Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk menggambarkan variansi bersyarat dari runtun waktu keuangan dapat dimodelkan menggunakan Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Model multivariate dikembangkan untuk mengetahui hubungan antar beberapa data runtun waktu keuangan dan mengetahui variansi kovariansi dari data runtunnya, salah satunya adalah model full-factor multivariate GARCH. Salah satu karakteristik runtun waktu keuangan adalah memiliki ekor gemuk, karakteristik ini dapat dijelaskan oleh distribusi yang memiliki ekor gemuk contohnya distribusi student-t. Pada tulisan ini, akan dibahas mengenai estimasi parameter pada model full-factor multivariate GARCH dengan asumsi error berdistribusi multivariate student-t. Pembahasan akan difokuskan pada tahap estimasi parameter model full-factor student-t multivariate GARCH dengan metode estimasi maksimum likelihood. Namun estimasi secara analitik tidak dapat digunakan untuk mengestimasi parameter dalam model, maka digunakan penyelesaian secara numerik menggunakan algoritma quasi-Newton BFGS. Data yang digunakan pada tulisan ini adalah data return harian delapan saham pada pasar di Amerika Serikat dari tanggal 1 Januari 2006 sampai dengan 1 Januari 2015.

---

To describe the conditional variance of financial time series, Generalized Autoregressive Conditional Heteroscedasticity models (GARCH) has been widely used. Multivariate models were developed to capture the relationship between several financial time series datas, and to describe the conditional variance and covarianse of time series. In this paper we consider full-factor multivariate GARCH model. One of the characteristics of financial time series is fat tails in the conditional distribution, these characteristic can be explained by the distribution that has fat tails, for example student-t distribution. In this paper, we will discuss full-factor multivariate GARCH model assuming the error has multivariate student-t distribution. The discussion will focus on parameter estimation for full-factor multivariate student-t GARCH model with maximum likelihood estimation method. But in this model don’t have the closed form, so we used numerically method i.e quasi-Newton BFGS algorithm. The data used in this paper are returns from eight stocks on the US market from January 1st 2006 until January 1st 2015."

"Penelitian ini menguji dampak dari business cycle dan VIX terhadap tingkat return maupun volatilitas untuk pasar saham kawasan developed market dan emerging market. Penelitian ini menggunakan sampel 4 negara terbesar dari kawasan developed market serta 3 negara terbesar dari kawasan emerging market. Dalam melakukan pengujian, peneliti menggunakan GARCH-in-Mean model. Hasil dari penelitian ini menunjukkan bahwa pengaruh business cycle dan VIX lebih signifikan pada tingkat volatilitas ketimbang pada tingkat return. Selain itu, pada periode krisis global 2008, dampak dari krisis lebih besar terhadap pasar saham kawasan emerging market ketimbang pasar saham pada kawasan developed market.

---

This paper investigates the effect of business cycle and VIX for stock markets rsquo return and volatility in major developed and emerging markets. Researcher employ the effect by using the GARCH in Mean model. The results suggest that the effect of business cycle and VIX are more prominent on stock volatility rather than stock returns. This study also identifies during recent global financial crisis, the magnitude is larger on the emerging markets compared to the developed market."

"Model tingkat bunga yang akan dibahas pada Tesis ini adalah model ekuilibrium satu faktor, yaitu model Rendleman - Bartter (RB) yang diasumsikan dalam ukuran risk-neutral. Tesis ini membahas mengenai stabilitas model RB, yaitu stabilitas stokastik asimtotik dan stabilitas mean-square. Stabilitas model RB ini terkait dengan parameter model RB. Namun, nilai parameter model RB tidak diketahui nilainya sehingga untuk implementasi model diperlukan penaksiran parameter model RB. Penaksiran parameter model RB membutuhkan data historis tingkat bunga. Model RB terkait dengan data historis berada pada ukuran aktual (actual measure). Sedangkan, model RB berada pada ukuran riskneutral, sehingga sebelum menentukan taksiran parameter dilakukan perubahan ukuran pada model RB menggunakan Teorema Girsanov. Metode yang digunakan dalam penaksiran parameter adalah Maximum Likelihood Estimation (MLE) dan dilanjutkan dengan metode numerik Newton ? Raphson. Dengan menggunakan data tingkat bunga bulanan suatu zero-coupon bond dengan maturity time 5 tahun periode Januari tahun 1982 hingga Februari 2011 yang diunduh dari http://www.bankofengland.co.uk dapat diperoleh nilai taksiran parameter yang memenuhi stabilitas model RB.

