RISIKO PASAR: PERBANDINGAN MODEL EWMA DAN GARCH PADA NILAI TUKAR RUPIAH TERHADAP US DOLLAR
|
|
- Yandi Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) RISIKO PASAR: PERBANDINGAN MODEL EWMA DAN GARCH PADA NILAI TUKAR RUPIAH TERHADAP US DOLLAR Ari Christianti Fakultas Ekonomi, Universitas Kristen Duta Wacana Jalan Dr. Wahidin Sudiro Husodo 5-5, Yogyakarta, ari@ukdw.ac.id ABSTRACT Financial risk model evaluation or backtesting is a key part of the internal model s approach to market risk management as laid out by the Basle Committee on Banking Supervision. Using daily exchange rate from January 006-February 008, will be compared measuring volatility between EWMA (Exponential Weighted Moving Average) and GARCH (Generalized Autoregressive Conditional Heterocedasticity). The results show that GARCH methods have considerably better power properties in measuring the volatility than the EWMA methods. However, the number of exceptions from the GARCH model, although much less than the EWMA model but the numbers were still above 5% and 1% (confidence level of 95% and 99%). The arguments for explained this finding is a pressure from stakeholders or the existence of an economic events that result in changes in exposure due to the different policies. As a result, the VaR model would be inaccurate to reality. Keywords: volatility, backtesting, EWMA, and GARCH PENDAHULUAN Sampai sekarang penelitian dalam bidang manajemen risiko masih terus dilakukan khususnya berkaitan dengan pengukuran risiko untuk 153
2 JRMB, Volume 5, No., Desember 010 lembaga keuangan seperti perbankan. Salah satu alat perhitungan risiko dalam perbankan adalah VaR (Value at Risk). VaR merupakan ukuran standar risiko yang dikeluarkan Komite Basel sebagai ukuran kerugian terburuk yang diharapkan akan terjadi pada horison waktu tertentu pada kondisi pasar yang normal dengan tingkat kepercayaan tertentu. Namun, dalam perkembangannya perhitungan VaR belum tentu dan tidak selalu akurat. Sebuah bank yang menerapkan VaR dalam mengukur risiko dimungkinkan akan dipengaruhi oleh tekanan dari stakeholder (Blanco & Oks, 00) seperti manajemen senior, regulator, auditor, investor, kreditur, dan agen peringkat kredit. Hal ini akan berakibat pada perubahan eksposure karena adanya kebijakan yang berbeda. Dengan kata lain asumsi yang dibuat dari model VaR bisa bertambah. Akibatnya model VaR akan menjadi tidak akurat lagi dengan kenyataan. Kendati demikian, VaR sampai saat ini lebih banyak digunakan dibandingkan dengan ukuran risiko lainnya. Hal tersebut disebabkan karena dengan adanya VaR, maka proses backtesting lebih mudah implementasikan. Backtesting merupakan proses yang digunakan untuk menguji validitas model dari pengukuran potensi kerugian. Kemudian sejauhmana kekuatan dari model risiko yang digunakan dalam memprediksi risiko yang terjadi. Penelitian mengenai backtesting pertama kali dilakukan oleh Kupiec (1995) dan Christoffersen (1998) dengan menggunakan jumlah eksepsi sebagai dasar untuk melakukan backtesting VaR. Selanjutnya, Berkowitz dan O'Brien (00) dalam studinya menggunakan data keuntungan dan kerugian trading dari enam bank multinasional periode Januari 1998 sampai Maret 000 di US. Selanjutnya, dengan menggunakan backtesting yang diusulkan oleh Kupiec (1995) dan Christoffersen (1998), mereka menemukan bahwa model internal bank berupa VaR menyediakan cakupan yang cukup untuk risiko pasar. Namun demikian, kerugian menjadi besar selama periode 1998 akibat krisis finansial Asia dan krisis Rusia. Artinya terdapat risiko dalam penggunaan VaR yang diabaikan dalam model risiko. Risiko pasar berupa nilai tukar Dollar US terhadap Rupiah merupakan salah satu risiko yang dihadapi oleh industri perbankan. Fluktuasi nilai tukar Dollar US misalnya, akan mempengaruhi kondisi 154
3 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) bank berkaitan dengan posisi neraca bank serta aktivitas treasuri. Karena risiko nilai tukar Dollar terhadap Rupiah cenderung tidak pasti dan terus mengalami perubahan dari waktu ke waktu, maka dipandang perlu menggunakan tools dalam manajemen risiko untuk mengukur volatilitas nilai tukar dalam rangka mengantisipasi risiko yang terjadi. Adapun metodologi untuk mem-forecast volatilitas nilai tukar Rupiah terhadap Dollar adalah EWMA (Exponential Weighted Moving Average) dan GARCH (Generalized Autoregressive Conditional Heterocedasticity). EWMA dan GARCH dalam perkembangannya merupakan model ukuran volatilitas yang banyak digunakan dalam aplikasi keuangan yang bersifat time series seperti nilai tukar. Berdasarkan pada penjelasan di atas maka tujuan dari penelitian ini adalah menghitung VaR dengan menggunakan model EWMA dan GARCH. Selain itu, penelitian ini juga akan membandingkan kedua pengukuran volatilitas risiko nilai tukar dengan melakukan backtesting untuk mengetahui mana yang lebih baik diantara keduanya. Diharapkan hasil penemuan ini dapat bermanfaat bagi manajer risiko dalam mengendalikan risiko nilai tukar Rupiah terhadap Dollar. TELAAH LITERATUR Manajemen Risiko Manajemen risiko perbankan menjadi sangat penting dalam usaha perbankan mengingat kompleksitas usaha bank yang terus meningkat. Hal ini disebabkan karena manajemen risiko sebagai salah satu perangkat dalam menjaga kualitas aktiva serta mendukung aktivitas perbankan yang prudent. Diharapkan dengan menerapkan manajemen risiko secara terintegrasi dan menyeluruh, bank dapat melalui setiap perubahan dan krisis yang terjadi dengan risiko yang kecil. Adapun kerangka manajemen risiko bank mencakup pengendalian internal, prosedur, limit transaksi dan garis kewenangan yang dievaluasi secara berkala. Tujuan evaluasi adalah dalam rangka mengembangkan dan meningkatkan sistem pengelolaan risiko agar dapat memberikan peringatan dini terhadap risiko yang ada di setiap lini bisnis. Dengan demikian bank dapat menetapkan strategi yang tepat dan mengambil 155
