Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

AIM Connection Estimasi Model ARCH untuk Volatility dari Return Aset dengan Menggunakan Metode MCMC Imam Malik Safrudin Fakultas Sains dan Matematika Universitas.

Presentasi serupa


Presentasi berjudul: "AIM Connection Estimasi Model ARCH untuk Volatility dari Return Aset dengan Menggunakan Metode MCMC Imam Malik Safrudin Fakultas Sains dan Matematika Universitas."— Transcript presentasi:

1 AIM Connection Estimasi Model ARCH untuk Volatility dari Return Aset dengan Menggunakan Metode MCMC Imam Malik Safrudin Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Salatiga

2 AIM Connection PENDAHALUAN

3 AIM Connection Latar Belakang Pemodelan volatility pada return aset merupakan salah satu dari sekian banyak topik dalam dasar teori runtun waktu ekonomi keuangan, termasuk autoregressive conditional heterescedacity (ARCH) yang diperkenalkan oleh Engle (1982). Kemudian pada tahun 1986 Bollerslev memperumum model ARCH ke model Generalized Conditional Heteroscedastic (GARCH). Suatu model yang jauh lebih realistis dari model-model jenis GARCH yaitu model stochastic volatility (SV) diperkenalkan oleh Taylor (1982) dan realized variance (RV) diperkenalkan oleh Anderson dkk. (2001). Menurut Jones dan Wilson (1989) volatility mempresentasikan perubahan harga aset atau presentasi harga aset. Volatility mengacu pada tingkat pergerakan harga aset yang berubah-ubah. Pemantau risiko dari harga aset mengukur dan memprediksi volatility sebagai indikator utama, karena nilai-nilai yang lebih tinggi menyiratkan kesempatan yang lebih tinggi dari suatu perubahan harga aset yang besar.

4 AIM Connection Lanjutan Kebanyakan studi keuangan melibatkan return daripada harga aset. Campbell dkk. dalam Tsay (2010), memberikan dua alasan mengapa menggunakan return. Pertama, untuk investor pada umumnya, return pada sebuah aset merupakan hasil akhir atau ringkasan skala kebebasan dari peluang investasi. Kedua, runtun return lebih mudah untuk ditangani dari pada runtun harga, karena return memiliki sifat statistik yang lebih menarik. Nastiti (2012) sudah mendiskusikan volatility yang mengikuti model ARCH pada saham yang mengasumsikan return berdistribusi normal dan diselesaikan dengan metode Lagrange Multiplier (LM). Dalam studi ini akan difokuskan pada model volatility menggunakan ARCH model dengan mengasumsikan bahwa return berdistribusi normal dan student-t. Dalam hal ini model akan diestimasi dengan menggunakan metode Markov Chain Monte Carlo (MCMC). Carlin dan Chib (1995) menjelaskan metode MCMC dapat memudahkan permodelan yang cukup kompleks dalam analisis Bayes.

5 AIM Connection Perumusan Masalah Bagaimana mengestimasi model ARCH untuk volatility dengan menggunakan metode MCMC dan mengaplikasikannya untuk kurs nilai jual rupiah terhadap Euro (EUR), Japanese Yen (JPY) dan US Dollar (USD) untuk periode mendatang.

6 AIM Connection Tujuan Penelitian

7 AIM Connection Batasan Masalah i. Pembahasan dan analisis difokuskan pada data kurs nilai jual rupiah terhadap Euro (EUR), Japanese Yen (JPY) dan US Dollar (USD) periode 5 Januari 2009–31 Desember 2014 yang diambil dari arsip Bank Indonesia (BI) melalui laman ii. Penghitungan menggunakan alat bantu Matlab R2009a.

