scholarly journals PEMODELAN VOLATILITAS SAHAM MENGGUNAKAN MODEL ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY

2019 ◽  
Vol 8 (1) ◽  
Author(s):  
Merista Dominika Br Pandia, Naomi Nessyana Debataraja, Shantika Martha
Keyword(s):  
Central Asia ◽  
Arch Model ◽  
Conditional Heteroscedasticity ◽  
Asymmetric Power ◽  
Autoregressive Conditional Heteroscedasticity

Model Generalized Autoregressive Conditional Heteroscedasticity (GARCH) merupakan generalisasi dari model Autoregressive Conditional Heteroscedasticity (ARCH). Model GARCH digunakan untuk memodelkan volatilitas pada return saham yang memiliki heteroskedastisitas. Namun model GARCH mengabaikan efek asimetris pada volatilitas sehingga ditemukan model Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH). Model APARCH digunakan untuk memodelkan volatilitas yang memiliki efek asimetris. Efek asimetris dapat dilihat dari cross correlogram dengan melakukan korelasi silang residual kuadrat model Box-Jenkins dan residual model GARCH. Tujuan penelitian ini adalah untuk menentukan model APARCH return saham Bank Central Asia (BCA) pada 4 Juni 2015 sampai dengan 28 Maret 2018. Hasil penelitian menunjukkan model terbaik Box-Jenkins adalah model AR(3). Residual kuadrat model AR(3) digunakan untuk melakukan uji heteroskedastisitas sedangkan residual model GARCH(1,1) digunakan untuk uji efek asimetris. Model APARCH terbaik yang diperoleh adalah APARCH (1,1). Kata Kunci: Asimetris, GARCH, APARCH

scholarly journals A Two-Regime Markov-Switching GARCH Active Trading Algorithm for Coffee, Cocoa, and Sugar Futures

Mathematics ◽  
2020 ◽  
Vol 8 (6) ◽  
pp. 1001 ◽  
Author(s):  
Oscar V. De la Torre-Torres ◽  
Dora Aguilasocho-Montoya ◽  
María de la Cruz del Río-Rama
Keyword(s):  
Markov Switching ◽  
Garch Models ◽  
Arch Model ◽  
Conditional Heteroscedasticity ◽  
Arch Models ◽  
Trading Decisions ◽  
Portfolio Managers ◽  
Autoregressive Conditional Heteroscedasticity ◽  
Potential Use ◽  
The U.S

In the present paper we tested the use of Markov-switching Generalized AutoRegressive Conditional Heteroscedasticity (MS-GARCH) models and their not generalized (MS-ARCH) version. This, for active trading decisions in the coffee, cocoa, and sugar future markets. With weekly data from 7 January 2000 to 3 April 2020, we simulated the performance that a futures’ trader would have had, had she used the next trading algorithm: To invest in the security if the probability of being in a distress regime is less or equal to 50% or to invest in the U.S. three-month Treasury bill otherwise. Our results suggest that the use of t-student Markov Switching Component ARCH Model (MS-ARCH) models is appropriate for active trading in the cocoa futures and the Gaussian MS-GARCH is appropriate for sugar. For the specific case of the coffee market, we did not find evidence in favor of the use of MS-GARCH models. This is so by the fact that the trading algorithm led to inaccurate trading signs. Our results are of potential use for futures’ position traders or portfolio managers who want a quantitative trading algorithm for active trading in these commodity futures.

scholarly journals Investment Risk Analysis On Bitcoin With Applied of VaR-APARCH Model

2021 ◽  
Vol 5 (1) ◽  
pp. 1
Author(s):  
Irwan Kasse ◽  
Andi Mariani ◽  
Serly Utari ◽  
Didiharyono D.
Keyword(s):  
Risk Analysis ◽  
Value At Risk ◽  
Time Series Data ◽  
Information Criterion ◽  
Series Data ◽  
Investment Risk ◽  
Conditional Heteroscedasticity ◽  
Additional Information ◽  
Asymmetric Power ◽  
Autoregressive Conditional Heteroscedasticity

Investment can be defined as an activity to postpone consumption at the present time with the aim to obtain maximum profits in the future. However, the greater the benefits, the greater the risk. For that we need a way to predict how much the risk will be borne. Modelling data that experiences heteroscedasticity and asymmetricity can use the Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) model. This research discusses the time series data risk analysis using the Value at Risk-Asymmetric Power Autoregressive Conditional Heteroscedasticity (VaR-APARCH) model using the daily closing price data of Bitcoin USD period January 1 2019 to 31 December 2019. The best APARCH model was chosen based on the value of Akaike's Information Criterion (AIC). From the analysis results obtained the best model, namely ARIMA (6,1,1) and APARCH (1,1) with the risk of loss in the initial investment of IDR 100,000,000 in the next day IDR 26,617,000. The results of this study can be used as additional information and apply knowledge about the risk of investing in Bitcoin with the VaR-APARCH model.