---

The Rendleman-Bartter (RB) model is a one-factor equilibrium interest rate model under risk-neutral measure. This thesis presents the stability of RB model, that is, stochastically asymptotically stable and mean-square stable, and their stability corresponds to parameter RB model. However, in the application the value of parameters RB model is unknown and needs to be estimated. Parameter estimation of RB model requires historical data of interest rates under actual measure. Therefore, Girsanov Theorem is used to change measure. Also, Maximum Likelihood Estimation (MLE) and Newton-Raphson method can be used to estimate these parameters. Parameter estimators are obtained by data of a zero-coupon bond with maturity time of five years from January 1982 to February 2011. This data can be downloaded from http://www.bankofengland.co.u."

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."

"Suatu runtun waktu yang memiliki variabel respon biner disebut runtun waktu biner. Runtun waktu biner dapat dimodelkan menggunakan model umum Autoregressive dengan pendekatan regresi non-linier. Kedem Fokianos 2000 mengenalkan model runtun waktu biner melalui pendekatan Autoregressive dan regresi logistik. Metode yang digunakan untuk penaksiran parameter yaitu metode Partial Likelihood. Metode Partial Likelihood ini dilakukan dengan menentukan fungsi Partial Likelihood yang dibentuk dari probability density function pdf marginal distribusi Bernoulli. Namun, dalam proses penaksiran parameter menggunakan metode Partial Likelihood ditemukan kesulitan untuk mendapatkan solusi secara langsung dikarenakan persamaan yang tidak linier closed form. Oleh karena itu, untuk mengatasi hal tersebut dilakukan iterasi menggunakan metode Fisher Scoring. Aplikasi data pada penaksiran parameter untuk model runtun waktu biner dalam tugas akhir ini menggunakan data kompetisi balap perahu antara Universitas Cambridge dan Universitas Oxford yang dicatat pada tahun 1946 sampai 2011 dengan jumlah data berbeda yaitu 22, 44, dan 66 data. Berdasarkan aplikasi data yang dilakukan, diperoleh hasil bahwa penaksiran parameter untuk model runtun waktu biner menggunakan Partial Likelihood dengan jumlah data yang berbeda menghasilkan penaksir parameter yang relatif sama atau tidak memiliki perbedaan yang signifikan.

---

A time series that has binary respon variable is called a binary time series. Binary time series can be modeled using the Autoregressive general model and nonlinear regression approach. Kedem Fokianos 2000 introduced a binary time series model through the Autoregressive and logistic regression approach. The parameters of binary time series are estimated using the Partial Likelihood method. The Partial Likelihood method is performed by determining the Partial Likelihood function derived from the marginal probability density function pdf of Bernoulli distribution. However, in the process of parameter estimation using this method, the form of final function to obtain parameters is not in the closed form equation. To face this problem, Fisher scoring iterations are perfomed.

The application of parameter estimation of the model uses the data about boat racing competition between the University of Cambridge and Oxford University from 1946 to 2011. Based on the data application, parameter estimation of the binary time series model using partial likelihood with different amounts of data resulting in a relatively same or no significant parameter estimator."

"Error in variable model adalah model regresi dimana variabel independennya mengandung error. Hal ini dikarenakan nilai sebenarnya dari variabel independen tidak diketahui dan tidak dapat diukur dengan tepat sesuai dengan nilai sebenarnya (disebut dengan variabel independen yang tidak terobservasi), sehingga nilai sebenarnya dari variabel independen ini diwakilkan oleh nilai yang didapat dari suatu proses pengukuran yang belum tentu sesuai dengan nilai sebenarnya. Salah satu jenis error in variable model adalah classical error in variable model. Pada classical error in variable model, terdapat dua jenis variabel independen yang tidak terobservasi, yaitu fixed dan random. Pada penulisan tugas akhir ini akan dibahas mengenai penaksiran parameter pada classical error in variable model dimana variabel independen yang tidak terobservasi berdistribusi normal dengan menggunakan metode maksimum likelihood."

