KONSEP DAN
PEMODELAN
ARCH/GARCH
Oleh:
FITRI KARTIASIH, S.ST,
S.E, M.Si
Pengantar
Data
Volatilitas
Implikasi
ARCH
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
Volatilitas / Fluktuasi
0.025
0.020
0.015
0.010
0.005
500
1000
1500
2000
Model ARCH
Engle
Model
Model
2 t 0 1e 2 t 1 2 e 2 t 2 ... p e 2 t p
Persamaan
Persamaan
pertama model linear, persamaan kedua model nonlinear, sehingga metode OLS tidak bisa untuk estimasi model.
Hanya
Melalui
Model GARCH
Yt 0 1 X t et
2 t 0 1e 2 t 1 ... p e 2 t p 1 2 t 1 ...q 2 t q
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
Dengan
Secara
Yt 0 1 X t et
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)