Dinamika Kurva Imbal Hasil: Dari Nelson-Siegel ke Struktur Jangka Modern

Garis yang Paling Diperhatikan di Dunia Keuangan

Pada Maret 2023, selisih antara imbal hasil Treasury AS 10 tahun dan 2 tahun turun hingga -107 basis poin, inversi terdalam sejak 1981. Di lantai perdagangan dari New York hingga Tokyo, reaksinya langsung terasa. Kurva imbal hasil yang terbalik telah mendahului setiap resesi AS sejak 1955, dengan hanya satu sinyal palsu. Satu titik data itu — kemiringan garis yang menghubungkan suku bunga pada berbagai jatuh tempo — memiliki daya prediksi terhadap resesi yang melampaui hampir semua indikator ekonomi lainnya. Memahami mengapa demikian, dan bagaimana memodelkan kurva yang menghasilkannya, merupakan salah satu persoalan terpenting dalam keuangan kuantitatif.

Kurva imbal hasil memplot suku bunga obligasi pemerintah terhadap waktu jatuh temponya. Obligasi pemerintah satu tahun mungkin memberikan imbal hasil 4,5 persen sementara yang sepuluh tahun memberikan 4,0 persen dan yang tiga puluh tahun memberikan 4,2 persen. Hubungkan titik-titik ini dan Anda mendapatkan sebuah kurva yang menyimpan ekspektasi kolektif pasar tentang suku bunga masa depan, inflasi, pertumbuhan ekonomi, dan risiko. Setiap suku bunga KPR, selisih obligasi korporasi, dan harga swap dalam perekonomian pada akhirnya merujuk pada kurva ini. Mendapatkan bentuknya secara tepat sangatlah penting.

Namun kurva imbal hasil bukan sekadar sekumpulan titik pada grafik. Ia adalah objek berdimensi tinggi — puluhan jatuh tempo, masing-masing dengan imbal hasilnya sendiri — yang bergerak dengan cara yang kompleks dan saling berkorelasi. Untuk menganalisisnya, memperdagangkannya, dan mengelola risiko yang tertanam di dalamnya, Anda membutuhkan model yang menangkap dinamika esensialnya dengan jumlah parameter yang dapat dikelola. Itulah yang dicapai oleh Francis Diebold dan Canlin Li dalam makalah mereka tahun 2006, dan yang telah dikembangkan lebih lanjut oleh satu generasi peneliti setelahnya.

Fondasi Nelson-Siegel

Ceritanya tidak dimulai pada tahun 2006 melainkan pada 1987, ketika Charles Nelson dan Andrew Siegel mengajukan sebuah bentuk parametrik sederhana untuk kurva imbal hasil (Nelson & Siegel, 1987). Wawasan mereka adalah bahwa kurva imbal hasil, meskipun tampak kompleks, dapat dijelaskan oleh tiga komponen:

Level — ketinggian keseluruhan kurva. Ketika semua suku bunga bergeser naik atau turun secara bersamaan, itu adalah pergerakan level. Ini bersesuaian dengan rata-rata jangka panjang dari ekspektasi suku bunga jangka pendek dan merupakan sumber utama variasi kurva imbal hasil, menjelaskan sekitar 85 persen pergerakan harian.

Slope (Kemiringan) — selisih antara suku bunga jangka panjang dan jangka pendek. Ketika kurva menjadi lebih curam atau mendatar, itu adalah pergerakan slope. Ini biasanya mencerminkan ekspektasi pasar tentang arah kebijakan bank sentral dalam jangka pendek. Kurva yang terbalik (slope negatif) menandakan bahwa pasar mengekspektasi penurunan suku bunga — yang secara historis berkaitan dengan resesi yang akan datang.

Curvature (Kelengkungan) — ketinggian relatif suku bunga jangka menengah dibandingkan dengan ujung pendek dan panjang. Ketika bagian tengah kurva melengkung ke atas atau ke bawah relatif terhadap kedua ujungnya, itu adalah pergerakan curvature. Ini sering mencerminkan ketidakpastian tentang waktu perubahan kebijakan atau dinamika premi jangka waktu.

Model Nelson-Siegel mengekspresikan imbal hasil pada jatuh tempo τ sebagai:

y(τ) = β₁ + β₂ × [(1 - e^(-λτ)) / (λτ)] + β₃ × [(1 - e^(-λτ)) / (λτ) - e^(-λτ)]

Di mana β₁ mengatur level, β₂ mengatur slope, β₃ mengatur curvature, dan λ mengontrol laju peluruhan eksponensial — menentukan di mana faktor slope dan curvature memiliki pembebanan maksimumnya di sepanjang spektrum jatuh tempo.

