LQ45* dalam TMA.
|
|
- Bambang Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 LQ45* dalam TMA Yun Hariadi 1 dan Yohanes Surya 2 1 Dept. Dynamical System Modeling Bandung Fe Institute faust_doktor@yahoo.com 2 Dept. Physics Univ. Pelita Harapan, Board of Advisory Bandung Fe Institute yohaness@centrin.net.id Abstrak. Paper ini menggunakan pendekatan teori matrik acak(tma)/random matrix theory (RMT) untuk menyelidiki perilaku data saham LQ45 *. Hal menarik yang diperoleh dalam paper ini adalah matrik korelasi silang membentuk distribusi normal dengan nilai rata-rata 0.2 dan matrik acak konsisten terhadap distribusi normal denga rata-rata nol. Lebih jauh bahwa distribusi peluang terhadap nilai eigen dari ke dua matrik tersebut mengikuti distribusi normal, dan terdapat sejumlah sedikit nilai eigen dari data saham LQ45 * yang berada jauh diluar rentang nilai eigen matrik acak. Nilai eigen terbesar dari data saham LQ45* memiliki nilai 6.6 kali lebih besar dari maksimal nilai eigen matrik acak. Kata kunci. Teori matrik acak (TMA), saham, nilai eigen, korelasi silang. 1.Pendahuluan Metode utama yang digunakan Teori Matrik Acak (TMA) dalam menyelidiki perilaku data sahan atau keuangan adalah sifat statistika: korelasi silang. Bentuk dasar dari fungsi korelasi adalah fungsi otokorelasi yang mana sifat pengaruh diselidiki didalam satu anggota data dalam satu kelompol.penyelidikan terhadap fungsi otokorelasi telah dilakukan sebelumnya dan cukup berhasil misalnya dengan menggunakan GARCH [1-3] atau menggunakan DFA [4,5]. Korelasi silang berguna dalam optimasi portofolio karena membandingkan antara sifat data saham satu dengan saham lainnya. Ide dasar penggunaan TMA sendiri sebenarnya berasal dari fisika, secara sederhana metode yang digunakan dalam TMA ini adalah membandingkan antara perilaku statistik dari data acak terhadap data yang akan diselidiki. Sejauh mana data yang diamati memiliki kesesuaian dengan data acak, dan sejauh mana data tersebut terpisah dari data acak?. Beberapa penyelidikan terhadap data saham dengan menggunakan TMA telah berhasil dilakukan dengan perolehan hasil yang cukup baik [6-9]. Hal serupa akan dilakukan pada paper ini dengan melakukan penyelidikan terhadap harga saham yang tergabung dalam LQ45. Paper ini tersusun sebagai berikut: bagian ke dua menjelaskan secara singkat dari tahap sederhana terhadap TMA, yang disusul pada bagian ke tiga yaitu simulasi dan analisa, simulasi pada bagian ini terdiri atas dua bagian yaitu simulasi untuk 1
2 mendapatkan matrik korelasi silang dan ke dua simulasi untuk mendapatkan nilai eigen dari matrik simulasi pertama, bagian terakhir merupakan kesimpulan dan kerja lebih jauh. 2.Teori Matrik Acak Teori matrik acak (TMA) pada awalnya berkembang dalam bidang fisika sekitar tahun 50an, pada saat itu digunakan untuk memahami data spektrokospik yang tidak diketahui aturan/hukum interaksi di dalamnya, hadirnya TMA merupakan prediksi terhadap semua kemungkinan interaksi tersebut [6]. Sementara dalam bidang ekonomi, penyelidikan terhadap perilaku data saham dan keuangan membutuhkan perangkat matematika yang cukup bisa menggambarkan tingginya tingkat transaksi tersebut. Transaksi bisa berlangsung beberapa kali dalam satu detik dan yang menarik transaksi tersebut tercatat. Satu hal yang cukup menarik dalam penyelidikan data saham atau keuangan ini adalah penyelidikan sifat statistika, misalnya otokorelasi dan bentuk distribusi peluang. Pada pertengahan 50an berkembang model otokorelasi yang menganggap bahwa data memiliki variansi yang berubah, model otokorelasi ini dikenal sebagai GARCH [1-3], model pendekatan dengan GARCH ini terasa lebih masuk akal dibandingkan model otokorelasi sebelumnya misalnya AR, MA, maupun ARMA yang mengasumsikan bahwa variansi data adalah konstan. Model otokorelasi GARCH ini akan bekerja dengan baik untuk sifat data yang tidak murni acak, sehingga syarat penggunaan GARCH ini adalah adanya jaminan bahwa data tersebut tidak bersifat murni acak. terhadap data saham dan keuangan hal ini bisa terpenuhi [1-2]. Model otokorelasi yang digunakan pada modelmodel tersebut lebih bersifat ke dalam, yang artinya bahwa model otokorelasi tersebut hanya melihat hubungan diantara anggota masing-masing data. Berbeda dengan model otokorelasi sebelumnya, pada TMA otokorelasi yang digunakan adalah model otokorelasi silang, yang berarti bahwa otokorelasi tidak membandingkan antar anggota data, tetapi antar anggota data yang berbeda. Misalnya, jika penyelidikan dalam model-model sebelumnya otokorelasi bertugas mencari bagaimana pengaruh kenaikan harga saham x pada saat t akan mempengaruhi harga saham x pada saat t+k. sedangkan pada model otokorelasi silang pertanyaan tersebut berubah menjadi bagaimana pengaruh perubahan harga saham x pada saat t terhadap perubahan harga saham y pada saat t+k. Selanjutnya, model otokorelasi silang tersebut dituliskan dalam bentuk matrik. Dengan baris maupun kolom mewakili masing-masing nama data saham dari perusahaan yang berbeda sehingga untuk nilai m ij merupakan nilai korelasi antara saham dalam barisi dan saham dalam kolom-j. Ide dasar dari munculnya penggunaan matrik acak adalah untuk membandingkan bagaimana perilaku dari data percobaan tertentu terhadap perilaku dari data acak. yang dalam simulasi ini, perilaku data saham akan dibandingkan dengan perilaku data acak. matrik yang berisi nilai korelasi silang terhadap masing-masing data disebut matrik korelasi silang. 2
