perpustakaan.uns.ac.id
digilib.uns.ac.id
i
PERBANDINGAN PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL GARCH DAN MODEL EWMA PADA SAHAM BRI, TBK TAHUN 2004-2008
oleh ARIADNE MONASARI RAJAGUKGUK M0106030
SKRIPSI ditulisdan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2012
commit to user i
perpustakaan.uns.ac.id
digilib.uns.ac.id
ii
commit to user ii
perpustakaan.uns.ac.id
digilib.uns.ac.id
iii
ABSTRAK
Ariadne Monasari Rajagukguk,2012. PERBANDINGANPERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL GARCH DAN MODEL EWMA PADA SAHAM BRI, TBK TAHUN 2004-2008.Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret.
Value at Risk (VaR) adalah kerugian maksimum yang akan didapat selama periode waktu tertentu dalam kondisi pasar normal pada tingkat kepercayaan tertentu. Nilai ini dapat digunakan untuk mengestimasi ukuran risiko. Pemodelan volatilitas sebaiknya dilakukan terlebih dahulu sebelum menghitung VaR. Dalam penelitian ini, dibandingkan nilai VaR data saham dengan volatilitas model GARCH dan model EWMA. Metode penelitian yang digunakan adalah studi literatur mengenai perhitungan VaR menggunakan model GARCH dan model EWMA. Kedua model tersebut diterapkan pada data saham BRI untuk selanjutnya digunakan dalam perhitungan VaR. Berdasarkan hasil penelitian disimpulkan bahwa model yang sesuai untuk kasus data harga saham BRI yaitu model ARMA(2,1)-GARCH(1,1) dan model EWMA dengan paramater 0,95. Dengan interval konfidensi 95%VaR dengan estimasi volatilitas EWMA lebih besar dibandingkan dengan model GARCH.
Kata kunci : Value at Risk, GARCH, EWMA, volatilitas, data saham
commit to user iii
perpustakaan.uns.ac.id
digilib.uns.ac.id
iv
ABSTRACT
Ariadne Monasari Rajagukguk,2012. COMPARISON OF VALUE AT RISK CALCULATION USING GARCH MODEL AND EWMA MODEL IN BRI STOCK, TBK DURING 2004 TO 2008.Faculty of Mathematics and Natural Sciences, Sebelas Maret University.
Value at Risk (VaR) is the maximum loss that will be obtained during certain time periods in normal market conditions at a certain confidence level. It can be used to estimate risk measure. Volatility modeling should be done first before calculating VaR. In this study, we compare the VaR of stock dataestimated by volatility of GARCH model and EWMA model. The method used isliterature study on the VaR calculation using GARCH model and EWMA model. Both of the models are applied to the stock data of BRIand they are then used in the calculation of VaR. Based on the discussion it can be concluded the appropriate models for the case of BRI stock price data are ARMA (2,1)-GARCH (1,1) model and EWMA model with parameter λ = 0.95. In 95% confidence interval, VaRestimated by EWMA model is greater than GARCH model.
Kata kunci : Value at Risk, GARCH, EWMA, volatility, stock data
commit to user iv
perpustakaan.uns.ac.id
digilib.uns.ac.id
v
MOTO
“Janganlah hendaknya kamu kuatir tentang apapun juga, tetapi nyatakanlah dalam segala hal keinginanmu kepada Allah dalam doa dan permohonan dengan ucapan syukur.” (Filipi 4:6)
commit to user v
perpustakaan.uns.ac.id
digilib.uns.ac.id
vi
PERSEMBAHAN
Karya ini kupersembahkan untuk Papa dan Mama tercinta atas doa dan semua pengorbanan yang diberikan. Kedua kakakku tersayang Kak Ima dan Kak Sondang, terima kasihatas kasih sayang, bantuan, dan dukungan semangatnya.
commit to user vi
perpustakaan.uns.ac.id
digilib.uns.ac.id
vii
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala berkat, pimpinan, dan pertolongan-Nya sehingga penulis dapat menyelesaikan skripsi ini dengan baik. Terwujudnya skripsi ini berkat dorongan dan bimbingan dari berbagai pihak untuk itu penulis tidak lupa mengucapkan terima kasih kepada 1. Winita Sulandari, M.Si dan Drs.Siswanto, M.Si, selaku Pembimbing I dan Pembimbing II atas segala ketulusan dan kesabarannya dalam membimbing, mengarahkan, memberi saran, dan memotivasipenulis dalam menyusun skripsi ini 2. Kedua orang tua dan kedua kakakku tersayang, atas semua kasih sayang, doa, serta semangat yang telah diberikan sehingga penulis selalu termotivasi 3. Anita,Endah, Ivone, Siska dan rekan-rekan angkatan 2006 atas dukungan semangat yang diberikan kepada penulis. 4. Semua pihak yang telah membantu kelancaran penulisan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi pembaca dan semua pihak yang berkepentingan.
Surakarta,Mei 2012
Penulis
commit to user vii
perpustakaan.uns.ac.id
digilib.uns.ac.id
viii
DAFTAR ISI
HALAMAN JUDUL ...........................................................................................
i
HALAMAN PENGESAHAN................................................................................
ii
ABSTRAK.........................................................................................................
iii
ABSTRACT........................................................................................................
iv
MOTO...............................................................................................................
v
PERSEMBAHAN .............................................................................................
vi
KATA PENGANTAR.......................................................................................
vii
DAFTAR ISI..........................................................................................................
viii
DAFTAR NOTASI DAN SIMBOL......................................................................
x
DAFTAR GAMBAR.............................................................................................
xi
DAFTAR TABEL..................................................................................................
xii
BAB I PENDAHULUAN
1
1.1 Latar Belakang Masalah.......................................................................
1
1.2 Perumusan Masalah...................................................................................
2
1.3 Tujuan Penelitian....................................................................................
2
1.4 Manfaat Penelitian....................................................................................
3 4
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka.................................................................................
4
2.1.1 Return........................................................................................
4
2.1.2 Risiko.......................................................................................
4
2.1.3 Volatilitas.......................................................................................
5
2.1.4 Model Runtun Waktu Stasioner.....................................................
6
2.2 Kerangka Pemikiran.............................................................................
11
BAB III METODE PENELITIAN
13
BAB IV PEMBAHASAN
15
4.1 Model Runtun Waktu dengan Heteroskedastisitas Bersyarat...............
15
4.1.1 Model ARCH dan GARCH........................................................
15
4.1.2 Estimasi Parameter...............................................................
17
4.1.3 Pemilihan Model Terbaik.....................................................
21
commit to user viii
perpustakaan.uns.ac.id
digilib.uns.ac.id
ix 4.1.4 Exponentially Weighted Moving Average (EWMA)............. 4.2 Value at Risk (VaR) pada Analisis Keuangan....................................
24
4.2.1 Pengertian VaR..........................................................................
24
4.2.2 Uji Normalitas........................................................................
26
4.3 VaR Data Saham BRI.........................................................................
BAB V
21
26
4.3.1 Deskripsi Data......................................................................
26
4.3.2 Log Return.............................................................................
27
4.3.3 Pembentukan Model Stasioner...............................................
28
4.3.4 Pembentukan Model Heteroskedastisitas..............................
33
4.3.5 Pemeriksaan Diagnostik Model GARCH(1,1).......................
34
4.3.6 Peramalan Volatilitas dengan Model GARCH.......................
35
4.3.7 Peramalan Volatilitas dengan Model EWMA............................
36
4.3.8 Perhitungan VaR........................................................................
36
PENUTUP
39
5.1. Kesimpulan ............................................................................................
39
5.2. Saran........................................................................................................
39 40
DAFTAR PUSTAKA
commit to user ix
perpustakaan.uns.ac.id
digilib.uns.ac.id
x
DAFTAR NOTASI DAN SIMBOL
: data saham pada waktu ke-t : harga harapan : autokovariansi pada lag k : autokorelasi pada lagk : autokorelasi parsial antara
dan
: operator Backhift : parameter autoregresif : parameter rata-rata bergerak : estimasi parameter autoregresif : estimasi parameter rata-rata bergerak : order parameter autoregresif : order parameter rata-rata bergerak : jumlah kuadrat eror : koefisien determinasi : eror model rata-rata bersyarat pada waktu t : parameter ARCH dan GARCH : parameter GARCH : order parameter ARCH dan GARCH : order parameter GARCH : himpunan semua informasi untuk dari waktu lampau sampai dengan waktu t Θ
: vektor parameter model regresi linear GARCH : vektor parameter model GARCH
H
: matriks Hessian : fungsi densitas probabilitas : fungsi log likelihooduntukobservasike-t : decay factor
commit to user x
perpustakaan.uns.ac.id
digilib.uns.ac.id
xi
DAFTAR GAMBAR Gambar 4.1
Harga saham BRI periode 6 Januari 2004 sampai 8 Mei 2008..................................................................27
Gambar 4.2
Fungsi autokorelasi data harga saham BRI............................27
Gambar 4.3
Plot log return BRI.................................................................28
Gambar 4.4
Fungsi autokorelasi log return BRI........................................29
Gambar 4.5
Fungsi autokorelasi parsial log return BRI............................29
Gambar 4.6
Erormodel ARMA(2,1)..........................................................31
Gambar 4.7
Fungsi autokorelasi kuadrat eror model ARMA(2,1)..............32
Gambar 4.8
Fungsi autokorelasi parsial kuadrat eror model ARMA(2,1)..............................................32
Gambar 4.9
Histogram data return............................................................37
commit to user xi
perpustakaan.uns.ac.id
digilib.uns.ac.id
xii
DAFTAR TABEL Tabel 2.1
Sifat-sifat teoritis fungsi autokorelasi dan fungsi autokorelasi parsial untuk proses-proses stasioner....................
Tabel 4.1
9
Hasil estimasi model ARMA(2,1) dengan konstanta data log return...........................................................................
29
Tabel 4.2
Uji breusch-godfrey eror ARMA(2,1)........................................
30
Tabel 4.3
Hasil estimasi model ARCH dan GARCH................................
33
Tabel 4.4
Hasil estimasi model rata-rata bersyarat dan heteroskedastisitas bersyarat secara bersama......................
