Garuda - Garba Rujukan Digital

MODEL VOLATILITAS ARCH(1) DENGAN RETURN ERROR BERDISTRIBUSI SKEWED STUDENT-T Saputri, E. D.; Nugroho, D. B.; Setiawan, A.
Jurnal MIPA Vol 39, No 1 (2016): April 2016
Publisher : Jurnal MIPA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Model volatilitas Autoregressive Conditional Heteroscedasticity (ARCH)lag 1, dimana return error berdistribusi skewed Student-t, diaplikasikan untuk runtun waktu return kurs beli harian Euro (EUR) dan Japanese Yen (JPY) terhadap Indonesian Rupiah (IDR) dari Januari 2009 sampai Desember 2014. Metode indepence chain Metropolis-Hastings (IC-MH) yang efisien dibangun dalam algoritmaMarkov Chain Monte Carlo (MCMC) untuk memperbarui nilai-nilai parameter dalam model yang tidak bisa dibangkitkan secara langsung dari distribusi posterior. Meskipun 95% interval highest posterior density dari parameter skewness memuat nol untuk semua data pengamatan, tetapi sebagian besar distribusi posteriornya berada di daerah negatif, yang mengindikasikan dukungan terhadap distribusiskewed Student-t. Selain itu diperoleh nilai derajat kebebasan disekitar 15 dan 18, yang mengindikasikan dukungan terhadap heavy-tailedness.Autoregressive Conditional Heteroscedasticity (ARCH) volatility model of lag 1, where return error has a skewed Student-t distribution,Â for the buying rate Euro (EUR) and Japanese Yen (JPY) to Indonesian Rupiah (IDR) from January 2009 to December 2014,. An efficient independence chain Metropolis-Hastings (IC-MH) method is developed in an algorithm Markov Chain Monte Carlo (MCMC) to update the parameters of the model that could not be sampled directly from their posterior distributions. Although 95% highest posterior density interval from skewness parameter contains zero for all the data, most of the posterior distribution located in the negative area, indicating support for the skewed Student-t distribution into the return error. Furthermore the value of degrees of freedom is found around 15 and 18, indicating support for the heavy-tailedness.

Peramalan Dengan Model SVAR Pada Data Inflasi Indonesia Dan Nilai Tukar Rupiah Terhadap Dolar Amerika Dengan Menggunakan Metode Bootstrap Wardani, Daivi; Setiawan, Adi; Nugroho, Didit
d'CARTESIAN:Jurnal Matematika dan Aplikasi Vol 5, No 1 (2016): Maret 2016
Publisher : Universitas Sam Ratulangi

Model Structural Vector Autoregression (SVAR) pada data inflasi Indonesia dan nilai tukar rupiah terhadap dolar Amerika telah dikaji dan dihasilkan estimasi untuk parameter model. Dalam studi ini, metode bootstrap diaplikasikan untuk mengestimasi parameter-parameter dari model. Metode bootstrap merupakan metode resampling dari data asli untuk mendapatkan data baru dengan banyak pengulangan yang terjadi. Dengan bantuan Software R i386 3.0.1, dari metode bootstrap diperoleh estimasi titik (median bootstrap) dan interval konfidensi bootstrap persentil yang mengandung hasil prediksi dengan metode klasik. Hasil peramalan menunjukkan bahwa, hasil darimetode langsung yang diperoleh dalam kajian sebelumnya lebih baik daripada dengan menggunakan metode bootstrap. Kata kunci : Inflasi, Metode Bootstrap, Nilai Tukar Rupiah Terhadap USD, SVAR.

