APLIKASI RISET

AKUNTANSI
14 Analisis Data Runtun Waktu – Model ARCH dan GARCH
 Sasaran Keterangan
Pembelajaran
Menguasai prinsip dasar tentang ekonomi, bisnis dan konsep
Program Studi penyusunan informasi akuntansi dengan memanfaatkan teknologi
informasi dan mengkomunikasikan hasilnya.

Mampu menguasai konsep, menganalisis data, dan

Mata Kuliah menginterpretasikan hasil pemodelan ARCH/GARCH Data Runtun
Waktu

Ketepatan menggunakan konsep, menganalisis data, dan

Bukti ketercapaian menginterpretasikan hasil pemodelan ARCH/GARCH Data Runtun
pembelajaran Waktu
• Model-model ARIMA dapat memodelkan runtun waktu yang
stasioner (AR, MA, ARMA) atau yang tidak stasioner (ARIMA)
• Kekurangan model-model ARIMA: hanya dapat digunakan jika data
yang dimiliki memiliki varians yang konstan setiap saat  tidak
dapat digunakan jika data yang dimiliki memiliki varians (dikenal
juga dengan nama volatilitas) yang berubah dari waktu ke waktu
Volatilitas yang mengumpul (volatility
clustering)

• Periode dengan volatilitas (varians) tinggi cenderung diikuti oleh periode dengan
volatilitas tinggi, atau dengan kata lain, periode volatilitas biasanya berkumpul
• Secara umum volatilitas yang mengumpul memiliki implikasi varians kondisional
yang bervariasi dengan waktu (time-varying conditional variance): volatilitas yang
besar saat ini mungkin akan menyebabkan volatilitas yang besar dimasa
mendatang
Volatility clustering (time-varying volatility)

Varians (volatilitas) besar

Varians besar diikuti oleh varians
besar selama bebebrapa waktu,
kemudian berubah menjadi varians
kecil

Varians (volatilitas) kecil

Varians kecil diikuti oleh varians
kecil selama bebebrapa waktu,
kemudian berubah menjadi varians
besar
Mengapa masalah heteroskedastisitas
merupakan hal yang penting

• Heteroskedastisitas merupakan masalah umum dalam analisis data

untun waktu dimana varians dari kesalahan peramalan tidak konstan
disepanjang pengamatan
• Dampaknya adalah tejadinya kesalahan dan estimasi yang tidak
efisien dalam koefisien dan standard error  heteroskedastisitas
harus diidentifikasi dan dihilangkan
Model ARCH

• Autoregressive Conditional Heteroskedasticity (ARCH) adalah metode yang

secara spesifik memodelkan perubahan varians sepanjang waktu dari suatu
runtun waktu
• Secara spesifik, suatu metode ARCH memodelkan varians untuk setiap tahapan
waktu sebagai suatu fungsi dari kesalahan residual dari suatu proses dimana
mean = 0
Dalam contoh ini, Mean = 0
Runtun waktu “bergerak naik
dan turun” di sekitar mean
yang besarnya adalah 0
• Berapa banyak kesalahan residual yang akan dimasukkan kedalam model dan
harus dispesifikasi. Misal, jika model adalah ARCH(3), maka kesalahan residual
yang dimasukkan adalah 3 periode sebelum saat ini
• Model umum ARCH adalah ARCH(p) dimana p adalah kesalahan residu kuadrat
• Asumsi dari pendekatan ARCH adalah runtun waktunya stasioner kecuali
perubahan pada varians
Persamaan umum ARCH(p)

Karena untuk model ARCH yang penting adalah volatilitas yang bervariasi, maka
model varians dari ARCH(p) adalah sebagai berikut:

𝑝
h 𝑡=𝛼0 + ∑ 𝛼𝑖 h 2
𝑡 −𝑖
𝑖 =1

Varians untuk periode t ditentukan oleh penjumlahan kesalahan kuadrat (h2) untuk
1 periode sebelumnya sampai dengan p periode sebelumnya (h2 periode t – 1 + h2
periode t – 2 … + h2 periode t – p)
Untuk ARCH (1): varians untuk periode t ditentukan oleh kesalahan residu kuadrat 1
periode sebelumnya sebagai berikut:

Untuk AR(1): varians di

2
h 𝑡 = 𝛼 0 + 𝛼 1 h𝑡 − 1 periode tertentu ditentukan
oleh kuadrat kesalahan 1
periode sebelumnya
Dalam prakteknya, ARCH dapat digunakan untuk memprediksi varians residual
setelah model mean ditentukan oleh proses autoregresif lainnya seperti ARIMA
GARCH(p,q)

