Volatility

Penting bagi lembaga keuangan untuk memantau volatilitas pasar variabel (suku
bunga, nilai tukar, harga ekuitas, harga komoditas, dll.) dimana nilai portofolionya
tergantung. Bab ini menjelaskan prosedur yang dapat dilakukan gunakan untuk
melakukan ini. Bab ini dimulai dengan menjelaskan bagaimana volatilitas didefinisikan.
Kemudian memeriksa asumsi umum bahwa persentase pengembalian dari variabel
pasar normal didistribusikan dan menyajikan hukum kekuasaan sebagai alternatif.
Setelah itu pindah ke pertimbangkan model dengan nama yang mengesankan seperti
moving average tertimbang secara eksponensial (EWMA), heteroscedasticity
kondisional autoregresif (ARCH), dan digeneralisasi heteroscedasticity kondisional
autoregresif (GARCH). Fitur khas dari model-model ini adalah mereka mengakui bahwa
volatilitas tidak konstan. Selama beberapa periode, volatilitas relatif rendah, sedangkan
selama periode lainnya relatif tinggi. Model mencoba melacak variasi volatilitas
sepanjang waktu.

Definsi Volatilitas

Volatilitas variabel, σ, didefinisikan sebagai standar deviasi dari pengembalian yang

disediakan oleh variabel per unit waktu ketika pengembalian dinyatakan menggunakan
peracikan berkelanjutan. Kapan volatilitas digunakan untuk penentuan harga opsi,
satuan waktu biasanya satu tahun, sehingga volatilitas adalah standar deviasi dari
pengembalian yang terus bertambah per tahun. Ketika volatilitas digunakan untuk
manajemen risiko, satuan waktu biasanya satu hari sehingga volatilitas adalah standar
deviasi dari pengembalian yang terus bertambah per hari. Oleh karena itu definisi
alternatif volatilitas harian suatu variabel adalah standar deviasi perubahan proporsional
dalam variabel selama sehari. Ini adalah definisi yang biasanya digunakan dalam
manajemen risiko.

Contoh :
Misalkan harga aset adalah $ 60 dan volatilitas hariannya adalah 2%. Ini artinya
perpindahan satu standar deviasi dalam harga aset selama satu hari akan menjadi 60 ×
0,02 atau $ 1,20 Jika kita mengasumsikan bahwa perubahan harga aset terdistribusi
normal, kita bisa pastikan 95% bahwa harga aset akan antara 60 - 1,96 × 1,2 = $ 57,65
dan 60 + 1,96 × 1.2 = $ 62,35 pada akhir hari. Jika kami menganggap bahwa
pengembalian setiap hari independen dengan varian yang sama, varians dari
pengembalian lebih dari T hari adalah T kali varians dari pengembalian atas satu hari
hari. Ini berarti bahwa standar deviasi pengembalian selama T hari adalah √ T kali
standar deviasi pengembalian selama satu hari. Ini konsisten dengan pepatah "Ketidak
pastian meningkat dengan akar kuadrat waktu."

Implied Volatilities

Meskipun manajer risiko biasanya menghitung volatilitas dari data historis, mereka juga
coba dan catat apa yang dikenal sebagai volatilitas tersirat. Satu parameter dalam
model penetapan harga opsi Black – Scholes – Merton yang tidak dapat diamati secara
langsung adalah volatilitas harga aset dasar. Volatilitas tersirat dari suatu option
adalah volatilitas yang memberikan harga pasar dari opsi ketika ia diganti ke dalam
model penetapan harga.

Perubahan persentase harian dalam keuangan variabel normal?

