Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

ARCH GARCH

No description
by

akm monika

on 14 March 2017

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of ARCH GARCH

Kondisi data time series..
Terdapat pelanggaran asumsi Gauss Markov
Asumsi homokedastis terlanggar --> data heterokedastis --> varian error tidak konstan
Terdapat shock yang simetris pada data.
Bagaimana cara mengatasi varian yang tidak konstan --> padahal estimasi parameter menggunakan metode OLS
Background
Model ARCH - GARCH
Kondisi data time series
Variasi dari model ARCH - GARCH
1. ARCH - Mean
Time Series #8
ARCH-GARCH
Fakta Data Time Series..
1. Sebagian besar series mengandung tren yang jelas
2. Volatilitas series tidak konstan dari waktu ke waktu
3. Shocks suatu series dapat menampilkan keuletan tingkat tinggi
4. Beberapa series seringkali terlihat berliku-liku
5. Beberapa series berbagi pergerakan
6. Beberapa series mengalami patahan (
breaks
)
tetapi, karena datanya mengalami volatilitas maka asumsi varian error yang konstan tidak bisa dipenuhi. Sehingga varian errornya harus dijelaskan.
Engle (1982) memiliki ide untuk menjelaskan varian error ini -->
Varian error adalah fungsi dari error kuadrat periode sebelumnya. Model ini disebut dengan ARCH (
Auto Regressive Conditional Heteroscedasticity
)

Model ARCH terdiri dari :
1. Persamaan Mean
2. Persamaan Varian
diestimasi dengan metode
OLS
diestimasi dengan metode
Maximum Likelihood
Generalized Auto Regressive Conditional Heteroscedasticity
Model GARCH
Dipopulerkan oleh Bollerslev (1986). Idenya adalah varian error juga dipengaruhi oleh varian error sebelumnya. Model ini terdiri dari :
1. Persamaan mean :
2. Persamaan varian :
Maximum Likelihood Estimation
2. Treshold - ARCH
3. Exponential - ARCH
Error dengan volatilitas tinggi sering kali mempengaruhi variabel dependen.. Varian error dimasukkan ke dalam model, karena error yang memiliki volatilitas tinggi mempengaruhi variabel dependennya
Model ini dipopulerkan oleh Zakoian (1990), Glusten, Jaganathan dan Runkie (1993).
Bila shock (guncangan) pada data tidak simetris (
asymetric shock
), model yang bisa digunakan adalah TARCh atau EGARCH
Dipopulerkan oleh Nelson (1991).
Model ini merupakan bentuk GARCH yang menggunakan logaritma yang menjamin bahwa varian tidak pernah negatif
Leverage adalah rasio dari jumlah modal yang digunakan dalam transaksi untuk uang jaminan yang diperlukan (margin). Mempunyai Fungsi sebagai daya ungkit anda yang bisa menaikkan kekuatan transaksi anda dengan kata lain guna menaikan kekuatan untuk mengendaliakan jumlah yang besar dengan kekuatan kecil. Leverage merupakan Pinjaman dari broker kepada trader, sehingga dana trader memilikidaya beli yang lebih besar, Leverage dinotasikan sebagai ratio perbandingan , missal : 1 : 1, 1 : 100, 1 : 500 dst. Artinya kalau trader mempunyai dana $ 100 dileverage 1 : 100, maka dana $ 100 tersebut memiliki kekuatan setara $10.000, Jika leverage 1 : 500 maka kekuatan $ 100 tersebut mempunyai kekuatan setara $50.000 atau 500X lipat lebih kuat dibanding nominal dana itu sendiri.
Prosedur Eviews untuk estimasi ARCH - GARCH
1. Identifikasi Efek ARCH
2. Estimasi model

Pola error kuadrat dengan korelogram
Lakukan uji white noise pada error nya
apakah error kuadrat stasioner
Dari workfile. View > Residual Test > Correlogram Squared Residual
Prosedur uji stasioner dengan korelogram sama seperti sebelumnya

Uji ARCH-LM
Dari workfile. View > Residual Test > Heteroscedasticity Tests .
Pada dialog box klik ARCH


Estimasi dan Simulasi Model
Quick > Estimate Equation ..
pada box
estimation setting
pilih metode estimasinya ARCH-Autoregressive Conditional Heteroscedasticity

spesifikasi model persamaan mean
tulis persamaan model arima yang telah diperoleh sebelumnya
Pilih estimasi model yang akan digunakan, apakah ARCH, GARCH, TARCH, EGARCH
Pada Order, tentukan ordo ARCH dan ordo GARCH
Pada Treshold order, tentukan ordo treshold bila model yang digunakan adalah GARCH/TARCH
Pada variance regressor, tambahkan variabel lain diluar term ARCH dan GARCH yang dianggap signifikan untuk meningkatkan efisiensi model
3. Pemilihan Model
Perhatikan :
Signifikansi parameter
Log likelihood terbesa
AIC dan SIC terkecil
Evaluasi Mode
Normalitas error
Keacakan error --> error stasioner
Uji efek ARCH --> uji ARCH LM
Full transcript