PEMODELAN FLUKTUASI HARGA SAHAM
BERPOLA EGARCH
Oleh
MUSLIKAN
M0198012
SKRIPSIditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET
SURAKARTA 2006
SKRIPSI
PEMODELAN FLUKTUASI HARGA SAHAM
BERPOLA EGARCH
yang disiapkan dan disusun oleh MUSLIKAN
M0198012 Dibimbing oleh
Pembimbing I Pembimbing II
Drs. Irwan Susanto, DEA Dra. Purnami Widyaningsih
NIP. 132134694 NIP. 131695204
telah dipertahankan di depan Dewan Penguji pada hari Senin, tanggal April 2006 dan dinyatakan telah memenuhi syarat
Anggota Tim Penguji Tanda Tangan
1. Dra. Sri Subanti, M.Si 1. .……… NIP. 131568293 2. Drs. Sugiyanto, M.Si 2. .……… NIP. 132000804 3. Drs. Wiranto, M.Kom 3. .……… NIP. 132044769 Disahkan oleh
Fakultas Matematika dan Ilmu Pengetahuan Alam
MOTO
َﻣ ﱠنِإ
ـ
ﻌْﻟا َﻊ
ُـ
ﺴ
ْـ
ﯾ ِﺮ
ُـ
ْﺴ
ـ
اًﺮ
*
َﻓـ
ﻓ اَذِﺈ
َـ
ْﻏَﺮ
ـ
ﻓ َﺖ
َـ
ﻧﺎ
ْـ
َﺼ
ـ
ْﺐ
*
Sesungguhnya sesudah kesulitan itu ada kemudahan. Maka apabila kamu telah selesai dari suatu urusan, kerjakanlah dengan sungguh-sungguh urusan yang lain.
(QS. Alam Nasyrah : 6-7)
َﻻ
ُﯾ
َﻜ
ـﱢﻠ
ـ
ُﻒ
َﻧ ﷲا
ـْﻔ
ـ
ًﺴ
ـ
إﺎ
ﱠﻻ
ُو
ْﺳ
ـ
َﻌ
ـ
َﮭ
ـﺎ
*
Allah tidak membebani seseorang melainkan sesuai dengan kesanggupannya (QS. Al Baqarah : 286)
PERSEMBAHAN
Skripsi ini kupersembahkan untuk Ayah dan Ibu tercinta, yang telah membesarkan, memelihara dan memberikan segala fasilitas kepada penulis
KATA PENGANTAR
Bismillaahi walhamdulillah, puji syukur penulis panjatkan ke hadirat Alloh SWT atas segala nikmat-Nya, sehingga penulis dapat menyelesaikan penulisan skripsi ini.
Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu penulis dalam menyelesaikan penulisan skripsi ini, terutama penulis tujukan kepada
1. Bapak Irwan Susanto, DEA, Pembimbing I, yang telah memberikan banyak nasehat dan masukan kepada penulis,
2. Ibu Dra. Purnami Widyaningsih, Pembimbing II sekaligus Pembimbing Akademik yang dengan teliti dan sabar dalam memberikan nasehat, arahan dan koreksi terhadap penulis untuk mencapai hasil yang maksimal,
3. Ibu, Bapak, kakak dan adikku tercinta yang selalu memberi dukungan, dorongan dan do’a dalam menyelesaikan skripsi ini,
4. Teman-teman satu angkatan, Lanjar, Jaka, Ari W, Edy, Suwardi, Iwan dan masih banyak lagi yang lainnya atas bantuan fasilitas dan fikiran,
5. Dik Tukah tersayang, atas do’a dan dorongannya dalam mengembalikan semangat penulis untuk menyelesaikan skripsi ini.
Semoga skripsi ini dapat bermanfaat bagi penulis dan semua pihak yang membutuhkan.
Surakarta, April 2006
Penulis
ABSTRAK
Muslikan, 2006, PEMODELAN FLUKTUASI HARGA SAHAM BERPOLA
EGARCH. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret Surakarta.
Volatilitas digunakan sebagai ukuran untuk melihat seberapa besar perubahan yang terjadi pada indikator-indikator ekonomi, salah satunya adalah perubahan harga saham. Pemodelan volatilitas harga saham bertujuan untuk mengetahui perubahan variansi dari sesatan model runtun waktu harga saham. Model EGARCH sebagai salah satu bentuk pemodelan volatilitas mampu mendeteksi ketaksimetrisan volatilitas akibat adanya isu-isu yang berbeda.
Tujuan dari penulisan skripsi ini adalah untuk mencari model volatilitas harga saham melalui pendekatan teoritis, dalam hal ini model EGARCH yang sesuai, dan mencari estimasi parameter model menggunakan metode maksimum likelihood. Metode yang digunakan adalah studi literatur. Adapun langkah-langkah yang digunakan dalam mencari estimasi parameter model EGARCH adalah dengan terlebih dahulu mengidentifikasi fungsi distribusi dari sesatan model runtun waktu, kemudian menentukan fungsi likelihoodnya. Selanjutnya dengan menggunakan algoritma skoring, parameter-parameter model EGARCH diestimasi.
Dari hasil pembahasan dapat disimpulkan bahwa estimasi parameter model
mempunyai bentuk turunan fungsi logaritma yang rekursif, yaitu loght
sebagai fungsi dari loght i .
ABSTRACT
Muslikan, 2006 MODELING ON RETURN VOLATILITY BY EGARCH
MODEL. Faculty of Mathematics and Natural Sciences, Sebelas Maret University, Surakarta.
Volatility is used to measure how big change that happen at economic indicators, one of them is volatility estimates of return. Modeling on return volatility aim to know the fluctuation of variance from residual time series model. An EGARCH model as one form of volatility models can detect the leverage or asymmetric effect at volatility model that caused by different news.
The purposes of this final project are to look for the volatility model of return through the theoretical approach i.e. the EGARCH model that appropriate, and to determine the parameter estimation model using the maximum likelihood method. The method is used in this final project is literature study. The steps are used to find the parameters estimation of the EGARCH model are identify the distribution function from the residual time series model first, and then determine the likelihood function. Finally, using scoring algorithm, the parameters of the EGARCH model are estimated.
