Analisis Volatilitas dan Uji Efek Asimetris pada Saham Sektor Pertambangan Nikel PT ABC: Studi Komparatif Model GARCH dan EGARCH

Dewi Akmalia

doi:10.26877/imajiner.v8i2.26912

Analisis Volatilitas dan Uji Efek Asimetris pada Saham Sektor Pertambangan Nikel PT ABC: Studi Komparatif Model GARCH dan EGARCH

Dewi Akmalia

Abstract

Penelitian ini bertujuan untuk memodelkan dan meramalkan volatilitas harga saham PT ABC, salah satu pemain kunci dalam industri nikel Indonesia, menggunakan pendekatan integrasi model hibrida ARIMA-GARCH. Periode pengamatan 2020 hingga 2025 dipilih karena mencakup dinamika pasar yang signifikan, mulai dari guncangan pandemi global hingga akselerasi kebijakan hilirisasi nikel untuk ekosistem kendaraan listrik. Hasil penelitian menunjukkan bahwa model ARIMA(2,1,2)-GARCH(1,1) merupakan model terbaik berdasarkan kriteria informasi AIC (-4,4793) dan BIC (-4,4497) terkecil. Temuan utama mengungkapkan bahwa volatilitas saham nikel bersifat simetris, di mana respon pelaku pasar terhadap berita baik dan berita buruk memiliki magnitudo yang setara tanpa adanya efek asimetris (leverage effect). Hal ini mencerminkan karakteristik investor yang cenderung rasional dan objektif dalam menyerap informasi fundamental komoditas. Selain itu, ditemukan tingkat persistensi volatilitas yang sangat tinggi mencapai angka 0,9911, yang mengindikasikan bahwa risiko di pasar nikel memiliki memori jangka panjang akibat rentetan peristiwa geopolitik dan transformasi industri selama periode pengamatan. Hasil peramalan 10 hari ke depan menunjukkan tingkat akurasi yang sangat tinggi dengan nilai MAPE sebesar 2,45%, menempatkan model ini sebagai instrumen yang sangat reliabel (Highly Accurate) untuk manajemen risiko. Hasil penelitian ini memberikan kontribusi pada literatur manajemen risiko sektor komoditas strategis dengan membuktikan keunggulan model simetris dalam memprediksi volatilitas nikel di tengah ketidakpastian pasar global.

Keywords

ARIMA-GARCH; MAPE; Peramalan; Saham Nikel; Volatilitas.

References

Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. https://doi.org/10.1109/TAC.1974.1100705

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1

Box, G., & Jenkins, G. M. (1976). Analysis: Forecasting and Control. San Francisco.

Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773

Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2008). Forecasting methods and applications. John wiley & sons.

Marwanti, M. M., & Robiyanto, R. (2021). Oil and Gold Price Volatility on Indonesian Stock Market in the Period of Covid-19 Pandemic. Jurnal Manajemen Dan Kewirausahaan, 23(2), 129–137. https://doi.org/10.9744/jmk.23.2.129-137

Raneo, A. P., & Muthia, F. (2019). Penerapan Model GARCH Dalam Peramalan Volatilitas di Bursa Efek Indonesia. Jurnal Manajemen Dan Bisnis Sriwijaya, 16(3), 194–202. https://doi.org/10.29259/jmbs.v16i3.7462

Sari, L. K., Achsani, N. A., & Sartono, B. (2017). Pemodelan Volatilitas Return Saham: Studi Kasus Pasar Saham Asia. Jurnal Ekonomi Dan Pembangunan Indonesia, 18(1), 35–52.

https://doi.org/10.21002/jepi.2018.03

Tsay, R. S. (2005). Analysis of financial time series. John wiley & sons.

DOI: https://doi.org/10.26877/imajiner.v8i2.26912