4 JRMB, Volume 5, No., Desember 010 keputusan berbagai langkah untuk melakukan mitigasi risiko serta melakukan penyempurnaan terhadap sistem pengelolaan risiko bank. Volatilitas dan VaR (Value at Risk) Volatilitas merupakan ukuran statistik dari pergerakan harga suatu aset. Volatilitas yang tinggi berarti kemungkinan return atau loss yang didapat juga tinggi. Dalam perkembangannya seorang manajer risiko tidak dapat mengasumsikan bahwa volatilitas suatu aset adalah tetap atau konstan sepanjang waktu. Akibatnya, manajer risiko tidak bisa menjadikan volatilitas masa lalu sebagai panduan untuk volatilitas di masa yang akan datang. Untuk itu diperlukan pengukuran volatilitas aset sebagai antisipasi risiko sehingga risiko bisa dimitigasi. Salah satu pengukuran volatilitas adalah VaR yang memperkirakan jumlah kerugian dengan cara mengukur keakuratan volatilitas yang digunakan. Value at Risk (VAR) merupakan suatu metode untuk menilai risiko dengan menggunakan teknik statistik standar. Berikut adalah beberapa definisi tentang Value at Risk: Best, Phillip (1999:9-10) Value at risk is a statistical measure of the risk that estimates the maximum loss that may be experienced on a portfolio with a given level of confidence. Crouhy, at all (000:187) Value at risk can be defined as the worst loss that might be expected from holding a security or portfolio over a given period of time, given a specified level of probability (known as confidence level). Berdasarkan pada uraian di atas dapat diambil kesimpulan bahwa VaR merupakan ukuran kerugian terburuk yang diharapkan akan terjadi pada horison waktu tertentu pada kondisi pasar yang normal dengan tingkat kepercayaan tertentu. Selain itu, VaR juga memuat perhitungan risiko dengan tiga komponen penting yaitu, tingkat kepercayaan yang relatif tinggi (95% atau 99%), periode waktu (harian, bulanan, atau tahunan), dan estimasi kerugian (satuan mata uang atau prosentase ). 156
5 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Adapun formulasi VaR berkaitan dengan volatility adalah sebagai berikut: VaR.X Alpha () adalah nilai variabel normal baku (z), X adalah exposure, dan merupakan volatilitas faktor risiko dalam prosen. Bagi pelaku pasar atau investor misalnya, nilai tukar memiliki risiko pergerakan nilai tukar yang volatil. Sehingga perlu diketahui berapa besarnya risiko yang ditanggung oleh pelaku pasar dan investor yang berkepentingan terhadap fluktuasi atau volatilitas nilai tukar. Backtesting Backtesting merupakan proses yang digunakan untuk menguji validitas model pengukuran potensi kerugian. Pengujian validitas model ini dimaksudkan untuk mengetahui akurasi model risiko yang digunakan untuk melakukan proyeksi potensi kerugian. Proses pengujian validitas model dengan backtesting dilakukan dengan membandingkan nilai value at risk (VaR) suatu risiko dengan realisisasi kerugian dalam suatu periode waktu seperti yang terlihat pada gambar di bawah ini, Gambar 1. Kalkulasi VaR dan Proses Backtesting 157
6 JRMB, Volume 5, No., Desember 010 Hasil validitas backtesting digunakan untuk memperkuat kebijakan penggunaan suatu model tertentu jika ternyata dalam pengujiannya model dinyatakan valid. Sebaliknya, jika dalam pengujian validitas ternyata model tidak valid maka model yang digunakan untuk mengukur potensi kerugian perlu ditinjau kembali atau diganti dengan model pengukuran potensi kerugian lainnya yang lebih sesuai atau valid untuk digunakan. Backtesting merupakan reality checks yang berguna bagi pengguna VaR dan manajer risiko yang memerlukan langkah untuk menguji apakah peramalan VaR telah ter-kalibrasi dengan baik. Jika VaR belum terkalibrasi dengan baik, maka model perlu diuji ulang apakah ada kesalahan asumsi kesalahan parameter atau pemodelan yang belum akurat. Pada model yang telah terkalibrasi secara sempurna, maka jumlah observasi yang jatuh di luar VaR harus sesuai dengan tingkat kepercayaan (confidence level). Jumlah observasi yang yang ada di luar confidence level dikenal dengan jumlah pengecualian (exceptions). Jika banyak exceptions maka model tersebut underestimate risk. Exceptions adalah kerugian harian yang lebih besar dari VaR dengan tingkat kepercayaan 99%. Diharapkan bahwa backtesting menghasilkan rata-rata,5 exceptions dari 50 pengamatan kerugian atau keuntungan harian setahun lalu. Basel Commitee menetapkan bahwa jumlah kecil exceptions yang masih dapat ditoleransi adalah empat. Apabila bank menggunakan model yang menghasilkan exceptions lebih dari empat, maka pengawas memberikan pinalti. Pinalti tersebut dinyatakan dalam plus factor (k). Tabel berikut menampilkan nilai faktor k untuk tiga kelompok exceptions. Tabel 1. Zona Penalti Zone Number of exceptions Increase in scaling factor (k) Green Zone ,00 0,00 0,00 0,00 0,00 158
7 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Yellow Zone ,40 0,50 0,65 0,75 0,85 Red Zone 10 or more 1,00 Sumber: Basel Committee on Banking Supervision. 1996b Apabila backtesting menghasilkan exceptions paling banyak 4 (green zone), maka pengawas bank tidak memberikan pinalti. Apabila backtesting menghasilkan exceptions lebih dari 4, maka bank mendapatkan pinalti dalam bentuk penambahan nilai k (plus factor) dalam penghitungan beban risiko pasar. Penambahan nilai k bersifat progresif dari 0,4 hingga 1 (yellow zone). Nilai k akan bertambah 1 apabila backtesting menghasilkan exceptions > 10 (red zone). Studi Literatur Penelitian mengenai risiko pasar dalam perkembangannya masih banyak meneliti tentang backtesting untuk risiko pasar khususnya nilai tukar. Kupiec (1995) dan Christoffersen (1998) menggunakan jumlah eksepsi sebagai dasar untuk melakukan backtesting VaR. Selanjutnya, Berkowitz dan O'Brien (00) dalam studinya menggunakan backteststing yang diusulkan oleh Kupiec (1995) dan Christoffersen (1998). Dalam penelitiannya digunakan data keuntungan dan kerugian trading dari enam bank multinasional di US periode Januari 1998 sampai Maret 000. Hasil penelitian menunjukkan bahwa model internal bank menyediakan cakupan yang cukup untuk risiko pasar. Namun demikian, kerugian menjadi besar selama periode Artinya, terdapat risiko dalam penggunaan VaR yang diabaikan oleh model risiko. Berkaitan dengan backtesting atau ketepatan pengukuran risiko, penelitian juga telah dilakukan antara model EWMA dan GARCH. Rivera, Tae Hwy Lee dan Santosh Mishra (003) menjelaskan bahwa GARCH adalah model volatilitas yang akurat dalam memprediksi secara konsisten, namun EWMA masih memiliki kecukupan untuk melakukan pendugaan walaupun tidak sebaik model GARCH. Selanjutnya, Ederington dan Wei Guan (004) mengatakan bahwa secara umum model GARCH (1,1) menghasilkan pendugaan yang lebih baik dari pada 159
