Model GARCH: Peramalan Volatilitas dalam Praktik

Poin Utama

GARCH(1,1) tetap menjadi model utama peramalan volatilitas empat dekade setelah diperkenalkan, menangkap lebih dari 90% dinamika varians kondisional hanya dengan tiga parameter. Meskipun ekstensi asimetris seperti EGARCH dan GJR-GARCH meningkatkan kinerja selama tekanan pasar dengan memodelkan efek leverage, Hansen dan Lunde (2005) menemukan bahwa tidak ada model dalam perbandingan 330 varian GARCH yang secara konsisten mengungguli GARCH(1,1) yang diestimasi dengan baik untuk volatilitas nilai tukar harian. Pelajaran praktisnya jelas: kesederhanaan model sering mengalahkan kompleksitas dalam peramalan out-of-sample.

Dari Volatilitas Konstan ke Volatilitas Kondisional

Sebelum Robert Engle menerbitkan makalah terobosannya pada tahun 1982, ekonometrika keuangan memperlakukan volatilitas sebagai konstan. Optimisasi portofolio menggunakan estimasi varians tunggal yang diturunkan dari seluruh sampel, ukuran risiko mengasumsikan distribusi stabil, dan opsi diberi harga dengan asumsi bahwa volatilitas adalah parameter tetap yang diketahui. Siapa pun yang mengamati pasar selama lebih dari beberapa bulan mengetahui bahwa ini salah. Volatilitas mengalami clustering: periode tenang bertahan, dan periode bergejolak pun bertahan. Crash Oktober 1987, krisis keuangan Asia 1997, dan krisis keuangan global 2008 semuanya menunjukkan volatility clustering dramatis yang tidak dapat ditangkap oleh model varians konstan.

Engle (1982) memformalkan pengamatan ini dengan model Autoregressive Conditional Heteroskedasticity (ARCH). Alih-alih memperlakukan varians sebagai tetap, model ARCH memungkinkan varians kondisional pada waktu t bergantung pada return shock kuadrat masa lalu. Dalam spesifikasi ARCH(1) yang paling sederhana:

h(t) = omega + alpha * epsilon(t-1)^2

di mana h(t) adalah varians kondisional, omega adalah tingkat varians dasar, epsilon(t-1) adalah return shock periode sebelumnya, dan alpha mengatur seberapa kuat shock kemarin mempengaruhi estimasi varians hari ini. Ketika alpha besar, return shock besar (positif atau negatif) menyebabkan peningkatan besar dalam estimasi varians periode berikutnya. Ketika alpha kecil, model mendekati varians konstan.

Model ARCH membuat Engle mendapatkan Nobel Ekonomi 2003 secara bersama. Namun formulasi aslinya memiliki keterbatasan praktis: untuk menangkap peluruhan lambat volatility clustering, diperlukan banyak lag return kuadrat (ARCH orde tinggi), yang membutuhkan estimasi banyak parameter dan sering menghasilkan estimasi yang tidak stabil.

Terobosan GARCH(1,1)

Bollerslev (1986) memecahkan masalah parsimoni ini dengan model Generalized ARCH, atau GARCH. Wawasan kuncinya adalah memasukkan varians kondisional yang di-lag sebagai prediktor:

h(t) = omega + alpha * epsilon(t-1)^2 + beta * h(t-1)

Persamaan tunggal ini, GARCH(1,1), menangkap dampak langsung dari return shock (melalui alpha) dan persistensi volatilitas masa lalu (melalui beta). Parameter beta bertindak sebagai bobot pemulusan eksponensial pada seluruh riwayat return kuadrat, memungkinkan model menghasilkan kluster volatilitas yang bertahan lama hanya dengan tiga parameter.

Jumlah alpha + beta adalah parameter persistensi. Ketika jumlah ini mendekati 1, shock terhadap volatilitas meluruh perlahan, dan varians tanpa syarat omega / (1 - alpha - beta) menjadi besar. Ketika jumlahnya tepat 1, prosesnya adalah integrated GARCH (IGARCH), yang berarti shock volatilitas tidak pernah sepenuhnya hilang. Secara empiris, estimasi untuk return ekuitas harian biasanya menghasilkan alpha + beta antara 0.97 dan 0.995, menunjukkan persistensi yang sangat tinggi.

Tabel berikut menunjukkan estimasi parameter GARCH(1,1) tipikal untuk kelas aset utama menggunakan return harian:

Kolom half-life menunjukkan berapa hari yang diperlukan agar shock volatilitas meluruh hingga setengah dari dampak awalnya, dihitung sebagai ln(0.5) / ln(alpha + beta). Persistensi yang lebih tinggi berarti shock bergema lebih lama, yang penting untuk horizon manajemen risiko dan penetapan harga opsi.

