(Generalised Autoregressive

Conditional Heterokedastic) (GARCH)

DISUSUN

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)...........................................................

H. SPESIFIKASI ARCH DAN GARCH.............................................................................

I. PENGGUNAAN MODEL ARCH/GARCH DALAM PERAMALAN IHSG....................
J.
MEMPREDIKSI
IHSG
DENGAN
MENGGUNAKAN
MODEL
GARCH........................
K. MEMPERKIRAKAN MODEL GARCH DI EVIEWS.....................................................
L. ESTIMASI ARCH OUTPUT.......................................................................................
M. MODEL GARCH PROSEDUR....................................................................................
N. MODEL ARCH ASIMETRIS.......................................................................................
O. ARCH DAN GARCH ESTIMASI.................................................................................
JURNAL..........................................................................................................................
BAB III PENUTUP
KESIMPULAN .................................................................................................................
SARAN............................................................................................................................
DAFTAR

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.

Bagaimana sejarah dan perkembangan dari sistem GARCH (Generalised Autoregressive

Conditional Heterokedastic).
Apa itu GARCH.
Bagaimana langkah-langkah pemakaian GARCH.
Apa saja rumus yang ada dalam sistem GARCH.
Dan apa kegunaan GARCH itu sendiri.

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.

B. NILAI HARAPAN BERSYARAT GARCH

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

E. PROSES ARCH DAN GARCH

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 Xt (t=1,2,...) dan mempunyai sifat-sifat sebagai berikut:
Kondisi ini ekuivalen dengan:
t merupakan selisih antara dua pengamatan berurutan yang selanjutnya disebut martingale
difference, dan diasumsikan tidak berkorelasi namun bukan merupakan proses yang
independent. Hal ini menjamin ketergantungan waktu terhadap kejadian bersyarat terutama
dari varians bersyarat. Ketergantungan waktu dari varans bersyarat akan menyebabkan proses
tidak linier dan ketidaklinieran tersebut dapat dimodelkan dalam beberapa cara, antara lain
ARCH, GARCH, dan EGARCH.
Proses ARCH pertama-tama dikemukakan oleh engle (1982). Dikatakan bahwa suatu
time series {Xt} merupakan ARCH (1) jika:
(tanpa mengurangi sifat keumumannya=0)
Sebagai tambahan diasumsikan bahwa:
Tanpa dibuktikan:

{Xt} stasioner ARCH (1) dengan 2 = Var[X1] < maka:

{Xt} stasioner ARCH (1) dengan E[Xt4] < dan {t } i.i.d., maka:

F. MODEL LINIER ARCH

Engle menyarankan suatu bentuk persaman parameter untuk t2 yang mungkin adalah
dengan menyertakan t2 sebagai fungsi linier dari nilai masa lalu dari proses,
{Xt} stasioner lemah ARCH (p) dengan 2 = Var[Xt] < maka:
{Xt} stasioner kuat ARCH (p) dengan E[Xt4] < dan {t } i.i.d.N(0,1), maka:

G. MODEL LINIER GARCH (GENERAL GARCH)

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).

