Proses garch.

Apa Proses garch?

Proses heteroskedastisitas bersyarat autoregresif umum (GARCH) adalah istilah ekonometrik yang dikembangkan pada tahun 1982 oleh Robert F. Engle, seorang ekonom dan pemenang Hadiah Nobel untuk Ekonomi tahun 2003. GARCH menjelaskan pendekatan untuk memperkirakan volatilitas di pasar keuangan.

Ada beberapa bentuk pemodelan GARCH. Profesional keuangan sering kali lebih memilih proses GARCH karena memberikan konteks dunia yang lebih nyata daripada model lain ketika mencoba memprediksi harga dan kurs instrumen keuangan.

Memahami Proses GARCH

Heteroskedastisitas menggambarkan pola variasi yang tidak teratur dari istilah kesalahan, atau variabel, dalam model statistik. Pada dasarnya, jika terdapat heteroskedastisitas, observasi tidak sesuai dengan pola linier. Sebaliknya, mereka cenderung mengelompok.

Hasilnya adalah kesimpulan dan nilai prediksi yang diambil dari model tidak dapat diandalkan. GARCH adalah model statistik yang dapat digunakan untuk menganalisis berbagai jenis data keuangan, misalnya, data makroekonomi. Lembaga keuangan biasanya menggunakan model ini untuk memperkirakan volatilitas pengembalian saham, obligasi, dan indeks pasar. Mereka menggunakan informasi yang dihasilkan untuk menentukan harga, menilai aset mana yang berpotensi memberikan pengembalian yang lebih tinggi, dan memperkirakan pengembalian investasi saat ini untuk membantu dalam alokasi aset, lindung nilai, manajemen risiko, dan keputusan pengoptimalan portofolio.

Proses umum untuk model GARCH melibatkan tiga langkah. Yang pertama adalah memperkirakan model autoregresif yang paling pas. Yang kedua adalah menghitung autokorelasi dari istilah kesalahan. Langkah ketiga adalah menguji signifikansi.

Dua pendekatan lain yang banyak digunakan untuk memperkirakan dan memprediksi volatilitas keuangan adalah metode volatilitas historis klasik (VolSD) dan metode volatilitas rata-rata bergerak tertimbang eksponensial (VolEWMA).

Model GARCH Terbaik untuk Pengembalian Aset

Proses GARCH berbeda dari model homoskedastik, yang mengasumsikan volatilitas konstan dan digunakan dalam analisis dasar biasa terkecil kuadrat (OLS). OLS bertujuan untuk meminimalkan penyimpangan antara titik data dan garis regresi agar sesuai dengan titik tersebut. Dengan pengembalian aset, volatilitas tampaknya bervariasi selama periode tertentu dan bergantung pada varian masa lalu, membuat model homoskedastik menjadi suboptimal.

Proses GARCH, karena bersifat autoregresif, bergantung pada pengamatan kuadrat masa lalu dan varians masa lalu untuk memodelkan varian saat ini. Proses GARCH banyak digunakan di bidang keuangan karena keefektifannya dalam memodelkan pengembalian aset dan inflasi. GARCH bertujuan untuk meminimalkan kesalahan dalam peramalan dengan memperhitungkan kesalahan dalam peramalan sebelumnya dan meningkatkan keakuratan prediksi yang sedang berlangsung.

Contoh Proses GARCH

Model GARCH menggambarkan pasar keuangan di mana volatilitas dapat berubah, menjadi lebih tidak stabil selama periode krisis keuangan atau peristiwa dunia, dan tidak terlalu mudah berubah selama periode pertumbuhan ekonomi yang relatif tenang dan stabil. Pada plot pengembalian, misalnya, tingkat pengembalian saham mungkin terlihat relatif seragam untuk tahun-tahun menjelang krisis keuangan seperti yang terjadi pada tahun 2007.

Namun, dalam periode setelah permulaan krisis, pengembalian dapat berayun secara liar dari wilayah negatif ke positif. Selain itu, peningkatan volatilitas dapat menjadi prediksi volatilitas di masa mendatang. Volatilitas kemudian dapat kembali ke tingkat yang menyerupai tingkat sebelum krisis atau lebih seragam di masa mendatang. Model regresi sederhana tidak memperhitungkan variasi volatilitas yang ditunjukkan di pasar keuangan. Ini tidak mewakili peristiwa ” angsa hitam ” yang terjadi lebih sering dari yang diperkirakan.