Anda di halaman 1dari 29

Model ARCH/GARCH

1
Pendahuluan
• Pemodelan regresi maupun ARIMA
mengasumsikan bahwa variance dari error adalah
konstan untuk seluruh observasi. Ketika error
memiliki variance yang tidak konstan maka data
disebut mengalami masalah heteroskedastik, dan
pendugaan menggunakan least square menjadi
tidak efisien.

• Heteroskedastik juga mempengaruhi akurasi


selang kepercayaan peramalan. Efisiensi dan
akurasi pendugaan dapat dilakukan dengan
menyusun model yang mempertimbangkan
adanya heteroskedastik.

2
Ilustrasi No 1

residua
l

variance tidak
homogen

3
Model GARCH (p, q)
y t  xt '    t Mean Model
 t   t et
p q
 t2    
i 1
 i t2i  
j 1
 j  t2 j Variance Model

iid
et ~ N(0,1)

Jika p = 0, maka menjadi model ARCH (q)

4
Perhatikan Variance Model
ARCH(q)
1
ARCH(1)  t2    
j 1
 j  t2 j     1 t21
2
ARCH(2)  t2    
j 1
 j  t2 j     1 t21   2 t22

3
ARCH(3)  t2    
j 1
 j  t2 j     1 t21   2 t2 2   3 t23

5
Perhatikan Variance Model
GARCH(1,1)
 t2     1 t21  1 t21

namun  t21     1 t22   1 t22 sehingga

 
 t2     1    1 t22  1 t22  1 t21

 t2           
1 1
2
1 t 3  
  1 t23   1 t22   1 t21

dengan demikian
 t2   *  1*  t21   2*  t22   3*  t23  

6
Model GARCH (p, q)
Model ARCH(q) merupakan proses ‘short memory’ yaitu hanya q
buah kuadrat residual terbaru yang digunakan untuk menduga
perubahan nilai variance. Model GARCH memungkinkan proses
‘long memory’ yang menggunakan seluruh kuadrat residual
untuk menduga nilai variance.

Keberadaan masalah heteroskedastik dapat diuji menggunakan


the Portmanteau Q test atau Engle Lagrange Multiplier tests (LM
Test).

Eviews menyediakan LM Test, yang tidak lain adalah menguji


apakah variance residual adalah fungsi dari kuadrat residual
pada waktu-waktu sebelumnya (lag time).

7
Uji LM
• ARCH(q)
q
     
t
2 2
j t j
j 1

• Hipotesis:
– H0: 1 = 2 = … = q = 0
– H1: ARCH(q)
• Pada kondisi H1, regresi memiliki nilai
T.R2(~2(q)) yang besar
8
Uji Portmanteau Q
• Bentuk lain model GARCH(p,q)

• Mirip model ARMA, sehingga


kecocokannya dapat diperiksa
dengan Uji Portmanteau Q yang
berbasiskan korelasi sisaan
9
Kembali ke Ilustrasi No 1

Model
SALES = 9.724 + 0.502 TIME

10
Ilustrasi No 1: Pola residual

Pola residual dari


mean model. Plot ini
dapat dijadikan
indikasi awal
keberadaan
ketidakhomogenan
variance.

11
LM Test

12
Penentuan Ordo
• Jika LM Test terhadap data residual
signifikan pada sedikit lag-lag awal maka
model variance yang sesuai adalah ARCH

• Jika LM Test signifikan pada banyak lag,


maka model variance yang sesuai adalah
GARCH.

• Melakukan overfitting terhadap ordo


model diperlukan untuk mendapatkan
model yang lebih sesuai.

13
Tahapan Pemodelan
1. menentukan ‘mean model’ yang sesuai dengan metode LS 
mungkin regresi, ARIMA, AR, MA, ARMA, konstanta, dll
2. menduga parameter mean model dengan metode least square
3. mencari sisaan (residual)
4. lakukan pengujian keberadaan ARCH pada residual (residual
ARCH test), jika tidak ada maka proses berhenti
5. menentukan ordo ARCH/GARCH
6. menduga parameter ‘mean model’ dan ‘variance model’
secara simultan
7. diagnostik model menggunakan residual
• melihat apakah masih ada kondisi ARCH
• kenormalan residual

14
Ilustrasi No 2
• Gunakan “Data Kurs.xls” sheet3
• Asumsikan mean model-nya Y t = c + t
• Periksa apakah terjadi ARCH pada
residual
• Jika ada, model variance apa yang
tepat?
• Lakukan diagnostik terhadap residual
modelnya.

15
Menyusun Mean Model

16
17
Ringkasan Hasil LM Test
Lag Engle’s LM Probability F-Statistics Probability
1 2.840172 0.091934 2.881201 0.094889
2 3.735511 0.154470 1.892172 1.892172
3 4.701682 0.194991 1.587480 0.202827
4 5.741569 0.219297 1.455761 0.228774
5 5.628862 0.344023 1.117639 0.362840
6 4.590659 0.597278 0.729252 0.628261
7 5.006401 0.659182 0.672374 0.694250
8 4.850542 0.773424 0.555129 0.808376
9 4.527629 0.873392 0.446275 0.901691
10 5.108791 0.883793 0.446694 0.913845

Lag yang signifikan hanya pada lag 1  short


memory
Model ARCH(1) tampaknya dapat diterapkan 18
Mean Model dan Variance
Model

19
Pemeriksaan terhadap residual

20
Pendugaan dengan Quasi
ML

21
Forecast Nilai Variance

22
Ilustrasi No 3
• Data yang digunakan adalah return
harian nilai tukar JPY-IDR (1 Juli 2005
– 30 Juni 2006) di “DATA KURS.xls”
worksheet “JPY”

• Mean model diasumsikan


Returnt = c + t

23
Mean Model

24
Ringkasan Hasil LM Test
Lag Engle’s LM Probability F-Statistics Probability
1 43.57191 0.000000 52.60940 0.000000

2 50.63311 0.000000 31.58533 0.000000

3 52.28984 0.000000 21.86666 0.000000

4 52.17317 0.000000 16.30180 0.000000

5 52.34271 0.000000 13.05379 0.000000

6 52.76422 0.000000 10.95502 0.000000

7 52.84655 0.000000 9.378095 0.000000


Signifikan pada lag yang sangat panjang  long memory
Model GARCH
8 tampaknya
52.64210 lebih sesuai untuk diterapkan.
0.000000 8.137975 0.000000
25
9 52.40189 0.000000 7.167120 0.000000
Mean Model dan Variance
Model GARCH (1,1)

26
Overfitting: GARCH (2,1)

27
Penerapan Model ARCH/GARCH
• Pada penentuan resiko (VaR = value at risk) dari
kepemilikan aset, adalah fluktuasi harga aset
yang berimplikasi pada fluktuasi nilai return dari
aset tersebut.

• Model ARCH/GARCH dapat digunakan untuk


menduga volatilitas return aset.

• Volatilitas merupakan akar kuadrat dari variance


(Volatilitas = standard deviation). Pada banyak
kasus, nilai volatilitas return tidak berupa besaran
yang nilainya konstan.

28
Terima Kasih

29