PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA - Diponegoro University | Institutional Repository (UNDIP-IR)
PEMODELAN NEURO-GARCH PADA
RETURN
NILAI TUKAR RUPIAH TERHADAP DOLLAR
AMERIKA
SKRIPSI
Disusun Oleh:
UMI SULISTYORINI ADI
24010212140082
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2016
PEMODELAN NEURO-GARCH PADA
RETURN
NILAI TUKAR RUPIAH TERHADAP DOLLAR
AMERIKA
SKRIPSI
Disusun Oleh:
UMI SULISTYORINI ADI
24010212140082
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2016
PEMODELAN NEURO-GARCH PADA
RETURN
NILAI TUKAR RUPIAH TERHADAP DOLLAR
AMERIKA
SKRIPSI
Disusun Oleh:
UMI SULISTYORINI ADI
24010212140082
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
(2)
i
PEMODELAN NEURO-GARCH PADA
RETURN
NILAI TUKAR RUPIAH TERHADAP DOLLAR
AMERIKA
D susun O
:
UMI SULISTYORINI ADI
24010212140082
Diajukan Sebagai Salah Satu Syarat Memperoleh Gelar
Sarjana Sains pada Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
(3)
(4)
(5)
iv
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
Tugas Akhir yang berjudul
Pemodelan Neuro-GARCH pada
R
eturn
Nilai
Tukar Rupiah terhadap Dollar Amerika
.
Tugas Akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar
Sarjana pada Departemen Statistika Universitas Diponegoro. Tanpa bantuan dan
dukungan dari berbagai pihak, penulis tidak akan mampu menyelesaikan Tugas
Akhir ini. Penulis menyampaikan terima kasih kepada:
1. Ibu Dra. Dwi Ispriyanti, M.Si. selaku Ketua Departemen Statistika
Fakultas Sains dan Matematika Universitas Diponegoro.
2. Bapak Budi Warsito, S.Si., M.Si. selaku dosen pembimbing I dan Ibu Dra.
Suparti, M.Si. selaku dosen pembimbing II yang telah memberikan
bimbingan dan pengarahan dalam penulisan Tugas Akhir ini.
3. Bapak dan Ibu dosen Departemen Statistika Universitas Diponegoro yang
telah memberikan ilmu yang bermanfaat.
4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah
membantu penulis dalam menyelesaikan Tugas Akhir ini.
Penulis berharap Tugas Akhir ini bermanfaat bagi civitas akademika di
Universitas Diponegoro khususnya Departemen Statistika dan masyarakat umum.
Semarang, September 2016
Penulis
(6)
v
BS
K
u
u
y
u
y
y
y
Generalized Autoregressive Conditional
Heteroskedasticity
(GARCH). Model lain yang biasa digunakan sebagai alternatif
yaitu
Artificial Neural Network
(ANN). Namun kedua model tersebut mempunyai
kelemahan. Model ARIMA yang linier, residualnya masih memungkinkan
terdapat hubungan non-linier, sedangkan model ANN yang digunakan untuk
memodelkan hubungan non-linier ada kesulitan dalam menentukan
inputnya.
Dalam penelitian ini dilakukan penggabungan dari kedua model tersebut yaitu
model Neuro-GARCH, dengan model GARCH berfungsi sebagai
input
dari model
ANN
.
Tujuan dari penelitian ini adalah untuk mengetahui model varian
Neuro-GARCH terbaik dari data
return
nilai tukar rupiah terhadap dollar Amerika. Data
yang digunakan adalah data
return
harian nilai tukar Rupiah (Rp) terhadap dollar
Amerika (USD) dari tanggal 27 Agustus 2012 sampai dengan 31 Maret 2016.
Dalam penelitian ini, model
mean
yang diperoleh adalah MA (1) dan model
variannya GARCH (1,1). Model terbaik yaitu Neuro-GARCH (2-10-1) dengan
MSE lebih kecil daripada model GARCH (1,1).
(7)
vi
%BS
& '%(&Exchange rate can be defined as the value of a currency against other currencies.
Exchange rates always fluctuate all the time. Very high fluctuations and
unconstant becoming problem in forecasting where the data changed extremely.
Most of economic data have heteroskedasticity characteristic analyzed using
(Generalized Autoregressive Conditional Heteroskedasticity)
GARCH models.
Another model that commonly used as an alternative is Artificial Neural Network
(ANN). However, both models have weaknesses. ARIMA models are linear, but
the residual probably still contains non-linear relationship, while the ANN model
used to non-linear relationship there is difficulty in determining the input. In this
research combination of two models is Neuro-GARCH model, with GARCH
model used as input of ANN model. The purpose of this study was determined the
best variance model Neuro-GARCH of return exchange rates rupiah against US
dollar. The data used is daily return value of the rupiah (IDR) against the US
dollar (USD) from August 27
th
, 2012 to March 31
st
, 2016. In this research, the
mean model obtained is MA (1) and varian model is GARCH (1,1). The best
model is Neuro-GARCH (2-10-1) with MSE smaller than the GARCH (1,1).
K
)*+ ,-.s: exchange rate, return, GARCH, Neuro GARCH.
