MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (EGARCH)
DALAM PREDIKSI DAN AKURASI HARGA SAHAM DI MASA DEPAN
(Studi Pada Perusahaan Sub sektor Makanan dan Minuman yang Terdaftar di Bursa Efek Indonesia (BEI) Tahun 2010-2015)

LANDURI GITA ROSHINTA

Informasi Umum

Kode

16.04.472

Klasifikasi

332.6 - Investment, Domestic investment, Individual investment, Private investment, Investment prospectuses, Portfolio Analysis and management

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Portfolio Investment

Dilihat

302 kali

Informasi Lainnya

Abstraksi

ABSTRAK

Investasi dalam saham merupakan bentuk investasi yang banyak diminati investor. Dalam investasi saham investor mengharapkan return yang tinggi. Ketika return yang diharapkan tinggi maka semakin tinggi pula resiko yang di tanggung oleh investor. Oleh karena itu dalam membuat keputusan investasi saham, investor perlu memperhatikan tren atau pergerakan saham. Fluktuasi dalam pergerakan saham yang tidak konstan menunjukkan volatilitas yang tinggi atau mengandung heteroskedastisitas. Untuk mengatasi masalah heteroskedastisitas dapat digunakan model GARCH dimana model ini dapat memodelkan variansi residual yang tidak konstan. Selain masalah heteroskedastisitas perubahan dari harga saham juga dipengaruhi good news dan bad news atau mengandung efek leverage. Untuk mengatasi hal tersebut maka dapat digunakan model EGARCH untuk peramalan harga saham di masa depan. Sehingga investor dapat memprediksi return yang akan didapatkan dan resiko yang ditanggung. Penelitian ini bertujuan melihat hasil estimasi model EGARCH, kemudian membandingkannya dengan model GARCH untuk memilih model terbaik dalam peramalan harga saham di masa depan. Populasi dalam penelitian ini adalah perusahaan sub sektor makanan dan minuman yang terdaftar di BEI tahun 2010 sampai 2015. Teknik pemilihan sampel menggunakan purposive sampling dan di peroleh 8 perusahaan yang disertakan dengan kurun waktu 5 tahun. Hasil penelitian menunjukkan bahwa model EGARCH lebih baik dibandingkan dengan model GARCH dilihat dari nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan GARCH.

Kata Kunci : Heteroskedastisitas, Asimetris, Volatilitas, EGARCH, GARCH.