ESTIMASI VALUE AT RISK (VaR) MENGGUNAKAN METODE WAVELET BERDASARKAN GARCH STUDENT-T EVT

FIAN SETIYANINGSIH, Prof. Dr.rer.nat. Dedi Rosadi, M.Sc.

2018 | Skripsi | S1 STATISTIKA

Value at Risk (VaR) merupakan salah satu ukuran standar risiko finansial dalam manajemen risiko. Terdapat banyak metode untuk mengestimasi VaR yang berkembang di dunia finansial. Sebagian besar metode mengasumsikan bahwa data berdistribusi normal. Akan tetapi pada kenyataanya, data return finansial seringkali berekor gemuk dan skewed. Ekor distribusi yang gemuk menunjukkan bahwa terdapat pergerakan ekstrim dalam data sehingga diperlukan pemodelan menggunakan pendekatan Generalized Pareto Distribution (GPD). Karena GPD memerlukan asumsi data i.i.d, maka data return finansial yang umumnya mengandung unsur heteroskedastik dimodelkan terlebih dahulu menggunakan GARCH (Generalized Autoregressive Conditional Heteroskedasticity). Pada penulisan skripsi ini, model tersebut akan dikombinasikan dengan metode wavelet untuk mengetahui informasi yang relevan dalam mengestimasi VaR harian aset tunggal. Adapun saham yang digunakan pada studi kasus skripsi ini adalah saham KO, INTC, AXP dan TRV. Pertama, data log return didekomposisi menggunakan Haar MODWT (Maximal Overlap Discrete Wavelet Transformation). Kemudian, setiap skala hasil dekomposisi wavelet dimodelkan dengan GARCH dan GPD. Untuk menggabungkan skala waktu hasil dekomposisi wavelet, digunakan copula dari keluarga Gaussian dan Student-t. Berdasarkan backtesting diperoleh bahwa VaR harian berdasarkan tiga skala pertama menunjukkan performa yang baik. Dengan demikian, tiga skala pertama hasil dekomposisi merupakan informasi yang relevan untuk mengestimasi VaR harian.

Value at Risk (VaR) is a standard measurement of financial risk in risk management. There are many method for estimating VaR in the financial field. Most method assume that data must be normally distributed. Whereas, financial return series usually have fat tail and skewed shape. Fat tailed distribution indicates extreme movement in the data which is needed to be modeled with Generalized Pareto Distribution (GPD) approximation. Because GPD needs i.i.d assumption, financial return series whose heteroskedasticity property is modeled with GARCH (Generalized Autoregressive Conditional Heteroskedasticity). In this undergraduate thesis, they will be combined with wavelet method to get relevant information in estimating daily VaR. Case investigation in this undergraduate thesis use several stocks, they are KO, INTC, AXP and TRV. First, return series is to be decomposed using Haar MODWT (Maximal Overlap Discrete Wavelet Transformation). Then, every time scale is to be modeled with GARCH and GPD. Gaussian and Student-t copula is used to link time scale of wavelet decomposition. Based on backtesting, daily VaR based the first three scale decomposition has good performance. Thereby, the first three scale is relevant information to estimate daily VaR.

Kata Kunci : Value at Risk, Wavelet, GARCH, Generalized Pareto Distribution, Copula