Pengertian Generalized AutoRegressive Conditional Heteroskedasticity (GARCH)?
Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) adalah model statistik yang digunakan dalam menganalisis data deret waktu di mana galat varians diyakini berkorelasi otomatis secara serial. Model GARCH mengasumsikan bahwa varian dari error term mengikuti proses rata-rata bergerak autoregresif.
Ringkasan:
- GARCH adalah teknik pemodelan statistik yang digunakan untuk membantu memprediksi volatilitas pengembalian aset keuangan.
- GARCH sesuai untuk data deret waktu di mana varian dari istilah kesalahan berkorelasi secara otomatis mengikuti proses rata-rata bergerak autoregresif.
- GARCH berguna untuk menilai risiko dan pengembalian yang diharapkan untuk aset yang menunjukkan periode volatilitas pengembalian yang mengelompok.
Pengertian Generalized AutoRegressive Conditional Heteroskedastisity (GARCH)
Meskipun model GARCH dapat digunakan dalam analisis sejumlah jenis data keuangan yang berbeda, seperti data ekonomi makro, 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 untuk memperkirakan pengembalian investasi saat ini untuk membantu keputusan alokasi aset, lindung nilai, manajemen risiko, dan pengoptimalan portofolio.
Model GARCH digunakan ketika varian dari error term tidak konstan. Artinya, error termnya heteroskedastis.
Heteroskedastisitas menggambarkan pola variasi yang tidak teratur dari istilah kesalahan, atau variabel, dalam model statistik. Intinya, dimanapun 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 dari error term dalam model GARCH diasumsikan bervariasi secara sistematis, bergantung pada ukuran rata-rata error term pada periode sebelumnya. Dengan kata lain, ia memiliki heteroskedastisitas bersyarat, dan alasan heteroskedastisitas adalah karena istilah kesalahan mengikuti pola rata-rata bergerak autoregresif.
Ini berarti bahwa itu adalah fungsi dari rata-rata nilai masa lalunya sendiri.
Sejarah GARCH
GARCH dikembangkan pada tahun 1986 oleh Dr. Tim Bollerslev, seorang mahasiswa doktoral pada saat itu, sebagai cara untuk mengatasi masalah peramalan volatilitas harga aset.
Ini dibangun di atas terobosan karya ekonom Robert Engle tahun 1982 dalam memperkenalkan model Autoregressive Conditional Heteroskedasticity (ARCH). Modelnya mengasumsikan variasi pengembalian finansial tidak konstan dari waktu ke waktu tetapi berkorelasi otomatis, atau bersyarat untuk/bergantung satu sama lain.
Misalnya, kita dapat melihat ini dalam pengembalian saham di mana periode volatilitas dalam pengembalian cenderung dikelompokkan bersama. Sejak pengenalan awal, banyak variasi GARCH telah muncul.
Ini termasuk Nonlinier (NGARCH), yang membahas korelasi dan mengamati “pengelompokan volatilitas” pengembalian, dan GARCH Terpadu (IGARCH), yang membatasi parameter volatilitas. Semua variasi model GARCH berusaha untuk memasukkan arah, positif atau negatif, pengembalian di samping besarnya (dibahas dalam model asli).
Setiap derivasi GARCH dapat digunakan untuk mengakomodasi kualitas spesifik dari saham, industri, atau data ekonomi. Saat menilai risiko, lembaga keuangan memasukkan model GARCH ke dalam Value-at-Risk (VAR), kerugian maksimum yang diharapkan (apakah untuk investasi tunggal atau posisi perdagangan, portofolio, atau pada divisi atau tingkat perusahaan) selama periode waktu tertentu.
Model GARCH dipandang memberikan ukuran risiko yang lebih baik daripada yang dapat diperoleh melalui pelacakan standar deviasi saja. Berbagai penelitian telah dilakukan mengenai keandalan berbagai model GARCH selama kondisi pasar yang berbeda, termasuk selama periode menjelang dan setelah Resesi Hebat.