MODEL ARMA-GARCH PREDIKSI VALUE-AT-RISK PADA SAHAM PT. ASTRA AGRO LESTARI.TBK
DOI:
https://doi.org/10.33005/santika.v2i0.127Keywords:
Harga saham, return, heteroskedastik, VaR ARCH/GARCHAbstract
PT. Astra Agro Lestari Tbk (AALI) merupakan salah satu perusahaan perkebunan dengan nilai kapitalisasi pasar terbesar di Indonesia. Pada Bursa Efek Indonesia, setiap tahun AALI.JK menjadi salah satu saham yang konsisten masuk dalam 5 besar saham Blue Chip. Beberapa karakteristik harga saham AALI.JK antara lain adalah memiliki nilai yang berfluktuasi dan volatilitas return saham yang tidak konstan (bersifat heteroskedastik). Sehingga meskipun memiliki nilai kapitalisasi pasar terbesar, berinvestasi pada saham AALI.JK tetap mengandung unsur risiko. Salah satu model kuantitatif yang dapat digunakan untuk memprediksi nilai risiko kerugian adalah Value-at-Risk (VaR). Pada kondisi return saham yang bersifat heteroskedastik, prediksi risiko dapat dilakukan dengan model VaR-ARCH/GARCH. Tujuan penelitian ini adalah melakukan prediksi risiko kerugian pada saham AALI.JK menggunakan model VaR-ARCH/GARCH. Studi empiris dilakukan pada saham AALI periode 02/01/17 – 29/07/21. Hasil yang diperoleh menunjukkan bahwa model terbaik adalah AR(1)-ARCH(1) dengan nilai AIC -4.9793 dan MSE 0.00005. Pada tingkat kepercayaan 95%, nilai prediksi kerugian menggunakan model VaR ARIMA-ARCH untuk satu periode kedepan (30/07/21) adalah sebesar 3,464%
References
[2] Bollerslev. “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics. Vol. 31, hal. 307-327, 1986.
[3] Engle, R. F. “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation,” Journal of Econometrica. Vol. 50, hal. 987-1008. 1982.
[4] Engle, R. F. “The use of ARCH/GARCH models in applied econometrics.” Journal of Economic Perspectives. Vol.15, hal. 157-168. 2001.
[5] Ghani, I. M. Md, dan Rahim, H.A. “Modeling and Forecasting of Volatility using ARMA-GARCH: Case Study on Malaysia Natural Rubber Prices,” IOP Conf. Ser.: Mater. Sci. Eng. 548012023, hal. 1-12. 2019.
[6] McNeil, A. J., Frey, R., dan Embrechts, P. Quantitative Risk Management. Princeton University Press: Oxford. 2005.
[7] Schwarz, G. “Estimating the Dimension of a Model,” The Annalysis of Statistics. Vol. 6, hal 461 – 464. 1978.
[8] Smolovic, J.C., Bozovic, M.L., dan Vujosevic, S. “GARCH models in value at risk estimation: empirical evidence from the Montenegrin stock exchange,” Economic Research-Ekonomska Istraživanja. Vol. 30, hal. 477-498. 2017
[9] Sun, K. “Equity Return Modeling and Prediction Using Hybrid ARIMA-GARCH Model”. International Journal of Financial Research. Vol. 8, hal. 154 - 161. 2017.
[10] Tsay, R.S. Analisis of Financial Time Series. Canada: John Wiley and Sons,inc. 2002.
[11] Tse, Y-K. Nonlife Actuarial Models Theory, Methods, and Evaluation. Cambrige University Press. 2009.
[12] Wei, W.W.S. Time Series Analysis, Univariate and Multivariat Methods. Canada: Addison Wesley Publishing Company. 2006.
[13] Zhang, J., Martin, E.B., Morris, A.J., dan Kiparissides, C. “Inferential estimation of polymer quality using stacked neural networks”. Comput. Chem. Eng. Vol. 21, hal. 1025 – 1030. 1997
