Peramalan Indeks Harga Saham dengan Autoregressive Moving Average Generelized Autoregressive Conditional Heteroscedasticity (ARMA-GARCH)

2021 ◽  
Vol 1 (1) ◽  
pp. 7-12
Author(s):  
Nur Najmi Layla ◽  
Eti Kurniati ◽  
Didi Suhaedi
Keyword(s):  
Stock Price ◽  
Moving Average ◽  
Garch Model ◽  
Data Partitioning ◽  
Forecasting Model ◽  
Autoregressive Moving Average ◽  
Conditional Heteroscedasticity ◽  
Eligibility Requirements ◽  
The Garch Model ◽  
Autoregressive Conditional Heteroscedasticity

Abstract. The stock price index is the information the public needs to know the development of stock price movements. Stock price forecasting will provide a better basis for planning and decision making. The forecasting model that is often used to model financial and economic data is the Autoregressive Moving Average (ARMA). However, this model can only be used for data with the assumption of stationarity to variance (homoscedasticity), therefore an additional model is needed that can model data with heteroscedasticity conditions, namely the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. This study uses data partitioning in pre-pandemic conditions and during the pandemic, Insample data with pre-pandemic conditions and insample data during pandemic conditions. Based on the research results, the GARCH model (1,1) was obtained with the conditions before the pandemic and GARCH (1,2) during the pandemic condition. The forecasting model obtained has met the eligibility requirements of the GARCH model. If the forecasting model fulfills the eligibility requirements, then MAPE calculations are performed to see the accuracy of the forecasting model. And obtained MAPE in the conditions before the pandemic and during the pandemic in the very good category. Abstrak. Indeks harga saham merupakan informasi yang diperlukan masyarakat untuk mengetahui perkembangan pergerakan harga saham. Peramalan harga saham akan memberikan dasar yang lebih baik bagi perencanaan dan pengambilan keputusan. Model peramalan yang sering digunakan untuk memodelkan data keuangan dan ekonomi adalah Autoregrresive Moving Average (ARMA). Namun model tersebut hanya dapat digunakan untuk data dengan asumsi stasioneritas terhadap varian (homoskedastisitas), oleh karena itu diperlukan suatu model tambahan yang bisa memodelkan data dengan kondisi heteroskedastisitas, yaitu model Generalized Autoregressive Conditional Heteroscedastisity (GARCH). Penelitian ini menggunakan partisi data pada kondisi sebelum pandemi dan saat pandemi berlangsung data Insample dengan kondisi sebelum pandemi dan insample pada kondisi pandemi. Berdasarkan hasil penelitian, maka didapat model GARCH (1,1) dengan kondisi sebelum pandemi dan GARCH (1,2) saat kondisi pandemi. Model peramalan yang didapat sudah memenuhi syarat kelayakan model GARCH. Apabila model peramalan terpenuhi syarat kelayakannya maka dilakukan perhitungan MAPE untuk melihat keakuratan model peramalannya. Dan diperoleh MAPE pada kondisi sebelum pandemi dan saat pandemi dengan kategori sangat baik. 

A study on volatility and return spillover of exchange-traded funds and their benchmark indices in India

2019 ◽  
Vol 46 (1) ◽  
pp. 19-39 ◽  
Author(s):  
Buvanesh Chandrasekaran ◽  
Rajesh H. Acharya
Keyword(s):  
Time Series Data ◽  
Moving Average ◽  
Series Data ◽  
Autoregressive Moving Average ◽  
Exchange Traded Funds ◽  
Volatility Spillover ◽  
Conditional Heteroscedasticity ◽  
Content Type ◽  
Autoregressive Conditional Heteroscedasticity ◽  
Practical Implications

Purpose The purpose of this paper is to empirically examine the volatility and return spillover between exchange-traded funds (ETFs) and their respective benchmark indices in India. The paper uses time series data which consist of equity ETF and respective index returns. Design/methodology/approach The study uses autoregressive moving average–generalized autoregressive conditional heteroscedasticity and autoregressive moving average–exponential generalized autoregressive conditional heteroscedasticity models. The study uses data from the inception date of each ETF to December 2016. Findings The findings of the paper confirm that there is unidirectional return spillover from the benchmark index to ETF returns in most of the ETFs. Furthermore, ETF and benchmark index return have volatility persistence and show the presence of asymmetric volatility wherein a negative news has more influence on volatility compared to a positive news. Finally, unlike unidirectional return spillover, there is a bidirectional volatility spillover between ETF and benchmark index return. Practical implications The study has several practical implications for investors and regulators. A positive daily mean return over a fairly long period of time indicates that the passive equity ETFs can be a viable long-term investment option for ordinary investors. A bidirectional volatility spillover between the ETFs and benchmark index returns calls for the attention of the market regulators to examine the reasons for the same. Originality/value ETFs have seen fast growth in the Indian market in recent years. The present study considers the longest period data possible.

