MODEL GARCH (1,1) DAN EGARCH (1,1):

FAKTA EMPIRIS RETURN DAN VOLATILITAS

LAPORAN TESIS

Diajukan sebagai salah satu syarat

untuk memperoleh gelar Magister dari
Institut Teknologi Bandung

Oleh

ISRAN K. HASAN
NIM : 20113051
(Program Studi Magister Matematika)

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI BANDUNG
2012
Daftar Isi

Daftar Isi ii

1 Konsep Dasar Model dan Sifat-Sifat Statistik 1

1.1 Model GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Model Exponential GARCH (1,1) . . . . . . . . . . . . . . . . . . . . 6

2 Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1) 14

2.1 Distribusi Ekor Tebal . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2 Fungsi Autokorelasi Return Kuadrat Turun Secara Perlahan . . . . . 16

2.3 High Kurtosis, Low Autocorrelation . . . . . . . . . . . . . . . . . . . 17

2.4 Efek Asimetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Prediksi Volatilitas untuk Model GARCH(1,1) dan EGARCH(1,1) 21

3.1 Prediksi Volatilitas untuk Model GARCH(1,1) dan EGARCH (1,1) . 21

3.2 Ukuran Prediksi Volatilitas terbaik . . . . . . . . . . . . . . . . . . . 23

4 Perbandingan Model GARCH dan EGARCH dengan Mengunakan

Data Riil 24

4.1 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.2 Perbandingan Sifat Empiris Berdasarkan Data Riil . . . . . . . . . . 26

ii
5 Lampiran 29

Daftar Pustaka 33
Bab 1

Konsep Dasar Model dan Sifat-Sifat

Statistik

1.1 Model GARCH(1,1)

Definisi 1.1.1. Misalkan {Xt , t ≥ 0} adalah menyatakan proses stokastik dari re-
turn suatu aset pada waktu t. {Xt , t ≥ 0} dikatakan mengikuti model GARCH(1,1)
jika
Xt = σt εt , σt2 = α0 + α1 Xt−1
2 2
+ β1 σt−1 (1.1)

dengan asumsi

1. εt ∼ iid F(0, σε )

2. σt dan εt saling bebas

3. Xt−1 dan εt saling bebas

Untuk menjamin nilai variansi tetap selalu positif maka parameter model perlu
dibatasi. Batasan parameter untuk model GARCH (1,1) adalah α0 > 0, α1 ≥ 0 dan
β1 ≥ 0.

Stasioner Lemah

Agar data yang kita miliki dapat dimodelkan dengan model time series dibutuhkan
asumsi kestasioneran. Prinsip utama dalam konsep kestasioneran adalah sifat-sifat

1
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

statistika pada suatu model atau proses tidak berubah terhadap waktu. Syarat
kestasioneran lemah dapat diperoleh dengan menggunakan teorema berikut:

Proposisi 1.1.1. Misalkan Xt memenuhi persamaan 1.1. Misalkan pula ηt = Xt2 −

σt2 maka:

i. ηt adalah weak white noise

ii. model GARCH (1,1) pada persamaan 1.1 dapat ditulis kembali sebagai berikut:

Xt2 = α0 + (α1 + β1 )Xt−1

2
− β1 ηt−1 + ηt (1.2)

Bukti 1. i. Perhatikan bahwa

E(ηt ) = E[σt2 E(ε2t ) − E(σt )|Ft−1 ] = 0

dan

Cov(ηt , ηt+l ) = E(ηt ηt+l ) = E[(σt2 ε2t − σt2 )E(σt+l

2
ε2t+l − σt+l
2
)] = 0

ii. Jika disubtitusikan ηt ke persamaan (1.1) maka diperoleh

σt2 = α0 + α1 Xt−1
2 2
+ β1 σt−1
Xt2 − ηt = α0 + α1 Xt−1
2 2
+ β1 (Xt−1 − ηt−1 )
Xt2 − ηt = α0 + α1 Xt−1
2 2
+ β1 (Xt−1 ) − β1 (ηt−1 )
Xt2 = α0 + (α1 + β1 )Xt−1
2
− β1 ηt−1 + ηt

Persamaan (1.2) merupakan bentuk model ARMA dalam bentuk Xt2 . Jadi,
model GARCH (1,1) dapat dipandang sebagai representasi dari model ARMA untuk
Xt2 . Dari representasi ini dapat dikatakan bahwa teori digunakan pada model ARMA
dapat digunakan untuk model GARCH (1,1). Hal ini tentunya akan memudahkan
dalam identifikasi model GARCH (1,1). Persamaan tersebut dapat ditulis dalam
kembali menjadi
(1 − (α1 + β1 )L)Xt2 = α0 + (1 + β1 L)ηt

dimana LXt2 = Xt−1

2
dan Lηt = ηt−1 . Dari sini dapat diperoleh polinomial karakte-

2
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

ristik
(1 − (α1 + β1 )z) = 0

sehingga proses ini akan stasioner jika |z| > 1. Akibatnya, |α1 + β1 | < 1. sehingga
diperoleh bahwa model GARCH (1,1) akan stasioner jika 0 < α1 + β1 < 1. Sebagai
ilustrasi akan disimulasikan dengan program MATLAB model GARCH (1,1) dengan
dengan berbagai parameter.

Gambar 1.1: Ilustrasi dengan α0 = 1 α1 = 0.2,β1 = 0.3

Gambar 1.1 adalah simulasi model GARCH (1,1) dengan 1000 data bangkitan
dan mengkondisikan nilai α0 = 1 α1 = 0.2,β1 = 0.3. Dari gambar ini dapat dilihat
mean dan variansinya masing konvergen ke 0 dan 2 hal ini sesuai dengan hasil per-
1
hitungan secara analitik yaitu E(Xt )=0 dan var(Xt ) = 1−(0.2+0.3) = 2. Gambar 1.2

Gambar 1.2: Ilustrasi dengan α0 = 1,α1 = 0.5 dan β1 = 0.6

adalah simulasi model GARCH (1,1) dengan 1000 data bangkitan dan mengkondi-
sikan nilai α0 = 1, α1 = 0.5 dan β1 = 0.6. Dari gambar ini dengan jelas dapat dilihat
bahwa data bangkitan tidak stasioner karena mean dan variansinya tidak konstan
disetiap waktu.

Dari sini dapat diperoleh bahwa hasil simulasi cocok dengan hasil secara anali-
tik. Sehingga dapat disimpulkan bahwa kestasioneran model GARCH (1,1) dipenuhi
dengan syarat α1 + β1 < 1.

