Definisi Chief Investment Officer (CIO)

Apa itu Heteroskedastisitas Bersyarat Autoregresif Umum (GARCH)?

Generalized Autoregressive Conditional Heteroskedastisitas (GARCH) adalah model statistik yang digunakan untuk menganalisis data deret waktu di mana kesalahan varians dianggap sebagai autokorelasi deret. Model GARCH mengasumsikan bahwa varians dari istilah kesalahan mengikuti proses rata-rata bergerak autoregresif.

Poin penting untuk diingat

  • GARCH adalah teknik pemodelan statistik yang digunakan untuk membantu memprediksi volatilitas pengembalian aset keuangan.
  • GARCH cocok untuk data deret waktu di mana varians dari istilah kesalahan dikorelasikan secara otomatis secara seri sebagai hasil dari proses rata-rata bergerak autoregresif.
  • GARCH berguna untuk menilai risiko dan pengembalian yang diharapkan dari aset yang menunjukkan periode volatilitas pengembalian yang berkelompok.

Memahami Generalized Autoregressive Conditional Heteroskedastisitas (GARCH)

Meskipun model GARCH dapat digunakan dalam analisis sejumlah jenis data keuangan yang berbeda, seperti data makroekonomi, lembaga keuangan biasanya menggunakannya untuk memperkirakan volatilitas pengembalian saham, obligasi, dan indeks. Mereka menggunakan informasi yang diperoleh untuk membantu menentukan harga dan menilai aset mana yang berpotensi memberikan pengembalian lebih tinggi, serta memprediksi pengembalian investasi saat ini untuk membantu mereka dalam alokasi aset, lindung nilai, keputusan manajemen, risiko, dan optimalisasi portofolio.

Model GARCH digunakan ketika varians dari error term tidak konstan. Artinya, istilah kesalahannya adalah heteroskedastis. Heteroskedastisitas menggambarkan pola variasi yang tidak teratur dari istilah kesalahan, atau variabel, dalam model statistik.

Pada dasarnya, dimanapun ada heteroskedastisitas, pengamatan tidak sesuai dengan model linier. Sebaliknya, mereka cenderung berkelompok. Oleh karena itu, jika model statistik yang mengasumsikan varians konstan digunakan pada data ini, kesimpulan dan nilai prediksi yang dapat ditarik dari model tersebut tidak akan dapat diandalkan.

Varian dari error term dalam model GARCH diasumsikan bervariasi secara sistematis, tergantung pada ukuran rata-rata error term pada periode sebelumnya. Dengan kata lain, ia memiliki heteroskedastisitas bersyarat, dan alasan heteroskedastisitas adalah bahwa istilah kesalahan mengikuti pola rata-rata bergerak autoregressive. Ini berarti bahwa itu adalah fungsi dari rata-rata dari nilai masa lalunya sendiri.

sejarah GARCH

GARCH dikembangkan pada tahun 1986 oleh Dr Tim Bollerslev, seorang mahasiswa doktoral pada saat itu, sebagai cara untuk memecahkan masalah peramalan volatilitas harga aset. Ini dibangun di atas karya terobosan ekonom Robert Engle pada tahun 1982 dengan memperkenalkan model heteroskedastisitas bersyarat autoregresif (ARCH). Modelnya mengasumsikan bahwa variasi dalam pengembalian finansial tidak konstan sepanjang waktu tetapi bersifat autokorelasi atau bersyarat/bergantung satu sama lain. Sebagai contoh, hal ini dapat dilihat pada return saham dimana periode volatilitas return cenderung mengelompok.

Sejak awal pengenalan, banyak variasi GARCH telah muncul. Ini termasuk Nonlinier (NGARCH), yang berhubungan dengan korelasi dan mengamati “pengelompokan volatilitas” pengembalian, dan GARCH Terintegrasi (IGARCH), yang membatasi parameter volatilitas. Semua variasi model GARCH berusaha untuk memasukkan arah, positif atau negatif, dari pengembalian di samping besarnya (ditujukan dalam model asli).

Setiap turunan GARCH dapat digunakan untuk menjelaskan kualitas tertentu dari saham, industri atau ekonomi. Saat menilai risiko, lembaga keuangan memasukkan model GARCH ke dalam value at risk (VAR), kerugian maksimum yang diharapkan (baik untuk investasi tunggal atau posisi perdagangan, portofolio, atau pada tingkat divisi atau bisnis) selama periode waktu tertentu. waktu. Model GARCH dianggap memberikan indikator risiko yang lebih baik daripada yang dapat diperoleh dengan memantau standar deviasi saja.

Berbagai penelitian telah dilakukan pada keandalan berbagai model GARCH di bawah kondisi pasar yang berbeda, termasuk selama periode sebelum dan setelah Resesi Hebat.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *