| Popis: |
Volatilitas merupakan sebuah ukuran statistik dari pergerakan return untuk sekuritas (instrumen keuangan yang hanya dapat diperjual belikan melalui pasar atau perusahaan efek) atau indeks pasar tertentu. Generalized Auto-Regressive Conditional Heteroskeasticity (GARCH) adalah model asimetris untuk memodelkan dan meramalkan volatilitas dari return. Model GARCH bekerja secara efisien dalam menangkap fluktuasi reguler dalam volatilitas dari data keuangan. GARCH dikembangkan oleh Glosten et al. (1993) menjadi model GJR (Glosten-Jagannathan-Runkle) yang bersifat asimetris, yaitu adanya relasi antara return dan volatilitas bersyarat. Termotivasi oleh studi-studi di atas, studi ini fokus pada model bertipe GJR-CJ dengan C merupakan variable kontinu dan J merupakan variable lompatan. Data Rill yang digunakan untuk mengestimasi model adalah data indeks saham TOPIX (Tokyo Stock Price Index) yang memiliki distribusi tidak normal dan cenderung berdistribusi skewed-t .Pada penerapan data riil, biasanya return tidak berdistribusi Normal, melainkan mempunyai sifat ekor tebal dan kemencengan. Studi ini menggunakan distribusi student-t yaitu EST (epsilon-skew-t) sebagai distribusinya. Metode ARWM (Adaptive Random Walk Metropolis) dengan algoritma MCMC (Marcov Chain Monte Carlo) digunakan untuk mengestimasi parameter model. Studi ini bertujuan untuk mengetahui bagaimana menemukan cara untuk mengestimasi model dengan distribusi EST dan metode ARWM, Kemudian menemukan model yang umum dan memiliki pencocokan data yang lebih baik. Pada penelitian ini digunakan AIC (Akaike Information Criterion) sebagai kriteria untuk pemilihan model yang terbaik. Didapatkan bahwa data TOPIX memiliki kurtosis dan kemencengan berturut-turut sebesar 11,2456 dan -0,4130 dan nilai-p dari uji Jarque-Bera yaitu |