Metode Peramalan Deret Waktu Menggunakan Model Asymmetric Power Autoregressive Conditional Heteroskedastic (APARCH)

2019 ◽  
Vol 2 (2) ◽  
Author(s):  
Dian Kurniasari ◽  
Hana Ayu Masha ◽  
Mustofa Usman
Keyword(s):  
Confidence Interval ◽  
Data Model ◽  
Stock Price ◽  
Economic Systems ◽  
Average Model ◽  
Conditional Heteroscedasticity ◽  
Conditional Average ◽  
Asymmetric Power ◽  
Autoregressive Conditional Heteroscedasticity ◽  
Schwarz Criterion

Era globalisasi menyebabkan banyak perubahan dalam pengembangan sistem ekonomi, salah satunya adalah data keuangan. Tujuan dari penelitian ini ialah untuk mendapatkan model terbaik dalam menganalisis dan memprediksi data penutupan harga saham mingguan untuk PT Adhi Karya (Persero) Tbk dari September 1990 hingga Januari 2016 yang berjumlah 1314 data. Model yang digunakan adalah model Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH). Model terbaik dipilih berdasarkan Akaike Info Criterion (AIC) dan Schwarz Criterion (SC). Dari hasil analisis diperoleh model terbaik yaitu APARCH (1,1) dengan ARIMA (1,1,1) sebagai model rerata bersyarat. Hasil peramalan untuk 7 periode berikutnya menunjukkan bahwa perkiraan tersebut dalam interval kepercayaan 95% yang berarti bahwa hasil peramalan menggunakan model ini dapat dipercaya dalam kisaran 95%.   The era of globalization led to many changes in the development of economic systems, one of which is the data that is financially. The purpose of this study is to get the best model in analyzing and predicting weekly stock price closing data for PT Adhi Karya (Persero) Tbk from September 1990 to January 2016 which amounted to 1314 data. The model used is the Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) model. The best models are selected based on Akaike Info Criterion (AIC) and Schwarz Criterion (SC). From the analysis result obtained the best model that is APARCH (1,1) with ARIMA (1,1,1) as conditional average model. The result of forecasting for the next 7 periods shows that the forecast is within a 95% confidence interval which means that the forecasting result using this model can be trusted in the 95% range.    

scholarly journals Penerapan Model ARIMA-ARCH untuk Meramalkan Harga Saham PT. Indofood Sukses Makmur Tbk

2021 ◽  
Vol 3 (3) ◽  
pp. 171-177
Author(s):  
Yulvia Fitri Rahmawati ◽  
Etik Zukhronah ◽  
Hasih Pratiwi
Keyword(s):  
Stock Prices ◽  
Stock Price ◽  
Moving Average ◽  
Arima Model ◽  
Training Data ◽  
Series Data ◽  
Arch Model ◽  
Conditional Heteroscedasticity ◽  
Autoregressive Integrated Moving Average ◽  
Autoregressive Conditional Heteroscedasticity

Abstract– The stock price is the value of the stock in the market that fluctuates from time to time. Time series data in the financial sector generally have quite high volatility which can cause heteroscedasticity problems. This study aims to model and to predict the stock price of PT Indofood Sukses Makmur Tbk using the ARIMA-ARCH model. The data used is daily stock prices from 2nd June 2020 to 15th February 2021 as training data, while from 16th February 2021 to 1st March 2021 as testing data. ARIMA-ARCH model is a model that combines Autoregressive Integrated Moving Average (ARIMA) and Autoregressive Conditional Heteroscedasticity (ARCH), which can be used to overcome the residues of the ARIMA model which are indicated to have heteroscedasticity problems. The result showed that the model that could be used was ARIMA(1,1,2)-ARCH(1). This model can provide good forecasting result with a relatively small MAPE value of 0.515785%. Abstrak– Harga saham adalah nilai saham di pasar yang berfluktuasi dari waktu ke waktu. Data runtun waktu di sektor keuangan umumnya memiliki volatilitas cukup tinggi yang dapat menyebabkan masalah heteroskedastisitas. Penelitian ini bertujuan untuk memodelkan dan meramalkan harga saham PT Indofood Sukses Makmur Tbk menggunakan model ARIMA-ARCH. Data yang digunakan adalah harga saham harian dari 2 Juni 2020 hingga 15 Februari 2021 sebagai data training, sedangkan dari 16 Februari 2021 hingga 1 Maret 2021 sebagai data testing. Model ARIMA-ARCH merupakan suatu model yang menggabungkan Autoregressive Integrated Moving Average (ARIMA) dan Autoregressive Conditional Heteroscedasticity (ARCH), yang dapat digunakan untuk mengatasi residu dari model ARIMA yang terindikasi memiliki masalah heteroskedastisitas. Hasil penelitian menunjukkan bahwa model yang dapat digunakan adalah ARIMA(1,1,2)-ARCH(1). Model tersebut mampu memberikan hasil peramalan yang baik dengan perolehan nilai MAPE yang relatif kecil yaitu 0,515785%.