Ketika batas kepercayaan untuk perubahan variabel pasar dihitung dari variabelnya
volatilitas, asumsi umum adalah bahwa perubahan terdistribusi secara normal. Ini
adalah asumsi yang dibuat dalam contoh, tabel menunjukkan hasil uji normalitas
menggunakan gerakan harian di 12 nilai tukar yang berbeda selama periode 10 tahun.
2 Langkah pertama dalam produksi tabelnya adalah untuk menghitung standar deviasi
dari persentase perubahan harian di masing-masing kurs. Tahap selanjutnya adalah
mencatat seberapa sering persentase aktual berubah melebihi satu standar deviasi,
dua standar deviasi, dan sebagainya. Angka-angka ini kemudian dibandingkan dengan
angka yang sesuai untuk distribusi normal. Persentase perubahan harian melebihi tiga
standar deviasi pada 1,34% hari. Model normal untuk pengembalian memprediksi
bahwa ini harus terjadi hanya pada 0,27% hari. Persentase perubahan harian melebihi
empat, lima, dan enam standar deviasi pada Masing-masing 0,29%, 0,08%, dan 0,03%.
Model normal memprediksi kita harus hampir tidak pernah mengamati ini terjadi. Oleh
karena itu, tabel menyediakan bukti untuk mendukung keberadaan fakta bahwa
distribusi probabilitas perubahan nilai tukar memiliki ekor yang lebih berat daripada
distribusi normal. Ketika pengembalian terus digabungkan, pengembalian selama
beberapa hari adalah jumlah pengembalian selama masing-masing hari. Jika distribusi
probabilitas pengembalian dalam sehari adalah distribusi non-normal yang sama setiap
hari, teorema limit pusat statistik akan mengarah pada kesimpulan bahwa
pengembalian selama beberapa hari biasanya didistribusikan. Bahkan, pengembalian
pada hari-hari berturut-turut tidak terdistribusi secara identik. Untuk itu volatilitas itu
tidak konstan. Akibatnya, ekor yang berat diamati dalam pengembalian relatif periode
panjang serta dalam pengembalian diamati selama satu hari.

The power of law

Undang-undang kekuasaan memberikan alternatif untuk mengasumsikan distribusi

normal. Hukum menegaskan bahwa, untuk banyak variabel yang ditemui dalam praktik,
kira-kira
benar bahwa nilai variabel, v, memiliki properti ketika x besar Prob (v> x) = Kx − α di
mana K dan α adalah konstanta.
Weighting Schemes

Ini dikenal sebagai model ARCH (m). Ini pertama kali disarankan oleh Engle.5 Estimasi
varians didasarkan pada varian rata-rata jangka panjang dan pengamatan. Yang lebih
tua sebuah pengamatan, semakin sedikit bobot yang diberikan. Mendefinisikan ω =
γVL, model dalam persamaan (10.6) dapat ditulis
The Exponentially Weighted Moving Average Model (EWMA)
Model moving average tertimbang secara eksponensial (EWMA), pendekatan EWMA
memiliki fitur menarik yang dibutuhkan oleh penyimpanan data sederhana. Pada waktu
tertentu, kita hanya perlu mengingat perkiraan saat ini dari tingkat varians dan
pengamatan terbaru tentang nilai variabel pasar. Ketika kami mendapatkan
pengamatan baru pada nilai variabel pasar, kami menghitung perubahan persentase
harian baru dan gunakan persamaan (10.8) untuk memperbarui estimasi kami tentang
tingkat varians. Perkiraan lama tingkat varians dan nilai lama pasar variabel kemudian
dapat dibuang. Pendekatan EWMA dirancang untuk melacak perubahan volatilitas.
Seharusnya ada perubahan besar dalam variabel pasar pada hari n - 1 sehingga u2 n −
1 besar. Dari Persamaan (10.8) ini menyebabkan estimasi kami tentang volatilitas saat
ini bergerak ke atas. Nilai λ mengatur seberapa responsif estimasi volatilitas harian
terhadap perubahan persentase harian terbaru. Nilai λ yang rendah menyebabkan
banyak bobot diberikan kepada u2n −1 saat σn dihitung. Dalam hal ini, estimasi
dihasilkan untuk volatilitas pada hari-hari berturut-turut sangat volatile. Nilai tinggi λ
(mis., nilai mendekati 1.0) menghasilkan estimasi volatilitas harian yang merespons
relatif pelan-pelan ke informasi baru yang disediakan oleh perubahan persentase
harian.Database RiskMetrics, yang awalnya dibuat oleh JPMorgan dan dibuat tersedia
untuk umum pada tahun 1994, menggunakan model EWMA dengan λ = 0,94 untuk
memperbarui setiap hari estimasi volatilitas. Perusahaan menemukan bahwa, di
berbagai variabel pasar yang berbeda, nilai λ ini memberikan perkiraan tingkat varians
yang paling mendekati tingkat varians yang direalisasikan.
Model the Garch (1,1)