3
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

Kurtosis

Kurtosis merupakan salah satu ukuran yang penting dalam mempertimbangkan ke-
putusan yang akan diambil, sebagai contoh jika nilai kurtosis melebih ”batas nor-
mal”, berarti nilai return pada masa yang akan datang membesar atau mengecil
secara ekstrem. Kurtosis secara umum dituliskan sebagai berikut:

E(Xt4 )
κ=
[E(Xt2 )]2

Proposisi 1.1.2. Misalkan Xt mengikuti model GARCH (1,1) pada persamaan 1.1
maka kurtosis dari Xt adalah

κε (1 − (α1 m2 + β1 ))2
κ = (1.3)
1 − (α12 m4 + 2α1 β1 m2 + β12 )
(1.4)

dengan κε adalah kurtosis dari εt dan m2 dan m4 masing-masing adalah E(ε2t ) dan
E(ε4t )

Bukti 2. Lihat lampiran A.1

Agar nilai kurtosis selalu finite dan tidak bernilai negatif maka parameter dari
model ini perlu dibatasi lagi. Perhatikan bahwa karena 0 < α1 + β1 < 1 maka agar
nilai kurtosis finite, nilai (α1 + β1 )2 − (κε − 1)α12 harus kecil dari satu. Ketaksamaan
ini menyatakan nilai α dan β yang memberikan kurtosis yang finite bergantung pada
distribusi dari ε. Untuk lebih jelasnya perhatikan gambar berikut:

4
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

Gambar 1.3: Daerah kurtosis finite untuk masing-masing distribusi.

Gambar di atas adalah daerah nilai α1 dan β1 yang mungkin berdasarkan

distribusi dari ε. Dari gambar diatas dapat dilihat bahwa daerah untuk distribusi
normal lebih besar dibandingkan dengan distribusi student t. Semakin besar nilai
α1 + β1 maka nilai α1 akan semakin mengecil. Sebagai contoh untuk distribusi
normal jika α1 + β1 = 0.90 maka nilai maksimum untuk α = 0.31. Jika α1 + β1 =
0.95 maka nilai maksimum untuk α = 0.22. Hal ini berlaku juga untuk distribusi
lainnya. Namun, nilai α cenderung lebih kecil jika dibandingkan dengan nilai α
untuk distribusi normal dengan α1 + β1 yang berbeda.

Selanjutnya jika memperhatikan Kurtosis dari model GARCH (1,1) merupakan

fungsi dari parameter α1 dan β1 dan eksistensi dari kurtosisnya terpenuhi maka kita
dapat melihat hubungan antara α1 dan β1 dan kurtosis. Gambar 1.4 diperoleh

Gambar 1.4: Plot Hubungan antara α1 dan β1 dan kurtosis

dengan mengubah-ubah nilai α1 dan β1 diantara selang [0,0.4]. Selang ini dipilih
agar kondisi eksistensi kurtosis dari model GARCH (1,1) tetap berlaku. Dari gambar

5
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

1.4 dapat dilihat bahwa semakin besar nilai α1 + β1 maka semakin besar pula nilai
kurtosisnya.

Fungsi Autokorelasi

Fungsi autokorelasi dengan lag l didefinisikan sebagai berikut:

Cov(Xt , Xt−l ) Cov(Xt , Xt−l ) γl

ρl = p = = (1.5)
V ar(Xt )V ar(Xt−1 ) V ar(Xt ) γ0

dengan Cov(Xt , Xt−l ) = E(Xt Xt−l ) − E(Xt )E(Xt−l ). Dari definisi di atas diperoleh
ρ0 = 1, ρl = ρ−l dan ρ ∈ [−1, 1]. Sebagai tambahan, nilai ρl = 0 menyatakan bahwa
Xt tidak berautokorelasi, begitupun sebaliknya.

Proposisi 1.1.3. Misalkan Xt mengikuti model GARCH (1,1) pada persamaan 1.1
maka fungsi autokorelasi return kuadrat dari Xt dan Xt−l adalah

 1, l=0;


α1 (1−α1 β1 −β12 )
ρl = (1−2α1 β1 −β12 )
, l=1; (1.6)

(α1 + β1 )l−1 ρ1 ,

 l > 1.

Bukti 3. Lihat lampiran A.2

1.2 Model Exponential GARCH (1,1)

Meskipun model GARCH(1,1) sangat baik dalam memodelkan volatilitas, teta-

pi jika diperhatikan pada persamaan (1) terlihat bahwa nilai σt2 hanya bergantung
dari besarnya nilai dari data, sehingga data yang bernilai positif maupun negatif
akan memiliki dampak yang sama untuk nilai σt2 . Hal ini kurang sesuai dengan
fakta yang dikemukakan oleh Black (1976) bahwa untuk data finansial, volatilitas
cenderung naik ketika terjadi bad news dan cenderung turun ketika terjadi good news
(efek asimetris).

Untuk mengatasi hal ini, dibangun model dimana bad news dan good news me-
miliki pengaruh yang berbeda terhadap variansinya. Salah satu model yang mampu
menangkap fenomena ini adalah model Exponential GARCH (EGARCH).

6
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

Definisi 1.2.1. Misalkan {Xt , t ≥ 0} adalah menyatakan proses stokastik dari re-
turn suatu aset pada waktu t. {Xt , t ≥ 0} dikatakan mengikuti model EGARCH(1,1)
jika
Xt = σt εt , 2
ln σt2 = ω + g(εt−1 ) + ψ1 ln σt−1 (1.7)

Tidak seperti model GARCH (1,1) yang membatasi parameter agar σt positif,
model EGARCH tidak perlu membatasi parameter. Hal ini karena model EGAR-
CH pada persamaan (2.3) adalah persamaan dalam bentuk persamaan logaritma
sehingga nilai σt akan selalu positif.

Model ini pertama kali diperkenalkan oleh Nelson (1991) untuk mengatasi ke-
lemahan dari model GARCH. Fungsi g(εt ) mempunyai peranan penting agar model
ini dapat mengakomodasi efek asimetrik. Oleh karena itu, g(εt ) haruslah merupakan
fungsi yang memperhatikan besar dan tanda dari εt dan juga merupakan fungsi yang
terdefinisi dengan baik (well-defined ) terhadap εt . Salah satu pilihan agar fungsi ini
memenuhi syarat tersebut adalah dengan membuat g(εt ) sebagai kombinasi linier
dari εt dan |εt | yaitu:
g(εt ) = θεt + δ[|εt | − E(|εt |)] (1.8)

dengan θ dan δ adalah konstanta real dan εt adalah barisan peubah acak iid dengan
mean nol dan berdistribusi kontinu.

Perhatikan bahwa dua komponen dari fungsi g(εt ) yaitu θεt dan δ[|εt | − E(|εt |)
masing memiliki mean nol, akibatnya fungsi g(εt ) juga memiliki mean nol sehingga
dapat dikatakan bahwa fungsi g(εt ) merupakan observasi terpusat.

