Mengapa Pengembalian Harian Masih Penting untuk Peramalan Volatilitas

Bagi trader kuantitatif, memilih dataset yang tepat untuk memprediksi pergerakan pasar di masa depan dapat dikatakan sebagai keputusan paling kritis yang mereka buat. Secara historis, harga penutupan atau pembukaan suatu saham atau komoditas merupakan titik awal yang baik untuk menganalisis pola perdagangan sekuritas tersebut.

Namun saat ini, karena perdagangan diselesaikan dalam mikrodetik oleh sistem TI canggih dan banyak volume perdagangan dihasilkan oleh “bot” frekuensi tinggi, data dari aktivitas pasar semacam itu sering lebih dipilih.

Sebuah studi baru menunjukkan bahwa data pasar frekuensi tinggi belum membuat pengembalian harian menjadi usang. Dengan menggunakan model volatilitas terwujud baru, studi tersebut mengungkapkan bahwa menggabungkan kedua sinyal dapat secara signifikan meningkatkan perkiraan volatilitas minyak mentah, batas risiko, dan keputusan lindung nilai.

Studi ini dilakukan oleh tiga peneliti di Indian Institute of Technology Guwahati, dan dipublikasikan dalam Finance Research Open¹, under the title “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

Gambaran Singkat Model Risiko

Sejak tahun 1980-an, peneliti di bidang ekonomi dan trader mulai memasukkan metrik baru ke dalam model risiko yang mereka gunakan untuk memprediksi perilaku pasar: volatilitas yang berubah-ubah seiring waktu dari pengembalian aset. Hal ini memungkinkan model lebih mencerminkan pasar nyata, di mana risiko aset berfluktuasi seiring waktu, dengan periode turbulensi tinggi dan rendah yang berkumpul bersama alih-alih tetap konstan, seperti pada model sebelumnya.

Kemudian, data frekuensi tinggi lebih dipilih untuk model semacam itu, karena dianggap sebagai dataset yang lebih unggul untuk aplikasi ini:

“Data frekuensi tinggi memungkinkan granularitas yang lebih halus, memfasilitasi pemisahan komponen lonjakan dan kontinu serta memberikan gambaran yang lebih detail tentang dinamika volatilitas.”

Hal ini memunculkan model GARCH (generalized autoregressive conditional heteroscedasticity), yang kemudian disempurnakan dalam model lanjutan dengan memasukkan elemen tambahan seperti efek berbeda dari kejutan positif dan negatif serta data poin lainnya.

Seiring waktu, model tipe GARCH telah berkembang secara signifikan, dengan aplikasi yang mencakup berbagai kelas aset, termasuk ekuitas, komoditas, cryptocurrency, dan pasar derivatif.

Salah satu model yang diperbarui tersebut adalah GJR-GARCH, jenis model yang memperhitungkan volatilitas keuangan dengan memberikan bobot lebih pada berita buruk (pengembalian negatif) dibandingkan berita baik, menangkap “efek leverage” pasar saham.

Menggabungkan Data Frekuensi Tinggi dan GARCH

Studi ini mengusulkan untuk menggabungkan data frekuensi tinggi, menit per menit, terutama “realized variance,” dengan model GJR-GARCH, menghasilkan RGJR-GARCH.

Realized variance adalah metrik yang mengukur volatilitas aktual suatu aset keuangan selama jendela waktu tertentu dengan menjumlahkan pengembalian harga intraday frekuensi tinggi.

Hal ini berbeda dari varians harian tradisional, yang menunjukkan perubahan nol jika harga akhir sama dengan harga awal, meskipun volatilitas intraday tinggi.

Dengan cara ini, model baru tersebut dapat mengintegrasikan data frekuensi tinggi yang detail serta akurasi model GJR-GARCH.

Menguji Model dengan Perdagangan Minyak

Pengujian untuk Pasar Volatil

Untuk memvalidasi model mereka, peneliti mengujinya menggunakan USO (USO ), United States Oil Fund, sebuah ETF yang melacak pergerakan harga West Texas Intermediate (WTI) light sweet crude oil sejak 2006.

Pemilihan ini karena pasar minyak mentah ditandai dengan volatilitas intra-minggu yang kuat dipicu oleh pengumuman makroekonomi, kejutan inventaris, dan perkembangan geopolitik. Perang Rusia–Ukraina dan USA-Iran baru-baru ini memberikan contoh tambahan volatilitas tak terduga yang memengaruhi pengembalian perdagangan dan efisiensi model keuangan.