H. SPESIFIKASI ARCH dan GARCH

Dalam mengembangkan model ARCH, Anda akan harus menyediakan dua spesifikasi
yang berbeda-satu untuk mean bersyarat dan satu untuk varians bersyarat.
GARCH (1,1) Model
Dalam spesifikasi (1,1) standar GARCH:
Persamaan rata-rata yang diberikan dalam (16.1) ditulis sebagai fungsi dari variabel
eksogen dengan error term. Karena merupakan satu-periode depan varians perkiraan
berdasarkan informasi terakhir, itu disebut varians bersyarat. Persamaan varians bersyarat
ditentukan dalam (16.2) merupakan fungsi dari tiga hal:
1. Rata-rata:
2. Berita tentang volatilitas dari periode sebelumnya, diukur sebagai lag kuadrat sisa dari
persamaan berarti: (istilah ARCH).
3. perkiraan periode terakhir varians: (istilah GARCH).
Pada (1,1) dalam GARCH (1,1) mengacu pada adanya istilah orde pertama GARCH
(istilah yang pertama dalam tanda kurung) dan orde pertama jangka ARCH (istilah kedua
dalam kurung). Sebuah biasa Model ARCH adalah kasus khusus dari spesifikasi GARCH di
mana tidak ada perkiraan tertinggal varians dalam persamaan varians bersyarat.
Model ARCH dalam EViews diperkirakan dengan metode kemungkinan maksimum di
bawah asumsi bahwa kesalahan yang bersyarat terdistribusi normal. Sebagai contoh, untuk
GARCH (1,1) model, kontribusi terhadap kemungkinan log dari pengamatan, t adalah :
Atau
Spesifikasi ini sering ditafsirkan dalam konteks keuangan, di mana agen atau pedagang
memprediksi pada suatu periode varians dengan membentuk rata-rata tertimbang, rata-rata
jangka panjang (konstanta), varians diperkirakan dari periode terakhir (istilah GARCH), dan
informasi tentang volatilitas diamati pada periode sebelumnya (istilah ARCH). Jika
pengembalian aset tak terduga besar baik dalam arah ke atas atau ke bawah, maka trader akan
meningkatkan estimasi varians untuk periode berikutnya. Model ini juga konsisten dengan
pengelompokan volatilitas yang terlihat dalam data pengembalian keuangan, di mana jika
terjadi perubahan yang besar maka memungkinkan berpengaruh pada periode berikutnya
yang akan mengalami perubahan yang besar pula.
Ada dua representasi alternatif persamaan varians yang dapat membantu dalam
interpretasi model:
1. Jika kita secara rekursif pengganti varians tertinggal di sisi kanan dari (16.2), kita dapat
mengekspresikan varians bersyarat sebagai rata-rata tertimbang dari keseluruhan residual
kuadrat:

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.

PENGGUNAAN MODEL ARCH/GARCH DALAM PERAMALAN IHSG

Menurut Ishomuddin (2010) pada umumnya, pemodelan data runtut waktu dilakukan
dengan asumsi homoskedastisitas artinya ragam sisaan (residual) selalu konstan tidak
tergantung t. Pada kenyataannya, banyak data runtut waktu yang mempunyai ragam sisaan
yang tidak konstan (heteroskedastisitas), khususnya untuk data runtut waktu di bidang
keuangan. Model analisis runtut waktu yang memperbolehkan adanya heteroskedastisitas
adalah model ARCH yang diperkenalkan pertama kali oleh Engle (1982). Model ARCH
dipakai untuk memodelkan ragam sisaan yang tergantung pada kuadrat sisaan pada periode
sebelumnya secara autoregresi (regresi diri sendiri), atau dengan kata lain model ini
digunakan untuk memodelkan ragam bersyarat. Seringkali pada saat sedang menentukan
model ARCH, dibutuhkan nilai yang besar agar didapatkan model yang tepat untuk data
runtut waktu. Oleh karena itu, Bollerslev (1986) mengembangkan model ARCH ke dalam
model GARCH untuk menghindari nilai ARCH yang besar.
Persamaan varian residual dalam model GARCH (p,q) dapat ditulis sebagai berikut
(2)
Jadi persamaan model GARCH (p,q)secara umum adalah
(3)
Dengan persamaan varian residualnya adalah
Dengan menggunakan tenik coba-coba dan dengan pertimbangan signifikasi, nilai R2 ,
dan nilai AIC maka dengan didapat model GARCH (1,1) model yang cocok. Data olahan
sebagai berikut:

Dependent Variable: IHSG

Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/15/11 Time: 21:28
Sample: 1 362
Included observations: 362
Convergence achieved after 85 iterations
Variance backcast: ON
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1)

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

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.

