RESCOLLACOMMRESCOLLACOMM

International Journal of Quantitative Research and ModelingInternational Journal of Quantitative Research and Modeling

Penelitian ini mengusulkan kerangka kerja optimasi portofolio baru yang menggabungkan model Dynamic Conditional Correlation (DCC) dengan estimasi volatilitas Exponential GARCH (EGARCH) untuk menghitung Conditional Value‑at‑Risk (CVaR) sebagai ukuran risiko downside. Berbeda dengan optimasi Mean‑Variance (MV) klasik yang mengasumsikan korelasi konstan dan distribusi normal, model DCC‑EGARCH‑CVaR menangkap respons volatilitas asimetris terhadap shock pasar dan perubahan dinamis dalam korelasi lintas aset, menghasilkan gambaran risiko keuangan yang lebih realistis di pasar berkembang. Data harian penutupan lima saham blue‑chip IDX (BBCA, BBRI, TLKM, ASII, UNVR) periode Januari 2020 hingga Desember 2024 dianalisis; model EGARCH(1,1) dengan inovasi Student Tennis dinilai sebagai terbaik berdasarkan AIC/BIC. Portofolio yang dioptimasi menggunakan DCC‑EGARCH‑CVaR menunjukkan peningkatan Sharpe ratio sebesar 9,0 % serta pengurangan CVaR 5เดียว dibandingkan portofolio minimum‑variance konvensional, dan hasil back‑testing VaR menunjukkan validitas statistik.

Penelitian ini menyajikan kerangka DCC‑EGARCH‑CVaR untuk optimasi portofolio pada saham blue‑chip IDX, menunjukkan bahwa model EGARCH(1,1) menyesuaikan bias volatilitas asimetris, DCC menangkap dinamika korelasi krisis, dan portofolio CVaR‑maksimum meningkatkan Sharpe ratio serta menurunkan risiko modal.Penerapan model ini di pasar Indonesia memperlihatkan manfaat signifikan dibandingkan metode MV klasik, khususnya selama periode ketegangan pasar.Oleh karena itu, integrasi volatilitas asimetris dan korelasi dinamis dalam evaluasi risiko CVaR disarankan untuk manajer portofolio di pasar berkembang.

Pertimbangkan menggabungkan obligasi, REIT, dan suku kepenghasilan dalam portofolio untuk menguji diversifikasi lintas kelas aset, sehingga menilai apakah kombinasi ini mengurangi CVaR lebih lanjut. Selanjutnya, eksplorasi model DCC dengan mekanisme switching regime dapat menangkap perubahan struktural taj destroyed memaksa model menyesuaikan respons risiko lebih cepat, memanfaatkan data harian dan bulanan secara bersamaan. Akhirnya, menerapkan pendekatan machine learning untuk memprediksi volatilitas dan korelasi dapat meningkatkan akurasi estimasi CVaR, sambil memantau keterkaitan antara variabel makroekonomi seperti suku bunga dan volatilitas pasar. Dengan strategi ini, para peneliti dapat memaparkan bagaimana alternatif alokasi aset dan teknologi prediksi canggih dapat memperkuat ketahanan portofolio livré dalam lingkungan pasar yang volatile.

Read online
File size460.11 KB
Pages8
DMCAReport

Related /

ads-block-test