From the investigation, it can be concluded that the parameters have the
recursive form of differential logarithm function, that is loght
as function from loght i .
DAFTAR ISI hal HALAMAN JUDUL………...…. i HALAMAN PENGESAHAN………..…………....……… ii MOTO………..………. iii PERSEMBAHAN………. iv KATA PENGANTAR………..………....… v ABSTRAK……… vi ABSTRACT……….. vii
DAFTAR ISI………. viii
BAB I PENDAHULUAN………. 1
1.1 Latar Belakang Masalah ……….……… 1
1.2 Rumusan Masalah ……….………. 2
1.3 Batasan Masalah ……….…..……….. 3
1.4 Tujuan ……….……… 3
1.5 Manfaat Penulisan. ……….……… 3
BAB II LANDASAN TEORI……….………. 4
2.1 Tinjauan Pustaka………. 4
2.1.1 Ruang Sampel……….……….. 4
2.1.2 Variabel Random……….………. 4
2.1.3 Fungsi Gamma……….………. 6
2.1.4 Proses Autoregresif ……….………. 6
2.1.5 Proses Moving Average ….……….………. 8
2.1.6 Proses ARMA ……….………. 8
2.1.7 Proses ARIMA ………..……….. 9
2.1.8 Kestasioneran ….……….………. 10
2.1.9 Model ARCH………... 11
2.1.10 Uji Eksistensi ARCH …..……….…….………... 12
2.1.11 Maksimum Likelihood ...……….………. 12
2.1.14 Penduga Efisien ……… 15
2.1.15 Eksponensial GARCH……….….……… 16
2.2. Kerangka Pemikiran……….……….. 17
BAB III METODE PENULISAN……… 19
BAB IV PEMBAHASAN……… 20 4.1 Identifikasi Model ……….. 20 4.2 Pendugaan Parameter ………. 25 4.3 Vektor Skor ……… 26 4.4 EGARCH (1,1) ……….. 28 4.5 Matriks Informasi ……….……….. 29 4.6 Algoritma Skoring ……….. 33
4.7 Langkah-langkah Pendugaan Parameter ……….….….…………. 36
BAB V PENUTUP ……….………. 37
5.1 Kesimpulan ………. 37
5.2 Saran ………... 37
BAB I PENDAHULUAN 1.1 Latar Belakang
Banyak fenomena di dalam bidang ekonomi dapat dimodelkan sebagai persamaan/pertidaksamaan matematika (ekonometri). Sebagai salah satu bidang disiplin ilmu, ekonometri telah mengalami banyak perkembangan. Laju inflasi, fluktuasi harga saham, fluktuasi nilai tukar mata uang dan masalah finansial lainnya adalah contoh dari beberapa fenomena yang telah banyak dikaji dan dikembangkan modelnya.
Dalam bidang ekonomi keuangan, volatilitas digunakan sebagai ukuran untuk melihat seberapa besar perubahan yang terjadi pada indikator-indikator ekonomi. Perubahan harga saham yang sering terjadi bahkan hampir setiap hari akan mempunyai volatilitas yang tinggi. Perubahan harga saham dapat dipengaruhi oleh informasi atau isu tentang perubahan ekonomi makro yang terjadi di masyarakat. Isu positif (good shock), misalnya kenaikan nilai tukar rupiah terhadap dolar, dapat meningkatkan kepercayaan terhadap kinerja perusahaan sehingga dapat menaikkan harga saham, sebaliknya isu yang negatif (bad shock), misalnya demo buruh, dapat menurunkan harga saham. Jika digambarkan dengan kurva, terlihat tidak simetris karena isu yang positif biasanya mempunyai pengaruh yang lebih kecil terhadap besarnya volatilitas jika dibandingkan dengan isu yang negatif (Nelson, 1991).
Model konvensional tentang volatilitas mengasumsikan bahwa volatilitas mempunyai variansi konstan dalam satu periode. Engle (1982) memperkenalkan suatu model tentang volatilitas yang mempunyai variansi berubah-ubah sepanjang waktu (heteroskedastic), dalam memodelkan laju inflasi di negara Inggris pada tahun 1970an, yaitu model runtun waktu bertipe Autoregressive conditional heteroskedasticity (ARCH). Hingga saat ini telah banyak tulisan tentang aplikasi model ARCH dalam beberapa masalah yang berkaitan dengan ekonomi keuangan. Salah satu diantaranya yang menarik dibahas dalam tulisan berikut adalah
bagaimana mencari model fluktuasi harga saham dengan pola ARCH yang mengandung fungsi eksponensial.
Generalize Autoregressive Conditional Heteroskedasticity (GARCH) adalah bentuk umum dari ARCH. Dalam beberapa persoalan keuangan, keluarga model GARCH telah sukses dan banyak digunakan, tetapi ada salah satu karakteristik data yang tidak terbaca dengan baik oleh model GARCH, yaitu ketaksimetrisan data disebabkan adanya guncangan (shock) dari luar yang mempengaruhi besar kecilnya volatilitas. Menurut Black di dalam Engle (1982), berpendapat bahwa terdapat korelasi yang negatif antara fluktuasi keuntungan modal (asset return volatility) saat ini dengan volatilitas returnyang akan datang. Isu positif mempunyai pengaruh lebih kecil terhadap volatilitas dibandingkan informasi buruk. Salah satu model ARCH yang mampu mendeteksi ketaksimetrisan data adalah model Exponential ARCH (EARCH). Sebagaimana model GARCH, model EGARCH (Exponential GARCH) adalah bentuk umum dari EARCH. Ada dua perbedaan yang mendasar antara model GARCH dan EGARCH yaitu secara grafik, kurva EGARCH sebagai fungsi dari return
mempuyai bentuk yang tidak simetris pada kedua sisinya (sisi negatif return dan sisi positif return) dan secara analitik, stasionaritas dan ergodisitas EGARCH lebih mudah diperiksa (Nelson, 1991).
