GARCH Model in R
Dari output gambar di atas, terlihat bahwa data mengalami fluktuasi yang tinggi. Tipe data
runtun waktu seperti ini sulit untuk dimodelkan atau dianalisis menggunakan metode time
series yang standar. Untuk menganalisis harga saham, biasanya data seperti pada gambar
tidak langsung digunakan, kita perlu mengonversinya menjadi data pengembalian harian
(daily returns data).
> sd(return)
[1] 0.0192738
> sqrt(252)*sd(return)
[1] 0.3059621
> chart.RollingPerformance(R=return["2008::2019"],
+ width = 22,
+ FUN="sd.annualized",
+ scale=252,
+ main="Apple's Monthly Rolling Volatility")
#Plot volatilitas tahunan
> chart.RollingPerformance(R=return["2008::2019"],
+ width = 252,
+ FUN="sd.annualized",
+ scale=252,
+ main="Apple's Yearly Volatility")
#Model 1 : Model GARCH standar dengan mean konstan
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001836 0.000276 6.6590 0
omega 0.000014 0.000001 9.9981 0
alpha1 0.105551 0.001238 85.2334 0
beta1 0.854386 0.009940 85.9563 0
LogLikelihood : 7994.753
Information Criteria
------------------------------------
Akaike -5.2936
Bayes -5.2857
Shibata -5.2936
Hannan-Quinn -5.2908
- Orde dari model GARCH standar (sGARCH(p,q)) adalah p=1 dan q=1.
- Mean dari AR = 0 dan mean dari MA=0 (konstan).
- Distribusi dari model adalah normal.
- Estimasi nilai parameternya adalah: mu (𝜇) = 0.001836; omega (𝜔) = 0.000014;
alpha1 (𝛼1 ) = 0.10555; beta1 (𝛽1 ) = 0.854386
- P-value dari setiap paramater menunjukkan bahwa keempat parameter model secara
statistik signifikan mempengaruhi model (p-value < 0.05).
- Model sGARCH yang terbentuk adalah:
𝑅𝑡 = 𝜇 + 𝑒𝑡
𝑅𝑡 = 0.001836 + 𝑒𝑡
𝜎𝑡2 = 𝜔 +𝛼1 𝑒𝑡−12 2
+𝛽1 𝜎𝑡−1
𝜎𝑡2 =0.000014 + 0.10555𝑒𝑡−1 2
+0.854386𝜎𝑡−12
- Output dari Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahw
a p-value dari setiap lag lebih besar dari 0.05, sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Pada uji Goodness-of-Fit, terlihat bahwa semua p-value kurang dari 0.05, sehingga H0
ditolak yang berarti residual dari model tidak berdistribusi normal.
> plot(model, which="all")
> plot(sigma(prediksi))
Berdasarkan plot di atas, model memprediksikan untuk 20 periode kedepan (dalam hari) volatilitas
akan meningkat.
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001480 0.000279 5.3108 0.000000
omega 0.000006 0.000004 1.6958 0.089915
alpha1 0.085043 0.014278 5.9561 0.000000
beta1 0.902292 0.018799 47.9966 0.000000
skew 1.005530 0.025139 39.9982 0.000000
shape 4.752023 0.436501 10.8866 0.000000
LogLikelihood : 8135.742
Information Criteria
------------------------------------
Akaike -5.3857
Bayes -5.3738
Shibata -5.3857
Hannan-Quinn -5.3814
- Jika kita perhatikan output untuk uji Goodness-of-Fit, semua p-value yang dihasilkan
lebih dari 0.05, sehingga kita menerima H0 yang berarti residu dari model
berdistribusi normal.
- Output Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahwa p-
value dari semua lag lebih besar dari 0.05 , sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Jika kita membandingkan kriteria Akaike dari model 1 dan model 2, model 2
memiliki nilai AIC yang lebih kecil. Disamping itu, residu dari model 2 (GARCH
dengan skewed student t-distribution) memeuhi asumsi white noise (independent/ tidak saling
berkorelasi dan identik/ berdistribusi normal), sehingga dapat disimpulkan model 2 lebih baik
dari model 1.