3 Penyelidikan terhadap otokorelasi ini memiliki akar sejarah yang panjang sejak penyelidikan Markowitz pada optimasi portofolio [6]. Terlihat dengan jelas bahwa kegunaan yang paling nyata dari model otokorelasi silang ini adalah dalam bidang portofolio, yaitu saat menentukan pasangan saham yang memiliki resiko kecil untuk suatu jangka panjang tertentu. Misalkan terdapat N saham yang berbeda pada saat t yaitu S 1 ( t), S 2 ( t),..., SN ( t ) dalam rentang waktu pengamatan L atau t = 1,2,..., L. Data saham tersebut dirubah menjadi data return, Si ( t+ t) Gi () t ln Si () t (i) Selanjutnya data return ini dinormalkan terhadap standar deviasinya 2 Gi() t Gi gi () t, (ii) σ 2 dengan σ G G, dan fungsi korelasi silang didefinisikan sebagai i i i i C g () t g () t (iii) ij i j dengan sifat 1, korelasi _ sempurna Cij 0, tidak _ berkorelasi 1, anti _ korelasi Persamaan (iii) bisa dituliskan dalam bentuk 1 T C GG (iv) L dengan G { g g g ( j t), j = 1,..., L 1, i= 1,..., N}, sedangkan untuk matrik acak, ij ij i setiap anggota dari matrik di atas dibangkitkan secara acak, hal ini ditulis sebagai 1 T R AA (v) L dengan A adalah matrik yang beranggotakan data acak. baik G maupun A merupakan matrik dengan ukuran N L. 3
4 Simulasi pertama yang akan dilakukan pada paper ini adalah membandingkan bagaimana perilaku data saham dalam hal ini distribusi peluang dari korelasi silang dibandingkan dengan distribusi peluang dari korelasi silang data acak, membandingkan persamaan (iv) dengan persamaan (v). fungsi TMA dalam hal ini sebagai pembanding seberapa dekat atau seberapa terpisah jarak distribusi tersebut terhadap data saham. Selanjutnya pada simulasi ke dua, hasil simulasi pertama dicari nilai eigen yang kemudian dicari bagaimana bentuk distribusi peluang dari nilai eigen tersebut. Hal menarik dari model ini adalah jikan dihubungkan dengan teoerma limit pusat (TLP), yaitu ketika ukuran matrik sedemikian besarnya dan distribusi peluang nilai eigen memiliki sifat universal, hal ini merupakan akibat langsung dari TLP [11]. Untuk matrik yang diperoleh dari persamaan (iv), fungsi kepadatan peluang nilai eigen didefinisikan sebagai N 1 ρ( λ) δ( λ λj ) (vi) N j= 1 dengan λ j menyatakan nilai eigen dari saham-j dan δ nerupakan fungsi Dirac. Apa yang terjadi jika N, L?, Bouchad [11] menunjukkan melalui TLP bahwa akan diperoleh ( )( ) Q λmaks λ λ λmin ρλ ( ) =, (vii) 2 2πσ λ dengan Q = L N dan λ [ λmin, λ maks ] λ maks 2 min σ (1 1/ Q 2 1/ Q) = + ±, (viii) hasil yang diperoleh pada simulasi ini adalah melihat sejauh mana data saham menyimpang terhadap data acak. Sifat statistika dari data yang dimodelkan dalam TMA akan menghasilkan dua hal, yang pertama adalah gangguan dan yang ke dua adalah informasi. Merupakan gangguan jika sifat statistika tersebut sesuai atau mirip dengan perilaku data acak, demikian sebaliknya bahwa data tersebut merupakan informasi jika berada diluar sifat data acak. sehingga penyelidikan tentang data saham dengan menggunakan TMA adalah mencari sejauh mana data saham menyimpang dari data acak. Hal utama yang ingin diperoleh pada RMT adalah membedakan antara informasi yang berguna dan gangguan yang dalam hal ini bisa diketahui melalui nilai eigen dan vektor eigen. cara yang digunakan untuk menentukan prosedur ini adalah melalui perbandingan antara matrik korelasi data saham terhadap matrik korelasi data acak. sejauh mana penyimpangan yang terjadi merupakan petunjuk bahwa informasi dari data merupakan informasi yang berguna, validitas metode RMT dari nilai eigen yang 4
5 merupakan hasil dari matrik korelasi silang. simpangan terhadap RMT merupakan informasi yang tidak bisa dijelaskan dari model acak [7]. Beberapa penyelidikan terhdapap 1000 perusahan terbesar di US selama dua tahun menunjukkan adanya kesesuaian anatara sebagian besar nilai eigen terhadap matrik acak meski ada sedikit penyimpangan terhadap nilai eigen yang paling besar [7]. Simulasi berikut ini merupakan penyelidikan terhadap saham di Indonesia yang tercatat dalam LQ45. 3.Simulasi dan Analisa Simulasi yang dilakukan berikut ini menggunakan data saham LQ45, namun dari data saham LQ45 tidak semuannya memiliki data yang lengkap pada tanggal s/d , sehingga data yang digunakan terbatas pada data yang lengkap saja yaitu hanya melibatkan 36 saham dari 45 saham yang tercatat pada saham LQ45, pada paper ini ditulis sebagai data saham LQ45*. Bagian pertama dari simulasi ini adalah mencari matrik korelasi dari data return saham, seperti biasa dalam simulasi deret waktu terhadap data keuangan atau saham data semula dirubah menjadi data return untuk mendapatkan distribusi peluang yang mendekati normal [2,3]. Pentingnya sifat statistika dari otokorelasi untuk melihat keterhubungan antar data saham, dalam simulasi ini melibatkan sejumlah data saham yang berbeda yang dituliskan dalam bentuk matrik dan dikenal sebagai matrik korelasi silang. Gambar 1 Kedua kurva mewakili bentuk distribusi peluang yang berbeda dari data saham LQ45* dan data acak, terlihat bahwa distribusi peluang dari korelasi silang data acak konsisten terhadap distribusi normal. 5
