Materi Analisis Deret Waktu Nonlinier
Pemodelan Volatilitas
Eni Sumarminingsih, SSi, MM
Pendahuluan
• Model yang dibahas dalam analisis deret
waktu adalah pemodelan tentang
conditional mean.
• Di Bidang finansial, pemodelan conditional
variance juga penting.
• Sebagian besar data time series di
• bidang finansial tidak memiliki ragam
yang konstan
• Sebagai contoh, return harian dari saham
akan sangat bervariasi saat situasi
sedang tidak baik dibanding saat situasi
sedang stabil.
• Sehingga ragam pada saat situasi sedang
tidak baik lebih besar daripada saat
situasi sedang stabil
• Penelitian tentang volatilitas(ragam) pasar
sangat menarik bagi peneliti dan investor
• Dalam finansial , conditional variance dari
return aset finansial digunakan sebagai
ukuran resiko aset tersebut
•
Conditional variance juga digunakan
• dalam perhitungan pricing aset finansial
dan perhitungan Value at Risk(VaR)
Model yang memasukkan kemungkinan
ragam error yang tidak konstan
dinamakan pemodelan heteroskedastisitas
Conditional variance Yt dengan syarat nilai
masa lalu , Yt − 1,Yt − 2,…, mengukur
ketidakpastian deviasi Yt dari
conditional mean –nya E(Yt|Yt − 1,Yt − 2,…)
Volatilitas
• Volatilitas dapat dipandang sebagai
besaran yang mengukur seberapa besar
terjadinya perubahan pada return, yang
akan berakibat langsung pada perilaku
harga saham
•
Pada data finansial sering terjadi
• pengelompokan volatilitas
• Pengelompokan volatilitas (volatility
clustering) merupakan fenomena yang
memperlihatkan adanya autokorelasi yang
signifikan pada kuadrat sisaan.
• Volatilitas yang tinggi cenderung diikuti
•
oleh volatilitas yang tinggi, sedangkan
• volatilitas yang rendah cenderung diikuti
oleh volatilitas yang rendah.
Model ARCH
• ARCH ( Autoregressive Conditional
Heteroskedasticity) diperkenalkan
pertama kali oleh Engle Tahun 1982
• Model ARCH (1)
Z
t
Zˆ
t
a
at t t
2
t
2
0 1at 1
t
Secara umum model ARCH(m) adalah
Z Zˆ a
t
t
t
at t t
t2 0 1 a t2 1 .... m a t2 m
2
,
at ~ N(0,t )
m
i 1
i 1
m 0, α0, αi ≥ 0,
Pengujian Efek ARCH/
GARCH
• Uji Lagrange-Multiplier Engle
Langkah – langkah :
1. Menduga model untuk mean.
Selanjutnya menghitung nilai duga sisaan
dari model aˆ t Z t Zˆ t dan aˆ t2
• Meregresikan kuadrat sisaan ke-t
2
2
2
• terhadap konstanta dan k lag nilaiat 1,at 2,...,at k
sehingga a 2 a 2 .... a 2
t
0
1 t 1
k t k
Nilai k menunjukkan lag maksimum
3. Menghitung nilai TR2 di mana T
menyatakan jumlah observasi dan R2
menyatakan koefisien determinasi pada
langkah ke 2
• Hipotesis untuk menguji ada tidaknya
unsur ARCH-GARCH dalam sisaan mean
model adalah:
• H0: 1 ... k 0
(Tidak terdapat unsur ARCH-GARCH),
•
H1: minimal ada satu q 0
(Terdapat unsur ARCH-GARCH)
2
LM
TR
Statistik uji
2
2
Apabila TR 2 , k maka H0 ditolak yang
mengindikasikan pemodelan
ARCH/GARCH dapat dilakukan
Identifikasi
• Untuk mengetahui lag dalam pemodelan
ARCH, gunakan PACF dari kuadrat sisaan
Pendugaan Parameter ARCH
• Menggunakan Metode Maksimum
Likelihood Estimation
Jika diketahui Z t Zˆ t a t
2
at ~ N(0, a ) dan T banyaknya
pengamatan maka fungsi likelihood untuk
sisaan, yaitu L T 1 exp a t2
