ANALISIS MODEL REGRESI UNIVARIAT

Ekonometrika model AR, ARCH, dan GARCH adalah tiga model ekonometrika yang
berbeda yang digunakan untuk memprediksi dan menganalisis volatilitas dalam data
keuangan.

Model AR (Autoregressive): Model AR adalah model linier yang mengasumsikan bahwa

tingkat volatilitas suatu saham atau indeks tergantung pada tingkat volatilitas saat
sebelumnya. Dalam model AR, tingkat volatilitas saat ini diprediksi menggunakan tingkat
volatilitas beberapa periode sebelumnya.

Model ARCH (Autoregressive Conditional Heteroskedasticity): Model ARCH

mengasumsikan bahwa tingkat volatilitas suatu saham atau indeks tergantung pada
tingkat volatilitas saat sebelumnya dan varian dari tingkat volatilitas. Dalam model
ARCH, tingkat volatilitas saat ini diprediksi menggunakan tingkat volatilitas beberapa
periode sebelumnya dan varian dari tingkat volatilitas.

Model GARCH (Generalized Autoregressive Conditional Heteroskedasticity): Model

GARCH adalah versi yang lebih canggih dari model ARCH. Dalam model GARCH,
tingkat volatilitas saat ini diprediksi menggunakan tingkat volatilitas beberapa periode
sebelumnya dan varian dari tingkat volatilitas, serta dampak dari tingkat volatilitas dan
varian tersebut pada tingkat volatilitas saat ini.

Kesimpulannya, ketiga model ini membantu investor dan analis keuangan dalam
memahami dan memprediksi tingkat volatilitas pasar keuangan, sehingga mereka dapat
membuat keputusan investasi yang lebih baik.

Berikut adalah model matematis dari AR, ARCH, dan GARCH:

Model AR (Autoregressive): Model AR dapat diformulasikan sebagai berikut:

Ht = C + ϕ1*Ht-1 + εt

di mana:

Ht adalah tingkat volatilitas saat ini

C adalah konstanta

ϕ1 adalah parameter AR pertama

Ht-1 adalah tingkat volatilitas periode sebelumnya

εt adalah error acak pada periode t

1
Model ARCH (Autoregressive Conditional Heteroskedasticity): Model ARCH dapat
diformulasikan sebagai berikut:

Ht = C + ϕ1 * Ht-1 + γ1 * εt-12 + εt

di mana:

Ht adalah tingkat volatilitas saat ini

C adalah konstanta

ϕ1 adalah parameter AR pertama

Ht-1 adalah tingkat volatilitas periode sebelumnya

γ1 adalah parameter ARCH pertama

εt-12 adalah varian dari tingkat volatilitas periode sebelumnya

εt adalah error acak pada periode t

Model GARCH (Generalized Autoregressive Conditional Heteroskedasticity): Model

GARCH dapat diformulasikan sebagai berikut:

Ht = C + ϕ1 * Ht-1 + γ1 * εt-12 + θ1 * Ht-1 * εt-12 + εt

di mana:

Ht adalah tingkat volatilitas saat ini

c adalah konstanta

ϕ1 adalah parameter AR pertama

Ht-1 adalah tingkat volatilitas periode sebelumnya

γ1 adalah parameter ARCH pertama

εt-12 adalah varian dari tingkat volatilitas periode sebelumnya

θ1 adalah parameter GARCH pertama

εt adalah error acak pada periode t

Catatan: Dalam setiap model, parameter dapat diterima dengan menggunakan teknik
optimisasi seperti Metode Kalman Filter atau Maximum Likelihood Estimation untuk
memperbaiki hasil prediksi.

2
Bagaimana dengan mean model

Model Mean adalah model yang digunakan untuk memprediksi rata-rata (mean) dari
suatu siklus data. Model Mean dapat dibangun dengan berbagai teknik seperti Moving
Average, Exponential Smoothing, atau ARIMA (AutoRegressive Integrated Moving
Average).

Berikut adalah beberapa model mean yang umum digunakan:

Moving Average (MA): Model MA dapat diformulasikan sebagai berikut:

Yt = μ + εt + θ1 * εt-1

di mana:

yt adalah nilai mean pada periode t

μ adalah konstanta mean

εt adalah error acak pada periode t

θ1 adalah parameter MA pertama

εt-1 adalah error acak pada periode sebelumnya

Exponential Smoothing: Model Exponential Smoothing dapat diformulasikan sebagai
berikut:

yt = α* yt-1 + (1 - α) * yt-1

di mana:

yt adalah nilai mean pada periode t

yt-1 adalah nilai mean pada periode sebelumnya

α adalah faktor smoothing, dengan nilai antara 0 dan 1

ARIMA (AutoRegressive Integrated Moving Average): Model ARIMA dapat

diformulasikan sebagai berikut:

Yt = c + ϕ1 * yt-1 + θ1 * εt-1 + εt

di mana:

y_t adalah nilai mean pada periode t

c adalah konstanta mean

ϕ1 adalah parameter AR pertama

yt-1 adalah nilai mean pada periode sebelumnya

θ1 adalah parameter MA pertama

εt-1 adalah error acak pada periode sebelumnya

εt adalah error acak pada periode t

3
Catatan: Dalam setiap model, parameter dapat diterima dengan menggunakan teknik
optimisasi seperti Metode Kalman Filter atau Maximum Likelihood Estimation untuk
memperbaiki hasil prediksi.

Apa yang dimaksud dengan AR (AutoRegressive)?

= Suatu model yang memprediksi harga saham berdasarkan harga saham sebelumnya

Bagaimana cara memodelkan AR?

= Dengan memodelkan autokorelasi data

Apa yang dimaksud dengan ARCH (AutoRegressive Conditional Heteroskedasticity)?

= Suatu model yang memprediksi varians data berdasarkan varians data sebelumnya

Bagaimana cara memodelkan ARCH?

= Dengan memodelkan varians data

Apa yang dimaksud dengan GARCH (Generalized AutoRegressive Conditional

Heteroskedasticity)?

= Suatu model yang memprediksi varians data berdasarkan varians data sebelumnya dan
error acak sebelumnya

Bagaimana cara memodelkan GARCH?

= Dengan memodelkan varians, autokorelasi, dan error acak

Manakah dari model berikut ini yang tidak memperhitungkan error acak dalam
memprediksi varians data?

= AR

Model mana yang paling banyak digunakan dalam memodelkan volatilitas pasar
finansial?

= GARCH

Keuntungan menggunakan model ARCH dan GARCH dibandingkan model AR adalah...

= Memperhitungkan error acak

Keterbatasan model ARCH dan GARCH adalah...

= Terlalu banyak memperhitungkan error acak