ESTIMASI VALUE AT RISK (VaR) UNTUK MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (EGARCH) DENGAN DISTRIBUSI STUDENT-T

BONDRA UJI PRATAMA, Dr. Abdurakhman, S.Si., M.Si.

2014 | Tesis | S2 Matematika

Pengukuran risiko kuantitatif dapat dihitung menggunakan metode Value at Risk (VaR). VaR dengan distribusi Student-t digunakan untuk mengestimasi kerugian maksimal potensial dari data yang bersifat leptokurtik. VaR Student-t bersifat konstan. VaR Student-t dengan model EGARCH Student-t dapat digunakan untuk mengestimasi kerugian maksimal potensial dari data yang memiliki sifat heteroscedasticity dan leverage effect sehingga diperoleh hasil estimasi yang lebih akurat daripada VaR Student-t. Metode backtesting digunakan untuk mengukur tingkat keakuratan VaR. Metode backtesting yang digunakan adalah uji Kupiec. Uji Kupiec menyatakan VaR Student-t dengan model EGARCH Student-t sesuai digunakan untuk mengestimasi kerugian maksimal potensial dari data saham PT WIKA dari tanggal 3 Desember 2012 sampai 31 Januari 2014. Hal ini ditunjukkan dengan hasil ramalan VaR tersebut untuk 20 periode selanjutnya mampu mencakup kerugian yang akan terjadi.

Quantitative risk measurement can be calculated using Value at Risk (VaR) method. Usually, we use VaR with Student-t distribution to estimate the maximum potential loss of leptokurtic data. This VaR Student-t is constant. In this paper, we employ VaR Student-t with EGARCH Student's-t model to estimate the maximum potential loss of heteroscedasticity and leverage effect data in order to obtain more accurate estimation than VaR Student-t. Backtesting methods used to measure the accuracy of the VaR are the Kupiec test. The Kupiec test stated that VaR Student-t with EGARCH was suitable for estimating the maximum potential loss of the PT WIKA’s stock data in December 3rd 2012 to January 31th 2014. This was shown by the results of the next 20 periods VaR forecasts that was capable for covering some forthcoming losses.

Kata Kunci : Value at Risk (VaR), distribusi Student-t, heteroscedasticity, leverage effect, model EGARCH, backtesting