MEMPREDIKSI IHSG DENGAN MENGGUNAKAN MODEL GARCH

Persamaan model yang digunakan adalah
(7)
Dari persamaan diatas dapat diprediksi nilai IHSG satu hari kedepan dinyatakan sebagai
berikut:
(7)
Setelah dihitung menggunakan model GARCH (1,1) untuk memprediksi IHSG tanggal
14 September 2011 adalah sebesar 3643.115 namun aktualnya adalah 3799.04. Dengan
demikian kesalahan peramalan sebesar 4,1%.

K. MEMPERKIRAKAN MODEL GARCH DI EVIEWS

Untuk perkiraan ARCH atau model GARCH, buka dialog spesifikasi persamaan dengan
memilih Quick / estimate equation ... atau dengan memilih object/new object/equation ....
Pilih ARCH dari kotak kombo metode. Anda perlu menentukan mean dan varians persamaan,
serta
teknik
estimasi
dan
sampel.

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,

Anda harus memasukkan berbagai bagian dari spesifikasi Anda:

Isi box Mean Equation Specification
Masukkan 1 untuk jumlah istilah ARCH, dan 1 untuk jumlah istilah GARCH, dan pilih
GARCH (symmetric).
Pilih None untuk ARCH-M term.
Biarkan kosong Variance Regressors pada kotak edit
UntukmemperkirakanARCHtersebut(4)-Mmodel

Masukkan spesifikasi persamaan berarti,r c dum

Masukkan "4" untuk jangka ARCH dan "0" untuk jangka GARCH, dan pilih GARCH
(symmetric).
Pilih Std. Dev. Untuk ARCH-M term.
Masukkan Dum di Regressors Varians kotak edit.
Setelah mengisi dialog Spesifikasi Persamaan, klik OK untuk memperkirakan model.
Model ARCH diperkirakan dengan metode maximum likelihood, dengan asumsi
bahwa kesalahan yang bersyarat terdistribusi normal. Karena varians muncul dalam
cara non-linear dalam fungsi kemungkinan, fungsi kemungkinan harus diperkirakan dengan
menggunakan algoritma iteratif. Ketika bertemu perkiraan, estimasi parameter dan
konvensional statistik regresi disajikan di jendela objek ARCH.

L.

ESTIMASI ARCH OUTPUT

Sebagai contoh, kita cocok dengan GARCH (1,1) model untuk perbedaan pertama dari
log harian US Dollar / Jepang nilai tukar Yen (R) menggunakan nilai backcast untuk varians
awal dan Bollerslev-Wooldridge standar kesalahan. Output disajikan di bawah ini.
Secara default, header keluaran estimasi menggambarkan estimasi sampel, dan metode
digunakan untuk menghitung kesalahan standar koefisien dan istilah varians awal. Output
utama dari estimasi ARCH dibagi menjadi dua bagian-bagian atas menyediakan output
standar untuk persamaan berarti, sementara bagian bawah, diberi label "Varians Persamaan
"berisi koefisien, kesalahan standar, z-statistik dan p-nilai untuk koefisien dari persamaan
varians. Panel bawah output menetapkan standar statistik regresi menggunakan residu dari
persamaan berarti. Catatan bahwa langkah-langkah seperti tidak mungkin bermakna jika
tidak ada regressors dalam persamaan mean. Misalnya, adalah negatif.
Dalam contoh ini, jumlah dari koefisien ARCH dan GARCH (+) adalah sangat dekat
dengan satu, menunjukkan bahwa guncangan volatilitas yang cukup gigih. Hasil ini sering
diamati dalam Data frekuensi tinggi keuangan.

M. BEKERJA DENGAN MODEL ARCH

Setelah model Anda telah diperkirakan, EViews menyediakan berbagai pandangan dan
prosedur untuk inferensi dan memeriksa diagnostik.