6 Meski terlihat bahwa distribusi peluang korelasi silang data saham LQ45* tidak tepat mengikuti distribusi normal dibandingkan data acak, tetapi secara umum bentuk distribusi tersebut dekat dengan distribusi normal dengan rata-rata mendekati 0.2, hal ini memberi informasi bahwa data saham LQ45* memiliki peluang yang lebih besar untuk berkorelasi positif, yang berarti akan muncul sejumlah keterhubungan secara positif diantara harga saham dalam LQ45* tersebut, sehingga kenaikkan satu harga saham akan memiliki pengaruh positif terhadap harga saham lain. Juga terlihat bahwa munculnya kemungkinan korelasi mutlak (C ij =1) dan anti korelasi (C ij =-1) hampir mustahil setidaknya jika dibandingkan dengan munculnya sifat tak berkorelasi (C ij =0). Namun secara umum perilaku data saham tersebut memiliki korelasi yang lemah hal ini ditunjukkan oleh kecenderungan data yang mengumpul pada 0.2 yang lebih dekat pada C ij =0 daripada C ij =1. Permasalahan di sini bisa berkembang menjadi, apa hubungan korelasi silang antara saham A dan saham B jika keduanya tercatat dalam saham LQ45*?. Dari gambar 1, belum terlihat secara jelas bagaimana peran data acak dalam membangun hubungan antara data saham dengan data acak itu sendiri, dari simulasi di atas yang menggunakan sifat statistika korelasi silang tidak mampu menunjukkan hubungan antar kedua data yang berbeda tersebut. Data acak masih menunjukkan sifat khasnya yaitu memiliki bentuk distribusi yang mendekati distribusi normal. Bagian kedua simulasi ini memberi peran yang lebih jelas terhadap matrik acak dalam membangun hubungan dengan data saham. Jika simulasi pertama menyelediki sifat statistika distribusi peluang korelasi silang yang ternyata tidak mampu menunjukkan hubungan yang cukup berarti terhadap data saham, pada simulasi kedua berikut ini sifat statistika yang diamati dikembangkan lebih lanjut menjadi distribusi peluang dari nilai eigen matrik korelasi. Secara sederhana simulasi kedua ini mecari nilai eigen dari hasil yang diperoleh pada simulasi pertama, yang selanjutnya akan digunakan untuk menyusun distribusi peluang dari nilai eigen tersebut. Hasil simulasi kedua yang ditunjukkan oleh gambar 2 memperlihatkan bahwa hasil yang diperoleh pada simulasi ini cukup baik dibandingkan dengan simulasi pertama dari segi sebaran distribusi peluang. Hal ini terlihat adanya kedekatan antara jarak kedua distribusi tersebut meski keduanya memiliki sumber data yang berbeda. Meski keduanya tidak tepat memiliki bentuk distribusi normal tetapi keduannya menunjukkan adanya bentuk distribusi yang mirip. Apa informasi yang disampaikan oleh kenyataan ini?. Lebih jauh tidak semua dari nilai eigen ini tercakup dalam lingkup nilai eigen data matrik acak, hal ini ditunjukkan pada gambar inset bahwa terdapat sejumlah nilai eigen yang jauh melebihi nilai eigen dari matrik acak. Berdasarkan pendekatan persamaan 6
7 [viii], dengan nilai L=1020 dan N=36, maka nilai eigen matrik korelasi dari data saham akan berada pada selang (0.6596,1.4110), nilai eigen yang berada diluar rentang tersebut memberi informasi bahwa bahwa saham dengan nilai tersebut berada dalam wilayah yang teratur dan tergolong dalam kelompok informasi yang berguna jika dibandingkan dengan data yang memiliki nilai eigen di dalam selang nilai eigen matrik acak yang termasuk dalam kelompok gangguan/noise. Gambar 2 Dibandingkan dengan gambar 1, distribusi nilai eigen data saham LQ45* memiliki jarak yang relatif kecil terhadap distribusi nilai eigen matrik acak, juga terlihat bahwa nilai eigen terbesar dari data saham memiliki nilai kali lebih besar dari nilai eigen terbesar dari matrik acak (gambar inset). 4.Kesimpulan Dua simulasi yang berbeda pada paper ini menunjukkan peran matrik acak sebagai model terhadap data saham LQ45*. Simulasi pertama mampu menunjukkan bahwa bentuk distribusi dari matrik korelasi silang dari data saham LQ45* memiliki bentuk yang serupa dengan distribusi normal meski memiliki rata-rata 0.2, sementara untuk data acak memiliki distribusi yang konsisten dengan distribusi normal dengan ratarata nol. Sedangkan simulasi kedua mampu menampilkan peran yang cukup penting dari matrik acak sebagai pendekatan terhadap data saham LQ45*, hal ini terlihat dari bentuk distribusi peluang untuk nilai eigen dari masing-masing matrik korelasi silang. Bentuk distribusi dari simulasi kedua ini mirip distribusi normal untuk kedua macam data yang 7
