Teknik Sampling (Pertemuan Ke 2)

Cover
Pendahuluan
Konsep Dasar Model dan Sifat-Sifat Statistik
Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)
Prediksi Volatilitas untuk Model GARCH(1,1) dan EGARCH (1,1)
Simulasi Perbandingan Model GARCH dan EGARCH
Daftar Pustaka
Tesis II
MODEL VOLATILITAS GARCH DAN EGARCH:
FAKTA EMPIRIS RETURN DAN VOLATILITAS
Isran K. Hasan
Program Studi Magister Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Bandung
April 23, 2015
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Pendahuluan
Volatilitas adalah ukuran penyebaran dari besarnya perubahan harga suatu

instrumen finansial. Dengan kata lain, volatilitas mengukur seberapa besar
dan seberapa cepat nilai dari suatu instrumen finansial berubah.
Biasanya volatilitas dari suatu data deret waktu diasumsikan konstan untuk setiap waktu. Akan tetapi, untuk data finansial terdapat suatu periode
dimana volatilitas berubah-ubah. Perubahan ini disebabkan oleh adanya
reaksi pasar finansial terhadap berbagai macam gangguan antara lain kondisi politik yang memburuk, krisis ekonomi, perang, bencana alam dan
lain-lain (Posedel,2005).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Oleh karena itu, untuk data finansial tidak bisa diasumsikan volatilitasnya
konstan. Akibatnya, pemodelan data deret waktu dengan menggunakan
model dari keluarga ARMA (AR,MA, ARMA, dan ARIMA) tidak cocok
untuk memodelkan data finansial karena pada model ini volatilitasnya diasumsikan konstan setiap waktu. Jadi, perlu dibangun sebuah model dimana
volatilitasnya tidak konstan.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Pemodelan volatilitas memiliki peran penting dalam bidang finansial terutama

dalam manajemen risiko. Menurut Tsay(2001), pemodelan volatilitas dapat digunakan untuk menghitung kerugian maksimum dari suatu return
aset dalam periode tertentu. Dalam pemodelan volatilitas, dibutuhkan instrumen finansial yang baik sehingga model yang dibangun cukup akurat.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Instrumen finansial yang banyak digunakan adalah return aset. Menurut

Tsay(2001), setidaknya terdapat dua alasan mengapa return banyak digunakan selain harga. Pertama, return memiliki ringkasan investasi yang
lengkap. Kedua, harga berkorelasi sangat tinggi sehingga variansi dari
harga terus meningkat seiring berjalannya waktu yang membuat harga
menjadi tidak stasioner.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Salah satu model volatilitas yang sering digunakan adalah model GARCH
(Generalized Autoregresive Conditionally Heteroscedastic). Model GARCH
sendiri merupakan kombinasi linier dari kuadrat return sebelumnya dan
kuadrat volatilitas sebelumnya. Model GARCH pertama kali diperkenalkan
oleh Bollerslev (1986). Setelah itu terdapat berbagai pengembangan dari
model GARCH yang diharapkan dapat menutupi kelemahan dari model
GARCH diantaranya Nelson (1991) yang membahas mengenai Exponential
GARCH (EGARCH).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Menurut Engle dan Patton (2001), model volatilitas yang baik adalah
model yang mampu mengakomodasi sifat-sifat dari return dan volatilitas. Oleh karena itu, pada tulisan ini akan dibahas lebih detail mengenai
model GARCH dan EGARCH serta kaitannya dengan sifat empiris return
dan volatilitas.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Latar Belakang
Tujuan
Tujuan
Menjelaskan spesifikasi model GARCH (1,1) dan EGARCH (1,1).
Melakukan kajian mengenai kaitan sifat empiris return dan volatilitas

dengan model volatilitas GARCH (1,1) dan EGARCH(1,1)
Menentukan fungsi autokorelasi dari model volatilitas GARCH (1,1)

dan EGARCH(1,1), klasifikasinya, dan hubungannya dengan kurtosis.
Melakukan simulasi perbandingan perilaku sifat empiris pada model

GARCH(1,1) dan EGARCH(1,1).
Membandingkan prediksi volatilitas pada Model GARCH(1,1) dan

EGARCH(1,1).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Model Exponential GARCH (1,1)
Definisi Model GARCH(1,1)

Definisi (Bollerslev, 1986)
Misalkan {Xt , t 0} menyatakan proses stokastik return suatu aset pada
waktu t. {Xt , t 0} dikatakan mengikuti model GARCH(1,1) jika
2
2
t2 = 0 + 1 Xt1
+ 1 t1
Xt = t t ,
(1)
dengan asumsi
1
t iidF (0, 1)
2
t dan t saling bebas
3
Xt1 dan t saling bebas
Agar menjamin nilai variansi tetap selalu positif maka parameter model
perlu dibatasi. Batasan parameter untuk model GARCH (1,1) adalah 0 >
0, 1 0 dan 1 0.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kestasioneran Model GARCH(1,1)

Syarat kestasioneran lemah dapat diperoleh dengan menggunakan teorema
berikut:
Proposisi
Misalkan Xt memenuhi persamaan 1. Misalkan pula t = Xt2 t2 maka:
i. t adalah weak white noise
ii. model GARCH (1,1) pada persamaan 1 dapat ditulis kembali
sebagai berikut:
Xt2
2
0 + (1 + 1 )Xt1
1 t1 + t
(2)
Persamaan (2) merupakan bentuk model ARMA dalam bentuk Xt2 . Jadi,
model GARCH (1,1) dapat dipandang sebagai representasi dari model
ARMA untuk Xt2 .
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Persamaan tersebut dapat ditulis dalam kembali menjadi

(1 (1 + 1 )L)Xt2 = 0 + (1 + 1 L)t
2
dan Lt = t1 . Dari sini dapat diperoleh polinomial
dimana LXt2 = Xt1
karakteristik
(1 (1 + 1 )z) = 0
sehingga proses ini akan stasioner jika |z| > 1. Akibatnya, |1 + 1 | < 1.
sehingga diperoleh bahwa model GARCH (1,1) akan stasioner jika 0 <
1 + 1 < 1.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Ilustrasi Kestasioneran Lemah
Figure: Ilustrasi dengan 0 = 1 1 = 0.2,1 = 0.3
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Figure: Ilustrasi dengan 0 = 1,1 = 0.5 dan 1 = 0.6
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kurtosis
Proposisi
Misalkan Xt mengikuti model GARCH (1,1) maka kurtosis dari Xt adalah
=
(1 (1 m2 + 1 ))2
1 (12 m4 + 21 1 m2 + 12 )
dengan adalah kurtosis dari t dan m2 dan m4 masing-masing adalah

E (2t ) dan E (4t )
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kurtosis
Agar kurtosis finit maka nilai (12 m4 + 21 1 m2 + 12 ) < 1. Untuk lebih
jelasnya perhatikan gambar berikut:
Figure: Daerah kurtosis finit untuk masing-masing distribusi.

Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kurtosis
Selanjutnya jika memperhatikan Kurtosis dari model GARCH (1,1) merupakan fungsi dari parameter 1 dan 1 dan eksistensi dari kurtosisnya
terpenuhi maka kita dapat melihat hubungan antara 1 dan 1 dan kurtosis.
Figure: Plot hubungan antara 1 dan 1 dan kurtosis

Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Fungsi Autokorelasi
Proposisi
Misalkan Xt mengikuti model GARCH (1,1)
return kuadrat dari Xt dan Xtl adalah
1,
1 (11 1 12 )
l =
,
(121 1 12 )
(1 + 1 )l1 1 ,
Isran K. Hasan
Tesis II
maka fungsi autokorelasi
l=0;
l=1;
l > 1.
(3)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)
Meskipun model GARCH(1,1) sangat baik dalam memodelkan volatilitas, tetapi jika diperhatikan kembali persaman untuk model GARCH (1,1)
yaitu:
2
2
Xt = t t ,
t2 = 0 + 1 Xt1
+ 1 t1
terlihat bahwa nilai t2 hanya bergantung dari besarnya nilai dari data,
sehingga data yang bernilai positif maupun negatif akan memiliki dampak
yang sama untuk nilai t2 .
Hal ini kurang sesuai dengan fakta yang dikemukakan oleh Black (1976)
bahwa untuk data finansial, volatilitas cenderung naik ketika terjadi bad
news dan cenderung turun ketika terjadi good news (efek asimetris).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Salah satu model yang mampu menangkap fenomena ini adalah model
Exponential GARCH (EGARCH).
Definisi
Misalkan {Xt , t 0} adalah menyatakan proses stokastik dari return
suatu aset pada waktu t. {Xt , t 0} dikatakan mengikuti model
EGARCH(1,1) jika
Xt = t t ,
2
ln t2 = + g (t1 ) + 1 ln t1
Isran K. Hasan
Tesis II
(4)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Model ini pertama kali diperkenalkan oleh Nelson (1991) untuk mengatasi
kelemahan dari model GARCH. Fungsi g (t ) mempunyai peranan penting
agar model ini dapat mengakomodasi efek asimetrik. Oleh karena itu,
g (t ) haruslah merupakan fungsi yang memperhatikan besar dan tanda dari
t dan juga merupakan fungsi yang terdefinisi dengan baik (well-defined)
terhadap t .
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Salah satu pilihan agar fungsi ini memenuhi syarat tersebut adalah dengan
membuat g (t ) sebagai kombinasi linier dari t dan |t | yaitu:
g (t ) = t + [|t | E (|t |)]
(5)
dengan dan adalah konstanta real dan t adalah barisan peubah acak
iid dengan mean nol dan berdistribusi kontinu.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)


Dengan memperhatikan fungsi g (t )
g (t ) = t + [|t | E (|t |)]
(6)
maka persamaan untuk volatilitas sebelumnya yaitu:

2
ln t2 = + g (t1 ) + 1 ln t1
dapat ditulis kembali sebagai berikut.

( 2
t1
}, Xt1 0;
t11 exp{e
} exp{( + ) Xt1
2
t =
Xt1
21
t1 exp{e
} exp{( ) t1 }, Xt1 < 0.
dimana
e = E (|t1 |).
Isran K. Hasan
Tesis II
(7)
(8)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kestasioneran Lemah Model EGARCH(1,1)

Kestasioneran lemah dari model EGARCH dengan mudah dapat ditentukan
dengan memperhatikan Vt = ln t2 sehingga persamaan untuk volatilitas
sebelumnya yaitu:
2
ln t2 = + g (t1 ) + 1 ln t1
(9)
dapat ditulis sebagai berikut

Vt = + 1 Vt1 + g (t1 )
(10)
Jika g (t1 ) dipandang sebagai galat dari persamaan tersebut maka persamaan ini menyerupai model AR(1) sehingga dapat dibentuk polinomial
karakteristik 1 1 z = 0 sehingga jika |z| > 1 maka ln t2 akan stasioner.
Akibatnya, syarat kestasioneran ln t2 adalah |1 | < 1.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Figure: Ilustrasi variansi dan mean model EGARCH (1,1) (Kiri) = 0.5,
= 0.4, = 0.2 dan = 0.3; (Kanan) = 0.5, = 1, = 0.2 dan
= 0.3
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Variansi tak bersyarat
Untuk mencari variansi dari model ini, perhatikan kembali persamaan (10).
Dari sini dapat diperoleh kesimpulan bahwa model EGARCH dapat diny
atakan sebagai model AR(1) dengan mean 1
dengan galatnya adalah
g (t1 ). Sehingga model ini dapat ditulis kembali menjadi:
Vt =
+
1i (t + [|t | E (|t |)])
1
i=1
Isran K. Hasan
Tesis II
(11)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Variansi tak bersyarat

Dengan mengambil ekspektasi dari exp(Vt ) maka diperoleh
)#
"
(
X
1i (t + [|t | E (|t |)])
E (exp(Vt )) = exp( ) + E exp
i=1
"
= exp( ) + E exp
(
Y
)#
1i (t
+ [|t | E (|t |)])
i=1
dengan =
1 .
Sehingga variansi bersyarat dari Yt adalah
Var (Xt ) = exp( ) + exp
(
Y
1i (t
i=1
Isran K. Hasan
Tesis II
)

+ [|t | E (|t |)])
(12)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Kurtosis
Misalkan Xt mengikuti model EGARCH (1,1) maka kurtosis dari Xt adalah
(Terasvirta, 2006)

( + )2
= 3 exp
1 2
Y
(2 i1 ( + )) + exp{8 2i2 }(2 i1 ( ))
[(2 i1 ( + )) + exp{2 2i2 }(2 i1 ( ))]2

i=1
dengan (.) adalah fungsi distribusi kumulatif dari distribusi Gaussian.