Model EGARCH dengan orde q, p atau dapat ditulis EGARCH(q,p) adalah model volatilitas berpola ARCH yang nilainya tergantung dari q nilai-nilai terakhir dari volatilitas sebelumnya dan p nilai-nilai terakhir dari sesatan sebelumnya. Dalam skripsi ini dibahas pemodelan volatilitas terhadap fluktuasi harga saham berpola EGARCH dan metode algoritma skoring dalam mencari estimasi parameter model EGARCH, dengan asumsi bahwa perdagangan berlangsung secara kontinu atau banyaknya hari libur dalam perdagangan diabaikan.
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah di atas, masalah yang dibahas dalam penulisan ini adalah
1. bagaimana cara mengidentifikasi model fluktuasi harga saham dengan volatilitas berpola EGARCH,
2. bagaimana mengestimasi parameter-parameter model EGARCH.
1.3 Batasan Masalah
1. Fluktuasi harga saham mempunyai model runtun waktu ARIMA(1,0,0) dengan sesatan mengandung gejala heterokedastisitas.
2. Perdagangan saham diasumsikan kontinu, atau dengan kata lain hari libur dalam perdagangan (non trading days) diabaikan.
1.4 Tujuan
Berdasarkan pada permasalahan yang ada, maka tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah
1. dapat mengidentifikasi model runtun waktu ARIMA(1,0,0) dengan sesatan berpola EGARCH.
2. mendapatkan estimasi parameter-parameter model EGARCH.
1.5 Manfaat Penulisan
Secara teoritis manfaat yang diharapkan dari penulisan ini adalah menambah wacana tentang pemodelan matematika dalam bidang keuangan khususnya tentang peramalan dengan sesatan mempunyai variansi heteroskedastik.
BAB II
LANDASAN TEORI .
2.1 Tinjauan Pustaka
Pada sub bab ini dikemukakan beberapa teori yang mendasari pembahasan pemodelan volatilitas harga saham dengan variansi heteroskedastik bertipe EGARCH. Beberapa konsep dasar statistik diantaranya tentang ruang sampel, variabel random, fungsi kepadatan peluang dan sebagainya, diberikan juga penurunan model ARIMA, model ARCH dan EARCH.
2.1.1 Ruang Sampel
Menurut Bain dan Engelhardt (1991), jika dilakukan suatu pengamatan terhadap data, maka himpunan dari semua hasil yang mungkin dari suatu pengamatan dinamakan ruang sampel dan dinotasikan dengan S.
2.1.2 Variabel Random
Variabel X dikatakan variabel random jika suatu fungsi yang terdefinisi dalam ruang sampel S, mempunyai hubungan dengan bilangan real sehingga
( )
X e x untuk setiap e dalam S. Jika himpunan dari semua nilai yang mungkin dalam variabel random X merupakan himpunan terhitung x1,x2,...,xn maka X
disebut variabel random diskrit, tetapi jika semua nilai yang mungkin dalam variabel random X adalah himpunan tak terhitung, misalkan x
a,b dengan x, adan b real, maka X disebut variabel random kontinu. Bain dan Engelhardt (1991), menyajikan fungsi densitas probabilitas (fdp) dari X sebagai
, 1, ,...,2 nf x P X x x x x x untuk X diskrit dan x
a,b untuk Xkontinu, dan mempunyai sifat 1. f
x 0 x2.
1x
x
3.
1x
x
f untuk Xvariabel random kontinu,
sedangkan fungsi distribusi kumulatif (fdk) dari variabel random X disajikan sebagai F x
P X
x
, untuk X variabel random kontinu maka
F x f t dt
.Definisi 2.1.1 (Bain dan Engelhart, 1991) Jika X variabel random kontinu dengan fdp f
x , maka harga harapan dari X dinotasikan E
x , didefinisikan
xf x dx x E (2.1)untuk nilai integral yang konvergen mutlak, jika tidak maka dikatakan harga harapan X tidak ada.
Teorema 2.1.1 (Bain dan Engelhart, 1991) Jika X dan Y variabel random kontinu, g
x dan h
y keduanya adalah fungsi, maka
g x h y
E
g
x
E
h
yE (2.2)
Persamaan (2.2) dapat diperluas lebih dari dua fungsi variabel random, yaitu jika X1,...,Xk suatu barisan variabel random, u1
x1 ,...,uk
xk adalah barisan fungsi, maka E
u1
x1 ,...,uk
xk
E
u1
x1
...E
uk
xk
(2.3)Beberapa fdp kontinu yang sangat mendukung dalam pembahasan skripsi ini diantaranya adalah distribusi normal dan normal standar dan distribusi eksponensial. Bain dan Engelhardt (1991), mendefinisikan suatu variabel random
X berdistribusi normal dengan mean dan variansi 2, dinotasikan
,
~ N X jika X mempunyai fdp
1 2 2 1 ; , 2 x f x e dengan x , dan adalah parameter yang masing-masing mempunyai nilai dan 0 . Selanjutnya jika suatu variabel random Z berdistribusi normal dengan mean =0 dan =1, maka Z dikatakan
mempunyai distribusi normal standar, biasanya dinotasikan Z : N
0,1 , dengan fdp
1 22 2 z z e , z (2.4)Menurut Bain dan Engelhardt (1991), suatu variabel random kontinu X
berdistribusi eksponensial dengan parameter 0, jika X mempunyai fdp
, 1 xf x e
untuk x0, dan sama dengan nol untuk x yang lain.
Definisi 2.1.2 (Bain dan Engelhardt, 1991) misalkan suatu barisan variabel random Y Y1, ,...,2 Y , masing-masing mempunyai fdk n G y G y1
, 2
,...,G y dan n
untuk suatu fdk dari Y G y , berlaku ,
lim n
nG y G y untuk setiap y dengan
G y kontinu, maka dikatakan barisan Y Y1, ,...,2 Y konvergen dalam distribusi ke n Y, dinotasikan d
n
Y Y.
