Perpustakaan Digital ITB

Prediksi volatilitas merupakan salah satu aspek penting dalam bidang finansial karena dapat digunakan untuk manajemen risiko dan alokasi aset. Hingga saat ini telah banyak dikembangkan berbagai model deret waktu yang dapat digunakan untuk memprediksi nilai volatilitas. Model deret waktu yang digunakan pada tesis ini adalah model Stochatic Generalized Autoregressive Conditional Heteroscedastic orde(1,1) (SGARCH(1,1)). Volatilitas pada model SGARCH(1,1) dapat dinyatakan sebagai suatu fungsi dari komponen yang terobservasi dan tak terobservasi. Pa- da tesis ini akan dikaji secara lebih spesifik mengenai kemampuan model SGAR- CH(1,1) dalam 'menangkap' sifat-sifat empirik return sehingga dapat digunakan untuk memprediksi nilai volatilitas di waktu yang akan datang. Pada tesis ini juga akan dibahas mengenai perbandingan model GARCH(1,1) dan SGARCH(1,1). Da- ta yang digunakan adalah data return saham Google, IBM, Indofood, S&P 500 dan Hangseng dari tanggal 04/01/2010 sampai 31/12/2013. Hasil simulasi menunjukkan bahwa sifat-sifat empirik dari kelima return saham tersebut lebih dapat 'ditangkap' dengan menggunakan model SGARCH(1,1) dari pada model GARCH(1,1). Pre- diksi volatilitas lima hari kedepan dari saham GOOGLE, Indofood, S&P 500 dan Hangseng dengan menggunakan model SGARCH(1,1) lebih akurat dari pada model GARCH(1,1).