Generalised Autoregressive Conditional Heterokedastic ( GARCH )

 

Jika Ingin dounlowd file ini silahkan klik link dibahas ini 
http://zipteria.com/A4IC

DAFTAR ISI

KATA PENGANTAR.............................................................................................................       

DAFTAR ISI..........................................................................................................................       

BAB I PENDAHULUAN

A.     LATAR BELAKANG....................................................................................................       

B.      RUMUSAN MASALAH..............................................................................................       

C.      RUMUSAN MASALAH..............................................................................................       

D.     TUJUAN PENELITIAN................................................................................................       

BAB II PEMBAHASAN

A.     SEJARAH DAN PERKEMBANGAN GARCH..............................................................       

B.      NILAI HARAPAN BERSYARAT GARCH....................................................................

C.      DEFINISI ARCH DAN GARCH...................................................................................

D.     LANGKAH-LANGKAH GARCH.................................................................................

E.      PROSES ARCH DAN GARCH...................................................................................       

F.       MODEL LINIER ARCH..............................................................................................       

G.     MODEL LINIER GARCH (GENERAL GARCH)...........................................................       

H.     SPESIFIKASI ARCH DAN GARCH.............................................................................       

I.        PENGGUNAAN MODEL ARCH/GARCH DALAM PERAMALAN IHSG....................

J.        MEMPREDIKSI IHSG DENGAN MENGGUNAKAN MODEL GARCH........................

K.      MEMPERKIRAKAN MODEL GARCH DI EVIEWS.....................................................

L.       ESTIMASI ARCH OUTPUT.......................................................................................       

M.   MODEL GARCH PROSEDUR....................................................................................       

N.     MODEL ARCH ASIMETRIS.......................................................................................       

O.     ARCH DAN GARCH ESTIMASI.................................................................................       

JURNAL..........................................................................................................................       

BAB III PENUTUP

     KESIMPULAN .................................................................................................................       

     SARAN............................................................................................................................                          

DAFTAR PUSTAKA..............................................................................................................       

BAB I

PENDAHULUAN

A. LATAR BELAKANG

Sebagian besar alat statistik dalam EViews dirancang untuk model mean bersyarat acak variabel. Alat-alat yang dijelaskan dalam bab ini berbeda dengan pemodelan varians bersyarat, atau volatilitas, dari variabel. Ada beberapa alasan yang Anda mungkin ingin model dan volatilitas perkiraan.

1.    Anda mungkin perlu untuk menganalisis risiko memegang aset atau nilai pilihan.

2.    Perkiraan interval keyakinan dapat berubah terhadap waktu, sehingga interval yang lebih akurat dapat diperoleh oleh pemodelan varians dari kesalahan.

3.    Penduga yang lebih efisien dapat diperoleh jika heteroskedasticity dalam kesalahan ditangani dengan benar.

Model Autoregressive Conditional Heteroskedasticity (ARCH) secara khusus dirancang untuk model dan varians perkiraan bersyarat. Varians dari variabel dependen dimodelkan sebagai fungsi dari nilai-nilai masa lalu dari variabel dependen dan independen, atau eksogen variabel.

 Sejak dikemukakan oleh Engle (1982) dan Bollerslev (1986), model ARCH-GARCH telah banyak digunakan untuk mendeskripsikan perilaku volatilitas suatu time series, terutama pada data-data tentang saham dan indeks berjangka. Salah satu kekurangan dalam model ARCH-GARCH adalah ketidakmampuannya untuk melihat transisi atau perubahan perilaku antara volatilitas rendah dengan volatilitas tinggi. Dalam penelitian ini, markov switching GARCH dikaji dan diterapkan untuk melihat adanya regime volatilitas yang berbeda, yakni regime volatilitas rendah dan regime volatilitas tinggi pada data return indeks Dowjones. Namun, tidak ada informasi yang menunjukkan bahwa suatu observasi dimiliki oleh regime pertama atau regime kedua, dan untuk mengatasinya digunakan algoritma EM untuk estimasi parameter. Hasil yang diperoleh menunjukkan bahwa return indeks Dowjones memang mempunyai dua regime volatilitas, hal ini ditandai dengan signifikansi parameter GARCH pada masing-masing regime. Melalui matrik transisi, regime volatilitas rendah ternyata lebih banyak terjadi pada return indeks Dowjones dibandingkan regime volatilitas tinggi.

Pada bagian berikutnya, model ARCH dasar akan dijelaskan secara rinci. Pada bagian berikutnya, kita mempertimbangkan berbagai spesifikasi yang tersedia di EViews untuk volatilitas pemodelan.Untuk singkatnya diskusi, kita akan menggunakan ARCH untuk merujuk kepada kedua ARCH dan GARCH model, kecuali jika ada kemungkinan kebingungan.

B.  RUMUSAN MASALAH

Dalam latar belakang diatas, kami akan dapat merumuskan berbagai masalah yang timbul dari penggunaan sistem GARCH (Generalised Autoregressive Conditional Heterokedastic). Berikut ini adalah rumusan masalahnya.

·      Bagaimana sejarah dan perkembangan dari sistem GARCH (Generalised Autoregressive Conditional Heterokedastic).

·      Apa itu GARCH.

·      Bagaimana langkah-langkah pemakaian GARCH.

·      Apa saja rumus yang ada dalam sistem GARCH.

·      Dan apa kegunaan GARCH itu sendiri.