8 AIM Connection DASAR TEORI

9 AIM Connection Return dalam Pemodelan Keuangan

10 AIM Connection Teori Bayes (Koop et al., 2007)

11 AIM Connection Metode MCMC Menurut Casella dan Berger (2002), Markov Chain Monte Carlo (MCMC) merupakan sebuah metode untuk membangkitkan peubah- peubah acak yang didasarkan pada rantai markov. Pengambilan sampel pada MCMC digunakan untuk mengatasi masalah kompleksitas komputasi yang merupakan kelemahan utama dari pendekatan Bayesian. MCMC sering digunakan karena merupakan salah satu alat estimasi terbaik (Anderson dkk., 1999).

12 AIM Connection Langkah-langkah MCMC

13 AIM Connection Lanjutan

14 AIM Connection MCMC Sampler (Nugroho, 2014)

15 AIM Connection Lanjutan

16 AIM Connection Volatility Menggunakan Model ARCH (m)

17 AIM Connection METODOLOGI PENELITIAN

18 AIM Connection Data yang Diamati Pembahasan dan analisis difokuskan pada data kurs nilai jual Euro (EUR), Japanese Yen (JPY), dan US Dollar (USD) terhadap rupiah atas periode 5 Januari 2009 sampai dengan 31 Desember 2014 yang diambil dari laman (http://www.bi.go.id/id/moneter/informasi-kurs/transaksi- bi/Default.aspx) Bank Indonesia (BI).http://www.bi.go.id/id/moneter/informasi-kurs/transaksi- bi/Default.aspx

19 AIM Connection Grafik Grafik 1. Grafik nilai jual mata uang EUR (atas), USD (tengah), dan EUR (bawah) terhadap rupiah. Grafik 2. Grafik hasil return nilai jual mata uang EUR (atas), USD (tengah), dan EUR (bawah) terhadap rupiah.

20 AIM Connection Langkah-langkah penelitian 1. Pemilihan data mata uang asing terhadap kurs nilai jual rupiah. 2. Pengumpulan data kurs nilai jual Euro (EUR), Japanese Yen (JPY), dan US Dollar (USD) terhadap rupiah atas periode 5 Januari 2009 sampai dengan 31 Desember 2014 yang diambil dari laman Bank Indonesia (BI). 3. Telaah teori studi tentang teori volatility dan metode MCMC. 4. Hasil estimasi parameter model MCMC. 5. Analisis menggunakan data nyata. 6. Hasil estimasi model dari studi empiris selanjutnya diambil kesimpulan.

21 AIM Connection ANALISA DAN PEMBAHASAN AWAL

22 AIM Connection Statistik deskriptif return dari tiap nilai tukar rupiah terhadap mata uang JPY, USD, dan EUR. Mata Uang MeanSDSkewnessKurtosis JB Test (normalitas) LB Q test (auto korelasi) JPY tidak normal tidak ada korelasi USD tidak normal ada korelasi EUR e tidak normal tidak ada korelasi

23 AIM Connection JADUAL PENELITIAN

24 AIM Connection Jadual Penelitian No.Kegiatan Bulan Presentasi Proposal 2Mencari data 3 Pembuatan program komputer simulasi ARCH 4Modifikasi ARCH 5Estimasi model ARCH 6 Pembuatan Laporan : Seminar Hasil

25 AIM Connection DAFTAR PUSTAKA Andersen, T. G., Bollerslev, T., Diebold, F. X., and Labys, P. (2001). The distribution of realized exchange rate volatility, Journal of the American Statistical Association, 96 (453), pp. 42–55. Andersen, T. G., Chung, H.-J., dan S  rensen, B. E. (1999). Efficient method of moments estimation of a stochastic volatility model: A Monte Carlo study, Journal of Econometrics, 91, pp. 61  87. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 31, pp. 307–327. Brooks, C. (2008). Introductory econometrics for finance, Edisi ke-2, Cambridge University Press. Carlin, B. P., dan Chib, S. (1995). Bayesian model choice via markov chain monte carlo methods, Journal of The Royal Statistical Society, 57 (3), pp. 473–484. Casella, G. dan Berger R., L. (2002). Statistical inference, Thomson Learning, Duxbury. Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of the united kingdom inflation. Econometrica, 50, pp. 987–1007. Engle, R., F. (2001). The use of arch/garch models in applied econometrics. Journal of Economic Persepective, 4, pp. 157  158. Gamerman, D. (1997). Markov chain monte carlo: stochastic simulation for bayesian inference. Chapman & Hall, London. Geman, S. dan Geman, D. (1984). Stochastic relaxation, gibbs distribution, and the bayesian restoration of images, IEE Transaction on Pattern Analysis and Machine Intelligence.