Tampilan Model ARCH

Actual, Fitted, Residual, melihat residual menampilkan residual dalam berbagai bentuk,
seperti meja, grafik, dan residu standar. Anda dapat menyimpan residu sebagai seri yang
disebutkan dalamworkfile Anda menggunakan prosedur (lihat di bawah).
Conditional SD Graph plot satu langkah di depan standar deviasi untuk masing-masing
observasi dalam sampel. Pengamatan pada periode adalah perkiraan untuk dibuat
menggunakan informasi yang tersedia di. Anda dapat menyimpan standar deviasi bersyarat
seperti yang disebutkan seri workfile Anda menggunakan prosedur (lihat di bawah).
Covariance Matrix menampilkan kovarians matriks koefisien diperkirakan. Kebanyakan
ARCH model (kecuali model ARCH-M) adalah diagonal blok sehingga kovarian
antarkoefisien rata-rata dan varians koefisien sangat dekat dengan nol. Jika Andatermasuk
konstan
dalam
persamaan
berarti,
akan
ada
dua
C
di
kovarians
matriks; C pertama adalah konstanta dari persamaan berarti, dan C kedua adalah konstanta
dari persamaan varians.
Coefficient Tests melakukan tes hipotesis keluar standar pada koefisien yang diperkirakan.
tes rasio kemungkinan adalah tidak tepat di bawah interpretasi kemungkinan kuasi-hasil
maksimal Anda.
Residual Tests/CorrelogramQ-statistics menampilkan correlogram (autocorrelations dan
parsial autocorrelations) dari residu standar. Pandangan ini dapat digunakan dalam tes untuk
sisa korelasi serial pada persamaan mean dan untuk memeriksa spesifikasi dari persamaan.
Jika persamaan maksud adalah benar ditentukan, semua Q-statistik seharusnya tidak
signifikan.
Residual Tests/Correlogram Squared Residuals
menampilkan correlogram
(autocorrelations dan parsial autocorrelations) dari residu standar kuadrat. Ini view dapat
digunakan untuk menguji ARCH yang tersisa dalam persamaan varians dan untuk memeriksa
spesifikasi dari persamaan varians. Jika persamaan varians adalah benar ditentukan, semua
Q-statistik tidak harus signifikan. Lihat "Correlogram" pada halaman 167 untuk penjelasan
correlograms dan Q-statistik. Lihat Tes juga Sisa / LM ARCH Uji.
Residual Tests/HistogramNormality Test menampilkan statistik deskriptif dan histogram
dari residu standar. Anda dapat menggunakan statistik Jarque-Bera untuk menguji apakah
residual
terdistribusi
normal
standar.
Jika
standar
residual terdistribusi normal, statistik Jarque-Bera seharusnya tidak signifikan.
Lihat "Deskriptif Statistik" dimulai pada halaman 152 untuk penjelasan dari JarqueBera
uji.
Sebagai
contoh,
histogram
dari
residual
standar
dari
GARCH (1,1) model yang fit dengan kurs harian terlihat sebagai berikut:
Residunya sangat leptokurtikdan statistik Jarque-Bera tegasmenolak hipotesis normal
distribusi.
Sisa Tes / Uji ARCH LM membawauji pengali Lagrange untukmenguji apakah residual
standarpameran ARCH tambahan. JikaPersamaan varians adalah benar ditentukan,seharusnya
tidak
ada
ARCH
yang
tersisa
didengan
standar
residu.
Lihat
"ARCH LM Test" pada halaman 377 untuk diskusi tentang pengujian. Lihat juga
SisaTes/CorrelogramResidualSquared.

M. MODEL GARCH PROSEDUR

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.

N. MODEL ARCH ASIMETRIS

Model ARCH asimetris Untuk ekuitas, sering diamati bahwa gerakan ke bawah di pasar
diikuti olehvolatilitas yang lebih tinggi dari gerakan ke atas sama besarnya. Untuk
menjelaskan hal ini fenomena, Engle dan Ng (1993) menggambarkan Curve Berita Dampak
dengan asimetris Menanggapi berita baik dan buruk.
EViews memperkirakan dua model yang memungkinkan untuk guncangan asimetris
untuk volatilitas: TARCH dan EGARCH.

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.

