Mengapa Pengembalian Saham Mungkin Dapat Diprediksi Hanya dalam Jendela Waktu Singkat

Pengembalian Saham Mungkin Dapat Diprediksi, tetapi Hanya dalam Jendela Waktu Singkat

Investor telah menghabiskan puluhan tahun mencari indikator yang dapat secara andal memprediksi pengembalian saham. Rasio penilaian, suku bunga, spread kredit, inflasi, volatilitas pasar, dan ukuran aktivitas ekonomi semuanya pernah menunjukkan potensi pada suatu waktu. Kesulitannya adalah bahwa sebuah indikator dapat tampak berguna pada satu periode dan menjadi tidak efektif pada periode berikutnya.

Sebuah studi baru yang diterbitkan dalam Journal of Econometrics¹ berargumen bahwa ketidakstabilan ini mungkin merupakan ciri khas kemampuan prediksi pasar, bukan cacat pada data. Pengembalian saham mungkin dapat diprediksi, tetapi hanya selama episode sementara yang dipicu oleh resesi, guncangan keuangan, perubahan kebijakan, atau pergeseran cara investor memproses informasi.

Para peneliti mengembangkan prosedur pemantauan statistik yang bertujuan mendeteksi episode-episode ini saat muncul. Karya mereka merumuskan kembali pertanyaan praktis. Alih-alih menanyakan apakah suatu variabel memprediksi pengembalian sepanjang seluruh sampel historis, investor seharusnya menanyakan apakah variabel tersebut baru-baru ini mulai mengandung informasi yang berguna.

Mengapa Sinyal Pasar Permanen Sangat Sulit Ditemukan

Penelitian prediktif tradisional sering memperkirakan satu hubungan selama beberapa dekade data. Misalnya, seorang analis dapat menguji apakah hasil dividen memprediksi premi ekuitas, yaitu pengembalian yang dihasilkan saham di atas aset bebas risiko. Asumsi ini menganggap bahwa hubungan tersebut tetap cukup stabil sepanjang sampel.

Pasar jarang bersinergi. Kebijakan moneter berubah, regulasi berkembang, dan strategi yang banyak ditemukan menarik modal. Sebuah sinyal dapat menguat selama krisis dan menghilang begitu investor menyadarinya. Oleh karena itu, model yang mencakup seluruh periode dapat mengencerkan episode yang berguna dengan banyak tahun di mana tidak ada hubungan.

Hal ini membantu menjelaskan mengapa variabel keuangan dapat tampak signifikan secara statistik dalam satu studi namun gagal dalam studi lain. Perbedaan tersebut belum tentu berarti satu hasil salah. Studi-studi tersebut mungkin meneliti rezim pasar yang berbeda.

Tantangannya menjadi lebih berat karena banyak prediktor umum sangat persisten. Hasil dividen, rasio buku terhadap nilai pasar, dan ukuran suku bunga dapat tetap tinggi atau rendah selama periode yang lama. Mereka juga dapat bergerak bersamaan dengan guncangan yang memengaruhi pengembalian. Uji statistik konvensional dapat salah mengartikan karakteristik tersebut sebagai kekuatan prediktif.

Bagaimana Pemantauan Real-Time Mengubah Masalah

Makalah ini mengusulkan pemantauan data masuk secara berurutan setelah menetapkan periode pelatihan awal tanpa terdeteksi kemampuan prediksi. Pendekatan yang dipilih menggunakan proses jumlah kumulatif, atau CUSUM, yang dibangun dari kondisi variabel instrumental IVX.

Dengan istilah yang lebih sederhana, sistem memantau apakah hubungan antara indikator kandidat dan pengembalian berikutnya menyimpang cukup jauh dari patokan historisnya untuk menimbulkan sinyal. Sistem ini dirancang beroperasi tanpa mengharuskan pengguna mengetahui sebelumnya apakah prediktor bersifat lemah persisten, mendekati akar unit, atau berada di antara keduanya.

Kerangka pemantauan menangani beberapa masalah secara bersamaan:

• Hubungan prediktif dapat mulai dan berakhir tanpa peringatan.
• Pengujian berulang dapat menghasilkan alarm palsu meskipun tidak ada sinyal.
• Perubahan volatilitas dapat membuat uji biasa mendeteksi hubungan yang tidak nyata.
• Prediktor dapat bersifat persisten dan berkorelasi dengan pengembalian pasar yang tidak terduga.