Selanjutnya, untuk melihat fungsi ini dapat mengakomodasi sifat asimetris

dapat diketahui dengan memperhatikan jika nilai εt ∈ (0, ∞) maka fungsi g(εt )
menjadi fungsi linier dengan gradien θ + δ dan jika nilai εt ∈ (−∞, 0] maka fungsi
g(εt ) menjadi fungsi linier dengan gradien θ − δ. Dengan demikian, g(εt ). Dari sini
terlihat bahwa fungsi ini memberikan dampak yang berbeda untuk nilai εt

Dengan memperhatikan fungsi g(εt ) pada persamaan 3.1 maka persamaan 1.7
dapat ditulis kembali sebagai berikut.
( 2ψ1
σt−1 ω } exp{(θ + δ) Xσt−1
exp{e t−1
}, Xt−1 ≥ 0;
σt2 = 2ψ1 (1.9)
σt−1 ω } exp{(θ − δ) Xσt−1
exp{e t−1
}, Xt−1 < 0.

7
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

e = ω − δE(|εt−1 |).
dimana ω

Persamaan 2.3 terlihat bahwa nilai σt2 tidak hanya bergantung dari besarnya
nilai Xt−1 tetapi bergantung juga pada tanda dari Xt−1 . Hal ini berarti model
EGARCH dapat mengakomodasi fenomena ketidaksimetrisan good news dan bad
news. Parameter ψ merepresentasikan pengaruh dari variansi sebelumnya, sehingga
jika nilai ψ positif berarti perubahan positif pada data sebelumnya akan diikuti
oleh perubahan positif pada data selanjutnya. Selanjutnya parameter δ mengukur
efek dari ketidaksimetrisan. Jika δ = 0 maka model yang digunakan simetris. Jika
δ < 0 maka bad news mempunyai pengaruh kuat terhadap volatilitas dibandingkan
dengan good news dan sebaliknya.

Stasioner Lemah

Kestasioneran lemah dari model EGARCH dengan mudah dapat ditentukan dengan
memperhatikan Vt = ln σt2 sehingga persamaan (1.7) dapat ditulis sebagai berikut

Vt = ω + ψ1 Vt−1 + g(εt−1 ) (1.10)

Jika g(εt−1 ) dipandang sebagai error dari persamaan tersebut maka persamaan ini
menyerupai model AR(1) sehingga dapat dibentuk polinomial karakteristik 1−ψ1 z =
0 sehingga jika |z| > 1 maka ln σt2 akan stasioner. Akibatnya, syarat kestasioneran
ln σt2 adalah |ψ1 | < 1.

Sebagai ilustrasi perhatikan gambar berikut:

Gambar 1.5: Plot data bangkitan EGARCH (Kiri)ω = 0.5, ψ = 0.4, δ = −0.2 dan θ = −0.3;
(Kanan)ω = 0.5, ψ = 1, δ = −0.2 dan θ = −0.3

8
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

Variansi Tak Bersyarat

Dari Persamaan (1.7) jelas bahwa E(Xt ) = 0. Untuk mencari Variansi dari model
ini, perhatikan kembali persamaan 1.10. Dari sini dapat diperoleh kesimpulan bahwa
ω
model EGARCH dapat dinyatakan sebagai model AR(1) dengan mean 1−ψ dengan
error nya adalah g(εt−1 ). Sehingga model ini dapat ditulis kembali menjadi:
∞
ω X
Vt = + ψ1i (θεt + δ[|εt | − E(|εt |)]) (1.11)
1 − ψ i=1

dengan mengambil ekspektasi dari exp(Vt ) maka diperoleh

" (∞ )#
X
E(exp(Vt ) = exp(ω ∗ ) + E exp ψ1i (θεt + δ[|εt | − E(|εt |)])
" (i=1
∞
)#
Y
= exp(ω ∗ ) + E exp ψ1i (θεt + δ[|εt | − E(|εt |)])
i=1

dengan ω ∗ = ω
1−ψ
. Sehingga variansi bersyarat dari Yt adalah
(∞ )
Y
var(Xt ) = exp(ω ∗ ) + exp
 i 
E ψ1 (θεt + δ[|εt | − E(|εt |)]) (1.12)
i=1

Kurtosis

Misalkan Xt mengikuti model EGARCH (1,1) pada persamaan 1.7 maka kurtosis
dari Xt adalah (Terasvirta, 2006)
∞
(δ + θ)2 Φ(2ψ i−1 (δ + θ)) + exp{−8ψ 2i−2 δθ}Φ(2ψ i−1 (δ − θ))
 Y
κ = 3exp
1 − ψ2 i=1
[Φ(2ψ i−1 (δ + θ)) + exp{−2ψ 2i−2 δθ}Φ(2ψ i−1 (δ − θ))]2

dengan Φ(.) adalah fungsi distribusi kumulatif dari distribusi Gaussian. Jika nilai
δ = 0 maka persamaan diatas menjadi lebih sederhana yaitu

κ = 3 exp{θ2 (1 − ψ 2 )−1 }

9
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

Fungsi Autokorelasi Return Kuadrat pada Model EGARCH(1,1)

Persamaan (1.7) memberikan kerumitan dalam kalkulasi khususnya pada fungsi au-
tokorelasi untuk model EGARCH. Oleh karena itu, untuk mempermudah kalkulasi
maka persamaan (1.7) akan dinyatakan dalam bentuk rekursif, sehingga diperoleh
proposisi berikut.

Proposisi 1.2.1. Misalkan Vt = ln σt2 memenuhi

Vt = ω + ψ1 Vt−1 + g(εt−1 ) (1.13)

Persamaan ini dapat ditulis lagi sebagai berikut

i−1
X
Vt = (Pi )ω + (Qi )Vt−i + (Q1 )j g(εt−j+1 ) (1.14)
j=0

dimana i ∈ N, P1 = 1 dan Q1 = ψ1 . Untuk i ≥ 2 berlaku

Pi = Pi−1 + Qi−1
Qi = Qi−1 Q1

Bukti 4. Pertama akan dibuktikan untuk i = 2 benar. Dari persamaan (1.13) dapat
diperoleh
Vt−1 = ω + ψ1 Vt−2 + g(εt−2 )

sehingga untuk Vt dapat ditulis lagi sebagai berikut

Vt = (1 + ψ1 )ω + ψ12 Vt−2 + ψ1 g(εt−2 ) + g(εt−1 )

Misalkan P1 = 1 dan Q1 = ψ1 maka diperoleh P2 = P1 + Q1 = 1 + ψ1 dan Q2 =

Q1 Q1 = ψ12 . Dari sini terlihat bahwa

1
X
Vt = (P2 )ω + (Q2 )Vt−i + (Q1 )j g(εt−j+1 ) (1.15)
j=0

Jadi untuk i = 2 pernyataan benar.