C.  TUJUAN PENELITIAN

Sebelum kami membuat makalah ini, yang berisikan tentang sistem GARCH (Generalised Autoregressive Conditional Heterokedastic), kami sebelumnya melakukan penelitian dalam penggunaan GARCH ini.

Jadi tujuan dalam melakukan penelitian terhadap sistem GARCH ini adalah untuk mengetahui bagaimana cara kerja GARCH ini sendiri. Selain itu, tujuannya adalah untuk mempelajari apakah kegunaan dari GARCH dan bagaimana cara mengoperasikannya.

Jadi itulah, tujuan kami melakukan penelitian tentang sistem GARCH ini. Dan setelah melakukan penelitian, kami akan merangkum hasil dari penelitian kami ke dalam sebuah bentuk laporan.

BAB II

PEMBAHASAN

A.      SEJARAH DAN PERKEMBANGAN GARCH

Sejak dikemukakan oleh Engle (1982) dan Bollerslev (1986), model ARCH-GARCH telah banyak digunakan untuk mendeskripsikan perilaku volatilitas suatu time series, terutama pada data-data tentang saham dan indeks berjangka. Salah satu kekurangan dalam model ARCH-GARCH adalah ketidakmampuannya untuk melihat transisi atau perubahan perilaku antara volatilitas rendah dengan volatilitas tinggi.

Dalam penelitian ini, markov switching GARCH dikaji dan diterapkan untuk melihat adanya regime volatilitas yang berbeda, yakni regime volatilitas rendah dan regime volatilitas tinggi pada data return indeks Dowjones. Namun, tidak ada informasi yang menunjukkan bahwa suatu observasi dimiliki oleh regime pertama atau regime kedua, dan untuk mengatasinya digunakan algoritma EM untuk estimasi parameter. Hasil yang diperoleh menunjukkan bahwa return indeks Dowjones memang mempunyai dua regime volatilitas, hal ini ditandai dengan signifikansi parameter GARCH pada masing-masing regime. Melalui matrik transisi, regime volatilitas rendah ternyata lebih banyak terjadi pada return indeks Dowjones dibandingkan regime volatilitas tinggi.

B.      NILAI HARAPAN BERSYARAT GARCH

Dasar dari metode peramalan ARCH dan GARCH adalah nilai harapan bersyarat (conditional expectation). Distribusi bersyarat X₂ diberikan X₁ didefinifikan dengan probabilitas bersyarat:

Ekspektasi bersyarat x₂ diberikan x₁ adalah ekpektasi x₂ terhadap fungsi kepadatan bersyarat f(x₂½x₁). Dirumuskan sebagai:

Dimana:

E(X₂½x₁)                              : rerata bersyarat

E[[X₂-E[X₂½x₁]]²½x₁]            : varians bersyarat

C.        DEFENISI  ARCH DAN GARCH

1.  ARCH

Dalam ekonometri, model Autoregressive Conditional Heteroskedasticity (ARCH) digunakan untuk mengkarakterisasi dan seri model waktu yang diamati. Model ini digunakan setiap kali ada alasan untuk percaya bahwa, pada setiap titik dalam seri, persyaratan akan memiliki ukuran karakteristik, atau  varians.  Secara khusus model ARCH mengasumsikan varians dari istilah kesalahan saat ini atau inovasi untuk menjadi fungsi dari ukuran sebenarnya dari istilah kesalahan periode waktu sebelumnya: sering varians berkaitan dengan kuadrat dari inovasi sebelumnya.

Model semacam ini sering disebut model ARCH (Engle, 1982), meskipun berbagai akronim lain yang diterapkan pada struktur tertentu dari model yang memiliki dasar yang sama.  Model ARCH bekerja umumnya dalam seri waktu pemodelan keuangan yang berubah terhadap waktu menunjukkan pengelompokan volatilitas, yaitu periode ayunan diikuti oleh periode yang relatif tenang.

ARCH (q) Spesifikasi Model

Misalkan seseorang berkeinginan untuk model deret waktu menggunakan proses ARCH. Mari menyatakan hal kesalahan (residu kembali, sehubungan dengan proses rata-rata) yaitu istilah seri. Ini dibagi menjadi sepotong ZT stokastik dan tergantung waktu σt standar deviasi karakteristik ukuran khas istilah sehingga:

2. GARCH

GARCH ialah Sebuah istilah yang diciptakan oleh ekonom Robert Engle pada tahun 1982 untuk menggambarkan kompleksperhitungan yang digunakan untuk memperkirakan hargafluktuasi pasar keuangan dan untuk memprediksi inflasi .Proses ini melibatkan membandingkan satu set variabel untuk mereka sendiri perilaku masa lalu melalui serangkaian waktuinterval untuk mengidentifikasi korelasi dan hasil yang tak terduga. Para Tujuannya adalah untuk menggunakan kesalahan masa lalu dalam peramalan untuk menciptakan akurasi yang lebih besar dalam peramalan saat ini.

Metode  GARCH diaplikasikan melalui 2 proses : proses mean dan proses variance. Proses mean pertama kali dikemukakan oleh Box-Jenkin (1976) dengan melakukan analisa  time series dengan kombinasi  autoregressive  (AR) dan moving average  (MA). Metode ini kemudian diintegrasikan menjadi ARMA untuk mendapatkan time series yang stasioner.

D.      LANGKAH-LANGKAH GARCH 

Dalam melakukan analisis  GARCH terdiri dari beberapa langkah, sebagai berikut: ..............................................................................................................................................................................................(UNTUK MELANJUTKAN MEMBACA SILAHKAN KLIK DISINI ATAU DISINI)