Jika nilai = 0 maka persamaan diatas menjadi lebih sederhana yaitu
= 3 exp{2 (1 2 )1 }
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Fungsi Autokorelasi Return Kuadrat pada Model

EGARCH(1,1)
Proposisi
Misalkan Vt = ln t2 memenuhi
Vt = + 1 Vt1 + g (t1 )
(13)
Persamaan ini dapat ditulis lagi sebagai berikut

Vt = (Pi ) + (Qi )Vti
i1
X
+
(Q1 )j g (tj+1 )
j=0
dimana i N, P1 = 1 dan Q1 = 1 . Untuk i 2 berlaku

Pi
Pi1 + Qi1
Qi
Qi1 Q1
Isran K. Hasan
Tesis II
(14)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Bukti
Pertama akan dibuktikan untuk i = 2 benar. Dari persamaan (13) dapat
diperoleh
Vt1 = + 1 Vt2 + g (t2 )
sehingga untuk Vt dapat ditulis lagi sebagai berikut
Vt
(1 + 1 ) + 12 Vt2 + 1 g (t2 ) + g (t1 )
Misalkan P1 = 1 dan Q1 = 1 maka diperoleh P2 = P1 + Q1 = 1 + 1

dan Q2 = Q1 Q1 = 12 . Dari sini terlihat bahwa
Vt = (P2 ) + (Q2 )Vti +
1
X
j=0
Jadi untuk i = 2 pernyataan benar.
Isran K. Hasan
Tesis II
(Q1 )j g (tj+1 )
(15)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Bukti (Lanjutan)
Selanjutnya, Misalkan untuk i = k benar maka akan dibuktikan untuk
i = k + 1 benar. Untuk i = k berlaku
Vt = (Pk ) + (Qk )Vtk +
k1
X
(Q1 )j g (tj+1 )
j=0
dimana
Pk
= Pk1 + Qk1 = 1 + 1 + ... + 1k1
Qk
= Qk1 Q1 = 1k
Dari persamaan (12) dapat diperoleh

Vtk = + 1 Vtk+1 + g (tk+1 )
Isran K. Hasan
Tesis II
(16)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Bukti (Lanjutan)
untuk Vt dapat ditulis lagi sebagai berikut
Vt
(1 + 1 + ... + 1k1 + 1k ) + 1k+1 Vtk+1 +
k
X
(Q1 )j g (tj+1 )
j=0
Misalkan P1 = 1 dan Q1 = 1 maka diperoleh

Pk+1
= Pk + Qk = 1 + 1 + ... + 1k1 + 1k
Qk+1
= Q1 Q1 = 1k+1
dari sini terlihat bahwa

Vt = (Pk+1 ) + (Qk+1 )Vtk+1 +
k
X
j=0
Jadi untuk i = k + 1 pernyataan benar.

Isran K. Hasan
Tesis II
(Q1 )j g (tj+1 )
(17)
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Fungsi autokorelasi dari Xt2 untuk model EGARCH dapat ditulis sebagai
berikut:
i
h
2
2
E (exp{Vt + Vtl }) (E (exp{Vt }))
Cov (Xt2 , Xtl
)
=
(18)
l =
Var (Xt2 )
Var (Xt2 )
sehingga untuk menghitung fungsi autokorelasi dari model EGARCH, perlu
dihitung nilai dari exp{Vt }, Var (Xt2 ) dan E (exp{Vt + Vtl }).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Proposisi
2
Misalkan Vt memenuhi proposisi 3.4
dengan Vt N(v , v ) maka
1 2
a. E (exp{Vt }) = exp v + 2 v

b. Var (Xt2 ) = exp{2v + v2 } E (4t ) (E (2t ))2
c. Ekspektasi dari exp{Vt + Vtl } dapat dituliskan sebagai berikut:
E (exp{Vt + Vtl })
exp{Pl } exp{(1 + Ql )v }
1
exp{ (1 + Ql )v }
2
k1
Y

E (
exp Q1i g (ti+1 ) )
i=0
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Bukti
a. Karena Vt N(v , v2 ) maka E (exp{Vt }) adalah fungsi pembangkit
moment dari Vt sehingga langsung diperoleh

1
E (exp{Vt }) = exp v + v2
2
b. Perhatikan bahwa
Var (Xt2 ) = E (Yt4 ) E (Yt2 )2
Sehingga diperoleh
Var (Xt2 )
= E (exp{2Vt }E (4t ) E (exp{2Vt }(E (2t ))2

= exp{2v + v2 } E (4t ) (E (2t ))2
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Model GARCH (1,1)

Bukti (Lanjutan)
c Dengan menggunakan proposisi 3.4 dapat diperoleh
Vt + Vtl = (Pl ) + (1 + Ql )Vtl +
i1
X
(Q1 )j g (tj+1 )
(19)
j=0
sehingga dengan menggunakan hasil (a) maka diperoleh

E (exp{Vt + Vtl }
= E (exp{(Pl )})E (exp{(1 + Ql )Vtl })

E (exp{
i1
X
(Q1 )j g (tj+1 )})
j=0
exp{Pl } exp{(1 + Ql )v }
1
exp{ (1 + Ql )v }
2
k
Y

E ( 1 exp Q1i g (tj+1 ) )
Isran K. Hasan
i=0
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Distribusi Ekor Tebal

Fungsi Autokorelasi Return Kuadrat Turun Secara Perlahan
High Kurtosis, Low Autocorrelation
Efek Asimetrik
Menurut Cont(2001) dan Engle dan Patton (2000), return dan volatilitas
memiliki beberapa karakteristik khusus atau biasa disebut sifat empiris.
Pada bagian ini akan ditunjukkan bahwa model GARCH (1,1) dan model
EGARCH (1,1) dapat mengakomodasi sifat empiris dari return dan volatilitas.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Telah banyak diketahui bahwa untuk data finansial, memiliki distribusi

yang lebih tebal daripada distribusi normal. Mandelbrot (1963) telah menunjukkan bahwa distribusi normal tidak cukup untuk untuk memodelkan
distribusi dan sifat ekor tebal dari return aset.
Salah satu cara untuk melihat distribusi ekor tebal adalah dengan melihat kurtosis dimana ukurannya relatif terhadap distribusi normal (untuk
distribusi normal nilai dari kurtosis sama dengan 3).
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik

Untuk melihat apakah Model GARCH (1,1) dan EGARCH (1,1) dapat mengakomodasi fenomena ini jika ditinjau dari kurtosisnya, perhatikan proposisi berikut:
Proposisi (Malmsten, 2004)
Perhatikan model GARCH (1,1)dan EGARCH (1,1) pada persamaan 1
dan 4 dan asumsikan model memenuhi asumsi kestasioneran. Maka
kurtosis dari kedua model tersebut memenuhi pertidaksamaan
>
dengan adalah kurtosis dari t
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Bukti
Perhatikan bahwa
E (Xt4 ) = E (t4 )
dengan menggunakan ketidaksamaan Jensen diperoleh
E (Xt4 )
4
E (Xt )
(E (Xt2 ))2
Isran K. Hasan
(E (t2 ))2
(E (Xt2 ))2
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Meskipun model GARCH dengan distribusi normal mampu mengakomodasi

sifat ekor tebal, menurut Bollerslev (1992) dalam banyak aplikasinya dalam
data finansial distribusi normal belum cukup untuk mengakomodasi distribusi return.
Salah satu solusi dari masalah ini adalah dengan mengadopsi distribusi t
dengan distribusi yang memiliki ekor yang lebih tebal dibandingkan distribusi normal.
Baillie et al (1990) mengadopsi distribusi t dengan distribusi student 0 s t
diperoleh bahwa model GARCH tersebut dapat mendeskripsikan dengan
baik perilaku data return.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Distribusi ekor tebal dari model GARCH (1,1) dapat dilihat secara analitik dengan menggunakan teori yang dikemukakan oleh Kesten (1973).
Perhatikan suatu proses {Yt } yang memenuhi persamaan beda stokastik
(Stochastic Difference Equation)
Yt = At Yt1 + Bt
dengan [{At , Bt }] saling bebas.
Isran K. Hasan
Tesis II
(20)
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Kesten (1973) menunjukkan bahwa {Yt } mempunyai distribusi ekor tebal

jika terdapat suatu sedemikian sehingga
E (At ) = 1, E (At logAt ) < , 0 < E (Bt ) <
sehingga {Yt } mengikuti distribusi ekor tebal dengan
P(Yt > x) = cx [1 + o(1)],
selanjutnya dikatakan tail index dan c adalah tail scale.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Menurut Sun (2014), Model GARCH dapat memenuhi kriteria ini karena
t2 dapat dituliskan sebagai berikut
2
t2 = 0 + (1 2t1 + 1 )t1
dimana memenuhi persamaan 20 dengan At = 1 2t1 + 1 dan Bt = 0 .
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Misalkan adalah solusi dari persamaan

E [(1 2t1 + 1 ) ] = 1
Dari sini dapat dikatakan bahwa t2 memiliki ekor tebal dengan tail index
sebesar dan E (2
t ) < . Akibatnya, t memiliki ekor yang lebih tebal
dibandingkan dengan t . Jadi, meskipun dengan t yang berdistribusi
normal, model GARCH masih tetap memiliki ekor yang tebal.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Fungsi Autokorelasi return kuadrat dari Model GARCH
Salah satu sifat empiris return yang berkaitan dengan autokorelasi adalah
autokorelasi return kuadrat turun secara perlahan (slowly decay autocorrelation) (Cont, 2001). Untuk melihat model GARCH dapat mengakomodasi
sifat ini, terlebih dahulu dibuat klasifikasi fungsi autokorelasi.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Klasifikasi dari fungsi autokorelasi dari model GARCH (1,1) berdasarkan

perilaku dua lag pertama yaitu 1 dan 2 . Perhatikan kembali bahwa fungsi
autokorelasi dari model GARCH(1,1) yaitu:
l = (1 + 1 )l1 1
dari sini jelas diperoleh bahwa 1 > 2 . Berdasarkan klasifikasi fungsi
autokorelasi oleh He dan Terrasvirta (1999) untuk GARCH orde 2 maka
fungsi autokorelasi dari model GARCH (1,1) dapat dibagi menjadi dua tipe.
Pertama, fungsi autokorelasi turun secara perlahan dari nilai 1 . Selanjutnya tipe ini disebut tipe 1. Kedua, fungsi autokorelasi berprilaku seperti
tipe 1 tetapi setelah 2 terjadi oskilasi.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Sebagai ilustrasi perhatikan gambar berikut:
Figure: Ilustrasi Tipe 1 dan Tipe 2
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Salah satu sifat dari distribusi return memiliki kurtosis yang tinggi namun memiliki autokorelasi yang rendah (Liesenfeld, 2000). Untuk melihat
model GARCH dapat mengakomodasi sifat ini, terlebih dahulu akan dilihat
hubungan fungsi autokorelasi dan kurtosis.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Salah satu sifat dari distribusi return memiliki kurtosis yang tinggi namun memiliki autokorelasi yang rendah (Liesenfeld, 2000). Untuk melihat
model GARCH dapat mengakomodasi sifat ini, terlebih dahulu akan dilihat
hubungan fungsi autokorelasi dan kurtosis. Fungsi autokorelasi dari model
GARCH (1,1) dapat ditulis kembali sebagai berikut: (Terasvirta,2006)

1 (1 31 )
l1
(21)
l = (1 + 1 )
1 +
3(1 1 )
berdasarkan persamaan di atas terlihat bahwa ACF juga merupakan fungsi
dari kurtosis.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Untuk model EGARCH(1,1), hubungan antara autokorelasi dan kurtosis

memberikan kerumitan dalam kalkulasinya. Namun, jika kita dapat memperhatikan kondisi dimana EGARCH bersifat simetri atau kondisi saat
= 0 maka menurut Terasvirta (2006) fungsi autokorelasi dari model
EGARCH(1,1) dapat dituliskan sebagai berikut:
l =
(1 + 2 2(n1) ) exp{2 n (1 2 )1 } 1
, n1
m4 exp{2 (1 2 )1 } 1
Isran K. Hasan
Tesis II
(22)
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Selanjutnya dengan memperhatikan persamaan sebelumnya dan persamaan

kurtosis yaitu
= 3 exp{2 (1 2 )1 }
(23)
maka hubungan fungsi autokorelasi dan kurtosis untuk model EGARCH(1,1)
dapat dituliskan sebagai berikut:

