scholarly journals Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham

2018 ◽  
Vol 3 (2) ◽  
pp. 21
Author(s):  
Cipta Rahmadayanti ◽  
Hasbi Rabbani ◽  
Aniq Atiqi Rohmawati
Keyword(s):  
Time Series ◽  
Maximum Likelihood ◽  
Conditional Maximum Likelihood ◽  
Conditional Maximum

<p>Jual beli saham merupakan salah satu bentuk investasi yang menjanjikan para investor, investasi berkaitan dengan return atau keuntungan yang didapatkan oleh suatu investor atas suatu investasi yang dilakukan terhadap saham tertentu. Untuk mendapatkan nilai return pada beberapa periode kedepan dapat dilakukan prediksi, pada dasarnya prediksi dapat dilakukan dengan menggunakan beberapa metode, namun dengan menggunakan model <em>time series </em>diharapkan menghasilkan prediksi yang baik karna karakteristik dari<em> </em>data saham merupakan data <em>time series</em> yang bergerak kontinu terhadap waktu.<em> </em>Pada penelitian ini digunakan model <em>time series Autoregressive (AR) </em>dengan pendekatan <em>Conditional Maximum Likelihood</em> untuk memprediksi nilai return serta dapat melihat pergerakan harga saham. Nilai parameter yang penting pada model <em>Autoregressive</em> orde 1 adalah . Hasil penaksiran parameter dengan <em>Conditional Maximum Likelihood</em> digunakan untuk memperoleh nilai hasil prediksi. Berdasarkan hasil analisis,  model <em>Autoregressive</em> dengan pendekatan <em>Conditional Maximum Likelihood</em> adalah model yang baik untuk memprediksi return dan harga saham NASDAQ dengan RMSE sebesar 0,0002578. Berdasarkan hasil prediksi model AR(1), maka para investor dapat membuat strategi untuk berinvestasi pada indek saham NASDAQ agar dapat menghasilkan keuntungan.</p>

Model Autoregressive dengan Pendekatan Conditional Maximum Likelihood Untuk Prediksi Harga Saham

2018 ◽  
Vol 3 (1) ◽  
pp. 52-59
Author(s):  
Cipta Rahmadayanti ◽  
Hasbi Rabbani ◽  
Aniq Atiqi Rohmawati
Keyword(s):  
Time Series ◽  
Maximum Likelihood ◽  
Conditional Maximum Likelihood ◽  
Model Time Series ◽  
Conditional Maximum

Jual beli saham merupakan salah satu bentuk investasi yang menjanjikan para investor, investasi berkaitan dengan return atau keuntungan yang didapatkan oleh suatu investor atas suatu investasi yang dilakukan terhadap saham tertentu. Untuk mendapatkan nilai return pada beberapa periode kedepan dapat dilakukan prediksi, pada dasarnya prediksi dapat dilakukan dengan menggunakan beberapa metode, namun dengan menggunakan model time series diharapkan menghasilkan prediksi yang baik karna karakteristik dari data saham merupakan data time series yang bergerak kontinu terhadap waktu. Pada penelitian ini digunakan model time series Autoregressive (AR) dengan pendekatan Conditional Maximum Likelihood untuk memprediksi nilai return serta dapat melihat pergerakan harga saham. Nilai parameter yang penting pada model Autoregressive orde 1 adalah . Hasil penaksiran parameter dengan Conditional Maximum Likelihood digunakan untuk memperoleh nilai hasil prediksi. Berdasarkan hasil analisis,  model Autoregressive dengan pendekatan Conditional Maximum Likelihood adalah model yang baik untuk memprediksi return dan harga saham NASDAQ dengan RMSE sebesar 0,0002578. Berdasarkan hasil prediksi model AR(1), maka para investor dapat membuat strategi untuk berinvestasi pada indek saham NASDAQ agar dapat menghasilkan keuntungan.

THE INFORMATION BOUND OF A DYNAMIC PANEL LOGIT MODEL WITH FIXED EFFECTS

2001 ◽  
Vol 17 (5) ◽  
pp. 913-932 ◽  
Author(s):  
Jinyong Hahn
Keyword(s):  
Maximum Likelihood ◽  
Maximum Likelihood Estimator ◽  
Fixed Effects ◽  
Dynamic Panel Data ◽  
Consistent Estimator ◽  
Likelihood Estimator ◽  
Dynamic Panel ◽  
Conditional Maximum Likelihood ◽  
Information Bound ◽  
Conditional Maximum

In this paper, I calculate the semiparametric information bound in two dynamic panel data logit models with individual specific effects. In such a model without any other regressors, it is well known that the conditional maximum likelihood estimator yields a √n-consistent estimator. In the case where the model includes strictly exogenous continuous regressors, Honoré and Kyriazidou (2000, Econometrica 68, 839–874) suggest a consistent estimator whose rate of convergence is slower than √n. Information bounds calculated in this paper suggest that the conditional maximum likelihood estimator is not efficient for models without any other regressor and that √n-consistent estimation is infeasible in more general models.

Hidden Neural Networks

1999 ◽  
Vol 11 (2) ◽  
pp. 541-563 ◽  
Author(s):  
Anders Krogh ◽  
Søren Kamaric Riis
Keyword(s):  
Neural Networks ◽  
Maximum Likelihood ◽  
Graphical Model ◽  
Markov Models ◽  
Compact Representation ◽  
Conditional Maximum Likelihood ◽  
The Neural Networks ◽  
Maximum Likelihood Criterion ◽  
Performance Gains ◽  
Conditional Maximum

A general framework for hybrids of hidden Markov models (HMMs) and neural networks (NNs) called hidden neural networks (HNNs) is described. The article begins by reviewing standard HMMs and estimation by conditional maximum likelihood, which is used by the HNN. In the HNN, the usual HMM probability parameters are replaced by the outputs of state-specific neural networks. As opposed to many other hybrids, the HNN is normalized globally and therefore has a valid probabilistic interpretation. All parameters in the HNN are estimated simultaneously according to the discriminative conditional maximum likelihood criterion. The HNN can be viewed as an undirected probabilistic independence network (a graphical model), where the neural networks provide a compact representation of the clique functions. An evaluation of the HNN on the task of recognizing broad phoneme classes in the TIMIT database shows clear performance gains compared to standard HMMs tested on the same task.

Sign in / Sign up

Export Citation Format

Share Document