"Model parametrik Weibull digunakan ketika waktu survival diketahui berdistribusi Weibull. Dengan asumsi accelerated failure time (AFT), model parametrik Weibull AFT dibentuk dengan meregresikan kovariat secara linier terhadap log waktu. Koefisien regresi pada model parametrik Weibull AFT ditaksir dengan metode maksimum likelihood. Sebagai contoh penerapan digunakan data berupa waktu sampai meninggal untuk seseorang yang mengidap penyakit leukemia, dengan awal pengamatan saat pasien diberi suatu perlakuan. Selain itu, dilakukan juga simulasi data dengan men-generate data dari distribusi Weibull dan non-Weibull. Dengan pengecekan plot dari Cox-Snell residual, diperoleh hasil bahwa jika asumsi distribusinya tepat maka model Weibull AFT lebih baik dibandingkan model Cox PH yang tidak menggunakan asumsi distribusi waktu survival, dan sebaliknya jika asumsi tidak terpenuhi.

---

Weibull parametric model is used when the survival time follows a Weibull distribution. Under the assumption of accelerated failure time (AFT) model, the response in the model, i.e. the log of survival time, is modeled as a linear combination of the covariates. Regression coefficients are estimated using maximum likelihood method. As an example, data of time to death event for leukemia patients, with the beginning of the observation when the patient was given a treatment. In addition, simulations are also performed by generating data from the Weibull and non-Weibull distribution. By checking the plot of the Cox-Snell residuals, the results show that Weibull AFT model is better than Cox PH model when the assumption is met, while the Cox PH is better when the assumption is violated."

"Data count adalah data yang berupa bilangan bulat non-negatif. Analisis regresi yang biasa digunakan untuk variabel respon yang berupa data count adalah regresi Poisson. Regresi Poisson memerlukan asumsi bahwa mean pada variabel respon sama dengan variansinya. Jika asumsi tersebut dilanggar yaitu pada saat variansi lebih besar dibanding mean atau disebut kondisi overdispersi, maka regresi Poisson tidak sesuai untuk menganalisis data tersebut. Overdispersi pada regresi Poisson dapat membuat standard error dari taksiran parameter regresi cenderung lebih rendah dari seharusnya, sehingga menghasilkan kesimpulan yang tidak valid. Model regresi Binomial Negatif merupakan salah satu model yang dapat digunakan saat terjadi overdispersi pada data count. Tugas akhir ini akan membahas mengenai penaksiran parameter model regresi Binomial Negatif dengan metode maksimum likelihood dimana solusi dari fungsi likelihood-nya diselesaikan dengan metode Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo-R2, uji rasio likelihood, dan uji Wald.

---

Count data is the non-negative integer data. Regression analysis is commonly used for count dependent data variabel is Poisson Regression. Poisson Regression has an assumption that mean of response variable equal to its variance. If the assumption is violated, where the variance is greater than mean, called overdispersion, then Poisson regression is inconvenient to analyze the data. Overdispersion on Poisson regression may underestimate the standard errors of regression parameters and consequently, giving misleading inference about the regression parameters.

Negative Binomial regression model is one of the models that can be used when there is evidence of overdispersion count data. This final task will discuss about estimating parameter of Negative Binomial regression model by maximum likelihood methods, which the maximum likelihood estimates may be solved by using the Newton-Raphson iteration. Goodness of fit testing of this model includes pseudo-R2 statistic, likelihood ratio, and Wald test. "

"Model pilihan diskrit adalah model yang digunakan untuk memodelkan pilihan. Model pilihan diskrit dapat diturunkan dari fungsi utilitas yang direpresentasikan dalam probabilitas pembuat keputusan memilih alternatif pilihan yang memberikan utilitas maksimum. Salah satu model pilihan diskrit adalah Model Mixed Logit. Model ini mengasumsikan koefisien dari variabel penjelasnya bersifat random yang dapat menggambarkan selera antar pembuat keputusan yang berbeda-beda dalam menentukan pilihan; dan komponen error berdistribusi Gumbel. Model Mixed Logit merupakan campuran antara Model Logit dan distribusi dari koefisien random variabel penjelas. Parameter yang akan ditaksir pada Model Mixed Logit adalah parameter dari distribusi koefisien random, seperti mean dan variansi. Penaksiran parameter Model Mixed Logit menggunakan metode Maximum Simulated Likelihood Estimator (MSLE) berdasarkan metode Halton Sequence. Setelah diperoleh taksiran parameter, selanjutnya probabilitas pembuat keputusan untuk masing-masing pilihan dihitung, sehingga diperoleh alternatif pilihan yang memaksimumkan utilitas pembuat keputusan.