Selanjutnya, Misalkan untuk i = k benar maka akan dibuktikan untuk i = k +1

10
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

benar. Untuk i = k berlaku

k−1
X
Vt = (Pk )ω + (Qk )Vt−k + (Q1 )j g(εt−j+1 ) (1.16)
j=0

dimana

Pk = Pk−1 + Qk−1 = 1 + ψ1 + ... + ψ1k−1

Qk = Qk−1 Q1 = ψ1k

Dari persamaan (12) dapat diperoleh

Vt−k = ω + ψ1 Vt−k+1 + g(εt−k+1 )

untuk Vt dapat ditulis lagi sebagai berikut

k
X
Vt = (1 + ψ1 + ... + ψ1k−1 + ψ1k )ω + ψ1k+1 Vt−k+1 + (Q1 )j g(εt−j+1 )
j=0

Misalkan P1 = 1 dan Q1 = ψ1 maka diperoleh

Pk+1 = Pk + Qk = 1 + ψ1 + ... + ψ1k−1 + ψ1k

Qk+1 = Q1 Q1 = ψ1k+1

dari sini terlihat bahwa

k
X
Vt = (Pk+1 )ω + (Qk+1 )Vt−k+1 + (Q1 )j g(εt−j+1 ) (1.17)
j=0

Jadi untuk i = k + 1 pernyataan benar.

Fungsi autokorelasi dari Xt2 untuk model EGARCH dapat ditulis sebagai ber-
ikut:

E (exp{Vt + Vt−l }) − (E (exp{Vt }))2

 
Cov(Xt2 , Xt−l
2
)
ρl = = (1.18)
V ar(Xt2 ) V ar(Xt2 )

sehingga untuk menghitung fungsi autokorelasi dari model EGARCH, perlu dihitung

11
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

nilai dari exp{Vt }, V ar(Xt2 ) dan E (exp{Vt + Vt−l }).

Proposisi 1.2.2. Misalkan Vt memenuhi 1.2.1 dengan Vt ∼ N (µv , σv2 ) maka

a. E(exp{Vt }) = exp µv + 21 σv2



b. V ar(Xt2 ) = exp{2µv + σv2 } [E(ε4t ) − (E(ε2t ))2 ]

c. Ekspektasi dari exp{Vt + Vt−l } dapat dituliskan sebagai berikut

1
E (exp{Vt + Vt−l }) = exp{Pl ω}exp{(1 + Ql )µv }exp{ (1 + Ql )σv } ×
2
k−1
Y
× E( exp Qi1 g(εt−i+1 ) )

i=0

Bukti 5. a. Karena Vt ∼ N (µv , σv2 ) maka E(exp{Vt }) adalah fungsi pembangkit

moment dari Vt sehingga langsung diperoleh
 
1 2
E(exp{Vt }) = exp µv + σv
2

b. Perhatikan bahwa

V ar(Xt2 ) = E(Yt4 ) − E(Yt2 )2

Sehingga diperoleh

V ar(Xt2 ) = E(exp{2Vt }E(ε4t ) − E(exp{2Vt }(E(ε2t ))2

= exp{2µv + σv2 } E(ε4t ) − (E(ε2t ))2
 

c Dengan menggunakan proposisi 1.2.1 dapat diperoleh

i−1
X
Vt + Vt−l = (Pl )ω + (1 + Ql )Vt−l + (Q1 )j g(εt−j+1 ) (1.19)
j=0

12
BAB 2 : Konsep Model Volatilitas GARCH(1,1) dan EGARCH (1,1)

sehingga dengan menggunakan hasil (a) maka diperoleh

E(exp{Vt + Vt−l } = E(exp{(Pl )ω})E(exp{(1 + Ql )Vt−l }) ×

i−1
X
× E(exp{ (Q1 )j g(εt−j+1 )})
j=0
1
= exp{Pl ω}exp{(1 + Ql )µv }exp{ (1 + Ql )σv } ×
2
Yk
× E( −1exp Qi1 g(εt−j+1 ) )

i=0

13
Bab 2

Sifat Empiris Return dan Volatilitas

untuk Model GARCH (1,1)

Menurut Cont(2001) dan Engle dan Patton (2001) return dan volatilitas me-
miliki beberapa karakteristik khusus atau biasa disebut sifat empiris. Pada bagian
ini akan ditunjukkan bahwa model GARCH (1,1) dapat mengakomodasi sifat empi-
ris dari return dan volatilitas. Adapun sifat empiris return dan volatilitas diuraikan
sebagai berikut:

2.1 Distribusi Ekor Tebal

Mandelbrot (1963) telah menunjukkan bahwa distribusi normal tidak cukup

untuk untuk memodelkan distribusi dan sifat ekor tebal dari return aset. Salah satu
cara untuk melihat distribusi ekor tebal adalah dengan melihat kurtosis dimana
ukurannya relatif terhadap distribusi normal (untuk distribusi normal nilai dari
kurtosis sama dengan 3).

Untuk melihat apakah Model GARCH (1,1) dan EGARCH (1,1) dapat meng-
akomodasi fenomena ini jika ditinjau dari kurtosisnya. Perhatikan teorema berikut:

14
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

Proposisi 2.1.1 (Malmsten, 2004). Perhatikan model GARCH (1,1)dan EGARCH

(1,1) pada persamaan 1.1 dan 1.7 dan asumsikan model memenuhi asumsi kestasio-
neran, maka kurtosis dari kedua model tersebut memenuhi pertidaksamaan

κ > κε

dengan κε adalah kurtosis dari εt

Bukti 6. Perhatikan bahwa

E(Xt4 ) = κε E(σt4 )

dengan menggunakan ketidaksamaan Jensen diperoleh

E(Xt4 ) ≥ κε (E(σt2 ))2

≥ κε (E(Xt2 ))2
E(Xt4 )
≥ κε
(E(Xt2 ))2

Dari pertidaksamaan ini dapat dilihat bahwa nilai kurtosis dari model akan
selalu memiliki ekor yang lebih tebal meskipun distribusi dari εt tidak memiliki ekor
tebal termasuk distribusi normal.

Meskipun model GARCH dengan distribusi normal mampu mengakomodasi

sifat ekor tebal, menurut Bollerslev (1992) dalam banyak aplikasinya dalam data
finansial distribusi normal belum cukup untuk mengakomodasi distribusi return.
Salah satu solusi dari masalah ini adalah dengan mengadopsi distribusi εt dengan
distribusi yang memiliki ekor yang lebih tebal dibandingkan distribusi normal. Ba-
illie et al (1990) mengadopsi distribusi εt dengan distribusi students0 t diperoleh
bahwa model GARCH tersebut dapat mendeskripsikan dengan baik perilaku data
return. Jika diperhatikan untuk εt berdistribusi students0 t dengan ν > 4 dan meng-
gunakan persamaan 1.3 maka kurtosisnya dari model tersebut akan lebih besar dari
tiga (perhatikan bahwa κε untuk distribusi students0 t adalah 3 + ν−46
).