(1 + 2 2(n1) ) m4 1
, n1
(24)
l =
1
dengan adalah kurtosis dari t . Dari persamaan ini dapat diketahui
bahwa fungsi autokorelasi dari model EGARCH(1,1) dapat dinyatakan
dalam sebagai fungsi dari kurtosis.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Efek Asimetrik
Dalam berbagai penelitian (lihat Black (1976), Christie (1982),Wu(2001),
Edington dan Guan (2009)) menyebutkan bahwa nilai positif dan negatif
dari return memiliki efek yang berbeda terhadap volatilitas. Efek ini kemudian disebut dengan efek asimetrik (asymmetric effect). Asai dan McAleer
(2003) membagi efek asimetrik menjadi beberapa tipe yaitu
1
Asimetrik Tipe 1 (Leverage):Terdapat korelasi negatif antara return

sekarang dan volatilitas pada masa yang akan datang
Asimetrik Tipe 2 : Return negatif memberikan efek yang lebih besar

dibandingan dengan return positif
Asimetrik Tipe 3 : Return positif memberikan efek yang lebih besar

dibandingan dengan return negatif
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Efek Asimetrik
Dalam beberapa literature definisi yang sering digunakan adalah asimetrik

tipe 1 (lihat Black (1976), Christie (1982)) dan asimetrik tipe 2 (lihat
Glosten, Jagannathan dan Runkle (1992) dan Nelson (1991)).
Efek Asimetrik dianggap penting dalam kajian pada pasar finansial karena
secara umum dapat diinterpretasikan sebagai salah satu indikator dalam
menilai resiko, semakin asimterik maka semakin beresiko.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Efek asimetrik dapat digambarkan melalui NIC (news impact curve). Engle
dan Ng(1993) mendefinisikan NIC sebagai hubungan antara Xt1 dan t
dimana informasi pada waktu t 2 dan sebelumnya bernilai konstan.
NIC menunjukkan hubungan antara return sekarang dan volatilitas pada
masa yang akan datang yang berarti NIC dapat mengukur bagaimana informasi yang baru dapat mempengaruhi volatilitas.
Oleh karena itu, NIC dapat melihat apakah suatu model dapat mengakomodasi sifat asimetrik.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Misalkan Xt mengikuti model GARCH (1,1) maka dengan mengevaluasi

nilai variansi pada setiap lag dengan nilai variansi tak bersyarat 2 diperoleh
NIC untuk model GARCH (1,1) sebagai berikut (Engle dan Ng (1993)):
t2
2
= A + 1 Xt1
dengan A = 0 + 1 2 .
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Sedangkan NIC untuk model EGARCH (1,1) diperoleh sebagai berikut:

(
B exp{( + ) Xt1
}, Xt1 0;
t2 =
(25)
B exp{( ) Xt1
}, Xt1 < 0.
dimana B = 21 exp{
p
2/ }.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Efek Asimetrik
Figure: Perbandingan NIC model GARCH(1,1) dan EGARCH(1,1)
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Prediksi Volatilitas untuk Model GARCH(1,1)

Prediksi Volatilitas untuk EGARCH (1,1)
Ukuran Prediksi Volatilitas terbaik
Prediksi Volatilitas untuk Model GARCH(1,1) dan

EGARCH (1,1)
Seperti yang telah dibahas pada bagian pendahuluan, volatilitas memiliki

peranan penting dalam pasar financial. Oleh karena itu, diperlukan prediksi
volatilitas yang akurat.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Prediksi satu langkah (1-step ahead forecast) dapat dituliskan sebagai

berikut:
2
E (b
t+1
)
dengan X2 t =
b0
b1 )
1(b
1 +
b0 + E (b
1 Xt2 |Ft1 ) + E (b1 t2 )
b0 + (b
1 + b1 ) 2
X2 t + (b
1 + b1 )(t2 X2 t )
adalah variansi tak bersyarat dari Xt
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Selanjutnya untuk prediksi dua langkah ke depan (2-step ahead forecast)

diperoleh
2
E (b
t+2
)
2
2
=
c0 + E (c
1 Xt+1
|Ft1 ) + E (b1 t+1
)
2
2
=
b0 + (b
1 + b1 )
t+1
1 + b1 )2 (t2 X2 t )
= X2 t + (b
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Sehingga jika diperumum untuk ` langkah kedepan `-step ahead forecast

diperoleh
2
E (b
n+`
)
= X2 t + (b
1 + b1 )` (t2 X2 t )
Karena 1 + 1 < 1 sehingga untuk `

2
E (b
t+`
) X2 t
Akibatnya, prediksi volatilitas untuk ` langkah kedepan untuk ` menuju

tak hingga akan konvergen ke variansi tak bersyarat dari Xt .
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Prediksi Volatilitas untuk Model EGARCH(1,1)
Untuk memperoleh prediksi volatilitas dari model EGARCH (1,1), tanpa

mengurangi keumuman perhatikan untuk t N(0, 1) maka
21
t2 = t1
exp{ + g (t1 )}
dengan
g (t ) = t + [|t |
Isran K. Hasan
Tesis II
2/]
(26)
Cover
Pendahuluan
Daftar Pustaka

Definisikan h(x) = E (exp{x( + g ())} untuk suatu x > 0. Untuk distribusi normal baku maka nilai h(x) dapat diperoleh yaitu (Lai,2007):
Z
p
d
h(x) = exp{x}
exp{2 /2} exp{x + x(|| 2/)} p
2/

2 2
p
( + ) x
= exp{x( 2/)} exp
{x( + )}+
2

( )2 x 2
+ exp{
}{x( )}
2
dengan () adalah fungsi distribusi dari normal baku.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Dari sini diperoleh

