Volatility Targeting: Menyesuaikan Risiko untuk Imbal Hasil Lebih Baik

Argumen untuk Risiko Dinamis

Sebagian besar investor terobsesi pada pembilang masalah investasi -- memprediksi imbal hasil -- sambil mengabaikan penyebut yang jauh lebih mudah ditangani: mengelola risiko. Moreira dan Muir (2017) mengubah asimetri ini menjadi hasil formal di Journal of Finance, mendemonstrasikan bahwa strategi yang tidak memerlukan keterampilan peramalan sama sekali dapat meningkatkan Sharpe ratio pasar ekuitas AS sebesar 20 hingga 40 persen. Mekanismenya sangat sederhana: sesuaikan eksposur secara terbalik terhadap volatilitas terkini. Strategi ini mengeksploitasi dua keteraturan empiris paling kokoh dalam keuangan -- bahwa volatilitas mengelompok (volatilitas hari ini memprediksi besok) dan bahwa Sharpe ratio kondisional lebih rendah dalam kondisi volatilitas tinggi. Perdebatan yang menyusul, termasuk bantahan dari Cederburg, O'Doherty, Wang, dan Yan (2020) mengenai kekokohan out-of-sample, telah mempertajam pemahaman tentang kapan dan mengapa penyesuaian risiko dinamis menambah nilai.

Poin Utama

Volatility targeting adalah salah satu teknik manajemen risiko paling sederhana dan paling efektif yang tersedia bagi investor. Idenya lugas: ketika volatilitas terealisasi naik, kurangi eksposur portofolio; ketika turun, tingkatkan eksposur. Moreira dan Muir (2017) menunjukkan bahwa pendekatan ini meningkatkan Sharpe ratio portofolio pasar AS sekitar 20 hingga 40 persen tanpa memerlukan kemampuan meramalkan imbal hasil. Strategi ini berhasil karena volatilitas sangat dapat diprediksi -- volatilitas hari ini adalah prediktor kuat untuk volatilitas besok -- sementara hubungan antara volatilitas dan imbal hasil masa depan ternyata sangat lemah.

Wawasan Inti: Volatilitas Dapat Diprediksi, Imbal Hasil Tidak

Setiap investor tahu bahwa memprediksi imbal hasil saham sangat sulit. Namun investor sering mengabaikan fakta komplementer: meskipun imbal hasil sulit diprediksi, risiko dari imbal hasil tersebut relatif mudah diramalkan.

Volatilitas terealisasi menunjukkan persistensi yang kuat. Jika pasar bergejolak minggu lalu, kemungkinan besar akan bergejolak minggu ini juga. Persistensi ini ditangkap oleh observasi sederhana bahwa varians return harian mengelompok -- pergerakan besar cenderung diikuti pergerakan besar, dan pergerakan kecil diikuti pergerakan kecil.

Wawasan kritis di balik volatility targeting adalah bahwa prediktabilitas risiko ini, dikombinasikan dengan hubungan lemah antara risiko dan imbal hasil yang diharapkan, menciptakan peluang gratis. Jika periode volatilitas tinggi tidak mengompensasi investor dengan imbal hasil yang proporsional lebih tinggi, maka mempertahankan eksposur konstan selama periode tersebut berarti menerima lebih banyak risiko tanpa imbalan tambahan.

Cara Kerja Volatility Targeting

Formula Dasar

Portofolio yang dikelola volatilitasnya menyesuaikan eksposurnya ke aset berisiko berdasarkan tingkat volatilitas target:

Bobot = Volatilitas Target / Volatilitas Terealisasi

Misalnya, jika volatilitas target Anda 15 persen tahunan dan volatilitas terealisasi terkini 30 persen, bobot portofolio pada aset berisiko turun ke 0,5 (alokasi 50%). Jika volatilitas terealisasi turun ke 10 persen, bobot naik ke 1,5 (150%, memerlukan leverage).

Mengukur Volatilitas Terealisasi

Pendekatan paling umum menggunakan jendela lookback pendek dari varians terealisasi. Moreira dan Muir menggunakan return harian bulan sebelumnya. Pilihan estimator tidak begitu penting -- bahkan varians terealisasi 21 hari sederhana menghasilkan perbaikan substansial.

