Bogor Agricultural University (IPB)

PERBANDINGAN METODE DBEKK-GARCH DAN MEWMA

PADA VOLATILITAS IHSG DAN NILAI TUKAR UANG
Dara Agustina
(G151190181)
Program Studi Statistika

Komisi Pembimbing : Dr. I Made Sumertajaya, M.Si

Dr. Farit M. Afendi, M.Si
Outline

01 Pendahuluan

02 Tinjauan Pustaka

03 Metode Penelitian

04 Daftar Pustaka
 Pendahuluan
Latar Belakang

IHSG Kurs Dollar

Rata-rata 5427,20 poin Rp 14.532,-
Sesudah COVID-19 3937,63 poin Rp 16.575,-
Sebelum COVID-19 6329,31 poin Rp 13.572,-
Pendahuluan
Rosyida, Diana (2016)
“Pemodelan Deret Waktu
Multivariat VARIMA-BEKK
GARCH pada Data Nilai
Tukar Dollar Amerika
terhadap Rupiah dan IHSG”
Jayanti, Dwi (2021)
“Kajian Volatilitas dan
Korelasi Dinamis Harga
Minyak Nabati dan Minyak
Dunia dengan Model M-GAS
dan DCC-GARCH”

Wororomi, J.K (2016) Renggani, Puspa dkk (2020)

“Pengembangan Diagram
Kontrol MEWMA Berbasis
Model untuk Pengamatan
Tak Random”
“Comparison Of Symmetric
And Asymmetric Garch Models
In The Futures Contract Of
Robusta Coffee In Jakarta
Futures Exchange”
Pendahuluan
Perbandingan
Nilai Return Peramalan
Metode

Tujuan

Mengkaji volatilitas IHSG

dan nilai tukar Dollar
Amerika terhadap Rupiah
dengan membandingkan
metode dBEKK-GARCH dan
metode MEWMA
 Tinjauan Pustaka
Data Return
Menurut Danielsson (2011), perubahan harga aset keuangan selama periode waktu
tertentu sering juga dikenal sebagai nilai return (pengembalian) aset yang dinyatakan
sebagai persentase. Nilai return tersebut dapat diperoleh menggunakan rumus
𝑌𝑡 −𝑌𝑡−1
𝑅𝑡 = 𝑌𝑡−1

Identifikasi Model VAR

Pada prinsipnya identifikasi model deret waktu vektor mirip dengan identifikasi
deret waktu univariat. Identifikasi model VAR(𝑝) dilakukan dengan cara menentukan
orde 𝑝 menggunakan skema Matrix Partial Autocorrelation Function (MPACF). Matriks
fungsi autokorelasi parsial dapat didefinisikan sebagai berikut.

𝜞′ 1 𝜞 0 −1 , 𝑝 = 1
𝓟(𝑝) = ൝ ′
𝜞 𝑝 − 𝒄′ 𝑝 𝑨 𝑝 −1 𝒃 𝑝 𝜞 0 − 𝒃′ 𝑝 𝑨 𝑝 −1 𝒃 𝑝 −1 , 𝑝 >1
 Tinjauan Pustaka
Model VAR
Model VAR( 𝑝 ) merupakan suatu sistem persamaan dimana pendugaan suatu
variabel pada periode tertentu tergantung pada perubahan variabel itu sendiri dan
variabel lainnya yang terlibat dalam sistem persamaan pada periode-periode
sebelumnya. Menurut Wei (2006), persamaan model VAR dengan orde 𝑝 ditampilkan
pada persamaan berikut.

𝒀𝑡 = 𝜱1 𝒀𝑡−1 + ⋯ + 𝜱𝑝 𝒀𝑡−𝑝 + 𝒆𝑡

Menurut Lütkepohl (2005), dengan mengasumsikan 𝒆𝑡 berdistribusi normal, pendugaan

model VAR(𝑝) dapat menggunakan metode Maximum Likelihood Estimation (MLE).
Fungsi kepekatan peluang 𝒆𝑡 adalah
𝑇 𝑇
−2 −2 1 −1 𝒆
𝐿(𝜸, 𝚺) = 2𝜋 𝛴 exp − 2 𝒆𝑡 ′ 𝛴 𝑡
 Tinjauan Pustaka
Uji White Noise Sisaan
Hipotesis
𝐻0 : 𝜞 𝑖 = (𝜞 1 , … , 𝜞 𝑘 ) = 𝟎 : sisaan saling bebas vs
𝐻1 : 𝜞 𝑖 ≠ 𝟎 untuk 1 ≤ 𝑖 ≤ 𝑘 : sisaan tidak saling bebas
Statistika Uji
෡ ′𝑖 𝑪
𝑄𝑘 = 𝑇 σℎ𝑖=1 𝑡𝑟(𝑪 ෡ −1 ෡ ෡ −1
0 𝑪𝒊 𝑪0 )

