Apa Volatilitas yang Memvariasikan Waktu?
Volatilitas yang bervariasi waktu mengacu pada fluktuasi volatilitas selama periode waktu yang berbeda. Investor dapat memilih untuk mempelajari atau mempertimbangkan volatilitas keamanan yang mendasari selama berbagai periode waktu. Misalnya, volatilitas aset tertentu mungkin lebih rendah selama musim panas ketika pedagang sedang berlibur. Penggunaan ukuran volatilitas yang bervariasi waktu dapat mempengaruhi ekspektasi investasi.
Bagaimana Volatilitas Memvariasikan Waktu Bekerja
Volatilitas yang bervariasi waktu dapat dipelajari dalam kerangka waktu apa pun. Secara umum, analisis volatilitas memerlukan pemodelan matematika untuk menghasilkan tingkat volatilitas sebagai salah satu ukuran risiko keamanan yang mendasarinya. Jenis pemodelan ini menghasilkan statistik volatilitas historis.
Volatilitas historis umumnya disebut sebagai standar deviasi harga untuk instrumen keuangan, dan karenanya merupakan ukuran risikonya. Seiring waktu suatu sekuritas diharapkan memiliki volatilitas yang bervariasi tergantung pada perubahan besar dalam harga, dengan saham dan instrumen keuangan lainnya menunjukkan periode volatilitas tinggi dan volatilitas rendah di berbagai titik waktu.
Analis juga dapat menggunakan perhitungan matematis untuk menghasilkan volatilitas tersirat. Volatilitas tersirat berbeda dari volatilitas historis dalam hal itu tidak didasarkan pada data historis melainkan perhitungan matematis yang memberikan ukuran perkiraan volatilitas pasar berdasarkan faktor pasar saat ini.
Pengambilan Kunci
- Volatilitas yang bervariasi terhadap waktu menggambarkan bagaimana volatilitas harga suatu aset dapat berubah dengan periode waktu yang berbeda. Analisis volatilitas memerlukan penggunaan model keuangan untuk menyelesaikan perbedaan statistik dalam fluktuasi harga dalam berbagai kerangka waktu yang berbeda. volatilitas tinggi dapat diikuti oleh periode rendah, dan sebaliknya.
Volatilitas Historis
Volatilitas historis dapat dianalisis berdasarkan periode waktu berdasarkan ketersediaan data. Banyak analis mencari model volatilitas pertama dengan data yang tersedia sebanyak mungkin untuk menemukan volatilitas keamanan sepanjang hidupnya. Dalam jenis analisis ini, volatilitas hanyalah standar deviasi dari harga sekuritas di sekitar rata-rata.
Menganalisis volatilitas dengan periode waktu tertentu dapat membantu untuk memahami bagaimana keamanan telah berperilaku selama siklus pasar tertentu, krisis atau peristiwa yang ditargetkan. Volatilitas deret waktu juga dapat membantu dalam menganalisis volatilitas sekuritas dalam beberapa bulan atau kuartal terakhir versus kerangka waktu yang lebih lama.
Volatilitas historis juga dapat menjadi variabel dalam penetapan harga pasar dan model kuantitatif yang berbeda. Sebagai contoh, Model Harga Pilihan Black-Scholes membutuhkan volatilitas historis keamanan ketika berusaha mengidentifikasi harga opsi.
Volatilitas Tersirat
Volatilitas juga dapat diekstraksi dari model seperti model Black-Scholes untuk mengidentifikasi asumsi volatilitas pasar saat ini. Dengan kata lain, model tersebut dapat dijalankan mundur dengan mengambil harga pasar yang diamati dari suatu opsi sebagai input untuk menentukan berapa volatilitas aset yang mendasarinya untuk mencapai harga tersebut.
Secara umum, kerangka waktu volatilitas tersirat didasarkan pada waktu berakhirnya. Secara keseluruhan, opsi dengan waktu yang lebih lama untuk kedaluwarsa akan memiliki volatilitas yang lebih tinggi sementara opsi yang berakhir dalam jumlah waktu yang lebih pendek akan memiliki volatilitas tersirat yang lebih rendah.
Hadiah Nobel 2003 dalam bidang Ekonomi
Pada tahun 2003 ekonom Robert F. Engle dan Clive Granger memenangkan Hadiah Nobel Memorial dalam bidang Ekonomi untuk pekerjaan mereka dalam mempelajari volatilitas yang bervariasi waktu. Para ekonom mengembangkan model Autoregressive Conditional Heteroskedasticity (ARCH). Model ini memberikan wawasan untuk menganalisis dan menjelaskan volatilitas selama periode waktu yang berbeda. Hasilnya kemudian dapat digunakan dalam manajemen risiko prediktif yang dapat membantu mengurangi kerugian dalam berbagai skenario yang berbeda.
