14 Analisis Data Runtun Waktu - Arch Dan Garch
14 Analisis Data Runtun Waktu - Arch Dan Garch
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.
• 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)
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:
• 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
2 2 2
𝜎 𝑡 =𝛼 0 +𝛼 1 𝜀𝑡 −1 + 𝛽1 𝜎 𝑡 −1
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)
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)