Rachma Damayanti, 080312686 (2007) MODEL GENERALIZED AUTOREGRESSSIVE CONDITIONALLY HETEROSCEDASTIC PADA DATA TIME SERIES. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (FULLTEXT) gdlhub-gdl-s1-2009-damayantir-9604-mpm0608.pdf Restricted to Registered users only Download (2MB) | Request a copy
Preview	Text (ABSTRAK) gdlhub-gdl-s1-2008-damayantir-9498-mpm060-k.pdf Download (364kB) | Preview

Abstract

Model Generalized Autoregressive Conditonally Heteroscedastic (GARCH) sama halnya dengan model Autoregresssive Conditionally Heteroscedastic (ARCH) yaitu berguna untuk memnodelkan data time series yang asumsi varians errornya adalah konstan tidak dipenuhi (heteroseedastie). Pemodelan GARCH merupakan pemodelan Autoregressive Moving Average (ARMS) pada varian error sedangkan model ARCH merupakan pemodelan Autoregressive (AR) pada varians error. Apabila suatu data yang mengandung kasus heteroscedastic hanya dimodelkan dengan menggunakan model ARIMA biasa, maka akan menghasilkan selang kepercayaan yang tidak sesuai dengan keadaan sesungguhnya. Dalam financial market, selang kepercayaan merupakan suatu hal yang sangat penting karena hal ini mempengaruhi jual beli saham. Skripsi ini bertujuan untuk mendapatkan model GARCH terbaik pada data time series yang mengandung kasus heteroscedastic dan mendapatkan model GARCH terbaik pada data return saham PT Gudang Garam Tbk. Model GARCH terbaik pada data return saham PT Gudang Garam Tbk adalah: X, = -0,393196є,1_9 +є1, Є1, = u,√ 0.1641 + 0.80320E + 0,30599h,_8 dengan u, berdistribusi normal standar. Berdasarkan data tersebut, peramalan dengan menggunakan model GARCH memberikan interval peramalan (batas atas dan batas bawah) yang lebih baik daripada peramalan tanpa menggunakan permodelan GARCH.

Actions (login required)

View Item