8 JRMB, Volume 5, No., Desember 010 EWMA. Korkmaz dan Aydin (005) dalam penelitiannya juga menyatakan bahwa model GARCH lebih akurat dalam menganalisis volatilitas tujuh nilai tukar dibandingkan dengan EWMA bahkan ketika saat krisis terjadi di Turki. METODA PENELITIAN Penelitian ini bertujuan untuk membandingkan pengukuran risiko (VaR) antara EWMA dengan GARCH berkaitan dengan volatilitas nilai tukar Rupiah terhadap Dollar. Adapun perbandingan keakuratan tersebut dilakukan dengan proses backtesting. Penelitian menggunakan data nilai tukar Rupiah terhadap Dollar US (harian) mulai tanggal 03 Januari 006 sampai dengan 9 Februari 008. Uji Stasioneritas Data stasioner merupakan syarat bahwa data yang dimaksud sudah layak untuk dimasukkan dalam model karena mean-variance konstan. Jika data belum stasioner, maka perlu dilakukan treatment lebih dahulu, antara lain dengan metode Ljung-Box, Box-Pierce, Dicky-Fuller, dan lain-lain. Pengukuran Volatilitas dengan model EWMA EWMA merupakan model perhitungan risiko yang digunakan oleh J.P Morgan untuk mengukur volatilitas yang tidak konstan diamana menggunakan nilai faktor dengan asumsi berdistribusi normal. Berikut ini adalah perhitungan volatilitas menggunakan EWMA, r 1 t 1 t... σ = decay factor n = jumlah hari yang digunakan untuk menentukan volatilitas µ = nilai rata-rata dari distribusi yang diasumsikan normal 160
9 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Nilai λ ditentukan dengan Root Mean Squared Error (RMSE), dimana λ ditentukan sedemikian rupa sehingga error antara nilai variabel random dengan volatilitasnya pada saat yang sama mempunyai nilai terkecil. Adapun decay factor optimum ditentukan dengan persamaan: RMSE 1 T T r T 1 T 1T t1...3 dimana, t / t 1 T 1 T. F 1 F t / t 1 = forecast variance t-1 Xt = variance return pada waktu t X t Dalam EWMA, observasi yang diestimasi berikutnya dalam suatu timeseries (Ft+1) adalah fungsi dari forecast sebelumnya (Ft) dan observasi (Xt) pada waktu t. Berkaitan dengan kasus nilai tukar rupiah terhadap Dollar US, akan digunakan perhitungan volatilitas dengan menggunakan confidence level 95% dan 99% dengan nilai faktor masing-masing adalah 1,64 dan,33. Pergukuran volatilitas dengan model EWMA dilakukan dengan menggunakan program Excel. Pengukuran Volatilitas dengan model GARCH GARCH merupakan model volatilitas (sigma) yang mulai muncul pada dekade 80-an dan dikembangkan oleh Bollerslev (1986). Model GARCH ini membahas volatilitas yang dipengaruhi oleh volatilitas aktual dan kesalahan sebelumnya. Adapun persamaan dari GARCH secara umum adalah sebagai berikut: t 0 q i1 i t1 p jt 0 = konstanta q = jumlah autoregressi i = orde autoregressi = parameter autoregressi i t
10 JRMB, Volume 5, No., Desember 010 p = jumlah rata-rata bergerak = parameter rata-rata bergerak Sama halnya dengan model EWMA, akan digunakan perhitungan volatilitas dengan menggunakan confidence level 95% dan 99% dengan nilai faktor masing-masing adalah 1,64 dan,33. Kerangka Pemikiran Teoritis Berikut ini adalah kerangka pemikiran teoritis dari penelitian ini, Gambar. Kerangka Pemikiran Teoritis Berdasarkan pada gambar di atas akan dihitung nilai VaR dengan alpha 95% dn 99% dari model EWMA dan GARCH. Selanjutnya, dilakukan backtesting untuk menguji validitas model pengukuran potensi kerugian. Model yang telah terkalibrasi secara sempurna (estimate risk) atau sebaliknya. HASIL PENELITIAN Berdasarkan pada hasil perhitungan risiko dalam hal ini volatilitas nilai tukar Rupiah terhadap Dollar antara model EWMA dan GARCH, maka berikut ini adalah hasil perhitungan dan analisis berkaitan dengan tujuan penelitian. 16
11 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Uji Stasioneritas Data stasioner merupakan syarat bahwa data yang dimaksud sudah layak untuk dimasukkan dalam model karena mean-variance konstan. Berikut ini adalah hasil uji satasioneritas dengan menggunakan metode Dickey-Fuller, Tabel. Hasil Uji Stasioneritas t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level Sumber: Hasil olah data Berdasarkan pada hasil uji stasioneritas data dengan menggunakan Augmented Dickey Fuller terlihat bahwa nilai ADF statistik lebih besar dari nilai ADF kritis yang berarti bahwa data sudah stasioner. EWMA (Exponential Weighted Moving Average) Pengukuran Volatilitas Nilai mempunyai peranan penting dalam EWMA. Makin besar nilai (mendekati 1), makin kecil adjustment yang diperlukan terhadap errors dari forecast sebelumnya. Sebaliknya, makin kecil nilai (mendekati 0), makin besar adjustment yang dilakukan. Untuk menentukan besarnya nilai, digunakan indikator Root Mean Square Errors (RMSE). Nilai terbaik adalah yang menghasilkan nilai RMSE minimum. Berdasarkan hasil perhitungan dengan menggunakan solver dari Excel nilai alpha berubah dari 0,9500 dengan RSME 0,6714 menjadi dengan RSME 0, Nilai sebesar 0,87887 (mendekati 1), menunjukkan makin besar adjustment yang diperlukan terhadap errors dari forecast sebelumnya. Selanjutnya nilai RMSE masih tinggi yakni menunjukkan bahwa nilai yang dihasilkan masih kurang baik. Sama halnya dengan confidence level 99%, pengukuran volatilitas EWMA, menunjukkan nilai alpha berubah dari 0,9900 dengan RSME 163
12 JRMB, Volume 5, No., Desember 010 0,7648 menjadi 0,87887 dengan RSME Nilai sebesar 0,87887 (mendekati 1), menunjukkan makin besar adjustment yang diperlukan terhadap errors dari forecast sebelumnya. Selanjutnya nilai RMSE masih tinggi yakni 0,65838 yang menunujukkan bahwa nilai yang dihasilkan juga masih kurang baik. Validitas Model: Backtesting dengan Confidence level 95% Setelah dilakukan pengukuran volatilitas dengan menggunakan model EWMA, selanjutnya dilakukan backtesting. Berdasarkan penjelasan sebelumnya, bahwa pada model yang telah terkalibrasi secara sempurna, maka jumlah observasi yang jatuh di luar VaR harus sesuai dengan tingkat kepercayaan (confidence level). Berdasarkan perhitungan exceptions (error atas) dengan tingkat kepercayaan 95% dan jumlah observasi 564 maka banyaknya jumlah exceptions dari 564 observasi nilai tukar USD adalah sebanyak 8 (5% x 564 hari). Namun berdasarkan analisis dengan menggunakan Excel banyaknya exceptions 8 yakni sebanyak 63 (11,17%). Hal ini menunjukkan bahwa model tersebut underestimate risk. Berikut ini adalah gambar grafik Ln dari delta nilai tukar (actual), upper, dan lower dari analisis volatilitas nilai tukar USD dengan menggunakan EWMA untuk confidence level 95% USD UPPER LOWER Gambar 3. Grafik EWMA dengan cofidence level 95% 164
