MODEL VOLATILITAS STOKASTIK DENGAN METODE MARKOV CHAIN MONTE CARLO

Alfian - Fian

Abstract


Salah satu pendekatan alternatif untuk menjelaskan perubahan volatilitas dalam runtun waktu finansial adalah model volatilitas stokastik. Dalam estimasi model volatilitas stokastik, bentuk eksplisit sangat susah ditentukan sehingga fungsi likelihood distribusi return  ditentukan secara implisit menggunakan variabel bantu atau laten yang melakukan parameterisasi varians yang bersifat stokastik. Untuk itu, metode Bayesian diperlukan dalam estimasi parameter model. Pada tulisan ini difokuskan pada  estimasi Bayesian dengan Metode  Markov Chain Monte Carlo (MCMC).

An alternative approach to describe the volatility changes of a financial time series is stochastic volatility model. In the estimation of stochastic volatility models, an explicit form is very difficult to be determined so that the likelihood function of the return distribution implicitly defined using auxiliary variables or latent stochastic that parameterize the stochastic variance terms.  For that reason, Bayesian methods are needed in the estimation of model parameters. In this thesis focuses on Bayesian estimation with using Markov Chain Monte Carlo Methods (MCMC). 


Keywords


Volatility Model


Article Metrics
Abstract view: 18 times
PDF (Bahasa Indonesia): 7 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 Jurnal Riset dan Aplikasi Matematika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Jurnal Riset dan Aplikasi Matematika (JRAM) E-ISSN:2581-0154

Indexed by

Google ScholarCiteUlikeAcademia.Edu

Alamat Penyunting dan Tata Usaha: 
Ruang Tata Usaha

Gedung C8 Jurusan Matematika FMIPA Unesa Ketintang Surabaya  

Telp / Fax : (031)8297677                                              

Homepage: jram.unesa.ac.id                                                    

E-mail: jram@unesa.ac.id

 

 

Creative Commons License

Jurnal Riset dan Aplikasi Matematika (JRAM) is licensed under