konsep dan pemodelan arch/garch
DESCRIPTION
Pertemuan 6. KONSEP DAN PEMODELAN ARCH/GARCH. Oleh : FITRI KARTIASIH, S.ST, S.E, M.Si. Pengantar. Data deret waktu , terutama data keuangan seringkali memiliki volatilitas yang tinggi . - PowerPoint PPT PresentationTRANSCRIPT
KONSEP DAN PEMODELAN ARCH/GARCH
Oleh:FITRI KARTIASIH, S.ST,
S.E, M.Si
Pertemuan 6
PengantarData deret waktu, terutama data keuangan
seringkali memiliki volatilitas yang tinggi.Volatilitas mengacu pada kondisi yang
berkonotasi tidak stabil, cenderung bervariasi dan sulit diperkirakan.
Implikasi data yang bervolatilitas tinggi adalah variance dari error tidak konstan (mengalami heterokedastisitas)
ARCH dan GARCH adalah dua model estimasi untuk perilaku data dengan volatilitas tinggi
Kenapa menggunakan ARCH/GARCH
Metode OLS harus memenuhi Asumsi Teorema gauss Markov (asumsi klasik).OLS akan menghasilkan estimator yang BLUE (Best linear Unbiased estimator) jika memenuhi kriteria teretentu, al:- Normalitas- Tidak mengandung autokorelasi- Tidak mengandung multikolinear- HomoskedastisitasSementara itu banyak fenomena ekonomi dengan sendirinya mengandung heteroskedastisitas, ex: return pasar modal, inflasi, tingkat suku bunga, dll.
“high risk high return” -kelompok perusahaan risk rendah >> return
rendah --kelompok perusahaan risk tinggi >> return
tinggi Hal ini yang menyebabkan variannya tidak
konstan. Jika diestimasi menggunakan OLS >> syarat:
homos. Jika dipaksa homos maka informasi2 tentang return tinggi /rendah akan hilang
Jadi dicari model yang bisa mengakomodasi masalah heteros >>>> ARCH/GARCH
Volatilitas / Fluktuasi
0.005
0.010
0.015
0.020
0.025
500 1000 1500 2000
Pada model ARCH/GARCH, ada suatu periode dimana volatilitasnya sangat tinggi dan ada volatilitasnya sangat rendah.
Pola volatilitas ini menunjukkan adanya heteroskedas karena terdapat varian error yang besarnya tergantung pada volatilitas error masa lalu
Adakalanya varian error tidak hanya tergantung pada variabel bebasnya saja melainkan varian tsb berubah-ubah seiring dengan perubahan waktu
Model ARCH Engle (1982) mengembangkan model dimana rata-rata dan
varians suatu data deret waktu dimodelkan secara simultan. Model tersebut dikenal dengan model autoregressive conditional
heteroscedasticity (ARCH). Model ARCH(p) dinyatakan sebagai:
Persamaan kedua menunjukkan varians residual (σ2t) memiliki dua unsur: konstanta (0) dan kuadrat residual periode lalu (e2
t-p). Persamaan pertama model linear, persamaan kedua model non-
linear, sehingga metode OLS tidak bisa untuk estimasi model. Hanya bisa diestimasi dengan metode ML (Maximum Likelihood) Melalui metode ML didapatkan estimator yg lebih efisien
dibandingkan dgn estimator OLS.
)var(...
)/(2
22
212
102
10
ianspersamaaneee
regresirataratapersamaaneXY
ptpttt
ttt
Model GARCH Bollerslev (1986) mengembangkan model ARCH dgn
memasukkan unsur residual periode lalu dan varians residual. Dikenal sebagai model Generalized Autoregressive
Conditional Heteroscedasticity (GARCH). Model GARCH(p,q) dinyatakan sebagai:
Persamaan tsb menunjukkan varians residual (σ2t) tidak hanya
dipengaruhi oleh kuadrat residual periode yang lalu (e2t-p),
tetapi juga oleh varians residual periode yang lalu (σ2t-q).
Model GARCH seperti model ARCH, juga diestimasi menggunakan metode Maximum Likelihood (ML).
qtqtptptt
ttt
ee
regresirataratapersamaaneXY
2
12
12
12
102
10
......
)/(
Beberapa Variasi ARCH/GARCH GJR-GARCH STARCH AARCH MARCH SWARCH SNPARCH APARCH TAYLOR-SCHWERT Model Component
ARCH
FIGARCH FIEGARCH Component SQGARCH CESGARCH Student t GED SPARCH
Engle(1982) ARCH Model
GARCH (Bollerslev(1986))
Nelsons’ EGARCH model
Non-linear ARCH model NARCH
Threshold ARCH (TARCH)
ARCH in MEAN/GARCH-M
IGARCHFACTOR ARCH
Asymmetric Component
ARCH in Mean (ARCH-M) Residual yang memiliki volatilitas tinggi
seringkali memengaruhi dependent variable, sehingga residual yang tidak konstan itu menjadi salah satu independent variable dalam persamaan regresi.
Jika varians residual dimasukkan dalam persamaan regresi, maka modelnya disebut ARCH in mean (ARCH-M), dapat dituliskan sebagai:
)2(......
)/(2
12
12
12
102
2210
persamaanee
regresirataratapersamaaneXY
qtqtptptt
tttt
Dengan memodifikasi unsur ARCH(p) dan unsur GARCH(q) pada persamaaan (2), maka ARCH-M memiliki beberapa variasi model:
1. ARCH-M dengan unsur ARCH(p) dan unsur GARCH(q)
2. ARCH-M dengan unsur ARCH(p) 3. ARCH-M dengan unsur GARCH(q)
Treshold ARCH (TARCH) Kadangkala besaran varian errot diduga tidak
hanya tergantung pada , tetapi juga pada salah satu regresor (variabel independent)
Jika variabel dependent tsb merupakan dummy variabel pada waktu lalu dengan lag 1 (), maka model TARCH dituliskan sbg:
Secara umum dapat dituliskan sebagai:11
21
211
210
2 ttttt dee
)var.(......
)/(
1122
12
12
12
102
10
ianpersdeee
regresirataratapersamaaneXY
ttqtqtptptt
ttt
Tahapan Estimasi Model ARCH dan GARCH1. Identifikasi efek ARCH
Regresikan model secara OLS Uji asumsi klasik terutama homoskedastisitas Jika heteros, lakukan transformasi Jika setelah transformasi, varian error masih heteros
maka deteksi apakah terdapat efek ARCH pada residual (errornya)
Dua cara umum menguji efek ARCH: (1) Pola residual kuadrat melalui korelogram; (2) Uji ARCH-LM
2. Estimasi Model Estimasi dan simulasikan beberapa model persamaan
varians berdasarkan persamaan rata-rata yang telah dibentuk
Pilih model terbaik dgn memperhatikan signifikansi parameter estimasi, Log Likelihood serta kriteria AIC dan SIC terkecil.
3. Evaluasi Model Beberapa pengujian: (1) normalitas error; (2)
keacakan residual; dan (3) efek ARCH 4. Peramalan
Lakukan peramalan dengan menggunakan model terbaik
Evaluasi kesalahan peramalan: Root Mean Squares Error (RMSE), Mean Absolute Error (MAE) atau Mean Absolute Percentage Error (MAPE)