(8)
/00
1234 25 6 76
89:9 ;9<
=> ?>@>ABC DC?EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0 => ?>@>AFGAH GI>=> AJEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0 0 => ?>@>AFGAH GI>=> AJJ EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 00 0 K>L>FGAH> AL>MEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE 0
v
>NI LM>K EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEv
>NI LM>OL EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE /0 D>PL>MJI JEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE /0 0 D>PL>ML> NG?EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEx
D>PL>MH> @N>M EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEx
0 D>PL>M?>@FJM>A EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEx
0 0 N>NJ FGAD >=C ?C> AQEQE ?R
t
R SNTURV RW X EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE Q QEY E MZ[ Z\RW@R\RUR]EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE ^ QE^E NRt
Rs
RW@R\RUR] EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE _ QE_E LZ` ZRWF TWTU0t
0RWEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE _ N>N
JJ L JAB>C>AFCIL>K> Y EQE DTa0W 0\0
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE b Y EQEQE A0UR 0LZVR S@R
t
RCRW X(
KZSs)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE b Y EQEY EReturn
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE c Y EY E >WRU0\0s
MZW dZWe RV du
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE c Y EY EQE KTst
R\0fWT SRWDRt
R EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE g Y EY EY E >OPhRWF>OP EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE i Y E^E @fhTUMZW dZWeRV du
Nfj BTWV 0W\EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEE QQ Y E^EQE @fhTUAutoregressive
(
>M)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEQQ Y E^EY E @fhTUMoving Average
(
@>)
EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEQY Y E^E^E @fhTUAutoregresive Moving Average
(
>M@>)
EEEEEEEEEEEEQY Y E^E_E @fhTUAutoregressive Integrated Moving Average
(9)
kl ll
mn~n l
Lagrange Multiplier
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn | mnn { stquAutoregressive Conditional Heteroskedasticity
(
xy)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn | mnn { stquGeneralized
Autoregressive
Conditional
Heteroskedasticity
(
xy)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn | mn nArtificial Neural Network
(
x )
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn n | qlwllx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn nm p qr stquvwx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m } mn n } xlt
q x nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m } mnn { qt
stqp qr quvvv wx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m~ mnn | qwls
p qr quvvv wx nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m~ mnnm w lxlkvlnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mnn } zwllv ulvls snnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn |n xu slt
rv p quvt
lv w nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn m mn ||n xu slt
rvu
vlqwt
sw nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }| mn |mn p qr stquvw q s xynnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }m mn |}nMean Square Error
(
{)
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }} xzzz {zpzzx}n |n qwl
