OLEH
NUR FARIDA (1002120505)
NELLIAWATI (1002120357)
RHINTA FAUZANA (1002120468)
VINTA KURNIATY (1002120353)
DOSEN PEMBIMBING:
DARMAYUDHA, SE,M.Si
AK U N TAN S I
FAKULTAS EKONOMI
UNIVERSITAS RIAU
KATA PENGANTAR
Segala puji bagi Allah SWT karena dengan karunia-Nya tugas Statistik 2 mengenai
materi Generalised Autoregressive Conditional Heterokedastic (GARCH) dapat diselesaikan.
Salawat dan salam tak lupa kami haturkan kepada junjungan kita Nabi besar Muhammad
SAW yang mana karena beliaulah kita dapat merasakan ilmu pengetahuan.
Terima kasih kami ucapkan kepada semua pihak yang membantu
dalam
menyelesaikan tugas ini baik bantuan materil ataupun non materil
sehingga tugas ini dapat diselesaikan sesuai dengan waktu yang
ditetapkan. Terutama kepada dosen yang telah memberikan tugas ini
sehingga kami lebih memahai mengenai analisis menggunakan metode
GARCH.
Tak ada gading yang tak retak, di dunia ini tidak ada yang
sempurna, oleh karena itu kami harapkan masukan perbaikan demi
memperbaiki tugas selanjutnya.
Semoga tugas ini dapat memberikan manfaat, khususnya pada diri
kami sendiri dalam memahami dan mengikuti perkuliahan Perekonomian
Indonesia.
Pekanbaru,
2011
Penulis
Desember
DAFTAR ISI
KATA
DAFTAR
PENGANTAR.............................................................................................................
ISI..........................................................................................................................
A.
B.
C.
D.
BAB I PENDAHULUAN
LATAR BELAKANG....................................................................................................
RUMUSAN MASALAH..............................................................................................
RUMUSAN MASALAH..............................................................................................
TUJUAN PENELITIAN................................................................................................
A.
B.
C.
D.
E.
F.
G.
BAB II PEMBAHASAN
SEJARAH DAN PERKEMBANGAN GARCH..............................................................
NILAI HARAPAN BERSYARAT GARCH....................................................................
DEFINISI ARCH DAN GARCH...................................................................................
LANGKAH-LANGKAH GARCH.................................................................................
PROSES ARCH DAN GARCH...................................................................................
MODEL LINIER ARCH..............................................................................................
MODEL LINIER GARCH (GENERAL GARCH)...........................................................
PUSTAKA..............................................................................................................
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Sebagian besar alat statistik dalam EViews dirancang untuk model mean bersyarat acak
variabel. Alat-alat yang dijelaskan dalam bab ini berbeda dengan pemodelan varians
bersyarat, atau volatilitas, dari variabel. Ada beberapa alasan yang Anda mungkin ingin
model dan volatilitas perkiraan.
1. Anda mungkin perlu untuk menganalisis risiko memegang aset atau nilai pilihan.
2. Perkiraan interval keyakinan dapat berubah terhadap waktu, sehingga interval yang lebih
akurat dapat diperoleh oleh pemodelan varians dari kesalahan.
3. Penduga yang lebih efisien dapat diperoleh jika heteroskedasticity dalam kesalahan ditangani
dengan benar.
Model Autoregressive Conditional Heteroskedasticity (ARCH) secara khusus dirancang
untuk model dan varians perkiraan bersyarat. Varians dari variabel dependen dimodelkan
sebagai fungsi dari nilai-nilai masa lalu dari variabel dependen dan independen, atau eksogen
variabel.
Sejak dikemukakan oleh Engle (1982) dan Bollerslev (1986), model ARCH-GARCH
telah banyak digunakan untuk mendeskripsikan perilaku volatilitas suatu time series,
terutama pada data-data tentang saham dan indeks berjangka. Salah satu kekurangan dalam
model ARCH-GARCH adalah ketidakmampuannya untuk melihat transisi atau perubahan
perilaku antara volatilitas rendah dengan volatilitas tinggi. Dalam penelitian ini, markov
switching GARCH dikaji dan diterapkan untuk melihat adanya regime volatilitas yang
berbeda, yakni regime volatilitas rendah dan regime volatilitas tinggi pada data return indeks
Dowjones. Namun, tidak ada informasi yang menunjukkan bahwa suatu observasi dimiliki
oleh regime pertama atau regime kedua, dan untuk mengatasinya digunakan algoritma EM
untuk estimasi parameter. Hasil yang diperoleh menunjukkan bahwa return indeks Dowjones
memang mempunyai dua regime volatilitas, hal ini ditandai dengan signifikansi parameter
GARCH pada masing-masing regime. Melalui matrik transisi, regime volatilitas rendah
ternyata lebih banyak terjadi pada return indeks Dowjones dibandingkan regime volatilitas
tinggi.
