Market Review 201016

The Primary Trader ingin membagikan beberapa grafik untuk memberikan Review singkat mengenai kondisi pasar dan saham IDX80.

Sektor Construction mulai dapat diperhatikan karena Momentum kenaikan-nya mulai muncul. Sektor Mineral dan Kesehatan (Healthcare dan Pharmacy) mulai mencatat kenaikan yang sangat tinggi sehingga perlu diwaspadai.

Hanya sektor Paper yang mencatat Downtrend. Sektor FMCG, Telecom, Cigarettes dan Multifinance dalam Uptrend namun Oversold. Mulai layak diperhatikan.

Sektor yang berbasis Commodity (biru) dan Infrastructure (kuning) mulai menarik karena berada dalam Uptrend dan Stochastic Oscillator-nya masih netral atau belum Overbought.

BRIS dan ANTM mendapat sinyal Alert Buy. Meski sudah tinggi namun masih ada peluang naik.

BRIS memang mencatat Net Foreign Buy namun MDKA, BULL dan BTPS mencatat Net Foreign Buy yang lebih besar dari BRIS. BULL yang juga mendapat sinyal Alert Buy memiliki kemungkinan naik yang menarik dibanding MDKA dan BTPS.

UNPUB : Decompose IHSG

The Primary Trader ingin melakukan Decompose IHSG dengan menggunakan beberapa metode Decompose yaitu :

  1. Classical Decompose
  2. X11 Decompose
  3. SEATS Decompose
  4. STL Decompose

The Primary Trader ingin mempraktikan metode Decomposition terhadap IHSG sehingga dapat ditemukan karakteristik dan seasonality-nya. Penjelasan detil ada di sumber buku “Forecasting: Principles and Practice” dari Rob J Hyndman.

File

The Primary Trader menggunakan data IHSG bulanan dari tahun 2000 sampai Maret 2020 (ihsg.ts) dan dari tahun 2015 sampai Maret 2020 (ihsg.ts.2015).

Classical Decompose

Classical Decomposition mengasumsikan komponen Seasonal berulang setiap tahun.

Multiplicative Classical Decompose

ihsg.mult <- decompose(ihsg.ts, type = "multiplicative")
autoplot(ihsg.mult)+ 
  xlab("Year")+
  ggtitle("Classical Multiplicative Decompose IHSG")

plot of chunk unnamed-chunk-3

Additive Classical Decompose

ihsg.add <- decompose(ihsg.ts, type = "additive")
autoplot(ihsg.add)+ 
  xlab("Year")+
  ggtitle("Classical Additive Decompose IHSG")

plot of chunk unnamed-chunk-4

Ada setidaknya 3 metode lagi untuk Decompose yaitu X11, SEATS dan STL dimana ketiganya cukup rumit. Untuk artikel ini, The Primary Trader hanya mempraktikan menggunakan Classical Decomposition. Namun beberapa poin dibawah ini menunjukkan plot Decomposition dari ketiga metode tersebut.

X11 Decompose

X11 menggunakan dasar Classical Decomposition namun untuk Trend dan Cycle-nya, X11 memperhatikan seluruh observasi dari titik awal sampai akhir (tidak hanya tahun ke tahun seperti Classical Decomposition). X11 juga langsung menyesuaikan metode Additive dan Multiplicative yang mana pada Classical Decompose, pemilihan metode tersebut harus dilakukan secara manual.

ihsg.x11 <- seas(ihsg.ts, x11="")
autoplot(ihsg.x11)+ 
  xlab("Year")+
  ggtitle("X11 Decompose IHSG")

plot of chunk unnamed-chunk-5

SEATS Decompose

SEATS atau SEasonal Extraction in ARIMA Time Series adalah Decomposition yang hanya berlaku pada Quarterly maupun Monthly data.

ihsg.seats <- seas(ihsg.ts)
autoplot(ihsg.seats)+
  ggtitle("SEATS decomposition of electrical equipment index")

plot of chunk unnamed-chunk-6

STL Decompose

STL atau Seasonal and Trend Decomposition using Loess dimana Loess adalah metode untuk mengestimasi hubungan nonlinear dari data. Beberapa keunggulan STL dibanding metode Decompose yang lain adalah STL dapat menghitung data seasonality lain (tidak hanya bulanan maupun kuartalan seperti SEATS). Komponen Seasonal-nya serta Rate of Change-nya dapat diganti serta dirubah manual begitupun dengan Smoothness dari Trend-Cycle nya.

ihsg.stl <- stl(ihsg.mo, t.window = 13, s.window = "periodic", robust = TRUE)
autoplot(ihsg.stl)+
  ggtitle("STL decomposition of electrical equipment index")

plot of chunk unnamed-chunk-7

Peak and Trough

The Primary Trader menyukai salah satu penggunaan metode Decompose adalah untuk mengetahui Peak and Trough dari suatu data – menggunakan unsur Seasonal yang dihitung dalam metode Decompose.

