Materi Analisis Deret Waktu Nonlinier
Threshold Generalized
Autoregressive Conditional
Heteroscedasticity (TGARCH)
Eni Sumarminingsih, SSi, MM
• Model TGARCH merupakan generalisasi
dari model GARCH yang
memperbolehkan adanya respon
volatilitas yang asimetris terhadap nilai
sisaan yang dikenal dengan istilah
leverage effect.
• Threshold GARCH (TGARCH) yang
pertama kali diperkenalkan oleh Zakoian
(1994).
• Pada model ini akan dibedakan pengaruh
dari sisaan positif maupun negatif.
(Hentschel, 1994).
Pengaruh Asimetris
• Volatilitas memiliki kecenderungan
menurun saat return meningkat,
• dan meningkat saat return menurun,
• hal ini disebut Leverage Effect
• Leverage effect pertama kali
diperkenalkan oleh Black (1976)
• menunjukkan pengembangan model yang
mengijinkan adanya respon asimetri pada
volatilitas terhadap sisaan positif atau
negatif.,
• dan menunjukkan bahwa terdapat korelasi
negatif antara return dan perubahan
volatilitas
• volatilitas cenderung meningkat saat bad
news (didefinisikan return yang lebih
rendah dari nilai estimasinya/pasar yang
sedang jatuh),
• dan cenderung menurun setelah good
news (Hansen, 2001)
• Enders (2004) mengembangkan satu
pengujian untuk memeriksa efek asimetris
dalam volatilitas
• yang dikenal dengan Sign Bias Test
(SBT).
• Uji ini ditujukan untuk menentukan apakah
sisaan positif dan negatif memberikan
pengaruh yang berbeda pada volatilitas
• Uji SBT digunakan dengan menguji
signifikansi pada persamaan regresi
berikut
2
st
0 1 d t 1 1t
• di mana
s
2
t
2
ˆ
at
2
t
1, jika aˆ t 1 0
d t 1
0, jika aˆ t 1 0
• aˆ t : nilai duga sisaan ARIMA.
• 1t : sisaan regresi
• Hipotesis yang digunakan dalam SBT:
• H : 0 (tidak terdapat efek
0
1
asimetris
H 1 : 1 0 dalam volatilitas) lawan
•
(terdapat efek asimetris
dalam volatilitas
• statistik uji :
ˆ 1
/2
t hit
~ t na 2
s(ˆ1 )
• di mana
na
ˆ 1
d
t 1
d t 1 s t2 s t2
s (ˆ1 )
t 1
na
d
t 1
d t 1
2
1
S
n 2
2
t 1
s t2
na
d
t 1
t 1
na
S2
sˆt2
1
n 2
na
2
ˆ
1t
t 1
t 1 dt 1
2
/2
t hit t na 2
• Tolak H0 jika
, yang berarti
berbeda nyata dan dapat disimpulkan
terdapat efek asimetris.
1
Pemodelan TGARCH
• Model volatilitas yang dapat digunakan
untuk mengatasi leverage effects adalah
Threshold GARCH (TGARCH)
• Model TGARCH (m, s) mengasumsikan
bentuk sebagai berikut:
Z Zˆ a
a
t
t
t
t
t t
at Ft1 ~ N(0,t2)
t2 0 1at2 1 ...mat2 m 1Nt 1at2 1 ...mNt mat2 m 1t2 1 ...st2 s
m
0
2
t
i 1
2
i at i
m
i 1
2
i N t i at i
s
j
j 1
2
t j
• at2 i bisa memiliki pengaruh yang berbeda
terhadap ragam bersyarat t.2 , tergantung
apakah at i bernilai positif atau negatif
i at2 i
• Nilai at i yang positif memiliki kontribusi
2
2
a
sebesar i t i terhadap t ,
• sedangkan nilai at i yang negatif memiliki
pengaruh yang lebih besar yaitu sebesar
i i at2 i
• Jika >0, sisaan negatif akan memiliki
pengaruh yang lebih besar terhadap
volatilitas daripada sisaan positif
• Jika koefisien berbeda dari 0 secara
statistik, maka dapat disimpulkan data
yang digunakan mengandung efek
threshold
Pendugaan Parameter Model
TGARCH
• Menggunakan Maximum Likelihood
Estimation (MLE) , fungsi log likelihoodnya
adalah sebagai berikut
• Uji efek ARCH/ GARCH dalam sisaan
yang dibakukan
3. Tidak Ada Autokorelasi sisaan
Peramalan
Autoregressive Conditional
Heteroscedasticity (TGARCH)
Eni Sumarminingsih, SSi, MM
• Model TGARCH merupakan generalisasi
dari model GARCH yang
memperbolehkan adanya respon
volatilitas yang asimetris terhadap nilai
sisaan yang dikenal dengan istilah
leverage effect.