Distribusi ekor tebal dari model GARCH (1,1) dapat dilihat secara analitik de-
ngan menggunakan teori yang dikemukakan oleh Kesten (1973). Perhatikan suatu
proses {Yt } yang memenuhi persamaan beda stokastik (Stochastic Difference Equa-

15
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

tion)
Yt = At Yt−1 + Bt (2.1)

Dimana [{At , Bt }] saling bebas. Kesten (1973) menunjukkan bahwa {Yt } mempu-
nyai distribusi ekor tebal jika terdapat suatu ξ sedemikian sehingga

E(Aξt ) = 1, E(Aξt logAt ) < ∞, 0 < E(Btξ ) < ∞

sehingga {Yt } mengikuti distribusi ekor tebal dengan

P (Yt > x) = cxξ [1 + o(1)], x→∞

selanjutnya ξ dikatakan tail index dan c adalah tail scale.

Menurut Sun (2014), Model GARCH dapat memenuhi kriteria ini karena σt2
dapat dituliskan sebagai berikut

σt2 = α0 + (α1 ε2t−1 + β1 )σt−1

2

dimana memenuhi persamaan 2.1 dengan At = α1 ε2t−1 + β1 dan Bt = α0 . Misalkan

ξ adalah solusi dari persamaan

E[(α1 ε2t−1 + β1 )ξ ] = 1

Dari sini dapat dikatakan bahwa σt2 memiliki ekor tebal dengan tail index sebesar
ξ dan E(ε2ξt ) < ∞. Akibatnya, σt memiliki ekor yang lebih tebal dibandingkan
dengan εt . Jadi, meskipun dengan εt yang berdistribusi normal, model GARCH
masih tetap memiliki ekor yang tebal.

2.2 Fungsi Autokorelasi Return Kuadrat Turun

Secara Perlahan

Salah satu sifat empiris return yang berkaitan dengan autokorelasi adalah auto-
korelasi return kuadrat turun secara perlahan (slowly decay autocorrelation) (Cont,
2001). Untuk melihat model GARCH dapat mengakomodasi sifat ini, terlebih da-

16
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

hulu dibuat klasifikasi fungsi autokorelasi.

Klasifikasi dari fungsi autokorelasi dari model GARCH (1,1) berdasarkan per-
ilaku dua lag pertama yaitu ρ1 dan ρ2 . Perhatikan persamaan 1.6, selanjutnya
dengan melihat kondisi yang dijelaskan pada persamaan (1.1) maka jelas bahwa
ρ1 > ρ2 . Berdasarkan klasifikasi fungsi autokorelasi oleh He dan Terrasvirta(1999)
maka fungsi autokorelasi dari model GARCH (1,1) dapat dibagi menjadi dua tipe.
Pertama, fungsi autokorelasi turun secara perlahan dari nilai ρ1 . Selanjutnya tipe
ini disebut tipe 1. Kedua, fungsi autokorelasi berprilaku seperti tipe 1 tetapi setelah
ρ2 terjadi oskilasi. Sebagai ilustrasi perhatikan gambar berikut:

Gambar 2.1: Ilustrasi Tipe 1 dan Tipe 2

Berdasarkan klasifikasi tersebut maka dapat disimpulkan bahwa model GAR-

CH (1,1) memiliki fungsi autokorelasi return kuadrat yang turun secara perlahan
jika model GARCH (1,1) memenuhi asumsi kestasioneran. Hal ini berarti model
GARCH (1,1) dapat mengakomodasi sifat empiris return.

2.3 High Kurtosis, Low Autocorrelation

Salah satu sifat dari distribusi return memiliki kurtosis yang tinggi namun
memiliki autokorelasi yang rendah (Liesenfeld, 2000). Untuk melihat model GAR-
CH dapat mengakomodasi sifat ini, terlebih dahulu akan dilihat hubungan fungsi
autokorelasi dan kurtosis.

17
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

Dengan menyelesaikan persamaan 1.3 dan 1.6 dan juga mengasumsikan εt ∼

N (0, 1) , maka autokorelasi dari model GARCH (1,1) dapat ditulis kembali sebagai
berikut: (Terasvirta,2006)

β1 (1 − 3κ−1 )
 
l−1
ρl = (α1 + β1 ) α1 + (2.2)
3(1 − κ−1 )

berdasarkan persamaan di atas terlihat bahwa ACF juga merupakan fungsi dari kur-
tosis. Gambar 2.3 merupakan plot dari persamaan 2.2 untuk l = 1 dengan α1 + β1
berbeda-beda dan dibandingkan dengan nilai kurtosis dan autokorelasi empirik da-
ri masing masing data saham yang telah disebutkan sebelumnya. Nilai Parameter
dipilih berdasarkan eksistensi dari kurtosis dari model GARCH. Dari gambar terse-
but terlihat bahwa nilai empirik data tidak dapat dicapai oleh model GARCH (1,1)
dengan distribusi normal. Hal ini berarti bahwa model GARCH dengan distribusi
normal tidak dapat mengakomodasi sifat High Kurtosis, Low Autocorrelation.

Dari gambar ini juga dapat dilihat bahwa nilai kurtosis membesar diikuti oleh
membesarnya nilai autokorelasi secara lambat. Dapat dilihat bahwa nilai α1 + β1
juga memberikan pengaruh terhadap fungsi autokorelasi, dimana semakin besar nilai
α1 + β1 maka laju dari nilai autokorelasi membesar semakin cepat.

Gambar 2.2: Grafik Kurtosis dan Autokorelasi orde pertama

18
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

2.4 Efek Asimetrik

Dalam berbagai penelitian (lihat Black (1976), Christie(1982),Wu(2001), Edi-

ngton dan Guan (2009)) menyebutkan bahwa nilai positif dan negatif dari return
memiliki efek yang berbeda terhadap volatilitas. Efek ini kemudian disebut de-
ngan efek asimetrik (asymmetric effect). Asai dan McAleer (2003) membagi efek
asimetrik menjadi beberapa tipe yaitu

1. Asimetrik Tipe 1 (Leverage):Terdapat korelasi negatif antara return sekarang

dan volatilitas pada masa yang akan datang

2. Asimetrik Tipe 2 : Return negatif memberikan efek yang lebih besar diban-
dingan dengan return positif

3. Asimetrik Tipe 3 : Return positif memberikan efek yang lebih besar diban-
dingan dengan return negatif

dalam beberapa literature definisi yang sering digunakan adalah asimetrik tipe 1
(lihat Black (1976), Christie(1982)) dan asimetrik tipe 2 (lihat Glosten, Jagannathan
dan Runkle (1992) dan Nelson (1991)). Efek Asimetrik dianggap penting dalam
kajian pada pasar finansial karena secara umum dapat diinterpretasikan sebagai
salah satu indikator dalam menilai resiko, semakin asimterik maka semakin beresiko.

Efek asimetrik dapat digambarkan melalui NIC (news impact curve). Engle
dan Ng(1993) mendefinisikan NIC sebagai hubungan antara Xt−1 dan σt dimana
informasi pada waktu t − 2 dan sebelumnya bernilai konstan. NIC menunjukkan
hubungan antara return sekarang dan volatilitas pada masa yang akan datang yang
berarti NIC dapat mengukur bagaimana informasi yang baru dapat mempengaruhi
volatilitas. Oleh karena itu, NIC dapat melihat apakah suatu model dapat menga-
komodasi sifat asimetrik.

