Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei ... · rata-rata dari saham 225 perusahaan teratas di Jepang yang terdaftar di Bursa Efek Tokyo (Tse). Nikkei 225 dipilih

O L E H :D W I L I S T Y A N U R I N I

1 3 1 1 1 0 5 0 2 1

D O S E N P E M B I M B I N G :D R . B R O D J O L S U T I J O S U , M . S I

Model Peramalan IndeksHarga Saham Gabungan

(IHSG) Nikkei 225 denganPendekatan Fungsi Transfer

Pendahuluan TinjauanPustaka

MetodologiPenelitian

Analisis Data danPembahasan Kesimpulan

Bursa Saham IHSG PenelitianSebelumnya

Bursa saham atau Pasar modal adalah pasar dari berbagaiinstrumen keuangan jangka panjang yang bisa diperjualbelikan.

Indeks Harga Saham

Indeks Harga SahamIndividu

adalah perubahan dari satu harga saham di

perusahaan

Indeks Harga SahamGabungan

adalah pergerakan harga saham secara umum yang

terdapat di bursa efek





Indeks Harga SahamGabungan (IHSG)

KOSPI( mewakili

bursa saham Korea)

Hang Seng (HSI)

(mewakili bursa saham Hongkong)

Nikkei 225 (mewakili

bursa saham Jepang)

TAIEX (mewakili

bursa saham Taiwan)

Dow Jones (mewakili

bursa saham New York Amerika Serikat)

FTSE (mewakili

bursa saham London)

ASX (mewakili

bursa saham Australia)

Nikkei 225 adalah indikator harga yang merupakan hargarata-rata dari saham 225 perusahaan teratas di Jepang yangterdaftar di Bursa Efek Tokyo (Tse).

Nikkei 225 dipilih dalam penelitian ini dikarenakan Nikkei 225merupakan termasuk 5 besar Indeks Harga Saham Gabungan(IHSG) yang ada di Dunia




Damayanti (2002) melakukan penelitian tentang permodelan IHS Nikkei 225 pada nilai open terhadap nilai high, low, dan closedengan menggunakan pendekatan bivariate ARIMA

Purwandi (2008) melakukan pemodelan indeks Hang Seng dengan metode Mixture Autoregressive (MAR)

Azizah (2009) melakukan penelitian tentang indeks saham Kospi dengan metode intervensi.





PerumusanMasalah

TujuanPenelitian

ManfaatPenelitian

BatasanMasalah

Bagaimana model open price terhadap high price dan low pricepada IHSG Nikkei 225 dengan pendekatanfungsi transfer ?

Bagaimana nilairamalan model open price terhadap high price dan low pricepada IHSG Nikkei 225 untuk beberapaperiode ke depan ?




TujuanPenelitian

PerumusanMasalah

ManfaatPenelitian

BatasanMasalah

Mengetahui model open price terhadaphigh price dan low price pada IHSG Nikkei 225 denganpendekatan fungsitransfer

Mengetahui nilairamalan model open price terhadap high price dan low pricepada IHSG Nikkei 225 untuk beberapaperiode ke depan




ManfaatPenelitian

TujuanPenelitian

PerumusanMasalah

BatasanMasalah

Sebagai bentuk penerapan ilmu statistik untukmenyelesaikan kasus financial di bidang

perdagangan saham khususnya indeks hargasaham gabungan (IHSG) Nikkei 225




BatasanMasalah

TujuanPenelitian

ManfaatPenelitian

PerumusanMasalah

Mengkhususkan pada indeks harga sahamgabungan (IHSG) Nikkei 225 untuk menentukanlow price dan high price berdasarkan nilai open

price




Konsep DasarTime Series

Fungsi Transfer

Nikkei 225

Time Series

Stasioner

VariansMean

Differencing Transformasi

1−−= ttt ZZW Nilai Estimasi λ Transformasi-1,0 1 / Zt

-0,5 1 / 0,0 Ln Zt

0,51,0 Zt (tidak ada

transformasi)

tZ

tZ





Fungsi Transfer

Nikkei 225

H0 : (parameter tidak signifikan)H1 : (parameter signifikan)Statistik Uji :