෡ 𝑖 = 1 σ𝑇𝑡=𝑖+1 𝒆ො 𝒕 𝒆ො ′𝒕−𝒊
dengan 𝑪 𝑇

Terima 𝐻0 apabila statistik uji 𝑄𝑘 < 𝜒 2 (𝑚2 𝑘−𝑝 ) atau p-value > α.
 Tinjauan Pustaka
Uji Normalitas Sisaan
Hipotesis
𝐻0 : sisaan berdistribusi normal multivariat vs
𝐻1 : sisaan tidak berdistribusi normal multivariat
Statistik uji yang digunakan adalah

σ𝑇
𝑡=1 𝑥𝑡 −𝑥ҧ 𝑞𝑡 −𝑞
ത
𝑟𝑄 =
σ𝑇
𝑡=1 𝑥𝑡 −𝑥ҧ
2 σ𝑇 ത 2
𝑡=1 𝑞𝑡 −𝑞

Terima 𝐻0 apabila 𝑟𝑄 > 𝑟𝑄(𝛼,𝑇) .

 Tinjauan Pustaka
Identifikasi Efek MGARCH
Hipotesis
𝐻0 : 𝜷𝟏 = ⋯ = 𝜷𝑞 = 𝟎 : tidak terdapat unsur Multivariate GARCH
𝐻1 : 𝜷𝑞 ≠ 𝟎 : terdapat unsur Multivariate GARCH
Statistik uji yang digunakan adalah
1
෡ 𝑣𝑒𝑐ℎ 𝜮
𝐿𝑀𝑀𝐴𝑅𝐶𝐻 𝑞 = 2 𝑇𝑚 𝑚 + 1 − 𝑇 𝑡𝑟(𝜮 ෡ −1
0 )

2
Tolak 𝐻0 apabila 𝐿𝑀𝑀𝐴𝑅𝐶𝐻 𝑞 > 𝜒𝑞𝑚 2 (𝑚+1)2 /4 atau p-value < α.
 Tinjauan Pustaka
Model dBEKK-GARCH
Ruang parameter model MGARCH memiliki dimensi yang besar secara umum dan
perlu dibatasi untuk menjamin keunikan representasi dan untuk mendapatkan properti
yang sesuai dari kovarian bersyarat. Untuk mengurangi ruang parameter, Bollerslev et al.
(1988) membahas model MGARCH diagonal dalam bentuk berikut.
𝑁 𝑞 𝑁 𝑚
∗′
𝜮𝑡|𝑡−1 = 𝑪∗′ ∗
0 𝑪0 +෍ ෍ 𝜞𝑗𝑛 𝒆𝑡−𝑗 𝒆′𝑡−𝑗 𝜞𝑗𝑛
∗
+෍ ෍ ∗′
𝑮𝑗𝑛 ∗
𝜮𝑡−𝑗|𝑡−𝑗−1 𝑮𝑗𝑛
𝑛=1 𝑗=1 𝑛=1 𝑗=1
Metode MEWMA
Model volatilitas multivariat termudah untuk diterapkan adalah Exponential
Weighted Moving Average (EWMA). Bentuk model multivariat EWMA dapat dituliskan
sebagai berikut.
෡ 𝑡−1 + 1 − 𝜆 𝒀,𝑡−1 𝒀𝑡−1
෡ 𝑡 = 𝜆𝜮
𝜮
dengan elemen individu yang diberikan adalah
,
𝜎ො𝑡,𝑖𝑗 = 𝜆𝜎ො𝑡−1,𝑖𝑗 + 1 − 𝜆 𝑌𝑡−1,𝑖 𝑌𝑡−1,𝑗 dimana 𝑖, 𝑗 = 1, … , 𝑚
 Tinjauan Pustaka
Value at Risk (VaR)
Menurut Morgan (1996), Value at Risk (VaR) merupakan suatu metode untuk
menilai risiko dengan menggunakan teknik statistik standar, dimana VaR merupakan
ukuran kerugian terburuk yang diharapkan akan terjadi pada horison waktu tertentu
pada kondisi pasar yang normal dengan tingkat kepercayaan tertentu. Adapun formula
VaR yang dapat digunakan dituliskan pada persamaan berikut.

