Model ARIMA-GARCH Pada Peramalan Harga Saham PT. Jasa Marga (Persero)

Fransisca Trisnani Ardikha Putri, E. Zukhronah, Hasih Pratiwi
{"title":"Model ARIMA-GARCH Pada Peramalan Harga Saham PT. Jasa Marga (Persero)","authors":"Fransisca Trisnani Ardikha Putri, E. Zukhronah, Hasih Pratiwi","doi":"10.35899/biej.v3i3.308","DOIUrl":null,"url":null,"abstract":"Abstract– PT Jasa Marga is a great reputation company, the leader in comparable businesses, has a steady income, and paying dividends consistently. This paper aims to find the best model to forecast stock price of PT Jasa Marga using ARIMA-GARCH. The data used is daily stock price of PT Jasa Marga from March 2020 to March 2021. Autoregressive Integrated Moving Average (ARIMA) is a method that can be used to forecast stock prices. However, an economical data tend to have heteroscedasticity problems, one of the methods used to overcome them is Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Future stock price of PT Jasa Marga is forecasted with ARIMA-GARCH model.  The data is modeled with ARIMA first, if there is heteroscedasticity, combine the model with GARCH model. The result of this study indicated that ARIMA (1, 1, 1) – GARCH (2, 2) is the best model, with MAPE 1,5647 \nAbstrak– PT Jasa Marga adalah perusahaan yang reputasinya baik, terdepan di perusahaan-perusahaan sejenis, stabil pendapatannya, dan pembayaran devidennya konsisten. Paper ini bertujuan untuk mencari model terbaik dalam meramalkan harga saham PT Jasa Marga menggunakan ARIMA-GARCH. Data harga saham yang diolah yaitu data sekunder dari PT Jasa Marga pada Maret 2020 hingga Maret 2021. Autoregressive Integrated Moving Average (ARIMA) sebagai metode yang dapat dimanfaatkan guna meramalkan harga saham. Akan tetapi, data tentang ekonomi cenderung memiliki masalah heteroskedastisitas, metode yang umum dipakai untuk mengatasinya adalah Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Harga saham PT Jasa Marga diramalkan dengan model ARIMA-GARCH.  Data terlebih dahulu dimodelkan dengan ARIMA, jika didapati adanya heteroskedastisitas, maka model tersebut dikombinasikan dengan GARCH. Penelitian ini menghasilkan ARIMA (1,1,1)-GARCH(2,2) sebagai model terbaik dengan MAPE 1,5647.","PeriodicalId":296615,"journal":{"name":"Business Innovation and Entrepreneurship Journal","volume":"40 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-08-13","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"2","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Business Innovation and Entrepreneurship Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.35899/biej.v3i3.308","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 2

Abstract

Abstract– PT Jasa Marga is a great reputation company, the leader in comparable businesses, has a steady income, and paying dividends consistently. This paper aims to find the best model to forecast stock price of PT Jasa Marga using ARIMA-GARCH. The data used is daily stock price of PT Jasa Marga from March 2020 to March 2021. Autoregressive Integrated Moving Average (ARIMA) is a method that can be used to forecast stock prices. However, an economical data tend to have heteroscedasticity problems, one of the methods used to overcome them is Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Future stock price of PT Jasa Marga is forecasted with ARIMA-GARCH model.  The data is modeled with ARIMA first, if there is heteroscedasticity, combine the model with GARCH model. The result of this study indicated that ARIMA (1, 1, 1) – GARCH (2, 2) is the best model, with MAPE 1,5647 Abstrak– PT Jasa Marga adalah perusahaan yang reputasinya baik, terdepan di perusahaan-perusahaan sejenis, stabil pendapatannya, dan pembayaran devidennya konsisten. Paper ini bertujuan untuk mencari model terbaik dalam meramalkan harga saham PT Jasa Marga menggunakan ARIMA-GARCH. Data harga saham yang diolah yaitu data sekunder dari PT Jasa Marga pada Maret 2020 hingga Maret 2021. Autoregressive Integrated Moving Average (ARIMA) sebagai metode yang dapat dimanfaatkan guna meramalkan harga saham. Akan tetapi, data tentang ekonomi cenderung memiliki masalah heteroskedastisitas, metode yang umum dipakai untuk mengatasinya adalah Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Harga saham PT Jasa Marga diramalkan dengan model ARIMA-GARCH.  Data terlebih dahulu dimodelkan dengan ARIMA, jika didapati adanya heteroskedastisitas, maka model tersebut dikombinasikan dengan GARCH. Penelitian ini menghasilkan ARIMA (1,1,1)-GARCH(2,2) sebagai model terbaik dengan MAPE 1,5647.
ARIMA-GARCH模型的股价为PT. Jasa (Persero)模型
摘要:PT Jasa Marga是一家声誉卓著的公司,在同类企业中处于领先地位,收入稳定,并持续支付股息。本文的目的是利用ARIMA-GARCH方法寻找佳莎玛嘉公司股价预测的最佳模型。使用的数据是PT Jasa Marga从2020年3月到2021年3月的每日股价。自回归综合移动平均线(ARIMA)是一种可以用来预测股票价格的方法。然而,经济数据往往存在异方差问题,克服这一问题的方法之一是广义自回归条件异方差(GARCH)。采用ARIMA-GARCH模型对PT Jasa Marga未来股价进行预测。首先用ARIMA模型对数据进行建模,如果存在异方差,则将模型与GARCH模型结合。本研究结果表明,ARIMA (1,1,1) - GARCH(2,2)是最佳模型,与MAPE(1,5647)、terdepan di perusahaan-perusahaan sejenis、stabil pendapatannya、dan pembayaran devidennya一致。论文ini bertujuan untuk menari模型terbaik dalam meramalkan harga saham PT Jasa Marga menggunakan ARIMA-GARCH。数据harga saham yang diolah yitu数据sekunder dari PT Jasa Marga pada市场2020 hinga市场2021。自回归综合移动平均线(ARIMA) sebagai方法。阿坎·塔皮,广义自回归条件异方差(GARCH),数据分析与经济学分析,广义自回归条件异方差(GARCH)。Harga saham PT Jasa Marga diramalkan dengan模型ARIMA-GARCH。数据terlebih dahulu dimodelkan dengan ARIMA, jika didapati adanya heteroskedastisitas, maka模型terlebih dikombinaskan dengan GARCH。[2] [j] . Penelitian i menghasilkan ARIMA (1,1,1)-GARCH(2,2)] sebagai模型[j] .中国机械工程学报,2016,51 (6):563 - 567 .]
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信