Daerah penolakan : Tolak H0 jika atau P-value <α

0=iθ0≠iθ

)ˆ(

ˆ

i

i

SEt

θθ

=

( )pndfhitung tt−−

>2α

Uji KesesuaianModel

Uji White Noise DistribusiNormal

menggunakan uji L-jungbox chi square

menggunakan ujikenormalan

Uji Signifikansi Parameter





Fungsi Transfer

Nikkei 225

Fungsi Transfer

Persamaan Model Fungsi Tranfer

Menurut Makridakis dkk. (1999) model fungsi transfer bivarat ditulisdalam dua bentuk umum, bentuk pertama adalah sebagai berikut :

Yt = v(B)Xt + nt

model fungsi transfer dapat dituliskan dalam model yang kedua sebagaiberikut :





Fungsi Transfer

Nikkei 225

Identifikasi Model Fungsi Transfer

Mempersiapkanderet output dan

inputPemutihan deret input

Pemutihan deret output

Perhitungan korelasi

silang dan autokeralasi untuk deret

input dan deret output

yang telah diputihkan

Penaksiran langsung

bobot respon impuls

Penerapan b, s, r untuk

model fungsitransfer

Pengujian pendahuluan

deret gangguan

(noise series)

Penetapan (pn, qn) untuk model

ARIMA (pn, 0, qn) dari deret gangguan





Fungsi Transfer

Nikkei 225

Diagnostik Model

Pemeriksaan KorelasiSilang

PemeriksaanAutokorelasi

Statistik uji sebagai berikut : Statistik uji sebagai berikut :





Fungsi Transfer

Nikkei 225

Nikkei 225 adalah indikator harga yang merupakan hargarata-rata dari saham 225 perusahaan teratas di Jepang

yang terdaftar di Bursa Efek Tokyo (Tse).

Berikut adalah rumus untuk menghitung Indeks Nikkei :

keterangan :Divisor adalah angka yang ditentukan oleh otoritas bursa sebagai bilangan pembagi.




SUMBER DATA

• Data pada penelitian ini menggunakan data sekunder dengan tipe data hariandari Indeks Harga Saham Gabungan (IHSG) Nikkei 225 yang diambil dariwebsite (www.finance.yahoo. com).

VARIABEL PENELITIAN

• Variabel yang digunakan adalah deret output (Yt) adalah high price dan low price, sedangkan deret input atau (Xt) adalah open price.

• Data in-sampel yang digunakan mulai 4 Januari 2011 sampai 12 April 2013 sebanyak 560 data dan data out-sampel yang digunakan mulai tanggal 15 April 2013 sampai 22 Mei 2013 sebanyak 25 data.




Tahap Identifikasi Variabel

Penaksiran Parameter Model Fungsi Transfer ( b, r, s)( pn, qn)

Uji Diagnostik Model Fungsi Transfer

Model Fungsi Transfer Untuk Peramalan

METODE ANALISIS

DATA




Mempersiapkan deret input dan output agar memperoleh deret input dan output yang stasioner

Menentukan model ARIMA untuk deret input dan melakukan prewhitening pada deret tersebut untuk memperoleh deret yang white

noise α

Melakukan prewhitening pada deret output untuk memperoleh β

Menetapkan nilai-nilai b, r, s yang menghubungkan deret input dan output

Penaksiran parameter model fungsi transfer sementara berdasarkan nilai b, r, s yang ditetapkan sebelumnya

Melakukan identifikasi model awal deret noise (nt) berdasarkan perhitungan autokorelasi serta parsial korelasinya.

Menetapkan pn, qn untuk model ARMA dari deret noise (nt).

TAHAP IDENTIFIKASI

VARIABEL




Perhitungan autokorelasi untuk nilai sisa model (r,s,b) yang menghubungkan deret output dan deret input

Perhitungan korelasi silang antara nilai sisa dengan deret gangguan (at) yang telah diputihkan

UJI DIAGNOSTIK

MODEL FUNGSI

TRANSFER




IDENTIFIKASI MODEL

DERET INPUT OPEN PRICE

(X)

560504448392336280224168112561

14000

13000

12000

11000

10000

9000

8000

Index

Open

Pric

e

Time Series Plot of Open Price

1501401301201101009080706050403020101

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Aut

ocor

rela

tion

Autocorrelation Function for Open Price(with 5% significance limits for the autocorrelations)

plot ACF cenderung turunlambat menuju nol, hal iniberarti bahwa pada deret input open price belumstasioner dalam mean.




