Optimasi Teori Portofolio Post-Modern (PMPT)
Optimasi Teori Portofolio Post-Modern (PMPT) adalah kerangka kerja untuk membangun portofolio investasi dengan meminimalkan risiko penurunan—didefinisikan sebagai pengembalian di bawah target atau tingkat pengembalian minimum yang dapat diterima—alih-alih varian total. Kerangka ini memperluas Modern Portfolio Theory (MPT) dengan mengakui bahwa investor biasanya mempersepsikan kerugian dan keuntungan secara asimetris: mereka lebih sensitif terhadap kekurangan daripada volatilitas kenaikan. Oleh karena itu, optimasi PMPT menggantikan optimasi mean‑variance (MVO) dengan optimasi risiko penurunan (DRO), menggunakan metrik seperti semi‑varian, semi‑deviasi, atau rasio Sortino untuk memandu keputusan alokasi aset.
Berbeda dengan MPT, yang mengasumsikan investor peduli pada penyebaran pengembalian di sekitar rata‑rata tanpa memandang arah, PMPT secara eksplisit memodelkan risiko sebagai kegagalan memenuhi suatu tujuan, seperti jadwal kewajiban, tolok ukur, atau batas minimum pengembalian pribadi. Hal ini menjadikan PMPT sangat cocok untuk penerapan dalam perencanaan pensiun, pengelolaan dana abadi, dan konteks lain di mana kinerja di bawah harapan menimbulkan konsekuensi yang jelas.
Optimasi PMPT mencari bobot portofolio yang memaksimalkan pengembalian yang diharapkan dengan batasan risiko penurunan, atau sebaliknya, meminimalkan risiko penurunan dengan target pengembalian tertentu. Masalah optimasi biasanya diformulasikan menggunakan lower partial moments (LPM), di mana fungsi tujuan mengintegrasikan hanya deviasi kuadrat di bawah target pengembalian \(T\):
\[\text{Minimize } \text{LPM}_2(T) = \int_{-\infty}^{T} (T - r)^2 f(r) \, dr\]di mana \(r\) adalah pengembalian acak dan \(f(r)\) adalah densitas probabilitasnya. Dalam praktik, ini didekati menggunakan distribusi pengembalian historis atau simulasi:
\[\widehat{\text{LPM}}_2(T) = \frac{1}{N} \sum_{t=1}^{N} \max(0, T - r_t)^2\]Tujuan ini menggantikan istilah varians \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\) yang digunakan dalam MVO. Frontier efisien yang dihasilkan melengkung ke dalam pada bidang return‑downside‑risk dan sering menghasilkan portofolio dengan probabilitas underperformance yang lebih rendah dibandingkan target.
- Target Return (T): Tolok ukur yang telah ditentukan sebelumnya—misalnya inflasi ditambah 3 %, arus kas kewajiban, atau tingkat bebas risiko—yang menetapkan ambang batas untuk return yang ’tidak diinginkan'.
- Semi-Variance / Semi-Deviation: Varians atau deviasi standar dari return di bawah target, yang berfungsi sebagai metrik risiko.
- Sortino Ratio: Return berlebih di atas target dibagi dengan semi-deviation, digunakan sebagai ukuran kinerja dalam optimasi atau peringkat.
- Downside Risk Optimization (DRO): Metode komputasi untuk menyelesaikan tujuan PMPT, sering diimplementasikan melalui pemrograman kuadratik ketika return diaproksimasi secara diskret.
- Convergence Behavior: Studi empiris menunjukkan bahwa optimizer semi-varians tanpa batasan tidak selalu konvergen ke solusi ‘sudut’ ekstrem seperti yang diprediksi teori; sebaliknya, mereka sering menghasilkan alokasi yang terdiversifikasi, terutama ketika distribusi return tidak Gaussian atau mengandung ekor tebal.
- Data Sensitivity: Optimasi PMPT lebih sensitif terhadap pilihan target return dan asumsi distribusi return dibandingkan MPT. Perubahan kecil pada target atau kesalahan estimasi pada momen downside dapat secara signifikan memengaruhi bobot optimal.
- Computational Complexity: Meskipun dapat ditangani untuk univers aset sedang, DRO menjadi lebih berat secara komputasi dibandingkan MVO pada masalah skala besar karena pembobotan risiko yang tidak simetris dan non‑konveksitas dalam formulasi LPM orde tinggi.
- Goal Alignment: PMPT unggul ketika tujuan investor terdefinisi jelas (misalnya, membiayai aliran kewajiban yang diketahui), namun keunggulannya dibandingkan MPT berkurang ketika target bersifat sewenang‑wenang atau ketika distribusi return simetris dan berekor tipis.
Misalkan seorang investor menargetkan return tahunan 5 % dan mengevaluasi dua kelas aset menggunakan return tahunan historis:
- Aset A: return sebesar [2 %, 6 %, 8 %, 4 %]
- Aset B: return sebesar [3 %, 3 %, 7 %, 7 %]
Untuk Aset A, deviasi di bawah 5 % adalah [−3 %, 0 %, 0 %, −1 %] → kuadrat nilai negatif: [9, 0, 0, 1] → semi‑varians = 2.5. Untuk Aset B, deviasi di bawah 5 % adalah [−2 %, −2 %, 2 %, 2 %] → kuadrat nilai negatif: [4, 4, 0, 0] → semi‑varians = 2.0.
Kedua aset memiliki rata‑rata yang sama (5 %), namun Aset A memiliki risiko downside yang lebih besar (semi‑varians 2.5 vs 2.0) karena selisihnya di bawah target 5 % lebih besar, sehingga investor yang menghindari kerugian dan mengoptimalkan dengan PMPT akan lebih memilih Aset B. Kedua kerangka kerja paling berbeda ketika aset‑aset memiliki varians total yang sama tetapi berbeda dalam bentuk distribusi return mereka: karena varians total memberi bobot yang sama pada deviasi ke atas dan ke bawah, dua aset dengan varians identik dapat memiliki semi‑varians yang sangat berbeda bila returnnya miring — dan justru ketidaksimetrian inilah yang menjadi dasar PMPT untuk menilai harga.
Referensi
Bagaimana optimasi PMPT berbeda dari Modern Portfolio Theory (MPT)?
Optimasi PMPT menggantikan ukuran risiko simetris MPT (deviasi standar) dengan risiko penurunan yang asimetris—memusatkan pada pengembalian di bawah target atau tingkat minimum yang dapat diterima—sehingga lebih mencerminkan keengganan investor terhadap kerugian daripada volatilitas semata.
Apa tujuan utama dari optimasi PMPT?
Tujuan utama adalah memaksimalkan pengembalian untuk tingkat risiko penurunan tertentu relatif terhadap target pengembalian yang ditetapkan, sehingga menghasilkan portofolio yang lebih selaras dengan tujuan investor di dunia nyata seperti memenuhi kewajiban atau menghindari kinerja di bawah harapan.
Apa metrik risiko penurunan yang umum digunakan dalam optimasi PMPT?
Metrik umum meliputi semi-varian (lower partial moment orde dua), semi-deviasi, dan rasio Sortino—masing‑masing mengukur hanya pengembalian di bawah ambang batas, bukan penyebaran total.