Long Memory Volatility Model dengan ARFIMA-HYGARCH untuk Meramalkan Return Indeks Harga Saham Gabungan (IHSG)


Nurhayun Rismawati, - and Sugiman, FMIPA Matematika (2022) Long Memory Volatility Model dengan ARFIMA-HYGARCH untuk Meramalkan Return Indeks Harga Saham Gabungan (IHSG). Unnes Journal of Mathematics Education, 11 (1). ISSN 2252-6927

[thumbnail of Long Memory Volatility Model dengan ARFIMA-HYGARCH untuk Meramalkan Return Indeks.pdf] PDF - Published Version
Download (845kB)

Abstract

Model ARFIMA-HYGARCH merupakan model yang dapat menjelaskan time series jangka panjang dan dapat mengatasi masalah ragam yang heterogen serta pengaruh asimetrik dalam data return IHSG. Tujuan dari penelitian ini adalah untuk menemukan model ARFIMA-HYGARCH terbaik pada data return IHSG dan meramalkan data return IHSG untuk periode Juni sampai dengan Juli 2019. Hasil dari penelitian ini diperoleh model ARFIMA-HYGARCH terbaik untuk data return IHSG yaitu ARFIMA(5,- 0.0102919,4)-HYGARCH(1,d,1) yang memiliki nilai AIC -8.197636926 dan hasil peramalan untuk periode Juni sampai dengan Juli 2019 menunjukkan bahwa untuk periode tanggal 11 Juni 2019, 12 Juni 2019, 17 Juni 2019, 18 Juni 2019 dan 24 Juni 2019 plot ramalan varian berada di bawah plot ramalan mean. Ini berarti pada periode tersebut risiko investor dalam berinvestasi di pasar modal akan lebih besar. Utamanya untuk periode 12 Juni 2019 investor lebih baik jangan melakukan investasi karena pada periode tersebut nilai ramalannya paling tinggi. Peramalan yang diperoleh dari penelitian ini akan bermanfaat bagi para investor dalam mengambil keputusan investasi

Item Type: Article
Uncontrolled Keywords: Long memory, volatilitas, heteroskedastisitas, ARFIMA, HYGARCH, efek asimetrik
Subjects: Q Science > QA Mathematics > Forcasting
Fakultas: Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika Terapan dan Komputasi, D3
Depositing User: mahargjo hapsoro adi
Date Deposited: 13 Apr 2023 01:54
Last Modified: 13 Apr 2023 01:54
URI: http://lib.unnes.ac.id/id/eprint/57154

Actions (login required)

View Item View Item