Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan

Tutorial Model ARCH/GARCH dan EGARCH di EViews untuk Pemodelan Volatilitas Keuangan menjadi solusi praktis ketika peneliti atau analis pasar keuangan menghadapi kegagalan estimasi varians bersyarat pada data harga saham, indeks pasar, atau nilai tukar mata uang. Masalah teknis yang kerap muncul di EViews adalah pesan kesalahan Convergence not achieved after 500 iterations, munculnya estimasi varians bersyarat yang bernilai negatif, atau pelanggaran batas non-negativitas di mana penjumlahan koefisien ARCH dan GARCH melebihi angka 1. Kondisi tersebut menyebabkan pemodelan volatilitas menjadi tidak stasioner, variabel acak mengalami pembesaran secara eksponensial, serta hasil uji hipotesis menjadi tidak valid.

Gejala kegagalan pemodelan ini umumnya dipicu oleh beberapa faktor utama: penggunaan data mentah dalam bentuk tingkat harga (price level) alih-alih return logaritmik, asumsi distribusi residual berdistribusi normal yang gagal menangkap fenomena ekor tebal (fat tails / leptokurtic distribution), serta pengabaian efek asimetris (leverage effect) saat guncangan negatif pasar (bad news) menghasilkan gejolak volatilitas yang jauh lebih besar dibandingkan guncangan positif (good news) dengan besaran yang sama. Jika permasalahan ini tidak diatasi dengan benar, estimasi manajemen risiko seperti Value at Risk (VaR) dan peramalan volatilitas akan menghasilkan simpulan yang sangat bias.

Secara teoritis, dasar pemodelan volatilitas bersyarat diperkenalkan pertama kali oleh Engle (1982) melalui model Autoregressive Conditional Heteroskedasticity (ARCH). Engle membuktikan bahwa pada data keuangan, ragam galat tidak bersifat konstan (homoskedastis), melainkan berubah sepanjang waktu bergantung pada besarnya galat masa lalu. Fenomena ini dikenal sebagai pengelompokan volatilitas (volatility clustering), di mana periode dengan volatilitas tinggi cenderung diikuti oleh periode volatilitas tinggi pula.

Untuk mengatasi keterbatasan model ARCH yang membutuhkan jumlah lag sangat panjang, Bollerslev (1986) mengembangkan model Generalized ARCH (GARCH). Model GARCH memperbolehkan varians bersyarat masa lalu ikut memengaruhi varians bersyarat periode berjalan. Penjelasan mendalam mengenai konsep dasar pengujian ragam galat ini dapat dipelajari pada rujukan teori dasar uji heteroskedastisitas ekonometrika di statistikian.com.

Meskipun model GARCH(1,1) sangat populer dan efisien, model ini memiliki keterbatasan struktural utama, yaitu memodelkan varians bersyarat secara simetris. Pada kenyataannya, fenomena pasar keuangan sering kali menunjukkan bahwa guncangan negatif (penurunan harga atau krisis) meningkatkan volatilitas secara jauh lebih drastis dibandingkan guncangan positif dengan skala yang setara. Hal ini dipaparkan oleh Black (1976) dan Christie (1982) sebagai efek daya ungkit keuangan (leverage effect).

Untuk memfasilitasi efek asimetri tersebut sekaligus menghapus pembatasan non-negativitas parameter, Nelson (1991) merumuskan model Exponential GARCH (EGARCH). Dengan memodelkan logaritma dari varians bersyarat, EGARCH menjamin nilai perkiraan varians bersyarat akan selalu bernilai positif tanpa memerlukan batasan ketat pada koefisien spesifikasi persamaan varians.

Sifat data aset keuangan yang umumnya berdistribusi ekor tebal (fat-tailed / leptokurtic distribution) juga ditegaskan oleh Bollerslev (1987). Penggunaan distribusi normal standar pada estimator Maximum Likelihood Estimation (MLE) sering kali menyebabkan algoritma pencarian iteratif EViews gagal mencapai konvergensi. Oleh karena itu, penggunaan asumsi distribusi Student's t atau Generalized Error Distribution (GED) sangat dianjurkan untuk memperoleh estimasi parameter yang efisien.

Berikut adalah tahapan perbaikan teknis mandiri yang dapat Anda lakukan di software EViews untuk melakukan pemodelan ARCH/GARCH dan EGARCH secara benar:

1. Hitung Return Logaritmik: Buat variabel return dari data harga saham atau kurs dengan perintah kalkulasi logaritmik diferensiasi pertama. Panduan pengujian stasioneritas tingkat diferensiasi dapat dibaca pada rujukan teori uji stasioneritas data time series di statistikian.com.
2. Estimasi Persamaan Rata-Rata (Mean Equation): Estimasi persamaan OLS atau ARMA pada variabel return. Buka menu View > Residual Diagnostics > Heteroskedasticity Test > pilih ARCH. Pastikan p-value F-statistic atau Obs*R-squared < 0.05 yang menandakan adanya efek ARCH (conditional heteroskedasticity).
3. Estimasi Model GARCH Simetris: Klik Quick > Estimate Equation. Pada bagian Method, ubah menjadi ARCH - Autoregressive Conditional Heteroskedasticity. Biarkan spesifikasi pada opsi GARCH(1,1).
4. Penanganan Non-Convergence & Fat Tails: Jika EViews mengeluarkan peringatan tidak konvergen, ubah menu drop-down Error Distribution dari Normal (Gaussian) menjadi Student's t atau GED.
5. Estimasi Model EGARCH Asimetris: Jika ingin menguji leverage effect, pilih opsi Model Type menjadi EGARCH. Pastikan variabel galat terstandardisasi diikutsertasikan dalam komponen varians.
6. Uji Diagnostik Pasca Estimasi (Post-Estimation): Buka menu View > Residual Diagnostics > Heteroskedasticity Test > ARCH pada residual terstandardisasi. Model dinyatakan valid jika p-value > 0.05, menandakan efek ARCH telah bersih sepenuhnya dari model.