2
E (b
t+`
|Ft1 )
21
= E (b
t+`1
|Ft1 )E (exp{b
+ g (t1 )})
21`
= h(1)h()...h( `1 )t
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Untuk membandingkan suatu model apakah model tersebut memberikan

prediksi terbaik dibutuhkan suatu ukuran. Terdapat berbagai metode untuk mengukur model terbaik, dalam tesis ini metode yang di gunakan
adalah yaitu mean squared error prediction (MSEP). MSEP mengukur
rataan dari kuadrat selisih antara nilai prediksi dan nilai sebenarnya.
2
2
2
MSEP(b
t+1
) = E (b
t+1
t+1
)2
(27)
2
2
dimana
bt+1
adalah nilai prediksi dari model dan t+1
adalah nilai variansi
aktual.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Misalkan volatilitas dari data observasi mengikuti model GARCH(1,1) dengan F(0, 1). Misalkan pula Ft menyatakan informasi data observasi
sebelumnya sampai waktu ke-N (X1 , X2 , ..., XN ) sehingga diperoleh prediksi
volatilitas(b
N+1 ). Dari sini dapat diperoleh MSEP (bersyarat) yaitu:
2
2
2
MSEP(b
N+1
|Ft ) = E {(b
N+1
N+1
)2 |Ft }
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

2
2
Perhatikan bahwa
bN+1
=
b0 +
b1 XN2 + b1 N2 dan N+1
= 0 + 1 XN2 +
2
1 N sehingga diperoleh:
2
MSEP(b
N+1
|Ft )
=
=
=
2
2
2
2
Var (b
N+1
N+1
) + (E [b
N+1
N+1
])2
2 + (E [(b
0 +
b1 XN2 + b1 N2 ) (0 + 1 XN2 + 1 N2 )])2
2 + (E [(b
0 +
b1 2 2 + b1 2 ) (0 + 1 2 2 + 1 2
N N
N N
= + [E (b
0 0 ) + (E (b
1 1 ) E (b1 1 ))N2 ]2
Dari sini terlihat bahwa MSEP dari volatilitas bergantung pada variabilitas
parameter.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Dalam prateknya, untuk menghitung nilai MSEP tidaklah mudah. Hal ini
2
karena nilai t+1
tidak dapat diperoleh secara langsung karena volatilitas tidak dapat diobservasi secara langsung (Andersen & Bollerslev,1998).
2
Oleh karena itu dibutuhkan wakil untuk menggantikan t+1
.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Untuk menentukan wakil tersebut, tanpa mengurangi keumuman, perhatikan bahwa

Xt = t t
dengan t F (0, 1). Akibatnya jika dikuadratkan kedua ruas dan diambil
ekpetasi maka diperoleh
E (Xt2 ) = E (t2 t ) = t2
Dari sini dapat disimpulkan bahwa Xt2 dapat dijadikan wakil dari variansi
aktual.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka

Namun, karena t bersifat acak maka ukuran yang dihasilkan dari wakil
ini tidak beraturan. Untuk mengurangi akibat ini, Kosapattarapim (2011)
menggunakan (Xt X )2 , dengan X adalah rata-rata dari return. Dari sini
dapat diperoleh 2 rumusan MSEP dapat dituliskan sebagai berikut:
T
1 X 2
2
MSEP1 =
(X
bt+1
)2
T t=1 t+1
MSEP2 =
T
1 X
2
2
bt+1
((Xt+1
X )2
)2
T t=1
Isran K. Hasan
Tesis II
(28)
(29)
Cover
Pendahuluan
Daftar Pustaka
Data
Data yang digunakan pada tesis ini adalah data dari beberapa harga saham
dari berbagai sektor industri di Indonesia dari bulan januari tahun 2000 ke
bulan februari 2015, yaitu:
1
Bank Mandiri(Persero) Tbk.(BMRI) dari sektor industri perbankan
Media Nusantara Citra Tbk. (MNC) dari sektor industri media
Indosat Tbk. (ISAT) dari sektor industri Telekomunikasi
Holcim Indonesia Tbk. (SMCB) dari sektor industri dasar dan kimia
Semen Indonesia (Persero) Tbk. (SMGR) dari sektor industri dasar

dan kimia
Ramayana Lestari Sentosa Tbk. (RALS) dari sektor industri ritel.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Data
Table: Statistik Deskriptif GARCH (1,1)
Skewness
Kurtosis
Skewness
Kurtosis
BMRI
-0.24784
7.830899
SMCB
-0.05419
10.73352
Isran K. Hasan
MNC
-1.1719
11.22383
RALS
-0.27741
5.905234
Tesis II
ISAT
-0.00924
13.25227
SMGR
1.10193
24.97644
Cover
Pendahuluan
Daftar Pustaka
Estimasi Parameter
Table: Statistik Deskriptif dan Hasil Estimasi model GARCH (1,1)
BMRI
MNC
ISAT
GARCH (1,1) dengan distribusi Normal
0 2.40 105 4.23 105 0.000147
1
0.109007
0.08924
0.307598
1
0.859234
0.874315
0.472032
SMCB
RALS
SMGR
GARCH (1,1) dengan distribusi Normal
0 6.84 105
0.000176
0.00011
1
0.15948
0.188092
0.305153
1
0.772966
0.582572
0.519659
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Estimasi Parameter
BMRI
MNC
GARCH (1,1) dengan distribusi
0 3.22 105 0.000104
1
0.136038
0.158183
1
0.82287
0.731229
SMCB
RALS
GARCH (1,1) dengan distribusi
0
0.000112
0.000231
1
0.187261
0.243797
1
0.670034
0.46428
Isran K. Hasan
Tesis II
ISAT
students 0 t
9.39 105
0.281668
0.583894
SMGR
students 0 t
8.09 105
0.271606
0.595881
Cover
Pendahuluan
Daftar Pustaka
Estimasi Parameter
BMRI
MNC
ISAT
EGARCH (1,1) dengan distribusi Normal
-0.3348529 -0.3216290 -1.3973972
1
0.955259
0.9502079
0.8105468
0.0007532
0.0386492
0.0332435
0.2225426
0.2305316
0.4603786
SMCB
RALS
SMGR
EGARCH (1,1) dengan distribusi Normal
-0.4795762 -1.6827067 -1.4301605
1 0.9285849
0.7646482
0.8088455
0.0229919
0.0067284 -0.0744768
0.2731027
0.3244391
0.4702854
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Estimasi Parameter
BMRI
MNC
EGARCH (1,1) dengan distribusi
-0.331922 -0.613887
1 0.955259
0.912605
-0.022529 0.060137
0.223836
0.281251
SMCB
RALS
EGARCH (1,1) dengan distribusi
-1.02939
-2.11136
1
0.85786
0.71110
0.03296
-0.01060
0.33844
0.36878
Isran K. Hasan
Tesis II
ISAT
student 0 s t
-1.05190
0.86213
0.00302
0.40462
SMGR
student 0 s t
-1.09668
0.85830
-0.08954
0.38981
Cover
Pendahuluan
Daftar Pustaka
Perbandingan Sifat Empiris Berdasarkan Data Riil
Pada bahasan sebelumnya telah dijelaskan secara teoritis sifat empiris dari
model GARCH (1,1) dan EGARCH(1,1). Pada subbab ini akan dibahas mengenai perbandingan sifat empiris dari model GARCH (1,1) dan
EGARCH(1,1) menggunakan data riil yang telah dideskripsikan sebelumnya. Sifat empiris yang akan ditinjau dari kurtosis dan fungsi autokorelasi.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Kurtosis
Figure: Perbandingan Kurtosis model GARCH(1,1)dan EGARCH (1,1) dengan