t 1
2
2
t
2
2 t
• Fungsi log likelihood untuk L dapat ditulis
sebagai
2
T
T
T
1
ln( L) l ln( 2 )
2
2
1
ln
2
t 1
2
t
at
2
t 1 t
• Tanpa menyertakan konstanta maka
1
l
2
T
1
ln
2
t 1
2
t
2
at
2
t 1 t
T
• Untuk model ARCH(1) yang memiliki
2
2
a
persamaan t
0
1 t 1 maka fungsi
likelihood untuk sisaannya adalah
1
l
2
•
•
T
ln
t 1
0
2
1at 1
1
2
T
at2
2
t 1 ( 0 1at 1 )
Untuk model ARCH(m) , tinggal
disesuaikan
• Untuk mendapatkan penduga parameter,
turunkan fungsi loglikelihood terhadapa
masing – masing parameter dan
disamakan dengan nol
l
1 T
1
2 1
[ 0 1at 1 ]
0
2 t 1
2
n
t 1
at
0
• Gunakan iterasi
2 2
1at 1
n
l
1 T
1
2
2 1
at 1 [ 0 1at 1 ]
1
2 t 1
t 1
2
2
2
at 1 at2
n
t 1
0
0
2 2
1at 1
0
Diagnostik Model
• Uji efek ARCH/ GARCH dalam sisaan
yang dibakukan s ' aˆ t
t
hˆ't
hˆ ' t adalah nilai duga volatilitas ( t2 ) dari
model
Model layak jika tidak ada efek
ARCH/GARCH
• Uji Tidak Ada Autokorelasi Sisaan Yang
Dibakukan Menggunakan Uji Q Ljung Box
• Hipotesis :
H 0 : 1 2 ...k 0
k 0
H1 : paling sedikit ada satu
statistik uji Q
rk2
Q n n 2
k 1 n k
K
• n : banyak pengamatan
• r k : koefisien autokorelasi sisaan pada lag
k, dengan k : 1,2,...K
•
K
: lag maksimum
Peramalan j-Periode
Mendatang
• Peramalan dilakukan secara iteratif
• Peramalan satu periode ke depan
dengan titik peramalan h
• Peramalan dua periode ke depan dengan
•
titik peramalan h
• Peramalan l periode ke depan dengan
titik peramalan h
• Dimana
Contoh
Eni Sumarminingsih, SSi, MM
Pendahuluan
• Model yang dibahas dalam analisis deret
waktu adalah pemodelan tentang
conditional mean.
• Di Bidang finansial, pemodelan conditional
variance juga penting.
• Sebagian besar data time series di
• bidang finansial tidak memiliki ragam
yang konstan
• Sebagai contoh, return harian dari saham
akan sangat bervariasi saat situasi
sedang tidak baik dibanding saat situasi
sedang stabil.
• Sehingga ragam pada saat situasi sedang
tidak baik lebih besar daripada saat
situasi sedang stabil
• Penelitian tentang volatilitas(ragam) pasar
sangat menarik bagi peneliti dan investor
• Dalam finansial , conditional variance dari
return aset finansial digunakan sebagai
ukuran resiko aset tersebut
•
Conditional variance juga digunakan
• dalam perhitungan pricing aset finansial
dan perhitungan Value at Risk(VaR)
Model yang memasukkan kemungkinan
ragam error yang tidak konstan
dinamakan pemodelan heteroskedastisitas
Conditional variance Yt dengan syarat nilai
masa lalu , Yt − 1,Yt − 2,…, mengukur
ketidakpastian deviasi Yt dari
conditional mean –nya E(Yt|Yt − 1,Yt − 2,…)
Volatilitas
• Volatilitas dapat dipandang sebagai
besaran yang mengukur seberapa besar
terjadinya perubahan pada return, yang
akan berakibat langsung pada perilaku
harga saham
•
Pada data finansial sering terjadi
• pengelompokan volatilitas
• Pengelompokan volatilitas (volatility
clustering) merupakan fenomena yang
memperlihatkan adanya autokorelasi yang
signifikan pada kuadrat sisaan.
• Volatilitas yang tinggi cenderung diikuti
•
oleh volatilitas yang tinggi, sedangkan
• volatilitas yang rendah cenderung diikuti
oleh volatilitas yang rendah.