Berikut adalah contoh Peak and Trough menggunakan unsur Seasonal pada Classical Decompose dan X11 Decompose :

ihsg.mult.2015 <- decompose(window(ihsg.ts.2015, start = c(2015,1)), type = "multiplicative")
ihsg.add.2015 <- decompose(window(ihsg.ts.2015, start = c(2015,1)), type = "additive")
ihsg.x11.2015 <- seas(window(ihsg.ts.2015, start = c(2015,1)), x11="")

autoplot(ihsg.mult$seasonal)+
  ggtitle("Seasonality of Multiplicative Classical Decomposition")

plot of chunk unnamed-chunk-8
autoplot(ihsg.add$seasonal)+
  ggtitle("Seasonality of Additive Classical Decomposition")

plot of chunk unnamed-chunk-8
autoplot(seasonal(ihsg.x11))+
  ggtitle("Seasonality of X11 Decomposition")

plot of chunk unnamed-chunk-8
autoplot(ihsg.mult.2015$seasonal)+
  ggtitle("Seasonality of Multiplicative Classical Decomposition since 2015")

plot of chunk unnamed-chunk-8
autoplot(ihsg.add.2015$seasonal)+
  ggtitle("Seasonality of Additive Classical Decomposition since 2015")

plot of chunk unnamed-chunk-8
autoplot(seasonal(ihsg.x11.2015))+
  ggtitle("Seasonality of X11 Decomposition since 2015")

plot of chunk unnamed-chunk-8

Bila melihat kedua metode (Classical dan X11), terlihat X11 lebih rumit karena Seasonality X11 sepanjang periode tidak stabil. Hal ini karena metode X11 benar – benar melihat data secara detil, tidak terpaku dengan data tahun ke tahun seperti Classical Decomposition.

Grafik di atas juga menunjukkan bahwa angka siklus Peak and Trough IHSG berbeda – beda setiap metode. Hal ini cukup wajar namun pada satu metode, ada perbedaan apabila total periodenya berbeda.

Untuk melihat Peak and Trough, berikut adalah angka Seasonal dari Classical Decomposition metode (Multiplicative dan Additive) dengan periode yang berbeda. Angka Seasonal tertinggi adalah Peak sementara angka Seasonal terendah adalah Trough.

### Classical Decompose Multiplicative : July and Oct 
range(ihsg.mult$seasonal)

## [1] 0.9681424 1.0253185
head(ihsg.mult$seasonal, 12)

##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2000 1.0012314 1.0039945 1.0057929 1.0223423 1.0182244 1.0125698 1.0253185
##            Aug       Sep       Oct       Nov       Dec
## 2000 0.9930703 0.9860049 0.9681424 0.9683132 0.9949955
### Classical Decompose Multiplicative 2015 : Feb and Nov
range(ihsg.mult.2015$seasonal)

## [1] 0.9727762 1.0266903
head(ihsg.mult.2015$seasonal, 12)

##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2015 1.0247965 1.0266903 1.0154625 1.0044016 0.9878793 0.9949372 1.0036845
##            Aug       Sep       Oct       Nov       Dec
## 2015 0.9986347 0.9818674 0.9834012 0.9727762 1.0054689
### Classical Decompose Additive : Apr and Nov
range(ihsg.add$seasonal)

## [1] -83.57064  55.17163
head(ihsg.add$seasonal, 12)

##             Jan        Feb        Mar        Apr        May        Jun
## 2000   7.160684  32.889453  50.837431  55.171632  22.153855   2.141557
##             Jul        Aug        Sep        Oct        Nov        Dec
## 2000  49.218353 -30.365464 -43.315344 -49.307086 -83.570639 -13.014433
### Classical Decompose Additive 2015 : Feb and Nov
range(ihsg.add.2015$seasonal)

## [1] -149.884  156.214
head(ihsg.add.2015$seasonal, 12)

##              Jan         Feb         Mar         Apr         May
## 2015  154.118949  156.213976   85.252963   22.170138  -74.133527
##              Jun         Jul         Aug         Sep         Oct
## 2015  -39.096942   12.300302   -9.089981  -94.200776  -97.398817
##              Nov         Dec
## 2015 -149.884031   33.747744

Menggunakan metode Classical Decomposition Multiplicative dari tahun 2000, terdeteksi bahwa Peak and Trough IHSG ada di bulan Juli dan Oktober. Sementara dengan metode yang sama namun pada periode 2015, Peak and Trough IHSG terdeteksi di bulan Februari dan November.

