Pemodelan Volatilitas untuk Return Indeks Saham Menggunakan Model Garch-M(1,1)

Abstract

Studi ini mengusulkan klas baru dari model GARCH dengan mengaplikasikan keluarga transformasi Box–Cox ke volatilitas lag-1. Model GARCH telah banyak digunakan untuk mendikripsikan tingkah laku volatilitas suatu runtun waktu keuangan, terutama pada kurs mata uang. Tingkah laku dari volatilitas return dipelajari berdasarkan model yang mengasumsikan distribusi normal untuk inovasi. Model diestimasi menggunakan alat bantu Solver Excel dan Matlab. Analisis empiris didasarkan pada data simulasi dan data kurs beli EUR, JPY, dan USD terhadap IDR atas periode harian dari 2010 sampai 2017. Dalam kasus data simulasi dan data riil, ditemukan bahwa Solver Excel memiliki kelemahan. Hasil empiris untuk data simulasi menunjukkan bahwa model BC(1)-GARCH(1,1) bisa dikatakan tidak lebih baik dari model GARCH(1,1). Sedangkan untuk kasus data riil dengan inovasi berdistribusi normal menunjukkan bahwa model BC(1)-GARCH(1,1) mengungguli model GARCH pada data kurs beli USD terhadap IDR.

This study focuses on the applicability of GARCH (1,1) and GARCH-M (1,1) models with innovations with normal distribution and Student-t. The model is applied to simulation data and real data and is mainly estimated using Excel Solver. The real data observed were the return of S&P CNX Nifty, DJIA, and S&P500 stock price daily periods from January 2000 to December 2017. Based on the relative error and comparison with the Matlab estimation results, this study shows that Solver Excel is reliable for estimating model parameters . The empirical results demonstrate that the GARCH-M (1,1) model provides better matching than the GARCH (1,1) model. In particular, all observed stock data strongly support the use of the Student-t distribution for innovation compared to the normal distribution.