34
Tabel 4.5
Nilai RMSE dengan nilai λ 0,90-0,99........................................
36
Tabel 4.6
Hasil perhitungan cornish fisher expansion..............................
37
Tabel 4.7
Hasil perhitungan VaR model ARMA(2,1)-GARCH(1,1)..........
38
Tabel 4.8
Hasil perhitungan VaR model EWMA.......................................
38
commit to user xii
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan penempatan sejumlah dana pada saat ini dengan harapan untuk memperoleh keuntungan di masa mendatang. Menurut Halim (2003), investasi dibagi menjadi dua, yaitu investasi pada aset keuangan dan investasi pada aset riil. Investasi pada aset keuangan dilakukan di pasar uang, misalnya berupa sertifikat deposito, commercial paper, surat berharga pasar uang, dan lainnya atau dilakukan di pasar modal, misalnya berupa saham, obligasi, waran, opsi dan lainnya. Sedangkan investasi pada aset riildiwujudkan dalam bentuk pembelian aset produktif, pendirian pabrik, pembukaan pertambangan, pembukaan perkebunan dan lainnya. Dengan adanya prinsip pasar bebas, investasi dalam bentuk kepemilikan aset keuangan mulai diminati oleh masyarakat di Indonesia. Saham adalah aset keuangan yang paling populer. Investasi pada saham menawarkan tingkat pertumbuhan keuntungan yang cepat dengan risiko yang sebanding. Investor selalu dihadapkan pada investasi yang berisiko, oleh karena itu pilihan investasi tidak dapat hanya mengandalkan pada tingkat keuntungan yang diharapkan tetapi juga tingkat kerugian yang mungkin akan terjadi. Untuk memperoleh tingkat return yang tinggi, maka investor harus berani menanggung risiko yang tinggi juga. Dengan demikian, diperlukan alat untuk mengukur risiko pasar agar dapat diketahui sejauh mana investor dapat dengan aman berinvestasi. Value at Risk (VaR) dapat digunakan untuk mengestimasi risiko pasar yaitu estimasi kerugian maksimum yang akan didapat selama periode waktu tertentu dalam kondisi pasar normal pada tingkat kepercayaan tertentu (Tsay, 2002). Model volatilitas merupakan komponen pembentuk dalam perhitungan VaR. Oleh karena itu, sebelum melakukan perhitungan VaR perlu dilakukan pemodelan volatilitas. Volatilitas digunakan sebagai ukuran untuk melihat seberapa besar dan seringnya perubahan atau fluktuasi yang terjadi pada indikator-indikator ekonomi. Volatilitas dari suatu data runtun waktu dapat bersifat homoskedastik atau
commit to user 1
perpustakaan.uns.ac.id
digilib.uns.ac.id
2 mempunyai nilai volatilitas yang konstan maupun bersifat heteroskedastik yang berarti mempunyai nilai volatilitas yang berubah-ubah. Data runtun waktu pada analisis keuangan biasanya memiliki ragam pengembalian harga saham yang tidak konstan di setiap titik waktunya. Demikian halnya dengan data harga saham Bank Rakyat Indonesia, Tbk yang digunakan dalam penelitian ini. Kondisi data seperti ini disebut heteroskedastisitas bersyarat. Dalam hal ini, model runtun waktu dengan asumsi variansi sesatan tidak konstan (heteroskedastik) dapat diterapkan pada pemodelan volatilitas tersebut. Menurut Bollerslev (1986), data runtun waktu yang mengandung unsur heteroskedastisitas dapat dimodelkan dengan model generalized autoregressive conditional heretoscedasticity(GARCH). Sementara Morgan (1996) menjelaskan model exponentially weighted moving average(EWMA)dapat memodelkan data runtun waktu yang memiliki unsur heteroskedastisitas.Oleh karena itu, penulis tertarik menggunakan model GARCH dan model EWMA untuk menghitung besarnya volatilitas padadata saham.Selanjutnya estimasi volatilitas yang diperoleh menggunakan kedua model tersebut digunakan untuk perhitungan VaR.
1.2 Perumusan Masalah Dari uraian latar belakang di atas, dapat dirumuskan masalah 1. bagaimana memodelkan data saham dengan menggunakan modelGARCH dan modelEWMA, 2. bagaimana perbandingan nilai VaRmenggunakan estimasi volatiltas model GARCH dan model EWMApada data saham BRI, Tbk.
1.3 Tujuan Penelitian Tujuan yang hendak dicapai dalam penelitian ini adalah 1. untuk memodelkan data saham dengan menggunakan modelGARCH dan modelEWMA, 2. untuk mengetahui perbandingan nilai VaR menggunakan estimasi volatiltas model GARCH dan model EWMA pada data saham BRI, Tbk.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
3
1.4 Manfaat Penelitian Penelitian ini diharapkan dapat bermanfaat untuk menambah wawasan mengenai pemodelan statistik pada permasalahan ekonomi, khususnya mengenai perhitungan ValueatRisk (pengukuran risiko) dengan volatilitas model GARCH dan model EWMA.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB II LANDASAN TEORI
2.1 Tinjauan Pustaka Untuk mencapai tujuan penulisan skripsi, diperlukan pengertian dan teori yang relevan dengan pembahasan yang dilakukan. Oleh karena itu pada subbab ini disajikan beberapa teori yang mendukung meliputi return, volatilitas, model ARMA, fungsi autokorelasi dan fungsi autokorelasi parsial.
2.1.1 Return Return dari suatu aset adalah tingkat pengembalian atau hasil yang diperoleh akibat melakukan investasi(Halim,2003).Sebagian besar studi mengenai ekonomi dan keuangan lebih menitikberatkan pada return daripada nilai sebenarnya dari suatu data keuangan.Alasan penggunaan return adalah mudah dipakai dibanding nilai sebenarnya karena bentuknya yang memiliki sifat statistik yang baik (Tsay,2002). Return jugadigunakan untuk membuat data lebih stasioner di dalam rata-rata. Perubahan harga relatif didefinisikan sebagai
dengan dan
adalah harga saham pada waktu ke-t,
adalah perubahan harga relafit,
adalah harga saham pada waktu ke-(t-1). Sedangkan simple gross return
untuk data keuangan pada observasi ke-t,
dirumuskan sebagai
Logaritma natural dari simple gross returndisebut sebagai log returnyang dirumuskan sebagai dengan
merupakan log return pada waktu ke-t.
commit to user 4
perpustakaan.uns.ac.id
digilib.uns.ac.id
5
2.1.2 Risiko Dalamkonteks
manajemen
investasi,
risiko
merupakan
besarnya
penyimpangan antara return yang diharapkandengan return yang dicapai (actual return). Semakin besar penyimpangannya berarti semakin besar tingkat risikonya (Halim, 2003). Apabila risiko dinyatakan sebagai seberapa jauh hasil yang diperoleh bisa menyimpang dari hasil yang diharapkan, maka digunakan ukuran penyebaran. Alat statistik yang digunakan sebagai ukuran penyebaran tersebut adalah variansi atau
standardeviasi.
Semakin
besar
nilainya,
berarti
semakin
besar
penyimpangannya (= risikonya semakin tinggi). Van Horne dan Wachowics, Jr pada tahun 1992 mendefinisikan risiko sebagai variabilitas (keragaman) return terhadap return yang diharapkan (Jogiyanto, 2003). Jika terdapat n (jumlah observasi) return, maka ekspektasi return dapat diestimasi yaitu
dengan
adalah rata-rata sampel return. Rata-rata return kemudian digunakan
untuk mengestimasi variansi tiap periode yaitu
Akar dari variansi (standar deviasi) merupakan estimasi risiko dari harga saham yaitu
2.1.3 Volatilitas Volatilitas digunakan sebagai salah satu ukuran untuk melihat seberapa besar dan seringnya perubahan atau fluktuasi yang terjadi pada indikator-indikator ekonomi. Biasanya besaran ini dinyatakan sebagai standar deviasi dari laju perubahan data runtun waktu keuangan.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
6 Dengan
pemodelan
volatilitas,
para
investor
diharapkan
dapat
mengendalikan risiko pasar dengan lebih baik. Harper (2007) menyatakan pada penghitungan besarnya volatilitas ke-t secara sederhana
akan memberikan besarnya nilai pembobotan yang sama (konstan) sebesar untuk semua return kuadrat, di mana n adalah banyaknya observasi. Untuk tujuan peramalan, lebih baik diberikan bobot yang lebih besar untuk data yang lebih baru. Dengan asumsi data yang lebih baru memberikan pengaruh yang lebih besar dibandingkan data yang lebih lama. Penghitungan besarnya volatilitas ke-t,
t
(2.1)
di mana,
merupakan besarnya pembobotan pada observasi i hari yang lalu. dengan
Untuk metode EWMA, factor, yang nilainya
dengan
adalah decay .
2.1.4 Model Runtun Waktu Stasioner Runtun waktu stasioner dapat dimodelkan menggunakan proses ARMA. Ketika suatu log return diperlakukan sebagai kumpulan dari variabel random atas waktu, maka terdapat runtun waktu
(Tsay, 2002).
Dalam memodelkan rata-rata bersyarat ARMA diperlukan suatu alat yaitu fungsi autokorelasi dan fungsi autokoralsi parsial. Fungsi autokorelasi adalah fungsi yang menunjukkan besarnya korelasi antara pengamatan pada waktu ke-t dengan pengamatan waktu sebelumnya.MenurutCryer(1986) proses rt dikatakan adalah konstan dan
stasioner apabila
, dengan Korelasi antara
adalah fungsi dari selisih waktu adalah
commit to user
.
perpustakaan.uns.ac.id
digilib.uns.ac.id
7
dengan
dan adalah fungsi autokorelasi. Menurut Pankartz (1983), jika suatu runtun waktu dengan rata-rata
stasioner maka estimasi nilai dari fungsi autokorelasi turun secara cepat mendekati nol dengan semakin bertambahnya lag. Jika rata-ratanya tidak stasioner maka estimasi nilai dari fungsi autokorelasi turun secara perlahan mendekati nol. Menurut Tsay (2002), uji untuk mengetahui apakah satu atau lebih autokorelasi dalam runtun waktu
adalah signifikan dapat dilakukan
menggunakan uji Ljung-Box. Hipotesis dalam uji Ljung-Box adalah 1. menentukan hipotesis (tidak terdapat autokorelasi dalam data runtun waktu), untuk paling tidak sebuah
(terdapat autokorelasi dalam
data runtun waktu), 2. memilih tingkat signifikansi , 3. menentukan daerah kritis ditolak jika
,
4. menghitung statistik uji Ljung-Box
dengan n adalah jumlah observasi, k adalah nilai lag, adalah fungsi autokorelasi sampel pada lag k dan q adalah nilai lag maksimum yang ingin diuji, 5. mengambil keputusan dan kesimpulan.