Penyesuaian volatilitas terutama penting. Guncangan pasar besar menghasilkan observasi yang lebih besar, yang dapat mendorong statistik pemantauan melewati ambang batas meskipun hubungan prediktif yang mendasarinya tidak berubah. Hal ini terkait dengan masalah yang lebih luas bahwa ukuran yang dikenal mungkin hanya menangkap sebagian lingkungan risiko, seperti yang dibahas dalam pemeriksaan Securities.io tentang mengapa VIX tidak sepenuhnya menangkap risiko pasar saham.

Apa yang Ditemukan oleh Simulasi

Penulis menguji metode mereka pada pasar simulasi dengan tingkat persisten prediktor, jalur volatilitas, hubungan endogenitas, dan tanggal mulai episode prediktif yang berbeda. Beberapa prosedur CUSUM yang diusulkan mempertahankan tingkat positif palsu yang cukup terkendali di banyak kondisi tersebut.

Metode terkuat umumnya mendeteksi kemampuan prediksi lebih awal dibandingkan prosedur jendela bergulir yang bersaing, terutama ketika prediktor sangat persisten. Hal ini penting karena sinyal yang bersifat singkat kehilangan nilai praktis jika model hanya mengidentifikasinya mendekati akhir episode.

Namun, tidak ada versi yang unggul dalam setiap kondisi. Satu prosedur bereaksi sangat cepat namun menghasilkan terlalu banyak positif palsu setelah lonjakan volatilitas naik. Prosedur lain lebih konservatif dan lebih lambat. Pendekatan CUSUM yang disesuaikan dengan varians yang dipilih dalam makalah menawarkan keseimbangan yang lebih berguna antara kecepatan deteksi dan kontrol alarm palsu.

Model yang terlalu mudah memberi sinyal dapat mendorong pergantian posisi yang mahal dan rasa percaya diri berlebih. Model yang berhati-hati mungkin hanya mengenali rezim setelah sebagian besar peluang telah lewat. Oleh karena itu, sistem waktu nyata memerlukan kebijakan eksplisit untuk memilih antara sinyal yang terlewat dan alarm palsu.

Apa yang Terjadi Ketika Model Mengamati S&P 500

Para peneliti melakukan latihan pseudo-waktu nyata menggunakan data bulanan S&P 500 dan prediktor kandidat mulai Januari 1965 hingga Desember 2024. Prediktor tersebut mencakup rasio valuasi, ukuran volatilitas, indikator teknikal, imbal hasil obligasi, variabel pasar kredit, inflasi, dan aktivitas ekonomi.

Pengujian seluruh sampel menemukan sedikit bukti bahwa sebagian besar variabel secara konsisten memprediksi pengembalian. Namun prosedur pemantauan mengidentifikasi jendela‑jendela yang berbeda. Beberapa indikator obligasi dan makroekonomi menjadi informatif sekitar gangguan pasar 1973‑1975. Selisih suku bunga menunjukkan konten prediktif menjelang periode Black Monday. Sinyal lain muncul sekitar krisis keuangan global, 2018, dan 2022.

Hasil ini mendukung interpretasi berbasis rezim. Pengembalian kredit, selisih imbal hasil, likuiditas, valuasi, dan kelonggaran ekonomi mungkin paling penting ketika pasar sedang menilai ulang risiko. Mereka tidak harus memprediksi pengembalian dalam kondisi biasa untuk menjadi berguna pada periode stres.

Wawasan Lebih Besar Adalah Manajemen Siklus Hidup Sinyal

Kontribusi paling berharga dari studi ini bukanlah daftar indikator untuk diperdagangkan, melainkan kerangka kerja untuk mengelola siklus hidup sinyal investasi.

Model produksi harus memiliki aturan aktivasi, aturan pensiun, dan metode untuk mengkalibrasi ulang setelah episode terdeteksi. Itu berbeda dari membangun model peramalan sekali dan mengasumsikan koefisiennya tetap valid. Pendekatan ini memperlakukan prediktabilitas sebagai keadaan sistem yang berubah.

