| dc.identifier.citation | Ahmad, I. bin, & Rahim, F. bin A. (2009). International price relationships and volatility transmissions between stock index and stock index futures. Economic Journal of Emerging Markets, 1(1), 61–75. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. Bucevska, V. (2013). An empirical evaluation of GARCH models in Value-at-Risk estimation: Evidence from the Macedonian Stock Exchange. Business Systems Research, 4(1). https://doi.org/10.2478/bsrj-2013-0005 Casella, G., & Berger, R. L. (2002):Statistical Inference (2nd ed.), Duxbury. Christoffersen, P. F. (2012). Elements of financial risk management (2nd ed.), New York, Academic Press. Dharmawan, K. (2015). Estimasi Nilai AVaR Menggunakan Model GJR dan Model GARCH. Jurnal Matematika, 5(2), 117–127. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779–1801. Diakses dari https://faculty.washington.edu/ezivot/econ589/GJRJOF1993.pdf Hamzaoui, N., & Regaieg, B. (2016). The Glosten-Jagannathan-Runkle-Generalized Autoregressive Conditional Heteroscedastic approach to investigating the foreign exchange forward premium volatility. International Journal of Economics and Financial Issues, 6(4), 1608–1615. Hill, R. C., Griffiths, W. E., & Lim, G. C. (2011).Principles of econometrics (4th ed.). Wiley. Lee, D and D. Liu. 2014. Monte-Carlo Simulations of GARCH, GJR-GARCH and constant volatility on NASDAQ-500 and the 10 year treasury. Duke University Technical Report April, 21, 2014 Lim, C. M., & Sek, S. K. (2013). Comparing the performances of GARCH-type models in capturing the stock market volatility in Malaysia. Procedia Economics and Finance, 5(13), 478–487. https://doi.org/10.1016/S2212-5671(13)00056-7 Nugroho, D. B., Susanto, B., & Rosely, M. M. M. (2018). Penggunaan MS Excel untuk estimasi model GARCH(1,1). Jurnal Matematika Integratif, 14(2), 71–81. Diakses dari https://www.researchgate.net/publication/330442962_Penggunaan_MS_Excel_untuk_Estimasi_Model_GARCH11 Su, Y. C., Huang, H. C., & Lin, Y. J. (2011). GJR-GARCH model in value-at-risk of financial holdings. Applied Financial Economics, 21(24), 1819–1829. | id_ID |
| dc.description.abstract | Studi ini memberikan perbandingan kinerja antara model GARCH(1,1) dan model GJR-GARCH(1,1) yang mengasumsikan return error berdistribusi normal. Perbandingan tersebut berdasarkan pada data simulasi dan data riil. Data simulai merupakan data returns yang dibangkitkan berdasarkan model GJR-GARCH(1,1) sebanyak 1000 kali, sedangkan data riil yang indeks saham digunakan dalam studi ini adalah Dow Jones Industrial Average (DJIA), Standard and Poors 500 (S&P 500), dan S&P CNX Nifty untuk periode harian dari Januari 2000 sampai Desember 2017. Studi ini juga menguji kemampuan Solver Excel dalam mengestimasi kedua model. Studi ini diawali dengan mengestimasi model yang diperhatikan menggunakan metode GRG Non-Linier di Solver Excel dan menemukan bahwa Solver Excel merupakan alat estimasi yang handal meskipun pada kasus tertentu menghasilkan estimasi yang tidak sesuai dengan kendala model. Pada hasil data simulasi model GJR-GARCH(1,1) memberikan pencocokan yang lebih baik dari model GARCH(1,1) dan pada hasil data riil menunjukan bahwa model GJR-GARCH(1,1) menyediakan pencocokan lebih baik daripada model GARCH(1,1). | id_ID |
