Andi Riska Fitriani

Seminar Statistika II
ANALISIS NILAI RISIKO PADAINDEKS HARGA SAHAM

GABUNGAN MENGGUNAKAN METODE INTEGRATED
GENERALIZED AUTOREGRESSIVE CONDITIONAL
HETEROSKEDASTICITY(IGARCH)
ANDI RISKA FITRIANI

H 121 16 004
Pembimbing Utama : Dr. Erna Tri Herdiani, S.Si.,M.Si
Pembimbing Pertama : Dra. Nasrah Sirajang, M.Si
Penguji : 1. Andi Kresna Jaya, S.Si, M.Si
2. Dr. Anna Islamiyanti, S.Si,M.Si
PROGRAM STUDI STATISTIKA DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2020
DAFTAR ISI
DAFTAR ISI.......................................................................................................................i
DAFTAR TABEL..............................................................................................................ii
DAFTAR GAMBAR........................................................................................................iii
DAFTAR LAMPIRAN.....................................................................................................iv
BAB I.................................................................................................................................1
PENDAHULUAN.............................................................................................................1
1.1 Latar Belakang...................................................................................................1
1.2 Rumusan Masalah..............................................................................................4
1.3 Batasan Masalah.................................................................................................4
1.4 Tujuan Penelitian................................................................................................4
1.5 Manfaat Penelitian..............................................................................................4
BAB II...............................................................................................................................6
TINJAUAN PUSTAKA.....................................................................................................6
2.1 Investasi dan Saham...........................................................................................6
2.2 Return.................................................................................................................6
2.3 Stasioneritas.......................................................................................................7
2.4 Fungsi Autokerelasi dan Fungsi Autokorelasi Parsial........................................7
2.4.1 Fungsi Autokorelasi....................................................................................7
2.4.2 Fungsi Autokorelasi Parsial........................................................................8
2.5 Model Autoregressive Integrated Moving Average (ARIMA).................................9
2.5 Pengujian Diagnostik Model............................................................................10
2.5.1 Uji Signifikansi Parameter........................................................................10
2.5.2 Uji residual white noise............................................................................11
2.6 Uji Lagrange-Multiplier...................................................................................11
2.7 Model GARCH................................................................................................12
2.8 Pemodelan IGARCH........................................................................................13
2.9 Pemilihan Model Terbaik.................................................................................14
2.10 Metode Peaks Over Throshold (POT)..............................................................14
i
2.11 Penentuan Nilai Threshold dan Nilai Ekstrim..................................................15
2.12 Uji Kolmogorov Simornov................................................................................16
2.13 Estimasi Parameter...........................................................................................17
2.14 Metode Newton-Rapshon.................................................................................18
2.15 Value at Risk (VaR).........................................................................................18
BAB III............................................................................................................................21
METODE PENELITIAN.................................................................................................21
3.1 Sumber Data.....................................................................................................21
3.2 Variabel Penelitian.................................................................................................21
3.3 Tahapan Analisis....................................................................................................21
BAB IV............................................................................................................................23
HASIL DAN PEMBAHASAN........................................................................................23
4.1 Statistika Deskriptip Harga dan Return Saham......................................................23
4.2 Identifikasi Kestasioneran Data..............................................................................24
4.3 Pemodelan GARCH...............................................................................................27
4.4 Pemodelan IGARCH..............................................................................................30
4.5 Estimasi Parameter IGARCH.................................................................................30
4.7 Penentuan Nilai Threshold dan Nilai Ekstrim........................................................35
4.8 Pengujian dan Estimasi Distribusi..........................................................................35
4.9 Perhitungan VaR.....................................................................................................40
BAB V.............................................................................................................................42
KESIMPULAN DAN SARAN........................................................................................42
5.1 Kesimpulan............................................................................................................42
5.2 Saran......................................................................................................................42
DAFTAR PUSTAKA......................................................................................................43
LAMPIRAN.....................................................................................................................46
ii
DAFTAR TABEL
Tabel 4.1 Statistika Deskriptif Return IHSG Periode Oktober 2014-April 24

2020………………………………………………………………..
Tabel 4.2 Perbandingan Model ARIMA…………………………………… 26
Tabel 4.3 Perbandingan Pemodelan GARCH……………………………… 29
Tabel 4.4 Estimasi Parameter GARCH(1,1)……………………………….. 29
Tabel 4.5 Perbandingan Model IGARCH…………………………………. 30
Tabel 4.6 Estimasi Parameter IGARCH…………………………………… 34
Tabel 4.7 Permalan IHSG Model IGARCH(1,2)…………………………... 34
Tabel 4.8 Uji Kesesuaian Distribusi………………………………………... 35
Tabel 4.9 Estimasi Parameter GPD………………………………………… 40
Tabel 4.10 Perbandingan Nilai Risiko.…………………………………… 41
iii
DAFTAR GAMBAR
Gambar 4. 1 Plot Harga Penutupan IHSG Periode Oktober 2014-April 23

2020………………………………………………………………………….
Gambar 4. 2Plot Return IHSG Periode Oktober 2014-April 2020……....... 24
Gambar 4. 3 ACF return saham……………………………………………. 25
Gambar 4. 4 PACF return saham…………………………………………. 25
Gambar 4. 5 Plot Fungsi ACF dari data residual………………………………. 28
Gambar 4. 6 Plot Fungsi PACF dari data residual……………………………. 28
iv
DAFTAR LAMPIRAN
LAMPIRAN I. Data IHSG Oktober 2014 – April 2020………………….. 45

LAMPIRAN II. Plot Box-Cox………………………………………..…… 64
LAMPIRAN III. Dickey-Fuller Test………………..……………………… 65
LAMPIRAN IV. Signifikansi Parameter ARIMA………………………….. 66
LAMPIRAN V. Uji White-Noise Model ARIMA…………………………. 71
LAMPIRAN VI . Uji Efek Heterokedastisitas……………………….…… 73
LAMPIRAN VII. Signifikansi Parameter GARCH………………….…… 74
LAMPIRAN VIII. Estimasi Parameter Model IGARCH(1,2)………….… 80
LAMPIRAN IX. Estimasi Parameter GPD………………………..….…… 81
v
BAB I
PENDAHULUAN
1.1 Latar Belakang

Risiko dapat didefinisikan sebagai volatilitas outcome yang umumnya
berupa nilai dari suatu aktiva atau hutang (Ghozali, 2007).Dunia investasi hampir
seluruhnya mengandung ketidakpastian atau risiko. Pengetahuan tentang risiko
merupakan suatu hal yang sangat penting dimiliki oleh setiap investor maupun
calon investor, untuk meminimalkan risiko yang mungkin akan diperoleh dalam
proses investasi. Pada setiap investasi terdapat dua hal yang mendasar yang selalu
menyertai yaitu tingkat keuntungan (return) dan risiko yang akan dihadapi.
Return dan risiko mempunyai hubungan yang kuat dan linear yaitu jika risiko
tinggi maka return juga akan tinggi atau sebaliknya (Fauziah, 2014). Untuk
mengatasi kendala tersebut investor dapat memperkirakan berapa besar
keuntungan yang akan diperoleh dan seberapa jauh kemungkinan hasil yang akan
didapatkan (Husnan, 2009).
Pada umumnya data return saham memiliki tiga karakteristik . Pertama
heteroskedastisitas. Kedua adalah fat tailedness (excess kurtosis), artinya return
keuangan sering menampilkan ekorlebih besar dari distribusi normal standar.
Ketiga adalah leverageeffect, adalah suatu keadaan dimana kondisis bad news dan
good news memberi pengaruh yang tidak simetris dalam volatilitas (Dwipa.2016).
Sehingga dapat digunakan model generalized autoregresive conditional
heteroskedasticity (GARCH) karena dianggap dapat menangkap tiga karakteristik
utama pada return keuangan (Dwipa. 2016).
Perkembangan tipe model GARCH dimulai (Engle: 1982) yang
memperkenalkan ARCH untuk model heteroskedastisitas dengan melihat
hubungan variansi bersyarat dari kombinasi linear kuadrat di masa lalu.
Selanjutnya Bollersev (1986) memperkenalkan model GARCH sebagai
pengembangan model ARCH.Model GARCH merupakan model runtun waktu
yang dapat menjelaskan heteroskedastisitas pada data. Akan tetapi, model
ARCH/GARCH tidak selalu dapat menangkap secara penuh adanya unit root
1
dengan frekuensi tinggi, sehingga sangat sulit untuk memberikan keputusan
kapan suatu pelaku saham akan memposisikan dirinya sebagai pembeli atau
penjual.Selain itu model ARCH dan GARCH tidak mempertimbangkan leverage
effect secara mendalam. Definisi leverage effect yaitu suatu keadaan bad news
dan good news yang memberikan pengaruhasimetris terhadap volatilitas. Data
dikatakan bad news ketika volatilitas mengalami penurunan sedangkan keadaan
dikatakan good news ketika volatilitas mengalami kenaikan secara berkala. Francq
dan Jakoian (1993) menemukan model Integrated Generalized Autoregresive
Conditional Heteroskedascticity (IGARCH) yang dapat menutupi kelemahan
model GARCH dikhususkan pada adanya unit root dengan frekuensi tinggi
(Megawati.2020).
Pada data deret waktu keuangan diduga memiliki ekor distribusi
yang gemuk (heavy tail) yaitu ekor distribusi turun secara lambat bila
dibandingkan dengan distribusi normal (Hastaryta dan Effendie, 2006). Hal ini
dapat menyebabkan peluang terjadinya nilai ekstrim yang dapat menyebabkan
risiko keuangan menjadi cukup besar (Zuhara et al., 2012). Oleh karena itu,
Extreme Value Theory (EVT) merupakan salah satu metode yang dapat dicoba
untuk mengukur VaR karena metode ini mengkhususkan diri untuk data
runtun waktu finansial yang memiliki ekor distribusi gemuk (heavy tail).
Pendekatan yang digunakan metode EVT ini adalah Peaks-Over-Threshold (POT)
dan Block-Maxima (BM). Pada metode Block-Maxima merupakan metode
klasik dalam EVT yang mengidentifikasikan nilai ektsrim berdasarkan nilai
maksimum dari data observasi yang dikelompokkan berdasarkan periode
tertentu. Metode ini akan mengikuti distribusi Generalized Extreme Value
(GEV)(Gilli, M. et al 2006). Pada metode POTmengidentifikasi nilai ekstrim
dengan cara menentukan nilai ambang (threshold). Pemilihan threshold
dilakukan sedemikian sehingga data yang berada di atas thresholdtersebut
10% dari keseluruhan data yang telah diurutkan dari terbesar hingga
terkecil(Tsay, 2005).Data yang melebihi nilai ambang tersebut merupakan nilai
ekstrim.
2
Para investor menyadari bahwa dalam berinvestasi mereka harus
mengukur sumber-sumber risiko setepat mungkin sehingga risiko dapat terkontrol
dan terminimalisir menggunakan konsep manajemen risiko.Salah satu alat analisis
manajemen risiko adalah Value at Risk (VaR) (Zumrohtuliyosi, 2015).Metode
VaR dikembangkan pada tahun 1996 dalam pengukuran resiko (JP
Morgan:1996).Pada masa selanjutnya penggunaan metode ini sangat luas untuk
mengukur berbagai jenis risiko karena selain untuk mengukur risiko atas aset
tunggal juga bisa digunakan untuk mengukur risikoatas aset dalam suatu
portofolio. Metode VaR merupakan suatu metode pengukuran risiko yang secara
statistik mengestimasi kerugian maksimum yang mungkin terjadi atas suatu
portofolio pada tingkat kepercayaan (confidence level) tertentu (Best,1998)
Penelitian yang telah dilakukan sebelumnya Zuhara et al (2012)
membahas Penggunaan Metode VaR dalam Analisis Risiko Investasi Saham
dengan menggunakan Pendekatan Generalized Pareto Distribution
(GPD).Febriana (2014) memodelkan VaR Menggunakan Model Integrated
Generalized Autoregressive Conditional Heteroscedasticity (IGARCH),
.Zumrohtuliyosi et al (2015) menentukan VaRyang diterapkan pada saham kimia
farma pusat melalui pendekatan distribusi pareto terampat. Inrookuttafkiroh
(2017) menggunakan Risiko Investasi Saham Syariah Menggunakan Metode
VaR-Generalized Autoregressive Conditional heteroskedasticity (VaR-GARCH)
dengan Pendekatan Generalized Pareto Distribution (GPD), dan pada penelitian
tersebut menyarankan untuk menggunakan beberapa model lain. Oleh karena itu
pada penelitian ini, akan dikaji model IGARCH dengan pendekatan Peaks-
OverThreshold (POT), sehingga distribusi yang dihasilkan adalah Distribusi
Pareto Terampat (Generalized Pareto Distribution) disingkat GPD (Tsay,
2005). Pada tugas akhir ini, peneliti ingin mengetahui besar risiko penanaman
pada Indeks Harga Saham Gabungan periode Oktober 2014 – April 2020. Oleh
karena itu, peneliti mengambil judul “Analisis Nilai Risiko Pada Indeks Harga
Saham Gabungan Menggunakan Metode Integrated Generalized Autoregressive
Conditional Heteroskedasticity(IGARCH)”
3
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, maka masalah yang akan
dikaji pada penelitian ini adalah:
1. Bagaimana model IGARCH dalam menganalisis risiko investasi.
2. Menaksir besarnya nilai resiko return investasi pada Indeks Harga Saham
Gabungan periode Mei 2020.
1.3 Batasan Masalah

Pembatasan masalah perlu dilakukan dengan tujuan agar pokok
permasalahan yang diteliti tidak terlalu melebar dari yang sudah ditentukan.
Dalam penelitian ini batasan masalahnya adalah menganalisis Nilai RisikoIndeks
Harga saham Gabungan Oktober 2014 – April 2020 yang bersifat
heteroskedastisitas dengan pendekatan Generalized Pareto Distribution.
1.4 Tujuan Penelitian

Berdasarkan permasalahan dan pertanyaan yang diajukan, maka tujuan
dari penelitian ini adalah:
1. Membentuk model terbaik IGARCH untuk menganalisis nilai risiko suatu
investasi.
2. Menentukan taksiran besarnya nilai risiko returninvestasi pada Indeks
Harga saham Gabungan periode Mei 2020.
1.5 Manfaat Penelitian

Peneliti mengharapkan penelitian ini berguna bagi pihak yang
membutuhkan diantaranya:
1. Bagi investor
Hasil dari penelitian ini diharapkan dapat dijadikan masukan terhadap
investor dalam mengambil keputusan investasi.
2. Bagi fakultas
Hasil dari penelitian ini diharapkan dapat dijadikan sebagai bahan tinjauan
pustaka yang berguna bagi setiap pihak yang memerlukan.
3. Bagi mahasiswa dan peneliti
4
a. Sebagai slalah satu syarat kelulusan mencapai derajat sarjana S1.
b. Sebagai bahan informasi dan pengembangan selanjutnya.
c. Sebagai salah satu bahan pengetahuan mengenai analisis risiko
investasi menggunakan metode IGARCH dengan pendekatan GPD.
5
BAB II
TINJAUAN PUSTAKA
2.1 Investasi dan Saham

Investasi adalah komitmen atas sejumlah dana atau sumber daya lainnya
yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan
dimasa datang (Tendelilin, 2001). Jogiyanto (2003), menyatakan investasi dapat
didefinisikan sebagai penundaan konsumsi sekarang untuk digunakan dalam
produksi yang efesien selama periode waktu tertentu, Sedangkan menurut Sukirno
(2003) dalam jogiyanto menyebutkan kegiatan investasi yang dilakukan oleh
masyarakat secara terus menerus akan meningkatkan kegiatanekonomi dan
kesempatan kerja, meningkatkan pendapatan nasional dan meningkatkan taraf
kemakmuran masyarakat.Istilah investasi bisa berkaitan dengan berbagai macam
aktivitas. Umumnya investasi dikategorikan dua jenis yaitu real assets dan
financial assets. Adapun yang dimaksud dengan real assets melibatkan asset
berwujud seperti tanah, bangunan, dan mesin. dan financial assets atau aset
keuangan merupakan dokumen (surat-surat) klaim tidak langsung, misalnya
saham. Saham merupakan sertifikat bukti kepemilikan sebuah perusahaan.
(Zubir, Z. 2011).Seseorang terlibat dalam jual beli saham tidak terlepas dari
adanya keuntungan yang diperoleh dari saham tersebut. Adapun nilai keuntungan
dari saham ini ditandai dengan besarnya nilai return yang diperoleh.
2.2 Return
Ghozali (2007), menuliskanreturn adalah pendapatan yang akan
diterima jika menginvestasikan uang pada suatu aktiva finansial (saham,
obligasi) atau aktiva rill (property, tanah). Returnsuatu saham merupakan hasil
yang diperoleh dari investasi dengan cara menghitung selisih harga saham periode
berjalan dengan periode sebelumnya yang mengabaikan deviden, nilai return
dapat dihitung dengan rumus sebagai berikut (Tsay 2005):
P t−Pt −1
Rt = (2.1)
P t−1
6
Dimana:
Rt : Return
Pt : Harga saham pada waktu ke-t
Pt −1 : Harga saham pada waktu ke –(t-1)
2.3 Stasioneritas
Stasioner berarti bahwa tidak terdapat perubahan drastis pada
data.Fluktuasi databerada di sekitar suatu nilai rata-rata yang konstan, tidak
tergantung pada waktudan variansi dari fluktuasi tersebut(Wei, 2006).
Stasioneritas dibagi menjadi 2 yaitu:
1. Stasioner dalam rata-rata
Stasioner dalam rata-rata adalah fluktuasi data berada di sekitar suatu nilai
rata-rata yang konstan, tidak bergantung pada waktu dan variansi
darifluktuasi tersebut. Dari bentuk plot data seringkali dapat diketahui
bahwadata tersebut stasioner atau tidak stasioner
2. Stasioner dalam Variansi
Sebuah data time series dikatakan stasioner dalam variansi apabila struktur
dari waktu ke waktu mempunyai fluktuasi data yang tetap atau
konstandan tidak berubah-ubah. Secara visual untuk melihat hal
tersebut dapatdibantu dengan menggunakan plot time series, yaitu
dengan melihatfluktuasi data dari waktu ke waktu.
2.4 Fungsi Autokerelasi dan Fungsi Autokorelasi Parsial

Dalam metode time series, alat utama untuk mengidentifikasi model
dari data yang akan diramalkan menggunakan fungsi
autokorelasi /Autocorrelation Function (ACF) dan fungsi autokorelasi parsial /
Partial Autocorrelation Function (PACF).
2.4.1 Fungsi Autokorelasi

Menurut Wei (2006) pada fungsi autokorelasi (FAK), ρk merupakan
ukuran korelasi antara dua nilai x t dan x t +k dengan jarak k bagian atau disebut
koefisien korelasi pada lag k. untuk x t yang stasioner memiliki nilai rata-
7
rataE( x t ¿=μ dan variansi Var ( x t ) =E ¿adalah konstan. Autokovarian antara x t
dan x t +k adalah sebagai berikut:
γ =Cov ( x t , x t +k ) =E ( x t−μ ) (x t+ k −μ)
Dan korelasi antara x t dan x t +k didefinisikan sebagai
Cov (x t , x t +k ) γk
ρk = = (2.2)
√Var ( x t ) Var ( x t +k ) γ 0
Pada analisa time series,γ k disebut sebagai fungsi autokovarian dan ρk disebut
sebagai fungsi autokorelasi yang merupakan ukuran keeratan antara x t dan
x t +k dari proses yang sama yang hanya dipisahkan oleh selang waktu ke-k.
pada dasarnya fungsi autokorelasi tidak mungkin dihitung dari populasi,
sehingga fungsi autokorelasi dihitung sesuai dengan sampel pengambilan data
dan dirumuskan sebagai berikut:
n−k
(x ¿¿ t−x¿)( x t +k −x)
ρk =∑ n
¿¿
(2.3)
t=1
∑ ¿¿¿¿
t =1
Dengan,
ρk : Koefisien autokorelasi pada lag k
x t : data pengamatan pada waktu ke-t
x : rata-rata data pengamatan
n
xt
Dengan x=∑ adalah rata-rata sampel
t =1 n
Nilai ρk yang mendekati ± 1 mengidentifikasikan adanya korelasi tinggi,
sedangkan ρk yang mendekati nol akan mengidentifikasikan adanya
hubungan yang lemah. Diagram FAK dapat digunakan sebagai alat untuk
mengidentifikasi kestasioneran data. Jika diagram FAK cenderung turun
lambat atau turun secara linear, maka dapat disimpulkan data belum stasioner
dalam rata-rata.
8
2.4.2 Fungsi Autokorelasi Parsial
Fungsi autokorelasi parsial (FAKP) adalah suatu fungsi yang
menunjukkan besarnya korelasi parsial antara pengamatan pada waktu t
dengan pengamatan pada waktu-waktu sebelumnya. Autokorelasi parsial
digunakan untuk mengukur tingkat keeratan (association) antara x t dan x t +k
apabila pengaruh dari time lag 1, 2, 3, … , dan seterusnya sampai k −1
dianggap terpisah. Rumus autokorelasi parsial adalah:
∅ kk =corr ¿ , x t +k| xt +1 , … , xt +k −1 )
Nilai∅ kk dapat ditentukan melalui persamaan Yule Walker sebagai berikut:
ρi= ∅ k 1 ρ j−1+ …+ ∅ kk ρ j −k , j=1, 2 , … , k−1
Durbin pada tahun 1960 telah memperkenalkan metode yang lebih
efisien untuk menyelesaikan persamaan Yule Walker (Aswi, 2006), yaitu:
k−1
ρk −∑ ∅k−1 , jρ k− j
j=1
∅ kk = k−1 (2.4)
1−∑ ∅ k−1 , jρ j
j=1
Dimana ∅ kk =∅ k−1 , j−∅ kk ∅ k−1 ,k− j , untuk j=1 ,2 , … , k−1 .
2.5 Model Autoregressive Integrated Moving Average (ARIMA)