Pada bagian berikutnya, model ARCH dasar akan dijelaskan secara rinci. Pada bagian
berikutnya, kita mempertimbangkan berbagai spesifikasi yang tersedia di EViews untuk
volatilitas pemodelan.Untuk singkatnya diskusi, kita akan menggunakan ARCH untuk
merujuk kepada kedua ARCH dan GARCH model, kecuali jika ada kemungkinan
kebingungan.
B. RUMUSAN MASALAH
Dalam latar belakang diatas, kami akan dapat merumuskan berbagai masalah yang
timbul dari penggunaan sistem GARCH (Generalised Autoregressive Conditional
Heterokedastic). Berikut ini adalah rumusan masalahnya.
C. TUJUAN PENELITIAN
Sebelum kami membuat makalah ini, yang berisikan tentang sistem GARCH
(Generalised Autoregressive Conditional Heterokedastic), kami sebelumnya melakukan
penelitian dalam penggunaan GARCH ini.
Jadi tujuan dalam melakukan penelitian terhadap sistem GARCH ini adalah untuk
mengetahui bagaimana cara kerja GARCH ini sendiri. Selain itu, tujuannya adalah untuk
mempelajari apakah kegunaan dari GARCH dan bagaimana cara mengoperasikannya.
Jadi itulah, tujuan kami melakukan penelitian tentang sistem GARCH ini. Dan setelah
melakukan penelitian, kami akan merangkum hasil dari penelitian kami ke dalam sebuah
bentuk laporan.
BAB II
PEMBAHASAN
A. SEJARAH DAN PERKEMBANGAN GARCH
Sejak dikemukakan oleh Engle (1982) dan Bollerslev (1986), model ARCH-GARCH
telah banyak digunakan untuk mendeskripsikan perilaku volatilitas suatu time series,
terutama pada data-data tentang saham dan indeks berjangka. Salah satu kekurangan dalam
model ARCH-GARCH adalah ketidakmampuannya untuk melihat transisi atau perubahan
perilaku antara volatilitas rendah dengan volatilitas tinggi.
Dalam penelitian ini, markov switching GARCH dikaji dan diterapkan untuk melihat
adanya regime volatilitas yang berbeda, yakni regime volatilitas rendah dan regime volatilitas
tinggi pada data return indeks Dowjones. Namun, tidak ada informasi yang menunjukkan
bahwa suatu observasi dimiliki oleh regime pertama atau regime kedua, dan untuk
mengatasinya digunakan algoritma EM untuk estimasi parameter. Hasil yang diperoleh
menunjukkan bahwa return indeks Dowjones memang mempunyai dua regime volatilitas, hal
ini ditandai dengan signifikansi parameter GARCH pada masing-masing regime. Melalui
matrik transisi, regime volatilitas rendah ternyata lebih banyak terjadi pada return indeks
Dowjones dibandingkan regime volatilitas tinggi.
Dasar dari metode peramalan ARCH dan GARCH adalah nilai harapan bersyarat
(conditional expectation). Distribusi bersyarat X2 diberikan X1 didefinifikan dengan
probabilitas bersyarat:
Ekspektasi bersyarat x2 diberikan x1 adalah ekpektasi x2 terhadap fungsi kepadatan
bersyarat f(x2 x1). Dirumuskan sebagai:
Dimana:
E(X2 x1)
: rerata bersyarat
2
E[[X2-E[X2 x1]] x1]
: varians bersyarat
C. DEFENISI ARCH DAN GARCH
1. ARCH
Dalam ekonometri, model Autoregressive Conditional Heteroskedasticity (ARCH)
digunakan untuk mengkarakterisasi dan seri model waktu yang diamati. Model ini digunakan
setiap kali ada alasan untuk percaya bahwa, pada setiap titik dalam seri, persyaratan akan
memiliki ukuran karakteristik, atau varians. Secara khusus model ARCH mengasumsikan
varians dari istilah kesalahan saat ini atau inovasi untuk menjadi fungsi dari ukuran
sebenarnya dari istilah kesalahan periode waktu sebelumnya: sering varians berkaitan dengan
kuadrat dari inovasi sebelumnya.
Model semacam ini sering disebut model ARCH (Engle, 1982), meskipun berbagai
akronim lain yang diterapkan pada struktur tertentu dari model yang memiliki dasar yang
sama. Model ARCH bekerja umumnya dalam seri waktu pemodelan keuangan yang berubah
terhadap waktu menunjukkan pengelompokan volatilitas, yaitu periode ayunan diikuti oleh
periode yang relatif tenang.