PLOTTING KURVA PERKIRAAN DAMPAK BERITA

Apa kurva perkiraan dampak berita terlihat seperti? Di sini kita menggambarkan salah satu
metode menggunakan EViews untuk plot kurva ini. Tujuan kami adalah untuk plot volatilitas,
terhadap dampak, Di mana:
Kami akan memperbaikinya volatilitas periode terakhir untuk median estimasi varians
bersyarat seri dan memperkirakan dampak satu-periode, tergantung pada volatilitas periode
lalu. Misalkan Anda memperkirakan model EGARCH di atas dalam suatu workfile
bertanggal dan Menyimpan persamaan sebagai obyek bernama EQ1. Pertama, menghasilkan
seri varians bersyarat dengan mengklik Procs/Make GARCH Variance Series. Berikutnya, toko
median dengan memasukkan berikut perintah di jendela perintah:
mana GARCH1 adalah nama dari seri varians bersyarat.
Hasilkan seri z, yang akan menjadi sumbu-kurva dampak berita, menggunakan berikut
perintah:
Hal ini menghasilkan sebuah serial equispaced antara -10 dan 10. Kemudian
menghasilkan seri oleh perintah
mana SIG2 adalah nama untuk seri. Perhatikan bahwa EViews secara otomatis akan
membuat SIG2 seri dari spesifikasi log.
Akhirnya, sorot dua seri Z dan SIG2 (dalam rangka untuk mendapatkan hak sumbu),
klik ganda, Open/as Group, dan iew/Graph/XY line/One X against all Ys. . Di bawah ini kami
menunjukkan disesuaikan grafik yang menggambarkan kurva dampak berita diperkirakan
dari TARCH dan EGARCH model dipasang pada harian berjangka kembali:

MEMERIKSA ASIMETRI MENGGUNAKAN KORELASI

Memperkirakan TARCH dan model EGARCH dan pengujian pentingnya asimetris
istilah adalah salah satu cara untuk menguji efek asimetris. Atau alternativ yang lain, kita bisa
melihat korelasi silang antara standar residu z2t dan residu tertinggal Z t-k standar. Korelasi
ini lintas harus nol untuk sebuah model GARCH simetris dan negatif untuk ARCH atau
EGARCH model yang asimetris.
Untuk menampilkan correlogram persilangan antara z2t dan Z t-k, pertama menyimpan
residual standar dari model estimasi dalam seri bernama STDRES1. Kemudian ketik
perintah:

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.

P. MEMPERKIRAKAN DAN JURU MODEL DALAM EVIEWS

Untuk memperkirakan model komponen dalam EViews, Component ARCH or Asymmetric
Component Komponen pilihan dalam dialog Spesifikasi Persamaan. Hasil estimasi dari pas
model komponen asimetris untuk data kembali obligasi berjangka adalah sebagai berikut:
Koefisien berlabel "Perm:" adalah koefisien untuk persamaan permanen dan mereka
berlabel "Trans:" sesuai dengan persamaan sementara. Perkiraan ketekunan dalam
komponen jangka panjang ialah menunjukkan bahwa komponen jangka panjang konvergen
sangat perlahan-lahan ke kondisi mapan. Komponen volatilitas jangka pendek tampaknya
secara signifikan berbeda dari nol. Setelah mengatur efek asimetris berarti, kita dapat menguji
bersama hipotesis bahwa ( + 0.5 + = 0), dengan memilih View / Koefisien Pengujian /
Wald - Koefisien Pembatasan ... dan memasuki
c (5) + 0,5 * c (6) + c (7) = 0

di kotak dialog Uji Wald. Hasilnya adalah diberikan oleh:

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

dan input JAN dalam tipe persamaan permanen:

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:

Residunya sangat leptokurtik dan uji Jarque-Bera tegas menolak normal

distribusi. Cara alternatif untuk memeriksa distribusi residu adalah plot quantiles. Pertama
menyimpan residu dengan mengklik Procs/Make Residual Seriesdan memilih
standardized. Dalam contoh kita, EViews menciptakan serangkaian bernama RESID02
berisi
standar residu. Kemudian di jendela seri sisa memilih View/Distribution/ QuantileQuantile Graphsdan plot terhadap Quantiles of the normal distribution.

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