• Dalam model ARCH, p seringkali harus sangat besar agar dapat “menangkap”
seluruh korelasi serial dalam .
• Model generalized ARCH (atau disingkat GARCH) merupakan alternatif yang
sederhana darioada model ARCH(p)
• Secara umum, suatu model GARCH(p,q) memiliki ARCH sebanyak p dan GARCH
sebanyak q
GARCH(p,q)

• Karena lebih sederhana dari ARCH, maka besaran p dan q seringkali masing-masing
hanya 1  GARCH(1,1) yang berarti bahwa untuk memodelkan varians pada
periode tertentu hanya perlu menggunakan kuadrat kesalahan 1 periode
sebelumnya, dan varians 1 periode sebelumnya
Persamaan umum GARCH

𝑞 𝑝
𝜎 =𝛼 0 + ∑ 𝛼 𝑖 𝜀 + ∑ 𝛽 𝑗 𝜎
2
𝑡
2
𝑡 −𝑖
2
𝑡− 𝑗
𝑖=1 𝑗 =1

Bagian ARCH Bagian GARCH

Varians untuk periode t ditentukan oleh kesalahan residu kuadrat (ARCH) di

periode yang lalu dan varians (GARCH) di periode yang lalu
GARCH(1,1)

2 2 2
𝜎 𝑡 =𝛼 0 +𝛼 1 𝜀𝑡 −1 + 𝛽1 𝜎 𝑡 −1

Varians untuk periode t ditentukan oleh kesalahan residu kuadrat (ARCH) 1

periode yang lalu dan varians (GARCH) 1 periode yang lalu
 Tahap 1: Persamaan Mean
Tahapan • Memastikan stasioneritas
Pemodelan • Estimasi mean (dapat dilakukan
ARCH/GAR dengan ARIMA)
CH
Tahap 2: Persamaan Varians

• Menguji adanya efek ARCH

• Estimasi model ARCH
 Stasioneritas
• Cek grafik (apakah ada trend – menunjukkan
data tidak stasioner – atau tidak)
Persamaan • Cek korelogram (apakah ACF dan/atau PACF
meluruh bertahap – menunjukkan data
mean tidak stasioner – atau besifat acak)
• Menggunakan uji fomal Augmented Dickey
Fuller

Estimasi mean  menggunakan

model ARIMA
Membuat grafik
Uji unit root untuk memastikan apakah data
stasioner

Probabilitas > 0,05  data tidak

stasioner
Menstasionerkan data

Kita membuat data baru dengan

nama return karena nantinya data
ini yang akan dipakai dalam analisis
Memeriksa apakah return sudah stasioner

H0 ditolak (Prob = 0,000) yang

berarti bahwa data sudah stasioner
Memperkirakan order AR dan MA yang akan
dipakai
• Dalam hal ini terdapat beberapa lag
di ACF dan PACF yang signifikan.
• Namun, salah satu syarat dalam
pemodelan adalah model harus
sesederhana mungkin (dikenal
dengan nama parsimony).
• Karena itu, walaupun ada beberapa
model yang dapat dipilih, yang paling
sederhana adalah ARIMA(1,1,1) 
yang dipilih
 • Menentukan keberadaan efek ARCH
• Melakukan uji heteroskedastisitas dan memilih
model ARCH
• Hipotesis:
Persamaan • H0: tidak ada efek ARCH
varians • H1: ada efek ARCH  jika menolak H0 (p < 0,05) maka
terdapat efek ARCH
• Estimasi model ARCH
Menentukan adanya efek ARCH
Hasil uji ARCH menunjukkan bahwa
RESID^2(-1) adalah signifikan, begitu
juga Prob. Chi-Square (masing-masing
berniai 0,000)  hal ini menunjukkan
bahwa terdapat efek ARCH
Memperkirakan order ARCH
Dapat memasukkan lebih banyak efek ARCH ke dalam model:
• Dapat memeriksa korelogram dari residual kuadrat
• Dapat melihat PACF
• Menggunakan model sesederhana mungkin (menggunakan lag yang
lebih sedikit akan lebih baik)
• Efek ARCH harus positif: jangan gunakan jika nilainya negative
• Masalah dengan model ARCH: dapat menggunakan model yang
memiliki banyak lag  mungkin lebih baik menggunakan GARCH
Memperkirakan order ARCH
Memperkirakan order ARCH