Bukti Lintas Kelas Aset

Perbaikannya konsisten namun tidak seragam. Cenderung paling besar untuk aset dengan volatilitas paling bervariasi -- ekuitas dan momentum -- dan lebih kecil untuk aset dengan profil volatilitas lebih stabil seperti obligasi pemerintah.

Mengapa Berhasil?

Fakta 1: Volatilitas Mengelompok

Volatilitas return keuangan menunjukkan autokorelasi yang kuat. Estimasi varians terealisasi 21 hari memiliki autokorelasi orde pertama sekitar 0,7 hingga 0,8 untuk pasar ekuitas. Pengelompokan terjadi karena pendorong volatilitas -- ketidakpastian makroekonomi, kondisi likuiditas, sentimen investor -- sendiri berubah perlahan.

Fakta 2: Tradeoff Risiko-Imbal Hasil Lemah

Teori keuangan klasik menyatakan volatilitas lebih tinggi seharusnya disertai imbal hasil yang diharapkan lebih tinggi. Secara empiris, hubungan ini paling-paling lemah dan terkadang negatif.

Moreira dan Muir menunjukkan bahwa periode volatilitas sangat tinggi -- episode krisis, kepanikan pasar -- cenderung memiliki Sharpe ratio terealisasi yang lebih rendah, bukan lebih tinggi. Asimetri inilah mesin volatility targeting. Anda mengurangi eksposur tepat ketika imbalan-per-unit-risiko paling rendah dan meningkatkannya ketika paling tinggi.

Implementasi Praktis

Proses Langkah-demi-Langkah

1. Estimasi volatilitas terealisasi. Hitung standar deviasi tahunan dari return harian selama 21 hari perdagangan terakhir.

2. Hitung bobot portofolio. Bagi volatilitas target dengan estimasi volatilitas terealisasi. Batasi bobot pada maksimum (seperti 1,5 atau 2,0) untuk mencegah leverage berlebihan.

3. Alokasikan. Investasikan bobot yang dihitung ke aset berisiko dan sisanya ke kas atau obligasi jangka pendek.

4. Rebalancing. Ulangi setiap hari atau mingguan.

Pertimbangan Implementasi

Batas leverage. Ketika volatilitas terealisasi turun jauh di bawah target, formula mungkin meresepkan bobot di atas 1,0. Banyak investor membatasi bobot maksimum di 1,0 untuk implementasi tanpa leverage, yang masih menangkap sebagian besar manfaat.

Biaya transaksi. Menggunakan band di sekitar bobot target -- rebalancing hanya ketika deviasi melebihi ambang batas -- secara substansial mengurangi turnover sambil mempertahankan sebagian besar perbaikan Sharpe ratio.

Perubahan rezim. Volatility targeting merespons perubahan volatilitas, bukan mengantisipasinya. Selama lonjakan volatilitas mendadak, strategi masih terekspos penuh. Ia mengurangi eksposur hanya setelah volatilitas terealisasi naik.

Hubungan dengan Trend Following dan Risk Parity

Volatility targeting termasuk dalam keluarga teknik manajemen risiko dinamis yang berbagi filosofi umum: mengelola risiko portofolio daripada meramalkan imbal hasil.

Risk parity menggunakan estimasi volatilitas untuk menetapkan bobot guna mencapai kontribusi risiko yang sama di seluruh kelas aset. Volatility targeting dapat diterapkan di atas alokasi risk parity untuk mengelola risiko keseluruhan portofolio secara dinamis.

Trend following mengurangi eksposur saat harga aset turun dan meningkatkannya saat naik. Dalam praktik, trend following secara implisit melakukan beberapa volatility targeting karena harga yang turun biasanya bertepatan dengan volatilitas yang naik.

Ketiga pendekatan ini komplementer. Portofolio yang menggunakan risk parity untuk alokasi, trend following untuk sinyal arah, dan volatility targeting untuk manajemen risiko memanfaatkan sumber informasi yang berbeda.