2.1.3 Fungsi Gamma
Fungsi gamma, dinotasikan
v , sebagaimana ditulis oleh Bain dan Engelhardt (1991), didefinisikan sebagai
0 1e dx x v v x , v0 (2.5)Teorema 2.1.2 (Bain dan Engelhardt, 1991) Fungsi gamma sebagaimana didefinisikan persamaan (2.5) memenuhi sifat
1.
v v 1
v 1
untuk v1 2.
n n1 !
untuk n1, 2,... dan 3. 1 2 2.1.4 Proses Autoregresifpaling penting dalam runtun waktu adalah model stasioner, yang mengasumsikan proses tetap bergerak dalam suatu tingkat mean yang konstan.
Menurut Cryer (1986), proses autoregresif adalah proses regresi terhadap dirinya sendiri. Secara khusus proses autoregresif berorde-p untuk variabel random Yt dapat ditulis dengan AR (p) yang memenuhi persamaan
t p t p t t t c Y Y Y Y 1 12 1...
Nilai yang disajikan deret Yt adalah suatu kombinasi linier dari p nilai-nilai terakhir ditambah nilai sesatan t.
Proses AR(1), dengan asumsi deretnya stasioner dapat ditulis sebagai
1 1 1 t t t t t t t Y Y L Y L Y dengan L adalah fungsi lag, didefinisikan sebagai i 1 t t
L Y Y dan
1 1 ... P
P L L PL . Proses AR(1) stasioner, jika akar persamaan karakteristiknya yaitu 1
L 1 1L
0 berada di luar lingkaran satuan atau1
. Sedangkan t adalah white noise dengan E
0 dan
2 0 . t untuk t E yang lain Proses AR(2), dengan asumsi deretnya stasioner dapat ditulis sebagai
1 1 2 2 2 1 2 2 1 . t t t t t t t t Y Y Y L L Y L Y Proses AR(2) stasioner jika akar persamaan karakteristiknya yaitu
2 1 1 2 1,2 2 4 2 L
berada di luar lingkaran satuan atau
2 1 2 1 1
2.1.5 Proses Moving Average
Menurut Cryer (1986), proses moving average orde q, ditulis MA(q), dapat dinyatakan sebagai
1 1 2 2 ... , t t t t q t q t q t Y Y L dengan persamaan karakteristiknya q
L 0Jika dipenuhi syarat invertibel maka proses MA(q) merupaka prosesyang stasioner. Syarat proses MA(q) ivertibel adalah akar dari q
L 0 terletak di luar lingkaran satuan.Proses MA(1) dapat dituliskan sebagai
1
1 . t t t t t Y Y L Proses MA(1) invertibel jika akar persamaan karakteristik 1
L 1 L
0 terletak di luar lingkaran satuan atau 1. Sedangkan proses MA(2) dapat dituliskan sebagai
1 1 22
2 1 2 1 . t t t t t t Y Y L L Proses MA(2) dikatakan invertibel jika akar persamaan karakteristiknya yaitu
2 1 1 2 1,2 2 4 2 L
berada di luar lingkaran satuan atau
2 1 2 2 1 1 1 1. 2.1.6 Proses ARMA
Suatu proses ARMA (p,q) adalah gabungan dari proses autoregresif dan
moving average. Menurut Cryer (1986), proses tersebut dapat dinyatakan
1 1 2 2 ... 1 1 2 2 ...
t t t p t p t t t q t q
2
1 2 1 2 1 ... p 1 ... q p t q t L L L Y c L L L (2.6)jika akar dari 2 1 2
1 ... p 0
p
z z z
berada di luar lingkaran satuan, maka kedua ruas pada persamaan (2.6) dapat dibagi dengan
1 1 2 ... p
p L L L , diperoleh
t t Y L dengan
1 2 2
2 1 2 1 ... 1 ... q q p p L L L L L L L , (2.7) 0 j j
dan c/ 1
1 2 ... p
.Dari persamaan (2.7) terlihat bahwa stasioneritas proses ARMA tergantung hanya kepada parameter-parameter autoregresif
1, ,...,2 p
dan tidak tergantung pada parameter-parameter moving average
1, ,...,2 q
.2.1.7 Proses ARIMA
Menurut Bowerman dan O’connell (1986), untuk menentukan model
Autoregressive Integrated Moving Average (ARIMA), pertama-tama digunakan pembedaan secara umum
1 l
D
1
d *t t
Z L L Y ,
guna mentransformasi data runtun waktu yang asli Y Y1, ,...,2 Yn yang mempunyai variansi musiman ke dalam data runtun waktu yang stasioner Z Zb, b1,...,Zn b , dengan cara memperhatikan perilaku fungsi autokorelasi dan autokorelasi parsial. Model ARIMA( , , )( , , )p d q P D Q l adalah
l
l p L P L Zt c q L Q L t
dengan
q adalah orde moving average tak musiman,
Q adalah orde moving average musiman,
l adalah panjang musiman,
p L adalah operator autoregresif tak musiman berorde p,
P L adalah operator autoregresif musiman berorde P,
q L adalah operator moving average tak musiman berorde q,
lQ L
adalah operator moving average musiman brorde Q,
c adalah konstanta dan
t
adalah sesatan variabel random.
2.1.8 Kestasioneran
Menurut Makridakis, dkk (1999), model ARIMA hanya dapat diterapkan pada deret data yang stasioner. Kestasioneran data ada dua, yaitu stasioner terhadap mean dan stasioner terhadap variansi. Deret data dikatakan stasioner jika dibangkitkan oleh proses yang didasarkan pada mean yang konstan dan variansi yang konstan di sekitar meannya. Kemudian menurut Bowerman dan O’connell (1987) runtun waktu dikatakan stasioner jika sifat statistiknya (sebagai contoh mean dan variansi) dari runtun waktu tersebut betul-betul konstan terhadapa waktu. Dalam kenyatannya sangat jarang ditemukan data yang stasioner, khusunya di bidang ekonomi.