Analisis Prediksi IHSG Berdasarkan Kurs Beli IDR-USD Melalui Regresi Copula Arisandi, Nia Lestari; Nugroho, Didit Budi; Sasongko, Leopoldus Ricky
d'CARTESIAN:Jurnal Matematika dan Aplikasi Vol 7, No 2 (2018): September 2018
Publisher : Universitas Sam Ratulangi

Analisis prediksi merupakan langkah penting yang perlu dilakukan untuk menganalisis suatu model prediksi. Suatu model prediksi ditentukan untuk suatu tujuan guna memperoleh perkiraan nilai dari suatu pengamatan di masa depan. Pada umumnya, model prediksi diperoleh melalui metode regresi. Dalam paper ini, model prediksi yang dibahas adalah model yang diperoleh melalui metode regresi dan yang melibatkan fungsi yang disebut copula (bivariat), yang kemudian model ini disebut model regresi copula. Copula merupakan suatu fungsi distribusi gabungan yang dapat digunakan untuk menganalisis kebergantungan peubah-peubah acak dalam struktur yang digambarkan oleh fungsi copula itu sendiri. Fungsi-fungsi copula yang variatif mampu memberikan banyak pilihan model-model regresi copula. Data yang dikaji dalam paper ini adalah data return IHSG dan return Kurs Beli IDR-USD, yang kemudian kedua data tersebut dimodelkan melalui model regresi copula. Ukuran kebergantungan kedua data return dapat dinyatakan oleh Kendallâ€™s Tau dan Spearmanâ€™s Rho. Parameter yang dimiliki copula diestimasi melalui nilai Kendallâ€™s Tau atau Spearmanâ€™s Rho yang diperoleh dari kedua data return sehingga tiap copula memiliki kemungkinan untuk memodelkan kedua data return berdasarkan parameter yang telah diestimasi dari cara tersebut. Model regresi copula diperoleh dari ekspektasi bersyarat yang dimiliki copula untuk peubah return IHSG bergantung pada peubah return Kurs Beli IDR-USD yang mana perolehan nilai prediksi return IHSG yang bergantung pada nilai return Kurs Beli IDR-USD dihitung dengan menggunakan metode Monte Carlo. Model regresi copula terbaik dari hasil pembahasan dalam paper ini adalah model regresi copula Frank dengan distribusi marginal return IHSG adalah distribusi Laplace dan marginal return Kurs beli IDR-USD adalah distribusi Normal. Model regresi copula Frank tersebut terpilih menjadi yang terbaik berdasarkan dari error nilai prediksi terhadap data return IHSG yang bergantung pada return Kurs Beli IDR-USD relatif kecil dibandingkan dengan model regresi copula lain yang dibahas dalam paper ini.Kata Kunci : Â Prediksi,Â Copula,Â Ukuran Kebergantungan,Â Kurs dan IHSG,Â Monte CarloÂ

SKEW NORMAL AND SKEW STUDENT-T DISTRIBUTIONS ON GARCH(1,1) MODEL Nugroho, Didit Budi; Priyono, Agus; Susanto, Bambang
MEDIA STATISTIKA Vol 14, No 1 (2021): Media Statistika
Publisher : Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/medstat.14.1.21-32

The Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) type models have become important tools in financial application since their ability to estimate the volatility of financial time series data. In the empirical financial literature, the presence of skewness and heavy-tails have impacts on how well the GARCH-type models able to capture the financial market volatility sufficiently. This study estimates the volatility of financial asset returns based on the GARCH(1,1) model assuming Skew Normal and Skew Student-t distributions for the returns errors. The models are applied to daily returns of FTSE100 and IBEX35 stock indices from January 2000 to December 2017. The model parameters are estimated by using the Generalized Reduced Gradient Non-Linear method in Excelâ€™s Solver and also the Adaptive Random Walk Metropolis method implemented in Matlab. The estimation results from fitting the models to real data demonstrate that Excelâ€™s Solver is a promising way for estimating the parameters of the GARCH(1,1) models with non-Normal distribution, indicated by the accuracy of the estimation of Excelâ€™s Solver. The fitting performance of models is evaluated by using log-likelihood ratio test and it indicates that the GARCH(1,1) model with Skew Student-t distribution provides the best fitting, followed by Student-t, Skew-Normal, and Normal distributions.