s
tv w r qvt
v nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }nmn vlv qup qw qu lt
lv w nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }n }n vvv wxwv ulls
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn }~ }non lv vrxulxwv ulls
vt
v nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn } xz xzxp{xxxon |n p qr stquvwxyz{xnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn o on |n |n p u sv
t
v nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn o on |nmn t
vlswqlt
vs
vt
vReturn
nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn o | on |n }n zt qwllvl{ stquxyz{x nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn om on |non p qwtv vwp vvr qt
q{stquxyz{x nnnnnnnnnnnnnnnnnnnnnnnnn om on |n~n qllvl{ stqu nnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn o } on |nn p qr l ulv w{stquxyz{x qvlnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnn o~(10)
x
¡¢£¢²¢ ¤ ¥«³´µ ª«¶·¥¸¬ ®¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ± ¡¢£¢£¢ ¹¨ ¥«º · ¸ª» ¼§¨¥©¬® ¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ½ ¡¢£¢¾¢ ¤ ¥«¨´³ª ª«¤ ª¿ª¦ ¥
t
¥¿¼§¨¥©¬®¯° ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ ½ ¡¢£¢¡¢ ¤ ¥¦ © Àª «¼§¨¥©¬ ® ¯°Á¥¿Âª ¸ ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ¡ à ¡¢¾¢ ¤ ¥¦ §¨¥©ª«Ä¥´ ¿§Å¬ ®¯°¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ÆÇ ¡¢¾¢²¢ ¤ ¥«¥«º´ª «¿»
t
¥¸º´ ¿È ª¿ «³ª «¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ÆÇ ¡¢¾¢£¢ ¤ §©ªTraining
¨ª «Testing
¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ Ʋ ¡¢¾¢¾¢ ¤ ¥¦ © Àª «¼§¨¥©Á¥¿Âª ¸Ä¥´ ¿§Å¬®¯°¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ Ʋ ¡¢¡¢ ¼ §¨¥©Á¥¿Âª ¸ ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ Æ£ ÉÉÊ Ë¶Ì¹¼ ¤ÍÎÄ ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ Æ¡ ÏÐÁ ®¤Í Ì ÁË ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ Ʊ μ ¤¹®Ä ¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢¢ ÆÑ(11)
x
ÚÛÜÛ ÝÛÞ
ßÛà áÜ
1
â ãä åäæçäåäè éê åät
äs
ëã ìíî ïðë ã ìñ ïòñ óôê íéõöt
î÷ä ê ïéå øøøøøøøøøøøøøøøøø ùú ßÛà áÜûâ ð éïéïò ñ îïü îïy
îóïy
îýéñ åê ï þÿn
Layer
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ3
âDefault
íîåäôë èëüu
ïòñ óð éõît
ä îïè ëýüì øøøøøøøøøøøøøøøøøøøøøøø úù ßÛà áÜ â äAugmented Dickey Fuller
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ5
â äöä ïää óîï÷äð îåî ét
éåôê íéõëôë øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ú ßÛà áÜ6
â äïíé éïíéï÷äé÷ä íñîõôéïñ ïîóîï äLjung Box
øøøøøøøøøøøøøøøøøø ßÛà áÜâ î÷äõ äJarque Bera
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜâ ýä õ îäôö øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜâ ÷òäî÷äð îåî ét
éåôê í éõëãæ ë ã øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ1
â äöä ïää óîï÷äð îåî ét
éåôê íéõëã æ ë ãøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ11
âð éä õäîïôê íéõ ë ãè éåîäóøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ßÛà áÜ1
ûâöt
åñ óòñ åInput
ît
î øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ù ßÛà áÜ13
âïä÷äîõä÷î÷äð îåî ét
éåôêíéõýéñ åê æ ë ã øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø ù ßÛà áÜ1
â î÷äõTraining
íîïTesting
øøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøøø(12)
x
%&'& (&)
*&(
b
&+1
, -./012345 467.16 8/ 99999999999999999999999999999999999999999999999999999999999999999999 :; *&(b