Spesifikasi tiga faktor ini sangat powerful. Ia dapat mereproduksi bentuk-bentuk kurva imbal hasil yang paling umum diamati dalam praktik: miring ke atas (normal), miring ke bawah (terbalik), berpunuk, dan berbentuk U. Dengan hanya empat parameter, ia memberikan ringkasan yang ringkas dari sebuah objek yang pada prinsipnya membutuhkan puluhan titik data untuk mendeskripsikannya.

Diebold-Li: Membuat Kurva Bergerak

Model Nelson dan Siegel bersifat statis — ia mendeskripsikan kurva pada satu titik waktu. Kontribusi Diebold dan Li tahun 2006, "Forecasting the Term Structure of Government Bond Yields," yang diterbitkan di Journal of Econometrics (Diebold & Li, 2006), menjadikannya dinamis. Mereka menginterpretasi ulang ketiga parameter (β₁, β₂, β₃) sebagai faktor yang berubah terhadap waktu dan memodelkan evolusinya.

Wawasan utamanya adalah bahwa ketiga faktor ini bersesuaian hampir sempurna dengan faktor level, slope, dan curvature yang diekstrak oleh principal component analysis (PCA) dari data kurva imbal hasil. Ini bukan kebetulan — ia mencerminkan keteraturan empiris yang mendalam dalam cara kurva imbal hasil bergerak. Penelitian selama puluhan tahun di banyak negara telah membuktikan bahwa tiga komponen utama menjelaskan lebih dari 99 persen variasi kurva imbal hasil. Kontribusi Diebold dan Li adalah memberikan struktur parametrik yang dapat diinterpretasikan secara ekonomis kepada komponen-komponen utama tersebut.

Spesifikasi Dinamis

Dalam kerangka Diebold-Li, setiap faktor mengikuti proses deret waktunya sendiri. Spesifikasi paling sederhana menggunakan model autoregresif:

β₁ₜ = c₁ + φ₁β₁,ₜ₋₁ + ε₁ₜ (level berevolusi perlahan, persistensi tinggi)
β₂ₜ = c₂ + φ₂β₂,ₜ₋₁ + ε₂ₜ (slope merespons siklus kebijakan)
β₃ₜ = c₃ + φ₃β₃,ₜ₋₁ + ε₃ₜ (curvature menangkap dinamika jangka menengah)

Faktor-faktor diestimasi bulan demi bulan menggunakan regresi lintas-seksi, kemudian model deret waktu dipasangkan pada jalur faktor yang telah diestimasi. Peramalan kurva imbal hasil kemudian menjadi masalah meramalkan tiga deret waktu univariat — sebuah masalah yang jauh lebih sederhana dibandingkan meramalkan imbal hasil pada setiap jatuh tempo secara individual.

Kinerja Peramalan

Diebold dan Li menunjukkan bahwa kerangka sederhana ini menghasilkan peramalan kurva imbal hasil yang kompetitif atau bahkan lebih unggul dari alternatif yang jauh lebih kompleks, termasuk model random walk, sistem VAR, dan model struktur jangka waktu affine. Keunggulan peramalan model ini paling menonjol pada horizon yang lebih panjang (enam hingga dua belas bulan), tepat di mana signifikansi ekonomi paling besar.

Peramalan faktor level mendorong prediksi imbal hasil jatuh tempo panjang. Peramalan faktor slope, yang terkait erat dengan siklus bisnis, mendorong prediksi bentuk kurva. Faktor curvature berkontribusi secara moderat tetapi membantu menangkap dinamika jatuh tempo menengah yang terlewat oleh dua faktor lainnya.

Mengapa Kurva Imbal Hasil Memprediksi Resesi

Slope kurva imbal hasil — suku bunga jangka panjang dikurangi suku bunga jangka pendek — telah memprediksi resesi dengan akurasi yang luar biasa. Kerangka Diebold-Li menyediakan lensa struktural untuk memahami mengapa.

Faktor slope (β₂) terkait erat dengan sikap kebijakan moneter. Ketika bank sentral menaikkan suku bunga jangka pendek secara agresif untuk memerangi inflasi, ujung pendek kurva naik lebih cepat dari ujung panjang, mendatarkan atau membalikkan kurva. Ujung panjang merespons lebih sedikit karena ia mencerminkan rata-rata suku bunga yang diharapkan dalam horizon yang lebih panjang — dan jika pasar percaya bahwa kebijakan ketat pada akhirnya akan memperlambat ekonomi, mereka mengekspektasi suku bunga akan turun di masa depan, menjaga suku bunga jangka panjang tetap terjangkar.

Kurva yang terbalik karenanya mengkodekan sebuah narasi spesifik: bank sentral sedang mengetatkan kebijakan ke dalam ekonomi yang diperkirakan pasar akan melemah. Secara historis, narasi ini terbukti benar lebih sering daripada tidak. Inversi tahun 2000, 2006, dan 2019 masing-masing mendahului resesi dalam 12 hingga 18 bulan.