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 A Robust Algorithm for Classification and Diagnosis of Brain Disease Using Local Linear Approximation and Generalized Autoregressive Conditional Heteroscedasticity Model

Mathematics ◽  
2020 ◽  
Vol 8 (8) ◽  
pp. 1268 ◽  
Author(s):  
Ali Hamzenejad ◽  
Saeid Jafarzadeh Ghoushchi ◽  
Vahid Baradaran ◽  
Abbas Mardani
Keyword(s):  
Linear Approximation ◽  
Garch Model ◽  
Brain Disease ◽  
High Rate ◽  
Discrete Wavelet ◽  
Conditional Heteroscedasticity ◽  
Robust Algorithm ◽  
Local Linear ◽  
The Garch Model ◽  
Autoregressive Conditional Heteroscedasticity

Regions detection has an influence on the better treatment of brain tumors. Existing algorithms in the early detection of tumors are difficult to diagnose reliably. In this paper, we introduced a new robust algorithm using three methods for the classification of brain disease. The first method is Wavelet-Generalized Autoregressive Conditional Heteroscedasticity-K-Nearest Neighbor (W-GARCH-KNN). The Two-Dimensional Discrete Wavelet (2D-DWT) is utilized as the input images. The sub-banded wavelet coefficients are modeled using the GARCH model. The features of the GARCH model are considered as the main property vector. The second method is the Developed Wavelet-GARCH-KNN (D-WGK), which solves the incompatibility of the WGK method for the use of a low pass sub-band. The third method is the Wavelet Local Linear Approximation (LLA)-KNN, which we used for modeling the wavelet sub-bands. The extracted features were applied separately to determine the normal image or brain tumor based on classification methods. The classification was performed for the diagnosis of tumor types. The empirical results showed that the proposed algorithm obtained a high rate of classification and better practices than recently introduced algorithms while requiring a smaller number of classification features. According to the results, the Low-Low sub-bands are not adopted with the GARCH model; therefore, with the use of homomorphic filtering, this limitation is overcome. The results showed that the presented Local Linear (LL) method was better than the GARCH model for modeling wavelet sub-bands.

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 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 ARCH GARCH METHOD OF FORECASTING CONSUMER PRICE INDEX (CPI) IN SEMARANG

2020 ◽  
Vol 1 (1) ◽  
pp. 14-22
Author(s):  
Sri Kustiara ◽  
Indah Manfaati Nur ◽  
Tiani Wahyu Utami
Keyword(s):  
Price Index ◽  
Consumer Price Index ◽  
Garch Model ◽  
Conditional Heteroscedasticity ◽  
Autoregressive Conditional Heteroscedasticity

Indeks Harga Konsumen (IHK) merupakan salah satu indikator ekonomi penting yang dapat memberikan informasi mengenai perkembangan harga barang/jasa yang dibayar oleh konsumen di suatu wilayah. Penghitungan IHK ditujukan untuk mengetahui perubahan harga dari sekelompok tetap barang atau jasa yang umumnya dikonsumsi oleh masyarakat setempat. Dalam metode yang digunakan dalam pemodelan data runtun waktu memiliki syarat khusus yaitu yang  teridentifikasi efek heteroskedastisitas. Tujuan dari penelitian ini adalah untuk mengetahui model terbaik peramalan periode berikutnya serta hasil prediksi periode mendatang. Variabel yang digunakan adalah data Indeks Harga Konsumen dalam bulan. Sehingga untuk mengatasi permasalahan pada data penelitian ini digunakan metode Autoregressive Conditional Heteroscedasticity Generalized Autoregressive Conditional Heteroscedasticity (ARCH GARCH). Hasil dari penelitian ini didapatkan metode ARCH GARCH model terbaik yang digunakan adalah ARIMA (1,1,1)~GARCH (1,0). Dengan prediksi dari volatilitas dengan nilai standar deviasi 0.98283514 diperoleh prediksi volatilitas terendah sebesar 0.9632546 dan prediksi volatilitas tertinggi sebesar 0.9980155.

Sign in / Sign up

Export Citation Format

Share Document