13 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Validitas Model: Backtesting dengan Confidence level 99% Setelah dilakukan pengukuran volatilitas dengan menggunakan model EWMA, selanjutnya dilakukan backtesting. Berdasarkan perhitungan exceptions (error atas) dengan tingkat kepercayaan 99% dan jumlah observasi 564 maka banyaknya jumlah exceptions dari 564 observasi nilai tukar USD adalah sebanyak sebanyak 6 (1% x 564 hari). Namun berdasarkan analisis dengan menggunakan Excel banyaknya exceptions lebih dari 6 yakni sebanyak 7 (4.79%). Hal ini menunjukkan bahwa model tersebut juga underestimate risk. Berikut ini adalah gambar grafik Ln dari delta nilai tukar (actual), upper, dan lower dari analisis volatilitas nilai tukar USD dengan menggunakan EWMA untuk confidence level 99% USD UPPER LOWER Gambar 4. Grafik EWMA dengan cofidence level 99% GARCH (Generalized Autoregressive Conditional Heterocedasticity) Pengukuran Volatilitas Setelah dilakukan beberapa tahapan pengujian hingga sampai pada pengujian GARCH (1,1) dengan menggunakan software (E-Views), maka diperoleh output sebagai berikut: 165
14 JRMB, Volume 5, No., Desember 010 Tabel 3. Hasil Estimasi GARCH Variable Coefficient Std. Error Z-Statistik Prob. C AR (1) MA (1) C ARCH (1) GARCH (1) Sumber: Hasil olah data Variance Equation Berdasarkan hasil estimasi GARCH pada tabel, berikut ini adalah model GARCH (1,1) t u t t1 Berdasarkan persamaan tersebut menunjukkan bahwa nilai dari α 1 adalah , sementara nilai dari β1 adalah Nilai dari alfa (α) dan beta (β) akan sangat mempengaruhi volatilitas dari nilai tukar USD ini. Nilai α adalah reaction coefficient sementara β adalah persistence coeffisien. Jika α < β, menunjukkan bahwa effect dari volatilitas akan berlangsung secara terus menerus terhadap asset tersebut karena reaksi untuk kembali normal kecil dari kecendrungan untuk terus bergerak. Jika α > β, volatilitas terkendali, artinya, setiap volatilitas terjadi akan ada reaksi kuat untuk membuat revisi pergerakan. Jika α = β, maka menunjukkan tidak akan pernah terjadi. Karena nilai tukar USD memiliki α = dan β1 = , sehingga α < β (memiliki volatilitas yang tinggi), dapat dikatakan pola nilai tukar USD cenderung diatur oleh para speculators bersama emosional investors dalam mempengaruhi nilai tukar. Backtesting Tahap selanjutnya setelah dilakukan pengukuran volatilitas dengan menggunakan model GARCH, maka dilakukan backtesting. Adapun perhitungan exceptions dilakukan dengan membawa hasil 166
15 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) perhitungan VaR batas atas (upper) dan batas bawah (lower) dari E- Views dari persamaan GARCH. Validitas Model: Backtesting dengan Confidence level 95% Berdasarkan perhitungan exceptions (error atas) dengan tingkat kepercayaan 95% dan jumlah observasi 564 maka banyaknya jumlah exceptions dari 564 observasi nilai tukar USD adalah sebanyak 8 (5% x 564 hari). Namun berdasarkan analisis dengan menggunakan Excel, banyaknya exceptions lebih dari 8 yakni sebanyak 56 (9.93%). Hal ini menunjukkan bahwa model tersebut underestimate risk. Berikut ini adalah gambar grafik Ln dari delta nilai tukar (actual), upper, dan lower dari analisis volatilitas nilai tukar USD dengan menggunakan GARCH untuk confidence level 95% UPPER USD LOW ER Gambar 5. Grafik GARCH dengan confidence level 95%. Validitas Model: Backtesting dengan Confidence level 99% Berdasarkan perhitungan exceptions (error atas) dengan tingkat kepercayaan 95% dan jumlah observasi 564 maka banyaknya jumlah 167
16 JRMB, Volume 5, No., Desember 010 exceptions dari 564 observasi nilai tukar USD adalah sebanyak 6 (1% x 564 hari). Namun berdasarkan analisis dengan menggunakan excel banyaknya exceptions lebih besar dari 6 yakni sebanyak 18 (3.19%) Ini menunjukkan bahwa model tersebut juga masih underestimate risk. Berikut ini adalah gambar grafik Ln dari delta nilai tukar (actual), upper, dan lower dari analisis volatilitas nilai tukar USD dengan menggunakan GARCH untuk confidence level 99% LOWER UPPER USD Gambar 6. Grafik GARCH dengan confidence level 99%. Perbandingan Model EWMA dan GARCH: Berdasarkan pengukuran volatilitas dengan menggunakan EWMA dan GARCH dapat dibandingkan jumlah masing-masing exceptions yang ditampilkan pada tabel di bawah ini: 168
17 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) Tabel 4. Jumlah exceptions dengan model EWMA dan GARCH Confidence level Model EWMA GARCH 95% 99% 95% 99% Exceptions 63 (11.17%) 7 (4.79%) 56 (9.93%) 18 (3.19%) Terlihat dari tabel tersebut bahwa model GARCH mempunyai jumlah exceptions yang lebih kecil dibandingkan dengan model EWMA. Dengan demikian, model GARCH lebih baik dalam mengukur volatilitas dibandingkan dengan model EWMA. Namun demikian, jumlah exceptions dari model GARCH meskipun lebih sedikit dibandingkan dengan model EWMA tetapi jumlahnya masih di atas 5% dan 1% (confidence level 95% dan 99%). Misalnya,model GARCH dengan confidence level 95% mempunyai jumlah exceptions sebesar 8,85%, hal ini menunjukkan bahwa model masih belum cukup terkalibarasi dengan baik karena masih di atas 1%. Selanjutnya berdasarkan grafik pengukuran volatilitas dengan model EWMA dan GARCH pada gambar, 3, 4 dan 5 sebelumnya terlihat bahwa model GARCH lebih responsif, cepat, dan agresif terhadap perubahan nilai tukar dibandingkan dengan model EWMA. Selain itu terlihat pula dalam grafik bahwa pada periode tertentu volatilitas nilai tukar menurun dan mendekati nilai 0 (nol). PEMBAHASAN Peramalan volatilitas merupakan tugas penting bagi sebagian besar investor di pasar keuangan. Namun, menghitung volatilitas tidak cukup hanya untuk mengontrol risiko investasi tetapi harus menggunakan perhitungan VaR. Hal ini disebabkan karena VaR saat ini telah berkembang menjadi alat manajemen untuk memperkirakan jumlah kerugian dengan cara mengukur keakuratan volatilitas. Dalam perkembangan selanjutnya, model EWMA dan GARCH menjadi alat penting yang digunakan untuk aplikasi keuangan yang bersifat time series seperti nilai tukar. Penelitian ini mencoba menghitung VaR nilai tukar rupiah terhadap Dollar US dengan menggunakan metode 169