Secara umum model ARIMA ( p , d , q ) untuk suatu data timeseries X t adalah
sebagai berikut (Prankratz, 1983:99):
ϕB¿ (2.5)
persamaan (2.5) dapat ditulis menggunakan operator B ( backshift ) , menjadi:
d 2 p
1−B 1−ϕ 1 B−ϕ 2 B −…−ϕ p B X t
2 q
¿(1+θ 1 B+θ2 B + …+θq B ) ε t
Sehingga diperoleh
d
1−B X t−ϕ 1 X t −1−ϕ 2 X t −2 −…−ϕ p X t− p
¿ ε t +θ1 ε t −1+θ 2 ε t−2 +…+θ q ε t −q
Dengan,
Xt : nilai variabel pada waktu ke-t
9
B : operator backshift
¿ : time series yang stasioner pada pembedaan ke-d
εt : nilai error pada waktu ke-t
p : order AR
d :order pembedaan
q :order MA
Apabila pembedaan pertama dilakukan terhadap model agar menjadi
stasioner, maka model menjadi ARIMA (1,1,1) didefinisikan sebagai berikut:
1−B 1−ϕ1 B X t=(1+θ1 B)ε t (2.6)
2.5 Pengujian Diagnostik Model

Pemeriksaan diagnostik dapat dibagi dalam dua bagian, yaitu uji
kesignifikanan parameter dan uji kesesuaian model (meliputi uji asumsi white
noise dan distribusi normal). Pengujian kesignifikanan parameter dengan uji t,
pengujian tentang asumsi sisa (residual), pengujian white noise dengan uji
Ljung-Box.
2.5.1 Uji Signifikansi Parameter

Model yang baik dapat menggambarkan suatu kejadian adalah
model yang slah satunya menunjukkan bahwa penaksiran
parameternya signifikan berbeda dengan nol. Secara umum, misalkan
𝜃 adalah suatu parameter pada model dan θ^
̂ adalah nilai taksiran
dari parameter tersebut, serta SE( θ^
̂ ) adalah standar error dari nilai
taksiran θ^
̂ , maka uji kesignifikanan parameter dapat dilakukan dengan
tahapan sebagai berikut:
Hipotesis:
H 0 : θ^
̂ =0 (parameter tidak signifikan)
^ ≠ 0 (parameter signifikan
H 1 : θ̂
θ̂
Statistik uji : t hiting = (2.7)
SE( θ^
̂ )
Kriteria uji:
10
Tolak H0 jika |𝑡ℎ𝑖𝑡| >𝑡𝛼 2 ⁄; 𝑑𝑓 = 𝑛 − n p , n p = banyaknya parameter atau
tolak H0 jika 𝑝𝑣𝑎𝑙𝑢𝑒<𝛼.
2.5.2 Uji residual white noise

Residual dari suatu model dikatakan telah white noise apabila
antar residual saling independen. Pengujiannya adalah sebagai berikut
(Wei, 2006).
Hipotesis:
H 0 : ρ1=ρ2 =…= ρk =0
H 1 : minimal ada satu ρk ≠ 0 ( k=1 , 2 , … , k )
Statistik uji Ljung-Box :
2
k
ρ^ at ,at + j
Q=n(n+2) ∑
2
~ x (a ; k−( p+ q) ) (2.8)
j =1 (n− j)
Dengan,
n : ukuran sampel
k : banyaknya lag yang diuji
^ρ2at ,at + j : autokorelasi residual pada lag ke-j
p :orde model AR
q : orde model MA
Kriteria uji:
2
Tolak H 0 jika paling sedikit ada satu Q> x ( a; k−( p+ q) ) atau p−value<α yang
memiliki arti bahwa residual tidak white noise.
2.6 Uji Lagrange-Multiplier

Model ARCH dan GARCH digunakan apabila varian dalam model
terdapat varian yang tidak konstan (heteroscedasticity). Untuk mengecek ada
tidaknya efek ARCH, dapat dilakukan menggunakan statistic uji Lagrange-
Multiplier (LM) yang dikenalkan oleh Engle (Tsay,2002).
Hipotesis:
H 0 :α 1=…=α k =0 (tidak ada efek ARCH/GARCH dalam residual sampai lag ke-
k).
11
H 1 : minimal ada satu I denganα i ≠ 0 , i=1 , 2, … , k (ada efek ARCH/GARCH dalam
residual sampai lag ke-k)
Taraf Signifikan :α
Statistik uji didefinisikan sebagai :
2 2
LM =T R x(α /2 ,k ) (2.9)
n
Dimana R =∑ ¿ ¿ ¿ , dengan,T menyatakan Jumlah kuadrat residual dalam
2
i=1
regresi, R2 adalah r −square

kriteria uji:
2
Tolak H 0 jika nilai probabilitas LM> x(α /2 , k) atau p-value<α yang berarti terdapat
efek ARCH-GARCH dalam residual.
2.7 Model GARCH

Model yang dapat digunakan untuk mengatasi variansi error yang tidak
konstan dalam data deret waktu financial adalah model Autoregressive
Conditional Heteroscedasticity (ARCH) yang diperkenalkan pertama kali oleh
Engle Model GARCH(p,q) dikembangkan oleh Bollerslev (1986) merupakan
pengembangan dari model ARCH(p). Model ini dibangun untuk menghindari orde
yang terlalu tinggi pada model ARCH(p) dengan berdasar pada prinsip parsimoni
atau memilih model yang lebih sederhana, sehingga akan menjamin variansinya
selalu positif (Enders, 1995:147). Menurut Tsay (2005:132) untuk sebuah
logreturnseriesr t ,dariε t=r t−μt , pengembangan dari waktu t. maka ε t dikatakan
mengikuti model GARCH(p,q) jika:
ε t=σ t at
2 2 2 2 2
σ t =α 0+ α 1 ε t −1+ …+α i ε t−i + β 1 σ t−1 +…+ β j σ t− j (2.10)
p q
¿ α 0 + ∑ α i ε 2t−i + ∑ β j σ 2t− j
i=1 j=1
Dengan,
2
σ t : variansi dari residual pada waktu ke-t
α 0: komponen konstanta
12
α i : parameter ke-I dari ARCH
2
ε t−i: kuadrat dari residual pada waktu ke-(t-i)
β j : parameter ke-j dari GARCH
2
σ t− j :variansi dari residualpada waktu ke (t-j)
Dimana,
a t i. i. d ( independent∧identically distributed ) N ( 1 , 0 ) , α 0 >0 ,
max ⁡( p ,q )
danα i ≥ 0 untuk β j ≥ 0.dan ∑ ( α i+ β j ) <1 agar model bersifat stasioner.
i=1
Persamaan variansi yang memenuhi persamaan GARCH(p,q) menghubungkan

antara variansi residual pada waktu ke-t dengan variansi residual pada waktu
sebelumnya.
2.8 Pemodelan IGARCH

Model IGARCH digunakan apabila AR polynomial dari representasi
GARCH pada persamaan (2.10) terdapat unit root yaitu dipenuhi kondisi:
p q
∑ αi +∑ β j =1 (2.11)
i=1 j=1
Dengan demikian model IGARCH adalah model GARCH dari unit root. Menurut
Francq dan Zakoian (2010) bentuk umum model IGARCH(p,q) sebagai berikut:
ε t=σ t at
p q
σ 2t =∑ α i ε 2t−i + ∑ β j σ 2t − j (2.12)
i=1 j=1
Dengan,
2
σ t : variansi dari residual pada waktu ke-t
α i : parameter ke-idari ARCH
2
ε t−i: kuadrat dari residual pada waktu ke-(t-i)
β j : parameter ke-j dari GARCH
2
σ t− j :variansi dari residual pada waktu ke (t-j)
13
max ⁡( p ,q )
Untuk, a t i. i. d N ( 1 , 0 ) , α i > 0 untuk β j >0. dan ∑ ( α i+ β j )=1.
i=1
Parameter yang akan diestimasi adalah α i, dan β j . Jumlah parameter α i, dan β j

sama dengan satu merupakan syarat yang menenjukkan bahwa parameter yang
akan diestimasi memiliki masalah ketidakstasioneran.
Mirip dengan model ARIMA, kunci utama dari IGARCH adalah adanya
dampak kuadrat residual dari masa lalu ηt −i=ε 2t−i−σ 2t−i untuk i>0di ε 2t tetap ada.
(Tsay.2005). maka diperoleh model IGARCH(1,1) dengan kasus nilai konstanta
bernilai nol.
ε t=σ t at
2 2 2
σ t =( 1−β 1 ) ε t −1+ β 1 σ t −1 (2.13)
Untuk 0< β 1 <1
2.9 Pemilihan Model Terbaik

Salah satu kriteria untuk menentukan model terbaik adalah Akaike
Information Criterion (AIC). Dengan AIC, model terbaik dipilih dengan
mempertimbangkan jumlah parameter dalam model. AIC mampu menunjukkan
seberapa tepat model tersebut dengan data yang dimiliki secara mutlak. AIC
didefinisikan oleh:
AIC=2 f −2 ln L ( θ^ ) (2.14)
dimana L ( θ^ ) adalah nilai likelihood dan f adalah jumlah parameter (Ilmi, 2015).
Besarnya nilai AIC sejalan dengan nilai devians dari model. Nilai devians
akan semakin kecil apabila rasio antara fungsi likelihood di bawah H 0 dengan
fungsi likelihood di bawah populasi semakin besar. Hal ini mengindikasi bahwa
parameter yang diuji semakin mendekati nilai parameter populasi yang
sebenarnya yang berarti estimasi model semakin baik. Oleh karena itu, model
terbaik adalah dengan AIC terkecil sekaligus dengan devians terkecil pula.
2.10 Metode Peaks Over Throshold (POT)

ExtremeValue Theory(EVT) secara luas digunakan dalam upaya menaksir
terjadinya nilai ekstrem dalam reliabilitas, asuransi, hidrologi, klimatologi dan
14
ilmu lingkungan.Dalam kaitannya dengan manajemen risiko, EVT dapat
meramalkan terjadinya kejadian ekstrem pada data berekor gemuk yang tidak
dapat dilakukan dengan pendekatan tradisional lainnya.
Metode POT merupakan suatu metode EVT yang mengidentifiksikan nilai
ekstrem dengan menggunakan patokan atau threshold (u).Data yang melebihi nilai
thresholdakan didentifikasikan sebagai nilai ekstrem. Metode ini mengaplikasikan
teorema Picklands-Dalkema-De Hann yang menyatakan bahwa semakin tinggi
threshold, maka distribusinya akan mengikuti Generalized Distribution Pareto
(GPD). Cumulative density function(cdf) dari GPD adalah
sebagai berikut (McNeil,A.J.1999).
Gξ ,ϑ (x)=¿ (2.15)
Dan probability density function(pdf) untuk GPD adalah :
gξ ,ϑ ( x )=¿ (2.16)
Dengan :
ϑ > 0dan x ≥ 0 jika ξ ≥0
ϑ
0 ≤ x ≤− jikaε < 0
ξ
ξ=¿ parameter bentuk dari distribusi (shape)
ϑ = parameter skala (scale)
Nilai parameter bayangan (shape) pada distribusi GPD dapat dibedakan
menjadi tiga tipe, yaitu distribusi eksponensial ( jika nilai ξ ≠0 ); distribusi pareto
( jika nilai ξ >0 ¿ ; dan distribusi pareto tipe II ( jika nilai ξ <0 ¿ .Dari ketiga tipe
distribusi tersebut, distribusi pareto memiliki ekor yang paling berat (heavy
tailed).
2.11 Penentuan Nilai Threshold dan Nilai Ekstrim

Gilli dan Kellezi (2003) menyebutkan metode POT lebih efisien
penentuan nilai-nilai ekstrim dengan mengambil seluruh nilai yang melebihi
ambang batas u sebagai nilai maksimum.Nilai ambang batas u harus
ditentukan secara cermat.Dampak yang ditimbulkan jika terjadi
15
ketidakakuratan nilai ambang batas dapat menyebabkan ragam yang besar
dan penduga yang bias. Jika ambang batas uterlalu tinggi akibatnya adalah
kurangnya data untuk menduga model, sehingga menghasilkan ragam yang
besar. Sebaliknya, jika ambang batas uterlalu rendah maka data ekstrim
yang diperoleh akan menghasilkan penduga yang bias ( Mallor dkk., 2009).
Metode yang lebih mudah untuk digunakan adalah metode kuantil
10%.Meskipun metode kuantil ini lebih mudah dan praktis, namun penentuan
ambang batas yang dihasilkan cukup akurat. Tahapan dalam menentukan
kuantil 10% menurut Chavez dan Embrechts (2002) dalam Sari dan Sutikno
(2013) adalah sebagai berikut:
1. Mengurutkan seluruh data pengamatan dari nilai terbesar ke nilai terkecil.
2. Menghitung banyak data yang melebihi ambang batas u dengan rumus
n=10 % × N dengan N adalah total data pengamatan. Data yang berada pada
urutan 1 sampai n merupakan data ekstrim.
3. Menentukan nilai ambang batas u dengan rumus u=n+1 . Sehingga data
yang berada pada urutan ke-(n+1) merupakan nilai ambang batas u .
2.12 Uji Kolmogorov Simornov

Uji Kolmogorov Smirnov digunakan untuk menguji distribusi data
ekstrim. Tujuannya untuk mengetahui apakah data tersebut telah mengikuti
distribusi GPD.
Hipotesis:
H 0=¿ Variabel respon berdistribusi GPD
H 1=¿ Variabel respon tidak berdistribusi GPD
Taraf Signifikan :α =0.05
Statistik uji didefinisikan sebagai :
Dhitung =Max ¿ (2.17)
Dimana
D
+¿=Max i=1 ,2.. ,n
[ i
n ]
−F ( x i ) ¿
Dan,
16
D
[
−¿=Max i=1 ,2. .,n F ( x i )−
( i−1)
n ]¿
Dengan F ( x i ) adalah fungsi distribusi kumulatif. Nilai D berdasarkan pada jarak

+¿¿ −¿ ¿
maksimum antara D dan D . (Thode, 2002).
2.13 Estimasi Parameter

Menurut Byrne (1998), Maximum Likelihood (ML) merupakan penduga
terbaik yang memiliki sifat tak bias dan ragam minimum. Metode ini akan
menghasilkan estimasi parameter terbaik (unbiased) apabila data yang digunakan
memenuhi asumsi multivariate normality.Misalkan terdapat y 1 , y 2 , … , y n dari
suatu populasi yang memiliki fungsi proabilitas ( y ; p ) ; p ∈ Ω , dimana p
merupakan suatu parameter yang tidak diketahui dan Ω adalah ruang parameter.
Karena y 1 , y 2 , … , y n adalah sampel acak maka fkp bersama dari y 1 , y 2 , … , y n
adalah:
f ( y 1 , y 2 ,… , y n , p )=f ( y 1 ; p ) f ( y 2 ; p ) … f ( y n ; p) (2.18)
Berdasarkan Hogg and Craig (1995), fungsi likelihood didefinisikan sebagai fkp
bersama. Misalkan fungsi likelihood dinotasikan sebagai L ( θ ; y 1 , y 2 , … , y n ) =L (θ )
sehingga
L ( θ )=f ( y 1 , y 2 , … , y n ; p )
¿ f ( y 1 ; p ) f ( y 2 ; p ) … f ( y n ; p)
n
¿ ∏ f ( yi ; p ) (2.19)
i=1
Dalam metode maximum likelihood estimation (MLE), penduga dari p diperoleh

dengan memaksimumkan fungsi likelihood. Mencari penduga dari p yang dengan
memaksimunkan fungsi ln L( p). Jadi penduga dari p dapat diperoleh dengan
mencari solusi dari persamaan berikut:
17
∂ l(θ)
=0
∂θ
2.14 Metode Newton-Rapshon

Metode Newton-Raphson adalah proses iterasi yang dilakukan dalam
metode numerik yang dapat digunakan untuk mencari solusi atau pemecahan
suatu persamaan. Proses iterasi adalah suatu teknik penghampiran yang dilakukan
secara berulang-ulang, dimana setiap pengulangan disebut iterasi. Pada umumnya
para ahli statistik sering menggunakan metode Newton-Raphson untuk
menghampiri nilai parameter dari suatu persamaan (Yendra, 2010)
Persamaan umum Newton-Rapshon adalah sebagai berikut:
−1
θi +1=θi−H ( θ i ) g ( θi ) (2.20)
Dengan:
[ ] []
∂2 ln L ∂2 ln L ∂2 ln L ∂2 ln L ∂ lnL
… …
2
∂ α1 ∂ α1 ∂ α 1 ∂ β1 ∂ α1 ∂βp
[]
∂ α1 ∂α1
∂2 ln L ∂2 ln L ∂2 ln L ∂2 ln L α1 ∂ lnL
… ..
∂ α 2∂ α 1 ∂ α2
2
∂ α 2 ∂ β1 ∂ α 2∂ β p α2 ∂α2
⋮ ⋮ ⋱ ⋮ … : ⋮ , g= ⋮
H ( θ )= , θ=
2
∂ ln L
2
∂ ln L
2
∂ ln L
2
∂ ln L β1 ∂ lnL
∂ β1∂ α 1 ∂ β 1 ∂ α2 ⋯ ∂ β 1 ∂ β1 ⋯ ∂ β 1 ∂ β p ⋮ ∂ β1
⋮ ⋮ ⋮ ⋮ βp ⋮
2
∂ ln L
2
∂ ln L
2
∂ ln L
2
∂ ln L ∂ lnL
∂ β p ∂ α1 ∂ β p∂ α 2 ∂ β p ∂ β1 ∂ βp∂βp ∂ βp
g adalah vector gradient, H adalah matriks Hessian yang berisi turunan kedua
terhadap parameter, dan i adalah jumlah iterasinya. Proses iterasi Newton-
Rapshon akan berhenti jika |θ i+1−θi|< ε diperoleh.
2.15 Value at Risk (VaR)

VaR adalah suatu statistik yang mengukur besar risiko berdasarkan posisi
saat ini. Var merupakan metode untuk menilai risiko menggunakan teknik statistic
standar yang rutin digunakan di bidang teknik lainnya (Jorion p,2001).VaR
18
merupakan q% quantil dari distribusi nilai total loss, persamaan umum dari VaR
yaitu :
−1
VaRq %=F (q % ) (2.21)
Dengan F adalah fungsi distribusi kumulatif (cdf) dari nilai total loss, dan F−1
merupakan invers dari F. Jika F(x) adalah distribusi nilai total loss x dan u
merupakan nilai threshold, maka nilai Excess Over Threshold (EOT) adalah x-u.
Dalam hal ini hanya kondisi dengan x > u, yaitu EOT positif yang diperhatikan.
Maka distribusi untuk EOT adalah:
P { X−u ≤ y∨X >u } F ( y +u )−F (u)

Fu( y )= = (2.22)
P {X > u} 1−F (u)
Atau dapat ditulis dengan:
F ( y +u )=[ 1−F (u ) ] [ F u ( y ) ]+ F ( u ) (2.23)
F u ( y ) pada persamaan (2.22) akan terdistribusi secara GPD, sehingga nantinya

akan dipenuhi fungsi sebagai berikut:
F u ( y ) =¿
n−N u
Untuk nilai threshold yang sangat besar, maka F ( u )akan mendekati dengan
n
n merupakan banyaknya semua poin data nilai total loss dan N uialah banyaknya
data yang berada di atas threshold. Sehingga persamaan (2.23) dapat diuraikan
sebagai berikut :
Nu
F ( x )=1− ¿ (2.24)
n
Dengan probabilitas q > F ( u ) maka perhitungan VaR didapatkan dengan

melakukan invers terhadap persamaan (2.24), Perhitungan VaR untuk GPD adalah
sebagai berikut (McNeil,A.J.1999):
19
(( ) −1)
^ −ξ
^ =u+ ϑ
VaR
n
(1−q ) (2.25)
q
ξ Nu
Dengan:
u : threshold
ξ : parameter bentuk dari distribusi (shape)
ϑ : paremeter skala (scale)
n :banyaknya pengamatan
N u:banyaknya pengamatan di atas threshold
Var dinamik GPD untuk dapat dihitung dengan rumus sebagai berikut
(McNeil,A.J.1999):
^
VaRt =^μt + σ^ t VaR (2.26)
q
^ t merupakan expected returndan σ^ t adalah standar deviasi dari model

Dengan μ
IGARCH.
20
BAB III
METODE PENELITIAN
3.1 Sumber Data

Data yang digunakan pada penelitian ini adalah data sekunder berupa
data Indeks Harga Saham Gabungan pada saat harga penutupan (closing price)
saham harian pada bulan Oktober 2014 sampai bulan April 2020. Pemilihan
Indeks Harga Saham Gabungan pada penelitian ini dikarenakan memiliki nilai
ekstrim (heavy tail) data penutupan harga saham tersebut dapat diakses pada situs
www.yahoo.finance.com.
3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah nilai return dari
harga penutupan Indeks Harga Saham Gabungan.
3.3 Tahapan Analisis

Tahapan analisis untuk mencapai tujuan penelitian ini sebagai berikut:
1. Menghitung nilai return saham.