distribusi normal dan student 0 s t terhadap kurtosis data
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Fungsi Autokorelasi
Figure: Perbandingan ACF model GARCH (1,1) dan EGARCH (1,1)
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Fungsi Autokorelasi
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Fungsi Autokorelasi
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Gambar ini menunjukkan bahwa keempat model memiliki fungsi autokorelasi yang turun secara perlahan. Selanjutnya dapat dilihat juga bahwa
model GARCH dapat dianggap mampu dengan baik dalam mengakomodasi
fungsi autokorelasi. Hal dapat dilihat fungsi autokorelasi dari model GARCH
baik dengan distribusi normal maupun student 0 s t memberikan jarak yang
lebih kecil terhadap fungsi autokorelasi data dibandingkan dengan model
lain.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Selanjutnya jika diperhatikan untuk model GARCH baik dengan distribusi

normal dan student 0 s t menunjukkan pola sesuai dengan klasifikasi yang
telah dijelaskan pada bab sebelumnya dimana terlihat bahwa untuk data
BMRI, SMCB, RALS dan SMGR fungsi autokorelasinya menunjukkan tipe
1 yaitu fungsi autokorelasi turun secara perlahan dari nilai 1 sedangkan
untuk data ISAT dan MNC terjadi sedikit oskilasi setelah lag ke-5. Hal ini
menunjukkan fungsi autokorelasinya memiiki tipe 2 yaitu fungsi autokorelasi berprilaku seperti tipe 1 tetapi setelah 2 terjadi oskilasi.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Figure: Grafik Perbandingan Kombinasi ACF dan Kurtosis Model GARCH(1,1)

dan Kombinasi ACF dan Kurtosis dari Data Riil
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Figure: Grafik Perbandingan Kombinasi ACF dan Kurtosis Model

GARCH(1,1)dan Kombinasi ACF dan Kurtosis dari Data Riil
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Prediksi Volatilitas
Perbandingan prediksi volatilitas dari model merupakan aspek penting untuk menentukan model yang terbaik yang digunakan untuk data yang
diberikan. Pada bab 4 secara teori telah dibahas prediksi dari masingmasing model baik model GARCH (1,1) dan EGARCH (1,1). Pada bagian
ini akan dibahas prediksi volatilitas untuk masing data saham yang telah
diberikan. Dengan menggunakan tabel 11 maka dapat diperoleh persamaan volatilitas dari masing-masing data. Dari persamaan volatilitas
ini dapat diperoleh nilai prediksi volatilitas. Nilai prediksi volatilitas dapat
diperoleh dengan menggunakan persamaan (1) untuk waktu t + 1 dengan
menginisiasikan nilai 1 = 1.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Table: Prediksi Volatilitas Data
n langkah
BMRI
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.00045
0.000486
0.000526
0.017061
0.017073
0.000381
0.000442
0.000514
0.006442
0.00645
0.000455
0.000505
0.000558
0.010883
0.010893
0.00033
0.000365
0.000404
0.006003
0.00601
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
n langkah
ISAT
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.002399
0.001306
0.00085
7.46 107
7.47 107
0.001744
0.000974
0.000731
2.33 105
2.34 105
0.002203
0.001543
0.001109
1.42 106
1.42 106
0.001609
0.001017
0.000738
5.18 105
5.18 105
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
n langkah
MNC
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.000521
0.000609
0.000703
2.93 108
3.57 108
0.000396
0.000511
0.000658
1.84 103
1.84 103
0.000504
0.000666
0.000787
1.35 105
1.34 105
0.000394
0.000521
0.000652
1.10 104
1.10 104
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
n langkah
RALS
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.000522
0.000681
0.000744
3.10 107
3.14 107
0.000465
0.000656
0.000749
2.06 105
2.07 105
0.000527
0.000724
0.000778
1.35 106
1.36 106
0.000455
0.000639
0.000701
1.14 106
1.15 106
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
n langkah
SMCB
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.006202
0.004936
0.003778
2.21 106
2.25 106
0.004786
0.003365
0.002453
4.19 104
4.19 104
0.006824
0.004045
0.002293
1.10 105
1.09 105
0.005681
0.002113
0.001169
1.72 106
1.68 106
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
n langkah
SMGR
n=1
n=5
n=10
MSEP1
MSEP2
GARCH (1,1)-N
EGARCH (1,1)-N
GARCH (1,1)-t
EGARCH (1,1)-t
0.000442
0.000541
0.000594
4.32 109
2.63 109
0.000396
0.000484
0.000535
1.23 105
1.24 105
0.000548
0.000575
0.000593
9.44 108
8.58 108
0.000444
0.00044
0.000437
1.79 105
1.80 105
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
Daftar Pustaka
1. Andersen, T.G., Bollerslev, T. (1998). Answering The Skeptics: Yes,
Standard Volatility Models Do Provide Accurate Forecasts.
International Economic Review Vol. 39, 885-905.
2. Andersson, J. (2001). On the Normal Inverse Gaussian Stochastic
Volatility Model. Journal of Business & Economic Statistic. Vol. 19,
No.1, 44-54.
3. Asai, M., Mcaleer,M. (2005). Asymmetry and Leverage in
Stochastic Volatility Models: An Exposition. MODSIM 2005
International Confrence on Modelling Simulation. 2283-2287.
4. Bai, X., Russell, J.R., Tiao, G.C. (2003). Kurtosis of GARCH and
stochastic volatility models with non-normal innovations. Journal of
Econometric. Vol. 114, No. 2, 349-360.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
5. Black, F., Studies of Stock Price Volatility Change, Proceedings of