Modeling of Stochastic Volatility to Validate IDR Anchor Currency Didit Budi Nugroho; Tundjung Mahatma; Yulius Pratomo
Gadjah Mada International Journal of Business Vol 20, No 2 (2018): May-August
Publisher : Master in Management, Faculty of Economics and Business, Universitas Gadjah Mada

This study aims to assess the performance of stochastic volatility models for their estimation of foreign exchange rate returns' volatility using daily data from Bank Indonesia (BI). The model is then applied to validate the anchor currency of Indonesian rupiah (IDR). Two stylized facts are incorporated into the models: A correlation between the previous returns and their conditional variance, and return errors following four different error distributions namely Normal, Student-t, non-central Student-t, and generalized hyperbolic skew Student-t. The analysis is based on the application of daily returns data from nine foreign currency selling rates to IDR from 2010 to 2015, including the AUD, CHF, CNY, EUR, GBP, JPY, MYR, SGD, and USD. The main results are: (1) Mixed evidence of positive and negative relationships between the return and its variance were found, especially significant correlations being found for the IDR/AUD, IDR/CHF, IDR/JPY, IDR/SGD, and IDR/USD returns series; (2) the model with the generalized hyperbolic skew Student's t-distribution specification for the returns error provides the best performance; and (3) anchoring the IDR to established hard currencies is more appropriate than anchoring it to other currencies.

Volatilitas Kurs dan Saham Mengikuti Model EGARCH(1,1) Berdistribusi Versi Skew Normal dan Student-t Didit Budi Nugroho; Anggita M Kusumawati; Leopoldus R Sasongko
Jurnal Ekonomi Kuantitatif Terapan 2020: Vol. 13, No.2, Agustus 2020 (pp.211-356)
Publisher : Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/JEKT.2020.v13.i02.p04

Studi ini membandingkan kinerja pencocokan model volatilitas GARCH(1,1) dan EGARCH(1,1) pada return kurs dan saham. Model mengasumsikan empat distribusi berbeda untuk error dari return: Normal, Skew-Normal (SN), Alpha-Skew Normal (ASN), dan Student-t. Data aset keuangan yang digunakan sebagai analisis perbandingan yaitu data kurs beli US Dollar (USD) dalam periode harian dari Januari 2010 sampai Desember 2017 dan data indeks saham FTSE100 dalam periode harian dari Januari 2000 sampai Desember 2013. Studi ini membandingkan metode Generalized Reduced Gradient (GRG) Non-Linier di Solver Excel dan metode Adaptive Random Walk Metropolis (ARWM) untuk mengestimasi model. Hasil menunjukkan bahwa metode GRG Non Linear Solver Excel memberikan estimasi yang serupa dengan metode ARWM dan tidak melanggar kendala model. Lebih lanjut, berdasarkan nilai Akaike Information Criterion (AIC), kedua data pengamatan menyediakan bukti bahwa model dengan distribusi Student-t adalah yang terbaik, diikuti oleh distribusi SN yang lebih baik daripada model dengan distribusi ASN dan Normal. Nilai AIC telah menyarankan model EGARCH(1,1) berdistribusi Student-t sebagai model pencocokan terbaik untuk kedua data pengamatan.

Analisis Kebutuhan Pangan Pokok pada Provinsi-provinsi di Indonesia Menggunakan Indeks Moran Berdasarkan Metode Bootstrap Lydia Soepriyani Fallo; Adi Setiawan; Didit Budi Nugroho
Jurnal Sains Matematika dan Statistika Vol 6, No 2 (2020): JSMS Juli 2020
Publisher : Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/jsms.v6i2.10525

