MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN UNTUK MERAMALKAN VOLATILITAS RETURN SAHAM

Abstract

Volatilitas menunjukkan fluktuasi pergerakan harga saham. Semakin tinggi volatilitas maka semakin tinggi pula kemungkinan mengalami keuntungan dan kerugian. Data time series yang sering memiliki volatilitas yang tinggi adalah data keuangan. Data time series di bidang keuangan sering memiliki sifat volatility clustering atau sering disebut sebagai kasus heteroskedastisitas. Pada umumnya, pemodelan data time series harus memenuhi asumsi varian konstan (homoskedastisitas). Untuk mengatasi masalah heteroskedastisitas, model time series yang dapat digunakan adalah ARCH/GARCH. Model GARCH merupakan pengembangan dari model ARCH yang dapat digunakan untuk menggambarkan sifat dinamik volatilitas dari data. Salah satu bentuk pengembangan dari model GARCH adalah Generalized Autoregressive Conditional Heteroscedasticity in Mean (GARCH-M). Tujuan dari penelitian ini adalah untuk mengimplementasikan model GARCH-M pada peramalan volatilitas return saham. Data yang digunakan dalam penelitian ini adalah return penutupan harga saham mingguan S&P 500 dari September 2013 sampai Juni 2019. Model terbaik yang digunakan untuk peramalan volatilitas pada return harga saham S&P 500 adalah MA (1) GARCH (1,1)-M.

Kata Kunci: saham, volatilitas, GARCH-M