Penerapan Model Vector Autoregressive Integrate Moving Average dalam Peramalan Laju Inflasi dan Suku Bunga di Indonesia

Jusmawati, Jusmawati; Hadijati, Mustika; Fitriyani, Nurul

doi:10.29303/emj.v3i2.62

Cited by 3 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sehingga data time series multivariat dipengaruhi oleh periode waktu sebelumnya pada pengamatan peubah lainnya. Dalam menganalisis masalah time series multivariat terdapat beberapa metode diantaranya yaitu, metode VARMA, VARIMA, VARIMAX, GSTAR, dan VECM [2]. Dari beberapa metode tersebut, terdapat metode VARMA yang merupakan gabungan antara metode Vector Autoregressive (VAR) dan Vector Moving Average (VMA).…”

Section: Pendahuluanunclassified

Analisis Risiko Saham Sektor Perbankan Menggunakan Value at Risk dan Expected Shortfall dengan Pendekatan VARMA-GARCH

Fauziah¹,

Atok²

2023

JSSITS

View full text Add to dashboard Cite

Investasi adalah sebuah komitmen dalam menanamkan sejumlah dana pada periode tertentu untuk mendapatkan keuntungan di masa yang akan datang. Investasi pada saham menjadi sasaran para investor karena keuntungan (return) yang diperoleh relatif tinggi. Namun, return yang tinggi memiliki risiko yang tinggi pula. Pergerakan return dari saham lain juga dapat mempengaruhi besar return yang didapatkan. Sehingga, diperlukan analisis untuk mengetahui seberapa besar risiko suatu saham dan melihat pengaruh yang dimiliki antar saham. Metode yang dapat digunakan dalam mengestimasi risiko pada saham adalah Value at Risk dan Expected Shortfall. Dalam perhitungannya dilakukan pendekatan dengan model VARMA untuk melihat pengaruh antar saham. Return juga erat kaitannya dengan volatilitas. Pergerakan dari return yang tidak stabil menyebabkan volatilitas yang tinggi. Sehingga akan ada efek heteroskedastisitas yang dapat menimbulkan ketidakstasioneran data terhadap varians. Maka dilakukan pemodelan GARCH untuk mengatasi hal tersebut. Pada penelitian ini, data yang digunakan adalah data harian dari saham sektor perbankan yaitu saham BBCA, BBRI, dan BMRI dengan periode waktu dari 2 Januari 2017 hingga 30 Desember 2021. Hasil identifikasi menunjukkan bahwa model VARMA (0,4) merupakan model yang terbaik. Sedangkan model GARCH terbaik adalah model GARCH (1,1) untuk masingmasing saham. Hasil estimasi risiko tertinggi berdasarkan nilai VaR dimiliki oleh saham BBRI pada tingkat kepercayaan 99% dengan nilai VaR sebesar 7,688542%. Sedangkan nilai VaR terendah dimiliki oleh saham BBCA pada tingkat kepercayaan 90% dengan nilai VaR sebesar 0,031299%. Hasil estimasi risiko tertinggi berdasarkan nilai Expected Shortfall (ES) dimiliki oleh saham BBRI pada tingkat kepercayaan 99% dengan nilai ES sebesar 12,419326%. Sedangkan nilai ES terendah dimiliki oleh saham BBCA pada tingkat kepercayaan 90% dengan nilai ES sebesar 2,744818%. Berdasarkan Uji Kausalitas Granger, dapat disimpulkan bahwa hanya terdapat dua hubungan satu arah antar saham sektor perbankan, yaitu saham BBCA berpengaruh pada saham BBRI dan saham BMRI berpengaruh pada saham BBRI.

show abstract

Section: Pendahuluanunclassified

Analisis Risiko Saham Sektor Perbankan Menggunakan Value at Risk dan Expected Shortfall dengan Pendekatan VARMA-GARCH

Fauziah¹,

Atok²

2023

JSSITS

View full text Add to dashboard Cite

show abstract

“…Penelitian sebelumnya terkait model ARFIMA telah dilakukan oleh Liana Kusuma Ningrum menggunakan data suku bunga SBI (Ningrum, 2009) yang diterbitkan oleh Bank Indonesia dan penelitian Made Juli Dharma Adi menggunakan data pasien diabetes (Adi, 2017) per bulan yang dibedakan atas pasien rawat inap dan pasien rawat jalan yang bertujuan untuk mengetahui jumlah pasien penderita penyakit diabetes yang akan terjadi di Rumah Sakit Umum Daerah Kabupaten Buleleng, Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Ainy, 2015) di Kabupaten Lombok, ARFIMA untuk Analisis Kecepatan Angin (Akbar & Kharisudin, 2020), Penerapan Metode ARFIMA dalam Peramalan Laju Inflasi (Anjasmara, 2017) di Indonesia, Prediksi Harga Saham PT. Bank Negara Indonesia (Kartikasari, 2020) dengan Menggunakan Model ARFIMA.…”