Jika
maka
ditolak dan dapat disimpulkan bahwa terdapat
autokorelasi dalam data runtun waktu. Jika
, maka
tidak ditolak dan
dapat disimpulakan bahwa tidak terdapat autokorelasi dalam data runtun waktu. Sedangkan autokorelasi parsial pada lag k dapat dipandang sebagai korelasi antara observasi
dan
setelah menghilangkan hubungan linear dari
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
8 (Wei, 1990). Fungsi autokorelasi parsial dapat digunakan dalam identifikasi model ARMA. Autokorelasi parsial antara
dan
dinotasikan
dengan
disebut sebagai fungsi autokorelasi parsial. Apabila sudah didapatkan plot autokorelasi dan plot autokorelassi parsial, maka langkah selanjutnya memodelkan rata-rata bersyarat ARMA. Untuk pemodelan rata-rata bersyarat yang stasioner, dapat digunakan model runtun waktu
yaitu
model
autoregressive
(AR),
model
moving
average
(MA) dan model ARMA. Model AR adalah model prediksi variabel dengan menggunakan variabel periode sebelumnya. Model ini didasarkan pada asumsi bahwa nilai sekarang merupakan fungsi dari nilai sebelumnya. Model AR(p) dituliskan
dengan dan
adalah eror model rata-rata bersyarat
atau untuk dengan
adalah parameter autoregressive Model MA adalah model prediksi variabel yang menggunakan nilai eror
variabel pada periode sebelumnya atau merupakan kombinasi linear dari suatu eror yang sudah white noise. Model MA(q) dituliskan
dengan
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
9 atau untuk dengan
adalah parameter moving average. Menurut Wei (1990), model ARMA merupakan gabungan dari proses AR
dan MA. Model ARMA memiliki karakteristik seperti yang dimiliki oleh AR dan MA, diantaranya adalah dipengaruhi oleh data pada lag periode-periode sebelumnya. Model ARMA (p,q) dituliskan
dengan
dan
adalah proses white noise dengan
rata-rata nol. Proses ARMA(p,q) stasioner jika akar dari lingkaran satuan, dan invertibel jika akar dari
berada di luar berada di luar lingkaran
satuan. Tabel 2.1 Sifat-sifat teoritis fungsi autokorelasi dan fungsi autokorelasi parsial untuk proses-proses stasioner Proses
Fungsi Autokorelasi
Fungsi Autokorelasi Parsial
AR(p)
meluruh secara eksponensial menuju nol
terputus setelah lag-p
MA(q)
terputus setelah lag-q
meluruh secara eksponensial menuju nol
ARMA(p,q)
meluruh menuju nol
meluruh menuju nol
Untuk mengetahui model ARMA yang diperoleh tersebut cocok digunakan untuk memodelkan harga saham, maka dilakukan estimasi parameter. Menurut Cryer (1983), untuk mengestimasi nilai parameter dalam model ARMA dapat digunakan metode kuadrat terkecil dengan cara meminimumkan jumlah kuadrat eror. Jika dirumuskan sebagai
adalah eror model ARMA, maka jumlah kuadrat eror
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
10
(2.2)
Nilai fungsi fungsi
pada persamaan (2.2) akan minimun jika turunan parsial pertama
terhadap
dan
sama dengan nol.
Misal dipunyai model ARMA(1,1)
(2.3)
. Berdasarkan persamaan (2.3) diperoleh nilai eror
sehingga . Estimasi dari
dapat dicari dengan menyamakan
dengan nol, sehingga
diperoleh persamaan (2.4)
Berdasarkan persamaan (2.4) diperoleh (2.5)
Jadi berdasarkan persamaan (2.5) estimasi parameter dari
Estimasi dari
dapat dicari dengan menyamakan
menjadi
dengan nol sehingga
diperoleh persamaan sebagai berikut (2.6)
Berdasarkan persamaan (2.6) diperoleh (2.7)
Jadi, berdasarkan persamaan (2.7), estimasi parameter
commit to user
menjadi
perpustakaan.uns.ac.id
digilib.uns.ac.id
11 Model stasioner yang diperoleh perlu diperiksa lebih lanjut untuk mengetahui ada tidaknya autokorelasi dalam eror yang dihasilkan. Model stasioner yang baik harus memenuhi asumsi bahwa tidak ada autokorelasi dalam eror yang dihasilkan. Menurut Bollerslev (1986), untuk mengetahui autokorelasi pada eror rata-rata bersyarat dapat dilakukan menggunakan uji Breusch-Godfrey. Uji Breusch-Godfrey juga sering disebut sebagai uji korelasi serial Lagrange Multiplier. Hipotesisnya adalah tidak terdapat autokorelasi dalam eror model rata-rata bersyarat terdapat autokorelasi dalam eror model rata-rata bersyarat. Uji Breusch-Godfrey dirumuskan sebagai
dengan T adalah ukuran sampel, p adalah jumlah lag, determinasi dan bebas p.
adalah koefisien
adalah nilai pada tabel distribusi Chi-Squared dengan derajat
ditolak jika
>
.
2.2 Kerangka Pemikiran Data harga saham BRI merupakan deretan observasi variabel random yang dapat dinyatakan sebagai data runtun waktu karena merupakan himpunan observasi terurut. Data ini ditransformasikan ke dalam bentuk log return untuk mengecilkan data. Transformasi ini mengakibatkan data stasioner dalam rata-rata tetapi memiliki variansi tidak konstan. Data runtun waktu stasioner dapat dimodelkan menggunakan model ARMA, di mana model ini memiliki asumsi homoskedastisitas variansi. Asumsi tersebut sulit dipenuhi oleh suatu data keuangan. Suatu data runtun waktu dengan asumsi heteroskedastisitas dapat dimodelkan dengan model GARCH dan EWMA. Model GARCH memerlukan asumsi eror model rata-rata bersyarat tidak memiliki autokorelasi. Langkah pertama dalam pembentukan model GARCH adalah menguji kestasioneran data. Apabila data belum stasioner maka dilakukan transformasi. Transformasi yang dapat dilakukan diantaranya dengan mengubah data ke dalam bentuk log return. Langkah berikutnya adalah mencari model rata-
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
12 rata bersyarat ARMA. Eror model ARMA yang telah diperoleh harus diuji efek heteroskedastisitas. Apabila terdapat efek heteroskedastisitas, maka langkah selanjutnya adalah mengestimasi parameter model GARCH dan melakukan uji diagnostik model. Model yang diperoleh dengan mengestimasi model ARMA beserta model GARCH secara bersama digunakan untuk meramalkan besarnya variansi dan volatilitas satu periode ke depan. Sedangkan model EWMA sangat bergantung pada parameter
yang disebut sebagai decay factor. Nilai terbaik
adalah yang menghasilkan nilai RMSE minimum. Model yang diperoleh digunakan untuk meramalkan besarnya variansi dan volatilitas satu periode ke depan. Selanjutnya dilakukan perhitungan VaR data harga saham BRI dengan estimasi volatilitas model GARCH dan EWMA yang telah diperoleh.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB III METODE PENELITIAN
Pada penelitian ini, metode yang digunakan adalah studi literatur dengan mengacu pada jurnal dan buku yang berkaitan dengan model GARCH dan model EWMA. Adapun jurnal utama yang dijadikan sebagai referensi yaitu Bollerslev (1986), Morgan (1996) dan Jorion (2009). Selanjutnya menerapkan kedua pemodelan volatilitas pada data saham BRI, Tbk dan menghitung besarnya perbandingan nilai VaR menggunakan kedua metode tersebut. Langkah-langkah yang dilakukan dalam penelitian ini sebagai berikut. 1. Mengkaji ulang dan melakukan estimasi parameter model GARCH. 2. Mengkaji ulang perhitungan risiko (VaR) pada analisis keuangan. 3. Menerapkan perhitungan VaR dengan estimasi volatilitas model GARCH dan model EWMA pada data harga saham harian BRI tanggal 6 Januari 2004 sampai 8 Mei 2008. a. Mengubahdata ke dalam bentuk log return, kemudian memeriksa stasioneritasdan
autokorelasi
dari
deret
log
return.Kemudian
memodelkan proses rata-rata bersyaratnya terlebih dahulu sebelum memodelkan proses heteroskedastisitas.Pemodelan rata-rata bersyarat dapat menggunakan proses AR, MA, atau ARMA. b. Menganalisis model runtun waktu stasioner yang didapat dengan i.
mengidentifikasi model awal runtun waktu stasioner yang dapat digunakan untuk memodelkan proses rata-rata bersyarat dari data,
ii. mengestimasi parameter model runtun waktu stasioner, iii. melakukan pemeriksaan diagnostik untuk menguji apakah model rata-rata bersyarat yang diperoleh sudah layak untuk digunakan, yaitu dengan menguji independensi eror secara serial dan melihat homoskedastisitas variansi eror.
commit to user 13
perpustakaan.uns.ac.id
digilib.uns.ac.id
14 c. Menganalisis model ARCH dan GARCH dengan i.
mengidentifikasi model dengan memeriksa autokorelasi dalam kuadrat eror model rata-rata bersyarat,
ii. efek heteroskedastisitas juga diperiksa melalui uji efek ARCH menggunakan uji Lagrange Multiplier(LM), iii. mencari model-model ARCH dan GARCH yang dapat digunakan untuk memodelkan heteroskedastisitas dari eror model rata-rata bersyarat dan mencari model terbaikberdasarkan nilai AIC (akaike info
criterion)
mengestimasi
dan
SSE
model
(sum
rata-rata
squared
error)
bersyarat
kemudian
dan
model
heteroskedastisitas bersyarat terbaik secara bersama-sama, iv. melakukan pemeriksaan diagnostik untuk menguji apakah model yang diperoleh sudah layak digunakan denganmemeriksa apakah sudah tidak ada efek heteroskedastisitas dalam eror terstandar menggunakan uji Lagrange Multiplierdanmemeriksa asumsi distribusi dari eror terstandar. d. Melakukan peramalan yaitu meramalkanvolatilitas satu periode ke depan menggunakan model GARCH dan meramalkanvolatilitas satu periode ke depan menggunakan modelEWMA. e. Melakukan penghitungan nilai risiko (VaR) data saham dengan estimasi volatilitas yang telah diperoleh.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB IV PEMBAHASAN
4.1
Model Runtun Waktu dengan Heteroskedastisitas Bersyarat
Model ARMA membutuhkan asumsi variansi eror yang konstan (homoskedastisitas). Asumsi tersebut sulit untuk dipenuhi oleh suatu data keuangan. Hal ini disebabkan pada periode-periode tertentu banyak terjadi gejolak atau peningkatan yang tajam dibanding periode-periode biasanya. Hal ini disebut dengan volatilitas. Volatilitas secara umum tidak dapat diobservasi secara langsung, namun volatilitas memiliki karakteristik yaitu seringkali ditemukan adanya volatility clustering dalam data yakni volatilitas yang bernilai besar selama periode waktu tertentu dan bernilai kecil selama periode waktu yang lain. Menurut Tsay (2002), ide dasar dari studi mengenai volatilitas adalah deret
merupakan
deret yang tidak berkorelasi atau memiliki autokorelasi pada order lag yang rendah, tetapi deret tersebut dependen. Untuk kondisi data yang seperti ini diperlukan model yang dapat mengakomodasi heteroskedastisitas
heteroskedastisitas. yaitu
model
Model
yang
generalized
dapat
mengakomodasi
autoregressive
conditional
heteroscedastic (GARCH)danmodel exponentially weighted moving average (EWMA).
4.1.1 Model ARCH dan GARCH ModelARCH pertama kali dikemukakan oleh Engle (1982). Model ini dikembangkan terutama untuk menjawab persoalan adanya volatilitas pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. Volatilitas ini tercermin dalam varians eror yang tidak memenuhi asumsi homoskedastisitas. Engle (1982) menganalisis masalah variansi eror yang berubah-ubah untuk setiap observasi di dalam runtun waktu. Menurutnya, variansi eror yang berubahubah untuk setiap observasi terjadi karena variansi eror tidak hanya fungsi dari variabel independen tetapi juga bergantung pada seberapa besar eror di masa lalu.
commit to user 15
perpustakaan.uns.ac.id
digilib.uns.ac.id
16 Diberikan
adalah suatu runtun waktu dan
adalah suatu proses
white noise berdistribusi normal dengan variansi satu. Jika diberikan
dari waktu lampau sampai dengan waktu t,
himpunan semua informasi untuk maka
adalah
dapat dimodelkan sebagai
. Proses dari
adalah ARCH (m)
dengan
jika
(4.1)
dengan
dan
, untuk memastikan bahwa variansi
bersyarat bernilai positif. Dari persamaan (4.1) jelas bahwa nilai harapan bersyarat dan variansi bersyarat dari
adalah
Proses ARCH yang paling sederhana adalah proses ARCH(1). Proses tersebut dapat dirumuskan sebagai
dengan
dan
. Variansi tidak bersyarat dari
adalah .
Dalam
hal
adalah
ini
proses
yang
stasioner
dengan
sehingga diperoleh
dan
. Nilai
untuk menjamin agar variansi dari
bernilai positif. Selanjutnya diperoleh juga
dengan momen keempat dari proses adalah . Momen keempat dari
adalah positif dengan
commit to user
.
,
perpustakaan.uns.ac.id
digilib.uns.ac.id
17 Kurtosis dari
adalah
Jadi, nilai kurtosis dari
positif dan memiliki distribusi dengan ekor yang lebih
pendek dibandingkan dengan distribusi normal. Bollerslev (1986) mengembangkan model ARCH menjadi model GARCH. Pada model GARCH, variansi eror tidak hanya bergantung pada eror periode lalu tetapi juga variansi eror periode lalu. Model ini dikembangkan karena pada proses ARCH dengan orde tinggi memiliki kesulitan dalam perhitungan dikarenakan modelnya yang sangat rumit. Proses
adalah GARCH(m,n) jika
, dengan
dengan syarat
dan . Kondisi
menjamin variansi bersyarat
dibutuhkan untuk . Sedangkan syarat pada
menyatakan
memiliki variansi tidak bersyarat yang berhingga.
bahwa
Untuk n = 0, proses GARCH tereduksi menjadi proses ARCH(m). Jadi proses ARCH adalah bentuk khusus dari proses GARCH. Sedangkan untuk , proses GARCH berubah menjadi suatu white noise sederhana. Menurut Bollerslev (1986), proses GARCH paling sederhana yang sering digunakan adalah proses GARCH(1,1), diberikan oleh
, di mana bahwa nilai
. Persamaan di atas menyatakan atau
mempengaruhi besarnya nilai
commit to user
.
perpustakaan.uns.ac.id
digilib.uns.ac.id
18
4.1.2 Estimasi Parameter Estimasi yangdigunakan berasal dari nama penemunya Berndt, Hall, Hall and Hausman yaitu metode BHHH dengan berdasar pada model Newton Raphson (Bollerslev, 1986). Iterasi pada model Newton Rapshon dinyatakan sebagai (4.2)
dengan H adalah matriks Hessian,
adalah variabel step length dan
Pada metode BHHH, nilai dari matriks Hessian pada persamaan (4.2) diganti
, dengan
. Metode BHHH menggunakan turunan
pertama fungsi log likelihood untuk mengestimasi parameter model. Misal dipunyai model regresi GARCH(m,n) dimana
dengan
adalah eror model regresi dengan
. Oleh karena itu, dimiliki vektor parameter sebagai
dengan dan
.
Menggunakan asumsi normalitas, fungsi densitas probabilitas dari adalah
Fungsi log likelihood untuk observasi ke-t adalah
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
19
(4.3)
Untuk mengestimasi vektor parameter variansi yaitu
, digunakan turunan
pertama dari fungsi log likelihood persamaan (4.3) terhadap parameter
dengan
dan
, yaitu
.
Menggunakan metode BHHH diperoleh iterasi estimasi parameter variansi yang dirumuskan sebagai .
Iterasi (4.4) dapat ditulis ke dalam bentuk matriks sebagai dengan
dengan
commit to user
(4.4)
perpustakaan.uns.ac.id
digilib.uns.ac.id
20
dengan
;
matriks
;
dan
adalah
.
Untuk mengestimasi parameter rata-rata yaitu
, digunakan turunan
pertama dari fungsi log likelihood pada persamaan (4.3) terhadap parameter yaitu
(4.5)
Misal
adalah
, dan
adalah
, maka persamaan (4.5) menjadi
Iterasi untuk estimasi parameter rata-rata adalah (4.6)
dengan
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
21 Persamaan (4.6) dapat ditulis ke dalam notasi matriks sebagai
dengan
di mana
dengan
dan
dan
adalah matriks
.
4.1.3 Pemilihan Model Terbaik Menurut Winarno (2007) model heteroskedastisitas yang cocok dapat dipilih berdasarkan nilai akaike info criterion (AIC) dan schwarz criterion (SC). Dalam
penelitian
ini
digunakan
nilai
AIC
untuk
pemilihan
model
heteroskedastisitas terbaik, yang dirumuskan sebagai
dengan
adalah jumlahan eror kuadrat, k adalah banyak parameter, n adalah
jumlah observasi. Model yang dipilih untuk meramalkan data adalah model dengan AIC terkecil.
4.1.4 Exponentially Weighted Moving Average (EWMA) Model EWMA mengasumsikan bahwa bobot yang diberikan pada data terkini lebih besar dibandingkan pada data lampau. Misalkan terdapat suatu data runtun waktu selama waktu t sehingga dapat dicatat data sampai waktu ke (t-1) yaitu
dengan
Model EWMA dapat didefinisikan sebagai
adalah
konstan,
,
disebut
decay
factor.
, sehingga untuk t yang besar diperoleh
commit to user
Karena
perpustakaan.uns.ac.id
digilib.uns.ac.id
22
Persamaan yang digunakan untuk menghitung estimasi dari variansi model EWMA diperoleh dengan mengubah nilai x menjadi return kuadrat yaitu (4.7)
Persamaan (4.7) dapat dituliskan kembali dalam bentuk rekursif, yang lebih mudah digunakan dalam perhitungan, yaitu (4.8)
Persamaan (4.8) menjelaskan bahwa estimasi volatilitas untuk hari ke-t,
yang
dibentuk pada akhir hari ke t-1 dihitung dari estimasi volatilitas sebelumnya, dan return hari sebelumnya
Terdapat dua bagian pada sisi kanan persamaan
(4.8). Bagian yang pertama
menunjukkan persistensy dari volatilitas, bila
volatilitas hari kemarin tinggi maka hari ini juga akan tetap tinggi. Bagian yang menunjukkan intensitas reaksi volatilitas terhadap kondisi
kedua
pasar. Semakin kecil
semakin reaktif volatilitas terhadap informasi pasar
mengenai return kemarin. Bobot pada persamaan (4.8) memiliki nilai yang menurun secara ke dalam persamaan
eksponensial. Dengan substitusi (4.8) sehingga diperoleh
. Dengan cara yang sama disubstitusikan
(4.9)
ke dalam persamaan (4.9), sehingga
diperoleh
Secara umum estimasi variansi model EWMA dapat dituliskan
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
23 Untuk nilai n yang besar, nilai dari
semakin kecil dan dapat diabaikan. Hal
ini membuat persamaan (4.8) sama dengan persamaan (2.1) dengan nilai dari . Sedangkan untuk menghitung peramalan volatilitas dilakukan dengan mengakarkan persamaan (4.8) sehingga menjadi (4.10)
dengan
adalah peramalan volatilitas pada waktu t. Persamaan (4.10)
menjelaskan bahwa estimasi volatilitas untuk hari ke-t, volatilitas sebelumnya,
, dihitung dari estimasi
dan return pada waktu ke-(t-1),
.