Indonesia dikenal sebagai negara agraris, namun saat ini Indonesia sering mengimpor bahan pangan dari negara lain untuk memenuhi kebutuhan pangan masyarakatnya. Kebutuhan pangan yang dimaksud adalah kebutuhan akan pangan pokok. Kebutuhan pangan pokok setiap provinsi di Indonesia tentunya berbeda, kelebihan maupun kekurangan pangan pokok pada suatu wilayah bergantung pada jumlah produksi pangan dan jumlah penduduk yang ada pada wilayah tersebut.Untuk itu analisis kebutuhan pangan pokok diperlukan selain untuk mengetahui kekurangan dan kelebihan pangan pokok juga untuk mengetahui hubungan wilayah yang kekurangan atau kelebihan dengan wilayah di sekitarnya yang berbatasan. Penelitian ini membahas tentang analisis kebutuhan pangan pokok dengan menggunakan Indeks Moran dengan data jumlah produksi pangan pokok (padi) dan jumlah penduduk pada provinsi-provinsi di Indonesia pada tahun 2011 sampai dengan tahun 2019. Metode bootstrap digunakan untuk memperoleh distribusi Indeks Moran dan nilai-p. Dengan tingkat signifikansi α = 5% diperoleh bahwa nilai-p. Pada nilai-p yang lebih kecil dari 5 %, yaitu pada tahun 2012, 2015, 2015 dan 2019 maka H0 ditolak yang dapat disimpulkan bahwa terdapat autokorelasi spasial atau keterkaitan erat kelebihan atau kekurangan pangan pokok pada wilayah yang berbatasan. Hal itu berarti bahwa antar provinsi satu dengan yang lainnya yang saling berbatasan memiliki kemiripan nilai atau mengindikasi bahwa kelebihan dan kekurangan pangan pokok antar provinsi di Indonesia yang berbatasan akan saling berkorelasi.

Model Regresi untuk Return Aset dengan Volatilitas Mengikuti Model GARCH(1,1) Berdistribusi Epsilon-Skew Normal dan Student-t Didit Budi Nugroho; Kristia Anggraeni; Hanna Arini Parhusip
Limits: Journal of Mathematics and Its Applications Vol 17, No 2 (2020)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/limits.v17i2.6730

Studi ini mendiskusikan dua perluasan dari model GARCH(1,1), yaitu AR(1)-GARCH(1,1) dan MA(1)-GARCH(1,1), yang diperoleh dengan cara menambahkan Autoregression tingkat 1 atau Moving Average tingkat 1 pada persamaan return. Untuk kasus ini, error dari return diasumsikan berdistribusi Normal, Skew Normal (SN), Epsilon Skew Normal (ESN), dan Student-t. Analisis terhadap model didasarkan pada pencocokan model untuk return dari indeks saham FTSE100 periode harian dari Januari 2000 sampai Desember 2017 dan indeks saham TOPIX periode harian dari Januari 2000 sampai Desember 2014. Model yang dipelajari diestimasi menggunakan metode GRG (Generalized Reduced Gradient) Non Linear yang tersedia di Solver Excel dan juga metode Adaptive Random Walk Metropolis (ARWM) yang diimplementasikan pada program Scilab. Hasil estimasi dari kedua alat bantu tersebut menunjukkan nilai-nilai yang hampir sama, mengindikasikan bahwa Solver Excel mempunyai kemampuan yang handal dalam mengestimasi parameter model. Uji rasio log-likelihood dan AIC (Akaike Information Criterion) menunjukkan bahwa model dengan distribusi ESN lebih unggul dibandingkan dengan model-model berdistribusi tipe normal lainnya untuk setiap kasus model dan data pengamatan, bahkan ini bisa mengungguli distribusi Student-t pada suatu model dan data pengamatan. Lebih lanjut, model-model dengan penambahan proses regresi di persamaan return menyediakan pencocokan yang lebih baik daripada model dasar, dimana pencocokan terbaik untuk kedua data pengamatan diberikan oleh model AR(1)-GARCH(1,1) berdistribusi Student-t.