&+<, =8>.?@61 4/A.B1 4CD7799999999999999999999999999999999999999999999999999999999999 :E *&(b
&+3
, F46/G4/Ay
46 4H>./ G4/-4/y
42I4J5 4/ 99999999999999999999999999999999999999 :K *&(b
&+L, 34G6 4MD?6D/ 4?5s
99999999999999999999999999999999999999999999999999999999999999999999 EN *&(b
&+5
, O?8034t
4P16s
F 1 4? 99999999999999999999999999999999999999999999999999999999999999999999999 KQ *&(b
&+6
, O?8034t
4Return
P16s
F 1 4? 99999999999999999999999999999999999999999999999999999999999 K; *&(b
&+R, O?80Output
(
S 4M4?4/)
>4/@46G.t
3 4t
4T464/ 999999999999999999999999999 U:(13)
x
V Vabcb dbe
fb dg h ibe
1
j klt
lReturn
mu
ns
opqVlrs tnr lulqkvw wl nx y tnVzl {{{{{{{{{{{{{{{{{ |} fb dg h ibe~j Vxpyts tukVz ty
pww tnklt
lReturn
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe3
j vnntw v nlyx ul x{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej sVylV lnlytt
tnvu twx o xqlulk lt
lReturn
{{{{{{{{{{{{{ fb dg h ibe5
j V utqt ut VotVup lw{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe6
j V vny lwVt
ls
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej VLagrange Multiplier
vutwxo x {{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej sVylV lnlytt
tnvu twx o x o {{{{{{{{{{{{{{{{{{{{{{{{{{{{ } fb dg h ibej y
s lx
qlul vtw
ln t lt
wl {{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe1
j v vsvutwtu
nv xo tn lVz{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ (14)
£¤¥¦¡§¨
LU
¡¥©ª©
L
«¬«®¯°«± «²g
³ ´µ ¶· ¸
r
¹º´»´µ´¼ ´t
º¸· ½ ´y
´r
´µ ´µ¶y
¾ ´¿ À´¼´ ·· ¸¼ ´»¹»´µtr
´µ¾ ´»¾Á  ¹´¼ ½ ¸¼ Á à ÄÁs
¸t
Á´º µ¸ ¶´r
´ º ´st
Á ·¸· Á¼ Á »Á ·´t
´ ¹´µ ¶s
¸µÀÁr
Áy
´µ ¶ µÁ¼´Áµy
´ ½ ¸½ ¸À´r
¾ ´tu
À¸µ ¶´µy
´µ ¶ ¼´Áµ à ³ µÅ ¹» Á¹¼ ´¿t
ÀÁº¸r
¼¹»´µ ´À´µ´y
»¹Æs
´t
´u
µÁ ¼ ´Át
¹»´
r y
´ µ ¶ÀÁ ¾ ¸º´» ´ Át
´µÅ´r
À¹´µ¸ ¶´r
´ ¾ ¸½ ´ ¶´Á´¼´t
º¸·½ ´´y
r
´µÃǸµ¹Æ
ut
È ´¼ É´t
ÊÆ ¸ Ë ÌÌ ÍÎ Ï »urs
À ´º´t
ÀÁ ´rt
Á»´µ ¾ ¸½ ´ ¶´Á ¿ ´r
¶´ ¾ ¹´tu
· ´t
´¹´µ ¶Å¸¿´À´ºr
·´t
´¹´µ ¶¼ ´Áµµ´y
ÃÐ
urs
· ´
t
´¹´µ ¶s
¸¼ ´¼u
½ ¸r
Ѽ¹»Å¹´¾Á ¾ ¸
t
Á´º ¾´´t
ÃÒº´½Á¼´¿ ´r
¶´ ¾ ¹´tu
· ´´t
¹´µ ¶ ÀÊ· ¸st
Á» · ¸µÂ ´ÀÁ ¾ ¸·´»Áµ ·´¿ ´¼t
¸r
¿ ´À´º · ´t
´¹´µ ¶´¾Á µ ¶ ·´»´·´t
´¹´µ ¶t
¸r
¾ ¸½ ¹ÅÀÁ»´t
´»´µ½ ¸r
´ºÆ ¸¾Á ´¾ÁÏÀ´µs
¸½ ´¼ Á »µy
´ ÂÁ»´¿ ´r
¶´· ´t
´¹´µ ¶ ÀÊ·¸st
Á » · ¸µÂ ´ÀÁ¾ ¸· ´»Á µtur
¹µt
¸r
¿ ´À ´º· ´t
´u
´µ ¶´¾Áµ¶ · ´»´· ´t
´¹´µ¶t
¸r
¾ ¸½ ¹Å ÀÁ »´t
´»´µ½ ¸r
À ¸ºÆ ¸¾Á ´¾Á à ÓÁ »´ µÁ¼´Á · ´t
´¹´µ ¶ ÀÊ·¸st
Á » · ¸µ¶u
´t
· ´»´µÁ ¼ ´Á¸»¾ º ÊƺÆÊÀ¹»À´r
Áµ¸ ¶´r
´t
¸r
¾ ¸½ut
´»´µ· ¸µÂ´ÀÁ¼¸½Á ¿t
Áµ¶¶Á ½ ¸¶Átu
Âu
¶´ ¾ ¸½ ´¼ Á »µy
´ Ã Ò¶´r
º ¸rt
¹· ½ ¹¿ ´µ ¸ »ÊµÊ·Á ¾¹´tu
µ¸ ¶´r
´ À´º´t
ÀÁ »¸µÀ´¼Á»´µ À¸µ ¶´µ ½ ´Á»Ï· ´»´ º ¸¼r
u
ÀÁ»Êµ¾Åru
»¾Á»´µ ·ÊÀ¸¼ · ´t
¸·´t
Á » ´y
´µ ¶ ½ ¸r
»´Át
´µÀ¸µ ¶´µ µ´Á »tur
¹µµy
´µÁ¼´Át
¹»´r
µ¸ ¶´r
´t
¸r
¾¸½ ¹Å ÃÄʼ ¼ ´
r
ÒÈ ´À ´¼´¿· ´t
´ ¹´µ¶r
¸¾· Á Ò·¸Ár
»´ È ¸r
Á»´t
à Äʼ ¼ ´r
ÒÈ Âu
¶´ ÀÁ ¶¹µ´» ´µ¾ ¸Ô´
r
´ ¼ ¹´
s
ÀÁ À¹µÁ ´ ÁµÅ¸r
µ ´¾Áʵ´¼ ¾ ¸½ ´¶´Á »urs
Ô´À´µ ¶´µ
À¸ÉÁ¾ ´ ÀÁ ¼ ¹´
r
ÒÈ Ã ÈÁ ·½ ʼy
´µ ¶ º ´¼ Á µ¶ ¹· ¹·ÀÁ ¶¹µ ´»´µu
µÅ ¹» Àʼ¼´r
ÒÈ´À´¼ ´¿¼ ´·½ ´µ¶ Àʼ¼´r
ËÕÎÃÐÊÀ ¸ÖÈ×ØÙ͹µÅ ¹»Àʼ¼´r
ÒÈ´À´¼ ´¿³È ÄÃ(15)
ÛÜ ÝÞ
tu
ßà á â áÜßát
ÝÞßr
ãßt
ßu
ßâä åÞÝrs
ær
Ýç áßèt
ér
è ßê ßç êëÜÜßr
ê ßçßt
ê áãëêéÜ Þßâ ãéâääÝâ ßÞßâ ßâ ßÜ áàás r
Ýâì Ýâw
ßÞtu
Þßr
éâß ãér
Ýç ßÞßâ è áã çÝâ ßâ ëíàérv
ßà át
érurut
î ï ßt
ß Ýâì Ýâr
w
ßÞìu
ê ßçßt
ê áãëêéÜ Þßâ ãéâääu
âßÞßâ ãëêéÜA
ðñòó ôõ ó ôöö÷ øô ùò ø÷úõ û øôó üõ ô åý þÿýæî ÿ ëê éÜ ý þÿý ãéã áÜáÞá ßà Ýãs
áv
ßr
á ßâr
éàáê ÝßÜy
ßâäÞëâàt
ßây
ßâäê á Þéâ ßÜêéâäßâást
áÜ ßèhomoscedasticity.
