FT Sari , S Mariani
Abstract
Value at Risk (VaR) became a popular statistical method used to measure the risk
investing. When estimating it require forecasting volatility. One of methods for
modeling the heteroscedastic volatility called Generalized Autoregressive
Conditional Heteroscedasticity (GARCH). The goal of this research are compare
the result estimated it, by R program and MATLAB program, and then
comparing accuracy of them. This research used data index March 4, 2013 to
October 1, 2014. The result show that the forecasting it with probability 95% and
15-days horizon on R program is -0,2224606 then MATLAB program is
-0,215263. While the result of calculation Mean Square Error (MSE) respectively
R and MATLAB programs are 0,0003623 and 0,0003609. MATLAB program is
the best level of accuracy in forecasting variansi. They have been modeling the
volatility of LQ45 stock index to estimate it, using GARCH(1,1) model.
119
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
120
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
121
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
122
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
GARCH(1,1) diperoleh LM =10,57763 dengan Data indeks saham terdapat unit root
p-value = 0,5654196. Ini menunjukkan bahwa atau tidak stasioner.
tidak terdapat efek ARCH dalam model Data indeks saham tidak terdapat atau
GARCH(1,1). unit root stasioner.
Langkah berikutnya adalah uji serial Dengan =5%, n=280 observasi, nilai
dari residual kuadrat dilakukan menggunakan kritis DF = -3,43. Tolak jika nilai tes
uji Ljung Box pada model GARCH (1,1). ADF<nilai kritis DF atau p-value<0,05. Hasil
Tidak terdapat efek ARCH dalam pengujian diperoleh nilai tes ADF= -1,95328.
residual kuadrat. Ini artinya bahwa data indeks saham LQ45
Terdapat efek ARCH dalam residual tidak stasioner.
kuadrat. Menghitung Nilai Log Return
Dengan mengambil =5%, tolak jika Salah satu menstasionerkan data ke
Q> ( (tabel), dengan atau p-value <0,05. Dari dalam bentuk log return (return logaritma
beberapa model yang diestimasi, model natural)
GARCH(1,1) telah lolos dari beberapa uji. Data log return terdapat unit root atau
GARCH(1,1) merupakan model yang terbaik tidak stasioner.
untuk memodelkan volatilitas pada data indeks
Data log return terdapat unit root atau
saham LQ45 penutupan.
tidak stasioner. Dengan =5%, n=280 observasi,
Pemilihan Model Kondisional Mean dan nilai kritis DF= -3,43. Tolak jika nilai tes
Volatilitas GARCH Terbaik ADF<nilai kritis DF atau p-value<0,05. Hasil
Model ARIMA(2,1,3) dianggap sebagai pengujian diperoleh nilai tes ADF=-15,0428,
model kondisional terbaik dengan persamaan: berarti data log return stasioner.
Mengidentifikasi Model Kondisional Mean
Pada tahap identifikasi model meannya
dengan melihat plot ACF dan PACF dari data
log return.
Uji Ljung Box Model Kondisional Mean
Sedangkan GARCH(1,1) merupakan
model terbaik dalam menggambarkan volatilitas
data indeks saham LQ45 penutupan. Untuk Uji Ljung Box dilakukan untuk
persamaan variansi sebagai berikut: mengetahui adanya korelasi serial.
a atau tidak
terdapat autokorelasi (white noise).
atau terdapat
Analisa Menggunakan Program MATLAB autokorelasi (bukan white noise).
Identifikasi Data Indeks Saham Dengan =5%, tolak jika Q>
( (tabel), dengan atau p-value < 0,05.
123
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
124
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
125
FT Sari & S Mariani/ UNNES Journal of Mathematics 5 (2) (2016)
126