Autoregressive Conditional Heteroskedasticity (ARCH)

Apa Autoregressive Conditional Heteroskedasticity (ARCH)?

Autoregressive conditional heteroskedasticity (ARCH) adalah model statistik yang digunakan untuk menganalisis volatilitas dalam deret waktu untuk meramalkan volatilitas di masa depan. Dalam dunia keuangan, pemodelan ARCH digunakan untuk memperkirakan risiko dengan memberikan model volatilitas yang lebih mirip dengan pasar riil. Pemodelan ARCH menunjukkan bahwa periode volatilitas tinggi diikuti oleh volatilitas yang lebih tinggi dan periode volatilitas rendah diikuti oleh volatilitas yang lebih rendah.

Dalam praktiknya, ini berarti bahwa volatilitas atau varians cenderung mengelompok, yang berguna bagi investor ketika mempertimbangkan risiko memegang aset selama periode waktu yang berbeda.Konsep ARCH dikembangkan oleh ekonom Robert F. Engle pada 1980-an.ARCH segera memperbaiki pemodelan keuangan, menghasilkan Engle memenangkan Hadiah Nobel Memorial 2003 dalam Ilmu Ekonomi .

Memahami Autoregressive Conditional Heteroskedasticity (ARCH)

Model autoregressive conditional heteroskedasticity (ARCH) dirancang untuk memperbaiki model ekonometrik dengan mengganti asumsi volatilitas konstan dengan volatilitas bersyarat. Engle dan orang lain yang mengerjakan model ARCH menyadari bahwa data keuangan masa lalu memengaruhi data masa depan — itulah definisi autoregresif. Porsi heteroskedastisitas bersyarat dari ARCH hanya mengacu pada fakta yang dapat diamati bahwa volatilitas di pasar keuangan tidak konstan — semua data keuangan, baik nilai pasar saham, harga minyak, nilai tukar, atau PDB, melewati periode volatilitas tinggi dan rendah. Para ekonom selalu mengetahui jumlah perubahan volatilitas, tetapi mereka sering menjaganya tetap konstan selama periode tertentu karena mereka tidak memiliki pilihan yang lebih baik saat memodelkan pasar.

ARCH menyediakan model yang dapat digunakan ekonom sebagai pengganti konstanta atau rata-rata untuk volatilitas. Model ARCH juga dapat mengenali dan meramalkan di luar kelompok volatilitas yang terlihat di pasar selama periode krisis keuangan atau peristiwa black swan lainnya. Misalnya, volatilitas untuk S&P 500 sangat rendah untuk periode yang diperpanjang selama pasar bullish dari 2003 hingga 2007, sebelum melonjak ke level rekor selama koreksi pasar tahun 2008. Variasi yang tidak merata dan ekstrim ini sulit untuk model berbasis deviasi standar untuk menangani. Model ARCH, bagaimanapun, mampu mengoreksi masalah statistik yang muncul dari jenis pola dalam data. Selain itu, model ARCH bekerja paling baik dengan data frekuensi tinggi (per jam, harian, bulanan, triwulanan), sehingga ideal untuk data keuangan. Akibatnya, model ARCH telah menjadi andalan untuk memodelkan pasar keuangan yang menunjukkan volatilitas (yang sebenarnya merupakan pasar keuangan dalam jangka panjang).

Evolusi Model ARCH yang Sedang Berlangsung

Menurut kuliah Nobel Engle pada tahun 2003, ia mengembangkan ARCH sebagai tanggapan atas dugaan Milton Friedman bahwa ketidakpastian tentang berapa tingkat inflasi daripada tingkat inflasi aktual yang berdampak negatif pada perekonomian.  Setelah model dibuat, model tersebut terbukti sangat berharga untuk meramalkan segala macam volatilitas. ARCH telah melahirkan banyak model terkait yang juga banyak digunakan dalam penelitian dan keuangan, termasuk GARCH, EGARCH, STARCH, dan lainnya.

Model varian ini sering kali memperkenalkan perubahan dalam hal pembobotan dan persyaratan untuk mencapai rentang perkiraan yang lebih akurat. Misalnya, EGARCH, atau eksponensial GARCH, memberikan pembobotan yang lebih besar pada pengembalian negatif dalam rangkaian data karena ini telah terbukti menciptakan lebih banyak volatilitas. Dengan kata lain, volatilitas dalam grafik harga meningkat lebih banyak setelah penurunan besar daripada setelah kenaikan besar. Sebagian besar varian model ARCH menganalisis data sebelumnya untuk menyesuaikan pembobotan menggunakan pendekatan kemungkinan maksimum. Hal ini menghasilkan model dinamis yang dapat meramalkan volatilitas jangka pendek dan masa depan dengan akurasi yang meningkat — yang, tentu saja, merupakan alasan mengapa begitu banyak lembaga keuangan menggunakannya.