ßê ß çéâéÜ á
t
á ßâs
éíéÜu
ãây
ßy
ßâä ê áÜ ßÞÝÞßâ Üv
átr
ß åÚæ ê ßt
ß ÞÝs
r
Ýçá ßè
t
ér
è ßêßçêëÜÜ ßr
ãé ãçÝây
ßáàáßt
volatility clustering. Volatility clustering
ê áêéáâ áàáÞßâs
éí ß äßá íér
ÞÝã çÝÜ ây
ßs
é ÞéÜë ã çë Þ ßs
ét
return
y
ßâä íér
â á Üßá íés
ßr
ê ßâ ê áá ÞÝì ás
é ÞéÜëãçë Þ ßs
ét
return
y
ßâä í ér
â áÜßá ÞéáÜ îVolatility clustering
ãéâ äáâê á Þßà á Þßâv
ßr
á ßâs
áy
ßâät
áê ßÞ Þëâàt
ßâ ßt
ßu
heteroscedasticity
s
éè áâääß ê ßt
ß ÞÝrs
êëÜÜßr t
ér
è ßêßçr
Ýçáßè ãé ãç Ýây
ßá àáßt
heteroskedasticity
î ßê ßt
ßè Ýâ Ú â äÜ ét
éÜßèãéâ äéãí ßâäÞßâsu
ßtu
ãëêéÜÝâìÝÞ ãéâ äést
á ãßà á çér
áÜ ßÞÝ ëÜ ßt
áÜ át
ßs
àÝßtu
ê ßt
ßy
ßâä ãéâ áãí ÝÜ Þßâ ßê ßây
ßvolatility clustering
î ßÞâ á á Þßt
ér
ßê á ßr
áßíáÜ át
ßs
ê ßt
ßy
ßâär
éÜßt
át
áâ ääá çßê ßsu
ßtu
çér
áëêé ãßÞßßÞßâ é
t
ßê ár
Þééâê ér
Ýâäßây
ßâä àßã ß ê ßÜßã Þur
Ýâw
ßÞìu
àéÜßâut
ây
ß íé äátu
çÝÜ ß àéí ßÜ á Þâ
y
ß á Þß ßr
áßí áÜát
ßs
ê ßßt
r
éÜ ßt
ár
éâ ê ßè ßâäy
àér
áâä ê áà éí Ýìtime
varying variance
ßt
ßu
Þ ßsus
èét
ér
ëàÞéê ßst
áàát
ßàî ÿëêéÜy
ßâä ê áäÝâ ßÞ ßâ ÝâìÝÞãé ãëêéÜÞßâ Þëâê áàá áâ á ßê ßÜßè
Autoregressive Conditional Heteroskedasticity
åýþ æ ê ßâ çßê ßt
ßè Ýât
éÜßè ê áÞé ãí ßâ äÞ ßâ à Ýßtu
ãëêéÜy
ßátu
Generalized Autoregressive Conditional Heteroskedasticity
åý þæ ëÜ éè ëÜÜ éà Üér
v
ê ßâ ßÜ ëîy
ÿ ëêéÜ ýþ ãé ãßâßßt
Þßâ Þét
áê ßÞ Þëâà ì ßâßâ ßr
á ßâr
éàáê ÝßÜ ê ß
r
á ê ßt
ßr
Ýâìu
âw
ßÞìu y
ßâä ê ßçßt
ã éâ äèßàáÜ Þßâ â áÜßár
ßãßÜßâ ê ßâ àéÜßâ äÞé çér
ßy
ß ßâßâäy
Üéí ßr
ê ßâí á ßàî(16)
r
!t
r
!y
!"#r
$% &t
% !%'r
( ) $tu sy
r
t
t
* +,- . - / +- . % ! )t
t
rs
# 0 )rus
st
$%!
r
't
%! !"y
$r
% !" % % !t
! "!& 0$% $ ! "
t
# $r
! %t
t
t
)A
/*+1 +2+34 5-6 /34 5-* 78/9 : ;; <' ; ; ) ! !"y
#r
$%&t
!! %!%r
' ! =ut
> $ $t
?
r
$%t
:@AAB< CA
/*+1 +2+34 5-6 /34 5-*78/9 : ; ;<t
u y
!" #%$ % $# 0 Dr
% ! "! (y
r
& E%ru
! :D (E<r
! $%st
$r
s
% ! & =$%y
!" % % %r
0r
%st
% %r
% ! "! Fr
% ! "!sy
r
& ) )% ' ! =ut
G)!" :@AA < C ! H; ;t
% ! ! "! Cs
! " ! $%r
r
% % ! ! "! ;;' I H ; ;t
r
t
! ! ! "y
)rus
%st
%$%r
%t
Cy
%
tu
% "! ! ! 0 !y
$ % !sus y
!" % !%r
!r
$% %
r
y
!" % !%r
$%) !"!! " % ! & =$% )# ! "! !! H % !%r
% ! !""! ! ;;' Jr
$r
!ur
%! %t
