Professional Documents
Culture Documents
Bab 1
Pendahuluan
1.1
Latar Belakang
1.2
Tujuan
Bab 2
Model Deret Waktu S&P100 dan
S&P600
2.1
Pemodelan untuk data deret waktu membutuhkan asumsi bahwa data hari ini bergantung dari data sebelumnya. ukuran kebergantungan dua variabel diartikan juga
sebagai korelasi. Ukuran korelasi dua variabel yang cukup populer digunakan adalah
koefisien korelasi Pearson. Misalkan Yt menyatakan harga saham saat t, dengan mean Y dan variansi Y2 . Koefisien korelasi () didefinisikan sebagai ukuran hubungan
linier antara Yt dan Yt+1 , dimana:
Yt ,Yt+1 =
Cov(Yt , Yt+1 )
Y2t
Gambar 2.1: Scatter plot antara harga saham Yt dengan Yt1 . Berdasarkan grafik,
terdapat hubungan yang erat antara harga saham hari ini dengan hari berikutnya.
Nilai antara 0 sampai 1, semakin mendekati 1 maka nilai korelasi atau hu3
Mean
Median
Variansi
Skewness
Kurtosis
S&P100 S&P600
592.8091 89.1459
577.4950 82.0850
11334.084 722.091
0.503
0.255
3.144
2.898
Berdasarkan Tabel 2.1, dapat diketahui bahwa nilai mean dan median tidak
jauh berbeda. Hal ini berarti, data yang ada cukup simetris. Hal tersebut juga
terlihat pada skewnes dimana skewnes kedua data mendekati 0. Dari kurtosis, dapat
diketahui bahwa nilainya mendekati 3. Dengan demikian, data dapat dikatakan
mendekati distribusi normal. Variansi pada data memberikan informasi bahwa data
cukup jauh menyebar. Hal ini menjadi salah satu penyebab bahwa pengolahan data
menggunakan data harga saham tidak dianjurkan dalam pemodelan time series.
Gambar 2.2: Plot antara harga saham S&P100 dan S&P 600. Berdasarkan grafik, dapat diketahui bahwa kedua data tidak menunjukkan kestasioneran mean dan
variansi.
Berdasarkan Gambar 2.2, dapat diketahui bahwa data deret waktu pada harga
saham S&P100 dan S&P600 tidak menunjukan gejala stasioner. Dengan demikian,
4
Gambar 2.3: Plot ACF harga saham S&P100 dan S&P 600. Berdasarkan grafik,
dapat diketahui bahwa kedua data tidak menunjukkan kestasioneran.
Seiring berjalannya waktu, harga saham cenderung berubah. Perubahan harga saham diiringi dengan perubahan return harga. Hal tersebut mengakibatkan
kecenderungan berubahnya variansi dan volatilitas dari suatu return harga. Return
harga suatu aset dibedakan menjadi dua jenis yaitu return sederhana dan return
majemuk. Dalam hal ini, return yang digunakan adalah return Majemuk.
Return majemuk sering disebut log return. Misalkan Xt adalah return harga
aset.
Xt = log(1 + Rt ) = log
Pt
= log(Pt ) log(Pt1 )
Pt1
(a) ACF
S&P100
return
harga
saham
(b) ACF
S&P600
return
harga
saham
Gambar 2.5: Plot ACF return harga saham S&P100 dan S&P 600. Berdasarkan
grafik, dapat diketahui bahwa kedua data cukup menunjukkan kestasioneran.