Jika data tidak stasioner terhadap mean maka dilakukan pembedaan pada data, dan jika tidak stasioner terhadap variansi maka dilakukan transformasi. Salah satu transformasi yang dapat digunakan adalah transformasi Box-Cox.
Definisi 2.1.3 (Cryer, 1986) Untuk suatu nilai parameter , didefinisikan transformasi Box-Cox sebagai berikut
1 , 0, log , 0. k t t t Y g Y Y Untuk memperoleh transformasi yang sesuai sehingga diperoleh data yang stasioner terhadap variansi, perlu dikenakan beberapa nilai pada data yang tidak stasioner. Kemudian diperiksa masing-masing hasil transformasi tersebut. Dari beberapa nilai yang diberikan, dilakukan transformasi yang sesuai sebagai berikut Nilai Transformasi -1 t* 1 t Y Y -0,5 t* 1 t Y Y 0 Yt* logYt 0,5 * t t Y Y 0,01 * 100 t t Y Y
Tabel 2.1 Transformasi Box-Cox
2.1.9 Model ARCH
Salah satu pendekatan model ekonometrik adalah dengan cara menjabarkan kuadrat sesatan yang diperoleh dari model autoregresif sehingga menjadi suatu autoregresif baru. Engle menyatakan bahwa suatu proses t yang memenuhi
2 2 2 1 1 2 2 ... ~ 0,1 1,..., t t t t t t q t q t v h h v N iid t T (2.8)disebut ARCH orde q atau t ~ ARCH
q . Proses tersebut dapat disajikan menjadi tt1,...,tq ~ N
0,ht
, yang menunjukkan bahwa distribusi bersyarat dari t mempunyai variansi ht yang tergantung secara linier terhadap q nilai-nilai terakhir dari proses atau mempunyai variansi tidak konstan (heteroskedastic).2.1.10 Uji Eksistensi ARCH
Uji eksistensi ARCH digunakan untuk menguji ada tidaknya efek heteroskedastisitas dalam data. Engle (1982), menyusun uji efek ARCH berdasarkan prinsip pengali Lagrange. Misalkan Yt adalah himpunan pengamatan selama waktu t, dengan t1,...,T yang dipengaruhi faktor eksogen xt, memenuhi model regresi linier Yt xt' t dengan 'xt adalah vektor
1k
untuk faktor eksogen yang dapat dinyatakan sebagai
'
1, 2,..., t t t tk
x x x x .
Sedangkan adalah vektor parameter berdimensi
k1
atau koefisien dari variabel eksogen yang dapat dinyatakan sebagai
1 1, 2,..., '
k k
.
Selanjutnya dengan menggunakan metode kuadrat terkecil diperoleh sesatan ˆt kemudian disusun persamaan regresi ˆ2
t terhadap 2 2 2 1 2 1 ˆt ,ˆt ,...,ˆ 2 2 2 1 1 ˆt ˆt ... q ˆt q wt (2.9)
kemudian dibuat statistik uji
2
LM TR dengan 2
R merupakan koefisien korelasi kuadrat berkaitan dengan model regresi pada persamaan (2.9) dan d
qLM 2
. Hipotesis nol, H0, menyatakan tidak
ada efek ARCH dalam data. Daerah kritis, menolak H0, jika LM
q .2.1.11 Maksimum Likelihood
Pada variabel random kontinu, fungsi likelihood didefinisikan sebagai kepadatan bersama dari pengamatan
y1,y2,...,yT
. Menurut Greene (1993), fungsi likelihood yang didefinisikan sebagai fungsi dari vektor parameter dapat dinyatakan sebagai
1, ,...,
2;
;
T
T t
Penyelesaiannya dapat disederhanakan dengan log dari fungsi likelihood. Harga dari vektor parameter yang memaksimumkan fungsi ini disebut penduga maksimum likelihood, biasanya dinyatakan sebagai ˆ . Harga ˆ yang memaksimumkan fungsi likelihood, juga memaksimumkan log likelihoodnya. Jika logL
didifferensialkan terhadap , kemudian disamadengankan nol, diperoleh akar, ˆ , sebagai penduga parameter . Secara analitik sulit ditemukan penduga maksimum likelihood dari parameter , sehingga diperlukan metode penyelesaian numerik, dalam hal ini digunakan metode optimasi. Ide dasar dari metode optimasi ini adalah mencari penduga parameter optimal, ˆ , yang memaksimumkan dengan proses yang berlangsung secara iteratif. Salah satu metode optimasi tersebut adalah metode skoring seperti dalam Hamilton (1994), 1 log
ˆ k ˆk ˆ k l k (2.10)dengan k menyatakan iterasi, ˆ merupakan penduga vektor parameter, sedangkan
k
ˆ penduga matriks informasi untuk vektor parameter yang dievaluasi pada iterasi ke-k dan
loglk
adalah turunan pertama dari fungsi log likelihood yang dievaluasi pada iterasi ke-k, sedangkan
loglk
disebut vektor skor untuk parameter .
Matriks informasi, , merupakan negatif dari harga harapan pada fungsi Hessian. Hamilton (1994), mendefinisikan fungsi Hessian, dinotasikan Hn n , sebagai turunan kedua dari l1
terhadap , ditulis
2 ' ' t t l lMisalkan t adalah suatu vektor random p1, dari ruang sampel S, yang mempunyai elemen '
1,..., t t t p
, dan untuk sebarang t, didefinisikan * t
elemen ke-m untuk 1 m p, yaitu *'
1,..., ,..., t t t m t p , definisi-definisi
berikut menjelaskan sifat simateris dan regular dari model ARCH.
Definisi 2.1.4 (Engle, 1982) Proses ARCH, sebagaimana didefinisikan persamaan (2.4), dikatakan simetris jika
a.
* t th h , untuk sebarang m dan tS b.
/
* /t i t i
h h
untuk sebarang m, i dan tS c.