2. Mengidentifikasi data nilai return saham untuk mengetahui adanya
data berekor gemuk dan nilai ekstrim menggunakan histogram.
3. Identifikasi model ARIMA berdasarkan plot time series dan plot data
untuk mengetahui apakah data sudah stasioner atau belum. Jika data
belum stasioner dalam rata-rata maka dilakukan differensi, tetapi jika
data sudah stasioner maka ditentukan model sementara dari plot ACF dan
PACF.
4. Melakukan verifikasi model ARIMA yang meliputi diagnostik check
meliputi uji independensi residual dan uji normalitas model.
21
5. Melakukan pengecekan Heterokedastisitas.
6. Melakukan identifikasi model ARCH dan GARCH.
7. Melakukan permodelan IGARCH apabila jumlah koefisien α+β=1.
8. Melakukan estimasi parameter model IGARCH.
9. Melakukan verifikasi model IGARCH untuk pemilihan model terbaik.
10. Menghitung nilai estimasi parameter nilai ekstrim dengan
menggunakan Distribusi Pareto Terampat (GPD) menggunakan metode
Maximum Likelihood Estimation (MLE).
11. Menghitung besar risiko saham dengan menggunakan Value at Risk
(VaR).
22
BAB IV
HASIL DAN PEMBAHASAN
Setiap investor maupun calon investor, pengetahuan tentang risiko
merupakan hal yang sangat penting untuk meminimalkan risiko yang mungkin
akan diperoleh dalam proses investasi. Salah satu alat analisis manajemen risiko
adalah Value at Risk (VaR). Pada bab ini dilakukan analisis nilai risiko
menggunakan metode deret waktu model IGARCH dengan pendekatan GPD.
Adapun langkah-langkah untuk analisis nilai risiko menggunakan metode deret
waktu model IGARCH dengan pendekatan GPD sebagai berikut:
4.1 Statistika Deskriptip Harga dan Return Saham

Data yang digunakan adalah data sekunder berupa data Indeks harga
saham gabungan (IHSG) saat harga penutupan (closing price) saham harian pada
bulan Oktober 2014 sampai bulan April 2020 sebanyak1347 data.
Gambar 4.1 Plot Harga Penutupan IHSG Periode Oktober 2014-April 2020.
Gambar 4.1 menunjukkan bahwa harga penutupan indeks harga saham

gabungan berfluktasi dari waktu ke waktu.
Gambar 4.2 Plot Return IHSG Periode Oktober 2014-April 2020.
23
Gambar 4.2 menunjukkan bahwa adanya volatility clustering yaitu suatu
keadaan yang apabila terjadi variabilitas data relatif tinggi pada suatu periode
maka akan terjadi kecenderungan yang sama dalam kurun waktu selanjutnya,
demikian juga sebaliknya. Suatu kejadian ketika volatilitas yang tinggi pada suatu
periode maka akan terjadi siklis heterokedastisitas dan dapat diselesaikan dengan
menggunakan model ARCH-GARCH.
Tabel 4.1 Statistika Deskriptif Return IHSG Periode Oktober 2014-April 2020
Min Max Mean Std.Deviasi Skewness Kurtosis
-0.070419 0.092482 -0.000130 0.0002776 -0.36 10.32

Pada tabel 4.1 dapat dilihat bahwa nilai ukuran ketidaksimetrisan distribusi
(skewness) adalah -0.36, hal ini menunjukkan bahwa data return IHSG memiliki
ekor kiri yang panjang dibandingkan dengan ekor kanan yang jauh lebih pendek.
Nilai ukuran kecenderungan data berada di luar distribusi /keruncingan (kurtosis)
adalah 10.32, hal ini menunjukkan bahwa data return IHSG menghasilkan kurva
leptokurtic (meruncing). Dimana referensi kurva kurtosis adalah kurtosis > 3
berarti leptokurtic, kurtosis < 3 berarti platykurticdan kurtosis = 3 mesokurtic.
4.2 Identifikasi Kestasioneran Data

Tahap awal yang dilakukan untuk pemodelan data deret waktu
adalah dengan mengidentifikasi kestasionerannya. Untuk mengetahui
kestasioneran IHSG dalam variansi, maka perlu dicek menggunakan plot Boc-
Cox. Pada lampiran 2 nilai rounded value ( λ ¿ sebesar 1. Hal ini menunjukkan
bahwa nilai data IHSG telah stasioner dalam variansi. Untuk mengecek
kestasioneran dalam rata-rata digunakan uji ADF dimana, dari hasil uji ADF
24
diperoleh p-value =0.01< 0.05 yang ditampilkan pada lampiran 3 sehingga data
dinyatakan stasioner. Setelah data dinyatakan stasioner maka selanjutnya adalah
pendugaan model ARIMA melalui plot ACF dan PACF dari data return saham
dimana, plot ACF dan PACF tersebut diperoleh dengan bantuan software R studio
yang ditampilkan pada Gambar 4.3 dan 4.4.
Gambar 4.3 ACF return saham
Gambar 4.4 PACF return saham
25
Dari Gambar 4.3 plot ACF menunjukkan bahwa terdapat dua garis yang
memotong garis batas yaitu pada lag 1 dan lag 2. Gambar 4.4 plot PACF
menunjukkan bahwa terdapat empat garis yang memotong garis batas yaitu pada
lag 1,7,12 dan 19,. Sehingga model ARIMA yang dapat diidentifikasikan untuk
data return saham adalah ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1),
ARIMA(1,0,7), ARIMA(1,0,12), ARIMA(1,0,19), ARIMA(2,0,0),
ARIMA(2,0,1), ARIMA(2,0,7), ARIMA(2,0,12), ARIMA(2,0,19),
ARIMA(0,0,7), ARIMA(0,0,12) dan ARIMA(0,0,19).
Setelah diketahui model tentative, langkah selanjutnya adalah estimasi
model ARIMA.Estimasi dari model-model ARIMA dapat dilihat pada Tabel 4.2
yang diperoleh dengan bantuan software R studio pada lampiran 4 dan lampiran 5.
Tabel 4.2 Perbandingan Model ARIMA
Uji Signifikansi Parameter Uji White

Model AIC Noise
AR A MA MA MA MA
1 R2 1 7 12 19
ARIMA(1,0,0) * -8555.56 Memenuhi
ARIMA(0,0,1) * -8556.47 Memenuhi
26
ARIMA(1,0,1) * * -8557.71 Memenuhi
ARIMA(1,0,7) x x -854939 Memenuhi
ARIMA(1,0,12) x * -8555.17 Memenuhi
ARIMA(2,0,0) x -8556 Memenuhi
ARIMA(2,0,7) * x -8554.56 Memenuhi
ARIMA(2,0,12) * X -8569.23 Memenuhi
ARIMA(2,0,19) x X -8555.25 Memenuhi
ARIMA(0,0,7) x -8556.49 Memenuhi
ARIMA(0,0,12) * -8556.49 Memenuhi
ARIMA(0,0,19) * -8557.56 Memenuhi
Keterangan:
x : Koefisien hasil estimasi tidak signifikan
* :Koefisien hasil estimasi signifikan
Dari tabel 4. 2, parameter yang signifikan terdapat pada model
ARIMA(1,0,0) , ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(0,0,12) dan
ARIMA(0,0,19). Pada model ARIMA(1,0,1), model tersebut memiliki nilai AIC
sebesar -8557.71 yang merupakan nilai terkecil dibandingkan model lainnya. Jadi,
model terbaik yang dipilih berdasarkan nilai AIC yang terkecil adalah model
ARIMA(1,0,1).
Selanjutnya uji ARCH-Lagrange Multiplier untuk mengetahui kondisi
heteroskedastisitas pada data.Kondisi heteroskedastisitas adalah kondisi dimana
pergerakan data yang tidak homogen. Berdasarkan kriteria uji penolakan H 0 jika
nilai p-value<α , dimana p-value = 0,000 <α =0,05 yang berarti terdapat efek
ARCH-GARCH dalam residual dimana hasil tersebut dapat dilihat pada lampiran
6.
4.3 Pemodelan GARCH

Model GARCH dikembangkan oleh Bollerslov (1986) dan Taylor (1986)
Pemodelan GARCH. Model GARCH diidentifikasi berdasarkan plot ACF dan
27
FACP pada data residual kuadrat model ARIMA(1,0,1), yang dapat lihat pada
Gambar 4.5 dan Gambar 4.6 dimana plot tersebut didapatkan dengan bantuan
spoftware R studio.
Gambar 4.5 Plot Fungsi ACF dari Data residual
Gambar 4.6 Plot Fungsi PACF dari data residual
28
Pada gambar 4.5 dan gambar 4.6 dipilih lag 1, 2 dan 3 sehingga diperoleh
model tentative yang terbentuk GARCH (1,1), GARCH (1,2),GARCH
(1,3),GARCH(2,1) , GARCH (2,2),GARCH (2,3),GARCH (3,1),GARCH (3,2)
dan GARCH (3,3). Untuk mengetahui model terbaik dari model GARCH
dilakukan perbandingan model pada lampiran 7 yang dirangkum pada tabel 4.3
berikut:
Tabel 4.3 Perbandingan Pemodelan GARCH
Model Signifikansi Parameter AIC
GARCH(1,1) Terpenuhi -9001.418
GARCH(1,3) Tidak Terpenuhi -8990.63
Dari Tabel 4.3 untuk parameter yang signifikan ada pada model
GARCH(1,1),GARCH(1,2),GARCH(2,1) dan GARCH(3,1). Model GARCH(1,1)
merupakan model terbaik dengan nilai AIC yang paling kecil dibandingkan
dengan model lain dari GARCH yang signifikan. Sehingga didapatkan estimasi
parameter GARCH (1,1) melalui bantuan software R studio yang dirangkum pada
tabel 4.4.
Tabel 4.4 Estimasi Parameter GARCH(1,1)
Model Parameter Estimasi p-value AIC

Parameter
α0 0.00004137 0.000 -9001.418
GARCH(1,1) α1 0.1631 0.000
29
β1 0.8313 0.000
Estimasi parameter model GARCH(1,1) dapat dilihat pada Tabel 4.4.

berdasarkan Tabel 4.4 jumlah koefisien GARCH sama dengan 1. Karena jumlah
semua koefisien GARCH sama dengan 1 menunjukkan bahwa pada model
tersebut terdapat akar unit. Oleh karena itu, perlu dilakukan pemodelan dengan
menggunakan IGARCH.
4.4 Pemodelan IGARCH

Identifikasi model IGARCH(p,q) sama halnya dengan identifikasi
GARCH (p,q), tetapi perbedaan utama antara IGARCH dan GARCH adalah pada
model IGARCH jumlah koefisien antara ARCH dan GARCH sama dengan satu
atau mendekati satu. Pada penelitian ini digunakan IGARCH berorde 1 sampai
berorde 2.Uji signifikansi parameter model IGARCH diperoleh dengan bantuan
software R studio yang dapat dilihat pada Tabel 4.5.
Tabel 4.5 Perbandingan Model IGARCH

Model Signifikansi Parameter AIC
IGARCH(1,1) Terpenuhi -6.6521
Dari tabel 4.5 terlihat bahwa model IGARCH(1,2) adalah model yang
relative terbaik dilihat dari kriteria informasi signifikansi parameter yang
terpenuhi dan nilai AIC yang paling kecil.
4.5 Estimasi Parameter IGARCH

Setelah diperoleh model IGARCH, selanjutnya parameter dari model
ditaksir sehingga diperoleh koefisien model. Parameter dari model IGARCH
dapat diestimasi menggunakan metode maksimum likelihood.
Berdasarkan persamaan (2.12), model IGARCH (1,2) dapat dituliskan
sebagai berikut:
2 2 2 2
σ t =α 1 ε t−1 + β 1 σ t−1+ β 2 σ t −1
Kemudian model IGARCH(1,2) di ekspektasi
30
E ( σ 2t )=E ( α 1 ε 2t−1 ) + E ( β 1 σ 2t −1) + E ( β 2 σ 2t−1 )
maka diperoleh:
2 2 2
μσ =α 1 ε t−1 + β 1 σ t−1 + β 2 σ t−1
2
t
Sehingga parameter model yang akan ditaksir adalah α 1 , β 1 dan β 2 . adapun fungsi
kepadatan peluang dari σ 2t N ( μ , σ 2 )yaitu :
1
f ( σ t :α 1 , β 1 , β 2 )=
2 ¿¿
e
√2 π σ 2
¿
1 (e 2−1σ .( σ −α ε
2
2
t
2
1 t −1 − β1 σ t−1− β2 σ t−1)
2 2 2
)
√2 π σ 2
Langkah-langkah menentukan estimator MLE adalah sebagai berikut:

 Tentukan fungsi likelihood-nya, fungsi likelihood adalah perkalian dari
masing-masing peluang kejadian pada observasi n .
( )
2
−1 ( σ t −α1 εt−1−β1 σ t−1−β 2 σt−1) .
n 2 2 2 2
1 ∑
2 t=2
L ( α 1 , β 1 , β 2 : σ t )=
2 σ2
n
e
(2 π σ ) 2 2
 Bentuk fungsi ln-likelihood dari fungsi likelihood
+ ln (exp
( ))
2
−1
n
( σt −α 1 εt −1− β1 σ t−1− β2 σ t−1) .
2 2 2 2
( )
1 ∑
ι=ln ( L ( α 1 , β 1 , β 2 : σ t ) )=ln
2 2 t=2 σ2
n
(2π σ ) 2 2
2
1
n
( σ t −α 1 ε t −1−β 1 σ t−1−β 2 σ t−1 )
n 2 2 2 2
¿ ln 1−ln ( 2 π σ ) − ∑
2 2
2
2 t =2 σ
2
n ( 1
n
( σ 2t −α 1 ε 2t−1−β 1 σ 2t −1 −β2 σ 2t −1 )
¿− ln 2 π σ )− ∑
2
2 2 t =2 σ2
 Tentukan turunan dari fungsi ln-likelihood terhadap masing-masing parameter
∂ι
yang membuat =0
∂ (α 1, β1, β2)
 Turunan parsial terhadap parameter α 1
( )
2
−1
n
( σ t −α1 ε t −1−β 1 σ t−1−β 2 σ t −1) 2 2 2 2
∂ι
=
∂
−n
2 (
ln ( 2 π σ )
2
+
∂ ∑
2 t=2 ) σ
2
∂ α1 ∂ α1 ∂ α1
31
n
1
2∑ ( t
σ −α 1 ε t−1−β 1 σ t−1−β 2 σ t −1)( −ε t−1 )
2 2 2 2 2
=0-2
2 σ t =2
n
∂ι 1
= 2 ∑ ( σ 2t ε 2t −1−α 1 ε 4t−1−β 1 ε 2t −1 σ 2t −1−β 2 ε 2t−1 σ 2t −1 )
∂ α 1 σ t =2
∂ι 1
= 2¿
∂ α1 σ
∂ι
=0
∂ α1
n n n n
α 1 ∑ ε 4t−1=¿ ∑ σ 2t ε 2t −1−β1 ∑ ε 2t−1 σ 2t−1−¿ β 2 ∑ ε 2t −1 σ 2t−1 ¿ ¿
t =2 t =2 t=2 t=2
1
α 1= n
¿
∑ε 4
t −1
t =2
 Turunan parsial terhadap parameter β 1
( )
2
−1 ( σ t −α1 ε t −1−β 1 σ t−1−β 2 σ t −1)
n 2 2 2 2
∂ι
=
∂
−n
2 (
ln ( 2 π σ ) ∂
2
+
∑
2 t=2 ) σ
2
∂ β1 ∂ β1 ∂ β1
n
1
2∑ ( t
=0-2 σ 2−α 1 ε 2t−1−β 1 σ 2t−1−β 2 σ 2t −1)( −σ 2t−1 )
2 σ t =2
n
∂ι 1
= 2 ∑ ( σ 2t σ 2t −1−α 1 ε 4t−1 σ 2t −1 −β1 σ t4−1−β 2 σ 4t−1 )
∂ β1 σ t =2
∂ι
=0
∂ β1
n n n n
β1∑ σ 4
t−1 =∑ σ σ 2
t
2
t −1 −¿ α 1 ∑ ε 2
t−1 σ 2
t −1 −¿ β 2 ∑ σ t4−1 ¿ ¿
t =2 t =2 t=2 t=2
1
β 1= n
¿
∑σ 4
t −1
t =2
 Turunan parsial terhadap parameter β 2
( )
2
−1
n
( σ t −α1 ε t −1−β 1 σ t−1−β 2 σ t −1)
2 2 2 2
∂ι
=
∂
−n
2 (
ln ( 2 π σ )
2
+
∂ ∑
2 t=2 ) σ
2
∂ β2 ∂ β2 ∂ β2
n
1
=0-2 2 ∑ ( σ t −α 1 ε t−1−β 1 σ t−1−β 2 σ t −1)( −σ t−1 )
2 2 2 2 2
2 σ t =2
n
∂ι 1
= ∑ ( σ 2 σ 2 −α ε 4 σ 2 −β σ 4 −β σ 4 )
∂ β2 σ 2 t =2 t t −1 1 t−1 t −1 1 t −1 2 t−1
32
∂ι
=0
∂ β2
n n n n
β 2 ∑ σ 4t −1=∑ σ 2t σ 2t −1−¿ α 1 ∑ ε 2t−1 σ 2t −1−¿ β1 ∑ σ t4−1 ¿ ¿
t =2 t =2 t=2 t=2
1
β 2= n
¿
(4.3)
∑σ 4
t −1
t=2
 Selanjutnya dilakukan metode eliminasi untuk mendapatkan nilai α 1. Eliminasi

dilakukan pada persamaan (4.1) dan persamaan (4.2)
Misalkan:
n
∑ σ 4t −1= A
t =2
∑ ε2t −1 σ 2t −1=B
t =2
Sehingga :
n n
α 1 ∑ ε 4t−1=¿ ∑ σ 2t ε 2t −1−β1 B−β 2 B ¿ |A|
t =2 t =2
n
α 1 A=∑ σ 2t σ 2t−1−¿ β 1 A−β 2 A ¿ |B|
t=2
Maka diperoleh hasil eliminasinya sebagai berikut:

α 1¿ (4.4)
Untuk mendapatkan nilai β 1 dan β 2 tidak dapat dilakukan secara analitik,
karena hasil perhitungan dari analitik tidak mendapatkan satu solusi atau banyak
solusi.Metode Newton-Rapshon adalah salah satu jawaban dari permasalahan
ini.Pemakaian metode Newton-Rapshon dilaksanakan dengan melaksanakan
iterasi-iterasi sampai diperoleh hasil yang konvergen.Dari persamaan umum
Newton-Rapshon sebagai berikut:
−1
θi +1=θi−H ( θ i ) g ( θi )
diketahui langkah-langkah mengestimasi sebagai berikut:
 Membuat matriks g ( θ ) yang berisi turunan pertama fungsi ln-likelihood.
Matriks g ( θ ) yang berisi turunan pertama fungsi ln-likelihood sebagai berikut:
33
[ ]
∂ ln L
∂ β1
. g ( θ )=
∂ ln L
∂ β2
 Mendapatkan turunan kedua dari fungsi ln-likelihood terhadap masing-

masing parameternya.
[ ]
2 2
∂ ln L ∂ ln L
2
∂ β1 ∂ β 1 ∂ β2
H ( θ )= 2 2
∂ ln L ∂ ln L
∂ β2 ∂ β1 ∂ β 22
 Membuat matriks Hessian dimana diagonal utamanya berisi turunan kedua

dari fungsi ln-likelihood .
Berikut ini adalah bentuk matriks Hessian dimana diagonal utamanya
berisi turunan kedua dari fungsi ln-likelihood sebagai berikut:
n
∂2 ln L −1
2
= 2 ∑ σ 4t −1
∂ β1 σ t =2
n
∂2 ln L −1
= 2 ∑ σ 4t−1
∂ β1 ∂ β 2 σ t =2
n
∂2 ln L −1
2
= 2 ∑ σ 4t −1
∂ β2 σ t =2
 Melakukan iterasi hingga menemukan θ1 , θ2 ,… . yang konvergen. Iterasi
berhenti apabila |θ n+1−θ n|<ε . Iterasi dapat dilakukan dengan bantuan
software R studio.
Tabel 4.6 Estimasi Parameter IGARCH
Model Parameter Estimasi p-value AIC