Dengan melihat hasil korelogram pada bagian PACF (untuk AR maka yang
perlu diperhatikan adalah PACF), dapat dilihat bahwa terdapat dua lag
yang signifikan (lag 1 dan lag 2)  perkiraan order ARCH = 2
Menguji ARCH(2)
Hasil uji ARCH(2) menunjukkan hal-hal
sebagai berikut:
1. RESID^2(-1) dan RESID^2(-2)
keduanya signifikan (Prob = 0,0000)
2. Prob. Chi-Square(2) = 0,0000
(signifikan)

Hal ini menunjukkan bahwa AR(2) dapat

dipertimbangkan menjadi model yang
dapat digunakan untuk data ini
Estimasi model ARCH(2)
• Persamaan mean: ARIMA (1,1,1)
• Persamaan varians: ???
Menentukan model
ARCH(2)
Menentukan model ARCH(2)
Estimasi model ARCH(2)

Persamaan mean: ARIMA (1,1,1)

Hargat = 0,0006 + 0,957738Hargat –1 – 0,995582εt–1+ εt
Besaran return indeks pada suatu periode ditentukan oleh besaran
return indeks tersebut 1 hari sebelumnya dan kesalahan prediksi return
indeks 1 hari sebelumnya
Estimasi model ARCH(2)

Persamaan varians: ARCH(2)

ht = 0,0001 + 0,316443h2t –1 + 0,243205h2t–2
Varian return saham pada suatu periode ditentukan oleh varian return
saham tersebut sampai dengan 2 hari sebelumnya

• Jumlah varians t–1 dan t–2 = ±0,55

• Total penjumlahan varians t–1 sampai dengan t–n akan semakin baik
jika semakin mendekati 1
Memastikan bahwa menggunakan 2 efek ARCH
sudah menyelesaikan masalah heteroskedastisitas

Dalam hal ini ingin diketahui apakah menggunakan model

yang dipilih (dalam hal ini ARCH(2) menyebabkan tidak ada
lagi heteroskedastisitas. Jika masih ada heteroskedastisitas
 uji model lain sampai heteroskedastisitas tidak ada lagi
Memastikan bahwa menggunakan 2 efek ARCH
sudah menyelesaikan masalah heteroskedastisitas
Dari hasil ini didapat hal-hal berikut:
1. WGT_RESID^2(-1) dan WGT_RESID^2(-2) sudah tidak
signifikan (Prob > 0,05)
2. Pob. Chi-Square(2) > 0,05 (tidak signifikan)

Hasil ini menunjukkan bahwa menggunakan model

ARCH(2) dapat menyelesaikan masalah
heteroskedastisitas
Menggunakan GARCH

Model GARCH(1,1) seringkali memberikan hasil yang lebih baik

daripada model ARCH terutama yang melibatkan lag yang banyak
Uji GARCH(1,1)

Hasil ini menunjukkan bahwa model GARCH(1,1)

dapat menjelaskan data (GARCH(-1) signifikan
karena Prob = 0,0000)
Memastikan bahwa menggunakan GACH(1,1)
sudah menyelesaikan masalah heteroskedastisitas
Dari hasil ini didapat hal-hal berikut:
1. WGT_RESID^2(-1) sudah tidak signifikan (Prob > 0,05)
2. Pob. Chi-Square(2) > 0,05 (tidak signifikan)

Hasil ini menunjukkan bahwa menggunakan model

GARCH(1,1) dapat menyelesaikan masalah
heteroskedastisitas
Membandingkan hasil ARCH(2) dengan
GARCH(1,1)

ARCH(2) GARCH(1,1) Model terbaik

Log Likelihood 3554,975 3610,124 GARCH(1,1)
Akaike Information Criterion -5,646739 -5,734486 GARCH(1,1)
Schwarz Criterion -5,622221 -5,709968 GARCH(1,1)
Hannan-Quinn Criterion -5,637524 -5,725271 GARCH(1,1)

Hasil ini menunjukkan bahwa model GARCH(1,1) ternyata lebih baik digunakan
daripada model ARCH(2)
Membuat grafik varians
Varians return cenderung
rendah di sepanjang data,
namun terdapat beberapa
kondisi dimana varians
cenderung lebih tinggi, yaitu Q4
2017, Q1 dan Q2 2018,
sepanjang tahun 2020 (sangat
tinggidi Q1)