Model Regresi untuk Return Aset dengan Volatilitas Mengikuti Model GARCH(1,1) Berdistribusi Epsilon-Skew Normal dan Student-t Didit Budi Nugroho; Kristia Anggraeni; Hanna Arini Parhusip
Limits: Journal of Mathematics and Its Applications Vol 17, No 2 (2020)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/limits.v17i2.6730

Studi ini mendiskusikan dua perluasan dari model GARCH(1,1), yaitu AR(1)-GARCH(1,1) dan MA(1)-GARCH(1,1), yang diperoleh dengan cara menambahkan Autoregression tingkat 1 atau Moving Average tingkat 1 pada persamaan return. Untuk kasus ini, error dari return diasumsikan berdistribusi Normal, Skew Normal (SN), Epsilon Skew Normal (ESN), dan Student-t. Analisis terhadap model didasarkan pada pencocokan model untuk return dari indeks saham FTSE100 periode harian dari Januari 2000 sampai Desember 2017 dan indeks saham TOPIX periode harian dari Januari 2000 sampai Desember 2014. Model yang dipelajari diestimasi menggunakan metode GRG (Generalized Reduced Gradient) Non Linear yang tersedia di Solver Excel dan juga metode Adaptive Random Walk Metropolis (ARWM) yang diimplementasikan pada program Scilab. Hasil estimasi dari kedua alat bantu tersebut menunjukkan nilai-nilai yang hampir sama, mengindikasikan bahwa Solver Excel mempunyai kemampuan yang handal dalam mengestimasi parameter model. Uji rasio log-likelihood dan AIC (Akaike Information Criterion) menunjukkan bahwa model dengan distribusi ESN lebih unggul dibandingkan dengan model-model berdistribusi tipe normal lainnya untuk setiap kasus model dan data pengamatan, bahkan ini bisa mengungguli distribusi Student-t pada suatu model dan data pengamatan. Lebih lanjut, model-model dengan penambahan proses regresi di persamaan return menyediakan pencocokan yang lebih baik daripada model dasar, dimana pencocokan terbaik untuk kedua data pengamatan diberikan oleh model AR(1)-GARCH(1,1) berdistribusi Student-t.

Model Regresi untuk Return Aset dengan Volatilitas Mengikuti Model GARCH(1,1) Berdistribusi Epsilon-Skew Normal dan Student-t Didit Budi Nugroho; Kristia Anggraeni; Hanna Arini Parhusip
Limits: Journal of Mathematics and Its Applications Vol 17, No 2 (2020)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/limits.v17i2.6730

Studi ini mendiskusikan dua perluasan dari model GARCH(1,1), yaitu AR(1)-GARCH(1,1) dan MA(1)-GARCH(1,1), yang diperoleh dengan cara menambahkan Autoregression tingkat 1 atau Moving Average tingkat 1 pada persamaan return. Untuk kasus ini, error dari return diasumsikan berdistribusi Normal, Skew Normal (SN), Epsilon Skew Normal (ESN), dan Student-t. Analisis terhadap model didasarkan pada pencocokan model untuk return dari indeks saham FTSE100 periode harian dari Januari 2000 sampai Desember 2017 dan indeks saham TOPIX periode harian dari Januari 2000 sampai Desember 2014. Model yang dipelajari diestimasi menggunakan metode GRG (Generalized Reduced Gradient) Non Linear yang tersedia di Solver Excel dan juga metode Adaptive Random Walk Metropolis (ARWM) yang diimplementasikan pada program Scilab. Hasil estimasi dari kedua alat bantu tersebut menunjukkan nilai-nilai yang hampir sama, mengindikasikan bahwa Solver Excel mempunyai kemampuan yang handal dalam mengestimasi parameter model. Uji rasio log-likelihood dan AIC (Akaike Information Criterion) menunjukkan bahwa model dengan distribusi ESN lebih unggul dibandingkan dengan model-model berdistribusi tipe normal lainnya untuk setiap kasus model dan data pengamatan, bahkan ini bisa mengungguli distribusi Student-t pada suatu model dan data pengamatan. Lebih lanjut, model-model dengan penambahan proses regresi di persamaan return menyediakan pencocokan yang lebih baik daripada model dasar, dimana pencocokan terbaik untuk kedua data pengamatan diberikan oleh model AR(1)-GARCH(1,1) berdistribusi Student-t.

Title

Found 42 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 42 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 42 Documents
Search