimum-variance 2 aset:
=(sd2^2 - rho*sd1*sd2) / (sd1^2 + sd2^2 - 2*rho*sd1*sd2)

Bobot minimum-variance N aset (aljabar matriks, array formula):
=MMULT(MINVERSE(matriks_kovarians); vektor_1) / MMULT(TRANSPOSE(vektor_1); MMULT(MINVERSE(matriks_kovarians); vektor_1))

Return & risiko portofolio N aset (matriks):
E[Rp]  = MMULT(TRANSPOSE(bobot); vektor_E_R)
Var_p  = MMULT(TRANSPOSE(bobot); MMULT(matriks_kovarians; bobot))
sd_p   = SQRT(Var_p)

Cek Pemahaman

1. Portofolio terdiri dari 60% saham A ($E[R] = 10\%$, $\sigma = 20\%$) dan 40% saham B ($E[R] = 6\%$, $\sigma = 12\%$). Kovarians $\operatorname{Cov}(A,B) = 0{,}0096$. Hitung $E[R_p]$ dan $\sigma_p$, lalu bandingkan dengan rata-rata tertimbang risiko. Berapa manfaat diversifikasinya?

Lihat jawaban

$E[R_p] = 0{,}60 \times 10\% + 0{,}40 \times 6\% = 8{,}40\%$.

$$\sigma_p^2 = (0{,}60)^2(0{,}20)^2 + (0{,}40)^2(0{,}12)^2 + 2(0{,}60)(0{,}40)(0{,}0096)$$

$$= 0{,}0144 + 0{,}002304 + 0{,}004608 = 0{,}021312$$

$$\sigma_p = \sqrt{0{,}021312} = 14{,}60\%$$

Rata-rata tertimbang risiko: $0{,}60 \times 20\% + 0{,}40 \times 12\% = 16{,}80\%$.

Manfaat diversifikasi = $16{,}80\% - 14{,}60\% = 2{,}20$ pp. (Bisa diverifikasi: $\rho = \operatorname{Cov}/(\sigma_A\sigma_B) = 0{,}0096/(0{,}20 \times 0{,}12) = 0{,}40$ — korelasi positif sedang, sehingga manfaat diversifikasi ada tapi tidak dramatis.)

2. (transfer) Manajer investasi berargumen: “Karena memegang lebih banyak saham selalu menurunkan risiko, saya akan memegang 40 saham perbankan BEI agar portofolio saya sangat aman.” Apa yang salah dengan argumen ini menurut Markowitz?

Lihat jawaban

Dua kesalahan:

1. Manfaat diversifikasi ditentukan oleh korelasi, bukan jumlah saham. Empat puluh saham perbankan saling berkorelasi tinggi (terhadap suku bunga, siklus kredit, regulasi OJK) — mungkin $\rho$ rata-rata 0,7–0,9 sesama perbankan. Diversifikasi di dalam satu sektor hampir tidak mengurangi risiko sistematis sektoral. Setelah ~8–10 saham perbankan, risiko portofolio sudah mendatar di lantai sistematis sektoral (lihat gambar risiko sistematis).

2. Risiko tidak akan menuju nol. Sesuai rumus $\sigma_p \to \sigma\sqrt{\bar\rho}$, dengan $\bar\rho$ tinggi (0,8), lantai sistematis tetap $\sigma\sqrt{0{,}8} \approx 0{,}89\sigma$ — portofolio 40 saham perbankan masih ~89% seberisiko satu saham perbankan. Untuk diversifikasi sejati, manajer harus menyeberang sektor (perbankan + telekomunikasi + konsumsi + kesehatan), bukan menumpuk di sektor yang sama.

3. Dalam portofolio minimum-variance 3 aset (BBCA, BBRI, TLKM) di atas, BBRI mendapat bobot hanya 2,0% meskipun imbal hasilnya tertinggi (14%). Jelaskan mengapa, dan kapan BBRI akan kembali menarik.

Lihat jawaban

Mengapa BBRI bobot rendah: Portofolio minimum-variance mengabaikan imbal hasil — ia hanya meminimalkan $\sigma_p$. BBRI berkorelasi tinggi dengan BBCA (0,55) dan jauh lebih berisiko (24% vs 18%). Dari sudut pandang risiko murni, menambah BBRI tidak memberikan lapisan diversifikasi baru (sudah diwakili oleh BBCA yang lebih aman), jadi algoritma menghindarinya.

Kapan BBRI menarik: Saat kita tidak lagi menargetkan risiko minimum, melainkan menargetkan imbal hasil tertentu atau rasio Sharpe maksimum. BBRI dengan imbal hasil 14% akan kembali menarik karena ia menawarkan premi imbal hasil di atas BBCA/TLKM. Portofolio di sepanjang efficient frontier (di atas titik minimum-variance) akan mengalokasikan bobot lebih besar ke BBRI untuk menukar sedikit risiko tambahan dengan imbal hasil lebih tinggi. Inilah inti perbedaan “minimum-variance” (titik tunggal) vs “efficient frontier” (seluruh kurva kanan-atas).

Kesalahan Umum

Menganggap risiko portofolio = rata-rata tertimbang risiko. Ini kesalahan paling sering. Risiko portofolio mengikuti rumus dengan suku korelasi; ia hanya sama dengan rata-rata tertimbang saat $\rho = +1$ (yang hampir tidak pernah terjadi). Selalu hitung dengan rumus lengkap, bukan rata-rata sederhana.

Memilih aset hanya berdasarkan imbal hasil atau risiko sendirian. Sebuah aset “berisiko” sendirian bisa justru menurunkan risiko portofolio kalau berkorelasi rendah atau negatif dengan aset lain. Nilai aset = kontribusinya terhadap portofolio, bukan profilnya sendirian. Inilah pelajaran utama Markowitz.