Inversi 2022-2023 adalah yang terdalam dalam empat dekade, namun resesi yang diprediksi secara luas ternyata tertunda. Beberapa penjelasan telah diajukan: tabungan berlebih era pandemi yang memberikan penyangga konsumsi, pasar tenaga kerja yang luar biasa kuat, dan kemungkinan bahwa premi jangka waktu — kompensasi yang diminta investor untuk memegang obligasi berdurasi lebih panjang — telah terdistorsi oleh bertahun-tahun pelonggaran kuantitatif, sehingga mengaburkan sinyal. Episode ini menyoroti keterbatasan penting: sinyal resesi kurva imbal hasil bekerja melalui mekanisme ekonomi (kebijakan ketat memperlambat pertumbuhan), dan ketika kekuatan lain berperan, sinyal tersebut dapat tertunda atau melemah.

Melampaui Nelson-Siegel: Ekstensi Modern

Kerangka Diebold-Li telah melahirkan literatur ekstensi yang kaya, masing-masing mengatasi keterbatasan spesifik dari model asli.

Ekstensi Svensson

Lars Svensson (1994) menambahkan faktor keempat pada spesifikasi Nelson-Siegel, memberikan fleksibilitas tambahan pada ujung panjang kurva. Model Svensson menambahkan suku curvature kedua dengan parameter peluruhannya sendiri, memungkinkan model untuk menangkap kurva berpunuk ganda dan perilaku ujung panjang yang lebih kompleks. Banyak bank sentral — termasuk Bank Sentral Eropa, Bank of Japan, dan Bundesbank — menggunakan spesifikasi Svensson untuk estimasi kurva imbal hasil resmi mereka.

Nelson-Siegel Bebas-Arbitrase

Christensen, Diebold, dan Rudebusch (2011) mengembangkan versi bebas-arbitrase dari model Nelson-Siegel. Model asli, dalam konfigurasi parameter tertentu, dapat mengimplikasikan kurva imbal hasil yang memungkinkan arbitrase — peluang laba tanpa risiko yang seharusnya tidak ada dalam keseimbangan. Versi bebas-arbitrase menerapkan restriksi lintas-persamaan yang menghilangkan kemungkinan ini sambil mempertahankan kehematan dan daya peramalan model. Versi ini digunakan oleh Federal Reserve Bank of San Francisco untuk analisis kurva imbal hasil.

Ekstensi Machine Learning

Penelitian terbaru telah menerapkan teknik machine learning pada pemodelan kurva imbal hasil. Model berbasis neural network dapat menangkap dinamika faktor nonlinear yang terlewat oleh kerangka Diebold-Li yang linear. Namun, peningkatan dalam kecocokan in-sample tidak selalu tertranslasi menjadi peramalan out-of-sample yang lebih unggul, menunjukkan bahwa struktur tiga faktor linear menangkap dinamika esensial dengan sangat baik.

Aplikasi Praktis

Manajemen Portofolio Obligasi

Bagi manajer portofolio pendapatan tetap, kerangka Diebold-Li menyediakan cara alami untuk mendekomposisi risiko portofolio. Eksposur portofolio obligasi terhadap faktor level menentukan sensitivitasnya terhadap pergeseran imbal hasil paralel. Eksposurnya terhadap faktor slope menentukan sensitivitasnya terhadap pergerakan pendataran dan penajaman kurva. Dan eksposur curvature menangkap sensitivitasnya terhadap butterfly trades — mengambil posisi long pada kedua sayap dan short pada perut kurva, atau sebaliknya.

Memahami eksposur-eksposur ini memungkinkan manajer untuk membangun portofolio yang sengaja diposisikan untuk skenario kurva imbal hasil tertentu. Seorang manajer yang mengekspektasi kurva akan menajam (mungkin karena mengekspektasi penurunan suku bunga) dapat menambah bobot obligasi berdurasi panjang dan mengurangi bobot yang berdurasi pendek, meningkatkan eksposur faktor slope mereka.

Analisis Kebijakan Moneter

Bank sentral — termasuk Bank Indonesia — menggunakan model kurva imbal hasil secara ekstensif untuk analisis kebijakan. Dekomposisi menjadi level, slope, dan curvature memberikan pembacaan real-time terhadap ekspektasi pasar. Pendataran cepat faktor slope menandakan bahwa pasar sedang memperhitungkan kebijakan yang lebih ketat. Kenaikan faktor level menunjukkan bahwa ekspektasi suku bunga jangka panjang atau ekspektasi inflasi sedang meningkat. Perubahan faktor curvature dapat mengungkapkan pergeseran ketidakpastian tentang prospek kebijakan jangka menengah.