Efek Leverage: Mengapa Penurunan Memperkuat Volatilitas

Satu fenomena yang terlewatkan oleh GARCH(1,1) adalah asimetri respons volatilitas terhadap return positif versus negatif. Secara empiris, return shock negatif meningkatkan volatilitas berikutnya lebih besar daripada shock positif dengan besaran yang sama. Ini adalah efek leverage, pertama kali didokumentasikan oleh Black (1976), yang berhipotesis bahwa penurunan harga saham meningkatkan rasio leverage perusahaan, membuat ekuitas lebih volatil.

Dua ekstensi utama mengatasi asimetri ini.

Nelson (1991) mengusulkan model Exponential GARCH (EGARCH), yang memodelkan logaritma varians alih-alih varians itu sendiri:

ln h(t) = omega + alpha * [|z(t-1)| - E|z(t-1)|] + gamma * z(t-1) + beta * ln h(t-1)

di mana z(t-1) adalah residual terstandarisasi. Parameter gamma menangkap asimetri: ketika gamma negatif, shock negatif meningkatkan volatilitas lebih besar daripada shock positif. Karena model beroperasi pada skala logaritma, model ini secara otomatis memastikan bahwa varians kondisional selalu positif tanpa memerlukan kendala parameter.

Glosten, Jagannathan, dan Runkle (1993) mengusulkan model GJR-GARCH, yang menambahkan fungsi indikator:

h(t) = omega + (alpha + gamma * I(t-1)) * epsilon(t-1)^2 + beta * h(t-1)

di mana I(t-1) sama dengan 1 ketika epsilon(t-1) negatif dan 0 sebaliknya. Parameter gamma menangkap dampak volatilitas tambahan dari shock negatif. Untuk S&P 500, estimasi tipikal memberikan gamma sekitar 0.10 hingga 0.15, yang berarti return negatif 2% meningkatkan varians kondisional hari berikutnya sekitar 50-75% lebih besar daripada return positif 2%.

Tabel berikut membandingkan kesesuaian model di seluruh spesifikasi ini untuk return harian S&P 500 (1990-2024):

Model asimetris (EGARCH, GJR-GARCH, TGARCH) secara konsisten mengungguli GARCH simetris pada kriteria informasi. Menambahkan lag GARCH kedua (GARCH(2,1)) hampir tidak memberikan perbaikan, mengonfirmasi bahwa efek leverage lebih penting daripada lag tambahan.

Estimasi Parameter dalam Praktik

Parameter GARCH biasanya diestimasi dengan maximum likelihood. Dengan asumsi bahwa residual terstandarisasi mengikuti distribusi normal, fungsi log-likelihood untuk sampel T observasi adalah:

L = -0.5 * sum[ln(h(t)) + epsilon(t)^2 / h(t)]

Dalam praktik, return keuangan menunjukkan ekor yang lebih tebal daripada distribusi normal, sehingga distribusi Student-t atau Generalized Error Distribution (GED) umumnya digunakan. Pilihan distribusi error mempengaruhi parameter yang diestimasi dan kualitas prakiraan risiko ekor.

Beberapa pertimbangan praktis penting untuk estimasi yang robust. Ukuran sampel harus minimal 1.000 observasi harian (sekitar empat tahun) untuk mendapatkan estimasi parameter yang stabil. Rutinitas optimisasi harus menggunakan gradien analitis jika tersedia, dan hasil harus diperiksa terhadap beberapa nilai awal untuk menghindari optima lokal. Standard error harus dihitung menggunakan estimator robust (sandwich) dari Bollerslev dan Wooldridge (1992), yang tetap valid bahkan ketika distribusi error salah spesifikasi.

Jebakan umum adalah menginterpretasikan estimasi beta yang sangat tinggi (di atas 0.95) tanpa mempertimbangkan structural break. Jika sampel mencakup periode yang meliputi perubahan rezim fundamental (seperti transisi dari inflasi tinggi ke rendah), model GARCH akan mengatribusikan pergeseran varians yang dihasilkan ke persistensi ekstrem, menggelembungkan beta dan mengurangi akurasi prakiraan model.

Akurasi Prakiraan: Apa yang Berhasil dalam Praktik

Hansen dan Lunde (2005) melakukan perbandingan paling komprehensif terhadap model tipe GARCH, mengevaluasi 330 spesifikasi berbeda untuk meramalkan volatilitas harian return saham IBM dan return nilai tukar DM/USD. Temuan mereka secara mengejutkan definitif:

Untuk data nilai tukar, tidak ada model yang secara signifikan mengungguli GARCH(1,1). Untuk data ekuitas, model asimetris (EGARCH, GJR-GARCH) memberikan perbaikan yang signifikan secara statistik dibandingkan GARCH simetris. Efek leverage lebih menonjol di pasar ekuitas, di mana korelasi negatif return-volatilitas lebih kuat, daripada di pasar mata uang.

Tabel berikut merangkum akurasi prakiraan out-of-sample yang diukur dengan Mean Squared Error (MSE) relatif terhadap GARCH(1,1) (dinormalisasi ke 1.00):

Nilai di bawah 1.00 menunjukkan akurasi prakiraan yang lebih baik daripada GARCH(1,1). Polanya konsisten: model asimetris meningkatkan prakiraan volatilitas ekuitas sebesar 6-7%, menawarkan peningkatan marginal untuk obligasi, dan hampir tidak berpengaruh untuk mata uang. Model simetris yang lebih kompleks jarang membantu.