IDENTIFIKASI MODEL

DERET INPUT OPEN PRICE

(X)transformasi Box-Cox 1/akar Xt

5.02.50.0-2.5-5.0

95.0

92.5

90.0

87.5

85.0

82.5

80.0

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate -0.43

Lower CL -1.22Upper CL 0.33

Rounded Value -0.50

(using 95.0% confidence)

Lambda

Box-Cox Plot of Open Price

5.02.50.0-2.5-5.0

0.0000445

0.0000440

0.0000435

0.0000430

0.0000425

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate 0.86

Lower CL -0.55Upper CL 2.47

Rounded Value 1.00

(using 95.0% confidence)

Lambda

Box-Cox Plot of 1/akar zt




IDENTIFIKASI MODEL DERET

INPUT OPEN PRICE (X)

1009080706050403020101

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Aut

ocor

rela

tion

Autocorrelation Function for dif(with 5% significance limits for the autocorrelations)

1009080706050403020101

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Part

ial A

utoc

orre

lati

on

Partial Autocorrelation Function for dif(with 5% significance limits for the partial autocorrelations)

model sementara dari model ARIMA yaituARIMA (1 1 1), ARIMA (1 1 0) dan ARIMA (0 1 1).




PENGUJIAN PARAMETER MODEL PADA DERET INPUT OPEN PRICE

(X)

Model Parameter Estimasi P_value

ARIMA (1 1 1) AR 1 0.15003 0.0003MA 1 0.24859 0.0001

ARIMA (1 1 0) AR 1 0.09876 0.0191ARIMA (0 1 1) MA 1 -0.09113 0.0307

KarenaP_value < α (0.05) maka

signifikan

Model Lag P_value

ARIMA (1 1 1)

6 0.637112 0.633418 0.827524 0.7703

ARIMA (1 1 0)

6 0.738512 0.702518 0.869124 0.8107

ARIMA (0 1 1)

6 0.686112 0.677918 0.857024 0.7959

KarenaP_value

> α (0.05) maka

residual memenu

hiasumsiwhite noise

Model AIC SBCARIMA (1 1 1) -9237.48 -9228.83ARIMA (1 1 0) -9239.2 -9234.88ARIMA (0 1 1) -9238.79 -9234.46

Karena model ARIMA (1 1 0) memiliki nilai AIC dan SBC

terkecil maka terpilih menjadimodel terbaik




PREWHITENINGDERET INPUT

OPEN PRICE (X) TERHADAP

DERET OUTPUT LOW PRICE DAN

HIGH PRICE

Model Parameter Estimasi P_valueARIMA (1 1 0) AR 1 0.09876 0.0191

PREWHITENING DERET INPUT OPEN PRICE

PREWHITENING DERET OUTPUT LOW PRICE DAN HIGH PRICE




IDENTIFIKASI AWAL MODEL

FUNGSI TRANSFER

PADA DERET INPUT OPEN

PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

menunjukkan bahwa nilai b s r yang didapatkanadalah bernilai b=0 s=0 r=0.




IDENTIFIKASI DERET NOISE

DAN DIAGNOSTIC

CHECKING PADA DERET INPUT OPEN

PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

Lag P_value6 <0.000112 <0.000118 <0.000124 <0.0001

P_value < α (0.05) maka residual tidak memenuhi asumsi white

noise

pendugaan sementara dari model ARMA yaituARMA (0 [1 4]) dan ARMA ([4] 1)





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

P_value < α (0.05) maka

signifikan

Variabel Parameter Estimasi P_valueInput 0.99920 < 0.0001Noise

ARMA (0 [1 4])0.87852 < 0.00010.11692 < 0.0001

Input 1.01438 < 0.0001Noise

ARMA ([4] 1)-0.11387 0.01090.88819 < 0.0001

Model Lag P_value

ARMA (0 [1 4])

