ARCH GARCH

Forecasting

https://bit.ly/Lab6TS
Volatility

Clustering

Sebagian data memiliki ragam yang kecil

sedangkan sebagian lain memiliki ragam
yang besar

Varians tidak konstan antar waktu

Data tidak Stasioner dan

Heteroskedastis
 Remediasi masalah
ARCH GARCH heteroskedastisitas

Model ARCH digunakan untuk

menyelesaikan masalah
heteroskedastisitas pada model atau
kondisi dimana varians dari error term
data tidak konstan

Model univariat yang merupakan Kelanjutan dari model

kelanjutan dari model ARIMA ARIMA dan OLS
untuk data yang memiliki masalah
heteroskedastisitas Model ini diperlukan jika kalian ingin
membuat persamaan univariat dengan
data yang mempunyai masalah
heterokedastisitas
Pengembangan Model ARCH GARCH -

GARCH with
1 ARCH Model 4
ARMA Process

2 GARCH Model
5 EGARCH

3 6 TARCH
ARCH in Mean
Tahapan forcasting ARCH GARCH

1. Stationarity test
2. Mencari ordo terbaik
3. ARCH effect test/melihat heteroskedastisitas
4. Model with ARCH GARCH
5. Stationarity test on Variance
6. Forecast ARCH GARCH
 command:
estat archlm, lags(1/n)
Hipotesis:
ARCH
• H0 : tidak memiliki ARCH Effect
• Ha : memiliki ARCH Effect
Effect Kriteria :
•p.value < α H0 ditolak
Test •p.value > α H0 tidakdapatditolak
3
Kesimpulan :
•Dengan tingkat signifikansi 1% / 5% /
1 10% dapat disimpulkan bahwa model
(memiliki/tidak memiliki) ARCH effect
pada periode ...
 GARCH Model
ARCH Model
Generalized Autoregressive Conditional
Autoregressive Conditional Heteroskedasticity
Heteroskedasticity

modelling conditional variance yang

modelling conditional variance yang
berkaitan dengan error kuadrat periode
berkaitan dengan error kuadrat periode
sebelumnya (AR model)
sebelumnya dan juga conditional
variance periode sebelumnya (ARMA
Model)
 GARCH with EGARCH

ARMA Process

Jika terdapat leverage effect dan

Conditional variance sama seperti terdapat negativity dalam variance

GARCH Model, Conditional Mean equation yang dimiliki GARCH murni

diregresi dengan proses ARMA dan

memiliki efek seasonal.

Conditional Variance
Asymmetry in GARCH
 ARCH:
Model
arch varname l.varname, arch (p)

with ARCH
GARCH:
GARCH arch varname l.varname, arch (p) garch (q)

Keterangan : ARCH-M:
arch varname l.varname, archm arch (p)
(p) = lag atau ordo dari model AR
(q) = lag atau ordo dari model MA
3
GARCH with ARMA Process:
arch varname, ar (p) ma (q) arch (p) garch (q)
Contoh :
1
Model GARCH dengan ordo ARMA(1,1)
EGARCH:
arch varname, ar (p) ma (q) earch (p) egarch (q)
Maka Commandnya :
arch varname l.varname, arch(1) garch(1)
 Stationarity test

on variance

Hipotesis:
Kesimpulan:
H0 : non-stasioner
Jadi, dengan tingkat signifikansi 1%/5%/10% dapat
Ha : stasioner
disimpulkan bahwavariansnya stasioner di tingkat level

Kriteria:
The non-stationarity on variance may indicate asymmetry
p.value < α H0 ditolak
effect within the model, so we need to use model for
p.value > α H0 tidak dapatditolak
asymmetry to deal with it.

Forecasting
Metode untuk mengetahui
apa yang terjadi di masa
depan agar kita bisa
mengambil kebijakan efektif
1 efisien saat ini. Terdapat
dan
2 tipe forecasting:
1.STATIC FORECASTING
Menggunakan data aktual
Hanya memprediksi untuk satu periode saja,
Perbedaan data asli dan hasil peramalan tidak
jauh berbeda
2. DYNAMIC FORECASTING
Menggunakan data peramalan periode
3
sebelumnya untuk memprediksi periode
berikutnya
Dapat meramal > 1 periode
Perbedaan data asli dan hasil peramalannya
jauh lebih besar (daripada peramalan statis)
 !
Thank You