Parameter
a0 0.0000 0.000 -6.6561
IGARCH(1,2) α1 0.087137 0.000
β1 0.400492 0.000
0.512371 0.000
β2
Berdasarkan tabel 4.6 diperoleh persamaan untuk model IGARCH(1,1)
adalah:
34
2 2 2 2
σ t =0.087137 ε t −i +0.400492 σ t − j +0.512371 σ t − j
Peramalan yang dilakukan adalah mencari nilai tersesuai dengan model terbaik
yang teah diperoleh. Nilai ramalan IHSG dengan model IGARCH(1,2) untuk 10
hari periode berikutnya ditunjukkan dalam tabel berikut:
Tabel 4.7 Peramalan IHSG Model IGARCH(1,2)

Time Return IHSG Simpangan Baku IHSG
T+1 -0.0002495 0.03111 4625.05
T+2 0.0005617 0.03127 4622.45
T+3 0.0000341 0.03119 4622.61
T+4 0.0003772 0.03123 4624.35
T+5 0.0001540 0.03121 4623.64
T+6 0.0002992 0.03122 4625.02
T+7 0.0002048 0.03122 4624.07
T+8 0.0002662 0.03122 4625.31
T+9 0.0002262 0.03122 4624.26
T+10 0.0002522 0.03122 4625.43
4.7 Penentuan Nilai Threshold dan Nilai Ekstrim

Penentuan nilai Threshold didapatkan melalui presentase 10%. Sehingga
diperoleh banyaknya nilai ekstrem 10% x 1347= 134.7 dibulatkan menjadi 135.,
sehingga nilai threshold merupakan data urutan ke 136 yaitu 0.009775729.
4.8 Pengujian dan Estimasi Distribusi

Sebelum melakukan estimasi parameter, terlebih dahulu nilai ekstrim
dilakukan pemeriksaan uji kesusaian distribusi yang dapat dilihat secara formal
dengan Uji Kolmogorov Smirnov untuk GPD pada persamaan (2.17) maka
diperoleh nilai pada Tabel 4.8
Tabel 4.8 Uji Kesesuaian Distribusi
Jenis Data D hitung D tabel
Data ekstrim 0.0944126 0.11619
Perhitungan D-tabel dilakukan secara manual karena jumlah data
lebih dari 100 yang tidak terdapat dalam tabel Kolmogorov Smirnov.
35
Formula Dtabeladalah 1,35/√ n untuk α = 5%. Tolak H0 apabila Dhitung lebih
dari Dtabel.sehingga pada Tabel 4.8 terlihat bahwa nilai D hitung < D tabel maka
H 0 diterima.Dan P-value 0.2373617>α yang berarti berdistribusi GPD.
Langkah selanjutnya setelah dilakukan uji kesesuaian distribusi adalah
estimasi parameter.Perhitungan Estimasi parameter GPD untuk probability
density function dapat ditaksir dengan menggunakan Maximum Likelihood
Estimation.
Langkah-langkah menentukan estimator maksimum likelihood GPD adalah
sebagai berikut:
 Tentukan fungsi likelihood GPD untuk ξ ≠0
L ( x1 , x 2 , .. , x n :ξ ,ϑ )=f ( x1 ; ξ ,ϑ ) … f ( x n ; ξ , ϑ )
[ ] [ ]
1 1
1 ξ xi −1−
ξ 1 ξ xi −1−
ξ
¿ 1+ … 1+
ϑ ϑ ϑ ϑ
¿¿
 Bentuk fungsi ln-likelihood dari fungsi likelihood
( )
n
1 ξx
ln L ( ξ ,ϑ| x1 , x 2 , .. , x n ) =−n ln ( ϑ ) − +1 ∑ ln ⁡(¿ 1+ i )¿
ξ i=1 ϑ
 Tentukan turunan dari fungsi ln-likelihood terhadap masing-masing
∂ι
parameternya yaitu ξ dan ϑ yang membuat =0
∂ (ξ , ϑ )
Turunan pertama fungsi ln-likelihood terhadapParameter ξ adalah sebagai
berikut:
( ( )∑ ln ⁡(1+ ξϑx ))
n
1 i
∂ −n ln ( ϑ ) − +1
∂ ln L ξ i=1
=
∂ξ ∂ξ
(( (
) ∑ ln ⁡ 1+ ))
n
1 ξ xi
∂− +1
∂(−n ln ( ϑ )) ξ i=1 ϑ
¿ +
∂ξ ∂ξ
Hasil turunan :
∂(−n ln ( ϑ ))
=0
∂ξ
Sedangkan,
36
(( (
)∑ ln ⁡ 1+ )) = ∂ [ f ( ξ ) . g ( ξ ) ]=f ' ( ξ ) . g ( ξ )+ f ( ξ ) . g ' ( ξ )
n
1 ξ xi
∂− +1
ξ i=1 ϑ
∂ξ ∂ξ
f ( ξ)= ( 1ξ +1) , f ( ξ )=−1ξ

'
2
( )
n n
ξ xi 1 ξ xi n xi
g ( ξ )=∑ ln ⁡ 1+ , g =∑ =∑
'( ξ)
. .
i=1 ϑ i=1 ξ x i ϑ i=1 ϑ +ξ x i
1+
ϑ
Maka diperoleh turunannya:
¿ 0−¿
( )
n n
∂ ln L 1 ξx 1 xi
= 2 ∑ ln ⁡(¿ 1+ i )− +1 ∑ ¿
∂ξ ξ i=1 ϑ ξ i=1 (ϑ +ξ x i )
∂ ln L
=0
∂ξ
( )
n n
1 ξ xi 1 xi
2∑ ∑
ln (
⁡ ¿ 1+ )− + 1 =0 ¿
ξ i=1 ϑ ξ i=1 (ϑ + ξ x i )
( )
n n
1 ξ xi 1 xi
2∑ ∑
ln ⁡( ¿ 1+ )= + 1 ¿
ξ i=1 ϑ ξ i=1 (ϑ + ξ x i )
n
ξx
∑ ln ⁡(¿ 1+ ϑ i )
i=1
n
xi
∑ (ϑ +ξ x )
1
=ξ2 + 1 ¿
ξ ( )
i=1 i
n
ξ xi
∑ ln ⁡(¿ 1+ ϑ
)
i=1
n
=ξ(ξ+1)¿
x
∑ (ϑ +ξi x )
i=1 i
n
ξ xi
ϑ
) ∑ ln ⁡(¿ 1+
^
ξ= i=1
(4.5)¿
n
xi
(ξ+1) ∑
i=1 (ϑ +ξ xi )
Sedangkan turunan pertama fungsi ln-likelihood terhadap parameter ϑ adalah

sebagai berikut:
( ( )∑ ln ⁡(1+ ξϑx ))
n
1 i
∂ −n ln ( ϑ ) − +1
∂ ln L ξ i=1
=
∂ϑ ∂ϑ
37
(( ) ∑ ln ⁡ 1+ ( ))
n
1 ξ xi
∂− +1
∂(−n ln ( ϑ )) ξ i=1 ϑ
¿ +
∂ϑ ∂ϑ
( ( )) ( )( ) ( )
−ξ x
( )( ) ∑ ⁡ (ϑ + ξi x )
n n
x
n
ϑ
1
¿− + − +1
ξ
∑ ⁡ (ϑ +ξϑ x ) ϑ i =−n
ϑ
1
+ +1
ξ
ξ
ϑ
i=1 i i=1 i
( ) ( )
n
1 xi
+1 ξ ϑ ∑ ⁡
−1 −1
¿−n ϑ +
ξ i=1 (ϑ + ξ x i )
( ( ))
n
∂ ln L 1 xi
= −n−(1+ξ) ∑ ⁡
∂ϑ ϑ i=1 (ϑ + ξ x i )
∂ ln L
=0
∂ϑ
( ( ))
n
1 xi
−n+(1+ξ) ∑ ⁡ =0
ϑ i=1 (ϑ + ξ x i )
n
xi
−n+ (1+ ξ ) ∑ ¿
i=1
¿¿
n
xi
( 1+ξ ) ∑ ¿n
i=1 (ϑ +ξ x i)
n n
( 1+ξ ) ∑ xi ¿ n ∑ ¿ ¿ ¿ ¿
i=1 i=1
( )
n n
( 1+ξ ) ∑ xi ¿ n nϑ ∑ ξ x i
i=1 i=1
n n
( 1+ξ ) ∑ xi ¿ n ϑ +nξ ∑ x i
2
i=1 i=1
n
(1+ ξ−nξ ) ∑ x i
ϑ^ = 2
i=1
(4.6)
n
Estimasi parameter bentuk dan skala pada persamaan (4.5) dan (4.7)
belum menunjukkan persamaan yang clode from karena dalam persamaan umum
estimasi masih mengandung parameter.Untuk menyelesaikan permasalahan ini,
digunakan penyelesaian numerik dengan metode Newton –Rapson.Metode
Newton-Rapson merupakan metode untuk menemukan solusi akar dari persamaan
non linear.Pemakaian Newton-Raphson dilaksanakan dengan melaksanakan
iterasi-iterasi sampai diperoleh hasil yang konvergen. Dari persamaan umum
Newton-Rapshon sebagai berikut:
38
−1
θi +1=θi−H ( θ i ) g ( θi )
diketahui langkah-langkah mengestimasi sebagai berikut:
 Membuat matriks g ( θ ) yang berisi turunan pertama fungsi ln-likelihood.
Matriks g ( θ ) yang berisi turunan pertama fungsi ln-likelihood sebagai berikut:
[ ]
∂ ln L
∂ξ
g ( θ )=
∂ ln L
∂ϑ
 Mendapatkan turunan kedua dari fungsi ln-likelihood terhadap masing-

masing parameternya.
[ ]
2
∂ ln L ∂ ln L
2
∂ξ ∂ξ ∂ϑ
H ( θ )= 2
∂ ln L ∂ ln L
2
∂ϑ ∂ξ ∂ϑ
 Membuat matriks Hessian dimana diagonal utamanya berisi turunan kedua

dari fungsi ln-likelihood .
Berikut ini adalah bentuk matriks Hessian dimana diagonal utamanya berisi
turunan kedua dari fungsi ln-likelihood sebagai berikut:
( ) ( ) ( )∑ ( )
n 2
2
∂ ln L −2 ξ xi 1 n xi 1
n
xi
= 3 ∑ ln 1+ + 2∑ ⁡ − +1
ξ i=1 (ϑ +ξ x i) (ϑ +ξ x i )
2
∂ξ ξ i=1 ϑ ξ i=1
( ) ( ) ∑( )
2 n n 2
∂ ln L xi 1 xi
=nϑ
2
− ( 1+ξ ) ϑ
2
∑ ⁡ + + 1 ξ ϑ
−1
i =1 (ϑ +ξ x i ) i=1 (ϑ +ξ x i )
2
∂ϑ ξ
( ) ( )∑ ( )
n n
∂ ln L −1 ξ xi 1 xi
= 2 ∑⁡ 2 + +1 ⁡ 2
∂ ξ ∂ ϑ ξ i=1 (ϑ + ϑξ x i) ξ i=1 (ϑ +ξ x i )
 Melakukan iterasi hingga menemukan θ1 , θ2 ,… . yang konvergen. Iterasi

berhenti apabila |θ n+1−θ n|<ε . Iterasi dapat dilakukan dengan bantuan
oiftware R Studio.
Tabel 4.9 Estimasi Parameter GPD

Karakteristik Nilai
Threshold (u) 0.009775729
Banyaknya pengamatan (n) 1347
39
Banyaknya pengamatan di asat threshold (Nu) 135
Parameter skala (scale)ϑ 0.00534676
Parameter bentuk (shape)ξ 0.16942906
Hasil dari estimasi parameter bentuk menunjukkan distribusi yang

terbentuk adalah distribusi pareto karena ξ >0. nilai threshold sebesar 0.01 yang
menunjukkan dimulainya ekor (tail).
4.9 Perhitungan VaR

Setelah didapatkan nilai estimasi parameter untuk GPD maka akan
dihitung nilai VaR GPD menggunakan persamaan (2.20):
Var dengantaraf kepercayaan 90%
(( ) )
−0.005
^ =0.01+ 0.17
VaR
1347
(1−0.90 ) −1 =0.009775729
0.90
0.005 135
Var dengan taraf kepercayaan 95%
(( ) )
−0.005
^ =0.01+ 0.17
VaR
1347
(1−0.95 ) −1 =0.013708216
0.95
0.005 135
Var dengan taraf kepercayaan 99%
(( ) )
−0.005
^ =0.01+ 0.17
VaR
1347
(1−0.99 ) −1 =0.024833877
0.99
0.005 135
Berdasarkan persamaan (2.21) maka didapatkan nilai VaR untuk setiap
taraf kepercayaan sebagai berikut:
^
VaRt =^μt + σ^ t VaR q
Tabel 4.20 Perbandingan Nilai Risiko
Time ^ 0.90
VaR ^ 0.95
VaR ^ 0.99
VaR
T+1 0.00005 0.0002 0.0005
T+2 0.0009 0.001 0.001
T+3 0.0003 0.0005 0.0008
T+4 0.0007 0.0008 0.001
T+5 0.0005 0.0006 0.0009

T+6 0.0006 0.0007 0.001
40
T+7 0.0005 0.0006 0.0009
T+8 0.0006 0.0007 0.001
T+9 0.0005 0.0007 0.001
T+10 0.0006 0.0007 0.001
Dari Tabel 4.10 dilihat bahwa dengan tingkat kepercayaan 90%, 95% dan
99% pada waktu T+1 nilai VaR masing-masing 0.00005, 0.0002 dan 0.0005.
Maka kemungkinan kerugian hari 1 ke depan adalah 0.005%, 0.02% dan 0.05%
rupiah dari asset saat ini. Misalkan asset saat ini adalah Rp 1.000.000.000, maka
kemungkinan kerugian maksimal pada tingkat kepercayaan 90% adalah Rp
50.000, pada tingkat kepercayaan 95% adalah Rp 200.000 dan pada tingkat
kepercayaan 99% adalah Rp. 500.000.
41
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian di atas dapat disimpulkan bahwa:
1. Model IGARCH terbaik yang digunakan dalam menganalisi nilai resiko
adalah IGARCH(1,2) dengan persamaan :
2 2 2 2
σ t =0.087137 ε t −i +0.400492 σ t − j +0.512371 σ t − j
2. Dengan menerapkan model IGARCH(1,2) dan menggunakan pendekatan

GPD dalam mengukur besar nilai risiko IHSG diperoleh nilai risiko di setiap
kepercayaan 90%, 95% dan 99% pada waktu T+1 nilai VaR masing-masing
0.00005, 0.0002 dan 0.0005. Sehingga dari hasil perhitungan VaR
menggunakan model IGARCH(1,2) dan pendekatan GPD dalam
menganalisis nilai ekstrim maka nilai resiko return investasi IHSG periode
Mei 2020 dapat ditaksir, hasilnya menunjukkan bahwa VaR dengan taraf
kepercayaan 99% memiliki nilai VaR yang lebih besar dari pada nilai VaR
dengan taraf kepercayaan 90% dan 95%.
5.2 Saran
Berdasarkan hasil analisis yang telah dilakukan, saran yang dapat
diberikan adalah sebagai berikut:
1. Bagaimaa menaksir VaR dengan menggunakan model lainuntuk kondisi

model heterokedastisitas seperti Model GARCH-M, Model EGARCH,
Model TGARCH dll.
2. Perhitungan VaR menngunakan GPD dapat juga digunakan untuk
menghitung nilai Tail-Var.
42
DAFTAR PUSTAKA
Aswi & Sukarna.2006. Analisis Deret Waktu. Adira Publisher.Makassar
Best, P. 1998.Implementating Value at Risk. West Sussex: John Wiley and

Sons,Ltd
Bollersev, T. 1986.Generalized Autoregressive Conditional Heterocedasticity.
J.Econometrics. pp. 307-327
Dwipa, N.M.S.2016. Identifikasi Model I-Garch (IntegratedGeneralized
Autoregressive Conditionally Heterocedastic) Untuk Peramalan Value
At Risk:Universitas PGRI Yogyakarta
Engle, R.1982. The Use of ARCH/GARCH Models in Applied Econometrics.
Journal of Econometric Prespectiv.;pp. 157-168.
Febriana,Dian.2014.PerhitunganValue at Risk Menggunakan Model Integrated
Generalized Autoregressive Conditional Heteroscedasticity (IGARCH)
(Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia.
Semarang:Universitas Dipenogoro.
Gencay, R., Faruk, S dan Ulugülyagci, A.(2001). EVIM: A Software Package for
Extreme Value Analysis in MATLAB. Journal Article: Studies in
Nonlinear Dynamics & Econometrics., 5(3).
Ghozali, I. 2007. Manajemen Risiko Perbankan. Semarang: BPUNDIP.
Gilli, M., and Kellezi, E. 2006.An Application of Extreme Value Theory for
Measuring Financial Risk. Article Published in Computational
Economics 27(1), 1 -23.
Gujarati, D. N., & Porter, D. C. 2009. Basic Econometrics (5th ed.). McGraw-Hill
Irwin, New York
Hastaryta, R dan Efffendie, A. R. (2006).Estimasi Value-at-Risk dengan
Pendekatan Extreme Value Theory- Generalized Pareto Distribution
(Studi Kasus IHSG 1997-2004).Jurnal Fakultas Matematika Ilmu
Pengetahuan Alam Vol 16, No 2.
Hogg, R.V., and Craig, A.T. 1995.Introduction to Mathematical Statistics, Fifth
Edition.Pretice-Hall, Inc., New Jersey.
43
Inrookuttafkiroh. 2017. Analisis Risiko Investasi Saham Syariah Menggunakan
Metode Value at Risk-Generalized Autoregressive Conditional
Heterokedastiv (VAR-GARCH) dengan Pendekatan Generalized Pareto
Distribution (GPD). Yigyakarta: Universitas Negeri Sunan Kalijaga.
Jogiyanto.2003. Teori Portofolio dan Analisis Investasi, Edisi III, cet,
I .Yogyakarta: BPFE,) hlm 5
Jorion, P. (2001). Value at Risk :The New Benchmark for Managing Financial
Risk, 3 Nd. New York: McGraw-Hill Companies.
J.P. Morgan. 1996. On a New Index Aimed at Comparix Risks. Jurnal Of
Mathematical Finance Vol 5 No.2
Juliastuti, D. (2007). Implementasi Metode Extreme Value Theory dalam
Pengukuran Risiko Operasional (Studi Kasus pada PT. Bank
AAA).Tesis Fakultas Ekonomi Universitas Indonesia.
McNeil, A. J. (1999). Extreme Value Theory for Risk Managers. Zurich:
Departement Mathematic ETH Zentrum
Megawati, Shantika Martha, & Dadan Kusnandar. 2020. “Pemodelan Dan
Peramalan Volatilitas Saham Menggunakan Model Integrated
Generalized Autoregressive Conditional Heteroscedasticity”. Buletin
Ilmiah Math.Stat. dan Terapannya (Bimaster).Volume 09, No. 1(2020),
hal 145–152.
Mehmet, A. 2008.Analysis of Turkish Financial Market with Markov Regime
Switching Volatility Models. Ankara: The Middle East Technical
University.
Sadono Sukirno, 2003.“Pengantar Teori Mikro Ekonomi”. Jakarta: PT. Salemba
Empat.
Tendelilin,Eduardus .2001. Analisis Investasi dan Manajemen Portofolio, Edisi I,
cet. I. Yogyakarta: BPFE
Thode, H. C. Testing for Normality. Marcel Dekker. Inc. 2002.
Tsay, R. S. 2005. Analysis of Financial Time Series Second Edition. New York :
A John Wiley & Sons, Inc.
44
Wei, W.W.S. 2006.Time Series Analysis Univariate and Multivariate Methods
Second Edition. Pearson Education Inc., Canada.
Zubir, Z. 2011. Manajemen Portofolio Penerapannya dalam Investasi
Saham.Jakarta : Salemba Empat
Zuhara. U., Akbar, M.S., Haryono. 2012. Penggunaan Metode VaR (Value at
Risk) dalam Analisis Risiko Investasi Saham dengan Pendekatan
Generalized Pareto Distribution (GPD). Jurnal Sains dan Seni
ITS.Vol.1.No.1.
Zumrohtuliyosi, Dede et al. 2015. Penentuan Value at Risk Saham Kimia Farma
Pusat Melalui Pendekatan Distribusi Pareto Terampat. Jurnal Gaussian,
Volume 4, Nomor 3, Tahun 2015, Halaman 453-462
45
LAMPIRAN
46
LAMPIRAN I.Data IHSG Oktober 2014 – April 2020
Date Close Return 11/27/2014 5145.315 0.002386