8 berbeda tersebut (data saham dan data acak). sementara untuk nilai terbesar dari nilai eigen data saham adalah kali nilai eigen terbesar matrik acak. nilai yang berada di luar rentang nilai eigen data acak merupakan kelompok informasi yang berguna dibanding dengan nilai eigen yang terdapat dalam selang, hal yang terakhir tersebut disebut dengan gangguan. Kerja lebih Jauh dan Pengakuan Perlu melibatkan data yang lebih banyak dan lebih panjang untuk memenuhi syarat dalam penerapan TLP, misalnya data IHSG. Distribusi peluang tidak hanya dikembangkan terhadap nilai eigen tetapi juga terhadap vektor eigen, termasuk juga terhadap selisih nilai eigen. Penulis menyampaikan terimakasih kepada Lembaga Fisika Indonesia atas bantuan dana dan Yohanis atas penyediaan data saham. Daftar Pustaka 1. Hariadi, Yun & Surya, Yohanes. Kulminasi Prediksi Data Deret Waktu Keuangan: Volatilitas dalam GARCH(1,1). Working Paper WPF2003. Bandung Fe Institute. 2. Hariadi, Yun & Surya, Yohanes. Peramalan dalam Selang GARCH(1,1). Working Paper WPH2003. Bandung Fe Institute. 3. Lo, M.S. Generalized Autoregressive Conditional Heteroscescedastic Time Series Model. A Project Submitted in Partial Fulfillment of the Requirements for Degree of Master of Science. Simon Fraser University Hariadi, Yun & Surya, Yohanes. DFA pada Saham. Working Paper WPB2004. Bandung Fe Institute. 5. Hu, K., Ivanov, P.Ch., Chen, Z., Carpena, P., Stanley, H.E. Effect of trend on Detrended Fluctuation Analysis. Physical Review E 64: Plerou, V., Gopikrishnan, P., Rosenow, B. Amaral, L.A.N, Guhr, T., Stanley, H.E. Random matrix approach to cross correlations in financial data. Physical Review E, Vol.65, Plerou, V., Gopikrishnan, P., Rosenow, B. Amaral, Stanley, H.E. Universal and Nonuniversal Properties of Cross Correlations in Financial Time Series. Physical Review Letters. Vol.83.Num Burda, Z.& Jurkiewicz, J. Signal and Noise in Financial Correlation Matrices. Preprint submitted to Elsevier Science. arxiv:cond-mat/ v2. 9. Utsugi, A., Ino, K., Oshikawa, M. Random Matrix Theory of Cross Correlations in Financial Markets.arXiv:cond-mat/ v Forresters, P.J., Snaith, N.C., Verbaarschot, J,J,M, Developments in Random Matrix Theory. arxiv:cond-mat/ v Bouchaud, J.P.m Potters, M, Theory of Financial Risk. Crambidge University Press
9 PETUNJUK PENGGUNAAN DOKUMEN BFI 1. Tentang Dokumen Dokumen ini adalah hasil riset sebagai sikap umum dari Bandung Fe Institute (BFI). Dokumen ini telah melalui proses seleksi dan penjurian yang dilakukan oleh Board of Science BFI bersama dengan penulisnya dan beberapa narasumber terkait. Tanggung jawab terhadap kesalahan yang mungkin terdapat dalam isi dari masing-masing makalah berada di tangan penulisnya. Segala bentuk usulan perbaikan, tambahan analisis, maupun penerapan harus dilakukan dengan konsultasi dengan penulis bersangkutan melalui Kantor Administrasi BFI (alamat di bawah). 2. Tentang Ketersediaan & Penggunaan Dokumen Dokumen ini disediakan secara gratis dalam bentuk kopi elektronis yang dapat diakses melalui alamat web: Siapapun yang berkeinginan untuk melihat dan memiliki kopi elektronis dari dokumen ini dapat memperolehnya secara gratis dengan men-download dari alamat tersebut. Dokumen yang di-download dapat diperbanyak, didistribusikan, ataupun dikutip untuk penggunaan non-komersil, pengayaan riset ilmiah, dan keperluan pendidikan tanpa perlu meminta izin tertulis dari BFI. Khusus untuk pengutipan, dapat dilakukan tanpa izin tertulis dari BFI namun harus menyebutkan dengan baik sumber kutipan, meliputi nama penulis, nomor seri dokumen, penerbit BFI Press, dan tahun penerbitan sesuai dengan standar penulisan bibliografi di mana kutipan dilakukan. Hard-Copy dari dokumen ini dapat diperoleh dengan permintaan tertulis kepada Kantor Administrasi BFI pada alamat di bawah. Hard-Copy dapat diperoleh dengan membayar uang pengganti cetak dokumen. Hard-Copy dapat diperbanyak, didistribusikan, ataupun dikutip untuk penggunaan non-komersil, pengayaan riset ilmiah, dan keperluan pendidikan tanpa perlu meminta izin tertulis dari BFI. Khusus untuk pengutipan, dapat dilakukan tanpa izin tertulis dari BFI namun harus menyebutkan dengan baik sumber kutipan, meliputi nama penulis, nomor seri dokumen, penerbit BFI Press, dan tahun penerbitan sesuai dengan standar penulisan bibliografi di mana kutipan dilakukan. Segala kebijakan teknis, implementasi apapun yang dilakukan berdasarkan usulan teknis dari dokumen ini tanpa melalui koordinasi langsung di bawah arahan peneliti BFI yang bersangkutan dan tanpa melalui persetujuan dengan kantor administrasi BFI bukan merupakan tanggung jawab BFI sebagai institusi ataupun peneliti yang bersangkutan secara individual. Hak-hak intelektual BFI dan penelitinya dilindungi oleh undang-undang. Pelanggaran terhadap ketentuan-ketentuan tersebut di atas adalah bentuk pelanggaran hukum dan mendapat ancaman hukuman/sanksi sesuai peraturan perundangan yang berlaku di Indonesia. Untuk informasi lebih lanjut hubungi Kantor Administrasi BFI dengan alamat: BANDUNG FE INSTITUTE Jl. Cemara 63 Bandung JAWA BARAT INDONESIA URL: Mail: Ph./Fax.:
Peramalan dalam Selang GARCH(1,1)
WORKING PAPER WPH2003 Peramalan dalam Selang GARCH(1,1) BANDUNG FE INSTITUTE research university on complexity in Indonesia Peramalan dalam Selang GARCH(1,1) Yohanes Surya 1 dan Yun Hariadi 2 Absrtak Hasil
Lebih terperinciKulminasi Prediksi Data Deret Waktu Keuangan Volatilitas dalam GARCH (1,1)
WORKING PAPER WPF003 Kulminasi Prediksi Data Deret Waktu Keuangan Volatilitas dalam GARCH (1,1) BANDUNG FE INSTITUTE research university on complexity in Indonesia Kulminasi Prediksi Data Deret Waktu Keuangan
Lebih terperinciWORKING PAPER WPB2004. DFA Pada Saham. BANDUNG FE INSTITUTE research university on complexity in Indonesia.