$ C ! =! " !%t
% ! 0 ! ! %%!t
! ""! !t
!r
t
% & %! C %y
tu
"# !"!! 0r
;; !K LMy
!"%s
# 0 ! "!;ur
HK LM 'NOP Q R SRT UV
M
UTUW UXJ
r
$r
!t
r
# ! " %t
$ Cru
$! $ ) !%t
% ! % !% ) #"% ! !t
/-*6 /Y !% %t
r r
% )t
(17)
[\] ^_`_a_ b
M
_a _c_ de fgf hijikllfj
t
ljlm gft
fy
f jn glnoj fpfj fg f k fq r stur v jl kflt
o pfr
wohl fq xwh yt
ir
qfgfh gzk kfr
{|ir
lpf x }~ y g fr
lt
fjnn f k {nustus
f |hfl fr
it
gi j nfj|ijnnojf pfjqflr
fpl x~ ijl j f|hfl o |ft
y gfj |ij nffl pfjf pqlr
hi pf jx~ f u
gfjl j nnyu
irt
fqfr
lklo [\
j
_ b b c a_ boofjgf
r
lhij i klt
l fjl jlfgf kf q ij nl gi j llpf l |zgi k f
r
l fj iur
z {w g fr
l gft
f r stur v jl kflt
o pf
r
wohl fqir
qfg fh zk kfr
{|ir
lpf x }~ y ijgo nfhf
r
f |it
ir y
f jnigfhfr
t
gf k f||zgi k iur
z {w i|l kl q|zgi kfr
l fj iur
z {wt
i fl pr
y
f j nt
iij o pr
gfr
lgft
f(1)
x
%&'& (&)
*&(
b
&+1
, -./012345 467.16 8/ 99999999999999999999999999999999999999999999999999999999999999999999 :;*&(
b
&+<, =8>.?@61 4/A.B1 4CD7799999999999999999999999999999999999999999999999999999999999 :E*&(
b
&+3
, F46/G4/Ay
46 4H>./ G4/-4/y
42I4J5 4/ 99999999999999999999999999999999999999 :K*&(
b
&+L, 34G6 4MD?6D/ 4?5s
99999999999999999999999999999999999999999999999999999999999999999999 EN*&(
b
&+5
, O?8034t
4P16s
F 1 4? 99999999999999999999999999999999999999999999999999999999999999999999999 KQ*&(
b
&+6
, O?8034t
4Return
P16s
F 1 4? 99999999999999999999999999999999999999999999999999999999999 K; *&(b
&+R, O?80Output
(
S 4M4?4/)
>4/@46G.t
3 4t
4T464/ 999999999999999999999999999 U:(2)
x
V Vabcb dbe
fb dg h ibe
1
j klt
lReturn
mu
ns
opqVlrs tnr lulqkvw wl nx y tnVzl {{{{{{{{{{{{{{{{{ |} fb dg h ibe~j Vxpyts tukVz ty
pww tnklt
lReturn
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe3
j vnntw v nlyx ul x{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej sVylV lnlyt
t
tnvu twx o xqlulk lt
lReturn
{{{{{{{{{{{{{ fb dg h ibe5
j V utqt ut VotVup lw{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibe
6
j V vny lwVt
ls
{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej V
Lagrange Multiplier
vutwxo x {{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ fb dg h ibej sVylV lnlytt
