Model Identifikasi Herding Menggunakan GARCH pada Variasi Jenis dan Kondisi Pasar

Abstract

Herding merupakan kemiripan perilaku investor karena meniru keputusan investor lain. Perilaku herding muncul pada kondisi ketidakpastian atau periode krisis pasar. Hal ini berdampak pada tingginya volatilitas pasar. Optimisme investor mendorong terjadinya bullish dan sebaliknya menjadi bearish. Kondisi bullish/bearish akan mengakibatkan dispersi return saham juga berbeda dan selisih return individual dengan return pasarnya akan menghasilkan cross sectional standard deviation sebagai ukuran herding. Namun terdapat inkonsistensi hasil penelitian perilaku herding terdahulu yang menggunakan didominasi analisis ordinary least square. Analisis model GARCH (Bollerslev, 1986) menjadi alternatif untuk mengatasi ketidaknormalan data pada penelitian sebelumnya. Oleh karena itu tujuan penelitian ini adalah menghasilkan model GARCH tipe data Normal/Student’s t/Generalised Error Distribution dengan nilai Akaike Information Criteria terkecil yang diharapkan dapat mendeteksi secara akurat terjadinya perilaku herding investor pada saat bullish/bearish di AS, China dan Indonesia. Pendeteksian perilaku herding dilakukan dengan menggunakan generalized auto regressive heteroscedastisity (GARCH) yang dikembangkan Bollerslev (1986) dan dibandingkan dengan ordinary least square (OLS). Berdasar data harian saham indeks DJIA (Amerika Serikat-developed market), SSE50 (China-emerging to developed market), dan LQ45 (Indonesia-emerging market), penelitian dilakukan secara purposive sampling dalam rentang tahun 2015-2021. Herding diukur berdasar studi Chang et al. (2000) sebagai dispersi return saham individu terhadap return pasar secara cross sectional absolute deviation (CSAD). Hasil penelitian menunjukkan GARCH sebagai model yang lebih unggul untuk mendeteksi perilaku herding investor dibanding OLS yang terbebas dari gejala heteroskedastisitas. Kemampuan GARCH untuk memodelkan variance residualnya maka hasil analisis dapat ditarik kesimpulan lebih baik. Kelemahan analisis menggunakan OLS terdapat pada ketidaknormalan residual keuangan time series yang memicu heteroskedastisitas. Model terbaik saat kondisi bullish maupun bearish di pasar modal AS, China dan Indonesia sesuai nilai Akaike Information Criterion (AIC) terkecil ditunjukkan GARCH (1,1) dengan Student’s-t. Model ini menemukan tidak adanya indikasi perilaku herding dalam kondisi pasar bullish dan bearish secara keseluruhan (tahun 2015-2021) maupun periode sebelum (tahun 2015-2019) dan selama pandemi (tahun 2020-2021) di AS dan Indonesia. Namun demikian, investor China terindikasi herding saat pasar bearish sebelum pandemi dan pengaruh indeks volatilitas juga signifikan (2015-2019).