Mengabaikan korelasi saat menyeberang sektor. Dua saham dari sektor “berbeda” belum tentu berkorelasi rendah. Saham properti dan konstruksi, misalnya, sama-sama peka siklus ekonomi meski “sektornya berbeda”. Selalu cek korelasi historis (dan, idealnya, korelasi saat krisis), bukan asumsi kasat mata.

Mengoptimalkan langsung dari data historis tanpa shrinkage. Matriks kovarians historis berisik; algoritma Markowitz mengeksploitasi noise ini (error maximization), menumpuk bobot pada aset yang kebetulan berkorelasi rendah dalam sampel. Gunakan shrinkage estimator atau tambahkan kendala bobot maksimum untuk portofolio yang robust.

Mengasumsikan korelasi stabil saat krisis. Korelasi antar saham cenderung naik tajam ke arah 1 selama krisis pasar (Maret 2020, krisis 2008). Portofolio yang tampak terdiversifikasi pada pasar normal bisa mengalami kerugian simultan saat krisis. Stres-tes dengan matriks korelasi yang dinaikkan sebelum mempercayai angka diversifikasi.

Menganggap portofolio minimum-variance adalah “yang terbaik”. Minimum-variance hanya meminimalkan risiko, mengabaikan imbal hasil. Untuk investor yang mempedulikan imbal hasil, portofolio optimal adalah rasio Sharpe maksimum (yang memerlukan aset bebas risiko). Minimum-variance adalah titik awal dan penanda batas kiri frontier, bukan jawaban akhir untuk semua investor.

Memakai terlalu sedikit data historis. Estimasi $\sigma$ dan $\rho$ dari data 1–2 tahun sangat berisik. Pakai minimal 3–5 tahun data bulanan (36–60 observasi) untuk estimasi yang stabil, dan ingat bahwa kovarians butuh lebih banyak data lagi untuk estimasi yang andal dibandingkan varians.

Dipakai di Dunia Nyata

• Manajer reksa dana BEI. Setiap reksa dana saham memakai varian optimisasi Markowitz (dengan kendala likuiditas dan regulasi OJK) untuk menyusun portofolio. Bobot per sektor, per emiten, dan batas konsentrasi semuanya turunan dari kerangka efficient frontier.
• Manajemen aset institusional (DPLK, asuransi). Investor institusional memakai MPT untuk alokasi aset lintas kelas (saham, obligasi, pasar uang, reksa dana) — bukan hanya lintas saham. Korelasi antara saham dan obligasi SUN menjadi krusial: saat keduaanya berkorelasi rendah, kombinasi keduanya menghasilkan profil risiko-imbal hasil yang lebih baik.
• Robo-advisor. Platform investasi digital (Bibit, Bareksa, Tanamduit) memakai versi sederhana Markowitz untuk merekomendasikan alokasi portofolio sesuai profil risiko pengguna. “Profil agresif” menempatkan pengguna lebih jauh ke kanan-atas efficient frontier (imbal hasil lebih tinggi, risiko lebih besar); “konservatif” lebih dekat ke titik minimum-variance.
• Dana lindung nilai (hedge fund). Strategi market-neutral dan long-short secara aktif mencari aset berkorelasi rendah atau negatif untuk membangun portofolio dengan risiko sistematis mendekati nol — ekstrem logika Markowitz.
• Alokasi aset korporat (treasury). Perusahaan dengan kas besar memakai kerangka serupa untuk diversifikasi penempatan kas (deposito berbagai bank, obligasi pemerintah, instrumen pasar uang) — meminimalkan risiko gagal bayar dan suku bunga.

Catatan: Asumsi dan Keterbatasan MPT

MPT, seperti model keuangan lainnya, berdiri di atas asumsi yang penting dipahami:

• Distribusi normal imbal hasil. Rumus varians mengasumsikan imbal hasil berdistribusi normal. Pada kenyataannya, imbal hasil saham “gemuk ekor” (fat tails) — ekstrem negatif terjadi lebih sering dari yang diprediksi distribusi normal. MPT cenderung underestimate risiko ekor.
• Input dapat diestimasi. Seluruh kerangka bergantung pada $E[R]$, $\sigma$, $\rho$ yang akurat. Kenyataannya, ketiganya berisik dan tidak stabil.
• Investor rasional dan pasar efisien. Asumsi bawaan CAPM (yang dibangun di atas MPT). Buktinya, pasar BEI punya anomali (efek Januari, momentum, size premium) yang menyimpang dari prediksi.

Alternatif dan pengembangan: model Black-Litterman (menggabungkan pandangan investor dengan prior pasar), optimisasi robust (menangani ketidakpastian input), dan risk parity (menyeimbangkan kontribusi risiko, bukan bobot modal). Tapi MPT tetap titik awal wajib — semua pengembangan ini adalah koreksi terhadap Markowitz, bukan pengganti.

Lanjutan

Markowitz memberi kita peta risiko-imbal hasil — sekarang mari gabungkan dengan aset bebas risiko dan biaya modal:

• CAPM dan Cost of Equity — bagaimana risiko sistematis (beta) diterjemahkan menjadi imbal hasil yang dituntut. CAPM adalah turunan langsung MPT ketika ditambah aset bebas risiko.
• WACC — biaya ekuitas (dari CAPM) menjadi komponen biaya modal perusahaan secara keseluruhan.
• DCF Valuation — kerangka efficient frontier menentukan portofolio optimal; CAPM menentukan tingkat diskonto; DCF menerapkannya untuk menilai perusahaan.
• Sensitivity & Scenario Analysis — korelasi tidak stabil adalah risiko portofolio terbesar; scenario analysis menguji ketahanan diversifikasi saat krisis.