The Business and Economic Section of The American Statistical
Association, 177-181.
6. Bollerslev, T. (1986). Generalized autoregressive conditional
heteroskedasticity. Journal of Econometrics 31, 307-327.
7. Christie, A., 1982, The Stochastic Behavior of Common Stock
Variances: Value, Leverage, and Interes Rate Effects, Journal of
Financial Economics Vol.10, 407-432.
8. Cont, R. (2001). Empirical Properties of Asset Returns : Stylized
Facts and Statistical Issues. Quantitative Finance. Vol I, 223-236.
9. Engle, R.F., Ng,V.K. (1993). Measuring and Testing the Impact of
News on Volatility. Journal of Finance. Vol. 48, No.3, 1749-1778.
10. Engle, R.F., Patton, A.J. (2001) . What good is a volatility model?.
Quantitative Finance. Vol I, 237-245.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
11. Franq, C., Zakoian. J. (2010). GARCH Model: Structure, Statistical

Inference and Financial Applications. John Wiley & and Son, Inc.
12. He, C., Terasvirta, T. (1999). Properties of the Autocorrelation
Function of Squared Observations for Second Order GARCH
Processes under Two Sets of Parameter Constraints. Journal of
Time Series Analysis 20, 23-30.
13. He, C., Terasvirta, T., Malmsten, H. (2002). Moment Structure of
A Family of First-Order Exponential GARCH Model. Econometric
Theory Vol. 18, No.4, 868-885.
14. Kesten, H., 1973. Random difference equations and renewal theory
for products of random matrices. Acta Math. 131 (1), 207-248.
15. Lai. Tze L., Xing, H. (2007). Statistical Models and Methods for
Financial Markets. Springer.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
16. Liesenfeld, R., Jung, R.C. (2000), Stochastic Volatility Models:

Conditional Normality versus Heavy-Tailed Distribution,Journal of
Applied Econometrics Vol.15, 137-160.
17. Malmsten, H., Terasvirta, T. (2010). Stylized Facts of Financial
Time Series and Three Popular Models of Volatility. European
Journal Of Pure And Applied Mathematics. Vol. 3, No. 3, 443-477.
18. McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk
Management. Princeton, NJ: Princeton University Press.
19. Nelson, D. B. (1991). Conditional heteroskedasticity in asset
returns: A new approach. Econometrica 59, 347-370.
20. Posedel, Petra. (2005). Properties and Estimation of GARCH(1,1)
Model. Metodoloski zvezki. Vol 2 243-257.
Isran K. Hasan
Tesis II
Cover
Pendahuluan
Daftar Pustaka
21. Sun, P., Zhou, C. (2014). Diagnosing the Distribution of GARCH

Innovations. Journal of Empirical Finance. Vol. 29, 287-303.
22. Tsay, Ruey.S. (2001). Analysis of Financial Time Series. John Wiley
& and Son, Inc.
23. Zivot, E., Wang, J. (2005). Modelling Financial Time Series with
S-PLUS. Springer-Verlag.
Isran K. Hasan
Tesis II

Teknik Sampling (Pertemuan Ke 2)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teknik Sampling (Pertemuan Ke 2)

Uploaded by

Copyright:

Available Formats

Cover

April 23, 2015

Volatilitas adalah ukuran penyebaran dari besarnya perubahan harga suatu

Pemodelan volatilitas memiliki peran penting dalam bidang finansial terutama

Instrumen finansial yang banyak digunakan adalah return aset. Menurut

Menjelaskan spesifikasi model GARCH (1,1) dan EGARCH (1,1).

Melakukan kajian mengenai kaitan sifat empiris return dan volatilitas

Menentukan fungsi autokorelasi dari model volatilitas GARCH (1,1)

Melakukan simulasi perbandingan perilaku sifat empiris pada model

Membandingkan prediksi volatilitas pada Model GARCH(1,1) dan

Model GARCH (1,1)

Definisi Model GARCH(1,1)

Model GARCH (1,1)

Kestasioneran Model GARCH(1,1)

Model GARCH (1,1)

Persamaan tersebut dapat ditulis dalam kembali menjadi

Model GARCH (1,1)

Ilustrasi Kestasioneran Lemah

Figure: Ilustrasi dengan 0 = 1 1 = 0.2,1 = 0.3

Model GARCH (1,1)

Ilustrasi Kestasioneran Lemah

Figure: Ilustrasi dengan 0 = 1,1 = 0.5 dan 1 = 0.6

Model GARCH (1,1)

dengan adalah kurtosis dari t dan m2 dan m4 masing-masing adalah

Model GARCH (1,1)

Figure: Daerah kurtosis finit untuk masing-masing distribusi.

Model GARCH (1,1)

Figure: Plot hubungan antara 1 dan 1 dan kurtosis

Model GARCH (1,1)

maka fungsi autokorelasi

Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)

Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)

Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)

Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)

Model GARCH (1,1)

Konsep Dasar Model EGARCH (1,1)

maka persamaan untuk volatilitas sebelumnya yaitu:

dapat ditulis kembali sebagai berikut.

Model GARCH (1,1)

Kestasioneran Lemah Model EGARCH(1,1)

dapat ditulis sebagai berikut

Model GARCH (1,1)

Ilustrasi Kestasioneran Lemah

Model GARCH (1,1)

Variansi tak bersyarat

Model GARCH (1,1)

Variansi tak bersyarat

+ [|t | E (|t |)])

Sehingga variansi bersyarat dari Yt adalah

Var (Xt ) = exp( ) + exp

Model GARCH (1,1)

[(2 i1 ( + )) + exp{2 2i2 }(2 i1 ( ))]2

dengan (.) adalah fungsi distribusi kumulatif dari distribusi Gaussian.

Model GARCH (1,1)

Fungsi Autokorelasi Return Kuadrat pada Model

Persamaan ini dapat ditulis lagi sebagai berikut

dimana i N, P1 = 1 dan Q1 = 1 . Untuk i 2 berlaku

Model GARCH (1,1)

(1 + 1 ) + 12 Vt2 + 1 g (t2 ) + g (t1 )