6 0.080112 0.260318 0.501524 0.8227

ARMA ([4] 1)

6 0.563812 0.333518 0.520624 0.7628

P_value > α (0.05) maka residual

memenuhi asumsiwhite noise





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

Model P_valueARMA (0 [1 4]) < 0.0001ARMA ([4] 1) < 0.0001

P_value < 0.0001 berartiresidual tidak memenuhiasumsi distribusi normal sehingga perlu dilakukan

deteksi outlier

Model AIC SBCARMA (0 [1 4]) -9741.75 -9728.77ARMA ([4] 1) -9730.75 -9717.77

model ARMA (0 [1 4]) terpilihmenjadi model terbaik





DAN DIAGNOSTIC


PRICE (X)TERHADAP

DERET OUTPUT LOW

PRICE (Y1)


ARMA (0 [1 4])0.87852 < 0.00010.11692 < 0.0001





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

Parameter Estimasi P_value0.93160 < 0.00010.06839 0.02291.00043 < 0.0001

0.0007073 < 0.00010.0002130 < 0.00010.0001397 < 0.0001


signifikan

Lag P_value6 0.380712 0.681618 0.506324 0.6557

P_value > α (0.05) maka residual memenuhi asumsi white noise

Lag df P_value5 5 0.153911 11 0.338317 17 0.693723 23 0.840229 29 0.904635 35 0.9369

crosscorrelation antara residual fungsi transfer dengan variabel

input independen





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

Uji normalitas residual model deret noise didapatkan bahwaP_value < dari 0.01, maka diketahui residual belum berdistribusinormal.

Sehingga model fungsi transfer :

menunjukkan persentasekesalahan dalam meramalkan

Open Price terhadap Low Price.

Model MAPEARMA (0 [1 4]) 10.71 %





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT LOW

PRICE (Y1)

Tanggal Forecast Upper Lower15 April 2013 15582.12 16108.6 15081.03416 April 2013 15582.12 16340.048 14875.72817 April 2013 15582.12 16521.17 14717.34318 April 2013 15574.342 16670.827 14586.10519 April 2013 15574.342 16809.444 14470.5322 April 2013 15574.342 16936.563 14373.54123 April 2013 15574.342 17056.217 14280.93524 April 2013 15574.342 17168.141 14195.98625 April 2013 15574.342 17272.088 14118.526 April 2013 15574.342 17372.4 14044.97529 April 2013 15574.342 17468.971 13975.32630 April 2013 15574.342 17561.694 13909.47501 Mei 2013 15574.342 17650.466 13847.34602 Mei 2013 15574.342 17735.188 13788.87103 Mei 2013 15574.342 17820.521 13730.76506 Mei 2013 15574.342 17901.681 13676.22307 Mei 2013 15574.342 17983.396 13622.00708 Mei 2013 15574.342 18060.817 13571.27309 Mei 2013 15574.342 18138.739 13520.82210 Mei 2013 15574.342 18212.249 13473.7813 Mei 2013 15574.342 18286.207 13426.98214 Mei 2013 15574.342 18360.617 13380.42815 Mei 2013 15574.342 18430.477 13337.19616 Mei 2013 15574.342 18500.736 13294.17217 Mei 2013 15574.342 18566.337 13251.357




IDENTIFIKASI AWAL MODEL

FUNGSI TRANSFER

PADA DERET INPUT OPEN

PRICE (X)TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)

menunjukkan bahwa nilai b s r yang didapatkanadalah bernilai b=0 s=0 r=0.





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)

Lag P_value6 <0.000112 <0.000118 <0.000124 <0.0001

P_value < α (0.05) maka residual tidak memenuhi asumsi white

noise

pendugaan sementara dari model ARMA yaituARMA (0 1) dan ARMA ([4] 1)





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)


signifikan

P_value > α (0.05) maka residual

memenuhi asumsiwhite noise


ARMA (0 1) 0.83678 < 0.0001

Input 0.94295 < 0.0001Noise

ARMA ([4] 1)-0.13118 0.00290.94295 < 0.0001

Model Lag P_value

ARMA (0 1)

6 0.070912 0.256018 0.422524 0.1117

ARMA ([4] 1)