/
* /t t m t t m
h h
untuk sebarang m dan tS . Definisi 2.1.5 (Engle, 1982) Proses ARCH, sebagaimana didefinisikan persamaan (2.4), dikatakan regular jika
a. minh
t untuk suatu 0dan tS,b. E
h
t /i h
t /t m t m 1
ada untuk setiap i, m dan tTeorema 2.1.3 ( Engle, 1982 ) Jika model ARCH memenuhi sifat simetris dan regular, maka ˆ 0
2.1.12 Model GARCH
Model ARCH digeneralisasikan oleh Bollerslev (1986) dengan model GARCH, yaitu untuk q pada model ARCH (q), persamaan (2.8) dapat ditulis kembali menjadi
2 t t L h (2.11) dengan
1 i i i L L
L adalah fungsi lag, didefinisikan 2 2 i t t i
L .
Secara numerik, menurut Hamilton (1994),
L dapat dinyatakan sebagai pembagian dari dua polinomial dengan orde berhingga
p p q q L L L L L L L L L ... 1 ... 1 2 2 1 1 2 2 1 1 (2.12)dengan syarat bahwa akar-akar dari 1
z 0 berada di luar lingkaran satuan. Jika persamaan (2.12) disubstitusikan ke dalam persamaan (2.11) diperoleh
2 1 t t L L h
2 0 1 1 2 2 2 2 2 1 1 2 2 1 1 1 ... ... t t t t t p t p t t q t q L h L h h h h
p i q i i t i i t i t h h 1 1 2 0 (2.13)dengan 0
112 ...r
. Persamaan (2.13) merupakan bentuk GARCH (p,q)2.1.13 Penduga Tak Bias
Suatu penduga T, terhadap fungsi parameter
dikatakan efektif atau tak bias jika harga harapan dari T sama dengan
.Definisi 2.1.6(Bain dan Engelhart, 1991) Suatu statistik T dikatakan penduga tak bias dari
jika memenuhi
T E
untuk setiap , jika tidak berlaku, maka T dikatakan estimator bias.
2.1.14 Penduga Efisien
Efisiensi dari suatu penduga dapat dilihat dari variansi penduga tersebut. Suatu penduga dikatakan efisien jika variansinya kecil, oleh karena itu suatu penduga dikatakan efisien, relatif terhadap penduga lain jika variansinya lebih kecil dari variansi penduga yang lain.
Definisi 2.1.7 (Bain dan Engelhardt, 1991) Misalkan T dan T keduanya penduga *
T T T T re var var , .Lebih lanjut suatu penduga tak bias T terhadap
dikatakan efisien jika memenuhi re
T,T
1 untuk setiap penduga tak bias T terhadap
.2.1.15 Exponential GARCH
Jika ht adalah variansi bersyarat dari t diberikan informasi pada waktu ke-t, maka ht haruslah nonnegatif. Model GARCH menjamin hal ini dengan membuat ht sebagai kombinasi linier dari variabel random positif. Cara lain untuk menjamin kenonnegatifan ht adalah dengan membuat log
ht sebagai fungsi linier dari waktu (t) dan lag dari vt, yaitu
1 1 ln , 1 t t t t t k t k k v h h g v
(2.14)dengan
t t, dan
k k1,, bernilai real, stokastik dan merupakan barisan skalar. Di dalam mendeteksi ketaksimetrisan volatilitas
ht terhadap returnsaham
t , nilai g
vt haruslah sebagai fungsi dari vt pada kedua sisi tanda (-vtdan +vt). Salah satu caranya adalah dengan cara membuat g
vt sebagai kombinasi linier dari vt dan |vt|, yaitu
vt zt
vt Evt
g
g vt
t, mempunyai mean 0, merupakan barisan variabel randon yangindependen dan berdistribusi identik (i.i.d). Sepanjang interval 0vt , kurva
vtg linier dengan gradient , dan sepanjang interval vt 0, kurva
vtg linier dengan gradient . Inilah yang menyebabkan variansi bersyarat
ht tidak simetris dalam merespon naik turunnya return saham.Persamaan (2.14) juga dapat dinyatakan sebagai pembagian dua deret yang berhingga, yaitu
1
1 1 1 ... log( ) 1 ... t t t q q t t p t p v h L L h g v L L (2.15)dengan syarat,
1
i1,piyi
dan
i q
i iy
, 1
1
tidak mempunyai akar sama dan akar dari
1
i1,q
iy
i
berada di luar lingkaran satuan.Model EGARCH dapat diestimasi oleh maksimum likelihood dengan menentukan terlebih dahulu fungsi densitas untuk vt. Nelson (1991), menyajikan suatu fungsi Generalized Error Distribution (GED), yaitu suatu fungsi pembangkit untuk variabel yang mempunyai bentuk eksponensial, sebagai fungsi densitas untuk vt
1 2 1 exp , , 0 1 .2 v t t v t v v v f v v v v . 2.2 Kerangka PemikiranModel runtun waktu AR(1) pada fluktuasi harga saham dengan sesatan berpola heteroskedastik mempunyai fungsi variansi berupa var
t ht. Fungsit
h merupakan fungsi terhadap waktu. Gejala heteroskedastik dari data dapat berbentuk ARCH, GARCH, EGARCH atau yang lain. Dengan menggunakan test pengali Lagrange, dapat ditentukan apakah model yang disajikan memenuhi atau tidak.
Model EGARCH adalah salah suatu model EGARCH yang mampu membaca ketaksimetrisan volatilitas, ht, akibat guncangan, shock, terhadap volatilitas, karena sesuai dengan realitas bahwasannya isu negatif, misalkan isu demo buruh, mempunyai efek lebih besar terhadap fluktuasi harga ketimbang isu positif, misalnya kebijakan pemerintah menunda kenaikan harga bahan bakar
Setelah model yang disajikan memenuhi, selanjutnya adalah melakukan pendugaan parameter-parameter model secara iteratif dengan menggunakan algoritma skoring.
