Pendahuluan
• Model yang dibahas dalam analisis deret
waktu adalah pemodelan tentang conditional mean.
• Di Bidang finansial, pemodelan conditional
variance juga penting.
• Sebagian besar data time series di • bidang finansial tidak memiliki ragam
• Sebagai contoh, return harian dari saham
akan sangat bervariasi saat situasi
sedang tidak baik dibanding saat situasi sedang stabil.
• Sehingga ragam pada saat situasi sedang
• Penelitian tentang volatilitas(ragam) pasar
sangat menarik bagi peneliti dan investor
• Dalam finansial , conditional variance dari
return aset finansial digunakan sebagai ukuran resiko aset tersebut
• Conditional variance juga digunakan • dalam perhitungan pricing aset finansial
Model yang memasukkan kemungkinan ragam error yang tidak konstan
dinamakan pemodelan heteroskedastisitas Conditional variance Yt dengan syarat nilai
masa lalu , Yt − 1,Yt − 2,…, mengukur
ketidakpastian deviasi Yt dari
Volatilitas
• Volatilitas dapat dipandang sebagai
besaran yang mengukur seberapa besar terjadinya perubahan pada return, yang akan berakibat langsung pada perilaku harga saham
• Pengelompokan volatilitas (volatility
clustering) merupakan fenomena yang
memperlihatkan adanya autokorelasi yang signifikan pada kuadrat sisaan.
• Volatilitas yang tinggi cenderung diikuti • oleh volatilitas yang tinggi, sedangkan • volatilitas yang rendah cenderung diikuti
Model ARCH
• ARCH ( Autoregressive Conditional
Heteroskedasticity) diperkenalkan pertama kali oleh Engle Tahun 1982
• Model ARCH (1)
t t
t
Z
a
Z
ˆ
t t t
a
2 1 1
0 2
tt
a
Secara umum model ARCH(m) adalah
, m 0, α0, αi ≥ 0,
t t
t Z a
Z ˆ
t t t
a
2 2 1 1 0 2
....
m t m tt
a
a
)
,
0
(
~
t2Pengujian Efek ARCH/
GARCH
• Uji Lagrange-Multiplier Engle
Langkah – langkah :
1. Menduga model untuk mean.
Selanjutnya menghitung nilai duga sisaan dari model dan
• Meregresikan kuadrat sisaan ke-t • terhadap konstanta dan k lag nilai
sehingga
Nilai k menunjukkan lag maksimum
t t
t Z Z
aˆ ˆ aˆ t2
2 2
2 2
1, t ,..., t k
t a a
a
2 2 1 1 0 2 .... k t k t
t a a
3. Menghitung nilai TR2 di mana T
menyatakan jumlah observasi dan R2
• Hipotesis untuk menguji ada tidaknya
unsur ARCH-GARCH dalam sisaan mean
model adalah:
• H0:
(Tidak terdapat unsur ARCH-GARCH),
• H1: minimal ada satu
(Terdapat unsur ARCH-GARCH)
0 ...
1 k
0
q
Statistik uji
Apabila maka H0 ditolak yang mengindikasikan pemodelan
ARCH/GARCH dapat dilakukan
2
TR
LM
2 2,
2
k
Identifikasi
• Untuk mengetahui lag dalam pemodelan
Pendugaan Parameter ARCH
• Menggunakan Metode Maksimum
Likelihood Estimation Jika diketahui
dan T banyaknya
pengamatan maka fungsi likelihood untuk sisaan, yaitu
t t
t
Z
a
Z
ˆ
) ,
0 (
~ a2
t N a
T t t t t a L 1 2 22 exp 2
2 1
• Fungsi log likelihood untuk L dapat ditulis
sebagai
• Tanpa menyertakan konstanta maka
• Untuk model ARCH(1) yang memiliki
persamaan maka fungsi
likelihood untuk sisaannya adalah
• Untuk model ARCH(m) , tinggal • disesuaikan
2 1 1 0 2 t
t a
T t t t T t t a a a l• Untuk mendapatkan penduga parameter,
turunkan fungsi loglikelihood terhadapa masing – masing parameter dan
disamakan dengan nol
• Gunakan iterasi
n t t t T t t a a a l1 0 1 12 2 2 1 1 2 1 1 0 0 0 2 1 ] [ 2 1
n t t t t T t n t t t a a a a a lDiagnostik Model
• Uji efek ARCH/ GARCH dalam sisaan
yang dibakukan
adalah nilai duga volatilitas ( ) dari model
Model layak jika tidak ada efek ARCH/GARCH
t t t
h
a
s
'ˆ
ˆ
'
t
hˆ' 2
t
• Uji Tidak Ada Autokorelasi Sisaan Yang
Dibakukan Menggunakan Uji Q Ljung Box
• Hipotesis :
H 0 :
H1 : paling sedikit ada satu
0
...
2
1
k
0
k
statistik uji Q
• n : banyak pengamatan
• : koefisien autokorelasi sisaan pada lag
k, dengan k : 1,2,...K
• K : lag maksimum
K
k
k
k n
r n
n Q
1
2
2
k
Peramalan
j
-Periode
Mendatang
• Peramalan dilakukan secara iteratif • Peramalan satu periode ke depan
dengan titik peramalan h
• Peramalan l periode ke depan dengan
titik peramalan h