Pertemuan 6

KONSEP DAN
PEMODELAN
ARCH/GARCH
Oleh:
FITRI KARTIASIH, S.ST,
S.E, M.Si

Pengantar
Data

deret waktu, terutama data keuangan

seringkali memiliki volatilitas yang tinggi.

Volatilitas

mengacu pada kondisi yang

berkonotasi tidak stabil, cenderung
bervariasi dan sulit diperkirakan.

Implikasi

data yang bervolatilitas tinggi

adalah variance dari error tidak konstan
(mengalami heterokedastisitas)

ARCH

dan GARCH adalah dua model

estimasi untuk perilaku data dengan
volatilitas tinggi

Kenapa menggunakan
ARCH/GARCH
Metode OLS harus memenuhi Asumsi Teorema
gauss Markov (asumsi klasik).
OLS akan menghasilkan estimator yang BLUE (Best
linear Unbiased estimator) jika memenuhi kriteria
teretentu, al:
Normalitas
Tidak mengandung autokorelasi
Tidak mengandung multikolinear
Homoskedastisitas
Sementara itu banyak fenomena ekonomi dengan
sendirinya mengandung heteroskedastisitas, ex:
return pasar modal, inflasi, tingkat suku bunga, dll.

 high

risk high return

-kelompok perusahaan risk rendah >> return
rendah
--kelompok perusahaan risk tinggi >> return
tinggi
Hal ini yang menyebabkan variannya tidak
konstan.
Jika diestimasi menggunakan OLS >> syarat:
homos. Jika dipaksa homos maka informasi2
tentang return tinggi /rendah akan hilang
Jadi dicari model yang bisa mengakomodasi
masalah heteros >>>> ARCH/GARCH

Volatilitas / Fluktuasi
0.025

0.020

0.015

0.010

0.005
500

1000

1500

2000

Pada model ARCH/GARCH, ada suatu

periode dimana volatilitasnya sangat tinggi
dan ada volatilitasnya sangat rendah.
Pola volatilitas ini menunjukkan adanya
heteroskedas karena terdapat varian error
yang besarnya tergantung pada volatilitas
error masa lalu
Adakalanya varian error tidak hanya
tergantung pada variabel bebasnya saja
melainkan varian tsb berubah-ubah seiring
dengan perubahan waktu

Model ARCH
Engle

(1982) mengembangkan model dimana rata-rata dan

varians suatu data deret waktu dimodelkan secara simultan.

Model

tersebut dikenal dengan model autoregressive conditional

heteroscedasticity (ARCH).

Model

ARCH(p) dinyatakan sebagai:

Yt 0 1 X t et ( persamaan rata rata / regresi )

2 t 0 1e 2 t 1 2 e 2 t 2 ... p e 2 t p

( persamaan var ians )

Persamaan

kedua menunjukkan varians residual ( 2t) memiliki

dua unsur: konstanta (0) dan kuadrat residual periode lalu (e 2t-p).

Persamaan

pertama model linear, persamaan kedua model nonlinear, sehingga metode OLS tidak bisa untuk estimasi model.

Hanya

bisa diestimasi dengan metode ML (Maximum Likelihood)

Melalui

metode ML didapatkan estimator yg lebih efisien

dibandingkan dgn estimator OLS.

Model GARCH

Bollerslev (1986) mengembangkan model ARCH dgn

memasukkan unsur residual periode lalu dan varians
residual.

Dikenal sebagai model Generalized Autoregressive

Conditional Heteroscedasticity (GARCH).

Model GARCH(p,q) dinyatakan sebagai:

Yt 0 1 X t et

( persamaan rata rata / regresi )

2 t 0 1e 2 t 1 ... p e 2 t p 1 2 t 1 ...q 2 t q

Persamaan tsb menunjukkan varians residual ( 2t) tidak

hanya dipengaruhi oleh kuadrat residual periode yang lalu
(e2t-p), tetapi juga oleh varians residual periode yang lalu ( 2tq).

Model GARCH seperti model ARCH, juga diestimasi

menggunakan metode Maximum Likelihood (ML).

Beberapa Variasi ARCH/GARCH

Engle(1982) ARCH

Model
GARCH
(Bollerslev(1986))
Nelsons EGARCH
model
Non-linear ARCH
model NARCH
Threshold ARCH
(TARCH)
ARCH in
MEAN/GARCH-M
IGARCH
FACTOR ARCH

GJR-GARCH
STARCH
AARCH
MARCH
SWARCH
SNPARCH
APARCH
TAYLOR-SCHWERT
Model

ARCH

Component

FIGARCH
FIEGARCH

Componen
SQGARCH

CESGARCH
Student
GED
SPARCH

ARCH in Mean (ARCH-M)

Residual

yang memiliki volatilitas tinggi

seringkali memengaruhi dependent variable,
sehingga residual yang tidak konstan itu
menjadi salah satu independent variable
dalam persamaan regresi.
Jika varians residual dimasukkan dalam
persamaan regresi, maka modelnya disebut
ARCH in mean (ARCH-M), dapat dituliskan
sebagai:
Yt 0 1 X t 2 2 t et

( persamaan rata rata / regresi )

2 t 0 1e 2 t 1 ... p e 2 t p 1 2 t 1 ...q 2 t q ( persamaan2)

 Dengan

memodifikasi unsur ARCH(p)

dan unsur GARCH(q) pada persamaaan
(2), maka ARCH-M memiliki beberapa
variasi model:
1. ARCH-M dengan unsur ARCH(p) dan
unsur GARCH(q)
2. ARCH-M dengan unsur ARCH(p)
3. ARCH-M dengan unsur GARCH(q)

Treshold ARCH (TARCH)

Kadangkala

besaran varian errot diduga tidak

hanya tergantung pada , tetapi juga pada
salah satu regresor (variabel independent)
Jika variabel dependent tsb merupakan
dummy variabel pada waktu lalu dengan lag 1
(), maka model TARCH dituliskan sbg:
2 t 0 1e 2 t 1 1 2 t 1 e 2 t 1d t 1

Secara

umum dapat dituliskan sebagai:

Yt 0 1 X t et

( persamaan rata rata / regresi )

2 t 0 1e 2 t 1 ... p e 2 t p 1 2 t 1 ...q 2 t q e 2 t 1d t 1 ( pers. var ian)

Tahapan Estimasi Model ARCH dan GARCH

1. Identifikasi efek ARCH
Regresikan model secara OLS
Uji asumsi klasik terutama homoskedastisitas
Jika heteros, lakukan transformasi
Jika setelah transformasi, varian error masih heteros maka
deteksi apakah terdapat efek ARCH pada residual
(errornya)
Dua cara umum menguji efek ARCH: (1) Pola residual
kuadrat melalui korelogram; (2) Uji ARCH-LM
2. Estimasi Model
Estimasi dan simulasikan beberapa model persamaan
varians berdasarkan persamaan rata-rata yang telah
dibentuk
Pilih model terbaik dgn memperhatikan signifikansi
parameter estimasi, Log Likelihood serta kriteria AIC dan
SIC terkecil.

3. Evaluasi Model
Beberapa pengujian: (1) normalitas error; (2)
keacakan residual; dan (3) efek ARCH
4. Peramalan
Lakukan peramalan dengan menggunakan
model terbaik
Evaluasi kesalahan peramalan: Root Mean
Squares Error (RMSE), Mean Absolute Error (MAE)
atau Mean Absolute Percentage Error (MAPE)