6 0.698012 0.924918 0.923424 0.3660





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)

P_value < 0.0001 berartiresidual tidak memenuhiasumsi distribusi normal sehingga perlu dilakukan

deteksi outlier

model ARMA ([4] 1) terpilihmenjadi model terbaik

Model P_valueARMA (0 1) < 0.0001

ARMA ([4] 1) < 0.0001

Model AIC SBCARMA (0 1) -10202.4 -10193.8

ARMA ([4] 1) -10209.1 -10196.1





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)


ARMA ([4] 1)-0.13118 0.00290.94295 < 0.0001





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)


signifikan

P_value > α (0.05) maka residual memenuhi asumsi white noise

crosscorrelation antara residual fungsi transfer dengan variabel

input independen

Parameter Estimasi P_value-0.08953 0.04380.93406 < 0.00010.98382 < 0.0001

-0.0001911 < 0.0001-0.0001328 < 0.0001-0.0001116 < 0.0001-0.0000856 0.0002-0.0000894 < 0.0001-0.0000879 0.0001

Lag P_value6 0.498312 0.520518 0.465824 0.1588

Lag df P_value5 5 0.560311 11 0.445717 17 0.828523 23 0.593529 29 0.298835 35 0.5011





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)

Uji normalitas residual model deret noise didapatkan bahwaP_value < dari 0.01, maka diketahui residual belum berdistribusinormal.

menunjukkan persentasekesalahan dalam meramalkan

Open Price terhadap High Price

Model MAPEARMA ([4] 1) 8.12 %





DAN DIAGNOSTIC


PRICE (X) TERHADAP

DERET OUTPUT

HIGH PRICE (Y2)

Tanggal Forecast Upper Lower15 April 2013 15362.724 15926.16 14832.27916 April 2013 15362.724 16161.889 14617.86517 April 2013 15358.916 16348.407 14456.61418 April 2013 15358.916 16512.679 14325.41119 April 2013 15370.343 16666.523 14219.69522 April 2013 15370.343 16796.375 14115.14523 April 2013 15370.343 16923.346 14021.70124 April 2013 15370.343 17038.41 13935.75925 April 2013 15370.343 17145.668 13853.86626 April 2013 15370.343 17249.41 13779.16129 April 2013 15366.533 17349.525 13708.26730 April 2013 15366.533 17450.515 13637.91901 Mei 2013 15370.343 17543.09 13574.43502 Mei 2013 15370.343 17631.721 13514.53603 Mei 2013 15370.343 17721.025 13455.03106 Mei 2013 15370.343 17806.256 13399.02107 Mei 2013 15370.343 17892.104 13343.35908 Mei 2013 15370.343 17973.754 13291.10709 Mei 2013 15370.343 18055.964 13239.16210 Mei 2013 15370.343 18133.854 13190.5513 Mei 2013 15370.343 18212.249 13142.20614 Mei 2013 15370.343 18286.207 13097.12315 Mei 2013 15370.343 18360.617 13052.27316 Mei 2013 15370.343 18435.482 13007.65217 Mei 2013 15370.343 18510.806 12966.212




1. Model ARIMA terbaik untuk deret input open price berdasarkan kriteria in-sampel adalahmodel ARIMA (1 1 0)

Model fungsi transfer untuk deret input open price terhadap low price adalah ARMA (0 [1 4])

Model fungsi transfer untuk deret input open price terhadap high price adalah ARMA ([4] 1)




2. Nilai ramalan berdasarkan deret input open price terhadap low price dan deret input open price terhadap high price adalah sebagai berikut :

Tanggal Forecast Low Price (Y1)

Forecast High Price (Y2)

15 April 2013 15582.11971 15362.7237416 April 2013 15582.11971 15362.7237417 April 2013 15582.11971 15358.9161418 April 2013 15574.34226 15358.9161419 April 2013 15574.34226 15370.3431922 April 2013 15574.34226 15370.3431923 April 2013 15574.34226 15370.3431924 April 2013 15574.34226 15370.3431925 April 2013 15574.34226 15370.3431926 April 2013 15574.34226 15370.3431929 April 2013 15574.34226 15366.5327630 April 2013 15574.34226 15366.53276

