• Tidak ada hasil yang ditemukan

Keywords : Return, Value-at-Risk, GARCH, Markov regime switching, MRS-GARCH, correct VaR

N/A
N/A
Info
Unduh - Bebas
Protected

Academic year: 2018

Membagikan "Keywords : Return, Value-at-Risk, GARCH, Markov regime switching, MRS-GARCH, correct VaR"

Copied!
12
0
0

Memuat.... (Lihat teks lengkap sekarang)

Unduh sekarang ( 12 Halaman )

Teks penuh

Gambar

Gambar 3-2 Alur Sistem kerja Value-at-Riskmenggunakan MRS-GARCH dan GARCH
Gambar 4-2 Grafik Threshold Return Saham
Tabel 4-1 Parameter MRS-GARCH(1,1)
Tabel 4-2 Parameter MRS-GARCH(1,1)
+3

Referensi

Unduh sekarang ( PDF - 12 Halaman - 735.32 KB )

Garis besar

Keywords : Return, Value-at-Risk, GARCH, Markov regime switching, MRS-GARCH, correct VaR

Dokumen terkait

PERAMALAN VOLATILITAS DAN ESTIMASI VALUE AT RISK (VaR) SAHAM BLUE CHIP PADA SEKTOR PERBANKAN

Oleh karena itu, tujuan dari penelitian ini adalah untuk melakukan peramalan volatilitas dan estimasi VaR dengan menggunakan model GARCH, TGARCH, atau EGARCH pada

Estimasi Risiko Return Saham Perusahaan Sektor Telekomunikasi di Bursa Efek Indonesia (BEI) Menggunakan Metode Conditional Value-at-Risk (CVaR) dan Value-at-Risk (VaR) dengan Pendekatan ARMA-GARCH dan Extreme Value Theory (EVT)

Salah satu me- tode pengukuran risiko yang dapat menangkap keberadaan nilai ekstrim yang sering muncul pada data return saham yaitu metode estimasi VaR dengan pendekatan

PREDIKSI VALUE-AT-RISK MENGGUNAKAN MARKOV REGIME SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (STUDI KASUS JAKARTA COMPOSITE INDEX)

Pada Gambar 6 (lampiran) terlihat nilai return (titik hitam) Jakarta Composite Index, VaR-MS-ARCH (0,1) untuk

VALUE-AT-RISK PADA SATU ASET SAHAM DAN PORTOFOLIO BERBASIS MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY DAN GLOSTEN-JAGANNATHAN-RUNKLE HEAVY TAIL DAN COPULA VALUE-AT-RISK AT ONE STOCK ASSET AND PORTFOLION BASED ON GENERALIZED AUTOREGRES

Dari hasil dari Tugas Akhir yang didapatkan, model yang baik digunakan untuk memprediksi VaR adalah model GJR-n-Copula Clayton dan GJR-t-Copula Clayton karena

PREDIKSI VALUE-AT-RISK MENGGUNAKAN MARKOV REGIME SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (STUDI KASUS JAKARTA COMPOSITE INDEX)

Pada Gambar 9 (lampiran) terlihat nilai return (titik hitam) Jakarta Composite Index, VaR-MS-ARCH (1,1) untuk

View of ESTIMASI RISIKO PASAR PADA DATA RETURN KURS HARIAN DENGAN VALUE AT RISK MENGGUNAKAN MODEL–MODEL VOLATILITAS GARCH

Implikasi dari penelitian ini adalah hasil estimasi VaR menggunakan model IGARCH menunjukkan estimasi yang baik dibandingkan dengan model SGARCH dan EGARCH sehingga bisa menjadi acuan