Estimasi Parameter Model Volatilitas Stokastik dengan Metode Bayesian Rantai Markov Monte Carlo untuk Memprediksi Return Saham
Abstract
Parameter dari suatu distribusi biasanya belum diketahui nilainya, untuk mengetahuinya dilakukan estimasi terhadap parameter tersebut. Metode estimasi parameter ada dua macam, yaitu metode klasik dan metode Bayesian. Metode Bayesian merupakan suatu metode yang menggabungkan distribusi sampel dengan distribusi prior. Untuk mendapatkan sampel secara acak adalah dengan menggunakan simulasi. Salah satu teknik simulasi yang digunakan dalam metode Bayesian adalah metode rantai Markov Monte Carlo (RMMC), yaitu suatu metode simulasi untuk membangkitkan peubah-peubah acak yang didasarkan pada rantai Markov. Pada penelitian ini dibahas tentang metode Bayesian dengan RMMC menggunakan algoritma Gibbs Sampling. Metode RMMC menggunakan algoritma Gibbs Sampling ini bekerja membangun rantai Markov dengan pengambilan sampel secara rekursif dari distribusi posterior bersyarat penuh masing-masing parameternya. Pada penelitian ini, metode Bayesian dengan RMMC menggunakan algoritma Gibbs Sampling diterapkan untuk mengestimasi parameter model Volatilitas Stokastik hingga konvergen. Model ini kemudian digunakan untuk memprediksi return saham PT. Indofood CBP Sukses Makmur Tbk. (ICBP.JK). Berdasarkan model Volatilitas Stokastik yang diperoleh didapatkan hasil prediksi untuk return saham hampir mendekati data aktualnya.
Full Text:
PDF (Bahasa Indonesia)References
Alfian. 2018. Model Volatilitas Stokastik dengan Metode Markov Chain Monte Carlo. Jurnal Riset Dan Aplikasi Matematika (JRAM), 2, 1–12.
Bernando, J. M., and Smith, A. F. M. 2000. Bayesian Theory. John Wiley and Sons, Inc.
Badan Pengawas Pasar Modal. 2003. Panduan Invetasi di Pasar Modal Indonesia.
Box, G. E. P., and Tiao, G. C. 1992. Bayesian Inference in Statistical Analysis. Addison-Wesley Publishing Company.
Casella, G. 2008. Introduction to Monte Carlo Statistical Methods.
Casella, G., and Berger, R. L. 2002. Statistical Inference. Wadsworth, Inc.
Dickey, D. A., and Fuller, W. A. 1979. Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association, 74(366), 427.
Gilks, W. R., and Wild, P. 1992. Adaptive Rejection Sampling for Gibbs Sampling. Appl. Statist., 2, 337–348.
Jacquier, E., Polson, N. G., and Rossi, P. E. 2003. Bayesian Analysis of Stochastic Volatility Models with Fat-tails and Correlated Errors (Issue 514).
Kim, S., Shephard, N., and Chib, S. 1998. Stochastic Volatility : Likelihood Inference and Comparison with ARCH Models. Review of Exonomic Studies, 65, 361–393.
Meng, Y. 2009. Bayesian Analysis of a Stochastic Volatility Model.
Nugroho, D. B., and Morimoto, T. 2014. Realized Non-Linear Stochastic Volatility Models with Asymmetric Effects and Generalized Student’s t-Distribution. J. Japan Statist. Soc., 44, 83–118.
Okvita, Y., Susanto, B., dan Parhusip, H. A. 2012. Uji Heidelberger-Welch dalam Model Return Stokastik dengan Lompatan pada Harga Saham Penutupan Harian BNI (Persero).
Shephard, N. 1996. Statistical aspects of ARCH and stochastic volatility. In Time Series Models (pp. 1–67).
Thomas, R. L. 1997. Modern Econometrics: An Introduction. Addison-Wesley Publishing Company.
Tsay, R. S. 2010. Analysis of Financial Time Series: Third Edition. John Wiley and Sons, Inc.
Walpole, R. E., dan Myers, R. H. 1995. Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan (Kedua). Penerbit ITB.
Zulfikar. 2016. Pengantar Pasar Modal dengan Pendekatan Statistika. Deepublish: Yogyakarta.
DOI: https://doi.org/10.24198/jmi.v17.n2.34805.73-83
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Jurnal Matematika Integratif
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Published By:
Department of Matematics, FMIPA, Universitas Padjadjaran, Jl. Raya Bandung-Sumedang KM. 21 Jatinangor
Indexed by:
Visitor Number : View My Stats
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.