RiskMetrics mengukur volatilitas menggunakan model EWMA yang memberikan bobot terbesar untuk data terkini. Peramalan volatilitas dengan pendekatan EWMA pada dasarnya adalah melakukan estimasi terhadap volatilitas di masa yang akan datang, di mana data observasi terkini diberi bobot lebih besar dibandingkan data lampau. Dalam mengestimasi volatilitas, terdapat tiga hal penting yang muncul (Fan et al., 2004). 1. Ketepatan dari estimasi: perhitungan dari tingkat toleransi Karena bobot dari
, mendekati 0
, estimasi dari
volatilitas dapat dihitung dengan mendekati pada batas sampel sepanjang K. Dalam hal ini,ditetapkan tingkat toleransi ketika banyak sampel yang digunakan adalah Kyaitu
dengan
adalah decay factor,
adalah tingkat toleransi ketika banyak
sampel yang digunakan adalah K dan K adalah banyaknya data yang efektif digunakan. Pada tingkat toleransi adalah
commit to user
, estimasi dari standar deviasi
perpustakaan.uns.ac.id
digilib.uns.ac.id
24 2. Banyaknya data yang efektif (K) Banyaknya data yang efektif digunakan sangatlah penting dalam melakukan peramalan volatilitas. Persamaan untuk menghitung nilai yaitu (4.11)
Persamaan (4.11) secara sistematis dapat diperoleh
Persamaan (4.11) menunjukkan bahwa semakin besar nilai decay factor maka jumlah data yang dibutuhkan juga semakin banyak. 3. Menentukan decay factor Model EWMA bergantung pada parameter
dengan
yang
disebut decay factor. Jika didefinisikan eror dari peramalan variansi sebagai peramalan
, ini berarti bahwa nilai harapan dari eror adalah
nol
yaitu
.
Berdasarkan hubungan ini nilai ditentukan denganmeminimumkan ratarata eror kuadratnya (root mean squared error). Menurut Morgan (1996: 98), decay factor optimum ditentukan dengan persamaan (4.12)
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
25 dengan n adalah jumlah observasi. Parameter diduga
dengan
model
RiskMetrics.
Pada
document diusulkan bahwa rata-rata harian, sedangkan
pada model EWMA dapat RiskMetricsTMTechnical untuk estimasi volatilitas
untuk estimasi bulanan.
4.2 Value at Risk (VaR) pada Analisis Keuangan Pengukuran risiko merupakan hal yang sangat penting dalam analisis keuangan mengingat hal ini berkaitan dengan investasi dengan dana yang cukup besar dan berkaitan dengan dana publik. Salah satu aspek yang penting dalam analisis risiko adalah perhitungan Value at Risk yang telah banyak digunakan untuk mengidentifikasi risiko.
4.2.1 Pengertian VaR Value at Risk merupakan sebuah konsep yang digunakan dalam pengukuran risiko dalam riskmanagement yang didefinisikan sebagai estimasi kerugian maksimum yang akan didapat selama periode waktu tertentu dalam kondisi pasar normal pada tingkat kepercayaan tertentu (Tsay, 2002). Value at Risk menjelaskan seberapa besar (dalam persen atau sejumlah uang tertentu) investor dapat merugi selama waktu investasi T dengan tingkat kepercayaan sebesar
. Distribusi return akan lebih baik diuraikan sebagai distribusi parametrik,
seperti distribusi normal. Hal ini sangat mempermudah analisis karena distribusi dikarakteristikan semata-mata oleh dua parameter, rata-rata
dan standar deviasi
Kuantil di sekitar rata-rata menjadi perkalian dari , menggunakan pengali yang bergantung pada tingkat kepercayaan. Oleh sebab itu, VaR dapat didefinisikan sebagai
Sebagai contoh, jika Z mempunyai distribusi normal dan tingkat kepercayaan 95%, diketahui dari tabel statistik bahwa
commit to user
, sehingga
perpustakaan.uns.ac.id
digilib.uns.ac.id
26 diperoleh nilai
. Jika
diukur pada satuan nilai return, maka akan
dikalikan dengan nilai yang berlaku dari portofolio
dengan
adalah estimasi volatilitas dan
, memberikan VaR sebagai
adalah nilai pada portofolio.
Bila distribusi data return tidak normal, maka cornish fisher expansion
dapat dikoreksi dengan
yang menggunakan nilai kemencengan dari data
tersebut. Rumus untuk mendapatkan
adalah (4.13)
dengan
adalah nilai kemencengan. Sehingga besarnya VaR dapat dihitung
sebagai (4.14)
Model volatilitas merupakan komponen pembentuk dalam perhitungan VaR. Oleh karena itu, sebelum melakukan perhitungan VaR terlebih dahulu dilakukan pemodelan volatilitas. Pemodelan volatilitas yang digunakan adalah model GARCH dan model EWMA karena pemodelan ini dapat menangkap gejala heteroskedastisitas yang sering terjadi pada data keuangan seperti data saham.
4.2.2 Uji Normalitas Untuk menguji apakah data return berdistribusi normal atau tidak dilakukan uji normalitas menggunakan uji Jarque Bera (JB) 1. menentukan hipotesis data return berdistribusi normal data return tidak berdistribusi normal, 2. memilih tingkat signifikansi
,
3. menentukan daerah kritis ditolak jika
,
4. menghitung statistik uji Jarque-Bera
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
27 dengan n : jumlah observasi k : banyaknya koefisien penduga S : nilai kemencengan K : nilai keruncingan 5. mengambil keputusan dan kesimpulan. Jika
, artinya tolak
berdistribusi normal. Jika
, atau data return tidak artinya
tidak ditolak
atau data return berdistribusi normal.
4.3
VaR Data Saham BRI 4.3.1 Deskripsi Data
Dalam penelitian ini digunakan data runtun waktu keuangan berupa data harga saham penutupan dari Bank Rakyat Indonesia, Tbk. Data yang digunakan sebanyak 1133 observasi yang merupakan data harga saham harian tanggal 6 Januari 2004 sampai 8 Mei 2008 yang berlangsung selama lima hari dalam seminggu kecuali hari libur (http://finance.yahoo.com/q/pr?s=BBRI). Gambar 4.1 memperlihatkan harga saham BRI tidak stasioner dalam rata-rata dan variansi. 9000
8000
Harga Saham
7000
6000
5000
4000
3000
2000
1000 250
500
750
1000 1133
waktu ke-
Gambar 4.1 Harga saham BRI periode 6 Januari 2004 sampai 8 Mei 2008 Selain dapat dilihat dari plot data, untuk menguji stasioneritas data, juga dapat dilihat dari plot fungsi autokorelasi pada Gambar 4.2. Grafik autokorelasi pada lag pertama berada di luar tingkat kepercayaan dan menurun secara perlahan mendekati nol. Hal ini menunjukkan bahwa data saham BRI tidak stasioner.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
28
1 ,0 0 ,8 0 ,6
Autokorelasi
0 ,4 0 ,2 0 ,0 -0 ,2 -0 ,4 -0 ,6 -0 ,8 -1 ,0 1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 4.2 Fungsi autokorelasi data harga saham BRI
4.3.2 Log Return Pemodelan runtun waktu keuangan lebih menitik beratkan pada perubahan data dari waktu ke waktu. Pada dasarnya jika harga saham merupakan fungsi waktu t, yang dinotasikan dengan
maka fluktuasi harga saham dapat didefinikan sebagai perubahan harga saham terhadap waktu t yaitu
Dalam skripsi ini perubahan tersebut dinyatakan dalam bentuk log return yaitu . Plot log return dapat dilihat pada Gambar 4.3. Terlihat bahwa plot log return saham BRI telah stasioner dalam rata-rata tetapi variansi tidak konstan. .16 .12
log return
.08 .04 .00
-.04
-.08 -.12
250
500 hari ke-
750
1000
Gambar 4.3 Plot log return BRI
commit to user
1133
perpustakaan.uns.ac.id
digilib.uns.ac.id
29
4.3.3
Pembentukan Model Stasioner
a. Identifikasi Model Setelah diketahui bahwa data log return merupakan data stasioner dalam rata-rata maka dicari model rata-rata bersyaratnya dahulu sebelum memodelkan heteroskedastisitas dari data. Pemodelan rata-rata bersyarat untuk data yang stasioner dapat menggunakan proses AR, MA atau ARMA. Identifikasi awal dalam mencari model yang sesuai untuk data log return yang stasioner dapat dilihat dari nilai fungsi autokorelasi dan autokorelasi parsial. Terlihat bahwa pada plot fungsi autokorelasi terputus pada lag ke-1, 6, dan 7 dan pada plot autokorelasi parsial terputus pada lag ke- 1, 2, dan 6. Sehingga memungkinkan terjadi proses AR(1), AR(2), AR(6), MA(1), MA(6), MA(7), ARMA(1,1), ARMA(1,6), ARMA(1,7), ARMA(2,1), ARMA(2,6), ARMA(2,7), ARMA(6,1), ARMA(6,6), ARMA(6,7). 1 ,0 0 ,8 0 ,6
Autokorelasi
0 ,4 0 ,2 0 ,0 -0 ,2 -0 ,4 -0 ,6 -0 ,8 -1 ,0
1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 4.4Fungsi autokorelasi log returnBRI 1,0 0,8
Autokorelasi Parsial
0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 4.5Fungsi autokorelasi parsial log returnBRI
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
30
b. Estimasi Parameter Model Model yang memenuhi uji signifikansi model diantaranya adalah model AR(1) tanpa konstanta, MA(1) tanpa konstanta, ARMA(1,1) tanpa konstanta, ARMA(2,1) tanpa konstanta, dan ARMA(2,1) dengan konstanta. Namun ARMA(2,1) dengan konstanta memberikan nilai AIC dan SSE yang terkecil, sehingga model rata-rata bersyarat yang selanjutnya digunakan adalah model ARMA(2,1) dengan konstanta. Hasil uji statistik proses ARMA(2,1) dengan konstanta dapat dilihat pada Tabel 4.1. Tabel 4.1 Hasil estimasi model ARMA(2,1) dengan konstanta data log return Variabel c