BAB III
METODE PENULISAN
Dalam penulisan skripsi ini, metode yang digunakan adalah metode literatur yang berarti bahwa keseluruhan bahan untuk penulisan skripsi ini diambil dan bersumberkan pada buku-buku referensi dan teori-teori yang mendukung tujuan penulisan skripsi ini, meliputi
1. kajian terhadap model regresi dengan sesatan berpola EGARCH,
2. kajian terhadap pendugaan maksimum likelihood terhadap parameter untuk model EGARCH(1,1) sebagai salah satu model EGARCH yang mempunyai bentuk cukup sederhana dan mudah untuk dilakukan pendugaan parameter, yang mencakup tahapan-tahapan menduga parameter dengan metode maksimum likelihood, kemudian mencari harga ˆ dengan menggunakan algoritma skoring.
BAB IV PEMBAHASAN
Misalkan dipunyai data runtun waktu harga saham dalam kurun waktu tertentu memenuhi bentuk model runtun waktu AR(1) dengan volatilitas mempunyai gejala heteroskedastik. Kemudian dilakukan pengujian model EGARCH sebagai salah satu model volatilitas harga saham yang dapat mendeteksi ketaksimetrisan volatilitas akibat adanya isu yang terjadi. Dalam bab ini dibahas mengenai metode pendugaan parameter model EGARCH menggunakan algorima skoring.
4.1 Identifikasi Model
Menurut Nelson (1991), pemodelan volatilitas dengan memanfaatkan model bertipe EGARCH dilakukan dengan mengasumsikan bahwa log dari perbandingan harga saham saat ini dengan harga saham sebelumnya (return), Rt, dapat direpresentasikan mengikuti proses autoregresif AR(1)
t t t a bR
R 1 (4.1)
Dengan sesatan random t, yang diperoleh pada pengamatan t1,...,T
berdistribusi identik dan independen (i.id) dengan mean = 0 dan variansi, ht, berubah-ubah sebagai fungsi dari waktu (t) memenuhi persamaan (2.15), yaitu
1
1 1 1 ... log( ) 1 ... t t t p p t t q t q v h L L h g v L L (4.2) dengan syarat 1 1 q i i i y
dan 1 1 p i i i y
tidak mempunyai akar yang sama,
t 1 t 1 t 1 t 1g v v E v v , (4.3)
dan t log 1
Nt
, dengan Nt menyatakan banyaknya hari libur dalam perdagangan (non trading days). Misalkan diasumsikan bahwa perdaganganberlangsung kontinu, dalam hal ini Nt 0, maka t dan persamaan (4.2) menjadi :
1
1 1 1 ... log( ) 1 ... p p t q t q L L h g v L L (4.4)Sebagaimana penurunan model GARCH(p,q) dari model ARCH(p), untuk
p , maka persamaan (4.4) dapat ditulis menjadi :
1 1 1 1 2 2 1 1 2 2 log loglog log ... log
... q p t i t i j t j i j t t q t q t t p t p h h g v h h h g v g v g v
(4.5) dengan 1 ... p .Jika persamaan (4.3) disubstitusikan ke dalam persamaan (4.5), maka diperoleh
1 1 1 1 2 2 1 1 1 1 2 2 2 2 log loglog log ... log
... q p t i t i j t j i j t t q t q t t t t t t p t p t p t p h h g v h h h v E v v v E v v v E v v
(4.6)selanjutnya model di atas dinamakan model EGARCH(q,p).
Parameter-parameter model EGARCH pada persamaan (4.6) diestimasi dengan menggunakan maksimum likelihood dengan terlebih dahulu menentukan fungsi densitas dari vt. Nelson (1991), memperkenalkan suatu fungsi densitas untuk vt, berupa fungsi pembangkit untuk variabel random yang mempunyai fungsi distribusi berbentuk eksponensial, yang dikenal sebagai generalized error
distribution (GED), yaitu
1 2 1 exp , , 0 , 1 .2 v t t v t v v v f v v v v dengan
g adalah fungsi gamma, adalah suatu konstanta yang mempunyai nilai 1 2 2 1 2 3 v v v dan v adalah suatu parameter positif yang menunjukkan ‘ketebalan ekor’ dari
vtf yaitu jika v2, maka vt mempunyai distribusi normal standar; untuk v<2, maka distribusi dari vt mempunyai ekor lebih tebal daripada distribusi normal (contoh ketika v1, maka vt berdistribusi double exponential) dan untuk v2, distribusi vt mempunyai ekor lebih tipis dari pada normal.