Misalkan Xt mengikuti model GARCH (1,1) maka dengan mengevaluasi nilai

variansi pada setiap lag dengan nilai variansi tak bersyarat σ 2 diperoleh NIC untuk
model GARCH (1,1) sebagai berikut (Engle dan Ng(1993)):

σt2 = A + α1 Xt−1
2

19
BAB 3 : Sifat Empiris Return dan Volatilitas untuk Model GARCH (1,1)

dengan A = α0 + β1 σ 2 . Sedangkan NIC untuk model EGARCH (1,1) diperoleh

sebagai berikut: (
B exp{(θ + γ) Xt−1 }, Xt−1 ≥ 0;
σt2 = σ
Xt−1 (2.3)
B exp{(θ − γ) σ }, Xt−1 < 0.

dimana B = σ 2ψ1 exp{ω − γ 2/ π}. Dari kedua persamaan diatas dapat dilihat
p

dengan jelas bahwa model GARCH tidak dapat mengakomodasi sifat asimetrik ka-
rena NIC model GARCH merupakan fungsi kuadrat yang berpusat pada Xt−1 = 0
sedangkan untuk model EGARCH akan mencapai minimum pada Xt−1 = 0. Untuk
lebih jelasnya perhatikan gambar berikut:

Gambar 2.3: Perbandingan NIC model GARCH(1,1) dan EGARCH(1,1)

Dari gambar diatas terlihat bahwa model GARCH(1,1) memiliki kurva NIC yang
simetris dibandingkan dengan model EGARCH(1,1). Dari grafik tersebut terlihat
pula bahwa untuk nilai Xt−1 < 0 pada NIC model GARCH memiliki pengaruh yang
sama dengan Xt−1 > 0 pada variansinya. Sebaliknya nilai Xt−1 < 0 pada NIC model
EGARCH memiliki pengaruh yang berbeda dengan Xt−1 > 0 pada variansinya. Hal
ini dapat dilihat dari kemiringan garis untuk nilai Xt−1 < 0 lebih besar dibandingk-
an dengan kemiringan garis untuk nilai Xt−1 > 0. Hal ini mengindikasikan bahwa
model EGARCH (1,1) dapat mengakomodasi efek asimetrik.

20
Bab 3

Prediksi Volatilitas untuk Model

GARCH(1,1) dan EGARCH(1,1)

3.1 Prediksi Volatilitas untuk Model GARCH(1,1)

dan EGARCH (1,1)

Seperti yang telah dibahas pada bagian pendahuluan, volatilitas memiliki per-
anan penting dalam pasar financial. Oleh karena itu, diperlukan prediksi volatilitas
yang akurat. Model GARCH seringkali digunakan untuk memperoleh prediksi vo-
latilitas yang akurat. Sebagai contoh perhatikan persamaan GARCH(1,1)untuk
volatilitas(σt2 ). Prediksi satu langkah (1-step ahead forecast) dapat dituliskan seba-
gai berikut:

2
σ
bt+1 = α c1 Xt2 + βb1 σt2
c0 + α
= α α1 Xt2 |Ft−1 ) + E(βb1 σt2 )
c0 + E(c
= α α1 + βb1 )σ 2
c0 + (c t
2
= σX α1 + βb1 )(σt2 − σX
+ (c 2
)

21
BAB 5 : Prediksi

2 α
dengan σX = 1−(c c0
c1 ) . selanjutnya untuk prediksi dua langkah ke depan (2-step
α1 + β
ahead forecast) diperoleh

2 2 2
σ
bt+2 = α
c0 + α
c1 Xt+1 + βb1 σt+1
2 2
= α
c0 + E(c
α1 Xt+1 |Ft−1 ) + E(βb1 σt+1 )
= α α1 + βb1 )2 σ 2
c0 + (c t+1
2
= σX + (c 2
α1 + βb1 )2 (σt2 − σX )

Sehingga jika diperumum untuk ` langkah kedepan `-step ahead forecast diperoleh

2 2
σ
bt+` = σX α1 + βb1 )` (σt2 − σX
+ (c 2
)

Karena α1 + β1 < 1 sehingga untuk ` → ∞

2 2
σ
bt+` → σX

Akibatnya, prediksi volatilitas untuk ` langkah kedepan untuk ` menuju tak hingga
akan konvergen ke variansi tak bersyarat dari Xt

Untuk memperoleh prediksi volatilitas dari model EGARCH (1,1), tanpa meng-
urangi keumuman perhatikan untuk εt ∼ N (0, 1) maka

2ψ1
σt2 = σt−1 exp{ω + g(εt−1 )}

dengan
p
g(εt ) = θεt + δ[|εt | − 2/π] (3.1)

Definisikan h(x) = E(exp{x(ω + g(ε))} untuk suatu x > 0. Untuk distribusi normal
baku maka nilai h(x) dapat diperoleh yaitu (Tse,2007):
Z ∞ p dε
h(x) = exp{xω} exp{ε2 /2}exp{xθε + xδ(|ε| − 2/π)} p
−∞ 2/π
(θ + δ)2 x2
  
p
= exp{x(ω − δ 2/π)} exp Φ{x(δ + θ)}+
2
(θ − δ)2 x2

+exp{ }Φ{x(δ − θ)}
2

22
BAB 5 : Prediksi

dengan Φ(·) adalah fungsi distribusi dari normal baku. Dari sini diperoleh

2 2ψ1
E(b
σt+` |Ft−1 ) = E(b
σt+`−1 |Ft−1 )E(exp{b
ω + g(εt−1 )})
2ψ1`
= h(1)h(ψ)...h(ψ `−1 )σt

3.2 Ukuran Prediksi Volatilitas terbaik

Untuk membandingkan suatu model apakah model tersebut memberikan pre-

diksi terbaik dibutuhkan suatu ukuran. Terdapat berbagai metode untuk mengukur
model terbaik, dalam tesis ini metode yang di gunakan adalah yaitu mean squared
error prediction (MSEP). MSEP mengukur rataan dari kuadrat selisih antara nilai
prediksi dan nilai sebenarnya.

T
2 1 X 2 b2 2
M SEP = ET (σbt − σt2 )2 ≈ (σ − σt )
T t=1 t

dimana σbt 2 adalah nilai prediksi dari model dan σt2 adalah nilai variansi aktual.
Seringkali nilai σt2 diganti dengan nilai return pada waktu ke t (rt2 ) untuk mengukur
MSE(lihat Hung Chung et al. (2009) dan Franses& Dijk (1996)). Model terbaik
dapat diukur memberikan nilai MSE yang terkecil.