Contoh Tabel/Diagram output Analisis Model ARCH/GARCH dan EGARCH di EViews

Berdasarkan hasil output estimasi EGARCH(1,1) di atas, evaluasi parameter dilakukan melalui tiga tahapan penting. Pertama, pengujian koefisien asimetri atau leverage effect pada parameter C(4). Koefisien C(4) menunjukkan nilai negatif sebesar -0.124510 dengan p-value sebesar 0.0001 (signifikan pada taraf nyata 5%). Hasil ini mengonfirmasi secara empiris keberadaan leverage effect pada aset keuangan yang diteliti. Ketika terjadi guncangan negatif di pasar (penurunan return), volatilitas yang timbul akan meningkat lebih besar dibandingkan saat terjadi guncangan positif dengan intensitas serupa.

Kedua, koefisien C(5) yang mengukur persistensi volatilitas logaritmik menunjukkan nilai sebesar 0.942180. Nilai koefisien yang mendekati angka 1 ini mengindikasikan bahwa gejolak volatilitas di pasar memiliki memori yang panjang (high volatility persistence). Informasi guncangan pasar hari ini akan terus memengaruhi tingkat risiko instrumen keuangan selama beberapa periode ke depan.

Ketiga, keabsahan model EGARCH wajib dipastikan melalui pengujian diagnostik pasca estimasi (post-estimation diagnostics). Hasil pengujian Heteroskedasticity Test: ARCH pada residual terstandardisasi menghasilkan statistik Obs*R-squared dengan p-value sebesar 0.5124. Karena nilai p-value berada di atas taraf nyata 0.05, maka hipotesis nol yang menyatakan tidak ada efek ARCH gagal ditolak. Hal ini membuktikan bahwa struktur varians bersyarat telah terpopresionalisasi secara sempurna oleh model EGARCH(1,1).

Dalam kajian ekonometrika keuangan modern, Tsay (2010) menggarisbawahi bahwa pemodelan volatilitas bukan sekadar mencari model statistik terbaik, melainkan instrumen fundamental dalam pengelolaan risiko pasar dan penentuan harga opsi (option pricing). Model GARCH simetris sering kali menghasilkan taksiran risiko yang terlalu rendah (underestimate risk) saat pasar mengalami tren penurunan (bearish market) karena mengabaikan respons asimetris investor.

Enders (2015) menyarankan bahwa ketika data return menunjukkan skewness dan kurtosis yang ekstrem, pengujian dengan menggunakan fungsi kerapatan probabilitas non-Gaussian seperti distribusi Student's t atau Generalized Error Distribution (GED) terbukti meningkatkan akurasi estimasi secara nyata. Pendekatan ini secara otomatis memitigasi masalah algoritma kuasi-Newton yang sering mengalami kegagalan konvergensi pada EViews.

Dengan demikian, penguasaan metodologi dari pemodelan OLS biasa, pengujian ARCH LM, spesifikasi GARCH simetris, hingga alih spesifikasi menuju EGARCH asimetris merupakan alur analisis yang sangat lengkap, sistematis, dan kredibel untuk menyelesaikan berbagai problematika pemodelan volatilitas keuangan di EViews.

Kesimpulan

Pemodelan volatilitas keuangan menggunakan ARCH/GARCH dan EGARCH di EViews memerlukan kecermatan metodologis mulai dari penanganan stasioneritas return, pengujian efek ARCH, pemilihan asumsi distribusi residual, hingga penanganan sifat asimetris data. Ketidakstabilan estimasi dan masalah non-konvergensi dapat diselesaikan secara efektif dengan mengubah distribusi error menjadi Student's t atau GED serta menerapkan spesifikasi EGARCH(1,1). Model EGARCH terbukti sangat unggul dalam menangkap leverage effect tanpa terikat oleh batasan ketat parameter non-negatif, sehingga menghasilkan estimasi varians bersyarat yang stabil, presisi, dan siap digunakan untuk analisis risiko maupun peramalan keuangan.

Daftar Pustaka

• Black, F. (1976). Studies of stock price changes changes and volatility proceedings of the 1976 meetings of the Business and Economics Statistics Section. American Statistical Association, 177-181.
• Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
• Bollerslev, T. (1987). A conditionally heteroskedastic time series model for speculative prices and rates of return. The Review of Economics and Statistics, 69(3), 542-547.
• Christie, A. A. (1982). The role of equity volatility and debt: Almost A decay model. Journal of Financial Economics, 10(4), 407-432.
• Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
• Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 50(4), 987-1007.
• Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill/Irwin.
• Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 59(2), 347-370.
• Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). John Wiley & Sons.