Aplikasi dalam Manajemen Risiko dan Penetapan Harga Opsi

Model GARCH melayani dua fungsi praktis utama dalam keuangan modern.

Dalam manajemen risiko, perhitungan Value at Risk (VaR) dan Expected Shortfall (ES) berbasis GARCH mengondisikan estimasi risiko pada rezim volatilitas saat ini. Selama periode tenang, VaR berbasis GARCH mengencang, memungkinkan portofolio mengambil posisi lebih besar dalam anggaran risiko yang sama. Selama periode bergejolak, VaR meluas, secara otomatis mengurangi ukuran posisi. Pendekatan kondisional ini menghasilkan prakiraan risiko yang lebih akurat daripada metode tanpa kondisi, terutama pada horizon 1 hari dan 10 hari yang digunakan oleh kerangka regulasi seperti Basel III.

Dalam penetapan harga opsi, model GARCH menjembatani kesenjangan antara pemodelan ekonometrik waktu diskret dan valuasi opsi waktu kontinu. Duan (1995) mengembangkan locally risk-neutral valuation relationship (LRNVR), yang memungkinkan parameter GARCH yang diestimasi dari return historis digunakan untuk penetapan harga opsi di bawah ukuran risk-neutral. Wawasan kuncinya adalah bahwa persistensi volatilitas yang ditangkap oleh GARCH diterjemahkan ke dalam struktur term implied volatility: persistensi tinggi (alpha + beta mendekati 1) menghasilkan struktur term yang lebih datar, sementara persistensi yang lebih rendah menghasilkan struktur yang lebih curam. Model GARCH asimetris juga menghasilkan skew implied volatility, menangkap kecenderungan pasar untuk memberi harga risiko penurunan lebih berat.

Keterbatasan dan Alternatif Modern

Model GARCH beroperasi pada frekuensi tunggal, biasanya harian. Model ini tidak dapat mengeksploitasi konten informasi data intrahari tanpa agregasi, yang membuang sinyal frekuensi tinggi yang berpotensi berharga. Ukuran realized volatility, yang dibangun dari return intrahari, menyediakan estimasi varians harian yang lebih akurat dan dapat berfungsi sebagai input untuk model HAR (Heterogeneous Autoregressive) yang meramalkan pada beberapa horizon secara bersamaan.

Model GARCH mengasumsikan struktur parametrik untuk persamaan varians kondisional, yang mungkin tidak beradaptasi cukup cepat terhadap perubahan rezim mendadak seperti pergeseran kebijakan bank sentral atau guncangan geopolitik. Model GARCH regime-switching mengatasi hal ini dengan mengizinkan set parameter berbeda dalam kondisi pasar yang berbeda, dengan biaya parameter tambahan dan kompleksitas estimasi.

Pendekatan machine learning, termasuk jaringan saraf LSTM dan model berbasis pohon, telah menunjukkan potensi untuk peramalan volatilitas dengan menangkap pola nonlinear yang terlewatkan oleh persamaan varians linear GARCH. Namun, model-model ini membutuhkan data yang jauh lebih banyak, rentan terhadap overfitting, dan kurang memiliki interpretabilitas yang membuat model GARCH berguna untuk pelaporan regulasi dan komunikasi risiko.

Meskipun ada keterbatasan ini, GARCH tetap menjadi standar karena beberapa alasan: komputasinya cepat, memiliki dasar teoretis, mudah diinterpretasikan, dan didukung oleh bukti empiris selama puluhan tahun. Untuk sebagian besar aplikasi praktis dalam manajemen risiko dan penetapan harga derivatif, GARCH(1,1) atau GJR-GARCH(1,1) yang diestimasi dengan baik tetap menjadi titik awal yang tepat.

Kesimpulan Praktis

Keluarga model GARCH mentransformasi volatilitas dari parameter tetap menjadi kuantitas dinamis yang dapat diramalkan. Bagi praktisi, bukti mendukung hierarki yang jelas: mulai dengan GARCH(1,1) untuk parsimoni dan robustness-nya, tingkatkan ke GJR-GARCH atau EGARCH saat memodelkan volatilitas ekuitas di mana efek leverage penting, dan hindari godaan untuk menambah kompleksitas (orde lebih tinggi, distribusi eksotis, atau regime switching) kecuali ada bukti out-of-sample yang kuat bahwa parameter tambahan meningkatkan prakiraan. Jumlah alpha + beta adalah diagnostik tunggal yang paling penting; nilai di atas 0.98 menunjukkan persistensi tinggi dan mengisyaratkan bahwa pergeseran rezim volatilitas akan lambat, sementara nilai di bawah 0.95 menunjukkan mean-reversion yang lebih cepat dan horizon prakiraan yang lebih pendek.