1 Mei 2013 15574.34226 15370.343192 Mei 2013 15574.34226 15370.343193 Mei 2013 15574.34226 15370.343196 Mei 2013 15574.34226 15370.343197 Mei 2013 15574.34226 15370.343198 Mei 2013 15574.34226 15370.34319

Tanggal Forecast Low Price (Y1)

Forecast High Price (Y2)

9 Mei 2013 15574.34226 15370.3431910 Mei 2013 15574.34226 15370.3431913 Mei 2013 15574.34226 15370.3431914 Mei 2013 15574.34226 15370.3431915 Mei 2013 15574.34226 15370.3431916 Mei 2013 15574.34226 15370.3431917 Mei 2013 15574.34226 15370.34319

Daftar Pustaka

Anonim. http://infodatabroker.blogspot.com/2012/02/mengenal-indeks-saham-dunia.html. Di-aksespada tanggal 21 Maret 2013 pukul 05.35 WIB.

Anonim. http://forum.vibizportal.com/showthread.php?t=17635. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB.

Anonim. http://belajarinvestasi.com/dasar-stock-index/sejarah-index.html. Diakses pada tanggal 21 Maret 2013 pukul 05.55 WIB.

Aswi dan Sukarna. 2006. Analisis Deret Waktu : Teori Dan Aplikasi. Penyunting : Muhammmad Arif Tiro. Makasar. Andira Publisher.

Azizah, N. 2009. Analisis Peramalan Indeks Harga Saham KOSPI dengan Menggunakan MetodeIntervensi. Laporan Tugas Akhir.FMIPA-ITS. Surabaya.

Bowerman, B.L dan O’Connell, R.T. 1993. Forecasting and Time Series : An Apllied Approach, 3rd

edition. Belmont, California : Duxbury Press. Cryer, D.J dan Chan K.S. 2008. Time Series Analysis. With Application in R, 2nd Edition. Springer. Damayanti, I. 2002. Peramalan Indeks Nikkei 225 dengan Pendekatan Time Series di PT. Kudamas

Forexindo Surabaya. Laporan Tugas Akhir.FMIPA-ITS. Surabaya. Elton dan Gruber. 1995. Modern Portofolio : Theory and Investment Analysis, 5th Edition. New York :

Wiley. Hartono.1998.http://www.sarjanaku.com/2012/06/sahampe-ngertian-jenis-nilai-harga.html.Di akses

pada tanggal 21 Maret 2013 pukul 06.00 WIB. Makridakis, S., Wheelright, S.C., dan McGee, V.E., (1999), Metode dan Aplikasi Peramalan, edisi kedua,

Erlangga, Jakarta.

http://infodatabroker.blogspot.com/2012/02/mengenal-indeks-saham-dunia.html

http://forum.vibizportal.com/showthread.php?t=17635

http://belajarinvestasi.com/dasar-stock-index/sejarah-index.html

http://www.sarjanaku.com/2012/06/sahampe-ngertian-jenis-nilai-harga.html

Daftar Pustaka

Purwandi, L. 2008. Permodelan Indeks Hang Seng dengan Metode Mixture Autoregressive (MAR) dengan Jumlah Komponen Tertentu. Laporan Tugas Akhir.FMIPA-ITS. Surabaya.

Sihotang, B. Pengertian, Fungsi, Instrumen, Jenis, dan Pelaku Pasar Modal. 2010. http://ww-w.ideelok.com/ekonomi/-pengertian-fungsi-instrumen-jenis-dan-pelaku-pasar-modal. Diakses padatanggal 21 Maret 2013 pukul 06.10 WIB.

Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. 2nd Edition. United States : Pearson Education, Inc.

http://ww-w.ideelok.com/ekonomi/-pengertian-fungsi-instrumen-jenis-dan-pelaku-pasar-modal

http://ww-w.ideelok.com/ekonomi/-pengertian-fungsi-instrumen-jenis-dan-pelaku-pasar-modal

Documents

Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei ... · rata-rata dari saham 225 perusahaan teratas di Jepang yang terdaftar di Bursa Efek Tokyo (Tse). Nikkei 225 dipilih