Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Tesis ini mempelajari hubungan antara imbal hasil, ketertarikan investor, dan sentimen investor pada tiga cryptocurrency terbesar, yaitu Bitcoin, Ethereum, dan Ripple. Penelitian ini menggunakan media sosial (Stockwits) sebagai proxy untuk sentimen investor dan Google Trends sebagai proxy untuk ketertarikan investor. Untuk metodologi, digunakan kausalitas Granger, VAR, dan regresi linier. Hasil penelitian menunjukkan bahwa terdapat kausalitas dua arah antara imbal hasil dan ketertarikan investor pada ketiga cryptocurrency, sementara kausalitas ini tidak ditemukan dalam sentimen investor. Selain itu, lagged dan contemporaneous dari ketertarikan investor mempengaruhi imbal hasil cryptocurrency secara positif . Hasil ini mendukung "price pressure hypothesis" atau "attention theory". Selain itu, walaupun lagged dari sentimen investor tidak dapat memprediksi imbal hasil cryptocurrency, sentimen investor berpengaruh terhadap contemporaneous imbal hasil cryptocurrency.

---

This thesis explores the relationship between return, investor attention, and investor sentiment in the three largest cryptocurrencies: Bitcoin, Ethereum, and Ripple. This study uses social media (Stockwits) to measure investor sentiment and Google Trends to measure investor attention. For the methodology, this study uses Granger causality, VAR, and linear regression. The results show that there is a bi-directional causality between return and investor attention in all three cryptocurrencies, while there is no causality in investor sentiment. Furthermore, the lagged and contemporaneous investor attention positively influence cryptocurrency return. This result supports the price pressure hypothesis or attention theory. In addition, while the lagged investor sentiment cannot predict cryptocurrency return, investor sentiment can influence contemporaneous cryptocurrency return.

"

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."