18 JRMB, Volume 5, No., Desember 010 EWMA dan GARCH. Hasil perbandingan menunjukkan hal yang kurang memuaskan untuk peramalan volatilitas pada tingkat kepercayaan 95% dan 99% baik untuk model EWMA dan GARCH. Hasil penelitian ini mendukung pernyataan Blanco & Oks (00) yang menyatakan bahwa perhitungan VaR belum tentu dan tidak selalu akurat. Hal ini disebabkan karena pengukuran risiko dimungkinkan akan dipengaruhi oleh tekanan dari stakeholder (manajemen senior, regulator, auditor, investor, kreditur, dan agen peringkat kredit). Hal ini akan berakibat pada perubahan eksposure karena adanya kebijakan yang berbeda. Akibatnya, model VaR akan menjadi tidak akurat lagi dengan kenyataan. Selain itu, hasil penelitian ini juga mendukung gagasan yang menyatakan bahwa VaR tidak mengukur risiko dari suatu "peristiwa" (misalnya, market crash), sehingga stress testing perlu dilakukan untuk melengkapi VaR. Hal tersebut bisa dilihat dari kondisi perekonomian dunia memasuki semester II hingga Oktober 007, yang diwarnai dengan krisis sektor perumahan di Amerika Serikat dan meluas di pasar keuangan dunia, yang kemungkinan mulai mempengaruhi nilai tukar Rupiah terhadap Dollar US. SIMPULAN DAN SARAN Simpulan Berdasarkan hasil backtesting pengukuran volatilitas nilai tukar antara EWMA dan GARCH menunjukkan bahwa model GARCH lebih baik dalam mengukur volatilitas dibandingkan dengan model EWMA. Artinya model GARCH lebih dapat menangkap pergerakan actual loss yang terjadi dan lebih mendekati atau mencerminkan keadaan risiko yang sesungguhnya. Namun jumlah exceptions dari model GARCH meskipun lebih sedikit dibandingkan dengan model EWMA, tetapi jumlahnya masih di atas 5% dan 1% (confidence level 95% dan 99%). Hal ini menunjukkan bahwa model masih belum cukup terkalibarasi dengan baik karena masih di atas 5% dan 1%. Kemungkinan hal ini disebabkan karena adanya tekanan dari stakeholder atau adanya suatu peristiwa ekonomi yang berakibat pada perubahan eksposure karena adanya 170
19 RESIKO PASAR: PERBANDINGAN MODEL EWMA DAN (Ari Christianti) kebijakan yang berbeda. Akibatnya, model VaR akan menjadi tidak akurat lagi dengan kenyataan. Saran Untuk penelitian selanjutnya, selain perlu dilengkapi dengan stress testing juga perlu diuji dengan menggunakan model Monte Carlo. Kemungkinan ada kesalahan asumsi atau pemodelan yang belum akurat. Monte Carlo biasanya dipergunakan dalam melakukan analisa terhadap keputusan yang berdasarkan pada satu atau lebih faktor yang karakteristiknya tidak diketahui dengan pasti untuk memprediksi perilaku dari instrumen keuangan. DAFTAR PUSTAKA Basle Committee on Banking Supervision. (1996b). Supervisory Framework for the use of Backtesting in Conjunction with the Internal Models Approach to Market Risk Capital Requirements. January. Beder, T. (1995). VaR: Seductive but Dangerous. Financial Analysts Journal 51, 5, Berkowitz, J. and J. O Brien. (00). How Accurate are the Value-at- Risk Models at Commercial Banks. Journal of Finance 57, Best, Philip. (1999). Implementing Value at Risk. John Wiley and Sons Ltd: England Blanco, Carlos & Oks Maksim (00). Backtesting VaR Models: Quantitative and Quantitative Test. Christoffersen, P., J. Hahn, and A. Inoue. (001). Testing and Comparing Value-at-Risk Measures. Journal of Empirical Finance 8, Christoffersen, Peter F., (1998), Evaluating Interval Forecasts, International Economic Review 39, Crouhy, at all. (000). Risk Management. Mc Graw Hill: New York 171
20 JRMB, Volume 5, No., Desember 010 Ederington, Louis H, dan Wei Guan, (004), Forecasting Volatility, Journal of Futures Markets. Willey Inter Science. Amerika Serikat. Hendricks, D. (1996). Evaluation of Value-at-Risk Models Using Historical Data. In Economic Policy Review, Federal Reserve Bank of New York, April, Kupiec, Paul H., (1995), Techniques For Verifying The Accuracy of Risk Measurement Models, Journal of Derivatives 3, Marshall, C., and M. Siegel. (1997). Value at Risk: Implementing a Risk Measurement Standard. Journal of Derivatives 4, Pritsker, M. (1997). Evaluating Value at Risk Methodologies: Accuracy versus Computational Time. Journal of Financial Services Research 1, Rivera, Gloria Gonzales, Tae Hwy Lee dan Santosh Mishra, (003), Forecasting Volatility: A Reality Check Based on Option Pricing, Utility Function, Value at Risk, and Predictive Likelihood, Department of Economics University of California. California. Wong, Woon K., (008). Backtesting the Tail Risk of VaR in Holding US Dollar
BAB I PENDAHULUAN. (variables) seperti harga, volume instrumen, dan varian (variance) yang berubah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Selama beberapa tahun terakhir ada banyak perubahan pada lembaga keuangan dalam mengevaluasi dan mengukur risiko. Usaha perbaikan regulasi berkaitan dengan
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1 Desain Penelitian Penelitian ini didasari oleh gejolak/volatilitas nilai tukar rupiah terhadap mata uang asing (valuta asing).pada nilai transaksi jual beli valuta asing yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Bank merupakan suatu lembaga keuangan yang berperanan dalam menyalurkan dana dari pihak yang memiliki dana berlebih kepada pihak yang membutuhkan dana. Dalam
Lebih terperinciBAB I PENDAHULUAN. utama yang dipertimbangkan industri keuangan. Seperti yang dikemukakan oleh Jorion
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Risk management atau manajemen risiko saat ini merupakan salah satu prioritas utama yang dipertimbangkan industri keuangan. Seperti yang dikemukakan oleh Jorion
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 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 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN 3.1 Data Pada karya akhir ini digunakan portfolio PT. Bank FDR sebagai data penelitian pada periode 1 Januari 005 sampai dengan 31 Januari 007. Periode penelitan terbagi
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 terperinciData return 7 mata uang asing diuji dengan beberapa pengujian yang meliputi tes stasionaritasitas, tes normal dan tes heteroskedastik.