Harga harapan untuk nilai mutlak vt menurut persamaan (2.1) adalah
1 2 1 1 2 1 0 1 2 1 0 exp .2 1 exp 2 .2 1 2 exp .2 1 t t t t v t t v t v v t t v t v v t t t v v E v v f v dv v v v dv v v v v dv v v v v dv v
1
2 1 0 2 exp .2 1 v t v t t t v v E v v v dv v
(4.7)untuk menyelesaikan persamaan (4.7), bentuk integrannya ditransformasi terlebih
dahulu supaya memenuhi bentuk fungsi gamma. Misalkan v x
v t 2 1 maka
1 1 2v v t v x dan 1 1 1 1 2v v t dv x dx v
. Jika disubstitusikan ke persamaan (4.7) menjadi
1 1 1 1 1 1 0 1 1 1 1 2 1 1 0 1 2 1 0 1 1 2 2 exp 2 1 .2 2 2 2 exp[ ] 1 .2 2 exp[ ] 1 2 2 1 v v v v t v v v v v v v v v v v v E v x x x dx v v v x x x dx v x x dx v v v
jika vt berdistribusi normal standar, dalam hal ini v2, maka 1 dan 2 /
t
E v , sehingga persamaan (4.6) menjadi
1 1 2 2 1 1
2 2 1 1 2 2
log log log ... log
... 2 2 ... 2 t t t q t q t t p t p t t p t p h h h h v v v v v v dengan i i
Model EGARCH dapat ditentukan dengan asumsi bahwa mean dari yt
diberikan xt yang merupakan kombinasi linier dari lag variabel endogenous dan eksogenous termasuk himpunan pengamatan hingga t1, t1, dengan adalah
1 1 1 2 2 1 1 2 2 1 1 2 2 ,log log log ... log
... 2 2 ... 2 t t t t t t t q t q t t p t p t t p t p t t t y N x h h h h h v v v v v v y x : (4.8)
denga t menyatakan vektor pengamatan yang diperoleh sampai waktu t
' ' ' ' '
' 1 1 0 1 1 1 0 1 , ,..., , ,..., , , ,..., , ,..., t y yt t y y y m x xt t x x x m , dan t t t v h .Karena t dapat dinyatakan sebagai
' t yt xt dan t t t v h maka
t t, t 1
t Var y x h dengan
1 1 1 2 2 1 1 1 2 2 1 2 1 2 2 2log log log ... log
... 2 2 ... 2 t t t t q t q t t p t t p t t p t t p t p t t p h h h h h h h h h h ' 1 1 1 1 2 2 1 1 ' ' ' 1 1 2 2 2 1 2 2 1 ' ' 2 2 2 2 2
log log ... log
... 2 2 ... 2 t t t t q t q t t t t p t p t t p t t t t t t p t p p t t y x h h h h y x y x y x h h h y x y x h h =zt
,ht
'dengan 1 1 1 , ,..., , ,..., , ,...,q p p dan
1 ' 1 1 ' ' 1 1 1 ' 1 log log , 2 2 t t q t t t t t t p t p t t t t t p t p t p h h y x h z h y x h y x h y x h M M M 4.2 Pendugaan ParameterFungsi kepadatan bersyarat bersama adalah perkalian dari semua kepadatan bersyarat, ditulis
1 1,2 2,..., 1 1 2 2 1 , ,..., ; ; T T T T T t t Y X Y X Y X t f y x y x y x f y x
. Oleh karena itu, fungsi log pada m pengamatan pertama merupakan penjumlahan dari log likelihood. Nelson (1991), menyusun persamaan log likelihood untuk model EGARCH sebagai
1 1 1 1 ' 1 1 1 log ,log / 1 log 2 log 1/
1/ 2 log 1/ 2 T T t t t t T t T T v t t t t t t T t L f y x v v v h y x h
l (4.9) dengan l
log f y x
t t,t1
untuk v2, maka 1 dan persamaan (4.9) menjadi
2 ' 1 1 / 2 log 2 1/ 2 T log 1/ 2 T t t T t t t t y x L T h h
dengan
,
Untuk mendapatkan nilai ˆ yang maksimum, yaitu dengan cara menurunkan log likelihood, kemudian disamadengankan nol. Namun pada kenyataannya, secara analitik, sulit ditemukan penduga maksimum likelihood dari parameter , sehingga diperlukan metode penyelesaian numerik. Dalam hal ini digunakan metode optimasi, yaitu menggunakan algoritma skoring seperti dalam Hamilton (1994), yaitu 1 log
ˆk ˆk ˆ k lk dengan ˆ dinamakan matriks informasi dan logl
disebut sebagai vektor
skor.
4.3 Vektor Skor
Salah satu perangkat untuk menyusun algoritma skoring adalah vektor skor. Menurut Hamilton (1994), turunan dari fungsi log likelihood bersyarat dari t
fungsi log likelihood pada persamaan (4.9) mempunyai vektor skor
1 2 ' log , 1/ 2 log 2 1/ 2 log 1/ 2 t t t t t t t t S f y x y x h h
2 2 ' ' 2 2 2 ' ' 1 log 1 1 2 2 1 log 1 1 log 2 2 t t t t t t t t t t t t t t t t y x y x h h h h y x y x h h h h sedangkan
'
2
'
2 ' ' t t t t y x y x
2 ' 2 ' ' ' 2 t t t t t t y x y x x 0 dan 1 1 1 1 1 1 1 1 1 1 log ... log ... 2 ... 2 log log 2 t p t t q t q p t t p t p t p t t p t q p t j t j i t i j j i j t j t j h h h h h h h h h h
'
3 1 1 max , 3 1 1 1 2 log 1 ' 2 ' log 1 , ' 2 ' t j t j q p t j t j t j t i i j j i j t j q p q p t j t j t i t t i i j j i i j x h h h h h h z h h
0
1 1 max , 1 1 1 2 log log 1 ' 2 ' log log 1 , ' 2 ' t j t j q p t j t j t j t i i j j i j t j q p q p t j t j t i t t i i j j i i j x h h h h h h z h h
0 , untuk t j 0 dan
1 1 max , 1 1 1 2 log log 1 ' 2 ' log log 1 , ' 2 ' t j t j q p t j t j t j t i i j j i j t j q p q p t j t j t i t t i i j j i i j x h h h h h h z h h
0 , untuk t j 0 4.4 EGARCH (1,1)Salah satu model EGARCH yang menarik untuk dikaji, karena menggambarkan pengaruh suatu berita/isu terhadap volatilitas, adalah model EGARCH(1,1), yaitu
1 1 1 1 1 log log t t 2 t t t t h h h h (4.10) dengan 0, 0 1,ht 0, 0 1, 1 dan 0parameter menggambarkan besarnya ketaksimetrisan (leverage effect). Terutama, jika ingin mencari pengaruh isu terbaru/terkini terhadap volatilitas,
yaitu jika lag dari variansi bersyarat, ht1, dievaluasi pada level tak bersyarat, 2, maka
2 1 1 2 2 log log t t 2 , t h
1 .exp . , t t h A untuk t1 0, dan
1 .exp . , t t h A untuk t1 0, dengan 2 exp . 2 A jika digambarkan secara grafik fungsi ht terhadap t1, dengan mengambil contoh untuk nilai parameter-parameter , , dan masing-masing adalah 0.05, 0.1, -0.1 dan 0.24, maka terlihat ketaksimetrisan grafik fungi ht terhadap t1 positif dan t1 negatif - 2 -1 1 2 ¶t-1 1 2 3 4 ht
Gambar 4.1 Pengaruh isu terhadap volatilitas.
4.5 Matriks Informasi
Penyajian dari matriks informasi, ˆ, menurut persamaan (2.10) adalah