26 AIM Connection DAFTAR PUSTAKA Geyer, C. J. (2011). Introduction to markov chain monte carlo, handbook of markov chain monte carlo (eds. S. P. Brooks, A. Gelman, G. L. Jones, and X.-L. Meng), pp. 3  48, Chapman & Hall/CRC. Gilks, W., Richardson, S., dan Spiegelhalter, D. J. (1996). Introducing markov chain monte carlo, markov chain monte carlo in practice (eds. R. S. Gilks W. and D. J. Spiegelhalter), pp. 1  19. Chapman & Hall/CRC, London. Hasting, W. K. (1970). Monte carlo sampling methods using markov chains and their applications. Biometrika, 57, pp. 97  109. Hestiningtyas, R. dan Sulandari, W. (2009). Pemodelan tarch pada nilai tukar kurs euro terhadap rupiah, seminar nasional matematika dan pendidikan matematika, S-9, pp. 59  598. Johannes, M. and Polson, N. G. (2010). MCMC methods for continuous  time financial econometrics, handbook of financial econometrics (Y. Ait-Sahalia and L. P. Hansen), pp. 1  72. Elsevier B. V., North-Holland Jones, C. P., and Wilson, J. W. (1989). Is stock price volatility increasing?, Financial Analysts Journal, 45, pp. 7. Judge, G. G. et. al. (1988). Introduction to the theory and practice of econometrics. John Wiley & Sons. Kim, S., Shephard, N., and Chib, S. (1998). Stochastic volatility: likelihood inference and comparison with arch models, in N. Shephard (Ed.), stochastic volatility: selected readings, Oxford University Press.

27 AIM Connection DAFTAR PUSTAKA Koop. G., Poirier, D. J. dan Tobias, J. L. (2007). Bayesian econometri methods. Cambridge University Press, New York. Metropolis, N., Rosenbluth, A. W., Marshall, N. R., Teller, A. H., dan Teller, E. (1953). Equations of state calculations by fast computing machines. Journal of Chemical Physics, 21 (6), pp  Nastiti, K. L. A. dan Suharsono A. (2012). Analisis volatilitas saham perusahaa go public dengan metode arch  garch. Jurnal Sains dan Seni ITS, 1, (1), pp. D259­  D264. Nugroho, D. B. (2014). Realized stocastic volatility model using generalized student’s t-error distributions and power transformations, Dissertation. Kwansei Gakuin University, Japan. Robert, C. dan Casella, G. (2011). A short history of markov chain monte carlo: subjective recollections from incomplete data. Statistical Science, 26 (1), pp. 102  115. Taylor, S. J. (1982). Financial returns modelled by the product of two stochastic processes—a study of the daily sugar prices 1961–75, in N. Shephard (Ed.), stochastic volatility: selected readings, pp. 60–82. Oxford University Press, New York. Tsay, R. S., (2010). Analysis of financial time series. John Willey and Sons, Inc. New York.

28 AIM Connection TERIMA KASIH


Download ppt "AIM Connection Estimasi Model ARCH untuk Volatility dari Return Aset dengan Menggunakan Metode MCMC Imam Malik Safrudin Fakultas Sains dan Matematika Universitas."

Presentasi serupa


Iklan oleh Google