40 Tabel 4.2. Gambaran Statistik Data Return NAB Schroder dan Trimegah Parameter Statistik Schroder Dana Istimewa in the out the Schroder dana Prestasi in the out the Trim Kapital in the out the Mean 0.00182-0.00123
Lebih terperinciBAB 3 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN 3.1 Data Penelitian ini menggunakan data indeks dari 15 bursa saham di 14 negara yang terdiri dari IHSG (Indonesia), IBOVESPA (Brazil), CAC-40 (Perancis), DJIA dan
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 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 terperinciBAB V KESIMPULAN DAN SARAN
61 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil peneltian, beberapa hal yang dapat disimpulkan adalah : Dari hasil uji ANOVA 2007, 2008 dan 2009, dapat dikatakan bahwa ketiga metode yang dicoba
Lebih terperinciBacktesting Pada Value at Risk Dengan Model Pendekatan Lopez dan Blanco-Ihle
Backtesting Pada Value at Risk Dengan Model Pendekatan Lopez dan Blanco-Ihle Mashuri Mashuri_07@yahoo.com Jurnal Konvergensi Abstrak Value at Risk (VaR) adalah estimasi kerugian yang maksimal pada periode
Lebih terperinciBAB V PENUTUP. Secara umum risiko merupakan ketidakpastian tentang peristiwa masa depan atas
BAB V PENUTUP V.1 Kesimpulan Secara umum risiko merupakan ketidakpastian tentang peristiwa masa depan atas hasil yang diinginkan atau tidak diinginkan (Griffin, 2002: 715). Dalam konteks keuangan, risiko
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 375-384 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian OPTIMASI VALUE AT RISK REKSA DANA MENGGUNAKAN METODE ROBUST
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 terperinciBAB IV ANALISIS DAN PEMBAHASAN
43 BAB IV ANALISIS DAN PEMBAHASAN Pada Bab IV ini akan dijelaskan proses perhitungan data return, pengujian data return, perhitungan VaR single instrument, pengujian validitas VaR single instrument, perhitungan
Lebih terperinciAnis Nur Aini, Sugiyanto, dan Siswanto Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
MENDETEKSI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR SIMPANAN BANK, NILAI TUKAR RIIL, DAN NILAI TUKAR PERDAGANGAN Anis Nur Aini, Sugiyanto,
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 terperinciPROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2013 ISBN:
METODE PERAMALAN MENGGUNAKAN MODEL VOLATILITAS ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR Cindy Wahyu Elvitra 1, Budi Warsito 2, Abdul
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 terperinciMENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN RETURN PORTOFOLIO SAHAM MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : MUHAMMAD ARIFIN 24010212140058 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO SEMARANG
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Penentuan Horison, Tingkat Keyakinan, dan Periode Observasi Perhitungan risiko pasar, khususnya bagi perbankan sebagai investor institusional, dapat dilakukan mengikuti
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN
BAB IV ANALISIS HASIL PENELITIAN 4.1 Menghitung Return Karena penelitian ini mengukur potensi kerugian maksimum dari saham BMRI. Maka, langkah pertama adalah menghitung return hariannya dengan rumus (2-3)
Lebih terperinciPENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR)
PENERAPAN MODEL EGARCH-M DALAM PERAMALAN NILAI HARGA SAHAM DAN PENGUKURAN VALUE AT RISK (VAR) Oleh: Julianto (1) Entit Puspita (2) Fitriani Agustina (2) ABSTRAK Dalam melakukan investasi dalam saham, investor
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sudah menjadi sifat dasar manusia untuk selalu melihat segala sesuatu dan mengambil tindakan berdasarkan manfaat bagi diri sendiri. Bila dianggap manfaat tersebut
Lebih terperinciPengukuran Risiko Portofolio Investasi dengan Value at RISK (VaR) melalui Pendekatan Metode Variansi-Kovariansi dan Simulasi Historis
Pengukuran Risiko Portofolio Investasi dengan Value at RISK (VaR) melalui Pendekatan Metode Variansi-Kovariansi dan Simulasi Historis Ines Saraswati Machfiroh Jurusan Teknik Informatika, Politeknik Negeri
Lebih terperinciPENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR IMPOR DAN EKSPOR MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING Sisca Rahma Dwi, Sugiyanto, dan Yuliana Susanti Program Studi
Lebih terperinciUNNES Journal of Mathematics
UJM 5 (2) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN TAKSIRAN VALUE AT RISK DENGAN PROGRAM R DAN MATLAB DALAM ANALISIS INVESTASI SAHAM MENGGUNAKAN METODE
Lebih terperinciMeganisa Setianingrum, Sugiyanto, Etik Zukhronah Prodi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR OUTPUT RIIL, KREDIT DOMESTIK PER PDB, DAN IHSG Meganisa Setianingrum, Sugiyanto,
Lebih terperinciPADA PORTOFOLIO SAHAM
PERBANDINGAN PENDEKATAN GENERALIZED EXTREME VALUE DAN GENERALIZED PARETO DISTRIBUTION UNTUK PERHITUNGAN VALUE AT RISK PADA PORTOFOLIO SAHAM SKRIPSI Disusun oleh: AYU AMBARSARI 24010212140079 DEPARTEMEN
Lebih terperinciSonia Agustin Waruwu. Kata kunci : Manajemen Risiko, Kontrak Berjangka, Value at Risk, Volatilitas, ARCH/GARCH
ANALISIS VALUE AT RISK UNTUK PENGUKURAN VOLATILITAS DAN RISIKO PASAR SEBAGAI DASAR PENGAMBILAN KEPUTUSAN PADA KONTRAK BERJANGKA IN DI JAKARTA FUTURES EXCHANGE PERIODE 2010-2013 VALUE AT RISK ANALYSIS FOR
Lebih terperinciEXPONENTIALLY WEIGHTED MOVING AVERAGE (EWMA) DAN SEMI VARIANS (SV)
EXPONENTIALLY WEIGHTED MOVING AVERAGE (EWMA) DAN SEMI VARIANS (SV) 3.1 Exponentially Weighted Moving Average Perhitungan standar deviasi yang dijelaskan pada bab sebelumnya mempunyai asumsi bahwa volatilitas
Lebih terperinciMetode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH)
Metode Peramalan dengan Menggunakan Model Volatilitas Asymmetric Power ARCH (APARCH) (Studi Kasus : Return Kurs Mata Uang Rupiah terhadap Dollar) SKRIPSI Disusun oleh : CINDY WAHYU ELVITRA J2E 009 015
