Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDisertasi ini membahas penerapan metode estimasi Continuum GMM pada model struktural pergerakan imbal hasil saham pada selang-selang waktu acak, yang dikenal dengan model DMHT. Model ini mendefenisikan durasi antar perdagangan sebagai waktu yang dibutuhkan oleh gerak Brown standar dengan drift, menventuh daerah acak tertentu, sedangkan nilai-nilai imbal hasil yang terjadi, dimodelkan oleh gerak Brown tambahan, yang terkorelasi. Penaksir CGMM untuk parameter-parameter model DMHT selanjutnya dikonstruksi sebagai jarak minimal antara momen-momen teoretis dan momen-momen empiris, dengan mempertimbangkan semua kemungkin- an momen yang dapat dibentuk dari fungsi karakteristik gabungan bersvarat da ri durasi antar transaksi dan imbal hasil, dengan rumusan jarak tertentu.Teknik estimasi yang diusulkan ini memfasilitasi penghitungan dan penanganan problem- problem yang terkait dengan kekeliruan diskritisasi dalam kondisi-kondisi momen dan tidak tersedianva fungsi densitas gabungan bersvarat dari model. Aplikasi em piris dengan menggunakan data level transaksi dari dua saham dengan kapitalisasi pasar yang berbeda, yang diperdagangkan di Bursa Efek Indonesia BEI dilakukan. Hasilnva mengindikasikan bahwa hubungan antara durasi dan volatilitas imbal hasil sangat persisten dan ada hubungan instan negatif antara volatilitas dan durasi kon- temporer. Implikasi dari kausalitas instan antara volatilitas dan durasi kontemporer juga diteliti. Studi Monte Carlo memperlihatkan bahwa penaksir CGGM mendo- minasi performa statistik dibandingkan penaksir GMM dengan jumlah momen yang terbatas, dan pelibatan endogenitas dari durasi antar transaksi akan memperbaiki akurasi statistik dari ukuran variansi imbal hasil.

---

ABSTRACTThis dissertation studies the implementation of Continuum-GMM CGMM esti mation method to the structural model of stock returns movements in the random time intervals. The model which is known as the dynamic mixed hitting time mo del DMHT defines duration between trades as the waiting time of one component of a bivariate standard Brownian motion to hit a given random boundary. Mea nwhile, another correlated Brownian motion generates the marks such as market price and trading volume. In this research, the CGMM estimator of the DMHT mo del is the minimum distance between theoretical moments defined from the model and empirical moments defined from the data , by considering all possible momen ts constructed from the conditional joint characteristic function of durations and returns.The proposed estimation technique facilitates computation and overcomes problems related to the discretization error and to the non-tractable conditional joint probability density function. Empirical applications using transaction level da ta from two shares traded in Indonesia stock exchange ISX , with different market capitalization, are conducted. The result of empirical applications indicate that cor relation between durations and return volatility is highly persistent, and there are a negative instantaneous causality between volatility and contemporaneous duration. The implication of instantaneous causality between volatility and contemporaneous duration is also studied. The result of Monte Carlo studies showed that CGMM estimator dominates the other traditional GMM estimators with a few number of moments, in terms of their statistical performance. Monte Carlo studies also show that the involvement of endogeneity of the duration between transaction will improve our statistical accuracy of return variance estimators."

"PT XYZ merupakan salah satu e-commerce dengan model bisnis B2B yang ada di Indonesia. Sebagai salah satu e-commerce baru, PT XYZ terus berusaha meningkatkan pelayanannya agar lebih banyak lagi pelanggan yang datang berbelanja salah satunya adalah dengan menambah jumlah variasi produknya. Namun sayangnya hal ini justru menimbulkan dampak negatif bagi PT XYZ. Berdasarkan data penjualan Q4 tahun 2018 diketahui bahwa penjualan hanya terpusat pada produk-produk tertentu saja, sedangkan untuk produk selain itu penjualannya sangat kecil dan bahkan ada yang tidak terjual sama sekali. Tidak terjualnya produk-produk tertentu menimbulkan ancaman kerugian karena PT XYZ menerapkan kerja sama beli putus dengan pemasoknya, sehingga kerusakan barang selama masa penyimpanan akan ditanggung oleh PT XYZ. Fenomena penjualan yang hanya terpusat pada produk-produk tertentu saja disebut dengan long tail. Salah satu solusi dari permasalahan tersebut adalah dengan lebih banyak merekomendasikan produk-produk kurang populer (niche product) kepada pelanggan menggunakan sistem rekomendasi. Tantangan dalam merekomendasikan produk long tail adalah sistem harus tetap memperhitungkan kesesuaian produk yang direkomendasikan dengan perferensi pelanggan. Selian itu saat ini sebagian besar pendekatan sistem rekomendasi cenderung memperburuk kondisi tersebut. Misalnya saja pendekatan dengan menggunakan collaborative filtering yang pada akhirnya justru merekomendasikan produk yang populer diantara pelanggan. Begitu juga dengan association rule yang bekerja dengan merekomendasikan produk yang sifatnya umum dan populer. Oleh karena itu pada penelitian ini dibangun model sistem rekomendasi dengan pendekatan berbeda dengan menggunakan graf tripartite. Agar dapat menghasilkan rekomendasi yang sesuai, algoritma hitting time dan absorbing time dikombinasikan dengan menggunakan Markov random walker untuk menentukan produk long tail yang sesuai untuk direkomendasikan ke pelanggan. Hasil dari penelitian ini menunjukkan bahwa model rekomendasi dengan algoritma absorbing time menghasilkan akurasi yang lebih baik dibandingkan hitting time. Selain itu jika dilihat dari sisi diversity, meskipun secara keseluruhan hitting time lebih bagus, yaitu 0,047 berbanding 0,057, namun pada top 5 rekomendasi absorbing time menghasilkan diversity yang lebih baik.

---

PT XYZ is one of e-commerce with B2B business models in Indonesia. As a new e-commerce, PT XYZ keeps trying in various ways to improve its services to attract more customers, one of them is by increasing the product variations. Unfortunately this has a bad impact on PT XYZ. Based on Q4 2018 sales data, it is known that sales are only focused on certain products while the remainings are unsold. This condition poses a threat of loss because PT XYZ cooperate with its suppliers using flat fee agreement, so that the damage goods during the storage period will be borned by PT XYZ. The phenomenon of sales that is only dominated by certain products is called long tail. One of possible solution to these problems is to recommend more niche products to customers using a recommendation system. The challenge in recommending long tail products is that the system must keep consider about the suitability of the recommended products with the customer preferences. Furthermore, most of the current recommendation system approaches tend to worsen the condition. For example, the approach using collaborative filtering, which ultimately recommends products that are popular among customers. Likewise with the association rule that works by recommending products that are general and popular. Therefore in this research a recommendation system model was built with a different approach, that is tripartite graphs. In order to produce recommendations, the hitting time and absorbing time algorithms are combined with a Markov random walker to determine the long tail product that is suitable for customers. The results of this study indicate that the recommendation model with absorbing time algorithm produces better accuracy than hitting time. In addition, based diversity value, even though hitting time is better, which is 0.047 compared to 0.057, but in the top 5 recommendations absorbing time produces better diversity."