Koefisien 0,001207 0,841856
Standar deviasi 0,000612 0,101742
t-statistik 1,973340 8,274440
Probabilitas 0,0487 0,0000
-0,092038
0,029790
-3,089554
0,0021
-0,795503 0,098135 -8,106181 0,0000 Berdasarkan Tabel 4.1 probabilitas dari ARMA(2,1) lebih kecil dari tingkat toleransi sebesar 0,05, sehingga dapat disimpulkan bahwa ARMA(2,1) signifikan berbeda dengan nol. Jadi, model rata-rata bersyarat terbaik untuk data log return BRI
adalah
yaitu
ARMA(2,1),
. Dengan adalah data log return saat periode ke-t dan
adalah eror yang dihasilkan oleh
model. c. Pemeriksaan Diagnostik Model ARMA(2,1) ModelARMA(2,1) yang telah diperoleh akan diperiksa lebih lanjut melalui eror yang dihasilkan. Model ARMA(2,1) diperiksa tingkat kesesuaiannya di dalam memodelkan rata-rata bersyarat dari data log return. Pemeriksaan eror model ARMA(2,1) antara lain uji autokorelasi eror dan homoskedastisitas eror. Model rata-rata bersyarat dikatakan baik jika eror yang dihasilkan tidak memiliki autokorelasi. Uji autokorelasi pada eror model ARMA(2,1) dilakukan menggunakan uji statistik Breusch-Godfrey (uji korelasi serial Lagrange Multiplier) dengan hipotesis
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
31 tidak terdapat autokorelasi di dalam eror model ARMA(2,1) terdapat autokorelasi di dalam eror model ARMA(2,1). Uji Breusch-Godfrey eror model ARMA(2,1) dari lag-1 sampai lag-10 diberikan pada Tabel 4.2. Tabel 4.2 Uji breusch-godfrey eror ARMA(2,1) Koefisien Uji Breusch-Godfrey C AR(1) MA(1) Eror pada lag-1 Eror pada lag-2 Eror pada lag-3 Eror pada lag-4 Eror pada lag-5 Eror pada lag-6 Eror pada lag-7 Eror pada lag-8 Eror pada lag-9 Eror pada lag-10
5,68E-05 -0,095758 -0,090995 0,098282 -0,004784 0,087909 0,119004 0,050422 0,050563 -0,053839 -0,020799 -0,005380 0,016208
Probabilitas 0,301325 0,9260 0,9019 0,8726 0,6080 0,9944 0,4947 0,3234 0,6111 0,5213 0,4066 0,7023 0,9097 0,6994
Dari Tabel 4.2 dapat disimpulkan bahwa untuk lag-1 sampai lag-10 menunjukkan nilai probabilitas eror ARMA(2,1) lebih besar dari nilai
.
Berarti tidak terdapat autokorelasi di dalam eror model ARMA(2,1). Selain itu nilai probabilitas eror ARMA(2,1) dalam uji Breusch-Godfrey adalah 0,301325 lebih besar dari
. Sehingga
tidak ditolak yang berarti juga tidak
terdapat autokorelasi di dalam eror model rata-rata bersyarat. Oleh karena itu model ARMA(2,1) cukup baik digunakan dalam pemodelan mean data log return saham BRI.Tbk. Setelah melalui pemodelan rata-rata bersyarat, homoskedastisitas dari eror yang dihasilkan perlu untuk dilihat. Homoskedastisitas dari eror model ARMA(2,1) dapat dilihat melalui plot eror yang terdapat pada Gambar 4.6. Plot memperlihatkan adanya variansi yang tinggi pada beberapa periode dan variansi yang kecil pada periode yang lain sehingga timbul volatility clustering. Oleh
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
32 karena itu, dimungkinkan eror ARMA(2,1) tidak memiliki kesamaan variansi karena ada efek heteroskedastisitas di dalamnya. .12 .08 .04 .00 -.04 -.08 -.12
250
500
750
1000
residu ke‐
Gambar 4.6 Eror model ARMA(2,1) d. Uji Efek Heteroskedastisitas Eror model ARMA(2,1) perlu diuji efek heteroskedastisitas. Uji efek heteroskedastisitas pada model ARMA(2,1) meliputi uji autokorelasi eror dan eror kuadratnya. Heteroskedastisitas pada suatu model akan teridentifikasi jika eror model tersebut tidak memiliki autokorelasi dan memiliki autokorelasi pada kuadrat eror model tersebut. Sebelumnya telah ditunjukkan bahwa eror model ARMA(2,1) tidak memiliki autokorelasi. Autokorelasi pada kuadrat eror model ARMA(2,1) dapat dilihat dari nilai fungsi autokorelasi dan autokorelasi parsial kuadrat eror. Plot fungsi autokorelasi dan autokorelasi parsial dari kuadrat eror model ARMA(2,1) pada Gambar 4.7 dan Gambar 4.8 memperlihatkan nilai autokorelasi pada lag 1 dan lag 2 dan autokorelasi parsial pada lag 1 berbeda signifikan dari nol yang berarti kuadrat eror model ARMA(2,1) memiliki autokorelasi. Adanya autokorelasi pada kuadrat eror model ARMA(2,1) mengindikasikan adanya efek heteroskedastisitas pada eror model ARMA(2,1).
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
33
1 ,0 0 ,8 0 ,6
Autokorelasi
0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0
1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 4.7 Fungsi autokorelasi kuadrat eror model ARMA(2,1) 1 ,0 0 ,8
Autokorelasi Parsial
0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 4.8 Fungsi autokorelasi parsial kuadrat eror model ARMA(2,1) Adanya efek heteroskedastisitas juga dapat diperiksa melalui uji efek ARCH menggunakan uji Lagrange Multiplier. Uji dilakukan pada eror model ARMA(2,1) untuk melihat apakah ada efek ARCH sampai dengan lag-5. Uji hipotesis dari uji Lagrange Multiplier ARCH sampai lag-5 adalah (tidak ada efek ARCH sampai lag-5). paling sedikit terdapat satu
(terdapat efek
ARCH, paling tidak pada sebuah lag). Statistik uji Lagrange Multiplier sampai lag-5 menghasilkan nilai probabilitas 0,000000 yang lebih kecil dari tingkat signifikansi
, yang berakibat
ditolak. Jadi terdapat efek ARCH pada eror model ARMA(2,1). Hasil uji Lagrange Multiplier ARCH selengkapnya dapat dilihat pada Lampiran 1.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
34
4.3.4 Pembentukan Model Heteroskedastisitas Berdasarkan signifikansi parameter model maka model ARCH dan GARCH yang dapat digunakan untuk memodelkan eror model ARMA(2,1) adalah model ARCH(1), ARCH(2), GARCH(1,1), GARCH(1,3), GARCH(2,3) dan GARCH(3,3). Tabel 4.3 Hasil estimasi model ARCH dan GARCH
Probabilitas
ARCH(1) 0,000550 0,0000
ARCH(2) 0,000498 0,0000
GARCH(1,1) 0.0000181 0,0063
Probabilitas
0,124240 0,0015
0,130611 0,0009
0,054240 0,0000
Probabilitas
-
0,081488 0,0093
Probabilitas
-
Model GARCH(1,3) 0,0000307 0,0106
GARCH(2,3) 0,0000449 0,0136
GARCH(3,3) 0,0000181 0,0073
0,097206 0,0000
0,083302 0,0000
0,069158 0,0000
-
-
0,074555 0,0000
-0,090342 0,0000
-
-
-
-
0,072191 0,0000
Probabilitas
-
-
0,335734 0,0000
-0,757774 0,0000
1,787071 0,0000
Probabilitas
-
-
0,916387 0,0000 -
-0,275626 0,0000
0,653114 0,0000
-1,741765 0,0000
-
-
-
0,792188 0,0000
0,874442 0,0000
0,873721 0,0000
-4,546930 0,711274
-4,552508 0,711274
-4,591850 0,711274
-4,596479 0,711274
-4,593377 0,711274
-4,603382 0,711274
Probabilitas AIC SSE
Model heteroskedastisitas dari eror ARMA(2,1) terbaik dipilih berdasarkan nilai AIC dan SSE. Model yang dipilih adalah model yang memiliki nilai AIC dan SSE terkecil, yaitu model GARCH(3,3). Langkah selanjutnya adalah mengestimasi parameter rata-rata bersyarat dan heteroskedastisitas bersyarat secara bersamasama. Hasil uji signifikansi model ARMA(2,1)-GARCH(3,3) tidak semua parameter memenuhi uji signifikansi model. Oleh karena itu, dipilih model heteroskedastisitas selanjutnya yaitu GARCH(1,3). Namun hasil estimasi model bersama ARMA(2,1)-GARCH(1,3) juga tidak memenuhi uji signifikansi model. Selanjutnya dipilih model GARCH(2,3) yang setelah diestimasi bersama model rata-rata bersyaratnya juga tidak semua parameternya signifikan. Pemilihan model bersyarat selanjutnya yaitu pada model GARCH(1,1), yang ternyata setelah diuji semua parameternya signifikan. Oleh karena itu, untuk memodelkan eror model
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
35 ARMA(2,1) digunakan model GARCH(1,1). Model GARCH(1,1) yang diperoleh adalah Hasil estimasi parameter rata-rata bersyarat dan heteroskedastisitas bersyarat secara bersama-sama dapat dilihat pada Tabel 4.4. Sedangkan hasil estimasi model bersama ARMA(2,1)-GARCH(1,1) selengkapnya dapat dilihat pada Lampiran 2. Tabel 4.4 Hasil estimasi model rata-rata bersyarat dan heteroskedastisitas bersyarat secara bersama Variabel C
Koefisien 0,001722 0,922990
Standar Deviasi 0,000555 0,075059
Probabilitas 0,0019 0,0000
-0,068249 -0,889760
0,031043 0,068241
0,0279 0,0000
0,0000179
0,00000679
0,0084
0,056007
0,012727
0,0000
0,915168
0,019307
0,0000
Model untuk log return dengan asumsi heteroskedastisitas bersyarat di dalam eror rata-rata bersyarat adalah dengan
adalah eror model rata-rata bersyarat. Sedangkan persamaan
heteroskedastisitas bersyaratnya adalah (4.15)
4.3.5 Pemeriksaan Diagnostik Model GARCH (1,1) a. Uji Efek ARCHLagrange Multiplier dalam Eror Pemeriksaan diagnostik dilakukan untuk melihat apakah model yang terbentuk telah cukup baik dalam memodelkan data. Untuk melihat apakah masih terdapat efek ARCH dalam eror digunakan tes ARCH-LM. Uji dilakukan untuk melihat apakah masih ada efek heteroskedastisitas sampai dengan lag-10. Uji hipotesis dari uji Lagrange Multiplier sampai lag-10 adalah (tidak ada efek ARCH sampai lag-10).
