Apa itu 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, untuk menggambarkan pendekatan untuk memperkirakan volatilitas di pasar keuangan. Ada beberapa bentuk pemodelan GARCH. Proses GARCH sering lebih disukai oleh para profesional pemodelan keuangan karena memberikan konteks dunia nyata lebih daripada bentuk lain ketika mencoba untuk memprediksi harga dan tingkat instrumen keuangan.
BREAKING DOWN GARCH Process
Heteroskedastisitas menggambarkan pola variasi istilah yang tidak teratur, atau variabel, dalam model statistik. Pada dasarnya, di mana ada heteroskedastisitas, pengamatan tidak sesuai dengan pola linier. Sebaliknya, mereka cenderung berkelompok. Hasilnya adalah kesimpulan dan nilai prediktif yang dapat ditarik dari model tidak akan andal. GARCH adalah model statistik yang dapat digunakan untuk menganalisis sejumlah jenis data keuangan, misalnya, data ekonomi makro. Lembaga keuangan biasanya menggunakan model ini untuk memperkirakan volatilitas pengembalian untuk 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 memperkirakan pengembalian investasi saat ini untuk membantu alokasi aset, lindung nilai, manajemen risiko, dan keputusan optimalisasi portofolio.
Proses umum untuk model GARCH melibatkan tiga langkah. Yang pertama adalah memperkirakan model autoregresif yang paling pas. Yang kedua adalah untuk menghitung autokorelasi dari istilah kesalahan. Langkah ketiga adalah menguji signifikansi. Dua pendekatan lain yang banyak digunakan untuk memperkirakan dan memperkirakan volatilitas keuangan adalah metode klasik historis volatilitas (VolSD) dan metode volatilitas bergerak rata-rata tertimbang secara eksponensial (VolEWMA).
Contoh Proses GARCH
Model GARCH membantu menggambarkan pasar keuangan di mana volatilitas dapat berubah, menjadi lebih tidak stabil selama periode krisis keuangan atau peristiwa dunia dan kurang stabil selama periode pertumbuhan ekonomi yang relatif tenang dan stabil. Pada sebidang pengembalian, misalnya, pengembalian saham mungkin terlihat relatif seragam untuk tahun-tahun menjelang krisis keuangan seperti yang terjadi pada 2007. Pada periode waktu setelah permulaan krisis, bagaimanapun, pengembalian mungkin berayun liar dari negatif ke wilayah positif. Selain itu, peningkatan volatilitas dapat menjadi prediksi volatilitas ke depan. Volatilitas kemudian dapat kembali ke tingkat yang menyerupai tingkat pra-krisis atau lebih seragam ke depan. Model regresi sederhana tidak memperhitungkan variasi volatilitas yang diperlihatkan di pasar keuangan dan tidak mewakili peristiwa "angsa hitam" yang terjadi lebih dari yang diprediksi sebelumnya.
Model GARCH Terbaik untuk Pengembalian Aset
Proses GARCH berbeda dari model homoskedastik, yang mengasumsikan volatilitas konstan dan digunakan dalam analisis kuadrat terkecil biasa (OLS). OLS bertujuan untuk meminimalkan penyimpangan antara titik data dan garis regresi agar sesuai dengan titik-titik tersebut. Dengan pengembalian aset, volatilitas tampaknya bervariasi selama periode waktu tertentu dan bergantung pada varians masa lalu, membuat model homoskedastik tidak optimal.
Proses GARCH, menjadi autoregresif, tergantung pada pengamatan kuadrat masa lalu dan varian masa lalu untuk model varians saat ini. Proses GARCH banyak digunakan dalam keuangan karena efektivitasnya dalam pemodelan pengembalian aset dan inflasi. GARCH bertujuan untuk meminimalkan kesalahan dalam peramalan dengan memperhitungkan kesalahan dalam peramalan sebelumnya dan, dengan demikian, meningkatkan keakuratan prediksi yang sedang berlangsung.