ARCH (q) Spesifikasi Model
Misalkan seseorang berkeinginan untuk model deret waktu menggunakan proses
ARCH. Mari menyatakan hal kesalahan (residu kembali, sehubungan dengan proses rata-rata)
yaitu istilah seri. Ini dibagi menjadi sepotong ZT stokastik dan tergantung waktu t standar
deviasi karakteristik ukuran khas istilah sehingga:
2. GARCH
GARCH ialah Sebuah istilah yang diciptakan oleh ekonom Robert Engle pada tahun
1982 untuk menggambarkan kompleksperhitungan yang digunakan untuk memperkirakan
hargafluktuasi pasar keuangan dan untuk memprediksi inflasi .Proses ini melibatkan
membandingkan
satu
set variabel untuk
mereka sendiri perilaku
masa
lalu
melalui serangkaian waktuinterval untuk mengidentifikasi korelasi dan hasil yang tak
terduga. Para Tujuannya adalah untuk menggunakan kesalahan masa lalu dalam peramalan
untuk menciptakan akurasi yang lebih besar dalam peramalan saat ini.
Metode GARCH diaplikasikan melalui 2 proses : proses mean dan proses variance.
Proses mean pertama kali dikemukakan oleh Box-Jenkin (1976) dengan melakukan analisa
time series dengan kombinasi autoregressive (AR) dan moving average (MA). Metode ini
kemudian diintegrasikan menjadi ARMA untuk mendapatkan time series yang stasioner.
D. LANGKAH-LANGKAH GARCH
Dalam melakukan analisis GARCH terdiri dari beberapa langkah, sebagai berikut:
1. Langkah pertama dengan melakukan analisis data dengan menggunakan metode ARMA
untuk mengetahui apakah ada korelasi serial didalam data atau tidak. Model ARMA
seharusnya tidak boleh terjadi korelasi residual didalam data yang berarti nilainya harus
mendekati 0.
2. Kemudian kita menguji apakah terjadi heteroskedasitas atau tidak,dan ada beberapa tes yang
bisa digunakan seperti Box Pierce tests, LjungBox tests, dan lain-lain 3. Suatu metode
statistik yang sesuai yang bisa digunakan jika terjadi heteroskedasitas adalah dengan
menggunakan GARCH.
3. langkah ketiga adalah dengan melakukan uji koefisien autokerelasi parsialnya, hal ini
ditujukan untuk mengetahui model GARCHyang lebih spesifik. Ini merupakan suatu proses
yang normal.kemudian kita menaksir parameter dengan menggunakan teori kemungkinan
maksimum.
4. langkah yan terakhir adalah memeriksa apakah model GARCH yang digunakan telah sesuai
{Xt} stasioner ARCH (1) dengan E[Xt4] < dan {t } i.i.d., maka:
Dengan maksud untuk mendapatkan estimasi peramalan parameter dari model ARCH
(p) yang lebih fleksibel, maka digunakan GARCH (p,q) yang dikenalkan oleh Bollerslev
(1986).
Model GARCH mempunyai asumsi bahwa varians mengikuti proses. Dalam model ini,
varians bersyarat saat ini berhubungan dengan varians bersyarat dari masa lalu sehingga
mengurangi ketergantungan terlalu banyak dengan parameter .
Model paling sederhana dalam model ini adalah GARCH (1,1).
+ dalam hal ini disebut persistence.
Bila +=1,maka metode ini dinamakan IGARCH (Integtated GARCH).
Kita melihat bahwa spesifikasi varians GARCH (1,1) merupakan analog dengan varians
sampel, tetapi akan berubah akibat kesalahan kuadrat.
2. Kesalahan dalam kuadrat pada . Menggantikan varians dalam persamaan varians dan istilah
sebelumnya, dimana kita dapat menyimpulkan bahwa model kesalahan ialah
Dengan demikian, kesalahan kuadrat berpengaruh pada proses heteroskedastic ARMA (1,1).
Pada autoregresif tingkat kesalahan volatilitas yaitu pada jumlah dari + . Dalam pengaturan
yang diterapkan, rumus ini berhubungan erat dengan keseluruhan yang akan berpengaruh.
I.
C
NIKKEI
DJIA
SHANGHAI
KURS
CoefficientStd. Error
z-Statistic
Prob.