Hal ini tentu karena adanya perubahan yang terjadi dari IHSG itu sendiri. Perubahan Seasonality serta Cycle pada pasar modal dapat terjadi karena perubahan rezim pemerintahan dan teknologi. Periode dari tahun 2000 sampai 2020 adalah periode yang cukup panjang.

The Primary Trader lebih percaya pada metode yang menggunakan data pendek terbaru (yaitu untuk periode dari 2015). Berikut adalah IHSG dengan Peak and Trough pada bulan April dan November (menggunakan Classical Decompose Additive) :

IHSG <- getSymbols("^JKSE", from = "2000-01-01", to = "2020-04-30", auto.assign = FALSE)
IHSG.mo <- na.omit(to.monthly(IHSG))
ihsg.mo <- IHSG.mo$IHSG.Adjusted
ihsg.ts <- ts(ihsg.mo, frequency = 12, start = c(2000,1))

ihsg.df <- data.frame(ihsg.mo, date = index(ihsg.mo))
ihsg.df <- ihsg.df %>%
  mutate(dates = as.Date(date), month = month(date))

plot(ihsg.df$date, ihsg.df$IHSG.Adjusted, type = "l")
points(x = ihsg.df[ihsg.df$month ==4, "date"],
       y = ihsg.df[ihsg.df$month ==4, "IHSG.Adjusted"], col = "blue", pch = 19)
points(x = ihsg.df[ihsg.df$month ==11, "date"],
       y = ihsg.df[ihsg.df$month ==11, "IHSG.Adjusted"], col = "red", pch = 19)

plot of chunk unnamed-chunk-10

Seasonality Line

Setiap metode Decompose menghasilkan dua komponen penting yaitu Seasonally Adjusted serta Trend. Keduanya pun dapat di-plot bersama dengan data IHSG.

Seasonally Adjusted dan Trend dari X11 Decompose

autoplot(ihsg.ts, series="Data") +
  autolayer(trendcycle(ihsg.x11), series="Trend") +
  autolayer(seasadj(ihsg.x11), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("X11 Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-11

Agar terlihat jelas garis Seasonally Adjusted dan Trend – nya maka The Primary Trader melakukan zoom in dengan melihat data IHSG dari tahun 2015 :

ihsg.ts.2015 <- window(ihsg.ts, start = 2015)

autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(seas(ihsg.ts.2015, x11="")), series="Trend") +
  autolayer(seasadj(seas(ihsg.ts.2015, x11="")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("X11 Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-12

Seasonally Adjusted dan Trend dari Classical Decompose

Berikut adalah Seasonality dan Trend line dari Classical Decomposition secara Additive dan Multiplicative dari tahun 2015 :

autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(decompose(ihsg.ts.2015, type = "additive")), series="Trend") +
  autolayer(seasadj(decompose(ihsg.ts.2015, type = "additive")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("Additive Classical Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-13
autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(decompose(ihsg.ts.2015, type = "multiplicative")), series="Trend") +
  autolayer(seasadj(decompose(ihsg.ts.2015, type = "multiplicative")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("Multiplicative Classical Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-14

Seasonal Sub-Series dari Seasonal X11 IHSG

Beberapa metode memberikan coding untuk lebih menspesifikan Seasonal atau Sub-Series Seaonal yang ada seperti metode X11 Decomposition berikut :

ihsg.x11 %>% seasonal() %>% ggsubseriesplot() + ylab("Seasonal X11")

plot of chunk unnamed-chunk-15

Berdasarkan metode Decompose menggunakan X11, The Primary Trader melihat kecenderungan IHSG Sideways cenderung Uptrend di 1Q. Terlihat jelas bahwa IHSG lebih sering jatuh (Crash) di 2Q dan Bottoming di 3Q. Ada tendensi naik di 4Q.

Bila disimpulkan, Market cenderung naik mulai dari 4Q sampai 1Q dimana 2Q adalah puncak kenaikan dan awal kejatuhan sampai 3Q.

Kesimpulan

Menemukan titik Peak and Trough adalah suatu hal. Namun tentu pembuktian mana Peak and Trough yang terbaik menggunakan Backtesting adalah hal penting lainnya. The Primary Trader akan menuliskan Backtesting di artikel selanjutnya.