Kita sekarang beralih untuk membahas apa yang dikenal sebagai model GARCH (1,1)
yang diusulkan oleh Bollerslev pada tahun 1986.7 Perbedaan antara model EWMA dan
GARCH (1,1)
Model analog dengan perbedaan antara persamaan (10.5) dan persamaan (10.6).

The Weights

Ini mendefinisikan kepentingan relatif dari pengamatan pada ui dalam menentukan

tingkat varians saat ini. Model GARCH (1,1) sama dengan model EWMA kecuali itu, di
samping menugaskan bobot yang menurun secara eksponensial ke masa lalu u2i, itu
juga memberikan beberapa bobot untuk tingkat varians rata-rata jangka panjang.
Choosen Between the Models

Dalam praktiknya, tingkat varians cenderung ditarik kembali ke tingkat rata-rata jangka
panjang. Ini adalah fenomena pengembalian rata-rata. Model GARCH (1,1)
menggabungkan mean reversion sedangkan model EWMA tidak. Oleh karena itu Model
GARCH (1,1), secara teoritis lebih menarik daripada model EWMA. Pada bagian
selanjutnya, kita akan membahas bagaimana parameter paling cocok ω, α, dan β
dalam GARCH (1,1) dapat diperkirakan. Ketika parameter ω adalah nol, GARCH (1,1)
dikurangi menjadi EWMA. Dalam situasi di mana nilai ω yang paling cocok ternyata
negatif, model GARCH (1,1) tidak stabil dan masuk akal untuk beralih ke Model EWMA.

Metode Likehood Maksimum

Sekarang sudah tepat untuk membahas bagaimana parameter dalam model kita
pertimbangan diperkirakan dari data historis. Pendekatan yang digunakan dikenal
sebagai metode kemungkinan maksimum. Ini melibatkan pemilihan nilai untuk
parameter itu memaksimalkan peluang (atau kemungkinan) dari data yang terjadi.
Dimulai dengan contoh yang sangat sederhana. Misalkan kita mengambil sampel 10
saham secara acak pada hari tertentu dan menemukan bahwa harga salah satunya
turun pada hari itu dan harga sembilan lainnya tetap sama atau naik. Apa kita
memperkiraan terbaik dari proporsi harga saham yang menurun pada siang hari? Itu
jawaban alami adalah 0,1.
Memperkirakan Varians Konstan

Berikutnya metode kemungkinan maksimum, kami mempertimbangkan masalah

memperkirakan varians dari variabel X dari pengamatan m pada X saat mendasari
distribusi normal. Kami berasumsi bahwa pengamatannya adalah u1, u2, ..., um dan itu
rata-rata distribusi normal yang mendasarinya adalah nol. Nyatakan varians dengan v.
Kemungkinan ui diamati adalah fungsi kepadatan probabilitas untuk X saat X = ui. Ini
adalah

Penaksir kemungkinan maksimum ini adalah yang kami gunakan dalam persamaan
(10.4). Yang sesuai estimator yang tidak bias adalah sama dengan m digantikan oleh m
- 1. Estimating EWMA or GARCH(1,1) Kita sekarang mempertimbangkan bagaimana
metode kemungkinan maksimum dapat digunakan untuk memperkirakan parameter
ketika EWMA, GARCH (1,1), atau beberapa prosedur pembaruan volatilitas lainnya
digunakan. Tentukan vi = σ2i sebagai varians yang diperkirakan untuk hari i. Asumsikan
itu probabilitas distribusi ui bersyarat pada varian adalah normal. Analisis serupa
dengan yang ada baru saja diberikan menunjukkan parameter terbaik adalah yang
memaksimalkan

Alternatif pendekatan yang lebih kuat untuk memperkirakan parameter di GARCH (1,1)
dikenal sebagai variance targeting.