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001308 0.000264 4.9493 1e-06
omega 0.000010 0.000001 10.3623 0e+00
alpha1 0.022785 0.004046 5.6313 0e+00
beta1 0.873066 0.010998 79.3825 0e+00
gamma1 0.163845 0.023676 6.9203 0e+00
skew 1.001591 0.025055 39.9753 0e+00
shape 5.187647 0.437089 11.8686 0e+00
LogLikelihood : 8166.682
Information Criteria
------------------------------------
Akaike -5.4056
Bayes -5.3916
Shibata -5.4056
Hannan-Quinn -5.4005
- Terdapat tujuh parameter yang kesemua parameter memiliki p-value kurang dari 0.05.
Berarti tujuh parameter model secara statistik signifikan mempengaruhi model.
- Model GJR-GARCH yang terbentuk adalah:
𝑅𝑡 = 𝜇 + 𝑒𝑡
𝑅𝑡 =0.001308+ 𝑒𝑡
𝜎𝑡2 (𝑒𝑡−1 < 0) = 𝜔 +(𝛼 + 𝛾)𝑒𝑡−12 2
+𝛽𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 < 0) = 0.000010 +(0.022785 + 0.163845)𝑒𝑡−1 2 2
+0.873066𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 > 0) = 𝜔 +𝛼𝑒𝑡−12 2
+𝛽𝜎𝑡−1
𝜎𝑡2 (𝑒𝑡−1 > 0) = 0.000010 +0.022785𝑒𝑡−12
+0.873066 𝜎𝑡−12
- Jika kita perhatikan output untuk uji Goodness-of-Fit, semua p-value yang dihasilkan
lebih dari 0.05, sehingga kita menerima H0 yang berarti residu dari model
berdistribusi normal.
- Output Weighted Ljung-Box Test on Standardized Residuals menunjukkan bahwa p-
value dari semua lag lebih besar dari 0.05 , sehingga H0 diterima yang berarti tidak
ada korelasi antar residu.
- Jika kita membandingkan kriteria Akaike dari model 1, model 2, dan model 3, model
3 memiliki nilai AIC yang lebih kecil. Disamping itu, residu dari model 3 memenuhi
asumsi white noise (independent/ tidak saling berkorelasi dan identik/ berdistribusi normal),
sehingga dapat disimpulkan model 3 lebih baik dari dua model sebelumnya.
> plot(model, which="all")
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001278 0.000270 4.7271 0.000002
ar1 0.026030 0.018030 1.4437 0.148813
omega 0.000010 0.000001 10.8776 0.000000
alpha1 0.021276 0.004119 5.1649 0.000000
beta1 0.872489 0.010957 79.6301 0.000000
gamma1 0.168141 0.024148 6.9628 0.000000
skew 1.002293 0.025150 39.8533 0.000000
shape 5.230808 0.443529 11.7936 0.000000
LogLikelihood : 8167.718
Information Criteria
------------------------------------
Akaike -5.4056
Bayes -5.3896
Shibata -5.4056
Hannan-Quinn -5.3998
- Terdapat delapan parameter dalam model. Satu diantaranya memiliki p-value yang
lebih besar dari 0.05, yaitu parameter AR(1) yang berarti parameter tersebut secara
statistik tidak signifikan. Dengan demikian, kita tidak menggunakan model AR(1)
GJR-GARCH ini.
Optimal Parameters
------------------------------------
Estimate Std. Error t value Pr(>|t|)
mu 0.001344 0.000344 3.90631 0.000094
archm -0.159380 1.102684 -0.14454 0.885075
omega 0.000010 0.000001 10.89020 0.000000
alpha1 0.022736 0.005949 3.82154 0.000133
beta1 0.873443 0.011018 79.27754 0.000000
gamma1 0.163989 0.024209 6.77394 0.000000
skew 1.001301 0.025275 39.61686 0.000000
shape 5.185832 0.442822 11.71088 0.000000
LogLikelihood : 8166.69
Information Criteria
------------------------------------
Akaike -5.4049
Bayes -5.3890
Shibata -5.4049
Hannan-Quinn -5.3992