2.2
Model AR(1)-GARCH(1,1)
(2.1)
2
2
t2 = 0 + 1 Xt1
+ 2 t1
(2.2)
dimana Xt = t t
T
X
(Yt 1 Yt1 )2
(2.3)
t=2
1 ,)
= 0 dan
untuk meminimalkan f (1 , ), Perhatikan persamaan f (
sehingga
T
X
f (1 , )
= 2
(Yt 1 Yt1 ) = 0
t=2
dan
f (1 ,)
1
=0
(2.4)
X
f (1 , )
= 2
(Yt 1 Yt1 )(Yt1 ) = 0
t=2
(2.5)
T
X
Yt1 =
t=2
dan
T
X
Yt1 + 1
T
X
t=2
T
X
Yt
t=2
2
Yt1
t=2
T
X
Yt Yt1
t=2
T
P
T
P
Yt1
t=2 Yt T 1
t=2
=
T
T
T
P
P
P
2
Yt1
(Yt1 )
Yt Yt1
t=2
t=2
t=2
Selanjutnya akan diestimasi parameter 0 , 1 dan 2 dengan menggunakan maksimum likelihood (MLE). Perhatikan bahwa Xt memiliki distribusi (bersyarat) normal
1
exp
f (Xt |Xt1 ) = p
2
2t2
1
Xt
t
2 )
n
Y
t=2
(
2 )
1
1
Xt
p
exp
2
2
)
2 2(0 + 1 Xt1 + 2 t1
(2(0 + 1 Xt1 + 2 t1
))
(`())
= 0,
1
(`())
=0
2
Sehingga diperoleh
n
Xt2
2
2
0 + 1 Xt1 + 2 t1
0 + 1 Xt1 + 2 t1
n
2
Xt2
1 X 0 + 1 Xt1 + 2 t1
=
2
2 t=2
0 + 1 Xt1 + 2 t1
(`())
1X
=
0
2 t=2
2
2
rt1
Xt2 Xt1
2
2
0 + 1 Xt1 + 2 t1
0 + 1 Xt1 + (2 t1
)2
n
2
4
2
2
2
+ 1 Xt1
+ 2 t1
Xt1
Xt2 Xt1
1 X 0 Xt1
=
2
2 t=2
0 + 1 Xt1 + (2 t1
)2
(`())
1X
=
1
2 t=2
2
2
t1
Xt2 Xt1
2
2
0 + 1 Xt1 + 2 t1
0 + 1 Xt1 + (2 t1
)2
n
2
2
2
4
2
+ 1 Xt1
t1
+ 2 t1
Xt2 t1
1 X 0 t1
=
2
2 t=2
0 + 1 Xt1 + (2 t1
)2
(`())
1X
=
1
2 t=2
2.3
Pada tugas ini, data yang akan digunakan adalah data saham S&P100 dan S&P600
dari tanggal 28 juli 2000 sampai 11 september 2014. Data saham tersebut diolah
dengan menggunakan software MATLAB. Selanjutnya dengan menerapkan model
ini pada data S&P100 dan S&P600 diperoleh estimasi parameter sebagai berikut:
1
0
1
2
S&P100
S&P600
0.000038680049795 1.174097488765628 104
-0.093657943546480
-0.021541387640377
2 10 6
1.630484378274826 105
0.886791561211049
0.843039248484122
0.097704530705975
0.156958751515878
Yt
b
c1 Yt1
2
2
b
c0 + 1 Xt1 + b2 t1
(2.6)
Dari persamaan error diatas dapat dihitung dilihat masing-masing statistik deskriptif dari error untuk S&P100 dan S&P600 sebagai berikut:
Tabel 2.3: Tabel Statistik Deskriptif Error
ERROR S&P100
ERROR S&P600
Statistic
Value
Statistic
Value
SampleSize
3552
SampleSize
3552
Range
33.856
Range
81.464
Mean
-6.46E-05
Mean
-0.00245
Variance
4.4616
Variance
3.5223
Std.Deviation
2.1122
Std.Deviation
1.8768
Coef.ofVariation
-32697
Coef.ofVariation -766.92
Std.Error
0.03544
Std.Error
0.03149
Skewness
-0.63063
Skewness
-17.518
ExcessKurtosis
8.4834
ExcessKurtosis
686.36
Dari sini terlihat bahwa data tersebut berdistribusi student t. Selanjutnya akan
dilihat dengan menggunakan menggunakan ACF dapat dilihat apakah eror dari
data tersebut tidak berkorelasi. Perhatikan gambar berikut:
9
(a) S&P100
(b) S&P600
Gambar 2.6: Fitting histogram S&P100 dan S&P600 dengan distribusi normal dan
t.
Gambar 2.8: Fungsi Autokorelasi error dari data S&P100 dan S&P600.
Dari gambar diatas dapat dilihat bahwa eror dari kedua data tidak menempel
pada garis merah sehingga dapat disimpulkan bahwa eror dari kedua data tidak berdistribusi normal. terlihat juga dari plot bahwa eror dari kedua data tersebut tidak
berkorelasi karena autokorelasi dari semua lagnya berada dibawah batas signifikansi.
Selain menggunakan plot ACF, kebebasan dari error juga dapat diketahui dengan residual plot.
10
Gambar 2.10: Plot Hasil Model untuk data S&P100 dan S&P600.
Dari gambar ini terlihat bahwa model AR(1)-GARCH(1,1) cukup merepresentasikan
kedua data return.
11
Bab 3
Model Distribusi Eror dengan
Copula
3.1
Copula merupakan distribusi yang digunakan untuk mengkonstruksi beberapa distribusi yang saling bergantung. Informasi distribusi marginal dari distribusi tersebut
diperlukan dalam proses konstruksi. Copula sangat sensitif terhadap distribusi marginal tersebut. Oleh karena itu, penentuan distribusi marginal yang akurat sangat
diperlukan agar hasil konstruksi distribusi tepat.
