Anda di halaman 1dari 24

Pemodelan Volatilitas

Eni Sumarminingsih, SSi, MM


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
yang konstan



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
tidak baik lebih besar daripada saat
situasi sedang stabil
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
dan perhitungan Value at Risk(VaR)
Model yang memasukkan kemungkinan
ragam error yang tidak konstan
dinamakan pemodelan heteroskedastisitas
Conditional variance Y
t

dengan syarat nilai
masa lalu , Y
t 1
,Y
t 2
,, mengukur
ketidakpastian deviasi Y
t
dari
conditional mean nya E(Y
t|
Y
t 1
,Y
t 2
,)
Volatilitas
Volatilitas dapat dipandang sebagai
besaran yang mengukur seberapa besar
terjadinya perubahan pada return, yang
akan berakibat langsung pada perilaku
harga saham
Pada data finansial sering terjadi
pengelompokan volatilitas
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
oleh volatilitas yang rendah.
Model ARCH
ARCH ( Autoregressive Conditional
Heteroskedasticity) diperkenalkan pertama
kali oleh Engle Tahun 1982
Model ARCH (1)


t t t
a Z Z + =

t t t
a c o =
2
1 1 0
2

+ =
t t
a o o o
Secara umum model ARCH(m) adalah




, m> 0,
0,

i
0,
t t t
a Z Z + =

t t t
a c o =
2 2
1 1 0
2
....
m t m t t
a a

+ + + = o o o o
) , 0 ( ~
2
t t
N a o
1
1
<

=
m
i
i
o
Pengujian 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 a

=
2

t
a
2 2
2
2
1
..., , ,
k t t t
a a a

2 2
1 1 0
2
....
k t k t t
a a a

+ + + = o o o
3. Menghitung nilai TR
2
di mana T
menyatakan jumlah observasi dan R
2

menyatakan koefisien determinasi pada
langkah ke 2

Hipotesis untuk menguji ada tidaknya
unsur ARCH-GARCH dalam sisaan mean
model adalah:
H
0
:
(Tidak terdapat unsur ARCH-GARCH),
H
1
: minimal ada satu
(Terdapat unsur ARCH-GARCH)

0 ...
1
= = =
k
o o
0 =
q
o
Statistik uji
Apabila maka H
0
ditolak yang
mengindikasikan pemodelan
ARCH/GARCH dapat dilakukan
2
TR LM =
( )
2
,
2
2
k
TR
o
_ >
Identifikasi
Untuk mengetahui lag dalam pemodelan
ARCH, gunakan PACF dari kuadrat sisaan
Pendugaan Parameter ARCH
Menggunakan Metode Maksimum
Likelihood Estimation
Jika diketahui
dan T banyaknya
pengamatan maka fungsi likelihood untuk
sisaan, yaitu

t t t
a Z Z + =

) , 0 ( ~
2
a t
N a o
[
= )
`

=
T
t t
t
t
a
L
1
2
2
2
2
exp
2
1
o
to
Fungsi log likelihood untuk L dapat ditulis
sebagai

Tanpa menyertakan konstanta maka

= =
= =
T
t t
t
T
t
t
a T
l L
1
2
2
1
2
2
1
ln
2
1
) 2 ln(
2
) ln(
o
o t

= =
=
T
t t
t
T
t
t
a
l
1
2
2
1
2
2
1
ln
2
1
o
o
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 o o o
( )

= =

+
+ =
T
t t
t
T
t
t
a
a
a l
1
2
1 1 0
2
1
2
1 1 0
) ( 2
1
ln
2
1
o o
o o
Untuk mendapatkan penduga parameter,
turunkan fungsi loglikelihood terhadapa
masing masing parameter dan
disamakan dengan nol




Gunakan iterasi
( )

=

=

=
+
+
)
`

+ =
c
c
n
t
t
t
T
t
t
a
a
a
l
1
2
2
1 1 0
2
1
1
2
1 1 0
0
0
2
1
] [
2
1
o o
o o
o
( )

=

= =


=
+
+
)
`

+ =
c
c
n
t
t
t t
T
t
n
t
t t
a
a a
a a
l
1
2
2
1 1 0
2
2
1
1 1
1
2
1 1 0
2
1
1
0
2
1
] [
2
1
o o
o o
o
Diagnostik 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
'

' =
t
h'
2
t
o
Uji Tidak Ada Autokorelasi Sisaan Yang
Dibakukan Menggunakan Uji Q Ljung Box
Hipotesis :
H
0 :
H
1 :
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
r
Peramalan j-Periode
Mendatang

Peramalan dilakukan secara iteratif
Peramalan satu periode ke depan dengan
titik peramalan h

Peramalan dua periode ke depan dengan
titik peramalan h

Peramalan l periode ke depan dengan
titik peramalan h


Dimana
Contoh