Prediksi Value-at-risk Dengan Efek Autoregressive Conditional Heteroskedasticity (arch)

Abstract

Abstrak Investor yang menginvestasikan dana pada saham mengharapkan nilai return yang tinggi dan risiko yang sekecil mungkin, namun setiap investasi yang dilakukan tidak dapat memprediksi dengan mudah seberapa besar nilai risiko yang akan didapat. Untuk mendapatkan nilai risiko dari suatu saham dapat menggunakan metode Value-at-Risk (VaR). Penentuan nilai VaR ini dapat menggunakan time series, oleh karena itu pada Tugas Akhir ini digunakan model Autoregressive (AR) dan Generealized Autoregressive Conditional Heteroskedasticity (GARCH) untuk menentukan nilai VaR pada dua indeks saham yang berdistribusi normal. Setiap data saham memiliki perbedaan volatilitas atau pergerakan harga saham, maka sebelum membahas model time series dan perhitungan VaR, data indeks saham dilakukan pengujian dengan uji efek ARCH. Agar mendapatkan hasil yang relevan maka dilakukan perhitungan akurasi kedua model time series tersebut menggunakan VaR violation dan dibandingkan untuk mendapatkan model time series yang baik. Berdasarkan hasil analisis, model time series yang baik digunakan untuk memprediksi VaR pada saham NASDAQ adalah model GARCH(1,1) dengan jumlahan tingkat error sebesar 26, dan untuk saham NYSE model time series yang baik untuk memprediksi VaR adalah model AR(1) dengan jumlahan tingkat error sebesar 30. Kata kunci : VaR, AR, GARCH, Uji efek ARCH, VaR violation. Abstract Investors who invest funds in stock expect a high return value and the lowest risk possible, but every investments can not predict the value risk with easily. To obtain the risk value of a stock can use Value-at-Risk (VaR) method. The determination of the VaR can use time series model, therefore in this final project used Autoregressive (AR) and Generealized Autoregressive Conditional Heteroskedasticity (GARCH) to determine VaR on two stock indexes which have normal distribution. Each stock data has different volatility or movement of stock price, then before discuss about time series model and VaR calculation, stock index data is tested by ARCH effect test. In order to obtain a relevant results, both time series model are calculated the accuracy using VaR violation and compared to get a good time series model. Based on the result of the analysis, time series model which is GARCH(1,1) of normal distributuon have better result with the total error rate of 26 to predict VaR for stock index NASDAQ, and for stock index NYSE a good time series model to predict VaR is AR(1) with the total error rate of 30. Keywords: VaR, AR, GARCH, ARCH effect test, VaR violation