scholarly journals PENERAPAN MODEL NEURO-GARCH PADA PERAMALAN DATA RETURN SAHAM

2020 ◽  
Vol 9 (2) ◽  
Author(s):  
Nova Andaresta, Shantika Martha, Dwi Marisa Midyanti
Keyword(s):  
Central Asia ◽  
Lagrange Multiplier ◽  
Conditional Heteroscedasticity ◽  
Autoregressive Conditional Heteroscedasticity

Heteroskedastisitas merupakan masalah yang sering terjadi dalam proses peramalan pada data keuangan. Model generalized autoregressive conditional heteroscedasticity (GARCH) merupakan model runtun waktu yang dapat digunakan untuk data yang mengalami heteroskedastisitas. Model lain yang dapat digunakan untuk memodelkan data dengan fluktuasi yang sangat besar dan tidak tetap adalah jaringan saraf tiruan (JST). Dalam penelitian ini kedua model digabungkan menjadi sebuah model yang disebut Neuro-GARCH. Tujuan penelitian ini membentuk arsitektur jaringan model terbaik dan membandingkan hasil peramalan dengan data aktual return saham pada tanggal 11 Juli 2018 sampai dengan 28 Februari 2019. Data yang digunakan adalah  data return saham PT Bank Central Asia Tbk penutupan harian pada periode Januari 2017 sampai dengan Februari 2019. Adapun langkah-langkah dalam penelitian ini diawali dengan pembentukan model box jenkins. Residual model box jenkins terbaik digunakan untuk mendeteksi heteroskedastisitas menggunakan uji lagrange multiplier (ARCH-LM). Data residual yang memiliki heteroskedastisitas dimodelkan ke dalam model GARCH. Variabel bebas pada model GARCH kemudian dijadikan input pada model JST dan targetnya adalah data return (aktual). Hasil analisis menunjukkan bahwa bentuk jaringan terbaik adalah (2-5-1) dengan nilai MSE pengujian sebesar 0,00014955. Hasil peramalan selama 167 hari mengalami fluktuasi, dengan return tertinggi yaitu pada tanggal 14 September 2018 sebesar 0,0128467 dan terendah terjadi pada tanggal 13 Juli 2018 sebesar -0,0049574. Kata Kunci: ARIMA, heteroskedastisitas, JST, backpropagation

scholarly journals Volatility of cryptocurrencies

Notitia ◽  
2020 ◽  
Vol 6 (1) ◽  
pp. 13-23
Author(s):  
Branimir Cvitko Cicvarić
Keyword(s):  
Time Series ◽  
Financial Time Series ◽  
Information Criterion ◽  
Garch Models ◽  
Arch Model ◽  
Model Estimate ◽  
Conditional Heteroscedasticity ◽  
Financial Time ◽  
Egarch Model ◽  
Autoregressive Conditional Heteroscedasticity

Many models have been developed to model, estimate and forecast financial time series volatility, amongst which are the most popular autoregressive conditional heteroscedasticity (ARCH) model introduced by Engle (1982) and generalized autoregressive conditional heteroscedasticity (GARCH) model introduced by Bollerslev (1986). The aim of this paper is to determine which type of ARCH/GARCH models can fit the best following cryptocurrencies: Ethereum, Neo, Ripple, Litecoin, Dash, Zcash and Dogecoin. It is found that the EGARCH model is the best fitted model for Ethereum, Zcash and Neo, PARCH model is the best fitted model for Ripple, while for Litecoin, Dash and Dogecoin it depends on the selected distribution and information criterion.

scholarly journals PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)