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
36 paling sedikit terdapat satu
(terdapat efek
ARCH, paling tidak pada sebuah lag). Statistik uji Lagrange Multiplier sampai lag-10 menghasilkan nilai probabilitas 0,234111yang lebih besar dari tingkat signifikansi
, sehingga
tidak
ditolak. Jadi sudah tidak terdapat efek ARCH di dalam eror terstandar model GARCH(1,1) dengan model ARMA(2,1) pada rata-rata bersyaratnya. Hasil uji Lagrange Multiplier selengkapnya dapat dilihat pada Lampiran 3. b. Distribusi Eror Bentuk distribusi dari eror terstandar dapat dilihat dari nilai kemencengan dan keruncingannya. Nilai kemencengan eror terstandar sebesar 0,099446. Nilai tersebut mendekati nol, maka dapat dikatakan bahwa eror terstandar memiliki distribusi yang simetris. Nilai keruncingan eror terstandar sebesar 3,805048 signifikan lebih besar dari 3 yang berarti eror terstandar memiliki distribusi dengan ekor yang lebih pendek dari distribusi normal yang menyebabkan distribusinya berbentuk leptokurtik. Hal tersebut merupakan efek dari heteroskedastisitas bersyarat dalam data yang dimodelkan menggunakan model GARCH, yang cenderung menghasilkan distribusi dengan ekor yang lebih pendek dari distribusi normal.
4.3.6 Peramalan Volatilitas dengan Model GARCH Ramalan variansi log return dari waktu t menggunakan persamaan (4.15). Ramalan variansi satu langkah ke depan adalah . Peramalan volatilitas return satu periode ke depan didapatkan dengan mengakarkan hasil dari ramalan variansinya. Nilai peramalan variansi satu periode ke depan yang diperoleh sebesar 0,001287 dan ramalan volatilitasnya sebesar 0,03587.
4.3.7 Peramalan Volatilitas dengan Model EWMA
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
37 Sebelum melakukan peramalan volatilitas dengan model EWMA, terlebih dahulu dicari decay factor optimum. Decay factor optimum ialah nilai
yang
menghasilkan nilai root mean square error terkecil. Dengan memasukkan nilai yang berbeda (trial and error) ke dalam persamaan (4.12), diperoleh bahwa nilai RMSE terkecil sebesar 0,001125294 dihasilkan oleh
. Tabel 4.5
memperlihatkan nilai RMSE untuk yang berbeda-beda. Tabel 4.5 Nilai RMSE dengan nilai 0,90-0,99 0,90 0,91 0,92 0,93 0,94 0,95 0,96 0,97 0,98 0,99
RMSE 0,001131841 0,001129980 0,001128311 0,001126900 0,001125843 0,001125294 0,001125508 0,001126933 0,001130465 0,001138248
Dengan demikian decay factor yang digunakan untuk menghitung besarnya peramalan variansi satu periode ke depan ialah menggunakan
. Dengan
, besarnya peramalan variansi satu periode ke depan
diperoleh sebesar 0,001585491. Sehingga besarnya peramalan volatilitas satu periode ke depan diperoleh dengan mengakarkan variansi yang didapat yaitu sebesar 0,03982. Perhitungan peramalan variansi dengan model EWMA menggunakan
dapat dilihat pada Lampiran 4.
4.3.8 Perhitungan VaR Hasil ramalan volatilitas yang telah diperoleh kemudian akan digunakan untuk menghitung besarnya nilai VaR. Namun sebelumnya perlu dilakukan uji normalitas data return yaitu untuk mengetahui apakah data return saham BRI mempunyai distribusi normal atau tidak. Gambar histogram data return saham
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
38 BRI tampak pada Gambar 4.9. Dari Gambar 4.9 tampak bahwa dara return tidak berdistribusi normal. Oleh karena itu, untuk lebih jelasnya dilakukan uji kenormalan. Pengujian normalitas dilakukan menggunakan uji Jarque-Bera. Berdasarkan hasil perhitungan diperoleh nilai Jarque-Bera untuk data return sebesar 70,52562. Nilai ini lebih besar dari nilai
sebesar
5,99, artinya data return tidak berdistribusi normal.
Gambar 4.9 Histogram data return
Karena data return tidak mempunyai distribusi normal maka
yang akan
digunakan untuk perhitungan VaR harus dikoreksi dengan cornish fisher expansion
. Tabel 4.6 memperlihatkan hasil perhitungan dengan cornish
fisher expansion untuk empat nilai tingkat kepercayaan. Tabel 4.6 Hasil perhitungan cornish fisher expansion No
Tingkat
Nilai
kepercayaan
Nilai Kemencengan
1.
90%
1,282
0,185607
1,262
2.
95%
1,645
0,185607
1,592
3.
99%
2,326
0,185607
2,190
4.
99,5%
2,576
0,185607
2,402
Selanjutnya dihitung besarnya VaR jika diasumsikan dana yang dialokasikan sebesar Rp 100.000.000,00 untuk investasi pada saham BRI, Tbk. Perhitungan besarnya VaR menggunakan persamaan pada (4.14). Hasil perhitungan VaR dengan estimasi volatilitas model GARCH dengan beberapa tingkat kepercayaan yang berbeda disajikan pada Tabel 4.7. Tabel 4.7 Hasil perhitungan VaR model ARMA(2,1)-GARCH(1,1)
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
39 Tingkat kepercayaan 90% 95% 99% 99,50%
1,262 1,592 2,190 2,402
Ramalan Volatilitas 0,03587 0,03587 0,03587 0,03587
VaR 0,04526794 0,05710504 0,07855530 0,08615974
VaR dalam Rp 4.526.794 5.710.504 7.855.530 8.615.974
Dengan menggunakan tingkat kepercayaan 95% berarti terdapat 5% peluang terjadinya kerugian yang melebihi Rp 5.710.504,00 selama 24 jam ke depan jika dana yang diinvestasikan sebesar Rp 100.000.000,00. Sedangkan perhitungan VaR dengan estimasi volatilitas EWMA dapat dilihat pada Tabel 4.8. Tabel 4.8 Hasil perhitungan VaR model EWMA Tingkat kepercayaan 90% 95% 99% 99,50%
1,262 1,592 2,190 2,402
Ramalan Volatilitas 0,03982 0,03982 0,03982 0,03982
VaR 0,05025284 0,06339344 0,08720580 0,09564764
VaR dalam Rp 5.025.284 6.339.344 8.720.580 9.564.764
Dengan menggunakan tingkat kepercayaan sebesar 95% berarti terdapat 5% peluang terjadinya kerugian yang melebihi Rp 6.339.344,00 selama 24 jam ke depan jika dana yang diinvestasikan sebesar Rp 100.000.000,00. Pada kedua estimasi volatilitas yang digunakan yaitu baik model GARCH maupun EWMA terlihat bahwa semakin besar nilai tingkat kepercayaan yang digunakan, maka semakin besar pula nilai VaR yang dihasilkan. Sedangkan nilai VaR dengan estimasi volatilitas EWMA lebih besar jika dibandingkan nilai VaR dengan model GARCH.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
40
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB V PENUTUP
5.1 Kesimpulan Dari pembahasanyang telah dilakukan,dapat diambil kesimpulan sebagai berikut. 1. Pada pemodelan data runtun waktu menggunakan model GARCH, terlebih dahulu dilakukan pemodelan pada rata-rata bersyaratnya. Eror pada model rata-rata bersyarat harus sudah tidak memiliki autokorelasi. Sedangkan untuk model bersama sudah tidak terdapat efek heteroskedastisitas dalam eror terstandarnya. Sementara pada pemodelan data runtun waktu model EWMA bergantung pada parameter
, nilai ini diperoleh dengan
meminimalkan RMSE. 2. Pada kasus data harga saham BRI, pemodelan GARCH terbaik yang diperoleh adalah model GARCH(1,1) dengan ARMA(2,1) sebagai model rata-rata bersyaratnya. Sedangkan EWMA terbaik diperoleh dengan nilai . Pada tingkat kepercayaan 95%, nilai VaR dengan estimasi volatilitas EWMA lebih besar jika dibandingkan dengan model GARCH.