WORKING PAPER WPB2004 DFA Pada Saham BANDUNG FE INSTITUTE research university on complexity in Indonesia http://www.bandungfe.scripterz.org DFA Pada Saham Yohanes Surya 1,Yun Hariadi 2 Abstrak Data return
Lebih terperinciMultifraktal TELKOM, INDOSAT, HMSP WORKING PAPER WPT2003. BANDUNG FE INSTITUTE research university on complexity in Indonesia
WORKING PAPER WPT2003 Multifraktal TELKOM, INDOSAT, HMSP BANDUNG FE INSTITUTE research university on complexity in Indonesia http://www.bandungfe.scripterz.org $ Multifraktal: Telkom, Indosat, dan HMSP
Lebih terperinciKorelasi Pasar Modal dalam Ekonofisika
Korelasi Pasar Modal dalam Ekonofisika Yn Hariadi Dept. Dynamical System Bandng Fe Institte yh@dynsys.bandngfe.net Pendahlan Fenomena ekonomi sebagai kondisi makro yang merpakan hasil interaksi pada level
Lebih terperinciAnalisis Teori Matrik Acak untuk data Saham dan IHSG
Analisis Teori Matrik Acak untuk data Saham dan IHSG Yun Hariadi Dept. Dynamical System Bandung Fe Institute Abstrak Melalui teori matrik acak paper ini memfokuskan pada perilaku vektor eigen pada saat
Lebih terperinciKarakteristik pada sekitar Tindak Pengawasan
Karakteristik pada sekitar Tindak Pengawasan Yun Hariadi Dept. Dynamical System Modeling Bandung Fe Institute yh@dynsys.bandungfe.net Abstrak Bursa Efek Jakarta melakukan tindak pengawasan terhadap emiten
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan salah satu unsur yang sangat penting dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu unsur yang sangat penting dalam pengambilan keputusan, karena terkadang faktor-faktor yang berhubungan dengan pengambilan keputusan tidak
Lebih terperinciPERSEPSI JARING SARAF PADA PETA POINCARE KEUANGAN
WORKING PAPER WPG2003 PERSEPSI JARING SARAF PADA PETA POINCARE KEUANGAN BANDUNG FE INSTITUTE research university on complexity in Indonesia PERSEPSI JARING SARAF PADA PETA POINCARE KEUANGAN Yohanes Surya
Lebih terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciNamun peramalan bukanlah sekadar mistis atau
Deni Khanafiah Scholar Bidang Evolusi Sistem Sosial Bandung Fe Institute Peramalan merupakan suatu kegiatan yang seringkali dikaitkan dengan sesuatu yang berbau mistis atau supranatural. Ingatan kita mungkin
Lebih terperinciTEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari
Lebih terperinciSENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU
SENSITIFITAS MODEL GARCH UNTUK MENGATASI HETEROKEDASTIK PADA DATA DERET WAKTU Asep Saefuddin, Anang Kurnia dan Sutriyati Departemen Statistika FMIPA IPB Ringkasan Data deret waktu pada bidang keuangan
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciPenggunaan Fuzzy Cognitive Mapping Dalam Konstruksi Analisis Sosial
Penggunaan Fuzzy Cognitive Mapping Dalam Konstruksi Analisis Sosial Hokky Situngkir (quicchote@yahoo.com) Bandung Fe Institute Abstrak Makalah ini membedah teknik pemodelan berdasarkan logika dan himpunan
Lebih terperinciEFFICIENT FRONTIER. Efficient Frontier. 3.3 x Return Simulasi Monte Carlo EWMA GARCH Markowitz 2.8
EFFICIENT FRONTIER 3.3 x 10-3 Efficient Frontier 3.2 3.1 Return 3 2.9 2.8 Simulasi Monte Carlo EWMA GARCH Markowitz 2.7 0.0158 0.016 0.0162 0.0164 0.0166 0.0168 0.017 0.0172 0.0174 0.0176 Risk 1. Dalam
Lebih terperinciANTARA SAHAM LIKUID DAN TAK LIKUID DI BURSA EFEK JAKARTA PERSPEKTIF MEKANIKA STATISTIKA
ANTARA SAHAM LIKUID DAN TAK LIKUID DI BURSA EFEK JAKARTA PERSPEKTIF MEKANIKA STATISTIKA Hokky Situngkir (hs@compsoc.bandungfe.net) Yun Hariadi (yh@dynsys.bandungfe.net) Yohanes Surya (yohaness@centrin.net.id)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi berkaitan dengan penempatan dana ke dalam bentuk aset yang lain selama periode tertentu dengan harapan tertentu. Aset yang menjadi objek investasi seseorang
Lebih terperinciMA6281 Analisis Data dengan Copula Bab 1: Fungsi distribus. Bab 2: Data dan volatilitas Bab 3: Konsep Copula
MA6281 Analisis Data dengan Copula Bab 1: Fungsi distribusi bivariat Bab 2: Data dan volatilitas Bab 3: Konsep Copula Dependency is not necessarily bad Data risiko operasional Ilustrasi Data risiko operasional
Lebih terperinciBAB I PENDAHULUAN. penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada zaman sekarang, peramalan merupakan salah satu unsur yang sangat penting dalam proses pengambilan keputusan di suatu instansi. Untuk melakukan peramalan