Untuk dibandingkan dengan pasar yang lebih “normal”, mereka juga menguji model mereka dengan SPY, ETF yang paling aktif diperdagangkan yang melacak indeks S&P500.

Dalam kedua kasus, mereka mengumpulkan data dari 1 Januari 2010 hingga 30 April 2020.

Para peneliti juga mencatat bahwa pasar lain yang berpotensi menarik, seperti pasar emas dan forex, biasanya tidak menyediakan data tick-per-tick yang dapat diandalkan dalam jangka panjang, dan data harga cryptocurrency umumnya tersedia paling sering pada interval 1 menit, sehingga data frekuensi tinggi yang dibutuhkan model tidak tersedia secara memadai.

Perbandingan Model

Para peneliti menggunakan data tersebut untuk menguji berbagai model dengan 35 perkiraan satu hari ke depan, yang kemudian digabungkan menjadi horizon mingguan.

Mereka menemukan bahwa model RGJR-GRCH memiliki akurasi perkiraan tertinggi untuk semua jumlah minggu ke depan yang diuji, hingga 7 minggu kemudian.

Sumber: Finance Research Open

Lebih penting lagi, perbedaan kinerja ini berarti bahwa RGARCH mulai berkinerja buruk pada prediksi minggu ke-3 dan mengalami kinerja negatif pada minggu ke-4, sementara RGJR-GRCH terus menghasilkan prediksi akurat hingga 6 minggu ke depan, dan hanya kesalahan yang sangat moderat pada minggu ke-7.

Dengan melihat apa yang mendorong kinerja superior ini, para peneliti menunjukkan bahwa hal tersebut memang disebabkan oleh penggunaan data perdagangan frekuensi tinggi.

“Kinerja superior model RGJR-GARCH dibandingkan model GARCH dan GJR-GARCH disebabkan oleh penggunaan data frekuensi tinggi yang efektif dalam memodelkan dinamika volatilitas.”

Efek ini terutama terasa kuat pada aset terkait minyak seperti USO, di mana volatilitas menunjukkan pola mingguan yang jelas. Hal ini penting untuk aplikasi praktis, karena perkiraan volatilitas mingguan yang akurat dapat membantu lindung nilai dinamis dan penetapan harga kontrak bagi pelaku sektor energi, seperti trader komoditas dan produsen.

Ini juga berarti bahwa untuk memperkirakan volatilitas, pengembalian harian juga penting, tidak hanya data frekuensi tinggi. Kedua dataset saling terkait dan harus diproses sebagai satu kesatuan.

Berinvestasi dalam Perdagangan Frekuensi Tinggi

Seiring dengan terciptanya perkiraan yang lebih baik melalui model keuangan yang ditingkatkan, nilai dataset yang akurat, berjangka panjang, dan frekuensi tinggi meningkat secara proporsional. Hal ini terutama berlaku untuk sekuritas dan aset dengan volatilitas tinggi serta sensitif geopolitik seperti minyak mentah. Oleh karena itu, platform ini dapat menyediakan data frekuensi tinggi tersebut serta sekuritas perdagangan yang dapat ditindaklanjuti yang kemungkinan akan mendapat manfaat dari jenis riset akademis ini.

Pasar NYMEX milik CME menjadi pusat penemuan harga minyak mentah WTI, perdagangan futures, dan lindung nilai. Perusahaan ini juga aktif dalam berbagai jenis perdagangan yang mencakup semua komoditas (pertanian, energi, logam), serta kredit karbon, obligasi pemerintah, valuta asing, indeks, ekuitas, cryptocurrency, dll.

Perusahaan ini dengan cepat meningkatkan pendapatannya dari sekitar ~$3 Miliar pada 2015 menjadi ~7 Miliar yang diperkirakan pada 2026.

Perusahaan ini juga cepat menginternasionalkan diri, dengan aktivitas di luar AS tumbuh 10% CAGR dan kehadiran penjualan di 12 negara, melayani sekitar ~13.000 klien di seluruh dunia. Secara keseluruhan, pola pertumbuhan ini diperkirakan akan berlanjut dan perusahaan akan mendapat manfaat dari banyak inovasi keuangan, mulai dari blockchain hingga perdagangan karbon dan futures hipotek AS.

Sumber: CME

Berita dan Perkembangan Saham CME Group (CME) Terbaru

Studi yang Dirujuk

^{1. Prakash Raj, et al. Apakah pengembalian masih penting? Model volatilitas asimetris lengkap dengan ukuran terwujud di pasar keuangan. Finance Research Open. Volume 2, Issue 3, September 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}