---

A discrete choice model is a model that be used to modelling the choices. A discrete choice model can be derived from a utility function which represented in probability of decision maker chooses an alternative which give maximum utility. Mixed Logit model is one of these choice type models. Mixed Logit model assumes that random coefficient of variable which can capture different taste variation over decision makers; and error term is Gumbel distributed.

Mixed Logit model is a mixture between Logit model and distribution of random coefficient. Estimated parameter in Mixed Logit model is parameter of random coefficient distribution, i.e mean and variance. The method of parameter estimation of this model is Maximum Simulated Likelihood Estimator (MSLE) which based on Halton Sequence method. After estimator is obtained, then probability that decision maker for each alternative calculated, so that an alternative which maximize utility of decision maker is obtained."

"Harga saham selalu berfluktuasi setiap waktu. Hal ini merupakan salah satu bentuk ketidakpastian yang terjadi di pasar saham. Risiko akibat dari ketidakpastian ini dapat diminimalisir dengan peramalan harga saham yang dibentuk dengan model linier. Salah satu model linier yang dapat digunakan dalam peramalan harga saham adalah model hybrid ARFIMA-GARCH. Model ini merupakan gabungan dari model ARFIMA dan model GARCH yang sudah pernah digunakan oleh penelitian sebelumnya dan disinyalir memiliki kekurangan dan kelebihan masing-masing. Model ARFIMA baik digunakan untuk peramalan jangka panjang, namun memiliki kendala, yakni adanya volatilitas yang terjadi dalam jangka panjang. Hal ini dapat diatasi oleh model GARCH yang baik digunakan dalam volatilitas pada harga saham dalam jangka panjang. Model GARCH merupakan pengembangan dari model Autoregressive Conditional Heterocedastic (ARCH), di mana model ini menggunakan volatilitas pada data sebelumnya. Berikutnya, model ARFIMA dan GARCH yang digabungkan menjadi model hybrid ARFIMA-GARCH akan digunakan pada penelitian ini untuk peramalan harga saham LQ45. Pada penelitian ini, hanya dua saham dari indeks saham LQ45 yang akan diprediksi harga sahamnya, yakni saham dengan volatilitas harga terkecil dan terbesar. Data harga saham yang digunakan adalah harga penutupan harian saham BBCA (PT Bank Central Asia Tbk.) dan TKIM (PT Tjiwi Kimia Paper Factory Tbk.) pada periode tahun 2017-2021. Hasil peramalan dengan model ARFIMA-GARCH akan dievaluasi nilai erornya menggunakan Root Mean Square Error dan Mean Absolute Percentage Error. Berikutnya, nilai akurasi ini akan dibandingkan dengan nilai akurasi peramalan menggunakan model ARFIMA. Pada akhirnya, diperoleh hasil bahwa peramalan harga saham dengan model ARFIMA-GARCH lebih baik dibandingkan dengan model ARFIMA.

---

Stock price always fluctuate all the time. This is one form of buffer that occurs in the stock market. The risk resulting from this buffer can be minimized by forecasting stock prices using linear model. One of the linear model that can be used in stock price forecasting is the hybrid ARFIMA-GARCH model. This model is a combination of the ARFIMA model and GARCH model which have been used in previous studies and allegedly each models have advantages and disadvantages. ARFIMA model is good for long-term forecasting, but has a problem, which is the volatility that occurs in the long term. This can be resolved by GARCH model which is good for volatility in stock prices, even for a long term data. GARCH model is a development of Autoregressive Conditional Heterocedastic (ARCH) model, where this model uses volatility in previous data. Furthermore, the ARFIMA and GARCH models are combined into the hybrid ARFIMA-GARCH model which will be used in this study for forecasting LQ45 stock prices. In this study, only two stock prices from LQ45 stock index that will be forecast, stocks which have the smallest and largest price volatility. The price data used is the daily closing price of BBCA (PT Bank Central Asia Tbk.) and TKIM (PT Tjiwi Kimia Paper Factory Tbk.) in 2017- 2021. The ARFIMA-GARCH model forecasting results will be evaluated by using the Root Mean Square Error and Mean Absolute Percentage Error. Next, this error accuracy value will be compared with the forecasting accuracy value using ARFIMA model. In the end, our hypothesis is that the stock price forecasting with ARFIMA-GARCH model is better than ARFIMA model."