tnvu twx o x o {{{{{{{{{{{{{{{{{{{{{{{{{{{{ }fb dg h ibej
y
s lx
qlul vtw
ln t lt
wl {{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{{ (3)
£¤¥¦¡§¨
LU
¡¥©ª©
L
«¬«®¯°«± «²g
³ ´µ ¶· ¸
r
¹º´»´µ´¼ ´t
º¸· ½ ´y
´r
´µ ´µ¶y
¾ ´¿ À´¼´ ·· ¸¼ ´»¹»´µtr
´µ¾ ´»¾Á  ¹´¼ ½ ¸¼ Á à ÄÁs
¸t
Á´º µ¸ ¶´r
´ º ´st
Á ·¸· Á¼ Á »Á ·´t
´ ¹´µ ¶s
¸µÀÁr
Áy
´µ ¶ µÁ¼´Áµy
´ ½ ¸½ ¸À´r
¾ ´tu
À¸µ ¶´µy
´µ ¶ ¼´Áµ à ³ µÅ ¹» Á¹¼ ´¿t
ÀÁº¸r
¼¹»´µ ´À´µ´y
»¹Æs
´t
´u
µÁ ¼ ´Át
¹»´
r y
´ µ ¶ÀÁ ¾ ¸º´» ´ Át
´µÅ´r
À¹´µ¸ ¶´r
´ ¾ ¸½ ´ ¶´Á´¼´t
º¸·½ ´´y
r
´µÃǸµ¹Æ
ut
È ´¼ É´t
ÊÆ ¸ Ë ÌÌ ÍÎ Ï »urs
À ´º´t
ÀÁ ´rt
Á»´µ ¾ ¸½ ´ ¶´Á ¿ ´r
¶´ ¾ ¹´tu
· ´t
´¹´µ ¶Å¸¿´À´ºr
·´t
´¹´µ ¶¼ ´Áµµ´y
ÃÐ
urs
· ´
t
´¹´µ ¶s
¸¼ ´¼u
½ ¸r
Ѽ¹»Å¹´¾Á
¾ ¸
t
Á´º ¾´´t
ÃÒº´½Á¼´¿ ´r
¶´ ¾ ¹´tu
· ´´t
¹´µ ¶ ÀÊ· ¸st
Á» · ¸µÂ ´ÀÁ ¾ ¸·´»Áµ ·´¿ ´¼t
¸r
¿ ´À´º · ´t
´¹´µ ¶´¾Á µ ¶ ·´»´·´t
´¹´µ ¶t
¸r
¾ ¸½ ¹ÅÀÁ»´t
´»´µ½ ¸r
´ºÆ ¸¾Á ´¾ÁÏÀ´µs
¸½ ´¼ Á »µy
´ ÂÁ»´¿ ´r
¶´· ´t
´¹´µ ¶ ÀÊ·¸st
Á » · ¸µÂ ´ÀÁ¾ ¸· ´»Á µtur
¹µt
¸r
¿ ´À ´º· ´t
´u
´µ ¶´¾Áµ¶ · ´»´· ´t
´¹´µ¶t
¸r
¾ ¸½ ¹Å ÀÁ »´t
´»´µ½ ¸r
À ¸ºÆ ¸¾Á ´¾Á à ÓÁ »´ µÁ¼´Á · ´t
´¹´µ ¶ ÀÊ·¸st
Á » · ¸µ¶u
´t
· ´»´µÁ ¼ ´Á¸»¾ º ÊƺÆÊÀ¹»À´r
Áµ¸ ¶´r
´t
¸r
¾ ¸½ut
´»´µ· ¸µÂ´ÀÁ¼¸½Á ¿t
Áµ¶¶Á ½ ¸¶Átu
Âu
¶´ ¾ ¸½ ´¼ Á »µy
´ Ã Ò¶´r
º ¸rt
¹· ½ ¹¿ ´µ ¸ »ÊµÊ·Á ¾¹´tu
µ¸ ¶´r
´ À´º´t
ÀÁ »¸µÀ´¼Á»´µ À¸µ ¶´µ ½ ´Á»Ï· ´»´ º ¸¼r
u
ÀÁ»Êµ¾Åru
»¾Á»´µ ·ÊÀ¸¼ · ´t
¸·´t
Á » ´y
´µ ¶ ½ ¸r
»´Át
´µÀ¸µ ¶´µ µ´Á »tur
¹µµy
´µÁ¼´Át
¹»´r
µ¸ ¶´r
´t
¸r
¾¸½ ¹Å ÃÄʼ ¼ ´
r
ÒÈ ´À ´¼´¿· ´t
´ ¹´µ¶r
¸¾· Á Ò·¸Ár
»´ È ¸r
Á»´t
à Äʼ ¼ ´r
ÒÈ Âu
¶´ ÀÁ ¶¹µ´» ´µ¾ ¸Ô´
r
´ ¼ ¹´
s
ÀÁ À¹µÁ ´ ÁµÅ¸r
µ ´¾Áʵ´¼ ¾ ¸½ ´¶´Á »urs
Ô´À´µ ¶´µ
À¸ÉÁ¾ ´ ÀÁ
¼ ¹´
r
ÒÈ Ã ÈÁ ·½ ʼy
´µ ¶ º ´¼ Á µ¶ ¹· ¹·ÀÁ ¶¹µ ´»´µu
µÅ ¹» Àʼ¼´r
ÒÈ´À´¼ ´¿¼ ´·½ ´µ¶ Àʼ¼´r
ËÕÎÃÐÊÀ ¸ÖÈ×ØÙ͹µÅ ¹»Àʼ¼´r
ÒÈ´À´¼ ´¿³È ÄÃ(4)
ÛÜ ÝÞ
tu
ßà á â áÜßát
ÝÞßr
ãßt
ßu
ßâä åÞÝrs
ær
Ýç áßèt
ér
è ßê ßç êëÜÜßr
ê ßçßt
ê áãëêéÜ Þßâ ãéâääÝâ ßÞßâ ßâ ßÜ áàá
s r
Ýâì Ýâw
ßÞtu
Þßr
éâß ãér
Ýç ßÞßâ è áã çÝâ ßâëíàé
rv
ßà át
érurut
î ï ßt
ß Ýâì Ýâr
w
ßÞìu
ê ßçßt
ê áãëêéÜ Þßâ ãéâääu
âßÞßâ ãëêéÜA
ðñòó ôõ ó ôöö÷ øô ùò ø÷úõ û øôó üõ ô åý þÿýæî ÿ ëê éÜ ý þÿý ãéã áÜáÞá ßà Ýãs
áv
ßr
á ßâr
éàáê ÝßÜy
ßâäÞëâàt
ßây
ßâäê á Þéâ ßÜêéâäßâást
áÜ ßèhomoscedasticity.