2016 ◽  
Vol 5 (4) ◽  
pp. 80
Author(s):  
Nurul Saadah ◽  
Maiyastri . ◽  
Hazmira Yozza
Keyword(s):  
At Risk ◽  
Central Asia ◽  
Value At Risk ◽  
Moving Average ◽  
Autoregressive Moving Average ◽  
Conditional Heteroscedasticity ◽  
Autoregressive Conditional Heteroscedasticity

Abstrak. Data return saham adalah salah satu data deret waktu. Jika ingin melakukanpemodelan return, maka dapat dilakukan pemodelan deret waktu. Model rataan returnmenggunakan model Autoregressive Moving Average (ARMA). Sedangkan untuk memodelkanragam digunakan model Generalized Autoregressive Conditional Heteroscedasticity(GARCH). Setelah melakukan beberapa tahapan diperoleh model ARMA(1,0) danGARCH(1,1) sebagai model terbaik untuk data return saham Bank Central Asia. Sedangkanmodel terbaik untuk data return saham Bank Mandiri adalah model ARMA(0,1)dan GARCH(1,1). Model yang diperoleh digunakan untuk melakukan peramalan returndan volatilitas dalam pengukuran resiko. Salah satu alat ukur yang digunakan untukmengukur resiko adalah Value at Risk. Dari perhitungan resiko untuk kedua bank diperolehbahwa resiko maksimum Bank Mandiri lebih besar dari resiko maksimum BankCentral Asia.

scholarly journals Analisis Risiko Investasi Saham Syariah Dengan Model Value AT Risk-Asymmetric Power Autoregressive Conditional Heterocedasticity (VaR-APARCH)

2017 ◽  
Vol 6 (1) ◽  
pp. 37
Author(s):  
Syarif Hidayatullah ◽  
Mohammad Farhan Qudratullah
Keyword(s):  
At Risk ◽  
Value At Risk ◽  
Conditional Heteroscedasticity ◽  
Asymmetric Power ◽  
Autoregressive Conditional Heteroscedasticity ◽  
Schwarz Criterion

Penelitian ini membahas analisis risiko data runtun waktu dengan model Value at Risk- Asymmetric Power Autoregressive Conditional Heteroscedasticity (VaR-APARCH)dalam pasar modal syariah. Metode yang digunakan dalam penelitian ini adalah penerapan kasus.Data yang digunakan adalah harga penutupan harian saham dalam Jakarta Islamic Index (JII)periode 4 Maret 2013 sampai 8 April 2015.Model APARCH yang dipilih berdasarkan nilai Schwarz Criterion (SC).Langkah-langkah dalam penelitian ini adalah menguji kestasioneran data, mengidentifikasi model ARIMA,mengestimasi parameter model ARIMA, menguji diagnostik model ARIMA, mendeteksi ada tidaknya unsur ARCH atau unsur heteroskedastisitas, uji asimetris data saham, mengestimasi model APARCH, menguji diagnostik model APARCH, dan menghitung risiko dengan VaR-APARCH.Model terbaik yang dipilih adalah ARIMA ((3),0,0) dan APARCH (1,1). Model ini valid untuk menganalisis besar risiko investasi dalam jangka waktu 10 hari ke depan.

scholarly journals Modeling Stock Return Data Using Asymmetric Volatility Models: A Performance Comparison Based On the Akaike Information Criterion and Schwarz Criterion

INSIST ◽  
2018 ◽  
Vol 3 (2) ◽  
pp. 160
Author(s):  
Eri Setiawan ◽  
Netti Herawati ◽  
Khoirin Nisa
Keyword(s):  
Stock Return ◽  
Information Criterion ◽  
Performance Comparison ◽  
Conditional Heteroscedasticity ◽  
Stock Return Volatility ◽  
Asymmetric Volatility ◽  
Volatility Models ◽  
Asymmetric Power ◽  
Autoregressive Conditional Heteroscedasticity ◽  
Return Data

The Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model has been widely used in time series forecasting especially with asymmetric volatility data. As the generalization of autoregressive conditional heteroscedasticity model, GARCH is known to be more flexible to lag structures. Some enhancements of GARCH models were introduced in literatures, among them are Exponential GARCH (EGARCH), Threshold GARCH (TGARCH) and Asymmetric Power GARCH (APGARCH) models. This paper aims to compare the performance of the three enhancements of the asymmetric volatility models by means of applying the three models to estimate real daily stock return volatility data. The presence of leverage effects in empirical series is investigated. Based on the value of Akaike information and Schwarz criterions, the result showed that the best forecasting model for our daily stock return data is the APARCH model.

Sign in / Sign up

Export Citation Format

Share Document