Model ARIMA

ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent). Tujuan model ini adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan model tersebut.

Model ARCH & GARCH 

Perilaku ΓÇ£volatileΓÇ¥ dalam pasar finansial biasanya dirujuk sebagai ΓÇ£volatilitasΓÇ¥. Volatilitas telah menjadi konsep yang penting dalam teori dan praktek finansial, seperti managemen risiko, pemilihan portofolio dan sebagainya. Dalam kajian secara statistik, biasanya diukur menggunakan variansi atau standar deviasi. Engle (1982) telah berhasil mengembangkan suatu model volatilitas untuk data runtun waktu finansial yang dikenal dengan model Autoregressive Conditional Heteroscedasticity (ARCH). Sedangkan Bollerslev  (1986) telah mengembangkan model volatilitas yang lebih fleksibel yang dikenal sebagai Generalized Autoregressive Conditional Heteroscedasticity (GARCH).