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 terperinciSKRIPSI PENGGUNAAN METODE EWMA DAN GARCH PADA PERHITUNGAN VALUE AT RISK SAHAM LQ 45 OLEH : MARIANA FLORENSIA NAIBAHO
SKRIPSI PENGGUNAAN METODE EWMA DAN GARCH PADA PERHITUNGAN VALUE AT RISK SAHAM LQ 45 OLEH : MARIANA FLORENSIA NAIBAHO 080501119 PROGRAM STUDI EKONOMI PEMBANGUNAN DEPARTEMEN EKONOMI PEMBANGUNAN FAKULTAS
Lebih terperinciPENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING
PENERAPAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING DALAM PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA BERDASARKAN INDIKATOR M1, M2 PER CADANGAN DEVISA, DAN M2 MULTIPLIER Esteti Sophia Pratiwi,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 635-643 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciOPTIMALISASI PORTOFOLIO MENGGUNAKAN CAPITAL ASSET PRICING MODEL (CAPM) DAN MEAN VARIANCE EFFICIENT PORTFOLIO (MVEP) (Studi Kasus: Saham-Saham LQ45)
OPTIMALISASI PORTOFOLIO MENGGUNAKAN CAPITAL ASSET PRICING MODEL (CAPM) DAN MEAN VARIANCE EFFICIENT PORTFOLIO (MVEP) (Studi Kasus: Saham-Saham LQ45) SKRIPSI Oleh: MARDISON PURBA 24010210141022 JURUSAN STATISTIKA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Saat ini tersedia berbagai pilihan instrumen untuk berinvestasi, salah satunya adalah reksadana. Menurut Undang-Undang (UU) Nomor 8 tentang Pasar Modal, reksadana
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 terperinciBAB III METODOLOGI PENELITIAN. pola sejumlah data, kemudian menyajikan informasi tersebut dalam bentuk yang
BAB III METODOLOGI PENELITIAN A. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah Deskriptif Kuantitatif, yaitu menggunakan metode numerik dan grafis untuk mengenali pola sejumlah
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Sumber Data Penelitian ini menggunakan data sekunder yang diperoleh dari BEI. Data yang digunakan dalam penelitian ini merupakan data harian yang dimulai dari 3 Januari 2007
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Investasi pada hakikatnya merupakan penempatan sejumlah dana pada saat ini dengan harapan untuk memperoleh keuntungan di masa mendatang. Secara garis besar,
Lebih terperinciPEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA
PEMODELAN NEURO-GARCH PADA RETURN NILAI TUKAR RUPIAH TERHADAP DOLLAR AMERIKA SKRIPSI Disusun Oleh: UMI SULISTYORINI ADI 24010212140082 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Objek Penelitian Penelitian dalam karya akhir ini dilakukan melalui studi pustaka, pengumpulan data dan analisa kuantitatif. Studi pustaka digunakan untuk menyusun landasan
Lebih terperinciBAB I PENDAHULUAN. tukar uang tersebut dinamakan kurs atau exchange rate. uang tersebut merupakan salah satu aset finansial yang dapat mendorong
BAB I PENDAHULUAN 1.1 Latar Belakang Uang memegang peranan penting dalam perekonomian setiap negara. Aktifitas ekonomi yang dapat dilakukan suatu negara dengan menggunakan uang adalah perdagangan, baik
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tempat dan Waktu Penelitian Obyek dalam penelitian ini adalah harga penutupan saham-saham yang direkomendasikan akan dapat bertahan pada tahun politik (2014) dalam media kompas.com,
Lebih terperinciINTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia)
PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia) SKRIPSI Disusun
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Bab ini akan menguraikan pemecahan masalah dalam mengukur risiko kredit dengan menggunakan metode Credit Risk +. Dimana pemecahan masalah tersebut akan sesuai mengikuti metodologi
Lebih terperinciPERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani, Sugiman
g UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN AKURASI MODEL ARCH DAN GARCH PADA PERAMALAN HARGA SAHAM BERBANTUAN MATLAB Sunarti, Scolastika Mariani,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Risiko adalah besarnya penyimpangan antara tingkat pengembalian yang diharapkan (expected return) dengan tingkat pengembalian aktual (actual return). Pengukuran
Lebih terperinciBAB 4 ANALISIS KREDIT KONSUMTIF BANK X DENGAN INTERNAL MODEL CREDITRISK Gambaran Umum Kredit Konsumtif pada Bank X
51 BAB 4 ANALISIS KREDIT KONSUMTIF BANK X DENGAN INTERNAL MODEL CREDITRISK + Dalam Bab 4 secara lebih mendalam akan dibahas analisis mengenai pengukuran risiko kredit konsumtif pada bank X dengan menggunakan
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
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 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 terperinciPENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN
PENDETEKSIAN DINI KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DENGAN MARKOV SWITCHING BERDASARKAN INDIKATOR KONDISI PERBANKAN (Studi Kasus Pada Indikator Selisih Suku Bunga Pinjaman
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
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 terperinciTIME SERIES DENGAN K-STAT &EVIEWS
TIME SERIES DENGAN K-STAT &EVIEWS Oleh Prana Ugiana Gio Video Cara Mendownload Aplikasi Olah Data K-Stat : https://www.youtube.com/watch?v=cnywqjes6hq Menggunakan Aplikasi Olah Data K-Stat secara Online:
Lebih terperinciAnalisis Volatilitas Saham Perusahaan Go Public dengan Metode ARCH-GARCH
Analisis Volatilitas Saham Perusahaan Go Public dengan Metode ARCH-GARCH Khoiru Liummah Ayu Nastiti, Agus Suharsono Jurusan Statistika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief
Lebih terperinciPENGUKURAN VALUE AT RISK
PENGUKURAN VALUE AT RISK MENGGUNAKAN PROSEDUR VOLATILITY UPDATING HULL AND WHITE BERDASARKAN EXPONENTIALLY WEIGHTED MOVING AVERAGE (EWMA) (Studi Kasus pada Portofolio Dua Saham) SKRIPSI Oleh: Nurissalma
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 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 terperinciBAB 3 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN 3.1 Data Dalam karya akhir ini digunakan data harga komoditas energi pada pasar spot dan futures. Komoditas yang diteliti adalah komoditas energi WTI, Heating oil dan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING
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 terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Dalam Bab 4 ini akan dibahas mengenai, analisis pengukuran risiko kredit consumer khususnya mortgage (KPR) pada Bank X dengan menggunakan Internal Model CreditRisk+. Dengan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengantar Pada Bab ini akan dilakukan pembahasan untuk menetapkan beban overbooking melalui model penghitungan. Untuk dapat melakukan penghitungan tersebut, terlebih dahulu
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
43 BAB 3 METODOLOGI PENELITIAN 3.1. Objek Penelitian Objek penelitian yang akan dianalisis dalam karya akhir ini adalah mengenai pengukuran risiko kredit di bagian Consumer Banking, khususnya untuk kredit
Lebih terperinciPEMODELAN DAN PERAMALAN DATA NILAI TUKAR MATA UANG DOLLAR AMERIKA TERHADAP YEN JEPANG DAN EURO TERHADAP DOLLAR AMERIKA DALAM ARCH, GARCH DAN TARCH
PEMODELAN DAN PERAMALAN DATA NILAI TUKAR MATA UANG DOLLAR AMERIKA TERHADAP YEN JEPANG DAN EURO TERHADAP DOLLAR AMERIKA DALAM ARCH, GARCH DAN TARCH Nama : Yulia Sukma Hardyanti NRP : 1303.109.001 Jurusan
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciPEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2016, Halaman 91-99 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN RETURN SAHAM PERBANKAN MENGGUNAKAN EXPONENTIAL GENERALIZED
Lebih terperinciPEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY
PEMODELAN MARKOV SWITCHING DENGAN TIME-VARYING TRANSITION PROBABILITY SKRIPSI Disusun oleh: ANGGITA PURI SAVITRI 24010212140037 DEPARTEMEN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciOPTIMALISASI PORTOFOLIO MENGGUNAKAN CAPITAL ASSET PRICING MODEL (CAPM) DAN MEAN VARIANCE EFFICIENT PORTFOLIO (MVEP) (Studi Kasus: Saham-Saham LQ45)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 481-490 Online di: http://ejournal-s1undipacid/indexphp/gaussian OPTIMALISASI PORTOFOLIO MENGGUNAKAN CAPITAL ASSET PRICING MODEL
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN III.1 Periode dan Langkah Penelitian Pada skripsi ini, penelitian yang dilakukan bertujuan untuk mengestimasi dan mengevaluasi volatilitas dalam kerangka Value at Risk (VaR)
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 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 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 terperinciJURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman Online di:
JURAL GAUSSIA, Volume 2, omor 4, Tahun 2013, Halaman 351-359 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEGUKURA VALUE AT RISK MEGGUAKA PROSEDUR VOLATILITY UPDATIG HULL AD WHITE BERDASARKA
Lebih terperinciANALISIS NILAI RISIKO (VALUE AT RISK) MENGGUNAKAN UJI KEJADIAN BERNOULLI (BERNOULLI COVERAGE TEST) (Studi Kasus pada Indeks Harga Saham Gabungan)
ANALISIS NILAI RISIKO (VALUE AT RISK) MENGGUNAKAN UJI KEJADIAN BERNOULLI (BERNOULLI COVERAGE TEST) (Studi Kasus pada Indeks Harga Saham Gabungan) SKRIPSI Disusun Oleh: IWAN ALI SOFWAN NIM. J2E009043 JURUSAN
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciAnalisis Dasar dalam Runtun Waktu
Company LOGO Analisis Dasar dalam Runtun Waktu UJI STASIONERITAS: UJI UNIT ROOT UNIT ROOTS Shock is usually used to describe an unexpected change in a variable or in the value of the error terms at a particular
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERAMALAN LAJU INFLASI DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Disusun Oleh : Fitrian Fariz Ichsandi 24010210141024 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciANALISIS VALIDITAS VAR DALAM PENGUKURAN RISIKO NILAI TUKAR TERKAIT ARAHAN IMPLEMENTASI STRESSED VAR PADA REVISI BASEL II TESIS
UNIVERSITAS INDONESIA ANALISIS VALIDITAS VAR DALAM PENGUKURAN RISIKO NILAI TUKAR TERKAIT ARAHAN IMPLEMENTASI STRESSED VAR PADA REVISI BASEL II TESIS YULIA RAHMITA 1006794500 FAKULTAS EKONOMI PROGRAM STUDI
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 terperinciBAB IV ANALISIS DAN PEMBAHASAN
44 BAB IV ANALISIS DAN PEMBAHASAN Evaluasi variabel makroekonomi dalam transisi rating kredit dengan menggunakan metode Macro Simulation Approach dilakukan sebagai berikut: 4.1 Sumber Data Dalam penelitian
Lebih terperinciDisusun oleh : Nur Musrifah Rohmaningsih Skripsi. Sebagai Salah Satu Syarat untuk Memperoleh Gelar
PEMODELAN DAN PERAMALAN NILAI RETURN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE ASYMMETRIC POWER AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (APARCH) Disusun oleh : Nur Musrifah Rohmaningsih 24010211120019
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 terperinciPeramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan Model Vector Autoregressive (VAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 673-682 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar
Lebih terperinciIII. METODE PENELITIAN
49 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Berdasarkan UU No. 21 Pasal 38 Tahun 2008 Tentang UU Perbankan Syariah disebutkan bahwa bank syariah dan UUS wajib menerapkan manajemen risiko,
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 III METODA PENELITIAN
BAB III METODA PENELITIAN 3.1 Obyek Penelitian 3.1.1 Gambaran Umum Perusahaan Bank Mandiri didirikan pada 2 Oktober 1998, sebagai bagian dari program restrukturisasi perbankan yang dilaksanakan oleh pemerintah
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 terperinciRISET ITU MUDAH. Salah satu contoh pertanyaan yang mungkin muncul di benak kita adalah:
Rangga Handika Salah satu contoh pertanyaan yang mungkin muncul di benak kita adalah: Apakah berinvestasi pada saham bisa menutup penurunan pendapatan real kita yang tergerus inflasi? Untuk itu, marilah
Lebih terperinci