Salah satu metode analisis dalam bidang ekonomi dan keuangan adalah ARFIMA-GARCH. Metode ini bermanfaat dalam menganalisis dan memprediksi data deret waktu keuangan dengan pola jangka panjang dan volatilitas yang fluktuatif.
Definisi ARFIMA-GARCH
ARFIMA-GARCH sebenarnya adalah penggabungan nama dari dua metode statistik, yakni ARFIMA dan GARCH. Untuk pemahaman yang lebih mudah, ada baiknya kedua metode ini dijelaskan secara terpisah.
1. Definisi ARFIMA
ARFIMA merupakan singkatan dari Autoregressive Fractionally Integrated Moving Average. Metode ini menggabungkan tiga komponen: autoregresif (AR), integrasi pecahan (F), dan rata-rata bergerak (MA).
Autoregresif (AR) adalah komponen yang memodelkan relasi antara variabel dengan nilai-nilai sebelumnya dengan urutan waktu. Simbol komponen ini yakni angka “p”.
Integrasi pecahan (F) adalah komponen yang mengindikasikan seberapa cepat deret waktu mengecil. Simbolnya adalah angka “d”.
Rata-rata bergerak (MA) yaitu komponen yang memodelkan relasi antara variabel dan gangguan (error) sebelumnya dalam urutan waktu. Simbol dari komponen ini yaitu angka “q”.
Fungsi dari model ARFIMA adalah untuk memprediksi data deret waktu yang memperlihatkan pola jangka panjang yang tidak dapat dijelaskan dengan metode ARIMA (Autoregressive Integrated Moving Average) biasa.
2. Definisi GARCH
GARCH adalah singkatan dari Generalized Autoregressive Conditional Heteroskedasticity). Model ini berfungsi untuk menganalisis dan memodelkan volatilitas pada data deret waktu, yang bermakna fluktuasi varians dari suatu deret waktu.
Asumsi dari model GARCH adalah varians residual pada deret waktu tidak konstan, tetapi bervariasi seiring berjalannya waktu. Volatilitas bisa berubah-ubah dari waktu ke waktu. Manfaat dari model ini yaitu mengidentifikasi dan memprediksi level volatilitas masa depan pada data keuangan, misalnya mata uang atau saham.
3. Definisi gabungan ARFIMA-GARCH
Saat Anda mempunyai data deret waktu yang membutuhkan pemodelan untuk menangani pola jangka panjang (contohnya, pola seiring waktu yang memudar) dan volatilitas yang selalu berubah, Anda dapat menggabungkan kedua model ini. ARFIMA-GARCH menggabungkan kemampuan kedua model dan memungkinkan analisis yang lebih lengkap dan akurat.
Demikian sedikit gambaran mengenai metode ARFIMA-GARCH. Mudah-mudahan membawa manfaat bagi Anda.