Khreshna Syuhada
Catatan Kuliah
Analisis Deret Waktu Keuangan
1
Khreshna Syuhada
Bab 1: Return dan Sifat-sifat Return
2
Misalkan πππ‘π‘ menyatakan harga aset pada waktu π‘π‘. Return atau imbal hasil didefinisikan sebagai β’ β’
π
π
π‘π‘ = (πππ‘π‘ β πππ‘π‘β1 )/πππ‘π‘β1 , yang disebut return sederhana, atau π
π
π‘π‘ = ln πππ‘π‘ β ln πππ‘π‘β1 , return majemuk,
dimana keduanya dapat ditunjukkan βsamaβ. Apa yang dapat anda katakan tentang return yang didefinisikan sebagai π
π
π‘π‘ = πππ‘π‘ β πππ‘π‘β1 ? π
π
π‘π‘ = πππ‘π‘ /πππ‘π‘β1 ? Return memiliki sifat-sifat empiris (empirical facts) antara lain (Cont, 2001; Engle dan Patton, 2001): β’
β’
Return tidak berautokorelasi; return kuadrat dan return absolut berautokorelasi Untuk menguji sifat ada/tidak ada autokorelasi, dapat digunakan statistik uji Box-Pierce (BP) atau Box-Ljung (BL) atau yang lain dengan mengikuti prosedur standar uji hipotesis. - π»π»0 : Return tidak berautokorelasi; π»π»1 : π»π»0 salah - πΌπΌ - Statistik Uji: BP, BL - Daerah kritis; p-value - Kesimpulan Distribusi return adalah distribusi ekor tebal (heavy-tailed distribution) Beberapa distribusi ekor tebal antara lain distribusi Studentβs π‘π‘ dan generalized error distribution (GED) (Liesenfeld dan Jung, 2000). Kenormalan distribusi return dapat diuji dengan normal probability plot (NPP) atau stastistik uji lain seperti Andersen-Darling.
Misalkan π
π
π‘π‘ return aset pada waktu π‘π‘. Distribusi (tak bersyarat) π
π
π‘π‘ , distribusi bersyarat π
π
π‘π‘ |π
π
π‘π‘β1 dan distribusi bersama/bivariat (π
π
π‘π‘ , π
π
π‘π‘β1 ) merupakan kajian yang menarik. Telah kita kenal/ketahui sebelumnya tentang β’ β’ β’
πΉπΉπ
π
π‘π‘ ,
πΉπΉπ
π
π‘π‘ |π
π
π‘π‘β1 ,
πΉπΉπ
π
π‘π‘ ,π
π
π‘π‘β1 = πΆπΆ(πΉπΉπ
π
π‘π‘ , πΉπΉπ
π
π‘π‘β1 ), yang disebut Copula
Sifat momen (pusat) yang penting dari return adalah
ππ
πΈπΈοΏ½π
π
π‘π‘ β πππ
π
π‘π‘ οΏ½ ,
dimana momen pusat pertama bernilai nol. Momen pusat kedua, ketiga dan keempat berkaitan dengan variansi, kemencengan (skewness) dan kelancipan (kurtosis).
Khreshna Syuhada
Bab 2: Model Deret Waktu Linier
3
Misalkan π
π
π‘π‘ return. Proses stokastik {π
π
π‘π‘ } adalah barisan return acak dengan distribusi peluang ditentukan oleh vektor parameter ππ. Model stokastik untuk return adalah π
π
π‘π‘ = πππ‘π‘ πππ‘π‘ ,
dimana πππ‘π‘ menyatakan volatilitas (volatility atau variansi bersyarat) dan {πππ‘π‘ } adalah proses white noise berdistribusi normal baku. Diasumsikan πππ‘π‘ dan πππ‘π‘ saling bebas. β’
β’
2 πππ‘π‘2 = πΌπΌ0 + πΌπΌ1 π
π
π‘π‘β1 - model Autoregressive Conditional Heterscedastic orde satu atau ARCH(1) - fungsi volatilitas terobservasi - distribusi π
π
π‘π‘ |π
π
π‘π‘β1 dapat ditentukan - memiliki bentuk fungsi likelihood eksplisit 2 ln πππ‘π‘2 = πΎπΎ + πΏπΏ ln πππ‘π‘β1 + πππ‘π‘ - model Stochastic Volatility atau SV - fungsi volatilitas bersifat laten (latent atau tidak terobservasi) - tidak ada distribusi bersyarat π
π
π‘π‘ , diberikan observasi/informasi sebelumnya - tidak memiliki bentuk eksplisit untuk fungsi likelihood
Kedua model stokastik diatas adalah model/proses dengan sifat heteroscedastic, yaitu variansi berubah sejalan dengan waktu (time-varying volatility).