5.2 Saran Dalam pembahasan ini data saham yang digunakan hanya terdiri dari satu saham. Kenyataannya investor seringkali mempunyai investasi lebih dari satu saham. Untuk selanjutnya perhitungan nilai VaR dengan model GARCH dan model EWMA dapat diterapkan untuk investasi yang terdiri lebih dari satu saham.
commit to user 40
perpustakaan.uns.ac.id
digilib.uns.ac.id
DAFTAR PUSTAKA
Bollerslev, T. 1986. Generalized Autoregressive Conditional Heretoskedasticity, Journal of Econometrics, 31:307-327 Cryer, J.D. 1986. Time Series Analysis. PWS Publisher Duxbury Press, Boston. Engle, R. F. 1982. Autoregressive Conditional Heteroscedasticity with Estimates of The Variance of United Kingdom Inflation. Econometrica, 50: 987-1008 Eviews 4 User’s Guide. (2001). Irvine. CA : Quantitative Micro Software. Fan, Y., Wei, Y., and Xu, W. 2004. Application of VaR Methodology to Risk Management in The Stock Market in China. Computers & Industrial Engineering, 46:383-388 Halim, A. 2003. Analisis Investasi. Salemba Empat, Jakarta Harper, D. 2007. Exploring The Exponentially Weighted Moving Average. Investopedia. URL Morgan, J.P.Global Research. 1996. RiskMetrics TM Technical Document, 4 th Edition, URL Pankratz, A. 1983. Forecasting With Univariate Box-Jenkins Models: Concepts and Case. John Wiley & Sons. New York. Saham BRI (http://finance.yahoo.com/q/pr?s=BBRI). Tsay, R. S. 2002. Analysis of Financial Time Series. John Wiley & Sons, Inc., Canada Wei, W.W.S. 1994. Time Series Analysis, Univariate and Multivariate Methods, Addison Wesley Publishing Company, California Winarno, W.W. 2007. Analisis Ekonometrika dan Statistika dengan Eviews. sekolah tinggi ilmu manajemen YKPN, Yogyakarta
commit to user 41
perpustakaan.uns.ac.id
digilib.uns.ac.id
LAMPIRAN 1
Output Uji Lagrange Multiplier Residu Model ARMA(2,1) ARCH Test: F-statistic Obs*R-squared
9.055981 43.75227
Probability Probability
0.000000 0.000000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 04/22/12 Time: 14:11 Sample(adjusted): 8 1132 Included observations: 1125 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C RESID^2(-1) RESID^2(-2) RESID^2(-3) RESID^2(-4) RESID^2(-5)
0.000422 0.116479 0.033988 0.006897 0.019527 0.145816
4.83E-05 0.029609 0.029806 0.029843 0.029800 0.030693
8.735161 3.933856 1.140298 0.231126 0.655254 4.750839
0.0000 0.0001 0.2544 0.8173 0.5124 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.038891 0.034596 0.001085 0.001318 6085.687 2.023143
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
commit to user 42
0.000621 0.001105 -10.80833 -10.78153 9.055981 0.000000
perpustakaan.uns.ac.id
digilib.uns.ac.id
LAMPIRAN 2
Output Model Rata-rata Bersyarat ARMA(2,1) dan Heteroskedastisitas Bersyarat GARCH(1,1) yang Diestimasi secara Bersama Dependent Variable: LOG_RETURN Method: ML - ARCH (BHHH) Date: 04/19/12 Time: 07:13 Sample(adjusted): 3 1132 Included observations: 1130 after adjusting endpoints Convergence achieved after 14 iterations MA backcast: 2, Variance backcast: ON Coefficient Std. Error z-Statistic C 0.001722 0.000555 3.101693 AR(1) 0.922990 0.075059 12.29687 AR(2) -0.068249 0.031043 -2.198570 MA(1) -0.889760 0.068241 -13.03855 Variance Equation C 1.79E-05 6.79E-06 2.636873 ARCH(1) 0.056007 0.012727 4.400620 GARCH(1) 0.915168 0.019307 47.40001 R-squared 0.011596 Mean dependent var Adjusted R-squared 0.006315 S.D. dependent var S.E. of regression 0.025090 Akaike info criterion Sum squared resid 0.706927 Schwarz criterion Log likelihood 2600.306 F-statistic Durbin-Watson stat 1.970153 Prob(F-statistic) Inverted AR Roots .84 .08 Inverted MA Roots .89
commit to user 43
Prob. 0.0019 0.0000 0.0279 0.0000 0.0084 0.0000 0.0000 0.001324 0.025169 -4.589922 -4.558763 2.195865 0.041142
perpustakaan.uns.ac.id
digilib.uns.ac.id
LAMPIRAN 3
Output Uji Lagrange Multiplier untuk Residu Model GARCH(1,1) dengan Model ARMA(2,1) pada Rata-rata Bersyaratnya ARCH Test: F-statistic Obs*R-squared
1.283757 12.81654
Probability Probability
Test Equation: Dependent Variable: STD_RESID^2 Method: Least Squares Date: 04/19/12 Time: 07:24 Sample(adjusted): 13 1132 Included observations: 1120 after adjusting endpoints Variable Coefficient Std. Error t-Statistic C 1.049380 0.107032 9.804339 STD_RESID^2(-1) 0.051248 0.030028 1.706713 STD_RESID^2(-2) -0.023523 0.030036 -0.783180 STD_RESID^2(-3) -0.027686 0.030045 -0.921486 STD_RESID^2(-4) -0.018642 0.030018 -0.621021 STD_RESID^2(-5) 0.051086 0.030689 1.664633 STD_RESID^2(-6) 0.009645 0.030690 0.314282 STD_RESID^2(-7) -0.045841 0.030688 -1.493755 STD_RESID^2(-8) -0.001601 0.030706 -0.052143 STD_RESID^2(-9) -0.047250 0.030699 -1.539128 STD_RESID^2(-10) 0.004802 0.030691 0.156479 R-squared 0.011443 Mean dependent var Adjusted R-squared 0.002529 S.D. dependent var S.E. of regression 1.675581 Akaike info criterion Sum squared resid 3113.598 Schwarz criterion Log likelihood -2161.783 F-statistic Durbin-Watson stat 2.000999 Prob(F-statistic)
commit to user 44
0.234502 0.234111
Prob. 0.0000 0.0882 0.4337 0.3570 0.5347 0.0963 0.7534 0.1355 0.9584 0.1241 0.8757 1.001976 1.677704 3.879970 3.929284 1.283757 0.234502
perpustakaan.uns.ac.id
digilib.uns.ac.id
LAMPIRAN 4 PERHITUNGAN PERAMALAN VARIANSI DENGAN MODEL EWMA MENGGUNAKAN No
Tanggal
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
06/01/2004
return kuadrat
return ---
---
peramalan variansi ---
07/01/2004
0,019418086
0,000377062
0,000377062
08/01/2004
0,074107972
0,005491992
0,000632809
09/01/2004
0,085522173
0,007314042
0,00096687
12/01/2004
-0,016529302
0,000273218
0,000932188
13/01/2004
-0,016807118
0,000282479
0,000899702
14/01/2004
0,049596941
0,002459857
0,00097771
15/01/2004
0,031748698
0,00100798
0,000979223
16/01/2004
0,030771659
0,000946895
0,000977607
19/01/2004
-0,046520016
0,002164112
0,001036932
20/01/2004
0
0
0,000985086
21/01/2004
-0,016000341
0,000256011
0,000948632
22/01/2004
0
0
0,0009012
23/01/2004
0,016000341
0,000256011
0,000868941
26/01/2004
-0,016000341
0,000256011
0,000838294
27/01/2004
-0,016260521
0,000264405
0,0008096
28/01/2004
-0,016529302
0,000273218
0,000782781
29/01/2004
-0,068992871
0,004760016
0,000981643
30/01/2004
0,017699577
0,000313275
0,000948224
02/02/2004
0
0
0,000900813
03/02/2004
-0,035718083
0,001275781
0,000919561
04/02/2004
0,053109825
0,002820654
0,001014616
05/02/2004
0,017094433
0,00029222
0,000978496
06/02/2004
0,065597282
0,004303003
0,001144722
09/02/2004
0,046520016
0,002164112
0,001195691
10/02/2004
-0,030771659
0,000946895
0,001183251
11/02/2004
0
0
0,001124089
12/02/2004
-0,048009219
0,002304885
0,001183128
13/02/2004
0,063513406
0,004033953
0,00132567
16/02/2004
-0,031252544
0,000976721
0,001308222
17/02/2004
0
0
0,001242811
18/02/2004
0,015748357
0,000248011
0,001193071
19/02/2004
0
0
0,001133418
20/02/2004
0,030771659
0,000946895
0,001124091
23/02/2004
0
0
0,001067887
commit to user 45
perpustakaan.uns.ac.id
digilib.uns.ac.id
return kuadrat
No
Tanggal
return
peramalan variansi
36 37 38 39 40 . . . . 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133
24/02/2004
-0,030771659
0,000946895
0,001061837
25/02/2004
-0,015748357
0,000248011
0,001021146
26/02/2004
-0,032260862
0,001040763
0,001022127
27/02/2004
0,016260521
0,000264405
0,000984241
01/03/2004
0,031748698
0,00100798
0,000985428
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
03/04/2008
-0,051735674
0,00267658
0,001542721
04/04/2008
0,026202372
0,000686564
0,001499913
07/04/2008
0,033901552
0,001149315
0,001482383
08/04/2008
-0,025317808
0,000640991
0,001440313
09/04/2008
-0,052643733
0,002771363
0,001506866
10/04/2008
0,026668247
0,000711195
0,001467082
11/04/2008
0,059592097
0,003551218
0,001571289
14/04/2008
-0,025105921
0,000630307
0,00152424
15/04/2008
-0,00851069
7,24318E-05
0,00145165
16/04/2008
0,025317808
0,000640991
0,001411117
17/04/2008
0
0
0,001340561
18/04/2008
0,040821995
0,001666435
0,001356855
21/04/2008
0,015873349
0,000251963
0,00130161
22/04/2008
-0,023905521
0,000571474
0,001265103
23/04/2008
0
0
0,001201848
24/04/2008
-0,041158072
0,001693987
0,001226455
25/04/2008
-0,016949558
0,000287288
0,001179497
28/04/2008
-0,034786116
0,001210074
0,001181025
29/04/2008
0,034786116
0,001210074
0,001182478
30/04/2008
0,016949558
0,000287288
0,001137718
01/05/2008
0
0
0,001080832
02/05/2008
0,103678429
0,010749217
0,001564252
05/05/2008
0,044451763
0,001975959
0,001584837
06/05/2008
-0,052056362
0,002709865
0,001641088
07/05/2008
-0,046883586
0,002198071
0,001668938
08/05/2008
0
0
0,001585491
commit to user 46