Heteroskedastisitas Bersyarat AutoRegresif Umum (GARCH)

Apa Heteroskedastisitas Bersyarat AutoRegresif Umum (GARCH)?

Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) adalah model statistik yang digunakan dalam menganalisis data deret waktu di mana kesalahan varians diyakini sebagai autokorelasi serial. Model GARCH mengasumsikan bahwa varians dari istilah kesalahan mengikuti proses rata-rata bergerak autoregresif.

Memahami Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)

Meskipun model Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) dapat digunakan dalam analisis sejumlah jenis data keuangan, seperti data makroekonomi, lembaga keuangan biasanya menggunakannya untuk memperkirakan volatilitas pengembalian saham, obligasi, dan indeks pasar. Mereka menggunakan informasi yang dihasilkan untuk membantu menentukan harga dan menilai aset mana yang berpotensi memberikan pengembalian yang lebih tinggi, serta memperkirakan pengembalian investasi saat ini untuk membantu dalam alokasi aset, lindung nilai, manajemen risiko, dan keputusan pengoptimalan portofolio.

Model GARCH digunakan ketika varians dari suku kesalahan tidak konstan. Artinya, istilah kesalahannya heteroskedastik. Heteroskedastisitas menggambarkan pola variasi yang tidak teratur dari istilah kesalahan , atau variabel, dalam model statistik. Pada dasarnya, di mana pun ada heteroskedastisitas, pengamatan tidak sesuai dengan pola linier. Sebaliknya, mereka cenderung mengelompok. Oleh karena itu, jika model statistik yang mengasumsikan varians konstan digunakan pada data ini, maka kesimpulan dan nilai prediksi yang dapat diambil dari model tersebut tidak akan dapat diandalkan.

Varians istilah kesalahan dalam model GARCH diasumsikan bervariasi secara sistematis, tergantung pada ukuran rata-rata istilah kesalahan pada periode sebelumnya. Dengan kata lain, ia memiliki heteroskedastisitas bersyarat, dan alasan terjadinya heteroskedastisitas adalah bahwa suku kesalahan mengikuti pola rata-rata bergerak autoregresif. Ini berarti bahwa ini adalah fungsi dari rata-rata nilai lampau sendiri.

Sejarah GARCH

GARCH dikembangkan pada tahun 1986 oleh Dr. Tim Bollersev, seorang mahasiswa doktoral pada saat itu, sebagai cara untuk mengatasi masalah prakiraan volatilitas harga aset. Ini dibangun di atas terobosan tahun 1982 ekonom Robert Engle bekerja dalam memperkenalkan model Autoregressive Conditional Heteroskedasticity (ARCH). Modelnya mengasumsikan variasi pengembalian finansial tidak konstan dari waktu ke waktu tetapi saling terkait, atau bersyarat / bergantung satu sama lain. Misalnya, orang dapat melihat ini dalam pengembalian saham di mana periode volatilitas pengembalian cenderung berkumpul bersama.

Sejak pengenalan awal, banyak variasi GARCH telah muncul. Ini termasuk Nonlinear (NGARCH), yang membahas korelasi dan mengamati “pengelompokan volatilitas” pengembalian, dan Integrated GARCH (IGARCH), yang membatasi parameter volatilitas. Semua variasi model GARCH berusaha untuk memasukkan arah, positif atau negatif, pengembalian selain besarannya (dialamatkan dalam model asli).

Setiap derivasi GARCH dapat digunakan untuk mengakomodasi kualitas spesifik dari saham, industri, atau data ekonomi. Dalam menilai risiko, lembaga keuangan memasukkan model GARCH ke dalam Value-at-Risk (VAR) mereka, kerugian yang diharapkan maksimum (baik untuk investasi tunggal atau posisi perdagangan, portofolio, atau di tingkat divisi atau perusahaan) selama jangka waktu tertentu. proyeksi. Model GARCH dipandang memberikan ukuran risiko yang lebih baik daripada yang dapat diperoleh melalui pelacakan standar deviasi saja.

Berbagai studi telah dilakukan tentang keandalan berbagai model GARCH selama kondisi pasar yang berbeda, termasuk selama periode menjelang dan setelah krisis keuangan 2007.