10582.37 343.5166
-0.098104 0.008089
0.244559 0.008673
-0.235645 0.021388
-0.942750 0.034481
30.80598
-12.12733
28.19886
-11.01746
-27.34126
0.0000
0.0000
0.0000
0.0000
0.0000
3.284399
3.834070
2.950858
0.0010
0.0001
0.0032
Variance Equation
C
RESID(-1)^2
GARCH(-1)
657.1460 200.0810
0.653031 0.170323
0.338036 0.114555
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.796886
0.792870
217.0682
16679979
-2195.337
0.065151
3341.303
476.9517
12.17313
12.25914
198.4093
0.000000
Dari data diatas maka dapat ditulis kepersamaan umum GARCH (1,1) adalah
Dengan persamaan varian residualnya adalah
(6)
Dapat kita dilihat bahwa semua variabel independen signifikan secara statistik atau
dengan kata lain Indeks DJIA, Indeks NIKKEI, Indeks SHANGHAI dan Kurs Dolar
mempunyai pengaruh yang signifikan terhadap IHSG. Disamping itu, persamaan yang
menggambarkan pergerakan varians dari residuals model juga menunjukan bahwa koefisien
signifikan. ini mengindifikasikan bahwa model GARCH (1,1) memang tepat. Sebelum model
tersebut digunakan untuk memprediksi nilai IHSG, masih perlu cek apakah masih ada arch
effect atau tidak.
ARCH Test:
F-statistic
Obs*R-squared
0.679014
0.681508
Prob. F(1,359)
Prob. Chi-Square(1)
0.410474
0.409068
Dari data diatas didapat bahwa nilai Prob.F lebih dari 0.05 maka dapat disimpulkan
bahwa model GARCH (1,1) sudah terbebas dari arch effect dan layak digunakan untuk
memprediksi pergerakan IHSG.
J.
Persamaan Rata-rata
Pada bok dependent variable edit, Anda harus memasukkan spesifikasi dari persamaan.
Anda dapat memasukkan spesifikasi dalam daftar bentuk dengan daftar variabel dependen
diikuti oleh regressors. Anda harus menambahkan C dengan spesifikasi Anda jika Anda ingin
menyertakankonstan. Jika Anda memiliki spesifikasi yang lebih kompleks, Anda dapat
memasukkan persamaan dengan mengunakan rumus.
Jika Anda termasuk spesifikasi jangka ARCH-M, Anda harus mengklik tombol the
appropriate radio Button, di sisi kanan atas dari dialog.
Persamaan Varians ARCH Spesifikasi
Di bawah label Spesifikasi ARCH, Anda harus memilih jumlah ARCH dan GARCH.
Default adalah untuk memperkirakan satu ARCH dan satu GARCH. Ini adalah spesifikasi
yang paling populer.
Untuk memperkirakan model GARCH standar seperti dijelaskan di atas, klik pada
tombol GARCH radio. Entri lainnya menggambarkan varian lebih rumit dari spesifikasi
GARCH.
Varians Regressors
Dalam box edit berlabel Variance Regressors, pilih daftar variabel yang ingin Anda
cari dalam spesifikasi varians. Perhatikan bahwa Eviews selalu mencakup hal-hal yang
konstan sebagai regressor varians sehingga Anda tidak perlu menambahkan C dalam daftar.
Estimasi Pilihan
EViews memberikan Anda akses ke sejumlah pengaturan estimasi opsional. Cukup klik
pada tombol Options dan mengisi dialog seperti yang diperlukan.
Backcasting
Secara default, baik inovasi yang digunakan dalam estimasi menginisialisasi MA dan
varians awal diperlukan untuk GARCH dihitung dengan menggunakan metode backcasting.
Ketika komputasi varians awal backcast untuk GARCH, EViews pertama
menggunakan koefisien untuk menghitung nilai residual dari persamaan tersebut, dan
kemudian menghitung suatu eksponensial smoothing penduga dari nilai awal:
mana residu dari persamaan adalah estimasi varians bersyarat
dan parameter smoothing = 0.7 . alternatif lain, Anda dapat memilih untuk menginisialisasi
Proses GARCH menggunakan varians bersyarat:
Jika Anda menonaktifkan backcasting, EViews akan menetapkan nilai-nilai presample
dari sisa nol untuk menginisialisasi MA. jika ada, dan akan menetapkan nilai- nilai presample
dari varians dan kuadrat sisa ke varians bersyarat yang digunakan(16,13).
Pengalaman kami bahwa model GARCH diinisialisasi menggunakan backcast
eksponensial smoothing sering mengungguli diinisialisasi menggunakan varians bersyarat.
