bab i pendahuluan

BAB I
PENDAHULUAN
1.1
Latar Belakang
Pasar finansial adalah pasar di mana individu dan entitas dapat
memperdagangkan efek-efek, komoditas, dan barang-barang berharga lainnya
yang dapat di perdagangkan, dengan biaya transaksi yang rendah yang
mencerminkan besarnya permintaan dan penawaran atas efek-efek, komoditas,
dan barang-barang tersebut. Efek-efek meliputi saham-saham dan obligasi,
sementara komoditas mencakup logam berharga atau produk-produk pertanian.
Karakteristik pasar finansial memiliki kesamaan yaitu ketidakpastian, yang
berhubungan dengan kondisi harga baik dalam waktu jangka pendek maupun
jangka panjang. Hal ini tidak diinginkan bagi investor tetapi juga tidak dapat
dihindari. Langkah terbaik yang dilakukan yaitu mencoba untuk mengurangi
ketidakpastian ini. Peramalan pasar finansial (atau prediksi) merupakan salah satu
instrumen pada proses ini.
Para peneliti dan akademisi membagi tugas peramalan pasar finasial
menjadi dua grup: orang-orang mempercayai bahwa para peneliti dan akademisi
dapat merancang mekanisme untuk memprediksi pasar dan juga percaya bahwa
pasar efisien selalu menangkap informasi baru yang datang dari pasar itu sendiri,
sehingga tidak ada ruang untuk memprediksi. Selanjutnya mereka mempercayai
bahwa pasar finansial mengikuti random walk, yang berarti bahwa prediksi
terbaik yaitu nilai masa depan diperoleh dari nilai sekarang.
Menurut Cryer (1986) data runtun waktu diartikan sebagai serangkaian
data yang didapatkan berdasarkan pengamatan dari suatu kejadian pada urutan
waktu terjadinya. Salah satu penerapan analisis runtun waktu yaitu di bidang
ekonomi dan keuangan. Pada data runtun waktu, khususnya untuk melihat
perubahan pada ekonomi dan keuangan sifatnya berfluktuatif, membetuk pola
asimetris, memiliki model yang nonstasioner, atau mempunyai variansi residual
yang tidak konstan (heteroskedastisitas).
1
2
Mehmet (2008) mengatakan bahwa return keuangan memiliki tiga
karakteristik. Pertama pengelompokan volatilitas artinya perubahan besar
cenderung diikuti oleh perubahan besar dan perubahan kecil cenderung diikuti
perubahan kecil. Kedua adalah fat tailedness (excess kurtosis) artinya return
keuangan sering menampilkan fat tail lebih besar dari distribusi normal standar
dan ketiga adalah efek leverage artinya hasil dari return negatif mengakibatkan
hasil dari return positif pada ukuran yang sama.
Model generalize autoregresive conditional heteroskedasticity (GARCH)
menangkap tiga karakteristik utama pada return keuangan. Pengembangan tipe
model GARCH dimulai oleh Engle (1982). Engle memperkenalkan ARCH untuk
model heteroskedastisitas dengan melihat hubungan variansi bersyarat dari
kombinasi linear kuadrat di masa lalu. Bollerslev (1986) memperkenalkan model
Generalized Autoregresive Conditional Heteroskedasticity (GARCH) sebagai
pengembangan model ARCH. Model GARCH merupakan model yang lebih
sederhana dengan banyaknya parameter yang lebih sedikit dibandingkan model
ARCH berderajat tinggi. ARCH dan GARCH merupakan model runtun waktu
yang dapat menjelaskan heteroskedastisitas pada data. Akan tetapi model ARCH
dan GARCH tidak mempertimbangkan leverage effect. Chen dan Dias (2010)
leverage effect yaitu suatu keadaan bad news dan good news yang memberikan
pengaruh asimetris terhadap volatilitas. Data dikatakan bad news
ketika
volatilitas mengalami penurunan sedangkan keadaan dikatakan good news ketika
volatilitas mengalami kenaikan secara berkala.
Nelson
(1991)
memperkenalkan
model
Exponential
Generalized
Autoregresive Conditional Heteroskedascticity (EGARCH) yang dapat menutupi
kelemahan model GARCH dalam menangkap ketidaksimetrisan good news dan
bad news. Model EGARCH tidak memperhitungkan perubahan struktur pada data
runtun waktu. Hal ini menyebabkan model GJR-GARCH diperkenalkan secara
independen oleh Glosten, Jaganathan dan Runkle (1993) untuk memperhitungkan
leverage effect.