Using Garch (1,1) to Forecast Future Volatility

Volatility Term Structures
Misalkan hari n, maka

Hubungan antara volatilitas opsi dan jatuh tempo disebut sebagai struktur istilah
volatilitas. Struktur istilah volatilitas biasanya dihitung dari volatilitas tersirat, tetapi
persamaan (10.15) menyediakan pendekatan alternatif untuk memperkirakannya dari
model GARCH (1,1). Meskipun struktur istilah volatilitas diperkirakan dari GARCH (1,1)
tidak sama dengan yang dihitung dari volatilitas tersirat, sering digunakan untuk
memprediksi bagaimana struktur istilah volatilitas yang sebenarnya menanggapi
perubahan volatilitas. Ketika volatilitas saat ini berada di atas volatilitas jangka panjang,
GARCH (1,1) model memperkirakan struktur istilah volatilitas yang miring ke bawah.
Kapan saat ini volatilitas berada di bawah volatilitas jangka panjang, ini memperkirakan
volatilitas yang miring ke atas struktur jangka.

Impact of Volatility Changes

KESIMPULAN

Dalam manajemen risiko, volatilitas harian dari variabel pasar didefinisikan sebagai
standar
penyimpangan dari persentase perubahan harian dalam variabel pasar. Varians harian
rate adalah kuadrat dari volatilitas harian. Volatilitas cenderung jauh lebih tinggi hari
perdagangan daripada pada hari non-perdagangan. Akibatnya, hari non-perdagangan
diabaikan di perhitungan volatilitas. Sangat menggoda untuk mengasumsikan bahwa
perubahan harian dalam variabel pasar terdistribusi secara normal. Sebenarnya, ini
jauh dari benar. Sebagian besar variabel pasar memiliki distribusi untuk persentase
perubahan harian dengan ekor yang jauh lebih berat dari biasanya distribusi. The
power of Law telah ditemukan sebagai deskripsi yang baik dari ekor
banyak distribusi yang ditemui dalam praktik. Bab ini telah membahas metode untuk
mencoba melacak arus tingkat volatilitas. Definisikan ui sebagai persentase perubahan
dalam variabel pasar antara akhir hari i - . Tingkat varians dari variabel pasar (itu
adalah, kuadrat volatilitasnya) dihitung sebagai rata-rata tertimbang dari u2i. Kunci Fitur
dari metode yang telah dibahas di sini adalah bahwa mereka tidak memberikan yang
sama bobot untuk pengamatan di u2i . Semakin baru sebuah pengamatan, semakin
besar Berat ditugaskan untuk itu. Dalam model EWMA dan model GARCH (1,1),
bobotnya ditugaskan untuk pengamatan berkurang secara eksponensial karena
pengamatan menjadi lebih tua. Model GARCH (1,1) berbeda dari model EWMA karena
beberapa bobot juga ditugaskan untuk tingkat varians rata-rata jangka panjang. EWMA
dan GARCH (1,1) model memiliki struktur yang memungkinkan perkiraan tingkat
varians tingkat masa depan diproduksi relatif mudah. Metode kemungkinan maksimum
biasanya digunakan untuk memperkirakan parameter dalam GARCH (1,1) dan model
serupa dari data historis. Metode ini melibatkan penggunaan prosedur berulang untuk
menentukan nilai parameter yang memaksimalkan peluang atau kemungkinan bahwa
data historis akan terjadi. Setelah parameternya ditentukan, sebuah model dapat dinilai
dari seberapa baik ia menghilangkan autokorelasi dari u2i. Model GARCH (1,1) dapat
digunakan untuk memperkirakan volatilitas untuk opsi dari historis data. Analisis ini
sering digunakan untuk menghitung dampak guncangan terhadap volatilitas pada
volatilitas tersirat dari opsi jatuh tempo yang berbeda.