<![CDATA[Data finansial yang mengikuti deret waktu memiliki keragaman atau volatilitas yang setiap waktunya tidak konstan. Keadaan ini disebut sebagai heteroskedastisitas. Metode yang dapat menyelesaikan masalah tersebut adalah Autoregressive Conditional Heteroscedasticity (ARCH)/Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Namun, ARCH/GARCH tidak dapat mengatasi beberapa kasus seperti perbedaan dalam nilai volatilitas yang disebut sebagai leverage effect. Sehingga dilakukan pemodelan dengan mengakomodasi respon volatilitas yang memiliki sifat asimetris seperti Exponential GARCH (EGARCH), Threshold GARCH (TGARCH), atau Asymmetric Power ARCH (APARCH). Dalam melakukan investasi, tentunya diperlukan kebijakan manajemen risiko yang baik, yaitu dengan mengestimasi risiko menggunakan metode Value at Risk (VaR) dan Conditional Value at Risk (CVaR). Penelitian ini dilakukan untuk peramalan volatilitas serta estimasi risiko dengan pemodelan EGARCH, TGARCH, dan APARCH untuk mengestimasi risiko pada saham sektor keuangan dengan volatilitas tinggi dan rendah untuk periode 20 Januari 2014 – 30 Desember 2021. Hasil pemodelan menunjukkan jika tidak terdapat karakteristik tertentu yang membedakan pemodelan antara saham dengan volatilitas tinggi dan rendah. Namun, dapat dikatakan jika model TGARCH dan EGARCH adalah model yang terbaik dalam memodelkan sifat asimetris. Peramalan volatilitas untuk sepuluh hari kedepan menghasilkan kesimpulan jika saham volatilitas tinggi memiliki hasil peramalan volatilitas yang tinggi juga dan sebaliknya. Estimasi risiko Value at Risk (VaR) dan Conditional Value at Risk (VaR) berdasarkan model terbaik untuk tingkat kepercayaan 99%, 95%, dan 90% menghasilkan kesimpulan saham dengan volatilitas tinggi memiliki estimasi risiko yang tinggi pula dan sebaliknya. Semakin tinggi tingkat kepercayaan, semakin tinggi pula estimasi risikonya.]]>
Copyrights © 2022