Hamilton (1989) memperkenalkan Markov Switching (MS) sebagai
alternatif pemodelan data runtun waktu yang mengalami perubahan struktur.
3
Dalam Markov switching, perubahan struktur model yang terjadi tidak dianggap
sebagai hasil peristiwa deterministik tetapi sebagai hasil variabel random tak
teramati dan dalam literatur sering disebut state (st) atau regime. Hamilton (1989)
melibatkan Markov switching pada model autoregresive dan menghasilkan model
yang dapat menjelaskan perubahan struktural dengan baik, namun belum
menjelaskan adanya pergeseran volatilitas. Selanjutnya Hamilton dan Susmel
(1994) melibatkan Markov switching pada model ARCH, dikenal dengan model
SWARCH. Model ini mampu menjelaskan perubahan struktur pada data. Gray
(1996) memperkenalkan model regime-switching GARCH yang mempunyai
karakteristik dengan Markov switching (MS) ARCH namun melibatkan parameter
yang lebih sederhana. Penelitian tentang model Markov Regime-Switching
(MRS)-GARCH banyak di terapkan dalam asset return, diantaranya Marrucci
(2005) dan Klassen (2001) pada stock market. Marucci (2005) menggunakan ratarata keseluruhan data sebagai rata-rata bersyarat Markov regime-switching
(MRS)-GARCH.
Emas adalah logam mulia yang juga digolongkan sebagai komoditas dan
aset moneter. Emas telah bertindak sebagai logam multifaset selama berabadabad, memiliki karakteristik yang mirip dengan uang yang bertindak sebagai
penyimpan kekayaan, alat tukar dan satuan nilai. Emas juga telah memainkan
peranan penting sebagai logam mulia dengan sifat diversifikasi portofolio yang
signifikan. Emas digunakan dalam industri komponen, perhiasan dan sebagai aset
investasi. Kebutuhan jumlah investasi emas ditentukan oleh jumlah permintaan
untuk industri dan penggunaan perhiasan. Tully et al.(2005) telah meneliti model
Asymetric Power GARCH yang menangkap dinamik pada pasar emas. Hasil
tersebut menunjukkan bahwa model APGARCH memberikan deskripsi yang
paling memadai untuk harga emas.
Berdasarkan uraian diatas, penulis tertarik membahas tentang model
GARCH, EGARCH, GJR-GARCH dan Markov Regime-Switching untuk
meramalkan volatilitas harga emas dan membandingkan hasil dari masing-masing
model yang digunakan untuk mendapatkan model yang terbaik. Selain itu akan
kita gunakan perkiraan volatilitas ini untuk meramalkan harga harian emas.
4
1.2
Perumusan Masalah
Dari latar belakang tersebut, penulis merumuskan beberapa permasalahan
yang menjadi kajian dalam penelitian ini, antara lain:
1. Bagaimana hasil peramalan menggunakan model GARCH, EGARCH,
dan GJR-GARCH.
2. Bagaimana hasil peramalan menggunakan model model Markov
Regime-Switching (MRS).
3. Bagaimana perbandingan hasil peramalan model GARCH,EGARCH,
GJR-GARCH,dan Markov Regime-Switching (MRS).
1.3
Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui apakah model Markov
Regime-Switching adalah perbaikan untuk model GARCH, EGARCH, dan GJRGARCH dalam hal melihat pemodelan dan peramalan untuk volatilitas pada harga
emas.
1.4
Metodologi Penelitian
Penelitian tentang peramalan volatilitas harga emas menggunakan
GARCH, EGARCH, GJR-GARCH, dan Markov Regime-Switching
(MRS)
menggunakan studi literatur, yaitu mempelajari jurnal-jurnal, buku-buku yang
terkait dengan GARCH, EGARCH, GJR-GARCH, dan MRS-GARCH. Langkah
pertama yaitu menganalisis bentuk terbaik dari beberapa model yang digunakan.
Setelah menganalisis model tersebut, diperoleh model terbaik dari beberapa model
yang digunakan.
1.5
Tinjauan Pustaka
Tinjauan pustaka adalah pembahasan mengenai penelitian-penelitian
sebelumnya yang mendasari penelitian penulis. Berikut ini pembahasan mengenai
penelitian-penelitian sebelumnya.