Pandangan ini juga menunjukkan bahwa volatilitas memiliki dua peran. Volatilitas mungkin mengandung informasi tentang pengembalian yang diharapkan, tetapi juga dapat merusak uji statistik yang digunakan untuk mendeteksi informasi tersebut. Penelitian yang diliput oleh Securities.io juga menemukan bahwa pengembalian harian dapat tetap berharga untuk peramalan volatilitas bahkan ketika dataset berfrekuensi lebih tinggi tersedia. Lebih banyak data tidak secara otomatis menyelesaikan ketidakstabilan model jika hubungan di dalam data tersebut terus berubah.

Bagi tim investasi, langkah logis berikutnya adalah sistem berlapis. Satu model akan memantau apakah prediktor kandidat telah memasuki rezim aktif. Lapisan peramalan terpisah akan memperkirakan arah dan besaran pengembalian yang diharapkan. Konstruksi portofolio kemudian akan memperhitungkan biaya perdagangan, penurunan nilai, likuiditas, dan batas posisi.

Pemisahan ini penting karena prediktabilitas statistik tidak sama dengan strategi yang menguntungkan. Makalah tersebut tidak menghitung pengembalian portofolio, biaya implementasi, pajak, atau kinerja yang disesuaikan risiko. Latihan historisnya bersifat pseudo‑waktu nyata, bukan penerapan langsung. Klaim bahwa metode ini dapat mengalahkan pasar akan melampaui bukti yang ada.

Berinvestasi pada Lapisan Intelijen Keuangan

Studi ini mengarah pada peningkatan permintaan akan data keuangan yang lebih bersih, analitik adaptif, dan alat yang mampu mengenali perubahan rezim. Salah satu perusahaan yang berada di infrastruktur tersebut adalah S&P Global (SPGI ) . .

S&P Global beroperasi di bidang indeks, peringkat, intelijen komoditas, dan data pasar. Divisi Market Intelligence‑nya menyediakan banyak dataset dan alur kerja analitis yang digunakan institusi untuk meneliti perusahaan, kondisi kredit, dan perilaku pasar. Perusahaan ini juga telah memperluas kapabilitas AI‑nya melalui Kensho, termasuk alat yang dirancang untuk menghubungkan catatan korporat yang kompleks dan mempermudah interpretasi dataset keuangan oleh mesin. Pada tahun 2026, S&P Global menggambarkan versi yang diperluas dari Kensho Link dengan cakupan entitas yang lebih luas dan pengenalan yang lebih baik pada struktur korporat yang kompleks.

Ini tidak berarti S&P Global memiliki atau mengkomersialkan metode pemantauan yang dijelaskan dalam studi. Hubungan investasi lebih luas: model keuangan adaptif bergantung pada data yang ekstensif, standar, dan tepat waktu. Seiring sistem kuantitatif menjadi lebih responsif terhadap rezim pasar, kualitas data dan integrasinya menjadi bagian dari keunggulan kompetitif.

Profil terbaru Securities.io tentang MSCI dan infrastruktur di balik pasar keuangan menyoroti tren mendasar yang sama. Penyedia indeks semakin beroperasi sebagai perusahaan data dan analitik daripada sekadar penerbit daftar patokan.

Prediktabilitas Pasar adalah Sasaran yang Bergerak

Makalah ini tidak menyelesaikan perdebatan pasar efisien, tetapi menawarkan cara yang lebih realistis untuk memframe‑nya. Pasar secara umum sulit diprediksi sekaligus menghasilkan periode singkat di mana indikator ekonomi dan keuangan menjadi sangat informatif.

Bagi investor, implikasinya bukan mengejar setiap variabel yang baru menjadi signifikan. Melainkan memperlakukan sinyal sebagai bersyarat, memantau stabilitasnya, dan menyadari bahwa hubungan yang ditemukan selama satu krisis mungkin tidak bertahan pada ekspansi berikutnya. Keunggulan yang tahan lama mungkin lebih tentang mendeteksi kapan aturan pasar berubah sementara, bukan menemukan satu formula peramalan permanen.

Referensi:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Pemantauan waktu nyata untuk prediktabilitas pengembalian saham dalam lingkungan volatilitas nonstasioner. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341