23
Bab 4

Perbandingan Model GARCH dan

EGARCH dengan Mengunakan Data Riil

4.1 Data

Data yang digunakan pada tesis ini adalah data dari beberapa harga saham
dari berbagai sektor industri di Indonesia dari bulan januari tahun 2000 ke bulan
februari 2015, yaitu:

1. Bank Mandiri(Persero) Tbk.(BMRI) dari sektor industri perbankan

2. Media Nusantara Citra Tbk. (MNC) dari sektor industri media

3. Indosat Tbk. (ISAT) dari sektor industri Telekomunikasi

4. Holcim Indonesia Tbk. (SMCB) dari sektor industri dasar dan kimia

5. Semen Indonesia (Persero) Tbk. (SMGR) dari sektor industri dasar dan kimia

6. Ramayana Lestari Sentosa Tbk. (RALS) dari sektor industri ritel.

Dari data diatas selanjutnya dihitung tingkat pengembalian atas pergerakan harga
atau return dengan menggunakan formulasi rt = (lnPt −lnPt−1 )×100 dengan rt dan
Pt masing masing menyatakan return dan harga saham pada saat t. Tabel 1 me-
nunjukkan statistik deskriptif dari data tersebut dan hasil estimasi parameter untuk

24
BAB 3 : Data

model GARCH (1,1) dengan distribusi normal dan students0 t dengan menggunakan
metode Maximum Likelihood (MLE).

Dari tabel tersebut terlihat bahwa kurtosis dari semua return harga saham ter-
sebut memiliki nilai yang lebih besar dari 3. Hal ini mengindikasikan bahwa return
harga saham memiliki ekor yang lebih tebal. Selain itu, Sebagian besar nilai ske-
wness bernilai negatif yang berarti data tersebut miring ke kiri (left skewed ) kecuali
untuk data SMGR yang menujukkan bahwa data tersebut miring ke kanan (right
skewed ).
Tabel 4.1: Statistik Deskriptif dan Hasil Estimasi model GARCH (1,1)

BMRI MNC ISAT SMCB RALS SMGR

Skewness -0.24784 -1.1719 -0.00924 -0.05419 -0.27741 1.10193
Kurtosis 7.830899 11.22383 13.25227 10.73352 5.905234 24.97644

GARCH (1,1) dengan distribusi Normal

α0 2.40 × 10−5 4.23 × 10−5 0.000147 6.84 × 10−5 0.000176 0.00011
α1 0.109007 0.08924 0.307598 0.15948 0.188092 0.305153
β1 0.859234 0.874315 0.472032 0.772966 0.582572 0.519659

GARCH (1,1) dengan distribusi students0 t

α0 3.22 × 10−5 0.000104 9.39 × 10−5 0.000112 0.000231 8.09E-05
α1 0.136038 0.158183 0.281668 0.187261 0.243797 0.271606
β1 0.82287 0.731229 0.583894 0.670034 0.46428 0.595881

EGARCH (1,1) dengan distribusi Normal

ω -0.3348529 -0.3216290 -1.3973972 -0.4795762 -1.6827067 -1.4301605
ψ1 0.955259 0.9502079 0.8105468 0.9285849 0.7646482 0.8088455
θ 0.0007532 0.0386492 0.0332435 0.0229919 0.0067284 -0.0744768
δ 0.2225426 0.2305316 0.4603786 0.2731027 0.3244391 0.4702854

EGARCH (1,1) dengan distribusi students0 t

ω -0.331922 -0.613887 -1.05190 -1.02939 -2.11136 -1.09668
ψ1 0.955259 0.912605 0.86213 0.85786 0.71110 0.85830
θ -0.022529 0.060137 0.00302 0.03296 -0.01060 -0.08954
δ 0.223836 0.281251 0.40462 0.33844 0.36878 0.38981

25
BAB 3 : Data

4.2 Perbandingan Sifat Empiris Berdasarkan Da-

ta Riil

Pada bahasan sebelumnya telah dijelaskan secara analitik sifat empiris dari
model GARCH (1,1) dan EGARCH(1,1). Pada subbab ini akan dibahas mengenai
perbandingan sifat empiris dari model GARCH (1,1) dan EGARCH(1,1) meng-
gunakan data riil yang telah dideskripsikan sebelumnya. Sifat empiris yang akan
ditinjau dari kurtosis dan fungsi autokorelasi.

Kurtosis

Dengan mengunakan data pada tabel 4.1 dan persamaan 1.3 maka dapat diban-
dingkan kurtosis pada tabel tersebut dengan kurtosis hasil estimasi dengan meng-
gunakan model GARCH (1,1) dengan distribusi normal dan distribusi t diperoleh
gambar berikut:

Gambar 4.1: Perbandingan Kurtosis model GARCH(1,1)dan EGARCH (1,1) dengan distribusi
normal dan students0 t terhadap kurtosis data

Gambar diatas menunjukkan bahwa nilai kurtosis model GARCH(1,1) baik dengan
distribusi normal maupun distribusi students0 t pada semua data yang diberikan
mempunyai nilai yang lebih besar dari nilai kurtosis model EGARCH(1,1). Hal
ini menunjukkan bahwa model EGARCH(1,1) lebih mampu mengakomodasi sifat
empiris distribusi ekor tebal dibandingkan dengan model GARCH(1,1).

Dari gambar ini terlihat juga bahwa EGARCH (1,1) dengan distribusi students0 t
sebagian besar nilai kurtosisnya mendekati nilai dari kurtosis dari data. Hal ini da-

26
BAB 3 : Data

pat dilihat dari jarak kurtosis model EGARCH dengan distribusi students0 t dan
kurtosis dari data lebih kecil dibandingkan dengan jarak nilai kurtosis model la-
innya. Bahkan nilai kurtosis dari SMGR yang memiliki nilai kurtosis yang cukup
ekstrem dapat diakomodasi oleh model GARCH dengan selisih jarak yang cukup
kecil jika dibandingkan dengan model lainnya.

Fungsi Autokorelasi

Gambar 4.2: Plot data bangkitan EGARCH (Kiri)ω = 0.5, ψ = 0.4, δ = −0.2 dan θ = −0.3;
(Kanan)ω = 0.5, ψ = 1, δ = −0.2 dan θ = −0.3

27
BAB 3 : Data

Dengan menggunakan estimasi parameter pada tabel 4.1 maka dapat diperoleh Au-
tokorelasi dari masing-masing model. Selanjutnya fungsi autokorelasi dibandingkan
dengan fungsi autokorelasi pada data riil sehingga diperoleh gammbar 4.2.

Dari gambar ini menunjukkan bahwa keempat model memiliki fungsi auto-
korelasi yang turun secara perlahan. Selanjutnya dapat dilihat juga bahwa model
GARCH dapat dianggap mampu dengan baik dalam mengakomodasi fungsi auto-
korelasi. Hal dapat dilihat fungsi autokorelasi dari model GARCH baik dengan
distribusi nornal maupun students0 t memberikan jarak yang lebih kecil terhadap
fungsi autokorelasi data dibandingkan dengan model lain.