ßê ß çéâéÜ á
t
á ßâs
éíéÜu
ãây
ßy
ßâä ê áÜ ßÞÝÞßâ Üv
átr
ß åÚæ ê ßt
ß ÞÝs
r
Ýçá ßè
t
ér
è ßêßçêëÜÜ ßr
ãé ãçÝây
ßáàáßt
volatility clustering. Volatility clustering
ê áêéáâ áàáÞßâs
éí ß äßá íér
ÞÝã çÝÜ ây
ßs
é ÞéÜë ã çë Þ ßs
ét
return
y
ßâä íér
â á Üßá íés
ßr
ê ßâ ê áá ÞÝì ás
é ÞéÜëãçë Þ ßs
ét
return
y
ßâä í ér
â áÜßá ÞéáÜ îVolatility clustering
ãéâ äáâê á Þßà á Þßâv
ßr
á ßâs
áy
ßâät
áê ßÞ Þëâàt
ßâ ßt
ßu
heteroscedasticity
s
éè áâääß ê ßt
ß ÞÝrs
êëÜÜßr t
ér
è ßêßçr
Ýçáßè ãé ãç Ýây
ßá àáßt
heteroskedasticity
îßê ß
t
ßè Ýâ Ú â äÜ ét
éÜßèãéâ äéãí ßâäÞßâsu
ßtu
ãëêéÜÝâìÝÞ ãéâ äést
á ãßà á çér
áÜ ßÞÝ ëÜ ßt
áÜ át
ßs
àÝßtu
ê ßt
ßy
ßâä ãéâ áãí ÝÜ Þßâ ßê ßây
ßvolatility clustering
î ßÞâ á á Þßt
ér
ßê á ßr
áßíáÜ át
ßs
ê ßt
ßy
ßâär
éÜßt
át
áâ ääá çßê ßsu
ßtu
çér
áëêé ãßÞßßÞßâ é
t
ßê ár
Þééâê ér
Ýâäßây
ßâä àßã ß ê ßÜßã Þur
Ýâw
ßÞìu
àéÜßâut
ây
ß íé äátu
çÝÜ ß àéí ßÜ á Þâ
y
ß á Þß ßr
áßí áÜát
ßs
ê ßßt
r
éÜ ßt
ár
éâ ê ßè ßâäy
àér
áâä ê áà éí Ýìtime
varying variance
ßt
ßu
Þ ßsus
èét
ér
ëàÞéê ßst
áàát
ßàî ÿëêéÜy
ßâä ê áäÝâ ßÞ ßâ ÝâìÝÞãé ãëêéÜÞßâ Þëâê áàá áâ á ßê ßÜßè
Autoregressive Conditional Heteroskedasticity
åýþ æ ê ßâ çßê ßt
ßè Ýât
éÜßè ê áÞé ãí ßâ äÞ ßâ à Ýßtu
ãëêéÜy
ßátu
Generalized Autoregressive Conditional Heteroskedasticity
åý þæ ëÜ éè ëÜÜ éà Üér
v
ê ßâ ßÜ ëîy
ÿ ëêéÜ ýþ ãé ãßâßßt
Þßâ Þét
áê ßÞ Þëâà ì ßâßâ ßr
á ßâr
éàáê ÝßÜ ê ß
r
á ê ßt
ßr
Ýâìu
âw
ßÞìu y
ßâä ê ßçßt
ã éâ äèßàáÜ Þßâ â áÜßár
ßãßÜßâ ê ßâ àéÜßâ äÞé çér
ßy
ß ßâßâäy
Üéí ßr
ê ßâí á ßàî(5)
r
!t
r
!y
!"#r
$% &t
% !%'r
( )$
tu sy
r
t
t
* +,- . - / +- . % ! )t
t
rs
# 0 )rus
st
$%!
r
't
%! !"y
$r
% !" % % !t
! "! & 0$% $ ! "t
# $r
! %t
t
t
)A
/*+1 +2+34 5-6 /34 5-* 78/9 : ;; <'; ; ) ! !"
y
#r
$%&t
!! %!%r
' ! =ut
> $ $t
?r
$%t
:@AAB< CA
/*+1 +2+34 5-6 /34 5-*78/9 : ; ;<t
u y
!" #%$ % $# 0 Dr
% ! "! (y
r
& E%ru
! :D (E<r
! $%st
$r
s
% ! & =$%y
!" % % %r
0r
%st
% %r
% ! "! Fr
% ! "!sy
r
& ) )% '! =
ut
G)!" :@AA < C ! H; ;t
% ! ! "!C
s
! " ! $%r
r
% % ! ! "! ;;'I H ; ;
t
r
t
! ! ! "y
)rus
%st
%$%r
%t
Cy
%
tu
% "! ! ! 0 !y
$ % !sus y
!" % !%r
!r
$% %
r
y
!" % !%r
$%) !"!! " % ! & =$% )# ! "! !! H% !%
r
% ! !""! ! ;;' Jr
$r
!ur
%! %t
$ C ! =! " !%t
% ! 0 ! ! %%!t
! ""! !t
!r
t
% & %! C %y
tu
"# !"!! 0r
;; !K LMy
!"%s
# 0 ! "!;ur
HK LM 'NOP Q R SRT UV
M
UTUW UXJ
r
$r
!t
r
# ! " %t
$ Cru
$! $ )!%
t
% ! % !% ) #"% ! !t
/-*6 /Y !% %t
r r
% )t
(6)
[\] ^_`_a_ b
M
_a _c_ de fgf hijikllfj
t
ljlm gft
fy
f jn glnoj fpfj fg f k fq r stur v jl kflt
o pfr
wohl fq xwh y
t
ir
qfgfh gzk kfr
{|ir
lpf x }~ y g fr
lt
fjnn f k {nustus
f |hfl f
r
it
gi j nfj|ijnnojf pfjqflr
fpl x~ ijl j f|hfl o |ft
y gfj|ij nffl pfjf pql
r
hi pf jx~ f u
gfjl j nnyu
irt
fqfr
lklo [\
j
_ b b c a_ boofjgf
r
lhij i klt
l fjl jlfgf kf q ij nl gi j llpf l |zgi k f
r
l fj iur
z {w g fr
l gft
f r stur v jl kflt
o pf
r
wohl fqir
qfg fh zk kfr
{|ir
lpf x }~ y ijgo nfhf
r
f |it
ir y
f jnigfhfr
t
gf k f||zgi k iur
z {w i|l kl q|zgi kf