Lebih terperinciValue at Risk yang memperhatikan sifat statistika distribusi return
MPRA Munich Personal RePEc Archive Value at Risk yang memperhatikan sifat statistika distribusi return Hokky Situngkir Bandung Fe Institute 27 April 2006 Online at https://mpra.ub.uni-muenchen.de/895/
Lebih terperinciBAB I PENDAHULUAN. untuk menjual, menahan, atau membeli saham dengan menggunakan indeks
BAB I PENDAHULUAN A. LATAR BELAKANG MASALAH Pasar modal merupakan pasar abstrak, dimana yang diperjualbelikan adalah dana jangka panjang, yaitu dana yang keterikatannya dalam investasi lebih dari satu
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciMA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan
MA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan Referensi: Taylor (2008), Modeling Financial Time Series Tsay (2005), Analysis of Financial Time Series Silabus: Return, volatilitas dan distribusi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Dalam pembahasan ini dikaji mengenai nilai ekspektasi saham pada jatuh tempo, persamaan nilai portofolio, penentuan model Black-Scholes harga opsi beli tipe Eropa,
Lebih terperinciBAB I PENDAHULUAN. satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data time series merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadi berdasarkan waktu t secara berurutan dan dengan interval
Lebih terperinciPERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH
PERAMALAN DATA SAHAM S&P 500 INDEX MENGGUNAKAN MODEL TARCH Universitas Negeri Malang E-mail: abiyaniprisca@ymail.com Abstrak: Penelitian ini bertujuan untuk mengetahui model peramalan terbaik dari data
Lebih terperinci3 Kesimpulan. 4 Daftar Pustaka
Litterman-2. Keuntungan aktual maksimal kedua kinerja Black Litterman ternyata terjadi pada waktu yang sama yaitu tanggal 19 Februari 2013. Secara umum dapat dinyatakan bahwa pembentukan portofolio dengan
Lebih terperinciBAB I PENDAHULUAN. melakukan penelitian ada tiga jenis, yaitu data deret waktu (time series), data silang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam analisis perekonomian, ketersediaan data yang sesuai sangat mempengaruhi hasil analisis yang diperlukan. Data yang biasa digunakan dalam melakukan penelitian
Lebih terperinciMetode Resampled Efficient Frontier Mean Variance Simulasi Montecarlo Untuk Pemilihan Bobot Portofolio
METODE RESAMPLED EFFICIENT FRONTIER MEAN VARIANCE SIMULASI MONTECARLO UNTUK PEMILIHAN BOBOT PORTOFOLIO Anita Andriani D3 Manajemen Informatika, Universitas Hasyim Asy ari Tebuireng Jombang Email: anita.unhasy@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Value at Risk (VaR) telah menjadi ukuran standar dalam resiko pasar di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Value at Risk (VaR) telah menjadi ukuran standar dalam resiko pasar di lembaga-lembaga keuangan seperti bank. Alasan utama mengapa VaR begitu populer adalah
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Metodologi penelitian Efficient Market Hypothesis dan Fractal Market Hypothesis terhadap perilaku return harian indeks LQ45 dan saham-saham perbankan yang tergabung dalam LQ45
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi pada hakekatnya merupakan penempatan sejumlah uang atau dana yang dilakukan pada saat ini dengan harapan memperoleh keuntungan di masa mendatang (Halim,
Lebih terperinciANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK
ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika
Lebih terperinciPENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan
Lebih terperinciBAB I PENDAHULUAN. bahwa sering terjadi ketidak-akuratan hasil peramalan, tetapi mengapa peramalan
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan adalah salah satu input penting bagi para manajer dalam proses pengambilan keputusan investasi. Dalam proses peramalan dapat disadari bahwa sering terjadi
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB I PENDAHULUAN. perusahaan (pihak yang membutuhkan dana) melalui penjualan saham, obligasi,
BAB I PENDAHULUAN 1.1. Latar Belakang Di era globalisasi ini, pasar modal mulai menunjukkan peranan penting dalam menggerakkan dana dari pemodal (pihak yang kelebihan dana) kepada perusahaan (pihak yang
Lebih terperinciBAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) Proses TARCH merupakan modifikasi dari model ARCH dan GARCH.