Volatility Targeting untuk Portofolio Faktor

Salah satu aplikasi paling praktis dari volatility targeting adalah mengelola eksposur strategi faktor. Return faktor -- terutama momentum, nilai, dan carry -- menunjukkan volatilitas yang bervariasi waktu bahkan lebih menonjol daripada volatilitas pasar agregat.

Misalnya, crash momentum didahului oleh peningkatan tajam volatilitas portofolio momentum. Strategi momentum yang ditargetkan volatilitasnya secara alami akan mengurangi eksposur sebelum bagian terburuk dari crash -- bukan karena memprediksi crash, tetapi karena merespons volatilitas yang meningkat sebelumnya.

Kinerja Simulasi

Pertimbangkan portofolio hipotetis $100.000 yang menerapkan overlay volatility-targeting pada eksposur pasar ekuitas AS dari Januari 2005 hingga Desember 2025. Strategi menargetkan volatilitas tahunan 15%, menggunakan varians terealisasi trailing 21 hari. Bobot maksimum 1,5 (batas leverage 50%).

Sharpe ratio periode penuh 0,62 menunjukkan perbaikan sekitar 30% dibanding benchmark statis sekitar 0,45-0,48, dicapai tanpa kemampuan peramalan imbal hasil apa pun. Drawdown 2008 berkurang dari -37,0% menjadi -21,4%.

Simulasi ini menggunakan data historis dan tidak merepresentasikan hasil perdagangan aktual.

Ketika Bukti Runtuh

Crash berbentuk V pada Maret 2020 mengekspos keterbatasan fundamental dari setiap strategi manajemen risiko reaktif. Antara 19 Februari dan 23 Maret 2020, S&P 500 jatuh 34% hanya dalam 23 hari perdagangan. Volatility targeting memperkirakan volatilitas dari data Februari yang tenang, sehingga memasuki Maret dengan eksposur penuh atau hampir penuh. Pada saat jendela trailing 21 hari menggabungkan cukup banyak return periode krisis untuk menaikkan estimasi volatilitas di atas target, portofolio sudah menyerap sebagian besar drawdown. Harvey, Hoyle, Korgaonkar, Rattray, Sargaison, dan Van Hemert (2018), yang menulis sebelum pandemi, telah mengidentifikasi kerentanan ini dengan tepat.

Mode kegagalan yang berlawanan muncul selama lingkungan volatilitas rendah 2017. VIX rata-rata di bawah 12 selama sebagian besar tahun, dan peristiwa "Volmageddon" pada 5 Februari 2018 -- VIX melonjak dari 17 ke 37 intraday, S&P 500 kehilangan lebih dari 4% -- membuat portofolio volatility-targeting dengan leverage mengalami kerugian yang diperkuat karena periode volatilitas rendah sebelumnya telah menginduksi leverage maksimum.

Cederburg, O'Doherty, Wang, dan Yan (2020) menggunakan simulasi bootstrap dan data internasional menunjukkan bahwa perbaikan Sharpe ratio out-of-sample secara material lebih kecil daripada estimasi in-sample -- sekitar 10-15% dibanding 20-40%.

Perdebatan Sharpe Ratio

Literatur akademis telah konvergen pada beberapa poin. Mekanisme inti tidak diperdebatkan: volatilitas memiliki persistensi tinggi (Andersen, Bollerslev, Diebold, Labys 2003), dan Sharpe ratio kondisional cenderung lebih rendah selama periode volatilitas tinggi (Moreira dan Muir 2017, Barroso dan Santa-Clara 2015). Barroso dan Santa-Clara (2015) menemukan perbaikan yang sangat kuat untuk strategi momentum, secara efektif memitigasi crash momentum yang diidentifikasi oleh Daniel dan Moskowitz (2016).

Konsensus praktis menyatakan bahwa volatility targeting memberikan perbaikan imbal hasil risiko-disesuaikan yang andal namun moderat -- kemungkinan dalam kisaran 10-20% perbaikan Sharpe ratio untuk portofolio terdiversifikasi. Strategi ini harus dipahami sebagai teknik manajemen risiko daripada sinyal peningkat imbal hasil, dan paling bernilai ketika dikombinasikan dengan pendekatan alokasi dinamis lainnya seperti trend following dan risk parity.