10/02/2014 5000.809 -0.02802 11/28/2014 5149.888 0.000888
10/03/2014 4949.346 -0.0104 12/01/2014 5164.288 0.002788
10/06/2014 5000.138 0.010158 12/02/2014 5175.793 0.002223
10/07/2014 5032.841 0.006498 12/03/2014 5166.044 -0.00189
10/08/2014 4958.519 -0.01499 12/04/2014 5177.16 0.002147
10/09/2014 4993.879 0.007081 12/05/2014 5187.994 0.002088
10/10/2014 4962.96 -0.00623 12/08/2014 5144.014 -0.00855
10/13/2014 4913.053 -0.01016 12/09/2014 5122.312 -0.00424
10/14/2014 4922.582 0.001936 12/10/2014 5165.407 0.008343
10/15/2014 4962.94 0.008132 12/11/2014 5152.695 -0.00247
10/16/2014 4951.614 -0.00229 12/12/2014 5160.433 0.0015
10/17/2014 5028.946 0.015377 12/15/2014 5108.432 -0.01018
10/20/2014 5040.532 0.002299 12/16/2014 5026.028 -0.0164
10/21/2014 5029.344 -0.00222 12/17/2014 5035.649 0.001911
10/22/2014 5074.323 0.008864 12/18/2014 5113.345 0.015195
10/23/2014 5103.518 0.005721 12/19/2014 5144.621 0.006079
10/24/2014 5073.068 -0.006 12/22/2014 5125.772 -0.00368
10/27/2014 5024.292 -0.00971 12/23/2014 5139.068 0.002587
10/28/2014 5001.304 -0.0046 12/24/2014 5166.983 0.005403
10/29/2014 5074.056 0.014338 12/29/2014 5178.373 0.0022
10/30/2014 5058.849 -0.00301 12/30/2014 5226.947 0.009293
10/31/2014 5089.547 0.006032 01/02/2015 5242.769 0.003018
11/03/2014 5085.509 -0.00079 01/05/2015 5219.995 -0.00436
11/04/2014 5070.94 -0.00287 01/06/2015 5169.06 -0.00985
11/05/2014 5066.832 -0.00081 01/07/2015 5207.118 0.007309
11/06/2014 5034.231 -0.00648 01/08/2015 5211.828 0.000904
11/07/2014 4987.424 -0.00939 01/09/2015 5216.665 0.000927
11/10/2014 4965.387 -0.00444 01/12/2015 5187.933 -0.00554
11/11/2014 5032.284 0.013294 1/13/2015 5214.359 0.005068
11/12/2014 5048.841 0.003279 1/14/2015 5159.668 -0.0106
11/13/2014 5048.668 -3.42E-05 1/15/2015 5188.712 0.005598
11/14/2014 5049.488 0.000162 1/16/2015 5148.379 -0.00783
11/17/2014 5053.943 0.000882 1/19/2015 5152.093 0.000721
11/18/2014 5102.469 0.00951 1/20/2015 5166.09 0.002709
11/19/2014 5127.933 0.004966 1/21/2015 5215.266 0.009429
11/20/2014 5093.566 -0.00675 1/22/2015 5253.183 0.007218
11/21/2014 5112.045 0.003615 1/23/2015 5323.885 0.01328
11/24/2014 5141.764 0.00578 1/26/2015 5260.024 -0.01214
11/25/2014 5118.945 -0.00446 1/27/2015 5277.149 0.003245
11/26/2014 5133.036 0.002745 1/28/2015 5268.852 -0.00157
47
1/29/2015 5262.718 -0.00117 3/31/2015 5518.675 0.0145
1/30/2015 5289.404 0.005045 04/01/2015 5466.867 -0.00948
02/02/2015 5276.236 -0.0025 04/02/2015 5456.399 -0.00192
02/03/2015 5291.718 0.002926 04/06/2015 5480.031 0.004312
02/04/2015 5315.284 0.004434 04/07/2015 5523.29 0.007832
02/05/2015 5279.895 -0.0067 04/08/2015 5486.584 -0.00669
02/06/2015 5342.515 0.011721 04/09/2015 5500.9 0.002602
02/09/2015 5348.47 0.001113 04/10/2015 5491.34 -0.00174
02/10/2015 5321.474 -0.00507 4/13/2015 5447.409 -0.00806
02/11/2015 5336.519 0.002819 4/14/2015 5419.107 -0.00522
02/12/2015 5343.411 0.00129 4/15/2015 5414.547 -0.00084
2/13/2015 5374.165 0.005723 4/16/2015 5420.733 0.001141
2/16/2015 5325.495 -0.00914 4/17/2015 5410.644 -0.00186
2/17/2015 5337.501 0.002249 4/20/2015 5400.803 -0.00182
2/18/2015 5390.449 0.009823 4/21/2015 5460.573 0.010946
2/20/2015 5400.104 0.001788 4/22/2015 5437.119 -0.00431
2/23/2015 5403.277 0.000587 4/23/2015 5436.209 -0.00017
2/24/2015 5417.314 0.002591 4/24/2015 5435.355 -0.00016
2/25/2015 5445.108 0.005104 4/27/2015 5245.446 -0.0362
2/26/2015 5451.422 0.001158 4/28/2015 5242.157 -0.00063
2/27/2015 5450.294 -0.00021 4/29/2015 5105.563 -0.02675
03/02/2015 5477.831 0.005027 4/30/2015 5086.425 -0.00376
03/03/2015 5474.619 -0.00059 05/04/2015 5141.137 0.010642
03/04/2015 5448.059 -0.00488 05/05/2015 5160.308 0.003715
03/05/2015 5450.947 0.00053 05/06/2015 5184.95 0.004753
03/06/2015 5514.787 0.011576 05/07/2015 5150.486 -0.00669
03/09/2015 5444.634 -0.01288 05/08/2015 5182.213 0.006122
03/10/2015 5462.928 0.003349 05/11/2015 5172.482 -0.00188
03/11/2015 5419.566 -0.008 05/12/2015 5205.612 0.006364
03/12/2015 5439.832 0.003726 5/13/2015 5246.133 0.007724
3/13/2015 5426.466 -0.00246 5/15/2015 5227.096 -0.00364
3/16/2015 5435.271 0.00162 5/18/2015 5237.811 0.002046
3/17/2015 5439.153 0.000714 5/19/2015 5269.371 0.005989
3/18/2015 5413.151 -0.0048 5/20/2015 5292.749 0.004417
3/19/2015 5453.854 0.007463 5/21/2015 5313.208 0.003851
3/20/2015 5443.065 -0.00198 5/22/2015 5315.153 0.000366
3/23/2015 5437.098 -0.0011 5/25/2015 5288.362 -0.00507
3/24/2015 5447.648 0.001937 5/26/2015 5320.901 0.006115
3/25/2015 5405.489 -0.0078 5/27/2015 5253.388 -0.01285
3/26/2015 5368.8 -0.00683 5/28/2015 5237.401 -0.00305
3/27/2015 5396.854 0.005198 5/29/2015 5216.379 -0.00403
3/30/2015 5438.656 0.007686 06/01/2015 5213.816 -0.00049
48
06/03/2015 5130.499 -0.01624 08/06/2015 4806.564 -0.00915
06/04/2015 5095.821 -0.00681 08/07/2015 4770.303 -0.0076
06/05/2015 5100.572 0.000931 08/10/2015 4748.949 -0.0045
06/08/2015 5014.992 -0.01706 08/11/2015 4622.591 -0.02733
06/09/2015 4899.882 -0.02349 08/12/2015 4479.491 -0.03195
06/10/2015 4933.557 0.006826 8/13/2015 4584.25 0.022852
06/11/2015 4928.812 -0.00096 8/14/2015 4585.391 0.000249
06/12/2015 4935.817 0.001419 8/18/2015 4510.478 -0.01661
6/15/2015 4837.794 -0.02026 8/19/2015 4484.242 -0.00585
6/16/2015 4872.599 0.007143 8/20/2015 4441.911 -0.00953
6/17/2015 4945.753 0.014791 8/21/2015 4335.953 -0.02444
6/18/2015 4945.499 -5.13E-05 8/24/2015 4163.729 -0.04136
6/19/2015 4985.006 0.007925 8/25/2015 4228.501 0.015318
6/22/2015 4959.252 -0.00519 8/26/2015 4237.733 0.002179
6/23/2015 4937.648 -0.00438 8/27/2015 4430.632 0.043538
6/24/2015 4953.516 0.003203 8/28/2015 4446.201 0.003502
6/25/2015 4920.042 -0.0068 8/31/2015 4509.607 0.01406
6/26/2015 4923.005 0.000602 09/01/2015 4412.459 -0.02202
6/29/2015 4882.578 -0.00828 09/02/2015 4401.293 -0.00254
6/30/2015 4910.658 0.005718 09/03/2015 4433.111 0.007177
07/01/2015 4904.063 -0.00134 09/04/2015 4415.343 -0.00402
07/02/2015 4944.781 0.008234 09/07/2015 4301.365 -0.0265
07/03/2015 4982.91 0.007652 09/08/2015 4318.591 0.003989
07/06/2015 4916.741 -0.01346 09/09/2015 4347.277 0.006599
07/07/2015 4906.05 -0.00218 09/10/2015 4343.261 -0.00092
07/08/2015 4871.571 -0.00708 09/11/2015 4360.468 0.003946
07/09/2015 4838.284 -0.00688 9/14/2015 4390.373 0.006812
07/10/2015 4859.034 0.00427 9/15/2015 4347.16 -0.00994
7/13/2015 4893.917 0.007128 9/16/2015 4332.513 -0.00338
7/14/2015 4901.807 0.00161 9/17/2015 4378.385 0.010477
7/15/2015 4869.849 -0.00656 9/18/2015 4380.32 0.000442
7/22/2015 4906.689 0.007508 9/21/2015 4376.082 -0.00097
7/23/2015 4902.845 -0.00078 9/22/2015 4344.044 -0.00738
7/24/2015 4856.595 -0.00952 9/23/2015 4244.427 -0.02347
7/27/2015 4771.285 -0.01788 9/25/2015 4209.439 -0.00831
7/28/2015 4714.756 -0.01199 9/28/2015 4120.503 -0.02158
7/29/2015 4721.121 0.001348 9/29/2015 4178.408 0.013858
7/30/2015 4712.492 -0.00183 9/30/2015 4223.908 0.010772
7/31/2015 4802.529 0.018748 10/01/2015 4254.876 0.007278
08/03/2015 4800.182 -0.00049 10/02/2015 4207.799 -0.01119
08/04/2015 4781.087 -0.00399 10/05/2015 4343.701 0.031287
08/05/2015 4850.532 0.014317 10/06/2015 4445.781 0.022961
49
10/07/2015 4487.132 0.009215 12/07/2015 4521.392 0.002862
10/08/2015 4491.433 0.000958 12/08/2015 4464.182 -0.01282
10/09/2015 4589.344 0.021334 12/10/2015 4466.21 0.000454
10/12/2015 4630.707 0.008932 12/11/2015 4393.522 -0.01654
10/13/2015 4483.076 -0.03293 12/14/2015 4374.191 -0.00442
10/15/2015 4507.195 0.005351 12/15/2015 4409.172 0.007934
10/16/2015 4521.882 0.003248 12/16/2015 4483.453 0.016568
10/19/2015 4569.844 0.010495 12/17/2015 4555.964 0.015916
10/20/2015 4585.824 0.003485 12/18/2015 4468.654 -0.01954
10/21/2015 4605.226 0.004213 12/21/2015 4490.68 0.004905
10/22/2015 4584.562 -0.00451 12/22/2015 4517.568 0.005952
10/23/2015 4653.146 0.014739 12/23/2015 4522.654 0.001125
10/26/2015 4691.711 0.00822 12/28/2015 4557.355 0.007614
10/27/2015 4674.058 -0.00378 12/29/2015 4569.361 0.002627
10/28/2015 4608.74 -0.01417 12/30/2015 4593.008 0.005148
10/29/2015 4472.021 -0.03057 01/04/2016 4525.919 -0.01482
10/30/2015 4455.18 -0.00378 01/05/2016 4557.822 0.007
11/02/2015 4464.959 0.00219 01/06/2016 4608.982 0.0111
11/03/2015 4533.086 0.015029 01/07/2016 4530.448 -0.01733
11/04/2015 4612.565 0.017231 01/08/2016 4546.288 0.003484
11/05/2015 4577.233 -0.00772 01/11/2016 4465.483 -0.0181
11/06/2015 4566.552 -0.00234 01/12/2016 4512.527 0.010425
11/09/2015 4499.507 -0.0149 1/13/2016 4537.179 0.005433
11/10/2015 4451.053 -0.01089 1/14/2016 4513.181 -0.00532
11/11/2015 4451.589 0.00012 1/15/2016 4523.976 0.002386
11/12/2015 4462.225 0.002384 1/18/2016 4481.276 -0.00953
11/13/2015 4472.838 0.002373 1/19/2016 4491.737 0.002329
11/16/2015 4442.18 -0.0069 1/20/2016 4427.985 -0.0144
11/17/2015 4500.947 0.013056 1/21/2016 4414.126 -0.00314
11/18/2015 4497.91 -0.00068 1/22/2016 4456.744 0.009563
11/19/2015 4518.94 0.004654 1/25/2016 4505.788 0.010885
11/20/2015 4561.334 0.009294 1/26/2016 4510.468 0.001038
11/23/2015 4541.066 -0.00446 1/27/2016 4583.628 0.015961
11/24/2015 4545.378 0.000949 1/28/2016 4602.829 0.004172
11/25/2015 4585.546 0.00876 1/29/2016 4615.163 0.002672
11/26/2015 4597.057 0.002504 02/01/2016 4624.635 0.002048
11/27/2015 4560.56 -0.008 02/02/2016 4587.435 -0.00811
11/30/2015 4446.458 -0.02566 02/03/2016 4596.108 0.001887
12/01/2015 4557.668 0.024401 02/04/2016 4665.817 0.01494
12/02/2015 4545.863 -0.0026 02/05/2016 4798.946 0.027741
12/03/2015 4537.382 -0.00187 02/09/2016 4768.625 -0.00636
12/04/2015 4508.452 -0.00642 02/10/2016 4732.483 -0.00764
50
02/11/2016 4775.86 0.009083 4/13/2016 4853.005 0.004828
02/12/2016 4714.393 -0.01304 4/14/2016 4814.846 -0.00793
2/15/2016 4740.726 0.005555 4/15/2016 4823.568 0.001808
2/16/2016 4745.004 0.000902 4/18/2016 4865.534 0.008625
2/17/2016 4765.507 0.004302 4/19/2016 4881.93 0.003359
2/18/2016 4778.794 0.00278 4/20/2016 4876.596 -0.00109
2/19/2016 4697.56 -0.01729 4/21/2016 4903.09 0.005403
2/22/2016 4708.62 0.002349 4/22/2016 4914.737 0.00237
2/23/2016 4654.054 -0.01172 4/25/2016 4878.862 -0.00735
2/24/2016 4657.722 0.000788 4/26/2016 4814.093 -0.01345
2/25/2016 4658.323 0.000129 4/27/2016 4845.658 0.006514
2/26/2016 4733.149 0.015809 4/28/2016 4848.39 0.000563
2/29/2016 4770.956 0.007924 4/29/2016 4838.583 -0.00203
03/01/2016 4779.985 0.001889 05/02/2016 4808.319 -0.00629
03/02/2016 4836.196 0.011623 05/03/2016 4812.264 0.00082
03/03/2016 4844.039 0.001619 05/04/2016 4822.595 0.002142
03/04/2016 4850.883 0.001411 05/09/2016 4749.315 -0.01543
03/07/2016 4831.575 -0.004 05/10/2016 4763.115 0.002897
03/08/2016 4811.042 -0.00427 05/11/2016 4799.964 0.007677
03/10/2016 4793.203 -0.00372 05/12/2016 4803.322 0.000699
03/11/2016 4813.779 0.004274 5/13/2016 4761.715 -0.00874
3/14/2016 4877.531 0.013071 5/16/2016 4731.562 -0.00637
3/15/2016 4849.781 -0.00572 5/17/2016 4729.156 -0.00051
3/16/2016 4861.441 0.002398 5/18/2016 4734.357 0.001099
3/17/2016 4885.688 0.004963 5/19/2016 4704.217 -0.00641
3/18/2016 4885.708 4.10E-06 5/20/2016 4711.878 0.001626
3/21/2016 4885.163 -0.00011 5/23/2016 4743.662 0.0067
3/22/2016 4856.107 -0.00598 5/24/2016 4710.785 -0.00698
3/23/2016 4854.176 -0.0004 5/25/2016 4772.977 0.01303
3/24/2016 4827.087 -0.00561 5/26/2016 4784.565 0.002422
3/28/2016 4773.626 -0.0112 5/27/2016 4814.731 0.006265
3/29/2016 4781.297 0.001604 5/30/2016 4836.033 0.004405
3/30/2016 4816.655 0.007341 5/31/2016 4796.869 -0.00816
3/31/2016 4845.371 0.005927 06/01/2016 4839.668 0.008843
04/01/2016 4843.186 -0.00045 06/02/2016 4833.225 -0.00133
04/04/2016 4850.176 0.001441 06/03/2016 4853.922 0.004264
04/05/2016 4858.072 0.001625 06/06/2016 4896.025 0.008599
04/06/2016 4868.23 0.002087 06/07/2016 4933.989 0.007694
04/07/2016 4867.285 -0.00019 06/08/2016 4916.061 -0.00365
04/08/2016 4846.704 -0.00425 06/09/2016 4876.794 -0.00805
04/11/2016 4786.974 -0.01248 06/10/2016 4848.056 -0.00593
04/12/2016 4829.573 0.00882 6/13/2016 4807.226 -0.00849
51
6/14/2016 4821.59 0.002979 8/19/2016 5416.035 -0.00839
6/15/2016 4814.824 -0.00141 8/22/2016 5427.175 0.002053
6/16/2016 4814.391 -9.00E-05 8/23/2016 5417.14 -0.00185
6/17/2016 4835.143 0.004292 8/24/2016 5403.992 -0.00243
6/20/2016 4863.531 0.005837 8/25/2016 5454.116 0.00919
6/21/2016 4878.714 0.003112 8/26/2016 5438.831 -0.00281
6/22/2016 4896.852 0.003704 8/29/2016 5370.764 -0.01267
6/23/2016 4874.309 -0.00462 8/30/2016 5362.316 -0.00158
6/24/2016 4834.569 -0.00822 8/31/2016 5386.082 0.004413
6/27/2016 4836.052 0.000307 09/01/2016 5334.547 -0.00966
6/28/2016 4882.171 0.009446 09/02/2016 5353.461 0.003533
6/29/2016 4980.105 0.019665 09/05/2016 5356.954 0.000652
6/30/2016 5016.647 0.007284 09/06/2016 5372.096 0.002819
07/01/2016 4971.581 -0.00906 09/07/2016 5381.354 0.00172
07/11/2016 5069.019 0.019222 09/08/2016 5371.078 -0.00191
07/12/2016 5099.533 0.005984 09/09/2016 5281.917 -0.01688
7/13/2016 5133.933 0.0067 9/13/2016 5215.567 -0.01272
7/14/2016 5083.539 -0.00991 9/14/2016 5146.038 -0.01351
7/15/2016 5110.178 0.005213 9/15/2016 5265.819 0.022747
7/18/2016 5127.501 0.003378 9/16/2016 5267.769 0.00037
7/19/2016 5172.83 0.008763 9/19/2016 5321.841 0.01016
7/20/2016 5242.823 0.01335 9/20/2016 5302.493 -0.00365
7/21/2016 5216.973 -0.00495 9/21/2016 5342.592 0.007505
7/22/2016 5197.251 -0.00379 9/22/2016 5380.262 0.007002
7/25/2016 5220.802 0.004511 9/23/2016 5388.908 0.001604
7/26/2016 5224.395 0.000688 9/26/2016 5352.139 -0.00687
7/27/2016 5274.361 0.009473 9/27/2016 5419.604 0.012448
7/28/2016 5299.213 0.00469 9/28/2016 5425.337 0.001057
7/29/2016 5215.994 -0.01595 9/29/2016 5431.957 0.001219
08/01/2016 5361.576 0.027153 9/30/2016 5364.804 -0.01252
08/02/2016 5373.323 0.002186 10/03/2016 5463.915 0.018139
08/03/2016 5351.878 -0.00401 10/04/2016 5472.317 0.001535
08/04/2016 5373.863 0.004091 10/05/2016 5420.648 -0.00953
08/05/2016 5420.246 0.008557 10/06/2016 5409.344 -0.00209
08/08/2016 5458.979 0.007095 10/07/2016 5377.149 -0.00599
08/09/2016 5440.293 -0.00343 10/10/2016 5360.828 -0.00304
08/10/2016 5423.949 -0.00301 10/11/2016 5381.997 0.003933
08/11/2016 5419.088 -0.0009 10/12/2016 5364.611 -0.00324
08/12/2016 5377.196 -0.00779 10/13/2016 5340.4 -0.00453
8/15/2016 5320.561 -0.01064 10/14/2016 5399.885 0.011016
8/16/2016 5371.846 0.009547 10/17/2016 5410.303 0.001926
8/18/2016 5461.45 0.016407 10/18/2016 5430.048 0.003636
52
10/19/2016 5409.288 -0.00384 12/19/2016 5191.912 -0.00765
10/20/2016 5403.69 -0.00104 12/20/2016 5162.477 -0.0057
10/21/2016 5409.243 0.001027 12/21/2016 5111.392 -0.00999
10/24/2016 5420.998 0.002168 12/22/2016 5042.87 -0.01359
10/25/2016 5397.821 -0.00429 12/23/2016 5027.704 -0.00302
10/26/2016 5399.679 0.000344 12/27/2016 5102.954 0.014746
10/27/2016 5416.836 0.003167 12/28/2016 5209.445 0.020442
10/28/2016 5410.269 -0.00121 12/29/2016 5302.566 0.017562
10/31/2016 5422.542 0.002263 12/30/2016 5296.711 -0.00111
11/01/2016 5416.007 -0.00121 01/03/2017 5275.971 -0.00393
11/02/2016 5405.455 -0.00195 01/04/2017 5301.183 0.004756
11/03/2016 5329.502 -0.01425 01/05/2017 5325.504 0.004567
11/04/2016 5362.66 0.006183 01/06/2017 5347.022 0.004024
11/07/2016 5386.208 0.004372 01/09/2017 5316.364 -0.00577
11/08/2016 5470.681 0.015441 01/10/2017 5309.924 -0.00121
11/09/2016 5414.321 -0.01041 01/11/2017 5301.237 -0.00164
11/10/2016 5450.306 0.006602 01/12/2017 5292.75 -0.0016
11/11/2016 5231.971 -0.04173 1/13/2017 5272.983 -0.00375
11/14/2016 5115.739 -0.02272 1/16/2017 5270.011 -0.00056
11/15/2016 5078.501 -0.00733 1/17/2017 5266.938 -0.00058
11/16/2016 5185.465 0.020628 1/18/2017 5294.784 0.005259
11/17/2016 5193.015 0.001454 1/19/2017 5298.948 0.000786
11/18/2016 5170.109 -0.00443 1/20/2017 5254.311 -0.0085
11/21/2016 5148.319 -0.00423 1/23/2017 5250.968 -0.00064
11/22/2016 5204.674 0.010828 1/24/2017 5292.088 0.00777
11/23/2016 5211.996 0.001405 1/25/2017 5293.782 0.00032
11/24/2016 5107.623 -0.02043 1/26/2017 5317.633 0.004485
11/25/2016 5122.104 0.002827 1/27/2017 5312.84 -0.0009
11/28/2016 5114.572 -0.00147 1/30/2017 5302.662 -0.00192
11/29/2016 5136.667 0.004301 1/31/2017 5294.103 -0.00162
11/30/2016 5148.91 0.002378 02/01/2017 5327.161 0.006206
12/01/2016 5198.755 0.009588 02/02/2017 5353.713 0.00496
12/02/2016 5245.956 0.008998 02/03/2017 5360.767 0.001316
12/05/2016 5268.308 0.004243 02/06/2017 5395.995 0.006529
12/06/2016 5272.965 0.000883 02/07/2017 5381.475 -0.0027
12/07/2016 5265.368 -0.00144 02/08/2017 5361.088 -0.0038
12/08/2016 5303.734 0.007234 02/09/2017 5372.077 0.002046
12/09/2016 5308.126 0.000827 02/10/2017 5371.669 -7.60E-05
12/13/2016 5293.619 -0.00274 2/13/2017 5409.556 0.007004
12/14/2016 5262.817 -0.00585 2/14/2017 5380.67 -0.00537
12/15/2016 5254.362 -0.00161 2/16/2017 5377.998 -0.0005
12/16/2016 5231.652 -0.00434 2/17/2017 5350.932 -0.00506
53
2/20/2017 5359.288 0.001559 4/25/2017 5680.796 0.002873
2/21/2017 5340.99 -0.00343 4/26/2017 5726.53 0.007986
2/22/2017 5358.683 0.003302 4/27/2017 5707.028 -0.00342
2/23/2017 5372.748 0.002618 4/28/2017 5685.298 -0.00382
2/24/2017 5385.906 0.002443 05/02/2017 5675.808 -0.00167
2/27/2017 5382.874 -0.00056 05/03/2017 5647.368 -0.00504
2/28/2017 5386.692 0.000709 05/04/2017 5669.443 0.003894
03/01/2017 5363.056 -0.00441 05/05/2017 5683.377 0.002452
03/02/2017 5408.254 0.008357 05/08/2017 5707.862 0.00429
03/03/2017 5391.215 -0.00316 05/09/2017 5697.056 -0.0019
03/06/2017 5409.817 0.003439 05/10/2017 5653.008 -0.00779
03/07/2017 5402.615 -0.00133 05/12/2017 5675.216 0.003913
03/08/2017 5393.764 -0.00164 5/15/2017 5688.87 0.0024
03/09/2017 5402.386 0.001596 5/16/2017 5646.999 -0.00741
03/10/2017 5390.677 -0.00217 5/17/2017 5615.492 -0.00561
3/13/2017 5409.372 0.003456 5/18/2017 5645.451 0.005307
3/14/2017 5431.585 0.00409 5/19/2017 5791.884 0.025282
3/15/2017 5432.381 0.000147 5/22/2017 5749.445 -0.00738
3/16/2017 5518.241 0.015559 5/23/2017 5730.613 -0.00329
3/17/2017 5540.432 0.004005 5/24/2017 5703.433 -0.00477
3/20/2017 5533.992 -0.00116 5/26/2017 5716.815 0.002341
3/21/2017 5543.093 0.001642 5/29/2017 5712.331 -0.00078
3/22/2017 5534.093 -0.00163 5/30/2017 5693.391 -0.00333
3/23/2017 5563.759 0.005332 5/31/2017 5738.155 0.007801
3/24/2017 5567.134 0.000606 06/02/2017 5742.446 0.000747
3/27/2017 5541.202 -0.00468 06/05/2017 5748.235 0.001007
3/29/2017 5592.51 0.009174 06/06/2017 5707.831 -0.00708
3/30/2017 5592.952 7.91E-05 06/07/2017 5717.325 0.001661
3/31/2017 5568.106 -0.00446 06/08/2017 5702.922 -0.00253
04/03/2017 5606.789 0.006899 06/09/2017 5675.523 -0.00483
04/04/2017 5651.823 0.007968 06/12/2017 5691.436 0.002796
04/05/2017 5676.98 0.004431 6/13/2017 5707.645 0.00284
04/06/2017 5680.239 0.000574 6/14/2017 5792.897 0.014717
04/07/2017 5653.486 -0.00473 6/15/2017 5776.283 -0.00288
04/10/2017 5644.299 -0.00163 6/16/2017 5723.636 -0.0092
04/11/2017 5627.933 -0.00291 6/19/2017 5741.909 0.003182
04/12/2017 5644.155 0.002874 6/20/2017 5791.904 0.008632
4/13/2017 5616.545 -0.00492 6/21/2017 5818.552 0.00458
4/17/2017 5577.487 -0.007 6/22/2017 5829.708 0.001914
4/18/2017 5606.517 0.005178 07/03/2017 5910.237 0.013625
4/20/2017 5595.306 -0.002 07/04/2017 5865.364 -0.00765
4/21/2017 5664.475 0.012211 07/05/2017 5825.054 -0.00692
54
07/06/2017 5849.575 0.004192 09/06/2017 5824.138 -0.001
07/07/2017 5814.793 -0.00598 09/07/2017 5832.311 0.001401
07/10/2017 5771.506 -0.0075 09/08/2017 5857.119 0.004236
07/11/2017 5773.326 0.000315 09/11/2017 5871.881 0.002514
07/12/2017 5819.132 0.007872 09/12/2017 5872.377 8.45E-05
7/13/2017 5830.044 0.001872 9/13/2017 5845.734 -0.00456
7/14/2017 5831.795 0.0003 9/14/2017 5852.002 0.001071
7/17/2017 5841.28 0.001624 9/15/2017 5872.392 0.003472
7/18/2017 5822.352 -0.00325 9/18/2017 5884.611 0.002076
7/19/2017 5806.69 -0.0027 9/19/2017 5901.326 0.002832
7/20/2017 5825.208 0.003179 9/20/2017 5906.573 0.000888
7/21/2017 5765.424 -0.01037 9/22/2017 5911.708 0.000869
7/24/2017 5801.587 0.006233 9/25/2017 5894.612 -0.0029
7/25/2017 5813.535 0.002055 9/26/2017 5863.962 -0.00523
7/26/2017 5800.206 -0.0023 9/27/2017 5863.027 -0.00016
7/27/2017 5819.744 0.003357 9/28/2017 5841.047 -0.00376
7/28/2017 5831.027 0.001935 9/29/2017 5900.854 0.010135
7/31/2017 5840.939 0.001697 10/02/2017 5914.03 0.002228
08/01/2017 5805.205 -0.00616 10/03/2017 5939.453 0.00428
08/02/2017 5824.249 0.00327 10/04/2017 5951.475 0.00202
08/03/2017 5780.576 -0.00756 10/05/2017 5901.906 -0.0084
08/04/2017 5777.482 -0.00054 10/06/2017 5905.378 0.000588
08/07/2017 5749.292 -0.0049 10/09/2017 5914.933 0.001615
08/08/2017 5810.563 0.010545 10/10/2017 5905.762 -0.00155
08/09/2017 5824.007 0.002308 10/11/2017 5882.787 -0.00391
08/10/2017 5825.946 0.000333 10/12/2017 5926.204 0.007326
08/11/2017 5766.138 -0.01037 10/13/2017 5924.124 -0.00035
8/14/2017 5801.488 0.006093 10/16/2017 5949.701 0.004299
8/15/2017 5835.041 0.00575 10/17/2017 5947.33 -0.0004
8/16/2017 5891.949 0.009659 10/18/2017 5929.201 -0.00306
8/18/2017 5893.841 0.000321 10/19/2017 5910.53 -0.00316
8/21/2017 5861.004 -0.0056 10/20/2017 5929.549 0.003208
8/22/2017 5880.297 0.003281 10/23/2017 5950.026 0.003442
8/23/2017 5914.024 0.005703 10/24/2017 5952.076 0.000344
8/24/2017 5894.117 -0.00338 10/25/2017 6025.434 0.012175
8/25/2017 5915.363 0.003592 10/26/2017 5995.847 -0.00493
8/28/2017 5903.341 -0.00204 10/27/2017 5975.281 -0.00344
8/29/2017 5888.212 -0.00257 10/30/2017 5974.077 -0.0002
8/30/2017 5872.506 -0.00267 10/31/2017 6005.784 0.005279
8/31/2017 5864.059 -0.00144 11/01/2017 6038.146 0.00536
09/04/2017 5813.741 -0.00865 11/02/2017 6031.107 -0.00117
09/05/2017 5829.979 0.002785 11/03/2017 6039.541 0.001396
55
11/06/2017 6050.823 0.001865 01/08/2018 6385.404 0.004959
11/07/2017 6060.453 0.001589 01/09/2018 6373.144 -0.00192
11/08/2017 6049.384 -0.00183 01/10/2018 6371.174 -0.00031
11/09/2017 6042.46 -0.00115 01/11/2018 6386.339 0.002375
11/10/2017 6021.828 -0.00343 01/12/2018 6370.065 -0.00255
11/13/2017 6021.456 -6.18E-05 1/15/2018 6382.195 0.001901
11/14/2017 5988.292 -0.00554 1/16/2018 6429.692 0.007387
11/15/2017 5972.311 -0.00268 1/17/2018 6444.518 0.002301
11/16/2017 6037.907 0.010864 1/18/2018 6472.666 0.004349
11/17/2017 6051.732 0.002284 1/19/2018 6490.896 0.002809
11/20/2017 6053.282 0.000256 1/22/2018 6500.529 0.001482
11/21/2017 6031.862 -0.00355 1/23/2018 6635.334 0.020316
11/22/2017 6069.785 0.006248 1/24/2018 6615.492 -0.003
11/23/2017 6063.245 -0.00108 1/25/2018 6615.328 -2.48E-05
11/24/2017 6067.142 0.000642 1/26/2018 6660.618 0.0068
11/27/2017 6064.589 -0.00042 1/29/2018 6680.619 0.002994
11/28/2017 6070.716 0.001009 1/30/2018 6575.492 -0.01599
11/29/2017 6061.367 -0.00154 1/31/2018 6605.631 0.004563
11/30/2017 5952.138 -0.01835 02/01/2018 6598.459 -0.00109
12/01/2017 5952.138 0 02/02/2018 6628.82 0.00458
12/04/2017 5998.195 0.007678 02/05/2018 6589.675 -0.00594
12/05/2017 6000.474 0.00038 02/06/2018 6478.543 -0.01715
12/06/2017 6035.508 0.005805 02/07/2018 6534.869 0.008619
12/07/2017 6006.835 -0.00477 02/08/2018 6544.634 0.001492
12/08/2017 6030.958 0.004 02/09/2018 6505.523 -0.00601
12/11/2017 6026.633 -0.00072 02/12/2018 6523.454 0.002749
12/12/2017 6032.371 0.000951 2/13/2018 6578.178 0.008319
12/13/2017 6054.604 0.003672 2/14/2018 6594.401 0.00246
12/14/2017 6113.653 0.009659 2/15/2018 6591.582 -0.00043
12/15/2017 6119.419 0.000942 2/19/2018 6689.287 0.014606
12/18/2017 6133.963 0.002371 2/20/2018 6662.876 -0.00396
12/19/2017 6167.666 0.005464 2/21/2018 6643.4 -0.00293
12/20/2017 6109.482 -0.00952 2/22/2018 6593.06 -0.00764
12/21/2017 6183.391 0.011953 2/23/2018 6619.804 0.00404
12/22/2017 6221.013 0.006048 2/26/2018 6554.673 -0.00994
12/27/2017 6277.165 0.008945 2/27/2018 6598.926 0.006706
12/28/2017 6314.046 0.005841 2/28/2018 6597.218 -0.00026
12/29/2017 6355.654 0.006547 03/01/2018 6606.053 0.001337
01/02/2018 6339.238 -0.00259 03/02/2018 6582.316 -0.00361
01/03/2018 6251.479 -0.01404 03/05/2018 6550.593 -0.00484
01/04/2018 6292.321 0.006491 03/06/2018 6500.111 -0.00777
01/05/2018 6353.738 0.009666 03/07/2018 6368.267 -0.0207
56
03/08/2018 6443.021 0.011602 05/09/2018 5907.938 0.02255
03/09/2018 6433.322 -0.00151 05/11/2018 5956.832 0.008208
03/12/2018 6500.686 0.010363 5/14/2018 5947.155 -0.00163
3/13/2018 6412.846 -0.0137 5/15/2018 5838.116 -0.01868
3/14/2018 6382.623 -0.00474 5/16/2018 5841.464 0.000573
3/15/2018 6321.904 -0.0096 5/17/2018 5815.92 -0.00439
3/16/2018 6304.952 -0.00269 5/18/2018 5783.31 -0.00564
3/19/2018 6289.572 -0.00245 5/21/2018 5733.854 -0.00863
3/20/2018 6243.577 -0.00737 5/22/2018 5751.119 0.003002
3/21/2018 6312.831 0.01097 5/23/2018 5792.001 0.007058
3/22/2018 6254.074 -0.00939 5/24/2018 5946.538 0.025988
3/23/2018 6210.698 -0.00698 5/25/2018 5975.742 0.004887
3/26/2018 6200.172 -0.0017 5/28/2018 6068.325 0.015257
3/27/2018 6209.35 0.001478 5/30/2018 6011.055 -0.00953
3/28/2018 6140.837 -0.01116 5/31/2018 5983.587 -0.00459
3/29/2018 6188.987 0.00778 06/04/2018 6014.819 0.005192
04/02/2018 6240.571 0.008266 06/05/2018 6088.79 0.012149
04/03/2018 6229.013 -0.00186 06/06/2018 6069.713 -0.00314
04/04/2018 6157.096 -0.01168 06/07/2018 6106.698 0.006057
04/05/2018 6183.227 0.004226 06/08/2018 5993.627 -0.01887
04/06/2018 6175.052 -0.00132 6/20/2018 5884.039 -0.01862
04/09/2018 6246.131 0.01138 6/21/2018 5822.333 -0.0106
04/10/2018 6325.818 0.012597 6/22/2018 5821.812 -8.95E-05
04/11/2018 6360.932 0.00552 6/25/2018 5859.083 0.006361
04/12/2018 6310.802 -0.00794 6/26/2018 5825.649 -0.00574
4/13/2018 6270.327 -0.00645 6/27/2018 5787.552 -0.00658
4/16/2018 6286.748 0.002612 6/28/2018 5667.319 -0.02122
4/17/2018 6285.762 -0.00016 6/29/2018 5799.237 0.022747
4/18/2018 6320.005 0.005418 07/02/2018 5746.77 -0.00913
4/19/2018 6355.901 0.005648 07/03/2018 5633.937 -0.02003
4/20/2018 6337.695 -0.00287 07/04/2018 5733.639 0.017389
4/23/2018 6308.148 -0.00468 07/05/2018 5739.332 0.000992
4/24/2018 6229.635 -0.0126 07/06/2018 5694.912 -0.0078
4/25/2018 6079.85 -0.02464 07/09/2018 5807.375 0.019366
4/26/2018 5909.198 -0.02888 07/10/2018 5881.76 0.012647
4/27/2018 5919.238 0.001696 07/11/2018 5893.359 0.001968
4/30/2018 5994.595 0.012571 07/12/2018 5907.872 0.002457
05/02/2018 6012.238 0.002934 7/13/2018 5944.074 0.00609
05/03/2018 5858.732 -0.0262 7/16/2018 5905.158 -0.00659
05/04/2018 5792.345 -0.01146 7/17/2018 5861.508 -0.00745
05/07/2018 5885.098 0.015761 7/18/2018 5890.731 0.004961
05/08/2018 5774.716 -0.01911 7/19/2018 5871.077 -0.00335
57
7/20/2018 5872.784 0.000291 9/21/2018 5957.744 0.004444
7/23/2018 5915.796 0.007271 9/24/2018 5882.22 -0.01284
7/24/2018 5931.842 0.002705 9/25/2018 5874.299 -0.00135
7/25/2018 5933.889 0.000345 9/26/2018 5873.271 -0.00018
7/26/2018 5946.136 0.00206 9/27/2018 5929.216 0.009435
7/27/2018 5989.136 0.00718 9/28/2018 5976.553 0.007921
7/30/2018 6027.936 0.006437 10/01/2018 5944.601 -0.00537
7/31/2018 5936.443 -0.01541 10/02/2018 5875.619 -0.01174
08/01/2018 6033.419 0.016073 10/03/2018 5867.737 -0.00134
08/02/2018 6011.723 -0.00361 10/04/2018 5756.619 -0.0193
08/03/2018 6007.538 -0.0007 10/05/2018 5731.935 -0.00431
08/06/2018 6101.131 0.01534 10/08/2018 5761.073 0.005058
08/07/2018 6091.25 -0.00162 10/09/2018 5796.79 0.006161
08/08/2018 6094.829 0.000587 10/10/2018 5820.668 0.004102
08/09/2018 6065.256 -0.00488 10/11/2018 5702.822 -0.02066
08/10/2018 6077.173 0.001961 10/12/2018 5756.49 0.009323
8/13/2018 5861.246 -0.03684 10/15/2018 5727.256 -0.0051
8/14/2018 5769.873 -0.01584 10/16/2018 5800.817 0.012681
8/15/2018 5816.59 0.008032 10/17/2018 5868.62 0.011554
8/16/2018 5783.798 -0.00567 10/18/2018 5845.242 -0.004
8/20/2018 5892.192 0.018396 10/19/2018 5837.291 -0.00136
8/21/2018 5944.301 0.008766 10/22/2018 5840.435 0.000538
8/23/2018 5982.985 0.006466 10/23/2018 5797.891 -0.00734
8/24/2018 5968.75 -0.00238 10/24/2018 5709.417 -0.0155
8/27/2018 6025.968 0.009495 10/25/2018 5754.965 0.007915
8/28/2018 6042.65 0.002761 10/26/2018 5784.921 0.005178
8/29/2018 6065.149 0.00371 10/29/2018 5754.607 -0.00527
8/30/2018 6018.964 -0.00767 10/30/2018 5789.1 0.005958
8/31/2018 6018.46 -8.37E-05 10/31/2018 5831.65 0.007296
09/03/2018 5967.579 -0.00853 11/01/2018 5835.92 0.000732
09/04/2018 5905.301 -0.01055 11/02/2018 5906.292 0.011915
09/05/2018 5683.501 -0.03903 11/05/2018 5920.594 0.002416
09/06/2018 5776.095 0.016031 11/06/2018 5923.93 0.000563
09/07/2018 5851.465 0.01288 11/07/2018 5939.886 0.002686
09/10/2018 5831.117 -0.00349 11/08/2018 5976.806 0.006177
09/12/2018 5798.151 -0.00569 11/09/2018 5874.154 -0.01748
9/13/2018 5858.274 0.010263 11/12/2018 5777.053 -0.01681
9/14/2018 5931.281 0.012309 11/13/2018 5835.198 0.009965
9/17/2018 5824.257 -0.01838 11/14/2018 5858.293 0.003942
9/18/2018 5811.79 -0.00215 11/15/2018 5955.736 0.016361
9/19/2018 5873.597 0.010523 11/16/2018 6012.35 0.009416
9/20/2018 5931.266 0.009723 11/19/2018 6005.297 -0.00117
58
11/21/2018 5948.052 -0.00962 1/24/2019 6466.655 0.002395
11/22/2018 5990.81 0.007137 1/25/2019 6482.843 0.002497
11/23/2018 6006.202 0.002563 1/28/2019 6458.712 -0.00374
11/26/2018 6022.778 0.002752 1/29/2019 6436.48 -0.00345
11/27/2018 6013.589 -0.00153 1/30/2019 6464.189 0.004287
11/28/2018 5991.246 -0.00373 1/31/2019 6532.969 0.010528
11/29/2018 6107.168 0.018981 02/01/2019 6538.638 0.000867
11/30/2018 6056.124 -0.00843 02/04/2019 6481.451 -0.00882
12/03/2018 6118.32 0.010166 02/06/2019 6547.877 0.010145
12/04/2018 6152.86 0.005614 02/07/2019 6536.457 -0.00175
12/05/2018 6133.12 -0.00322 02/08/2019 6521.663 -0.00227
12/06/2018 6115.493 -0.00288 02/11/2019 6495.002 -0.0041
12/07/2018 6126.356 0.001773 02/12/2019 6426.325 -0.01069
12/10/2018 6111.36 -0.00245 2/13/2019 6419.116 -0.00112
12/11/2018 6076.587 -0.00572 2/14/2019 6420.018 0.00014
12/12/2018 6115.577 0.006376 2/15/2019 6389.085 -0.00484
12/13/2018 6177.72 0.010059 2/18/2019 6497.815 0.016733
12/14/2018 6169.843 -0.00128 2/19/2019 6494.667 -0.00048
12/17/2018 6089.305 -0.01323 2/20/2019 6512.784 0.002782
12/18/2018 6081.867 -0.00122 2/21/2019 6537.766 0.003821
12/19/2018 6176.094 0.015257 2/22/2019 6501.378 -0.0056
12/20/2018 6147.876 -0.00459 2/25/2019 6525.358 0.003675
12/21/2018 6163.596 0.00255 2/26/2019 6540.95 0.002384
12/26/2018 6127.85 -0.00583 2/27/2019 6525.683 -0.00234
12/27/2018 6190.643 0.010143 2/28/2019 6443.348 -0.01278
12/28/2018 6194.498 0.000622 03/01/2019 6499.884 0.008698
01/02/2019 6181.175 -0.00216 03/04/2019 6488.42 -0.00177
01/03/2019 6221.01 0.006403 03/05/2019 6441.28 -0.00732
01/04/2019 6274.54 0.008531 03/06/2019 6457.956 0.002582
01/07/2019 6287.224 0.002017 03/08/2019 6383.068 -0.01173
01/08/2019 6262.847 -0.00389 03/11/2019 6366.434 -0.00261
01/09/2019 6272.238 0.001497 03/12/2019 6353.774 -0.00199
01/10/2019 6328.714 0.008924 3/13/2019 6377.575 0.003732
01/11/2019 6361.465 0.005148 3/14/2019 6413.266 0.005565
1/14/2019 6336.116 -0.004 3/15/2019 6461.183 0.007416
1/15/2019 6408.784 0.011339 3/18/2019 6509.447 0.007414
1/16/2019 6413.36 0.000713 3/19/2019 6480.276 -0.0045
1/17/2019 6423.78 0.001622 3/20/2019 6482.71 0.000375
1/18/2019 6448.156 0.00378 3/21/2019 6501.776 0.002932
1/21/2019 6450.834 0.000415 3/22/2019 6525.274 0.003601
1/22/2019 6468.562 0.002741 3/25/2019 6411.251 -0.01778
1/23/2019 6451.17 -0.0027 3/26/2019 6469.999 0.00908
59
3/27/2019 6444.738 -0.00392 5/31/2019 6209.117 0.016912
3/28/2019 6480.788 0.005563 06/10/2019 6289.61 0.012798
3/29/2019 6468.755 -0.00186 06/11/2019 6305.992 0.002598
04/01/2019 6452.611 -0.0025 06/12/2019 6276.177 -0.00475
04/02/2019 6476.066 0.003622 6/13/2019 6273.082 -0.00049
04/04/2019 6494.63 0.002858 6/14/2019 6250.265 -0.00365
04/05/2019 6474.018 -0.00318 6/17/2019 6190.525 -0.00965
04/08/2019 6425.734 -0.00751 6/18/2019 6257.33 0.010676
04/09/2019 6484.348 0.009039 6/19/2019 6339.262 0.012925
04/10/2019 6478.326 -0.00093 6/20/2019 6335.698 -0.00056
04/11/2019 6410.166 -0.01063 6/21/2019 6315.436 -0.00321
04/12/2019 6405.866 -0.00067 6/24/2019 6288.465 -0.00429
4/15/2019 6435.151 0.004551 6/25/2019 6320.445 0.00506
4/16/2019 6481.541 0.007157 6/26/2019 6310.489 -0.00158
4/18/2019 6507.221 0.003946 6/27/2019 6352.71 0.006646
4/22/2019 6414.743 -0.01442 6/28/2019 6358.629 0.000931
4/23/2019 6462.822 0.007439 07/01/2019 6379.688 0.003301
4/24/2019 6447.885 -0.00232 07/02/2019 6384.898 0.000816
4/25/2019 6372.787 -0.01178 07/03/2019 6362.622 -0.0035
4/26/2019 6401.08 0.00442 07/04/2019 6375.967 0.002093
4/29/2019 6425.895 0.003862 07/05/2019 6373.477 -0.00039
4/30/2019 6455.352 0.004563 07/08/2019 6351.827 -0.00341
05/02/2019 6374.422 -0.0127 07/09/2019 6388.323 0.005713
05/03/2019 6319.459 -0.0087 07/10/2019 6410.683 0.003488
05/06/2019 6256.352 -0.01009 07/11/2019 6417.066 0.000995
05/07/2019 6297.318 0.006505 07/12/2019 6373.345 -0.00686
05/08/2019 6270.202 -0.00432 7/15/2019 6418.234 0.006994
05/09/2019 6198.804 -0.01152 7/16/2019 6401.88 -0.00255
05/10/2019 6209.118 0.001661 7/17/2019 6394.609 -0.00114
5/13/2019 6135.396 -0.01202 7/18/2019 6403.294 0.001356
5/14/2019 6071.202 -0.01057 7/19/2019 6456.539 0.008247
5/15/2019 5980.885 -0.0151 7/22/2019 6433.547 -0.00357
5/16/2019 5895.738 -0.01444 7/23/2019 6403.81 -0.00464
5/17/2019 5826.868 -0.01182 7/24/2019 6384.987 -0.00295
5/20/2019 5907.121 0.013586 7/25/2019 6401.365 0.002559
5/21/2019 5951.372 0.007435 7/26/2019 6325.237 -0.01204
5/22/2019 5939.636 -0.00198 7/29/2019 6299.035 -0.00416
5/23/2019 6032.696 0.015426 7/30/2019 6376.996 0.012225
5/24/2019 6057.353 0.004071 7/31/2019 6390.505 0.002114
5/27/2019 6098.974 0.006824 08/01/2019 6381.542 -0.0014
5/28/2019 6033.142 -0.01091 08/02/2019 6340.18 -0.00652
5/29/2019 6104.106 0.011626 08/05/2019 6175.703 -0.02663
60
08/06/2019 6119.471 -0.00919 10/03/2019 6038.529 -0.0028
08/07/2019 6204.195 0.013656 10/04/2019 6061.252 0.003749
08/08/2019 6274.671 0.011232 10/07/2019 6000.582 -0.01011
08/09/2019 6282.132 0.001188 10/08/2019 6039.601 0.006461
08/12/2019 6250.595 -0.00505 10/09/2019 6029.16 -0.00173
8/13/2019 6210.962 -0.00638 10/10/2019 6023.641 -0.00092
8/14/2019 6267.335 0.008995 10/11/2019 6105.8 0.013456
8/15/2019 6257.586 -0.00156 10/14/2019 6126.877 0.00344
8/16/2019 6286.657 0.004624 10/15/2019 6158.166 0.005081
8/19/2019 6296.715 0.001597 10/16/2019 6169.592 0.001852
8/20/2019 6295.738 -0.00016 10/17/2019 6181.014 0.001848
8/21/2019 6252.967 -0.00684 10/18/2019 6191.947 0.001766
8/22/2019 6239.245 -0.0022 10/21/2019 6198.987 0.001136
8/23/2019 6255.597 0.002614 10/22/2019 6225.497 0.004258
8/26/2019 6214.51 -0.00661 10/23/2019 6257.806 0.005163
8/27/2019 6278.171 0.01014 10/24/2019 6339.647 0.012909
8/28/2019 6281.646 0.000553 10/25/2019 6252.345 -0.01396
8/29/2019 6289.119 0.001188 10/28/2019 6265.384 0.002081
8/30/2019 6328.47 0.006218 10/29/2019 6281.138 0.002508
09/02/2019 6290.546 -0.00603 10/30/2019 6295.747 0.00232
09/03/2019 6261.59 -0.00462 10/31/2019 6228.317 -0.01083
09/04/2019 6269.664 0.001288 11/01/2019 6207.191 -0.0034
09/05/2019 6306.803 0.005889 11/04/2019 6180.344 -0.00434
09/06/2019 6308.95 0.00034 11/05/2019 6264.152 0.013379
09/09/2019 6326.213 0.002729 11/06/2019 6217.545 -0.0075
09/10/2019 6336.673 0.001651 11/07/2019 6165.624 -0.00842
09/11/2019 6381.954 0.007095 11/08/2019 6177.986 0.002001
09/12/2019 6342.174 -0.00627 11/11/2019 6148.74 -0.00476
9/13/2019 6334.843 -0.00116 11/12/2019 6180.992 0.005218
9/16/2019 6219.435 -0.01856 11/13/2019 6142.501 -0.00627
9/17/2019 6236.69 0.002767 11/14/2019 6098.95 -0.00714
9/18/2019 6276.633 0.006364 11/15/2019 6128.345 0.004797
9/19/2019 6244.47 -0.00515 11/18/2019 6122.625 -0.00093
9/20/2019 6231.473 -0.00209 11/19/2019 6152.09 0.004789
9/23/2019 6206.199 -0.00407 11/20/2019 6155.109 0.00049
9/24/2019 6137.608 -0.01118 11/21/2019 6117.364 -0.00617
9/25/2019 6146.404 0.001431 11/22/2019 6100.242 -0.00281
9/26/2019 6230.334 0.013471 11/25/2019 6070.762 -0.00486
9/27/2019 6196.889 -0.0054 11/26/2019 6026.188 -0.0074
9/30/2019 6169.102 -0.0045 11/27/2019 6023.039 -0.00052
10/01/2019 6138.25 -0.00503 11/28/2019 5953.06 -0.01176
10/02/2019 6055.425 -0.01368 11/29/2019 6011.83 0.009776
61
12/02/2019 6130.055 0.019286 02/04/2020 5922.339 0.006445
12/03/2019 6133.896 0.000626 02/05/2020 5978.51 0.009395
12/04/2019 6112.879 -0.00344 02/06/2020 5987.145 0.001442
12/05/2019 6152.117 0.006378 02/07/2020 5999.607 0.002077
12/06/2019 6186.868 0.005617 02/10/2020 5952.083 -0.00798
12/09/2019 6193.791 0.001118 02/11/2020 5954.397 0.000389
12/10/2019 6183.505 -0.00166 02/12/2020 5913.081 -0.00699
12/11/2019 6180.099 -0.00055 2/13/2020 5871.954 -0.007
12/12/2019 6139.397 -0.00663 2/14/2020 5866.945 -0.00085
12/13/2019 6197.318 0.009346 2/17/2020 5867.523 9.85E-05
12/16/2019 6211.592 0.002298 2/18/2020 5886.962 0.003302
12/17/2019 6244.352 0.005246 2/19/2020 5928.791 0.007055
12/18/2019 6287.25 0.006823 2/20/2020 5942.487 0.002305
12/19/2019 6249.93 -0.00597 2/21/2020 5882.255 -0.01024
12/20/2019 6284.372 0.005481 2/24/2020 5807.05 -0.01295
12/23/2019 6305.91 0.003416 2/25/2020 5787.138 -0.00344
12/26/2019 6319.443 0.002141 2/26/2020 5688.921 -0.01726
12/27/2019 6329.314 0.00156 2/27/2020 5535.694 -0.02768
12/30/2019 6299.539 -0.00473 2/28/2020 5452.704 -0.01522
01/02/2020 6283.581 -0.00254 03/02/2020 5361.246 -0.01706
01/03/2020 6323.466 0.006307 03/03/2020 5518.628 0.028518
01/06/2020 6257.403 -0.01056 03/04/2020 5650.136 0.023275
01/07/2020 6279.346 0.003495 03/05/2020 5638.13 -0.00213
01/08/2020 6225.686 -0.00862 03/06/2020 5498.54 -0.02539
01/09/2020 6274.493 0.007779 03/09/2020 5136.809 -0.07042
01/10/2020 6274.941 7.14E-05 03/10/2020 5220.826 0.016093
1/13/2020 6296.567 0.003435 03/11/2020 5154.105 -0.01295
1/14/2020 6325.406 0.004559 03/12/2020 4895.748 -0.05277
1/15/2020 6283.365 -0.00669 3/13/2020 4907.571 0.002409
1/16/2020 6286.048 0.000427 3/16/2020 4690.657 -0.04624
1/17/2020 6291.657 0.000892 3/17/2020 4456.749 -0.05248
1/20/2020 6245.043 -0.00746 3/18/2020 4330.674 -0.02911
1/21/2020 6238.153 -0.0011 3/19/2020 4105.422 -0.05487
1/22/2020 6233.453 -0.00075 3/20/2020 4194.944 0.02134
1/23/2020 6249.21 0.002521 3/23/2020 3989.517 -0.05149
1/24/2020 6244.109 -0.00082 3/24/2020 3937.632 -0.01318
1/27/2020 6133.208 -0.01808 3/26/2020 4338.904 0.092482
1/28/2020 6111.184 -0.0036 3/27/2020 4545.571 0.045466
1/29/2020 6113.045 0.000304 3/30/2020 4414.5 -0.02969
1/30/2020 6057.596 -0.00915 3/31/2020 4538.93 0.027414
1/31/2020 5940.048 -0.01979 04/01/2020 4466.037 -0.01632
02/03/2020 5884.17 -0.0095 04/02/2020 4531.685 0.014486
62
04/03/2020 4623.429 0.019843
04/06/2020 4811.827 0.039153
04/07/2020 4778.639 -0.00695
04/08/2020 4626.695 -0.03284
04/09/2020 4649.079 0.004815
04/13/2020 4623.894 -0.00545
63
LAMPIRAN II. Plot Box-Cox
64
LAMPIRAN III. Dickey-Fuller Test
>adf.test(return_data)
Augmented Dickey-Fuller Test
alternative: stationary
Type 1: no drift no trend
lag ADF p.value