• Threshold GARCH (TGARCH) yang
pertama kali diperkenalkan oleh Zakoian
(1994).
• Pada model ini akan dibedakan pengaruh
dari sisaan positif maupun negatif.
(Hentschel, 1994).
Pengaruh Asimetris
• Volatilitas memiliki kecenderungan
menurun saat return meningkat,
• dan meningkat saat return menurun,
• hal ini disebut Leverage Effect
• Leverage effect pertama kali
diperkenalkan oleh Black (1976)
• menunjukkan pengembangan model yang
mengijinkan adanya respon asimetri pada
volatilitas terhadap sisaan positif atau
negatif.,
• dan menunjukkan bahwa terdapat korelasi
negatif antara return dan perubahan
volatilitas
• volatilitas cenderung meningkat saat bad
news (didefinisikan return yang lebih
rendah dari nilai estimasinya/pasar yang
sedang jatuh),
• dan cenderung menurun setelah good
news (Hansen, 2001)
• Enders (2004) mengembangkan satu
pengujian untuk memeriksa efek asimetris
dalam volatilitas
• yang dikenal dengan Sign Bias Test
(SBT).
• Uji ini ditujukan untuk menentukan apakah
sisaan positif dan negatif memberikan
pengaruh yang berbeda pada volatilitas
• Uji SBT digunakan dengan menguji
signifikansi pada persamaan regresi
berikut
2
st
0 1 d t 1 1t
• di mana
s
2
t
2
ˆ
at
2
t
1, jika aˆ t 1 0
d t 1
0, jika aˆ t 1 0
• aˆ t : nilai duga sisaan ARIMA.
• 1t : sisaan regresi
• Hipotesis yang digunakan dalam SBT:
• H : 0 (tidak terdapat efek
0
1
asimetris
H 1 : 1 0 dalam volatilitas) lawan
•
(terdapat efek asimetris
dalam volatilitas
• statistik uji :
ˆ 1
/2
t hit
~ t na 2
s(ˆ1 )
• di mana
na
ˆ 1
d
t 1
d t 1 s t2 s t2
s (ˆ1 )
t 1
na
d
t 1
d t 1
2
1
S
n 2
2
t 1
s t2
na
d
t 1
t 1
na
S2
sˆt2
1
n 2
na
2
ˆ
1t
t 1
t 1 dt 1
2
/2
t hit t na 2
• Tolak H0 jika
, yang berarti
berbeda nyata dan dapat disimpulkan
terdapat efek asimetris.
1
Pemodelan TGARCH
• Model volatilitas yang dapat digunakan
untuk mengatasi leverage effects adalah
Threshold GARCH (TGARCH)
• Model TGARCH (m, s) mengasumsikan
bentuk sebagai berikut:
Z Zˆ a
a
t
t
t
t
t t
at Ft1 ~ N(0,t2)
t2 0 1at2 1 ...mat2 m 1Nt 1at2 1 ...mNt mat2 m 1t2 1 ...st2 s
m
0
2
t
i 1
2
i at i
m
i 1
2
i N t i at i
s
j
j 1
2
t j
• at2 i bisa memiliki pengaruh yang berbeda
terhadap ragam bersyarat t.2 , tergantung
apakah at i bernilai positif atau negatif
i at2 i
• Nilai at i yang positif memiliki kontribusi
2
2
a
sebesar i t i terhadap t ,
• sedangkan nilai at i yang negatif memiliki
pengaruh yang lebih besar yaitu sebesar
i i at2 i
• Jika >0, sisaan negatif akan memiliki
pengaruh yang lebih besar terhadap
volatilitas daripada sisaan positif
• Jika koefisien berbeda dari 0 secara
statistik, maka dapat disimpulkan data
yang digunakan mengandung efek
threshold
Pendugaan Parameter Model
TGARCH
• Menggunakan Maximum Likelihood
Estimation (MLE) , fungsi log likelihoodnya
adalah sebagai berikut
• Uji efek ARCH/ GARCH dalam sisaan
yang dibakukan
3. Tidak Ada Autokorelasi sisaan
Peramalan