Electronic Resource
Analisis komparatif model volatilitas garch, neural network, dan hibrida untuk mengestimasi value at-risk
Investasi saham memiliki risiko yang tidak kecil, bahkan tergolong besar hingga
mengharuskan kita melakukan analisis sebelum berkecimpung dalam investasi di
pasar modal. Salah satu dari analisis tersebut adalah peramalan data saham untuk
mengukur risiko pasar. Value-at-Risk (VaR) adalah salah satu ukuran untuk
menilai risiko pasar saham. VaR berarti kemungkinan kerugian terburuk dari
suatu investasi pada periode waktu tertentu. Ada banyak cara menilai VaR, salah
satunya adalah dengan memodelkan volatilitas. Pemodelan volatilitas yang cukup
populer adalah Autoregressive Conditional Heteroscedasticity (ARCH). Juga,
umumnya pada data deret waktu keuangan teradapat heteroskedsatisitas bersyarat,
yang mana masalah tersebut dapat diselesaikan dengan model ARCH. Ada
banyak metode lain selain ARCH, Sebut saja seperti Historical Simulation, Risk
Metric, Monte Carlo, Neural Network (NN), dan lain-lain. Hal tersebut
memunculkan risiko baru, yaitu risiko model. Risiko model adalah risiko
dikarenakan analisis yang kita lakukan tidak menggunakan model yang terbaik.
Oleh karena itu, sudah sebaiknya kita mencari model terbaik. Dalam penelitian ini
kita mencari model terbaik dari tiga, yaitu ARCH/GARCH, NN dan Model
Hibrida antara NN dan ARCH/GARCH yang disebut Neuro-GARCH. Pemodelan
dilakukan dengan objek berupa data saham JII 2010-2014. Hasil dari penelitian ini
menyatakan bahwa Neuro-GARCH merupakan model paling unggul dengan nilai
Mean Squared Error (MSE) terkecil, diikuti oleh GARCH dan NN secara
berturut-turut. Dalam penelitian ini juga ditemukan, kelebihan kinerja prediksi
NN dibanding GARCH dalam cluster volatilitas tinggi atau saat strcutural breaks.
No other version available