Pemodelan variansi error pertama kali diperkenalkan oleh Engle (1982)
menggunakan model ARCH. Engle (1982) membandingkan hasil estimasi antara
5
model standar yakni model klasik OLS dengan model ARCH melalui penaksiran
maksimum likelihood. Data yang digunakan adalah data inflasi di U.K periode
1958 sampai 1977. Hasil penelitian memperlihatkan bahwa model ARCH lebih
baik daripada model klasik OLS. Bollerslev (1986) memperkenalkan model
GARCH
yang
merupakan
generalisasi
dari
model
ARCH
dengan
mengikutsertakan variansi masa lalu untuk menjelaskan variansi yang masa akan
datang. Model ini diterapkan pada data GNP U.S. periode 1948 sampai 1983.
Hasil penelitian menunjukkan model GARCH (1,1) lebih akurat daripada model
ARCH(8). Kemudian Nelson (1991) memperkenalkan model EGARCH dengan
formula dengan sukses menangani kondisi asimetris dalam runtun waktu.
Selanjutnya Hamilton (1989) memperkenalkan Markov Switching (MS)
sebagai alternatif pemodelan data runtun waktu yang mengalami perubahan
struktur. Model MS dikombinasikan dengan model autoregresive dan diterapkan
pada data GNP U.S. periode 1952 sampai 1984. Hasil penelitian belum
mendeskripsikan volatilitas data. Hamilton dan Susmel (1994), melibatkan MS
pada model ARCH, dikenal dengan model SWARCH. Model ini diterapkan pada
data harga saham New York periode 31 Juli 1962 sampai 29 Desember 1987.
Hamilton dan Susmel (1994) menggunakan dua sampai empat state dengan
distribusi Gaussian dan Student t. Hasil penelitian memperlihatkan model
SWARCH mampu menjelaskan pergeseran volatilitas dengan baik. Model ini
memperlihatkan state yang terbentuk ada tiga dan distribusi Student t lebih baik
daripada Gaussian.
Gray(1996) memperkenalkan model Markov Switching GARCH atau MSGARCH yang diterapkan pada data suku bunga U.S. periode Januari 1970 sampai
April 1994.
Sopipan, Sattayatham, dan Premanode (2012), meramalkan volatilitas
harga emas menggunakan Markov Regime-Switching (MRS) dan strategi
perdagangan. Sejak saat itu,telah ada satu pertumbuhan minat untuk masalah ini
dan banyak terdapat di dalam berbagai literatur.
6
1.6
Sistematika Penulisan
Tesis ini disusun dengan sistematika penulisan sebagai berikut:
BAB I
PENDAHULUAN
Bab ini membahas mengenai latar belakang, perumusan
masalah, tujuan penelitian, metodologi penelitian, tinjauan
pustaka dan sistematika penulisan.
BAB II
LANDASAN TEORI
Bab ini membahas tentang distribusi lognormal, proses
stokastik, proses Markov, rantai Markov dan matriks
probabilitas transisi, teori-teori dasar mengenai Asset
Return,sifat-sifat tipikal return, volatilitas, investasi emas,
karakteristik emas, kriteria informasi, model GARCH,
model EGARCH, model GJR-GARCH, rantai Markov, dan
Markov Regime-Switching (MRS).
BAB III
PERAMALAN
VOLATILITAS
HARGA
EMAS
MENGGUNAKAN MARKOV REGIME SWITCHING
Bab ini membahas tentang pembatasan masalah yaitu
Peramalan volatilitas harga emas menggunakan Markov
regime-switching dan menggunakan 2 state untuk melihat
pergerakan volatilitas harga emas.
BAB IV
STUDI KASUS
Bab ini membahas tentang aplikasi peramalan volatilitas
harga
emas
menggunakan
Markov
regime-switching
dengan menggunakan data harga harian emas dari tanggal 1
Januari 2001 sampai dengan 1 Januari 2014 berjumlah 3393
data yang diperoleh dari yang diperoleh dari website
www.gold.org.
7
BAB V
PENUTUP
Bab
ini
berisi
tentang kesimpulan
yang
diperoleh
berdasarkan pembahasan dan studi kasus yang dilakukan.
Selain itu, disampaikan pula saran-saran yang muncul
akibat dari kekurangan dan kendala yang ditemui selama
proses pemecahan masalah.