Salah satu metode untuk menentukan parameter distribusi adalah dengan melihat histogram dari suatu sampel acak. Histogram tersebut diharapkan mampu
memberikan informasi mengenai distribui yang tepat digunakan untuk pendekatan
sampel. Berikut adalah histogram dan pendekatan distribusi yang dianggap sesuai.
Berdasarkan 3.1, dapat diketahui bahwa gambar cukup simetris. Oleh karena
itu, distribusi yang dianggap tepat adalah distribusi normal dan t. Informasi mengenai kelancipan pada gambar tersebut sudah cukup jelas mengarahkan pada distribusi
t. Berikut adalah estimasi parameter distribusi sampel acak dengan menggunakan
distribusi t.
Tabel 3.1: Estimasi parameter error S&P100 dan S&P600
Distribusi t
b
b
S&P100
7.25355 102
1.04946
1.89475
S&P600
5.43921 102
1.01296
3.70339
Gambar 3.1: Pendekatan distribusi sampel error S&P 100 dan S&P 600.
Langkah pertama penggunaan metode kuadrat error adalah dengan menghitung
x
fungsi kumulatif F empirik dari sampel, Fem (x) = #data
. Selanjutnya, menghin
tung fungsi kumulatif F berdasarkan parameter yang ditentukan F,t (x). Dengan
mengetahui sampel tersebut, dapat diperoleh
n
X
KS(xt ) =
(F,t (xt ) Fem (xt ))2
t=1
KS(x)
.
n
S&P100
2.0581 104
13
S&P600
1.1340 104
Gambar 3.2: Histogram untuk H pada error S&P 100 dan S&P 600.
3.2
t1
C (u ,
u1 ... ut1 1
..., ut )
dengan
14
(3.1)
t1
C (u1 , ..., ut ) =
u1 ... ut1
1 (ut )
(1 (u
1 ))
...
1
(1 (ut1 ))
(3.2)
dan
1 (u )...1 (u
1 I)(1 (u )...1 (u
0
1
t1 ))(
1
t1 ))
(3.3)
sedangkan uj = F (j ). Dengan mensubtitusikan persamaan 3.2 dan 3.3 ke persamaan 3.1 diperoleh
Z
1 (ut )
F (t |t1 ) =
(3.4)
3.2.1
t b
4. Mencari CDF dari dengan distribusi t, dengan derajat kebebasan b dan selanjutnya disimbolkan dengan W
5. Mencari Z, dimana Z = 1 (W )
15
(p q)2
)
2h
X
1
1
1
lnFi (xi ))
L() = V 0 V + Z 0 Z + ( ln(||) +
2
2
2
i=1
dengan V = L1 Z
8. Mencari u, dengan b
h yang memaksimumkan likelihood untuk S&P 100 dan
S&P600, berturut-turut yaitu 0.43 dan 0.48
F (t |t1 ) =
t1
C (u ,
u1 ... ut1 1
..., ut )
Gambar 3.4: b
h S&P 100 dan S&P 600.
Berikut adalah grafik dan histogram u dan v. Berdasarkan Grafik 3.5, dapat
diketahui bahwa u dan v berdistribusi uniform (0,1). Setelah memperoleh u dan v,
selanjutnya akan ditentukan Copula banding untuk menggabungkan kedua peubah
acak dari u dan v.
17
18
Bab 4
Konstruksi Copula Bivariat
dengan Clayton Copula
Salah satu metode untuk mengkonstruksi dua distribusi adalah Copula. Copula
memiliki keistimewaan untuk menggabungkan dua distribusi yang tidak identik.
Copula dapat menggabungkan dua distribusi berbeda yang tidak saling bebas meskipun tidak diketahui jenis hubungan diantara dua kerugian acak tersebut. Pada
dasarnya, Copula merupakan distribusi multivariat dengan marginal Uniform [0, 1]
yang berfungsi untuk menggabungkan dua fungsi distribusi dari dua kerugian acak.
4.1
Terdapat beberapa metode untuk mengkonstruksi Copula bivariat. Salah satu metode yang umum digunakan adalah pendekatan Archimedean. Copula yang dikonstruksi dengan metode ini disebut Archimedean Copula. Dengan (t) adalah fungsi
generator. Archimedean Copula didefinisikan sebagai (Nelsen 2006):
C(
u, v) = 1 [(
u) + (
v )] u, v [0, 1]
Pada kelas Archimedean, terdapat beberapa jenis Copula 1 parameter dengan spesifikasi masing-masing. Beberapa diantaranya adalah Clayton Copula. Clayton
Copula memiliki fungsi generator sebagai berikut:
(t) =
19
(4.1)
1 (t) = (t + 1)
(4.2)
0 (t) = t(+1)
(4.3)
Untuk mengetahui distribusi gabungan dari dua peubah acak, dapat diketahui dari fungsi distribusi Copula. Fungsi distribusi kumulatif fungsi distribusi peluang
Clayton Copula adalah sebagai berikut:
u) + (
v )]
C(
u, v) = 1 [(
= 1 u 1 + v 1
1
C(
u, v) = (
u + v 1)
(4.4)
Berikut adalah grafik untuk fungsi distribusi cumulatif Clayton Copula. Berdasarkan Gambar 4.1, dapat diketahui bahwa semakin besar nilai parameter , nilai cdf
semakin membesar, meskipun hal ini tidak begitu tampak secara signifikan.