[1,] 0 -33.7 0.01
[2,] 1 -25.9 0.01
[3,] 2 -20.4 0.01
[4,] 3 -18.1 0.01
[5,] 4 -16.3 0.01
[6,] 5 -14.9 0.01
[7,] 6 -13.0 0.01
[8,] 7 -12.1 0.01
Type 2: with drift no trend
lag ADF p.value
[1,] 0 -33.7 0.01
[2,] 1 -25.9 0.01
[3,] 2 -20.4 0.01
[4,] 3 -18.1 0.01
[5,] 4 -16.3 0.01
[6,] 5 -14.9 0.01
[7,] 6 -13.0 0.01
[8,] 7 -12.1 0.01
Type 3: with drift and trend
lag ADF p.value
[1,] 0 -33.7 0.01
[2,] 1 -26.0 0.01
[3,] 2 -20.5 0.01
[4,] 3 -18.2 0.01
[5,] 4 -16.4 0.01
[6,] 5 -14.9 0.01
[7,] 6 -13.1 0.01
[8,] 7 -12.2 0.01
----
Note: in fact, p.value = 0.01 means p.value <= 0.01
65
LAMPIRAN IV. Signifikansi Parameter ARIMA
>#Significant test of Arima
>coeftest(arima001)
z test of coefficients:
Estimate Std. Error z value Pr(>|z|)

