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 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 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.

Financial market trend analysis based on autoregressive conditional heteroscedasticity model and BP neural network prediction

2021 ◽  
pp. 002072092098849
Author(s):  
Xinzhe Yin ◽  
Jinghua Li
Keyword(s):  
Neural Network ◽  
Trend Analysis ◽  
Financial Market ◽  
Prediction Method ◽  
Good Effect ◽  
Trend Prediction ◽  
Bp Network ◽  
Conditional Heteroscedasticity ◽  
Bp Model ◽  
Autoregressive Conditional Heteroscedasticity

Many experts and scholars at home and abroad have studied this topic in depth, laying a solid foundation for the research of financial market prediction. At present, the mainstream prediction method is to use neural network and autoregressive conditional heteroscedasticity to build models, which is a more scientific way, and also verified the feasibility of the way in many studies. In order to improve the accuracy of financial market trend prediction, this paper studies in detail the neural network system represented by BP and the autoregressive conditional heterogeneous variance model represented by GARCH. Analyze its structure and algorithm, combine the advantages of both, create a GARCH-BP model, and transform its combination structure and optimize the algorithm according to the uniqueness of the financial market, so as to meet the market as much as possible Characteristics. The novelty of this paper is the construction of the autoregressive conditional heteroscedasticity model, which lays the foundation for the prediction of financial market trends through the construction of the model. However, there are some shortcomings in this article. The overall overview of the financial market is not very clear, and the prediction of the BP network is not so comprehensive. Finally, through the actual data statistics of market transactions, the effectiveness of the GARCH-BP model was tested, analyzed and researched. The final results show that model has a good effect on the prediction and trend analysis of market, and its accuracy and availability greatly improved compared with the previous conventional approach, which is worth further study and extensive research It is believed that the financial market prediction model will become one of the mainstream tools in the industry after its later improvement.

scholarly journals STUDI PERBANDINGAN MODEL ARIMA DAN GARCH UNTUK MEMPREDIKSI HARGA SAHAM PADA PERUSAHAAN TAMBANG DI INDONESIA

2020 ◽  
Vol 10 (1) ◽  
pp. 83-98
Author(s):  
Muhammad Tharmizi Junaid ◽  
Ahmad Juliana ◽  
Hardianti Sabrina
Keyword(s):  
Moving Average ◽  
Conditional Heteroscedasticity ◽  
Autoregressive Integrated Moving Average ◽  
Autoregressive Conditional Heteroscedasticity

Dalam berinvestasi para investor menggunakan alat statistik salah satunya adalah peramalan. Peramalan dilakukan oleh investor untuk memperlancar transaksi, meningkatkan keuntungan ataupun meminimalisir terjadinya kerugian. Dengan melakukan peramalan, investor diharapkan dapat membuat keputusan investasi yang tepat. Penelitian ini bertujuan untuk mengetahui model peramalan yang akurat untuk meramalkan harga saham PT. Adaro Energy (ADRO) dan saham PT. Bukit Asam  (PTBA) periode data selama 10 tahun sejak Oktober 2008 sampai dengan Oktober 2018. Keterbaharuan dalam penelitian ini adalah membandingkan dua model Autoregressive Integrated Moving Average (ARIMA) dan Generalized Autoregressive Conditional Heteroscedasticity (GARCH) sehingga dapat diketahui model yang memiliki tingkat keakuratan terbaik untuk meramalkan harga saham pada periode mendatang. Hasil dari penelitian ini menggambarkan bahwa terdapat unsur heterokedastisitas pada saham ADRO sehingga pemodelan tidak berhenti pada model ARIMA namun dilanjutkan sampai model GARCH. Sedangkan data saham PTBA tidak mengandung unsur heterokedastisitas sehingga pemodelan hanya sampai model ARIMA. Pada saham ADRO model ARIMA mempunyai tingkat kesalahan yang lebih kecil dibandingkan model GARCH. Pada saham PTBA model ARIMA juga terpilih sebagai model yang paling akurat. Kata Kunci: ARIMA, GARCH, dan Pertambangan

scholarly journals VOLATILITY SHOCK PERSISTENCE IN INVESTMENT DECISION MAKING: A COMPARISON BETWEEN THE CONSUMER GOODS AND PROPERTY-REAL ESTATE SECTORS OF THE INDONESIAN CAPITAL MARKET

2018 ◽  
Vol 33 (2) ◽  
pp. 112
Author(s):  
Ari Christianti
Keyword(s):  
Real Estate ◽  
Stock Returns ◽  
Consumer Goods ◽  
Investment Decision ◽  
Large Population ◽  
Conditional Heteroscedasticity ◽  
Single Index ◽  
Index Model ◽  
Single Index Model ◽  
Autoregressive Conditional Heteroscedasticity

Research about volatility shock persistence is very important, since it could reflect the risks that can be used to estimate the fluctuations of stock returns in the future. This paper investigates a comparison of the volatility shock persistence sectoral indexes between the consumer goods (CONS) and property-real estate (PROP) sectors, using a single index model analyzed using GARCH (Generalized Autoregressive Conditional Heteroscedasticity) and I-GARCH (Integrated-Generalized Autoregressive Conditional Heteroscedasticity). By using index return data from January 2010-December 2015, the research shows that CONS and PROP tend to produce the same results. The CONS and PROP indexes’ responses to volatility shocks tended to be quite fast. Hence, the single index model of the CONS and the PROP indexes can quickly return to its normal stability. It means that, in the presence of certain information which could affect the volatility of the return from these sectors, the market will respond and adapt immediately. This might be attributed to the fact that CONS is a sector that involves fast moving products. Furthermore, the PROP sector has an indirect effect by increasing the real sectoral economic activity and economic growth in Indonesia, which has a large population. Thus, it is recommended that investors who are risk averse and risk neutral should invest in these sectors, because the volatility of both indexes can be monitored based on the existing information.

Sign in / Sign up

Export Citation Format

Share Document