Perluasan Model Asharv Dengan Memasukan Efek Feedback Dan Variabel-Variabel Eksogen Dalam Proses Volatilitas

Abstract

Volatilitas harga aset keuangan merupakan faktor penting dalam analisis pasar, terutama dalam pengambilan keputusan investasi. Model GARCH memiliki keterbatasan dalam menangkap informasi volatilitas secara efisien, terutama saat terdapat data eksogen seperti volatilitas realized dari data frekuensi tinggi. Penelitian ini bertujuan untuk mengembangkan model volatilitas yang lebih akurat dengan memperluas model SHARV dan ASHARV melalui penambahan komponen eksogen, continu dan jump serta mempertimbangkan efek feedback dalam analisis volatilitas. Metode yang digunakan adalah Adaptive Random Walk Metropolis (ARWM) dalam algoritma Markov Chain Monte Carlo (MCMC) untuk mengestimasi parameter model. Data yang digunakan adalah volatilitas harga Tokyo Stock Price Index (TOPIX) dari Januari 2004 hingga Desember 2011. Hasil analisis menunjukkan bahwa model yang diperluas seperti SHARV-X, SHARV-CJ, ASHARV-X, dan ASHARV-CJ mampu memberikan prediksi volatilitas yang lebih akurat dibandingkan model konvensional GARCH. Model ASHARV-X diidentifikasi sebagai model dengan performa terbaik dalam mengukur volatilitas. Pengembangan model ASHARV dengan memasukkan komponen eksogen meningkatkan kualitas pencocokan data dan akurasi prediksi volatilitas. Metode ARWM terbukti efisien dalam mengestimasi parameter model. Studi ini berkontribusi pada peningkatan akurasi model volatilitas dalam analisis pasar keuangan, khususnya pada data frekuensi tinggi.

Financial asset price volatility is an important factor in market analysis, especially in investment decision making. The GARCH model has limitations in capturing volatility information efficiently, especially when there are exogenous data such as realized volatility from high frequency data. This study aims to develop a more accurate volatility model by extending the SHARV and ASHARV models through the addition of exogenous components, continu and jump and considering the feedback effect in volatility analysis. The method used is Adaptive Random Walk Metropolis (ARWM) in Markov Chain Monte Carlo (MCMC) algorithm to estimate the model parameters. The data used is the price volatility of Tokyo Stock Price Index (TOPIX) from January 2004 to December 2011. The analysis results show that the extended models such as SHARV-X, SHARV-CJ, ASHARV-X, and ASHARV-CJ are able to provide more accurate volatility predictions than the conventional GARCH model. The ASHARV-X model is identified as the best performing model in measuring volatility. The development of the ASHARV model by incorporating exogenous components improves the quality of data matching and volatility prediction accuracy. The ARWM method proved to be efficient in estimating the model parameters. This study contributes to the improvement of volatility model accuracy in financial market analysis, especially on high-frequency data.