Konsisten Heteroskedasticity Covariances
Klik pada kotak centang berlabel Kovarian Heteroskedasticity Consistent
Covariance untuk menghitung kuasi-kemungkinan maksimum (QML) covariances dan
kesalahan standar menggunakan metode yang dijelaskan oleh Bollerslev dan Wooldridge
(1992). Anda harus menggunakan opsi ini jika Anda menduga bahwa residu yang tidak
bersyarat biasanya didistribusikan. Ketika asumsi normalitas kondisional tidak memegang,
ARCH yang estimasi parameter akan tetap konsisten, asalkan fungsi mean dan varians yang
benar ditentukan. Perkiraan dari matriks kovariansi tidak akan konsisten kecuali opsi ini
ditentukan, sehingga kesalahan standar yang salah.
Perhatikan bahwa estimasi parameter akan berubah jika Anda memilih pilihan ini,
hanya perkiraan matriks kovarians akan diubah.
Metode Derivatif
EViews saat ini menggunakan derivatif numerik dalam memperkirakan model ARCH.
Anda dapat mengontrol Metode yang digunakan dalam komputasi derivatif ini untuk
mendukung kecepatan (evaluasi fungsi yang lebih sedikit) atauuntuk akurasi mendukung
(evaluasi berfungsi lebih).
Iteratif Kontrol Estimasi
Fungsi kemungkinan model ARCH tidak selalu berperilaku baik sehingga konvergensi
yang tidak dapat dicapai dengan pengaturan standar estimasi. Anda dapat menggunakan
dialog pilihan untuk pilih algoritma iteratif (Marquardt, BHHH / Gauss-Newton), perubahan
nilai-nilai awal, meningkatkan jumlah maksimum iterasi, atau menyesuaikan kriteria
onvergensi.
Mulai Nilai
Seperti prosedur iteratif lainnya, nilai koefisien awal yang diperlukan. EViews
memasukkan nilai-nilainya sendiri dalam prosedur ARCH menggunakan regresi OLS untuk
persamaan mean. Menggunakan dialog Options, juga dapat mengatur nilai-nilai mulai
berbagai fraksi yang OLS mulai nilai, atau menentukan nilai-nilai lainnya dengan memilih
User Specified Option , dan menempatkan koefisien yang diinginkan dalam vektor koefisien
standar.Contoh Untuk memperkirakan standar GARCH (1,1) dengan model tidak ada
regressors dalam mean dan varians dengan persamaan,
L.
Membuat Seri menyimpan sisa residu seperti yang disebutkan seri workfile Anda. Anda
memiliki pilihan untuk menyimpan residu biasa, atau residu standar. Residunya akan diberi
nama RESID1, RESID2, dan seterusnya, Anda dapat mengubah nama seri dengan tombol
nama di jendela seri.
Membuat GARCH Seri Varians menyimpan varians bersyarat sebagai seri bernama di
workfile Anda. Seri varians bersyarat akan dinamakan GARCH01, GARCH02, dan
sebagainya. Ambil akar kuadrat untuk mendapatkan standar deviasi bersyarat seperti yang
ditampilkan olehView/GrafikBersyaratSD.
Forecast menggunakan model ARCH diperkirakan untuk menghitung perkiraan statis dan
dinamis rata-rata, perkiraan standar kesalahan, dan varians bersyarat. Untuk menyimpan
salah satu ramalan ini di workfile Anda, ketik nama di kotak dialog yang sesuai. Jika Anda
memilih pilihan grafik Jangan, EViews menampilkan grafik dari perkiraan dan dua standar
deviasi
band
untuk
perkiraan
rata-rata.
Misalnya,
kami
memperkirakan
denganGARCHberikut(1,1)-Mmodel:
Untuk membangun perkiraan dinamis R menggunakan model ini, klik Forecast dan
mengisi Prakiraan dialog pengaturan sampel setelah periode estimasi. Jika Anda memilih
Apakah grafik, persamaan pandangan perubahan untuk menampilkan hasil perkiraan.
Grafik ini meramalkan R dari berarti persamaan bersama dengan dua standar deviasi
band. Meskipun,perkiraan titik terlihat konstan, mereka berada di Bahkan menurun selama
periode perkiraan karena negatif tanda istilah GARCH dalam persamaan rata-rata (Anda
dapat memeriksa ini dengan melihat pandangan spreadsheet dari perkiraan titik.) Grafik yang
tepat adalah proyeksi varians bersyarat. Karena jumlah istilah ARCH dan GARCH ( + )
adalah dekat dengan salah satu, guncangan volatilitas yang gigih, sehingga perkiraan
bersyarat varians konvergen ke kondisi mapan cukup lambat.