Model ARCH
• ARCH ( Autoregressive Conditional
Heteroskedasticity) diperkenalkan
pertama kali oleh Engle Tahun 1982
• Model ARCH (1)
Z
t
Zˆ
t
a
at t t
2
t
2
0 1at 1
t
Secara umum model ARCH(m) adalah
Z Zˆ a
t
t
t
at t t
t2 0 1 a t2 1 .... m a t2 m
2
,
at ~ N(0,t )
m
i 1
i 1
m 0, α0, αi ≥ 0,
Pengujian Efek ARCH/
GARCH
• Uji Lagrange-Multiplier Engle
Langkah – langkah :
1. Menduga model untuk mean.
Selanjutnya menghitung nilai duga sisaan
dari model aˆ t Z t Zˆ t dan aˆ t2
• Meregresikan kuadrat sisaan ke-t
2
2
2
• terhadap konstanta dan k lag nilaiat 1,at 2,...,at k
sehingga a 2 a 2 .... a 2
t
0
1 t 1
k t k
Nilai k menunjukkan lag maksimum
3. Menghitung nilai TR2 di mana T
menyatakan jumlah observasi dan R2
menyatakan koefisien determinasi pada
langkah ke 2
• Hipotesis untuk menguji ada tidaknya
unsur ARCH-GARCH dalam sisaan mean
model adalah:
• H0: 1 ... k 0
(Tidak terdapat unsur ARCH-GARCH),
•
H1: minimal ada satu q 0
(Terdapat unsur ARCH-GARCH)
2
LM
TR
Statistik uji
2
2
Apabila TR 2 , k maka H0 ditolak yang
mengindikasikan pemodelan
ARCH/GARCH dapat dilakukan
Identifikasi
• Untuk mengetahui lag dalam pemodelan
ARCH, gunakan PACF dari kuadrat sisaan
Pendugaan Parameter ARCH
• Menggunakan Metode Maksimum
Likelihood Estimation
Jika diketahui Z t Zˆ t a t
2
at ~ N(0, a ) dan T banyaknya
pengamatan maka fungsi likelihood untuk
sisaan, yaitu L T 1 exp a t2
t 1
2
2
t
2
2 t
• Fungsi log likelihood untuk L dapat ditulis
sebagai
2
T
T
T
1
ln( L) l ln( 2 )
2
2
1
ln
2
t 1
2
t
at
2
t 1 t
• Tanpa menyertakan konstanta maka
1
l
2
T
1
ln
2
t 1
2
t
2
at
2
t 1 t
T
• Untuk model ARCH(1) yang memiliki
2
2
a
persamaan t
0
1 t 1 maka fungsi
likelihood untuk sisaannya adalah
1
l
2
•
•
T
ln
t 1
0
2
1at 1
1
2
T
at2
2
t 1 ( 0 1at 1 )
Untuk model ARCH(m) , tinggal
disesuaikan
• Untuk mendapatkan penduga parameter,
turunkan fungsi loglikelihood terhadapa
masing – masing parameter dan
disamakan dengan nol
l
1 T
1
2 1
[ 0 1at 1 ]
0
2 t 1
2
n
t 1
at
0
• Gunakan iterasi
2 2
1at 1
n
l
1 T
1
2
2 1
at 1 [ 0 1at 1 ]
1
2 t 1
t 1
2
2
2
at 1 at2
n
t 1
0
0
2 2
1at 1
0
Diagnostik Model
• Uji efek ARCH/ GARCH dalam sisaan
yang dibakukan s ' aˆ t
t
hˆ't
hˆ ' t adalah nilai duga volatilitas ( t2 ) dari
model
Model layak jika tidak ada efek
ARCH/GARCH
• Uji Tidak Ada Autokorelasi Sisaan Yang
Dibakukan Menggunakan Uji Q Ljung Box
• Hipotesis :
H 0 : 1 2 ...k 0
k 0
H1 : paling sedikit ada satu
statistik uji Q
rk2
Q n n 2
k 1 n k
K
• n : banyak pengamatan
• r k : koefisien autokorelasi sisaan pada lag
k, dengan k : 1,2,...K
•
K
: lag maksimum
Peramalan j-Periode
Mendatang
• Peramalan dilakukan secara iteratif
• Peramalan satu periode ke depan
dengan titik peramalan h
• Peramalan dua periode ke depan dengan
•
titik peramalan h
• Peramalan l periode ke depan dengan
titik peramalan h
• Dimana
Contoh