(a) = 0
(b) = 0.5
(c) = 1
(d) = 5
(e) = 10
(f) = 20
20
(a) = 0
(b) = 0.5
(c) = 1
(d) = 5
(e) = 10
(f) = 20
(a) = 0
(b) = 0.5
(c) = 1
(d) = 5
(e) = 10
(f) = 20
4.2
Gambar 4.4: Ilustrasi concordant dan discordant pada dua peubah acak.
Kendalls Tau pada sampel dapat didefinisikan sebagai peluang concordance
dikurangi peluang discordance:
b = X,Y = P [(Xi Xj )(Yi Yj ) > 0] P [(Xi Xj )(Yi Yj ) < 0]
22
(4.5)
cd
, 1 1
n C2
(4.6)
Dalam bentuk Copula, ukuran asosiasi Kendalls Tau adalah sebagai berikut (Nelsen. 2006):
X,Y = P [(X1 X2 )(Y1 Y2 ) > 0] P [(X1 X2 )(Y1 Y2 ) < 0]
(4.7)
Untuk kelas Archimedean Copula, persamaan ukuran asosiasi Kendalls Tau dapat
dinyatakan sebagai berikut(Nelsen, 2006):
Z
C = 1 +
0
(t)
dt
0 (t)
(4.8)
Persamaan 4.8 jika dikombinasikan dengan persamaan 4.2 dan 4.3 dapat diperoleh
persamaan Kendalls tau pada Clayton Copula.
Z
(t)
C = 1 +
dt = 1 +
0
0 (t)
4
1
1
= 1+
+2 2
C =
+2
4.3
Z
0
t 1
(+1)
t
dt
(4.9)
Pada Bab 3, telah diketahui distribusi marginal bersyarat dari Error S&P 100 dan
S&P 600 menggunakan konsep Gaussian Copula. Dicurigai, distribusi marginal bersyarat dari Error S&P 100 dan S&P 600 saling memiliki kebergantungan. Oleh karena itu, untuk memprediksi nilai harga saham di masa mendatang, dapat diketahui
melalui konsep Copula bivariat, yang mampu mengakomodir nilai kebergantungan
diantara dua peubah acak tersebut.
Langkah awal untuk mengetahui Copula yang sesuai adalah dengan melihat
23
Gambar 4.5: Scatter fungsi marginal bersyarat error S&P 100 dan S&P 600
Berdasarkan Gambar 4.5 dan 4.3, dapat diketahui bahwa Copula tipe Clayton
sebenarnya tidak begitu sesuai digunakan untuk kedua peuabah acak tersebut. Hal
ini karena, untuk kondisi ekor atas, atau saat fungsi marginal kedua peuabah acak
mendekati satu, tidak bisa didekati oleh Copula Clayton. Meskipun demikian, akan
diketahui sejauh mana keakuratan penggunaan model Clayton Copula pada data.
Langkah lanjut untuk mengkonstruksi distribusi dengan menggunakan Clayton Copula adalah mengetahui nilai Kendalls Tau dan parameternya. Berdasarkan
persamaan 4.6 nilai Kendalls tau yang diperoleh adalah 0.6020. Berdasarkan per2
.
samaan 4.9 dan penerapan konsep pada aljabar, dapat diketahui bahwa = 1
20.6020
Dengan demikian,
b = 10.6020 , = 3.0255.
(a) n = 380
(b) n = 2000
25
(a) Riil
(b) Simulasi
(c) Fitting
n
X
2
P [X ui , Y vi ] C @ (ui , vi )
(4.10)
i=1
Persamaan 4.10 sering disebut sebagai jumlah beda kuadrat (sum of square
difference / SSD). Semakin besar nilai SSD maka semakin besar pula error suatu
Copula dalam menaksir data sebenarnya. Begitupula sebaliknya. Nilai SSD terkecil
memberikan informasi bahwa Copula terebutlah yang paling sesuai memodelkan
data. Berdasarkan perhitungan, diperoleh nilai SSD adalah sebesar 53.1794.
26