28
Bab 5

Lampiran

A.1 Bukti proposisi 1.1.2

E(Xt4 ) κε (E(σt4 ))
κ= =
[E(Xt2 )]2 [E(Xt2 )]2
dengan κε , sehingga

E(σt4 ) = E([α0 + α1 Xt−1

2 2
+ β1 σt−1 ]2 )
= E(α02 + α12 Xt−1
4
+ β12 σt−1
4 2
+ 2α0 α1 Xt−1 2
+ 2α0 β1 σt−1 2
+ 2α1 β1 Xt−1 2
σt−1 )
= α02 + α12 E(Xt−1
4
) + β12 E(σt−1
4 2
) + 2α0 α1 E(Xt−1 2
) + 2α0 β1 E(σt−1 )+
2 2
+2α1 β1 E(Xt−1 σt−1 )

Perhatikan bahwa
E(σt4 ) = E(σt−1
4
)

Karena Xt = σt εt maka

E(Xt4 ) = E(σt4 )E(ε4t ) = m4 E(σt4 )

2 2 4
E(Xt−1 σt−1 ) = E(σt−1 )E(ε2t ) = m2 E(σt4 )

dan
2 α0 m2
E(Xt−1 )=
1 − α1 m2 − β1
2 α0
E(σt−1 )=
1 − α1 m2 − β1

29
Lampiran : Model Time Series

dengan m2 = E(ε2t ) dan m4 = E(ε4t ). Dari sini diperoleh

α02 (1 + α1 m2 + β1 )/1 − α1 m2 − β1
E(σt4 ) =
1 − α1 m4 − 2α12 β1 m2 − β12

Sehingga diperoleh kurtosis untuk model GARCH(1,1) adalah

α02 (1 + α1 m2 + β1 )/1 − α1 m2 − β1 (1 − α1 m2 − β1 )2
κ = ×
1 − α1 m4 − 2α12 β1 m2 − β12 α02
κε (1 − (α1 m2 + β1 ))2
=
1 − (α12 m4 + 2α1 β1 m2 + β12 )

A.2 Bukti proposisi 1.1.3

Fungsi Autokorelasi dari model GARCH (1,1) dapat dilihat pada persamaan
α0
((1.2)). Perhatikan bahwa E(Xt2 ) = µ = , sehingga persamaan
1 − (α1 + β1 )
(1.2) dapat ditulis kembali

Xt2 − µ = (α1 + β1 )(Xt−1

2
− µ) − β1 ηt−1 + ηt

2
jika kedua ruas dikalikan dengan Xt−l − µ kemudian diekspetasikan maka di-
peroleh

– Untuk l = 0

E[(Xt2 − µ)(Xt2 − µ)] = (α1 + β1 )E[(Xt−1

2
− µ)(Xt2 − µ)]
−β1 E[ηt−1 (Xt2 − µ)] + E[ηt (Xt2 − µ)]
γ0 = (α1 + β1 )γ1 − β1 E[ηt−1 (Xt2 − µ)]
+E[ηt (Xt2 − µ)]

Perhatikan bahwa

E[ηt (Xt2 − µ)] = E[ηt ((α1 + β1 )(Xt−1

2
− µ) − β1 ηt−1 + ηt )]
= ση2

30
Lampiran : Model Time Series

dan

E[ηt−1 (Xt2 − µ)] = E[ηt−1 ((α1 + β1 )(Xt−1

2
− µ) − β1 ηt−1 + ηt )]
= [(α1 + β1 ) − β1 ]ση
= α1 σ η

dari sini diperoleh

γ0 = (α1 + β1 )γ1 + (1 − α1 β1 )ση (5.1)

– Untuk l = 1

E[(Xt2 − µ)(Xt−1
2 2
− µ)] = (α1 + β1 )E[(Xt−1 2
− µ)(Xt−1 − µ]
2 2
−β1 E[ηt−1 (Xt−1 − µ)] + E[ηt (Xt−1 − µ)]

dari sini langsung diperoleh

γ1 = (α1 + β1 )γ0 − β1 ση (5.2)

– Untuk l ≥ 2

E[(Xt2 − µ)(Xt−l
2 2
− µ)] = (α1 + β1 )E[(Xt−l 2
− µ)(Xt−l − µ]
2 2
−β1 E[ηt−1 (Xt−l − µ)] + E[ηt (Xt−l − µ)]

dari sini langsung diperoleh

γl = (α1 + β1 )γl−1 (5.3)

Selanjutnya dengan menyelesaikan persamaan (5.1) dan (5.2) diperoleh

(1 − 2α1 β1 − β12 )ση2

γ0 =
1 − (α1 + β1 )2
[α1 (1 − α1 β1 − β 2 )]ση2
γ1 =
1 − (α1 + β1 )2

31
Lampiran : Model Time Series

Dari hasil sebelumnya diperoleh

γ1 α1 (1 − α1 β1 − β12 )
ρ1 = =
γ0 (1 − 2α1 β1 − β12 )

dengan meneruskan proses ini diperoleh fungsi autokorelasi dari ρl untuk l ≥ 2

yaitu
ρl = (α1 + β1 )l−1 ρ1 (5.4)

32
Daftar Pustaka

1. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedastici-

ty. Journal of Econometrics 31, 307-327.

2. Cont, R. (2001). Empirical Properties of Asset Returns : Stylized Facts and

Statistical Issues. Quantitative Finance. Vol I, 223-236.

3. Ding, Z., Granger, C.W.J. and Engle, R.F. (1993). A Long Memory Property
of StockMarket Returns and a New Model. Journal of Empirical Finance 1,
83-106.

4. Engle, R.F., Patton, A.J. (2001) . What good is a volatility model?. Quanti-
tative Finance. Vol I, 237-245.

5. Franq, C., Zakoian. J. (2010). GARCH Model: Structure, Statistical Inference

and Financial Applications. John Wiley & and Son, Inc.

6. He, C. and Tersvirta, T. (1999). Properties of the Autocorrelation Function

of Squared Observations for Second Order GARCH Processes under Two Sets
of Parameter Constraints. Journal of Time Series Analysis 20, 23-30.

7. McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Manage-

ment. Princeton, NJ: Princeton University Press.

8. Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new

approach. Econometrica 59, 347-370.

9. Pagan, A.R. and Schwert, G.W. (1990). Alternative models for conditional
stock volatility. Journal of Econometrics 45, 267-290.

10. Posedel, Petra. (2005). Properties and Estimation of GARCH(1,1) Model.

Metodoloski zvezki. Vol 2 243-257.

33
11. Taylor, S.J. (2005). Asset Price Dynamics, Volatility and Prediction. Prince-
ton, NJ: Princeton University Press.

12. Tsay, Ruey.S. (2001). Analysis of Financial Time Series. John Wiley & and
Son, Inc.

13. Zivot, E., Wang, J. (2005). Modelling Financial Time Series with S-PLUS.

34