Section: Pendahuluanunclassified

Peramalan Jumlah Kedatangan Wisatawan Mancanegara di Sulawesi Selatan Menggunakan Model ARFIMA

Sukarna,

Abdy,

Aswi

et al. 2022

JMathCoS

View full text Add to dashboard Cite

Pariwisata dianggap sebagai suatu aset yang strategis untuk mendorong pembangunan pada wilayah-wilayah tertentu yang mempunyai potensi objek wisata. Faktor-faktor yang mempengaruhi wisatawan mancanegara berkunjung ke suatu wilayah negara, diantaranya nilai tukar mata uang, inflasi disuatu wilayah kunjungan wisatawan, dan letak geografis suatu wilayah negara. Peningkatan yang tidak terduga pada jumlah kunjungan wisatawan ini dapat berdampak kesulitan bagi para pelaku wisatawan dalam hal memberikan pelayanan terbaik dan sebaliknya jika terjadi penurunan jumlah kunjungan wisatawan hal yang dikhawatirkan akan terjadi pengangguran.Oleh karena itu, diperlukan suatu peramalan yang dapat memberikan informasi atau gambaran pada proses jumlah kunjungan wisatawan mancanegara. Dalam analisis runtun waktu terdapat data yang memiliki ciri proses jangka pendek dan data yang memiliki ciri proses jangka panjang. Model yang dapat menangani kedua jenis data ini adalah model autoregressive fractionally integrated moving average (ARFIMA). Model ARFIMA merupakan pengembangan dari model ARIMA, dengan differencing bernilai pecahan. Penelitian ini bertujuan untuk menentukan model ARFIMA pada peramalan jumlah kunjungan wisatawan mancanegara Sulawesi Selatan di masa yang akan datang. Pada penelitian ini, nilai AIC antara ARFIMA([1,8],d,0) dengan d ̂_gph=0,02 dan ARFIMA(0,d,1) dengan d ̂_(R/S)=0,12 relatif sama, hasil komparasi dengan model ARIMA memberikan hasil bahwa tidak diperoleh nilai ARIMA yang sesuai sehingga penulis menggunakan model ARFIMA untuk peramalan dan hasil peramalan jumlah kedatangan wisatawan mancanegara Sulawesi Selatan dapat dilihat dengan perbandingan data out sample.Keywords: Parawisata, peramalan, ARFIMA.

show abstract

Method for Constructing Vector Autoregressions of Any Complexity

Svetunkov

2024

Ekonomicheskaya nauka sovremennoy Rossii

View full text Add to dashboard Cite

EDN: LXPIGWАннотация. Векторные авторегрессии являются одним из бурно развивающихся направлений многих областях современной науки. Они активно используются в моделировании и прогнозировании различных экономических процессов, чаще всего в моделировании фондового рынка и розничных цен. Их важнейшим преимуществом выступает возможность учета одновременного влияния моделируемых показателей не только от их прошлых значений, но и от прошлых значений других взаимосвязанных с ними показателей. Главная проблема, почему векторные авторегрессии не используются активно на практике (как они этого заслуживают), состоит в «проклятии размерности», которое заключается в квадратичном росте числа коэффициентов модели в зависимости от роста размерности моделируемого вектора. Это обстоятельство приводит к тому, что исследователи в разных областях современной науки вынуждены ограничивать размерность вектора, включая в модели только наиважнейшие либо снижая порядок авторегрессии. Попытки преодолеть «проклятие размерности» путем использования особых математических методов выливаются в существенное усложнение математического аппарата построения век-© Светуньков С.Г., 2024 г.Светуньков Сергей Геннадьевич, доктор экономических наук, профессор Высшей школы бизнес-инжиниринга Санкт-Петербургского политехнического университета Петра Великого,

show abstract

Penerapan Model Vector Autoregressive Integrate Moving Average dalam Peramalan Laju Inflasi dan Suku Bunga di Indonesia

Cited by 3 publications

References 0 publications

Analisis Risiko Saham Sektor Perbankan Menggunakan Value at Risk dan Expected Shortfall dengan Pendekatan VARMA-GARCH

Analisis Risiko Saham Sektor Perbankan Menggunakan Value at Risk dan Expected Shortfall dengan Pendekatan VARMA-GARCH

Peramalan Jumlah Kedatangan Wisatawan Mancanegara di Sulawesi Selatan Menggunakan Model ARFIMA

Method for Constructing Vector Autoregressions of Any Complexity

Contact Info

Product

Resources

About