ma1 0.09508917 0.02842182 3.3456 0.0008209 ***
intercept -0.00013061 0.00030195 -0.4325 0.6653427
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima100)

ar1 0.08697889 0.02721112 3.1964 0.001391 **
intercept -0.00013259 0.00030210 -0.4389 0.660731
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima101)

ar1 -0.46356620 0.18956790 -2.4454 0.014470 *
ma1 0.55520626 0.17772391 3.1240 0.001784 **
intercept -0.00013512 0.00029273 -0.4616 0.644391
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima200)

ar1 0.09060271 0.02728653 3.3204 0.0008988 ***
ar2 -0.04266192 0.02729197 -1.5632 0.1180132
intercept -0.00013089 0.00028957 -0.4520 0.6512716
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima201)

ar1 -0.46164178 0.28305900 -1.6309 0.10291
ar2 0.00168229 0.04362861 0.0386 0.96924
ma1 0.55448484 0.28175894 1.9679 0.04907 *
intercept -0.00012663 0.00029331 -0.4317 0.66593
---
66
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima007)

ma1 0.08931257 0.02721414 3.2818 0.001031 **
ma2 -0.03015826 0.02781757 -1.0841 0.278301
ma3 0.02818149 0.02796930 1.0076 0.313653
ma4 -0.01646540 0.02725399 -0.6041 0.545746
ma5 -0.00609788 0.02845578 -0.2143 0.830318
ma6 0.00822093 0.02985913 0.2753 0.783068
ma7 0.05078907 0.02892156 1.7561 0.079072 .
intercept -0.00013040 0.00030899 -0.4220 0.673010
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima0012)

ma1 0.09203417 0.02732009 3.3687 0.0007551 ***
ma2 -0.03330601 0.02731185 -1.2195 0.2226654
ma3 0.02533417 0.02753210 0.9202 0.3574848
ma4 -0.01306799 0.02745795 -0.4759 0.6341262
ma5 -0.00719059 0.02778790 -0.2588 0.7958150
ma6 0.01063943 0.02760575 0.3854 0.6999363
ma7 0.05065399 0.02825722 1.7926 0.0730364 .
ma8 0.03299171 0.02690140 1.2264 0.2200504
ma9 -0.07986558 0.02734306 -2.9209 0.0034905 **
ma10 -0.01458637 0.02850106 -0.5118 0.6088027
ma11 0.02304019 0.02837017 0.8121 0.4167186
ma12 -0.06362315 0.02963054 -2.1472 0.0317761 *
intercept -0.00013325 0.00028014 -0.4757 0.6343155
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