Penetapan Harga Derivatif

Derivatif suku bunga — swap, swaption, cap, floor — dihargai menggunakan model kurva imbal hasil. Faktor-faktor Nelson-Siegel menyediakan representasi berdimensi rendah dari kurva yang dapat ditanamkan dalam kerangka lindung nilai dan penetapan harga, mengurangi kompleksitas komputasi sambil menangkap dinamika esensial.

Analisis Lintas-Negara

Salah satu kekuatan model ini adalah penerapannya lintas negara. Struktur tiga faktor — level, slope, curvature — sangat konsisten di pasar obligasi negara maju maupun berkembang. Para peneliti telah menerapkan kerangka Diebold-Li pada U.S. Treasuries, German Bunds, Japanese Government Bonds, UK Gilts, Korean Treasury Bonds, dan banyak lainnya, menemukan bahwa dekomposisi tiga faktor yang sama menjelaskan sebagian besar variasi kurva imbal hasil di setiap kasus.

Keterbatasan

Model Diebold-Li, dengan segala elegansinya, memiliki keterbatasan penting.

Asumsi stasioneritas. Dinamika faktor autoregresif mengasumsikan bahwa faktor-faktor kembali ke rata-rata jangka panjang. Dalam praktik, suku bunga dapat mengalami pergeseran struktural — penurunan suku bunga selama tiga dekade dari tahun 1980-an hingga 2020-an, misalnya, merepresentasikan perubahan rezim yang sulit ditangkap oleh model stasioner.

Estimasi dua langkah. Pendekatan standar mengestimasi faktor secara lintas-seksi kemudian memodelkan dinamikanya secara terpisah. Prosedur dua langkah ini secara statistik tidak efisien dan dapat memperkenalkan kesalahan estimasi. Formulasi state-space yang mengestimasi faktor dan dinamika secara bersama-sama (menggunakan Kalman filter) mengatasi masalah ini tetapi lebih kompleks untuk diimplementasikan.

Tidak ada risiko kredit. Model ini dirancang untuk kurva imbal hasil obligasi pemerintah (seperti SUN — Surat Utang Negara), yang diasumsikan bebas risiko. Memperluas model ini ke obligasi korporasi membutuhkan faktor tambahan untuk menangkap dinamika selisih kredit dan risiko gagal bayar.

Dinamika linear. Asumsi bahwa faktor-faktor mengikuti proses autoregresif linear mungkin melewatkan nonlinearitas penting, terutama di sekitar perubahan rezim kebijakan. Periode zero-lower-bound (2008-2015) menghadirkan tantangan khusus, karena faktor-faktor yang normalnya akan mean-revert dibatasi oleh batas bawah efektif pada suku bunga nominal.

Kurva Imbal Hasil di Pasar Saat Ini

Per awal 2026, kurva imbal hasil tetap menjadi salah satu indikator yang paling diperhatikan di pasar global. Arah kebijakan Federal Reserve, normalisasi bertahap Bank of Japan, dan respons Bank Sentral Eropa terhadap jalur pertumbuhan yang divergen di zona euro semuanya tercermin — terkadang secara kontradiktif — dalam bentuk kurva masing-masing.

Bagi investor ritel, kesimpulan praktisnya cukup jelas. Kurva imbal hasil bukan sekadar abstraksi untuk pedagang obligasi. Ia memengaruhi suku bunga KPR, imbal hasil tabungan, dan daya tarik relatif obligasi versus saham. Ketika kurva miring tajam ke atas, memegang obligasi berdurasi panjang menawarkan imbal hasil lebih tinggi tetapi dengan risiko lebih besar. Ketika kurva mendatar atau terbalik, instrumen jangka pendek menawarkan imbal hasil yang sebanding dengan risiko durasi yang lebih rendah — konfigurasi yang menguntungkan kas dan obligasi jangka pendek dibandingkan komitmen jangka panjang.

Memahami dekomposisi tiga faktor — level, slope, dan curvature — memberikan Anda kerangka untuk menginterpretasikan perubahan kurva imbal hasil secara real-time, menghubungkan pergerakan pasar dengan fundamental ekonomi alih-alih memperlakukannya sebagai noise belaka.

Artikel ini hanya untuk tujuan edukasi dan bukan merupakan nasihat keuangan. Kinerja masa lalu tidak menjamin hasil di masa depan.

Terkait

Model Empat Faktor Carhart: Menambahkan Momentum dalam Penetapan Harga Aset

Model & Kerangka Kerja12 min

Deep Hedging: Ketika Neural Network Menggantikan Black-Scholes

Model & Kerangka Kerja15 min

Regime Switching: Bisakah Kita Mendeteksi Perubahan Pasar?

Model & Kerangka Kerja14 min

Alternative Risk Premia: Memanen Return di Luar Aset Tradisional