𝑉𝑎𝑅 = −𝜎ො𝑡,𝑖𝑗 𝑍𝛼 𝑅𝑡
 Metode Penelitian
Jenis dan Sumber Data Penelitian

Peubah Satuan Sumber

𝒀1 IHSG Poin www.investing.com
𝒀2 Kurs Dollar Amerika terhadap Rupiah Rupiah www.investing.com

Periode Oktober 2019 - Januari 2021

 Metode Penelitian
Langkah-langkah Penelitian

Mulai Eksplorasi Data

Identifikasi orde p
Model VAR(𝑝)
menggunakan skema MPACF

Diaknostik Sisaan Model VAR(𝑝)

A
Metode Penelitian
A

Pengujian Efek MGARCH Penentuan Decay Factor

Model dBEKK-GARCH Model MEWMA

Peramalan Peramalan

Menghitung VaR Menghitung VaR

Perbandingan Metode Selesai

 Daftar Pustaka
Agresti. 2002. Categorical Data Analysis. Second Edition. United States of America: John Wiley &
Sons, Inc.
Box, G.E.P., Jenkins, G.M., dan Reinsel, G.C. 1994. Time Series Analysis: Forecasting and Control.
Third Edition. United States of America: Prentice-Hall Inc.
Cryer, J.D. dan Chan, K. 2008. Time Series Analysis With Aplications In R. Second Edition. New York:
Springer Science and Business Media.
Danielsson. Jon. 2011. Financial Risk Forecassting. Great Britain: CPI Antony Rowe, Chippenham,
Wiltshire.
Jayanti, Dwi. 2021. “Kajian Volatilitas dan Korelasi Dinamis Harga Minyak Nabati dan Minyak Dunia
dengan Model M-GAS dan DCC-GARCH”. Tesis. Sekolah Pascasarjana, Statistika Terapan,
Institut Pertanian Bogor, Bogor.
Johnson. R. A dan Wichern D. W. 2007. Applied Multivariat Statistical Analysis. Sixth Edition.
United States of America: Prentice Hall.
Lütkepohl, Helmut. 2005. New Introduction Multiple Time Series Anlysis. Germany: Springer-Verlag
Berlin Heidelberg.
 Daftar Pustaka
Makridakis, S., Wheelwright, S.C. dan McGee. V.E. 1999. Metode dan Aplikasi Peramalan. Edisi
Kedua. Terjemahan Ir. Hari Suminto. Jakarta: Binarupa Aksara.
Morgan, J. P. 1996. RiskMetricTM –Technical Document. Fourth Edition. New York: Morgan Guaranty
Trust Company.
Renggani, Puspa dkk. 2020. “Comparison Of Symmetric And Asymmetric Garch Models In The
Futures Contract Of Robusta Coffee In Jakarta Futures Exchange”. International Journal of
Scientific and Research Publications. Volume 10. Issue 11. ISSN 2250-3153.
Rosyida, Diana. 2016. “Pemodelan Deret Waktu Multivariat VARIMA-BEKK GARCH pada Data Nilai
Tukar Dollar Amerika terhadap Rupiah dan IHSG”. Skripsi. FMIPA, Program Studi Statistika,
Jurusan Matematika, Universitas Brawijaya, Malang.
Tsay, R.S. 2002. Multivariate Time Series Analysis. United States of America: John Wiley & Sons, Inc.
Wei, W.W.S. 2006. Time Series Anlysis: Univariate and Multivariate Methods. Second Edition.
United States of America: Pearson Education Inc.
Wororomi, J.K. 2016. “Pengembangan Diagram Kontrol MEWMA Berbasis Model untuk
Pengamatan Tak Random”. Disertasi. Program Doktor, Jurusan Statistika, Institut Teknologi
Sepuluh Nopember, Surabaya.
TERIMA KASIH