BAB III THRESHOLD AUTOREGRESSIVE CONDITIONAL HETEROCEDASTICTY (TARCH) 3.1. Model TARCH Proses TARCH merupakan modifikasi dari model ARCH dan GARCH. Pada proses ini nilai residu yang lebih kecil dari nol
Lebih terperinciPEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH. Retno Hestiningtyas dan Winita Sulandari, M.Si. Jurusan Matematika FMIPA UNS
S-9 PEMODELAN TARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Retno Hestiningtyas dan Winita Sulandari, M.Si Jurusan Matematika FMIPA UNS ABSTRAK. Pada data finansial sering terjadi keadaan leverage effect,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciMENAKSIR VALUE AT RISK (VAR) PORTOFOLIO PADA INDEKS SAHAM DENGAN METODE PENDUGA VOLATILITAS GARCH
MENAKSIR VALUE AT RISK (VAR) PORTOFOLIO PADA INDEKS SAHAM DENGAN METODE PENDUGA VOLATILITAS GARCH INTAN AWYA WAHARIKA 1, KOMANG DHARMAWAN 2, NI MADE ASIH 3 1, 2, 3 Jurusan Matematika FMIPA Universitas
Lebih terperinciKerangka Kerja Ekonofisika dalam Basel II
MPRA Munich Personal RePEc Archive Kerangka Kerja Ekonofisika dalam Basel II Hokky Situngkir and Yohanes Surya Bandung Fe Institute 7. June 2006 Online at http://mpra.ub.uni-muenchen.de/896/ MPRA Paper
Lebih terperinciStudi dan Implementasi Integrasi Monte Carlo
Studi dan Implementasi Integrasi Monte Carlo Firdi Mulia - 13507045 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)
ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi saat ini berkembang pesat. Hal ini mendorong manusia untuk terus berupaya memanfaatkan kemajuan teknologi di antaranya diwujudkan
Lebih terperinciBAB I PENDAHULUAN. atau memprediksi nilai suatu perolehan data di masa yang akan datang
BAB I PENDAHULUAN 1.1 Latar Belakang Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
Lebih terperinciBAB I PENDAHULUAN. diantaranya surat utang (obligasi), ekuiti (saham), reksa dana, dan instrumen
BAB I PENDAHULUAN 1.1 Latar Belakang Instrumen keuangan yang dapat diperjualbelikan di pasar modal diantaranya surat utang (obligasi), ekuiti (saham), reksa dana, dan instrumen lainnya. Saham merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB IV METODE PENELITIAN
71 BAB IV METODE PENELITIAN 4.1 Jenis/Desain Penelitian Jenis penelitian yang digunakan adalah jenis penelitian yang menggunakan pendekatan kuantitatif dengan studi deskriptif, karena tujuan penelitian
Lebih terperinci(A.3) PENDEKATAN MULTIFAKTOR UNTUK OPTIMISASI PORTOFOLIO INVESTASI DI BAWAH VALUE-AT-RISK
(A.3) ENDEKAAN MULIFAKOR UNUK OIMISASI OROFOLIO INVESASI DI BAWAH VALUE-A-RISK ABSRAK Betty Subartini, Lily Dwi Noviyanti, F. Sukono Jurusan Matematika FMIA Universitas adjadjaran Jl. Raya Bandung-Sumedang
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Pergerakan Harga Saham Pergerakan harga harian indeks LQ45 dan lima saham perbankan yang termasuk dalam kelompok LQ45 selama periode penelitian ditampilkan dalam bentuk
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Saham adalah surat berharga yang menjadi bukti seseorang berinvestasi pada suatu perusahaan. Harga saham selalu mengalami perubahan harga atau biasa disebut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Esti Pertiwi, 2013
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan salah satu kebutuhan yang sangat penting bagi kehidupan manusia, terutama sebagai salah satu faktor dalam pengambilan keputusan. Peramalan biasanya
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. pengolahan data. Dalam pengolahan data menggunakan program Microsoft Excel
57 BAB IV ANALISIS DAN PEMBAHASAN 4.1 Pengolahan Data Dengan data historis yang telah tersedia pada instrumen investasi saham LQ 45 dan deposito dalam periode tahun 2013 sampai dengan 2015 kemudian dilakukan
Lebih terperinciPemodelan Klaim Yang Melebihi Threshold Random Untuk Dua Portofolio Asuransi Yang Saling Bebas
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 1289 Pemodelan Klaim Yang Melebihi Threshold Random Untuk Dua Portofolio Asuransi Yang Saling Bebas Syaifrijal Zirkon Radion Prodi
Lebih terperinciMODEL PREDIKSI DENGAN BINOMIAL POISSON INAR(1) DAN TRINOMIAL POISSON INAR(2)
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika (SESIOMADIKA) 2017 ISBN: 978-602-60550-1-9 Statistika, hal. 36-41 MODEL PREDIKSI DENGAN BINOMIAL POISSON INAR(1) DAN TRINOMIAL POISSON INAR(2)
Lebih terperinciAUTOKORELASI PADA BAGAN KENDALI
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 88 96 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND AUTOKORELASI PADA BAGAN KENDALI NILA CHOIROTUNNISA, MAIYASTRI, YUDIANTRI ASDI Program Studi Matematika,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
Lebih terperinciBAB V PENUTUP ( ( ) )
BAB V PENUTUP 5.1 Kesimpulan Penentuan harga opsi Asia menggunakan rata-rata Aritmatik melalui Simulasi Monte Carlo dapat dinyatakan sebagai berikut. ( ( ) ) ( ( ) ) dimana merupakan harga opsi Call Asia
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciPERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO
1 e-jurnal Matematika Vol. 1 No. 1 Agustus 2012 PERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO WAYAN ARTHINI 1, KOMANG DHARMAWAN 2, LUH PUTU IDA HARINI 3 1, 2,
Lebih terperinciBAB III PORTOFOLIO OPTIMAL. Capital assets pricing model dipelopori oleh Treynor, Sharpe, Lintner
BAB III PORTOFOLIO OPTIMAL 3.1 Capital Asset Pricing Model Capital assets pricing model dipelopori oleh Treynor, Sharpe, Lintner dan Mossin pada tahun 1964 hingga 1966. Capital assets pricing model merupakan
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciAnalisis Harga Saham Properti di Indonesia menggunakan metode GARCH
Analisis Harga Saham Properti di Indonesia menggunakan metode GARCH Dhafinta Widyasaraswati1,a), Acep Purqon1,b) 1 Laboratorium Fisika Bumi, Kelompok Keilmuan Fisika Bumi dan Sistem Kompleks, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
Lebih terperinciANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK
Salatiga, 5 Juni 23, Vol 4, No., ISSN:287 922 ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip 2), dan Bambang Susanto 3) ) Mahasiswa Program Studi
Lebih terperinciMETODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1
Media Informatika Vol. 5 No. 1 (2006) METODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung
Lebih terperinciMODEL BLACK LITTERMAN DENGAN PENDEKATAN TEORI SAMPLING
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 MODEL BLACK LITTERMAN DENGAN PENDEKATAN TEORI SAMPLING Retno Subekti Jurusan
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciPowerPoint Slides by Yana Rohmana Education University of Indonesian
PowerPoint Slides by Yana Rohmana Education University of Indonesian Chapter 2007 Laboratorium 1 Ekonomi & Koperasi Publishing Jl. Dr. Setiabudi 229 Bandung, Telp. 022 2013163-2523 Regression, Causalitas,
Lebih terperinciBAB I PENDAHULUAN. (Abdul Halim, 2005 : 4). Umumnya investasi dibedakan menjadi dua, yaitu
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian Investasi pada hakikatnya merupakan komitmen terhadap sejumlah sumber daya pada saat ini dengan tujuan untuk mendapatkan keuntungan di masa depan (Abdul
Lebih terperinciBAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) Asymmetric Power Autoregressive Conditional Heteroscedasticity
BAB III ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (APARCH) 3.1 Proses APARCH Asymmetric Power Autoregressive Conditional Heteroscedasticity (APARCH) diperkenalkan oleh Ding, Granger
Lebih terperinciPREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN DENGAN METODE FUZZY REGRESI BERGANDA. Ristauli Pakpahan, Tulus, Marihat Situmorang
Saintia Matematika Vol 1, No 4 (2013), pp 313 324 PREDIKSI KEBUTUHAN BERAS DI PROVINSI SUMATERA UTARA TAHUN 2013-2015 DENGAN METODE FUZZY REGRESI BERGANDA Ristauli Pakpahan, Tulus, Marihat Situmorang Abstrak
Lebih terperinciSuma Suci Sholihah, Heni Kusdarwati, Rahma Fitriani. Jurusan Matematika, F.MIPA, Universitas Brawijaya
PEMODELAN RETURN IHSG PERIODE 15 SEPTEMBER 1998 13 SEPTEMBER 2013 MENGGUNAKAN THRESHOLD GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (TGARCH(1,1)) DENGAN DUA THRESHOLD Suma Suci Sholihah,
Lebih terperinciBAB I PENDAHULUAN. Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter,
BAB I PENDAHULUAN 1.1 Latar belakang Perilaku dari harga suatu aset finansial dapat dilihat dari dua parameter, yaitu mean dan standar deviasi harga aset tersebut. Dalam bahasa keuangan, standar deviasi
Lebih terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciBAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data
BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan
Lebih terperinciPERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO
PERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO Adilla Chandra 1*, Johannes Kho 2, Musraini M 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika Fakultas
Lebih terperinciPERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO
PERHITUNGAN VaR PORTOFOLIO SAHAM MENGGUNAKAN DATA HISTORIS DAN DATA SIMULASI MONTE CARLO WAYAN ARTHINI 1, KOMANG DHARMAWAN 2, LUH PUTU IDA HARINI 3 1, 2, 3 Jurusan Matematika FMIPA Universtitas Udayana,
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA DENGAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING PADA INDIKATOR IMPOR, EKSPOR, DAN CADANGAN DEVISA Vivi Rizky Aristina Suwardi, Sugiyanto, dan Supriyadi
Lebih terperinci2016 VOLATILITAS HARGA SAHAM EMERGING MARKET PADA
1.1 Latar Belakang Penelitian BAB I PENDAHULUAN Investasi merupakan penanaman dana pada salah stau atau lebih obyek investasi yang dimiliki untuk mendapatkan keuntungan di masa yang akan datang (Reilly
Lebih terperinciAdapun rumus matematis dari analisa regresi linier yaitu : y = A 0 + B 0 X + ε Dimana : y = Variable dependent ( variable yang akan diprediksi ) A 0 =
PREDIKSI NILAI SAHAM MENGGUNAKAN PEMROGRAMAN GENETIK DAN PEMROGRAMAN EKSPRESI GEN Aris Sularno Jurusan Informatika, Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia Abstrak Prediksi harga
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciSeminar Hasil. Disusun oleh: Inayatus Sholichah. Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Seminar Hasil Analisis Volatilitas dan Value at Risk pada Saham Blue Chip dengan Metode ARCH- GARCH. Disusun oleh: Inayatus Sholichah Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si Dr. Suhartono, M.Sc
Lebih terperinciDaftar lsi BAB 2 MEMPERSIAPKAN DATA... 15
Daftar lsi Tentang Penulis... Kata Pengantar... Daftar lsi... iii vii xv BAB 1 PENDAHUlUAN... 1 1. 1. Pendahuluan...... 1 1.2. Keuangan Modern... 2 1.3. Teori Portofolio Modern... 3 1.4. Teori Portofolio
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciPENENTUAN VALUE AT RISK
PENENTUAN VALUE AT RISK SAHAM KIMIA FARMA PUSAT MELALUI PENDEKATAN DISTRIBUSI PARETO TERAMPAT (Studi Kasus : Harga Penutupan Saham Harian Kimia Farma Pusat Periode Oktober 2009 September 2014) SKRIPSI
Lebih terperinciTeknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Teknik Ensemble dengan Additive Noise pada Estimasi Parameter Model Autoregressive Spasial Sulistiyaningsih 1, Dewi Retno Sari Saputro 2, Purnami Widyaningsih
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penilitian ini meneliti faktor-faktor yang mempengaruhi return saham
BAB III METODOLOGI PENELITIAN 3.1 Objek Penelitian Penilitian ini meneliti faktor-faktor yang mempengaruhi return saham pada perusahan dengan menggunakan laporan keuangan tahunan (annual report) pada tahun
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sejarah Bursa Efek Indonesia Secara historis, pasar modal telah hadir jauh sebelum Indonesia merdeka. Pasar modal atau bursa efek telah hadir sejak jaman kolonial Belanda dan
Lebih terperinciTEORI DASAR DERET WAKTU M A T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R
TEORI DASAR DERET WAKTU M A 5 2 8 3 T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R DERET WAKTU Deret waktu sendiri tidak lain adalah himpunan pengamatan
Lebih terperinci