Tambahan Komentar Beberapa hasil tes yang dijelaskan di atas dirumuskan dalam hal
residual standar, Yang didefinisikan sebagai residual persamaan konvensional berarti dibagi
dengan bersyarat standar deviasi.Jika model benar ditentukan, residu standar harus
independen, dan identik didistribusikan variabel acak dengan mean nol dan varians satu. Jika
standar residunya juga terdistribusi secara normal, maka perkiraan maksimum likelihood
perkiraan yang asimtotik efisien. Namun, bahkan jika distribusi residu
tidak normal, perkiraan masih konsisten di bawah kuasi-kemungkinan maksimum
(QML) asumsi. Untuk melakukan inferensi yang valid dengan QML, Anda harus memastikan
untuk menggunakan Heteroskedasticity yang Konsisten Kovarian pilihan untuk
memperkirakan kesalahan standar.
MODEL TARCH
Model TARCH atau Ambang ARCH diperkenalkan secara mandiri oleh Zakoan (1994)
dan Glosten, Jaganathan, dan Runkle (1993). Spesifikasi untuk varians bersyarat diberikan
oleh
di mana dt = 1 jika t 0 dan 0 tidak.
Dalam model ini, kabar baik, dan berita buruk, memiliki efek diferensial pada
varians bersyarat-kabar baik memiliki dampak, sementara berita buruk memiliki dampak
(). Jika kita mengatakan bahwa efek leverage yang ada di bahwa volatilitas meningkat kabar
buruk.
Jika, dampak berita asimetris. Untuk spesifikasi yang lebih tinggi dari model TARCH,
EViews perkiraan.
Untuk memperkirakan model ini, tentukan model yang ARCH Anda dengan cara biasa,
tapi bukannya memilih spesifikasi GARCH, Anda harus mengklik pada TARCH tersebut
(asimetris)
tombol
radio
terdaftar
di
bawah
Spesifikasi
ARCH.
Para TARCH (1,1) model yang dipasang kembali kurs harian memberikan:
Pengaruh Leverage panjang,, diwakili oleh (Resid <0) * ARCH (1) dalam output, tidak
signifikanpositif (bahkan dengan uji satu sisi) sehingga tidak muncul menjadi asimetris efek.
Perhatikan bahwa adalah penting bahwa kita menggunakan kuasi-kemungkinan kesalahan
standar yang kuat karena residunya sangat leptokurtik. Perhatikan bahwa ketika peramalan
dengan model ini, EViews mengasumsikan bahwa distribusi residu adalah simetris sehingga
setengah dari waktu. Karena kita tidak dapat mengidentifikasi ketika hal ini terjadi, kita
sewenang-wenang diatur untuk semua pengamatan.
MODEL EGARCH
Model GARCH EGARCH atau eksponensial diusulkan oleh Nelson (1991).
Spesifikasiuntuk varians bersyarat.
Perhatikan bahwa sisi kiri adalah log dari varians bersyarat. Hal ini menunjukkan
bahwa efek leverage adalah eksponensial, bukan kuadrat, dan bahwa prakiraan dari bersyarat
varians dijamin akan negatif. Kehadiran efek leverage yang dapat diuji dengan hipotesis
bahwa. Dampaknya asimetris jika.
Ada dua perbedaan antara spesifikasi EViews dari model EGARCH dan
Nelson asli model. Pertama, Nelson menganggap bahwa mengikuti distribusi kesalahan
umum, sementara EViews kesalahan mengasumsikan distribusi normal. Kedua, spesifikasi
Nelson untuk log varians bersyarat sedikit berbeda dari spesifikasi di atas:
Memperkirakan model ini di bawah asumsi kesalahan normal akan menghasilkan
perkiraan yang identik dengan yang dilaporkan oleh EViews kecuali untuk jangka mencegat,
yang berbeda dengan.
Untuk memperkirakan model EGARCH, cukup pilih tombol radio EGARCH bawah
ARCH yang pengaturan spesifikasi. Menerapkan metode ini untuk data pada obligasi
berjangka harian memberikan berikut hasil:
Pengaruh Leverage panjang , dinotasikan sebagai RES / SQR [GARCH] (1) dalam
output, adalah negatif dan secara statistik berbeda dari nol, menunjukkan adanya efek
leverage dalam masa kembali obligasi selama periode sampel.
mana RESID1 adalah nama dari residu standar. Kemudian Lihat / Palang Korelasi (2) ... dan
menentukan tertinggal untuk menampilkan correlogram lintas. Para correlogram silanguntuk
sederhana GARCH (1,1) model yang fit untuk kembali obligasi masa depan adalah
ditampilkan di bawah.
