Analisis Empiris dari Variasi Kontinu dan Lompatan dalam Model Threshold GARCH dengan Ukuran Realized

Didit B. Nugroho; Fika M. Hanafi; Agnes D. Puspitasari; Faldy Tita; Lennox Larwuy

Authors

Didit B. Nugroho Magister Data Sains, Universitas Kristen Satya Wacana, Salatiga, Indonesia
Fika M. Hanafi Program Studi Matematika, Universitas Kristen Satya Wacana, Salatiga, Indonesia
Agnes D. Puspitasari Program Studi Matematika, Universitas Kristen Satya Wacana, Salatiga, Indonesia
Faldy Tita Program Studi Matematika, Universitas Kristen Satya Wacana, Salatiga, Indonesia
Lennox Larwuy Program Studi Matematika, Universitas Kristen Satya Wacana, Salatiga, Indonesia

Keywords:

data frekuensi tinggi, inferensi Bayes, volatilitas

Abstract

Volatilitas adalah ukuran fluktuasi harga aset keuangan yang tak terpisahkan dari dinamika pasar, tidak hanya sebagai indikator risiko tetapi juga sebagai sumber informasi tentang peluang dan ketidakpastian bagi investor. Pendekatan utama dalam mengukur risiko pasar keuangan yaitu dengan pemodelan dan estimasi volatilitas. Studi ini fokus pada pemodelan volatilitas menggunakan kerangka Threshold Generalized Autoregressive Conditional Heteroskedasticity (TGARCH). Pertama kali ini mengkonstruksi model TGARCH-X dan Realized TGARCH (RealTGARCH) yang memperhatikan ukuran Realized Volatility (RV) sebagai variabel eksogen. Selanjutnya, model tersebut dikembangkan menjadi model TGARCH-CJ dan RealTGARCH-CJ dengan cara mendekomposisi komponen RV menjadi komponen kontinu dan lompatan. Analisis empiris didasarkan pada hasil estimasi model menggunakan metode Adaptive Random Walk Metropolis untuk data Tokyo Stock Price Index (TOPIX) Jepang. Perbandingan pencocokan model menunjukkan keunggulan yang signifikan untuk model-model dengan komponen kontinu dan lompatan. Dengan pengaplikasian ukuran RV interval waktu 1 dan 5 menit, model terbaik diberikan oleh RealTGARCH-CJ yang mengadopsi ukuran RV 1 menit.

Downloads

Download data is not yet available.

References

Atchade, Y. F., dan Rosenthal, J. S. (2005). On adaptive Markov chain Monte Carlo algorithms. Bernoulli, Volume 11, Nomor 5, halaman 815–828. Tersedia di: https://doi.org/10.3150/bj/1130077595

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, Volume 31, Nomor 3, halaman 307–327. Tersedia di: https://doi.org/10.1016/0304-4076(86)90063-1

Bollerslev, T., dan Andersen, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models do Provide Accurate Forecasts. International Economic Review, Volume 39, Nomor 4, halaman 1–22.

Degiannakis, S., Filis, G., Klein, T., dan Walther, T. (2022). Forecasting realized volatility of agricultural commodities. International Journal of Forecasting, Volume 38, Nomor 1, halaman 74–96. Tersedia di: https://doi.org/10.1016/J.IJFORECAST.2019.08.011

Dziak, J. J., Coffman, D. L., Lanza, S. T., Li, R., dan Jermiin, L. S. (2020). Sensitivity and specificity of information criteria. Briefings in Bioinformatics, Volume 21, Nomor 2, halaman 553–565.

Engle, R. (2002). New Frontiers for ARCH Models. Journal of Applied Econometrics, Volume 17, Nomor 5, halaman 425–446. Tersedia di: https://doi.org/10.1002/jae.683

Hansen, P. R., Huang, Z., dan Shek, H. H. (2012). Realized GARCH: A Joint Model for Returns and Realized Measures of Volatility. Journal of Applied Econometrics, Volume 27, Nomor 6, halaman 877–906. Tersedia di: https://doi.org/10.1002/jae.1234

Nugroho, D. B., Dimitrio, O. C., dan Tita, F. (2023). The GARCH-X(1,1) model with exponentially transformed exogenous variables. Jurnal Sains dan Teknologi, Volume 12, Nomor 1, halaman 65–72. Tersedia di: https://doi.org/10.23887/jstundiksha.v12i1.50714

Nugroho, D. B., Priyono, A., dan Susanto, B. (2021). Skew normal and skew Student-t distributions on GARCH(1,1) model. Media Statistika, Volume 14, Nomor 1, halaman 21–32. Tersedia di: https://doi.org/10.14710/medstat.14.1.21-32

Nugroho, D. B., Wibowo, H., dan Saragih, A. (2024). Modeling daily return volatility through GJR(1,1) model and realized volatility measure. Thailand Statistician, Volume 22, Nomor 1, halaman 50–62.

Nugroho, D. B., Wicaksono, B. A. A., dan Larwuy, L. (2023). GARCH-X(1,1) model allowing a non-linear function of the variance to follow an AR(1) process. Communications for Statistical Applications and Methods, Volume 30, Nomor 2, halaman 163–178. Tersedia di: https://doi.org/10.29220/CSAM.2023.30.2.163

Nugroho, D. B., Wijaya, J., dan Setiawan, A. (2023). Modeling of returns volatility through EGARCH model using high-frequency data. Journal of Applied Probability and Statistics, Volume 18, Nomor 2, halaman 55–73.

Roy, V. (2020). Convergence diagnostics for Markov chain Monte Carlo. Annual Review of Statistics and Its Application, Volume 7, halaman 387–412. Tersedia di: https://doi.org/10.1146/annurev-statistics-031219-041300

Sokal, A. (1997). Monte Carlo methods in statistical mechanics: Foundations and new algorithms. Dalam C. DeWitt-Morette, P. Cartier, dan A. Folacci (Ed.), Functional Integration: Basic and Applications, halaman 131–192. Springer.

van Ravenzwaaij, D., Cassey, P., dan Brown, S. D. (2018). A simple introduction to Markov Chain Monte Carlo sampling. Psychonomic Bulletin and Review, Volume 25, Nomor 1, halaman 143–154. Tersedia di: https://doi.org/10.3758/S13423-016-1015-8

Wang, Y., Xiang, Y., Lei, X., dan Zhou, Y. (2022). Volatility analysis based on GARCH-type models: Evidence from the Chinese stock market. Economic Research Ekonomska Istrazivanja, Volume 35, Nomor 1, halaman 2530–2554. Tersedia di: https://doi.org/10.1080/1331677X.2021.1967771

Xie, H., dan Yu, C. (2020). Realized GARCH models: Simpler is better. Finance Research Letters, Volume 33, Nomor 15. Tersedia di: https://doi.org/10.1016/j.frl.2019.06.019

Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, Volume 18, Nomor 5, halaman 931–955. Tersedia di: https://doi.org/10.1016/0165-1889(94)90039-6

Zhang, H., dan Lan, Q. (2014). GARCH-type model with continuous and jump variation for stock volatility and its empirical study in China. Mathematical Problems in Engineering, Tahun 2014. Tersedia di: https://doi.org/10.1155/2014/386721