Proses heteroskedastisitas kondisional autoregresif tergeneralisasi (GARCH) adalah istilah ekonometrik yang dikembangkan pada tahun 1982 oleh Robert F. Engle, seorang ekonom dan pemenang Hadiah Nobel Ekonomi tahun 2003. GARCH menggambarkan pendekatan untuk memperkirakan volatilitas di pasar keuangan. Ada beberapa bentuk pemodelan GARCH. Profesional keuangan sering kali lebih menyukai GARCH Process karena memberikan konteks dunia nyata yang lebih nyata daripada model lain saat mencoba memprediksi harga dan suku bunga instrumen keuangan.
Memahami GARCH Process
Heteroskedastisitas menggambarkan pola variasi yang tidak teratur dari istilah kesalahan, atau variabel, dalam model statistik. Pada dasarnya, jika terdapat heteroskedastisitas, pengamatan tidak sesuai dengan pola linier. Sebaliknya, pengamatan cenderung mengelompok.
Hasilnya adalah bahwa kesimpulan dan nilai prediktif yang ditarik dari model tidak akan dapat diandalkan. GARCH adalah model statistik yang dapat digunakan untuk menganalisis sejumlah jenis data keuangan yang berbeda, misalnya, data ekonomi makro. 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 lebih tinggi, dan memperkirakan pengembalian investasi saat ini untuk membantu dalam alokasi aset, lindung nilai, manajemen risiko, dan keputusan pengoptimalan portofolio mereka.
Proses umum untuk model GARCH melibatkan tiga langkah. Yang pertama adalah memperkirakan model autoregresif yang paling sesuai. 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
GARCH Process berbeda dari model homoskedastik, yang mengasumsikan volatilitas konstan dan digunakan dalam analisis kuadrat terkecil biasa (OLS) dasar. OLS bertujuan untuk meminimalkan deviasi antara titik data dan garis regresi agar sesuai dengan titik-titik tersebut. Dengan pengembalian aset, volatilitas tampaknya bervariasi selama periode tertentu dan bergantung pada varians masa lalu, sehingga model homoskedastik menjadi kurang optimal.
GARCH Process, karena bersifat autoregresif, bergantung pada pengamatan kuadrat masa lalu dan varians masa lalu untuk memodelkan varians saat ini. GARCH Process digunakan secara luas dalam keuangan karena efektivitasnya dalam memodelkan pengembalian aset dan inflasi. GARCH bertujuan untuk meminimalkan kesalahan dalam peramalan dengan memperhitungkan kesalahan dalam peramalan sebelumnya dan meningkatkan akurasi prediksi yang sedang berlangsung.
Contoh GARCH Process
Model GARCH menggambarkan pasar keuangan di mana volatilitas dapat berubah, menjadi lebih volatil selama periode krisis keuangan atau peristiwa dunia dan kurang volatil selama periode pertumbuhan ekonomi yang relatif tenang dan stabil. Pada plot pengembalian, misalnya, pengembalian saham mungkin terlihat relatif seragam untuk tahun-tahun menjelang krisis keuangan seperti tahun 2007.
Namun, pada periode setelah dimulainya krisis, pengembalian dapat berubah secara liar dari wilayah negatif ke wilayah positif. Selain itu, peningkatan volatilitas dapat menjadi prediktif volatilitas di masa mendatang. Volatilitas kemudian dapat kembali ke level yang menyerupai level sebelum krisis atau menjadi lebih seragam di masa mendatang. Model regresi sederhana tidak memperhitungkan variasi volatilitas yang ditunjukkan di pasar keuangan. Model ini tidak mewakili peristiwa “angsa hitam” yang terjadi lebih sering daripada yang diperkirakan.