Karena ukuran sampel besar, perkiraan dua band kesalahan standar (yang bertitik baris)
sangat ketat di sekitar nilai estimasi. Perhatikan bahwa korelasi silang hanya mengambil
asosiasi-asosiasi linier antara dua seri dan mungkin akan ketinggalan ketergantungan onlinier
antara dua seri.
O. KOMPONEN MODEL ARCH
Varians bersyarat dalam model (1,1) GARCH:
(16.22)
berarti menunjukkan pembalikan ke yang konstan untuk semua waktu. Sebaliknya,
komponen model memungkinkan berarti pengembalian ke tingkat yang bervariasi qt,
dimodelkan sebagai:
(16.23)
Berikut adalah masih volatilitas, sementara qt mengambil tempat w dan waktu yang berbedabeda panjang jalankan volatilitas. Persamaan pertama menjelaskan komponen transitori, ,
yang konvergen ke nol dengan kekuasaan (+). Persamaan kedua menjelaskan komponen
jangka panjang qt, Yang konvergen untuk dengan kekuatan . Biasanya adalah antara 0,99
dan 1 sehinggabahwa pendekatan sangat lambat. Kita dapat menggabungkan persamaan
sementara dan permanen dan menulis
yang menunjukkan bahwa model komponen adalah (nonlinier) dibatasi GARCH (2,2) model.
Anda dapat menyertakan variabel eksogen dalam persamaan varians bersyarat dari
komponen model, baik dalam persamaan permanen atau sementara (atau keduanya). Variabel
dalam fana persamaan akan berdampak pada pergerakan jangka pendek volatilitas, sedangkan
variabel dalam persamaan permanen akan mempengaruhi tingkat volatilitas jangka panjang.
Pilihan Komponen asimetrik dalam dialog Spesifikasi menggabungkan Persamaan komponen
model dengan model TARCH asimetris. Spesifikasi ini memperkenalkan asimetris efek
dalam persamaan fana dan model estimasi dalam bentuk:
mana variabel eksogen dan variabel dummy adalah menunjukkan negatif
guncangan. menunjukkan adanya efek leverage yang transitoris dalam varians bersyarat.
Untuk perkiraan dari model komponen, klik Forecast, masukkan "2115 2170" sebagai
ramalan interval, dan memastikan bahwa Do Graph, dan dipilih. Klik OK. Di sini kita memiliki
copyand- disisipkan grafik output disesuaikan ke dalam pemroses kata kita.
Perhatikan bahwa volatilitas perkiraan dari model komponen tidak perlu monoton.
Dalam contoh ini, ada komponen fluktuasi jangka pendek yang mati keluar dalam jangka
panjang
Untuk menyertakan regressors eksogen pada persamaan varians, ketik nama regressors
di kotak Varians Regressors dalam urutan sebagai berikut: daftar pertama nama seri untuk
memasukkan dalam persamaan permanen, diikuti dengan tanda @, dan kemudian daftar
nama seri untuk memasukkan dalam persamaan fana. Misalnya, untuk memasukkan HOL
dalam persamaan permanen dan JAN, END
Q. CONTOH
Pemodelan volatilitas dalam Dolar AS / pertukaran deutschmark tingkat Sebagai
ilustrasi dari pemodelan ARCH dalam EViews, kita menggunakan US Dolar sehari-hari /
Deutschmark
kurs
dari
1971-1993. Variabel
dependen
adalah pengembalian nominal harian, , Di mana adalah spot rate. Seri kembali jelas
menunjukkan pengelompokan volatilitas, terutama di awal sampel.
Kita mulai dari umum GARCH (1,1)-M model berikut bentuk:
Persamaan berarti mencakup varians bersyarat (1) MA kesalahan. Seri MON adalah
variabel dummy untuk hari Senin, yang dimaksudkan untuk menangkap pekan non-trading.
Untuk memeriksa apakah ada efek ARCH yang tersisa dalam residu, View/Residual
Tests/ARCH LM Test dan menentukan perintah untuk tes. Bagian atas output dari
pengujian hingga ARCH (7) diberikan oleh
menunjukkan bahwa ada tampaknya tidak akan ada ARCH sampai untuk memesan 7.
Untuk memeriksa apakah distribusi residu standar terlihat normal, klik View/ Residual
Tests/Histogram:
Jika residual terdistribusi secara normal, QQ-plot harus berada di garis lurus, Plot
menunjukkan bahwa itu adalah terutama besar beberapa outlier yang mendorong
keberangkatan dari normalitas. Anda juga dapat melakukan percobaan dengan distro
lain. Sebagai contoh, dalam literatur ARCH, t-distribusi com418- monly digunakan untuk
menangkap ekor tebal di distribusi. Meskipun tidak ada pilihan untuk t-distribusi dalam
tampilan Quantile-Quantile, Anda dapat mensimulasikan menarik dari a t- distribusi dan
memeriksa apakah distribusi cocok dengan residu. Perintah
mensimulasikan imbang acak dari distribusi t-dengan 5 derajat kebebasan. Kemudian pada
QQ Plot kotak dialog pilih Series or Group dan ketik nama seri (dalam hal ini tdist5).
QQ-plot sekarang terletak sebagian besar pada satu garis lurus, kecuali untuk dua
pengamatan outlier. Keberangkatan dari normalitas residual menyarankan menggunakan
standar error yang kuat pilihan.
BAB III
PENUTUP
A. KESIMPULAN
Sistem GARCH (Generalised Autoregressive Conditional Heterokedastic) adalah
Sebuah istilah yang diciptakan oleh ekonom Robert Engle pada tahun 1982 untuk
menggambarkan kompleksperhitungan yang digunakan untuk memperkirakan hargafluktuasi
pasar keuangan dan untuk memprediksi inflasi .Proses ini melibatkan membandingkan satu
set variabel untuk mereka sendiri perilaku masa lalu melalui serangkaian waktuinterval untuk
mengidentifikasi korelasi dan hasil yang tak terduga. Para Tujuannya adalah untuk
1.
2.
3.
4.
menggunakan kesalahan masa lalu dalam peramalan untuk menciptakan akurasi yang lebih
besar dalam peramalan saat ini.
Metode GARCH diaplikasikan melalui 2 proses : proses mean dan proses variance.
Metode GARCH mempunyai beberapa langkah-langkah dalam mengoperasikan sistem
GARCH tersebut. Berikut ini langkah-langkahnya :
Melakukan analisis data
Menguji apakah terjadi heteroskedasitas atau tidak
Melakukan uji koefisien autokerelasi parsialnya
Memeriksa apakah model GARCH yang digunakan telah selesai
Proses GARCH sendiri adalah Konsep bahwa perubahan harga-harga merupakan
proses white noise terlalu sempit untuk data funansial dan yang diperlukan adalah suatu
maringale. Martingale adalah proses stikastik yaitu model matematik dari suatu fair game
secara formal, martingale didefinisikan sebagai suatu proses stokastik X t (t=1,2,...) dan
mempunyai sifat-sifat.
Kegunaan sistem GARCH ini sendiri sangat lah banyak. GARCH ini sangat membantu
kita dalam pengerjaan yang berhubungan tentang statistik. Misalnya saja dalam menentukan
persentase kenaikan inflasi ataupun pengangguran. Dan masih banyak lagi hal-hal yang dapat
dicari dengan menggunakan sistem GARCH ini.
B. SARAN
Sampai saat sekarang ini, sistem GARCH pada EVIEWS belum banyak diketahui
oleh masyarakat. Maka perlu untuk kita mempelajari sistem GARCH ini sendiri. Karena,
berhubungan dengan hal-hal yang kita lakukan dalam kehidupan sehari-hari kita. Dalam hal
perhitungan persentase kenaikan pengangguran ataupun inflasi, kita pun sangat
membutuhkan sistem GARCH ini.
Jadi saran kami setelah melakukan penelitian terhadap sistem ini dan membuat
laporan, bagi masyarakat yang melakukan perhitungan mengenai statistik, kami saran kan
untuk melakukan perhitungan dengan menggunakan sistem GARCH ini. Khususnya bagi
mahasiswa yang akan menyiapkan skripsi. Kami saran kan melakukan penelitian dan
melakukan perhitungan dengan sistem GARCH ini. Karena sistem GARCH ini sendiri
melakukan perhitungan dengan cepat dan tepat.
DAFTAR PUSTAKA
http://digilib.its.ac.id/ITS-Master-3100008031301/3738
http://digilib.its.ac.id/public/ITS-Undergraduate-8107-1303100050-Bab1.pdf
file:///E:/data%20kuliah/SEMESTER%203/TUGAS%20statistik/4.htm?
page=4&qual=high&submitval=next&fname=%2Fjiunkpe%2Fs1%2Ftmi
%2F1999%2Fjiunkpe-ns-s1-1999-25495079-14712-data_finalchapter2.pdf&submit.x=18&submit.y=15
Jordan Grestandhi, Bambang Susanto Dan Tundjung Mahatma Analisis Perbandingan Metode
Peramalan Indeks Harga Saham Gabungan (ISHG) Dengan Metode OLS-ARCh/GSRCH
Dan ARIMA, Program Studi Matematika Fsm Uksw