Pengertian Heteroskedastisitas Bersyarat Autoregresif (ARCH)?
Autoregressive conditional heteroskedasticity (ARCH) adalah model statistik yang digunakan untuk menganalisis volatilitas dalam deret waktu untuk meramalkan volatilitas di masa mendatang. Di dunia keuangan, pemodelan ARCH digunakan untuk memperkirakan risiko dengan menyediakan model volatilitas yang lebih menyerupai pasar nyata.
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 volatilitas atau varians cenderung mengelompok, yang berguna bagi investor saat mempertimbangkan risiko memegang aset selama periode waktu yang berbeda.
Konsep ARCH dikembangkan oleh ekonom Robert F. Engle III pada tahun 1980-an.
ARCH segera meningkatkan pemodelan keuangan, sehingga Engle memenangkan Hadiah Nobel Memorial 2003 dalam Ilmu Ekonomi.
Ringkasan:
- Model autoregressive conditional heteroskedasticity (ARCH) mengukur volatilitas dan memperkirakannya ke masa depan.
- Model ARCH bersifat dinamis, artinya mereka merespons perubahan data.
- Model ARCH digunakan oleh lembaga keuangan untuk memodelkan risiko aset selama periode kepemilikan yang berbeda.
- Ada banyak jenis model ARCH yang mengubah pembobotan untuk memberikan tampilan berbeda dari kumpulan data yang sama.
Pengertian Autoregressive Conditional Heteroskedastisity (ARCH)
Model autoregressive conditional heteroskedasticity (ARCH) dirancang untuk memperbaiki model ekonometrika dengan mengganti asumsi volatilitas konstan dengan volatilitas bersyarat. Engle dan lainnya yang mengerjakan model ARCH menyadari bahwa data keuangan masa lalu memengaruhi data masa depan—itulah definisi autoregresif.
Porsi heteroskedastisitas bersyarat 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, mengalami periode volatilitas tinggi dan rendah. Ekonom selalu mengetahui jumlah perubahan volatilitas, namun mereka sering mempertahankannya konstan untuk periode tertentu karena mereka kekurangan pilihan yang lebih baik saat memodelkan pasar.
ARCH menyediakan model yang dapat digunakan oleh para ekonom sebagai pengganti konstanta atau rata-rata untuk volatilitas. Model ARCH juga dapat mengenali dan memperkirakan 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 tahun 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 data ini.
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 adalah semua pasar keuangan dalam jangka panjang).
Evolusi Model ARCH yang Berkelanjutan
Menurut kuliah Nobel Engle pada tahun 2003, ia mengembangkan ARCH sebagai tanggapan atas dugaan Milton Friedman bahwa ketidakpastian tentang tingkat inflasi daripada tingkat inflasi aktuallah yang berdampak negatif terhadap perekonomian. Setelah model dibangun, 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 lain-lain. Model varian ini sering memperkenalkan perubahan dalam hal pembobotan dan persyaratan untuk mencapai rentang peramalan yang lebih akurat.
Misalnya, EGARCH, atau GARCH eksponensial, memberikan bobot yang lebih besar untuk 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 masa lalu untuk menyesuaikan pembobotan menggunakan pendekatan kemungkinan maksimum. Hal ini menghasilkan model dinamis yang dapat memperkirakan volatilitas jangka pendek dan masa depan dengan akurasi yang meningkat—yang tentu saja menjadi alasan mengapa begitu banyak lembaga keuangan menggunakannya.