UNPUB : Pandangan IHSG Dengan Bollinger Band Complete Set. Ada Harapan!

IHSG + Bollinger Band : Segera Berada di atas Middle Band

Penurunan IHSG dari sejak awal April 2020 dapat dikatakan sebagai Tech. Correction bila dilihat dari kenaikan sejak akhir Maret 2020 (dari ~3,900). IHSG pun saat ini sedang terlihat naik untuk melewati Middle Band (MA20) yang saat ini di 4,595.

%BB : Uptrend Untuk Melewati >50

Hal ini didukung oleh %BB dimana sejak awal Maret 2020 telah bergerak naik dan terindikasi membentuk Uptrend. Ada potensi %BB segera berada di atas level 50 yang berarti IHSG berada di atas Middle Band.

Middle Band Direction : Mulai Mengarah Ke Atas

Middle Band Direction yang menunjukkan posisi arah pergerakan Middle Band atau MA20. Saat ini Middle Band Direction berada di angka positif yang artinya Middle Band sedang mengarah ke atas. Dengan mengarah ke atas maka ada indikasi IHSG akan Uptrend.

Bandwidth : Volatilitas Sedang Rendah

Bandwidth BB terlihat sedang turun dan dilevel yang relatif rendah. Hal ini menunjukkan volatilitas pergerakan IHSG sedang rendah. Dengan demikian, pergerakan IHSG (baik ke atas atau ke bawah) akan relatif tidak banyak (Less Volatile).

Bandwidth Histogram : Volatilitas Akan Meningkat

Bandwidth Histogram yang memperkirakan arah dari Bandwidth menunjukkan tren angka yang positif dari sebelumnya di angka negatif. Hal ini mengindikasikan adanya potensi pergerakan arah indikator Bandwidth. Bila indikator Bandwidth meningkat maka volatilitas akan meningkat. Indikator Bandwidth Histogram memperkirakan volatilitas IHSG akan meningkat.

Kesimpulan : Segera Rally

Ringkasan masing – masing indikator adalah sebagai berikut :

  • IHSG + Bollinger Band : Segera Berada di atas Middle Band
  • %BB : Uptrend Untuk Melewati >50
  • Middle Band Direction : Mulai Mengarah Ke Atas
  • Bandwidth : Volatilitas Sedang Rendah
  • Bandwidth Histogram : Volatilitas Akan Meningkat

Oleh karena itu, dapat disimpulkan IHSG berpotensi segera naik ke atas dengan volatilitas yang meningkat (Rally sebagai bagian dari Uptrend).

Pertanyaannya adalah, apakah Rally IHSG akan merubah Downtrend dari sejak awal tahun 2020 ?

The Primary Trader melihat pergerakan IHSG sejak April 2020 berada dalam pola Bullish Continuation yang sangat mungkin mengindikasikan kenaikan sejak akhir Maret 2020 (dari 3,900 ke 4,900) kembali terjadi. Ada potensi IHSG naik menuju 5,700 setelah Breakout 4,650 (dengan mengonfirmasi pola Bullish Continuation tersebut).

Namun untuk mengatakan akhir Downtrend dari sejak awal tahun 2020, IHSG perlu Breakout 5,400 dan The Primary Trader meragukan hal tersebut. The Primary Trader masih memperkirakan akan ada One Last Drop yang mengakhiri Downtrend dan memulai proses pembentukan pola Bullish Reversal.

UNPUB : Big Bank “Menipu” IHSG. Fokus Ke-6 Saham Ini.

Bila melihat pergerakan IHSG dan membandingkannya dengan pergerakan Big Bank (BBCA, BBRI, BBNI dan BMRI) maka terlihat pergerakan Big Bank lebih Bullish dibanding IHSG itu sendiri. Sejak awal tahun 2018, Big Bank bergerak Uptrend sementara IHSG sudah bergerak Sideways. Ketika IHSG mengalami Breakdown yang menandakan arah tren berubah menjadi Downtrend, Big Bank masih belum mengindikasikan Breakdown. 1-2 minggu kemudian terjadi Breakdown pada Big Bank.

The Primary Trader mencoba melihat Big Cap lain yang relatif memiliki variasi sektor. Berikut adalah pilihannya : GGRM, INDF, ICBP, ASII, TLKM dan UNVR. Berikut adalah chartnya :

Other Big Caps tersebut mengindikasikan Uptrend – hanya sampai awal tahun 2019 atau sekitar akhir 1Q19. Setelah itu, Other Big Caps mulai bergerak Downtrend. Pada 3Q19, Other Big Caps mulai Breakdown dan mengonfirmasi Downtrend.

Apabila digabungkan, maka jelas terlihat Other Big Caps telah Downtrend dari 2019 sementara Big Bank tampaknya menopang IHSG sehingga IHSG masih bisa Sideways. Pada awal tahun 2020, terlihat Big Bank mulai naik namun tidak bertahan sementara Other Big Caps cenderung Flat sebelum IHSG jatuh yang disebabkan oleh Crash di Big Bank.

Kesimpulan

Per hari ini (28 April 2020), Big Bank memang memiliki Total Market Cap 22.5% dari IHSG. Sementara Other Big Caps memiliki total 19.27% dari IHSG. Cukup wajar bila Big Bank masih lebih mendominasi pergerakan IHSG.

Namun The Primary Trader lebih menyukai Other Big Caps karena setidaknya terdiri dari 5 sektor yaitu Cigarettes (GGRM), Food and Beverage (ICBP dan INDF), Automotive (ASII), Telecommunication (TLKM) dan Consumer Staples (UNVR). Sektor tersebut cenderung Cyclical (Auto) namun ada beberapa yang menjadi Backbone ekonomi Indonesia yaitu Consumer Related seperti Cigarettes, F&B dan Consumer Staples.

Oleh karena itu, untuk melihat kondisi IHSG lebih detil, selain Big Bank, sangat perlu juga dilihat Other Big Caps.

Unpub : Harga Minyak Dunia Mungkin Tidak Akan Kembali Tinggi Lagi

The Primary Trader melihat Brent mulai berpotensi membentuk Bottoming. Brent masih harus naik atau setidaknya bertahan di atas USD15 – USD20 per barel dalam 1-2 bulan ke depan. Brent juga masih harus Breakout USD35 untuk mengawali kenaikan (yang mungkin sebagai Uptrend) menuju setidaknya USD55.

Selama ini harga Brent relatif lebih tinggi USD8 per barel dari WTI. Namun karena adanya spekulasi yang tinggi dari WTI dan tiba – tiba ada keterbatasan Storage, tidak ada pembeli Oil yang ingin mengeksekusi kontrak sehingga terjadilah harga minus pada kontrak WTI – yang membuat selisih harga Brent dengan WTI melonjak mencapai USD26 per barel (hampir 3x lipat dari biasanya).

The Primary Trader melihat harga minyak yang terus rendah akan menjadi pukulan terhadap banyak negara. Di harga USD20, negara seperti US, Rusia dan Indonesia mungkin hanya cukup untuk Break Even Point. Arab Saudi, Irak dan Iran mungkin masih menikmati keuntungan kotor (Gross Profit).

Live Chart here

Namun bagi suatu negara, Gross Profit tidaklah cukup karena untuk negara yang mengandalkan ekspor Oil sebagai pendapatan maka harga Oil harus jauh di atas Production Cost.

Contoh kasus, untuk Arab Saudi, dalam rangka menjaga Fiskal-nya maka harga Oil harus di atas USD83 per barel. Tentu sebagai negara yang berpengaruh dalam industri minyak dunia, Arab Saudi harus melakukan sesuatu.

The Primary Trader membaca estimasi BNP Paribas bahwa Oil mungkin tidak akan kembali di level normal (let say USD50, USD80 atau bahkan USD100 lagi).

Salah satu alasannya adalah bahwa kemajuan teknologi seperti Tenaga Matahari dan Baterei Listrik sudah semakin murah. Hal ini tentu semakin mendorong peralihan dari tenaga fosil (Oil).

Efisiensi mobil berbahan bakar fosil pun cukup baik sehingga puncak permintaan minyak di AS itu adalah tahun 2005. Meski ada penambahan masyarakat dan mobilitas di tahun 2019, permintaan minyak masih lebih rendah dari tahun 2005. Ke depan, mobil listrik yang lebih efisien (Tesla dan produsen lainnya) akan semakin mengurangi permintaan minyak.

Permintaan lain yang sangat mungkin berkurang adalah penerbangan. Memang industri pariwisata akan tetap mendorong permintaan minyak untuk penerbangan. Namun Business Meeting yang sebelumnya harus dilakukan dengan penerbangan antar kota, antar provinsi, antar negara sampai antar benua, saat ini sudah nyaman dilakukan dengan Online Meeting seperti menggunakan Zoom.

Zoom Meeting - Everything You Need to Know in 2020