Model stokastik untuk return yang bersifat homoscedastic adalah model Autoregressive atau AR. Model AR(1) didefiniskan sebagai berikut: π
π
π‘π‘ = ππ0 + ππ1 π
π
π‘π‘β1 + πππ‘π‘ ,
dimana πππ‘π‘ βΌ ππ(0, ππ 2 ). Diasumsikan bahwa πππ‘π‘ dan π
π
π‘π‘β1 saling bebas. Sifat-sifat distribusi dan momen untuk model AR(1) adalah β’ β’ β’ β’
π
π
π‘π‘ βΌ β― π
π
π‘π‘ |π
π
π‘π‘β1 βΌ β― πΈπΈοΏ½π
π
π‘π‘ππ οΏ½ = β―
πΈπΈοΏ½π
π
π‘π‘ππ οΏ½π
π
π‘π‘β1 οΏ½ = β―
Catatan: Distribusi tak bersyarat dari π
π
π‘π‘ sering dikatakan sebagai distribusi stasioner dari π
π
π‘π‘ . Kestasioneran merupakan sifat penting dari deret waktu.
Khreshna Syuhada
Kestasioneran (stationarity)
4
Terdapat 2 jenis kestasioneran: 1) stasioner kuat (strictly stationary), 2) stasioner lemah (weakly stationary). Deret waktu {π
π
π‘π‘ } dikatakan stasioner kuat jika distribusi bersama dari (π
π
π‘π‘1 , β¦ , π
π
π‘π‘ππ )
identik dengan distribusi bersama dari (π
π
π‘π‘1 +π‘π‘ , β¦ , π
π
π‘π‘ππ +π‘π‘ ) untuk semua π‘π‘, dimana ππ sebarang integer positif dan (π‘π‘1 , β¦ , π‘π‘ππ ) koleksi dari ππ integer positif. Sedangkan stasioner lemah akan dipenuhi oleh deret waktu {π
π
π‘π‘ } apabila πΈπΈ(π
π
π‘π‘ ) dan πΆπΆπΆπΆπΆπΆ(π
π
π‘π‘ , π
π
π‘π‘βππ ) tidak berubah menurut waktu (time-invariant), dimana ππ sebarang integer. Jika{π
π
π‘π‘ } bersifat stasioner kuat dan dua momen pertamanya hingga maka {π
π
π‘π‘ } bersifat stasioner lemah (namun tidak berlaku sebaliknya). Kestasioneran lemah sering juga disebut second-order stationary atau covariance stationary. Sebagai ilustrasi untuk melihat kestasioneran deret waktu, pandang model AR(1): π
π
π‘π‘ = ππ1 π
π
π‘π‘β1 + πππ‘π‘
atau sering disebut a zero-mean Gaussian AR(1) model. Model tersebut akan memiliki kestasioneran lemah jika |ππ1 | < 1 (Buktikan!). Untuk model AR(2): π
π
π‘π‘ = ππ1 π
π
π‘π‘β1 + ππ2 π
π
π‘π‘β2 + πππ‘π‘ ,
kestasioneran lemah akan dipenuhi jika ππ1 , ππ2 β¦ (Buktikan!)
Proses AR(ππ), untuk ππ = 1 misalnya, dapat dibangkitkan dengan kode berikut function AR(a1,sigma);
% this function generate AR(1) process R(t) = a1*R(t-1) + epsilon(t); where epsilon(t) ~ N(0,sigma^2) % created by K Syuhada
Demikian pula halnya dengan proses AR(2) dst. Catatan: Proses AR(1) yang kita bahas adalah proses dengan bentuk forward representation. Kita dapat memiliki backward representation π
π
π‘π‘ = ππ1 π
π
π‘π‘+1 + πππ‘π‘
apabila proses AR(1) memiliki galat berdistribusi normal. Jika dipunyai data riil, kita dapat menentukan apakah data tersebut mengikuti proses AR(1) atau AR(2) dengan melihat fungsi autokorelasi parsial (partial autocorrelation function β PACF). Perhatikan juga kriteria AIC dan BIC.
Khreshna Syuhada
5
Fungsi autokorelasi untuk proses AR(1) adalah
dengan perilaku sbb... β’ β’
ππ(ππ) = β―,
Bagaimana pengaruh ππ1 (positif atau negatif) terhadap perilaku fungsi autokorelasi? Lakukan hal diatas untuk proses AR(2)!
Contoh 2.1 (hal. 38). Pandang data laju pertumbuhan setiap kuartal dari GNP di Amerika Serikat dari tahun 1974-1991. Model yang dibangun adalah AR(3): π
π
π‘π‘ = 0.0047 + 0.35 π
π
π‘π‘β1 + 0.18 π
π
π‘π‘β2 β 0.14 π
π
π‘π‘β3 + πππ‘π‘ ,
dan πποΏ½ππ = 0.0098. Persamaan beda orde tiga (third-order difference equation) yang berkorespondensi adalah...
Prediksi (prediction, forecasting) Prediktor terbaik adalah mean (bersyarat). Untuk proses AR(1) dengan mean nol, prediktornya adalah
dimana πποΏ½1 penaksir untuk ππ1 .
πποΏ½ππ+1 = πΈπΈ(ππππ+1 |ππππ ) = πποΏ½1 ππππ ,
Tugas
Khreshna Syuhada
6
1. Jenis return; return sederhana = log return; plot harga dan return; distribusi ekor tebal (termasuk uji kenormalan); uji autokorelasi; tima-varying volatility, skewness and kurtosis; 2. Generating data from AR(1) process; plot kestasioneran; orde proses AR untuk data riil; syarat kestasioneran untuk AR(ππ);