ma1 0.09258262 0.02708129 3.4187 0.0006292 ***
ma2 -0.02417434 0.02730242 -0.8854 0.3759255
ma3 0.02833354 0.02747531 1.0312 0.3024299
ma4 -0.00490124 0.02751470 -0.1781 0.8586196
ma5 -0.01921747 0.02790590 -0.6887 0.4910420
ma6 -0.00138355 0.02801240 -0.0494 0.9606079
ma7 0.05479839 0.02805101 1.9535 0.0507572 .
ma8 0.03512287 0.02756559 1.2742 0.2026080
ma9 -0.07475380 0.02819931 -2.6509 0.0080276 **
ma10 -0.00681126 0.02828517 -0.2408 0.8097047
ma11 0.02572103 0.02799050 0.9189 0.3581375
ma12 -0.07284528 0.02985730 -2.4398 0.0146962 *
67
ma13 -0.03701060 0.02775963 -1.3333 0.1824489
ma14 -0.00310800 0.02868176 -0.1084 0.9137089
ma15 0.01982241 0.02834521 0.6993 0.4843511
ma16 0.05415266 0.03044864 1.7785 0.0753231 .
ma17 0.04120844 0.03093148 1.3322 0.1827783
ma18 0.01970213 0.02910455 0.6769 0.4984420
ma19 -0.09727335 0.03203337 -3.0366 0.0023924 **
intercept -0.00013059 0.00028046 -0.4656 0.6414898
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima107)

ar1 0.14327321 0.25577172 0.5602 0.57537
ma1 -0.05245020 0.25430186 -0.2063 0.83659
ma2 -0.04266817 0.03636813 -1.1732 0.24070
ma3 0.03228650 0.02893729 1.1157 0.26453
ma4 -0.01971998 0.02806719 -0.7026 0.48231
ma5 -0.00298494 0.02825043 -0.1057 0.91585
ma6 0.00922704 0.02996429 0.3079 0.75813
ma7 0.05166707 0.02873440 1.7981 0.07216 .
intercept -0.00013189 0.00031294 -0.4214 0.67343
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

ar1 0.27609431 0.27835414 0.9919 0.321255
ma1 -0.18295793 0.27779094 -0.6586 0.510142
ma2 -0.05776573 0.03689601 -1.5656 0.117434
ma3 0.03644394 0.02967331 1.2282 0.219382
ma4 -0.01784730 0.02837781 -0.6289 0.529403
ma5 -0.00348566 0.02835208 -0.1229 0.902153
ma6 0.00907700 0.02794533 0.3248 0.745323
ma7 0.04762253 0.02825555 1.6854 0.091907 .
ma8 0.02054927 0.03061512 0.6712 0.502085
ma9 -0.08816788 0.02959743 -2.9789 0.002893 **
ma10 0.00861874 0.03567635 0.2416 0.809105
ma11 0.02725318 0.02969551 0.9178 0.358748
ma12 -0.07302508 0.03002448 -2.4322 0.015008 *
intercept -0.00013783 0.00027480 -0.5016 0.615960
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

ar1 0.01525612 0.21353056 0.0714 0.943042
68
ma1 0.07757900 0.21177734 0.3663 0.714124
ma2 -0.02558982 0.03372702 -0.7587 0.448012
ma3 0.02879331 0.02815689 1.0226 0.306496
ma4 -0.00549741 0.02871512 -0.1914 0.848176
ma5 -0.01915712 0.02788070 -0.6871 0.492013
ma6 -0.00097391 0.02857257 -0.0341 0.972809
ma7 0.05492714 0.02806179 1.9574 0.050305 .
ma8 0.03448192 0.02896948 1.1903 0.233935
ma9 -0.07522321 0.02895484 -2.5979 0.009378 **
ma10 -0.00558630 0.03298667 -0.1694 0.865521
ma11 0.02592859 0.02814796 0.9212 0.356970
ma12 -0.07331026 0.03055238 -2.3995 0.016418 *
ma13 -0.03585200 0.03219147 -1.1137 0.265403
ma14 -0.00263178 0.02938154 -0.0896 0.928627
ma15 0.02007886 0.02856501 0.7029 0.482107
ma16 0.05402075 0.03048784 1.7719 0.076415 .
ma17 0.04022296 0.03398458 1.1836 0.236585
ma18 0.01895946 0.03089721 0.6136 0.539460
ma19 -0.09785332 0.03287383 -2.9766 0.002914 **
intercept -0.00013076 0.00028022 -0.4666 0.640768
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>coeftest(arima207)

ar1 -0.32286585 0.14751030 -2.1888 0.028614 *
ar2 -0.78723045 0.14957907 -5.2630 1.417e-07 ***
ma1 0.41513250 0.15108282 2.7477 0.006001 **
ma2 0.78876785 0.15693244 5.0262 5.004e-07 ***
ma3 0.08559520 0.03879481 2.2064 0.027359 *
ma4 -0.02926001 0.03575040 -0.8185 0.413099
ma5 0.00317444 0.03686104 0.0861 0.931372
ma6 -0.04025130 0.03322440 -1.2115 0.225705
ma7 0.03949554 0.03454033 1.1435 0.252847
intercept -0.00012933 0.00029419 -0.4396 0.660233
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

ar1 1.05736985 0.01504379 70.2861 < 2.2e-16 ***
ar2 -0.94758634 0.01512425 -62.6534 < 2.2e-16 ***
ma1 -0.97240587 0.03219722 -30.2015 < 2.2e-16 ***
ma2 0.83157403 0.04288079 19.3927 < 2.2e-16 ***
ma3 0.14338605 0.04569591 3.1378 0.001702 **
ma4 -0.06743754 0.04562008 -1.4782 0.139343
ma5 0.02868810 0.04551203 0.6303 0.528471
ma6 -0.00109904 0.04664515 -0.0236 0.981202
ma7 0.04582967 0.04731781 0.9686 0.332770
ma8 -0.02354741 0.04551600 -0.5173 0.604916
69
ma9 -0.05732758 0.04472038 -1.2819 0.199874
ma10 0.09862662 0.04202254 2.3470 0.018926 *
ma11 -0.05682951 0.03733843 -1.5220 0.128006
ma12 -0.04615276 0.03044663 -1.5159 0.129555
intercept -0.00013109 0.00028201 -0.4648 0.642043
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

ar1 0.09384391 0.40129282 0.2339 0.81510
ar2 -0.29951627 0.34665085 -0.8640 0.38757
ma1 -0.00028806 0.40014217 -0.0007 0.99943
ma2 0.26196864 0.31582993 0.8295 0.40684
ma3 0.06238767 0.05387920 1.1579 0.24690
ma4 -0.01677189 0.03954458 -0.4241 0.67147
ma5 -0.01036178 0.03319462 -0.3122 0.75492
ma6 -0.00037230 0.03002909 -0.0124 0.99011
ma7 0.04847827 0.03028595 1.6007 0.10945
ma8 0.03075093 0.03375398 0.9110 0.36228
ma9 -0.06527464 0.02982586 -2.1885 0.02863 *
ma10 0.01265094 0.05121128 0.2470 0.80488
ma11 0.00511073 0.03725101 0.1372 0.89088
ma12 -0.08163621 0.03299310 -2.4743 0.01335 *
ma13 -0.02042196 0.04659691 -0.4383 0.66119
ma14 -0.02626199 0.03844208 -0.6832 0.49451
ma15 0.00972188 0.02983580 0.3258 0.74454
ma16 0.05441719 0.03140457 1.7328 0.08313 .
ma17 0.04347770 0.03858335 1.1269 0.25981
ma18 0.03152251 0.03589579 0.8782 0.37985
ma19 -0.09298420 0.03719758 -2.4997 0.01243 *
intercept -0.00013272 0.00028122 -0.4720 0.63696
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
70
LAMPIRAN V. Uji White-Noise Model ARIMA
>#White noise Test
>Box.test(arima001$residuals, lag = 10, type = "Ljung")
Box-Ljung test
data: arima001$residuals
X-squared = 16.911, df = 10, p-value = 0.07637
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
X-squared = 0.11104, df = 10, p-value = 1
71
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
Box-Ljung test
72
LAMPIRAN VI. Uji Efek Heterokedastisitas
>#Heteroskedastisitas with arch.test
>arch.test(arima101, output = TRUE)
ARCH heteroscedasticity test for residuals
alternative: heteroscedastic
Portmanteau-Q test:
order PQ p.value
[1,] 4 510 0
[2,] 8 923 0
[3,] 12 1203 0
[4,] 16 1258 0
[5,] 20 1275 0
[6,] 24 1278 0
Lagrange-Multiplier test:
order LM p.value
[1,] 4 825.7 0.00e+00
[2,] 8 306.7 0.00e+00
[3,] 12 191.6 0.00e+00
[4,] 16 102.6 4.22e-15
[5,] 20 80.3 1.68e-09
[6,] 24 65.9 5.14e-06
73
LAMPIRAN VII Signifikansi Parameter GARCH
> #estimation for garch model
> summary(g11)
Call:
garch(x = return_data, order = c(1, 1))
Model:
GARCH(1,1)
Residuals:
Min 1Q Median 3Q Max
-5.6152 -0.5532 0.0815 0.5863 3.7855
Coefficient(s):
Estimate Std. Error t value Pr(>|t|)
a0 4.137e-06 8.156e-07 5.073 3.92e-07 ***
a1 1.231e-01 1.448e-02 8.507 < 2e-16 ***
b1 8.313e-01 2.046e-02 40.637 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Diagnostic Tests:
Jarque Bera Test
data: Residuals
X-squared = 327.44, df = 2, p-value < 2.2e-16
Box-Ljung test
data: Squared.Residuals
> summary(g12)
Call:
Model:
GARCH(2,1)
Residuals:
-5.7580 -0.5519 0.0827 0.5901 3.8119
Coefficient(s):
a0 5.157e-06 1.097e-06 4.702 2.57e-06 ***
a1 1.692e-01 2.017e-02 8.388 < 2e-16 ***
b1 2.684e-01 9.420e-02 2.849 0.00438 **
b2 5.070e-01 8.430e-02 6.015 1.80e-09 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Diagnostic Tests:
Jarque Bera Test
data: Residuals
74
Box-Ljung test
> summary(g13)
Call:
Model:
GARCH(3,1)
Residuals:
-5.68679 -0.56020 0.08321 0.58884 3.81890
Coefficient(s):
a0 4.982e-06 NA NA NA
a1 1.451e-01 NA NA NA
b1 2.776e-01 NA NA NA
b2 5.169e-01 NA NA NA
b3 1.088e-07 NA NA NA
Diagnostic Tests:
Jarque Bera Test
data: Residuals
Box-Ljung test
> summary(g21)
Call:
Model:
GARCH(1,2)
Residuals:
-5.63330 -0.55556 0.07947 0.57735 3.64361
Coefficient(s):
a0 6.793e-06 1.355e-06 5.012 5.38e-07 ***
a1 1.848e-01 3.248e-02 5.688 1.28e-08 ***
a2 7.340e-10 3.751e-02 0.000 1
b1 7.487e-01 3.619e-02 20.689 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Diagnostic Tests:
Jarque Bera Test
data: Residuals
75
Box-Ljung test
> summary(g22)
Call:
Model:
GARCH(2,2)
Residuals:
-5.81212 -0.54641 0.08259 0.58818 3.78233
Coefficient(s):
a0 6.345e-06 NA NA NA
a1 1.677e-01 NA NA NA
a2 2.849e-02 NA NA NA
b1 1.179e-01 NA NA NA
b2 6.170e-01 NA NA NA
Diagnostic Tests:
Jarque Bera Test
data: Residuals
Box-Ljung test
> summary(g23)
Call:
Model:
GARCH(3,2)
Residuals:
-5.47658 -0.55752 0.07872 0.60114 3.89852
Coefficient(s):
a0 6.493e-06 NA NA NA
a1 1.795e-01 NA NA NA
a2 4.390e-02 NA NA NA
b1 2.210e-07 NA NA NA
b2 3.045e-01 NA NA NA
b3 4.031e-01 NA NA NA
Diagnostic Tests:
Jarque Bera Test
76
data: Residuals
Box-Ljung test
> summary(g31)
Call:
Model:
GARCH(1,3)
Residuals:
-5.27293 -0.55019 0.07634 0.60418 3.99998
Coefficient(s):
a0 2.434e-05 3.796e-06 6.414 1.42e-10 ***
a1 1.616e-01 2.588e-02 6.245 4.24e-10 ***
a2 1.655e-09 2.950e-02 0.000 1.000000
a3 1.200e-01 3.106e-02 3.864 0.000111 ***
b1 3.981e-01 7.880e-02 5.052 4.37e-07 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Diagnostic Tests:
Jarque Bera Test
data: Residuals
Box-Ljung test
> summary(g32)
Call:
Model:
GARCH(2,3)
Residuals:
-5.74780 -0.54420 0.08057 0.57891 3.75006
Coefficient(s):
a0 8.114e-06 NA NA NA
a1 1.385e-01 NA NA NA
a2 9.737e-02 NA NA NA
a3 2.803e-02 NA NA NA
b1 6.741e-03 NA NA NA
b2 6.508e-01 NA NA NA
77
Diagnostic Tests:
Jarque Bera Test
data: Residuals
Box-Ljung test
> summary(g33)
Call:
Model:
GARCH(3,3)
Residuals:
-5.46946 -0.56182 0.07901 0.59035 3.85178
Coefficient(s):
a0 8.161e-06 NA NA NA
a1 1.611e-01 NA NA NA
a2 5.027e-02 NA NA NA
a3 5.063e-02 NA NA NA
b1 1.367e-08 NA NA NA
b2 1.631e-01 NA NA NA
b3 4.856e-01 NA NA NA
Diagnostic Tests:
Jarque Bera Test
data: Residuals
Box-Ljung test
> sum(g11$coef)
[1] 0.9544635
> AIC(g11)
[1] -9001.418
> AIC(g12)
[1] -9000.011
> AIC(g13)
[1] -8990.63
> AIC(g21)
[1] -8990.576
> AIC(g22)
[1] -8998.107
78
> AIC(g23)
[1] -8988.926
> AIC(g31)
[1] -8961.091
> AIC(g32)
[1] -8984.823
> AIC(g33)
[1] -8988.314
LAMPIRAN VIII. Estimasi Parameter Model IGARCH(1,2)
79
> #igarch(1,2)
> igarch12 <- ugarchspec(variance.model=list(model="iGARCH",
garchOrder=c(1,2)),
+ mean.model=list(armaOrder=c(1,1),
include.mean=TRUE),
+ distribution.model="norm",
fixed.pars=list(omega=0))
> fit_igarch12 <- ugarchfit(igarch12, data = return_data)
> fit_igarch12
*---------------------------------*
* GARCH Model Fit *
*---------------------------------*
Conditional Variance Dynamics
-----------------------------------
GARCH Model : iGARCH(1,2)
Mean Model : ARFIMA(1,0,1)
Distribution : norm
Optimal Parameters
------------------------------------
Estimate
mu 0.000242
ar1 -0.650454
ma1 0.695554
omega 0.000000
alpha1 0.087137
beta1 0.400492
beta2 0.512371
LogLikelihood : 4487.902
Information Criteria
------------------------------------
Akaike -6.6561
Bayes -6.6368
Shibata -6.6562
Hannan-Quinn -6.6489
> fit_igarch12@fit$hessian
> fit_igarch12@fit$hessian
[,1] [,2] [,3] [,4] [,5]
[1,] 20108406.212 -3262.262712 -3662.838604 -9685.7126 035.365114
[2,] -3262.263 2045.934643 2162.812111 -241.1447 -8.352267
[3,] -3662.839 2162.812111 2291.114863 -263.0180 -9.344013
[4,] -9685.713 -241.144725 -263.018007 10206.3269 535.006937
[5,] 1035.365 -8.352267 -9.344013 535.0069 74.336587
LAMPIRAN IX. Estimasi Parameter GPD
80
> ts_data <- read.csv(file = "E:/materi kuliah/skripsi/menuju
S.si/return ihsg la1.csv", header = T)
> return_data <- ts_data$Return
> N <- length(return_data)
> return_datasort<-sort(return_data, decreasing = T)
> u_length <- (0.1*N)+1
> uN <- round(u_length)
> u <- return_datasort[uN]
> extrim <- return_datasort[1:uN]
> gpdloglik <- function(param){
+ si <- param[1]
+ theta <- param[2]
+ ll <-
(-uN*log(theta))-((1/si)+1)*sum(log(1+((si*extrim)/theta)))
+ return(ll)
+ }
> res <- maxLik(logLik = gpdloglik, start = c(3,2), method =
"NR")
There were 50 or more warnings (use warnings() to see the first
50)
> summary(res)
--------------------------------------------
Maximum Likelihood estimation
Newton-Raphson maximisation, 9 iterations
Return code 2: successive function values within tolerance limit
Log-Likelihood: 429.851
2 free parameters
Estimates:
Estimate Std. error t value Pr(> t)
[1,]0.169429060.032887 -4.616 3.91e-06 ***
[2,] 0.005346760.001651 10.998 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
--------------------------------------------
> GradientMatrix <- res$gradient
> GradientMatrix
[1] -1.591616e-06 -4.456524e-05
> hessianMatrix <- res$hessian
> hessianMatrix
[,1] [,2]
[1,] -1712.692 -23147.21
[2,] -23147.209 -679876.62
81

Andi Riska Fitriani - H12116004 - DraftHasil

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Andi Riska Fitriani - H12116004 - DraftHasil

Diunggah oleh

Hak Cipta:

Format Tersedia

Seminar Statistika II

ANALISIS NILAI RISIKO PADAINDEKS HARGA SAHAM

PROGRAM STUDI STATISTIKA DEPARTEMEN STATISTIKA

Tabel 4.1 Statistika Deskriptif Return IHSG Periode Oktober 2014-April 24

Tabel 4.2 Perbandingan Model ARIMA…………………………………… 26

Tabel 4.3 Perbandingan Pemodelan GARCH……………………………… 29

Tabel 4.4 Estimasi Parameter GARCH(1,1)……………………………….. 29

Tabel 4.5 Perbandingan Model IGARCH…………………………………. 30

Tabel 4.6 Estimasi Parameter IGARCH…………………………………… 34

Tabel 4.7 Permalan IHSG Model IGARCH(1,2)…………………………... 34

Tabel 4.8 Uji Kesesuaian Distribusi………………………………………... 35

Tabel 4.9 Estimasi Parameter GPD………………………………………… 40

Tabel 4.10 Perbandingan Nilai Risiko.…………………………………… 41

Gambar 4. 1 Plot Harga Penutupan IHSG Periode Oktober 2014-April 23

Gambar 4. 3 ACF return saham……………………………………………. 25

Gambar 4. 4 PACF return saham…………………………………………. 25

Gambar 4. 5 Plot Fungsi ACF dari data residual………………………………. 28

Gambar 4. 6 Plot Fungsi PACF dari data residual……………………………. 28

LAMPIRAN I. Data IHSG Oktober 2014 – April 2020………………….. 45

1.1 Latar Belakang

1.3 Batasan Masalah

1.4 Tujuan Penelitian

1.5 Manfaat Penelitian

2.1 Investasi dan Saham

2.4 Fungsi Autokerelasi dan Fungsi Autokorelasi Parsial

2.4.1 Fungsi Autokorelasi

γ =Cov ( x t , x t +k ) =E ( x t−μ ) (x t+ k −μ)

Dan korelasi antara x t dan x t +k didefinisikan sebagai

Dimana ∅ kk =∅ k−1 , j−∅ kk ∅ k−1 ,k− j , untuk j=1 ,2 , … , k−1 .

2.5 Model Autoregressive Integrated Moving Average (ARIMA)

persamaan (2.5) dapat ditulis menggunakan operator B ( backshift ) , menjadi:

2.5 Pengujian Diagnostik Model

2.5.1 Uji Signifikansi Parameter

2.5.2 Uji residual white noise

2.6 Uji Lagrange-Multiplier

regresi, R2 adalah r −square

2.7 Model GARCH

Persamaan variansi yang memenuhi persamaan GARCH(p,q) menghubungkan

2.8 Pemodelan IGARCH

Parameter yang akan diestimasi adalah α i, dan β j . Jumlah parameter α i, dan β j

2.9 Pemilihan Model Terbaik

2.10 Metode Peaks Over Throshold (POT)

Dan probability density function(pdf) untuk GPD adalah :

2.11 Penentuan Nilai Threshold dan Nilai Ekstrim

2.12 Uji Kolmogorov Simornov

Dengan F ( x i ) adalah fungsi distribusi kumulatif. Nilai D berdasarkan pada jarak

2.13 Estimasi Parameter

Dalam metode maximum likelihood estimation (MLE), penduga dari p diperoleh

2.14 Metode Newton-Rapshon

2.15 Value at Risk (VaR)

P { X−u ≤ y∨X >u } F ( y +u )−F (u)

Atau dapat ditulis dengan:

F ( y +u )=[ 1−F (u ) ] [ F u ( y ) ]+ F ( u ) (2.23)

F u ( y ) pada persamaan (2.22) akan terdistribusi secara GPD, sehingga nantinya

Dengan probabilitas q > F ( u ) maka perhitungan VaR didapatkan dengan

^ t merupakan expected returndan σ^ t adalah standar deviasi dari model

3.1 Sumber Data

3.2 Variabel Penelitian

3.3 Tahapan Analisis

1. Menghitung nilai return saham.

4.1 Statistika Deskriptip Harga dan Return Saham

Gambar 4.1 menunjukkan bahwa harga penutupan indeks harga saham