---

🇮🇩

Mengapa Econometrics for Finance Berbeda?

Data keuangan tidak berperilaku seperti data ekonomi biasa. Harga aset cenderung tidak stasioner, volatilitas berubah-ubah, dan krisis sering menggeser hubungan antar variabel. Karena itu, ekonometrika keuangan membutuhkan model dinamis dan adaptif, bukan sekadar regresi statis.

Buku Introductory Econometrics for Finance menyusun jalur metodologi yang rapi: dari regresi dasar hingga model volatilitas dan perubahan rezim.

---

1. Fondasi: Return sebagai Variabel Utama

Harga aset jarang digunakan langsung. Yang dimodelkan adalah return:$$r_t = \ln P_t – \ln P_{t-1}$$

Return lebih stabil secara statistik dan cocok untuk analisis risiko serta dinamika pasar.

---

2. Regresi Linear (OLS): Titik Awal Analisis

Model dasar yang menjadi fondasi semua pendekatan lanjutan adalah:$$y_t = \beta_0 + \beta_1 x_t + u_t$$

OLS digunakan untuk membaca arah dan besar hubungan rata-rata, namun dalam data keuangan, hasil OLS harus selalu diuji secara diagnostik.

---

3. Diagnostic Testing: Penentu Kredibilitas Model

Tiga masalah utama dalam data keuangan:

• Heteroskedastisitas (varians tidak konstan)
• Autokorelasi (error saling berkaitan antar waktu)
• Structural break (parameter berubah saat krisis atau kebijakan)

Tanpa diagnosis, regresi berisiko menghasilkan kesimpulan yang menyesatkan.

---

4. Time Series Univariate: Dinamika Satu Variabel

Ketika variabel memiliki “memori”, digunakan model autoregresif:$$y_t = c + \phi y_{t-1} + u_t$$​

Model ini menjadi dasar forecasting inflasi, suku bunga, dan return.

---

5. VAR: Sistem yang Bergerak Bersama

Untuk menganalisis interaksi beberapa variabel secara simultan digunakan VAR:$$Y_t = c + A Y_{t-1} + u_t$$

VAR memungkinkan analisis:

• transmisi shock,
• hubungan sebab-akibat dinamis,
• respons kebijakan moneter.

---

6. Cointegration & VECM: Jangka Pendek dan Jangka Panjang

Jika variabel tidak stasioner tetapi bergerak bersama dalam jangka panjang, digunakan VECM:$$\Delta Y_t = \Pi Y_{t-1} + u_t$$

Model ini menggabungkan:

• keseimbangan jangka panjang, dan
• penyesuaian jangka pendek.

---

7. Volatilitas: Risiko sebagai Objek Model

Dalam keuangan, risiko tidak konstan. Model GARCH menangkap dinamika volatilitas:$$\sigma_t^2 = \omega + \alpha u_{t-1}^2 + \beta \sigma_{t-1}^2$$

Model ini penting untuk:

• manajemen risiko,
• stabilitas keuangan,
• analisis krisis.

---

8. Regime Switching & State Space: Saat Pasar Berubah

Pasar tidak selalu berada dalam satu rezim. Model regime switching menangkap perubahan perilaku:$$y_t = \beta_{s_t} x_t + u_t$$

Pendekatan ini relevan untuk periode normal vs krisis, serta kebijakan non-konvensional.

---

9. Panel & Discrete Choice: Data Lintas Negara dan Kejadian Krisis

Untuk data lintas unit digunakan panel:$$y_{it} = \alpha_i + \beta x_{it} + \varepsilon_{it}$$

Untuk kejadian biner (krisis/tidak):$$P(y=1|x) = \frac{e^{x\beta}}{1+e^{x\beta}}$$

---

10. Toolbox Riset Keuangan Modern

Buku ini juga memperkenalkan:

• event study (dampak pengumuman kebijakan),
• bootstrap & simulasi (validasi inferensi),
• GMM (estimasi berbasis momen).

---

Penutup

Buku ini membangun jalur metodologi yang konsisten:

OLS → Time Series → VAR → VECM → GARCH → Regime → Panel → Advanced Finance

Pendekatan ini sangat relevan untuk riset pasar keuangan, kebijakan moneter, dan stabilitas ekonomi.

---

---

🇬🇧 English Version

Why Econometrics for Finance Is Different

Financial data are dynamic, volatile, and regime-dependent. Asset prices are often non-stationary, volatility clusters, and crises alter economic relationships. As a result, financial econometrics requires dynamic and adaptive models.

---

Core Modeling Pathway

• Returns, not prices:

$$r_t = \ln P_t – \ln P_{t-1}$$

• OLS baseline:

$$y_t = \beta_0 + \beta_1 x_t + u_t$$

• Univariate dynamics:

$$y_t = c + \phi y_{t-1} + u_t$$

• VAR system:

$$Y_t = c + A Y_{t-1} + u_t$$

• Long-run adjustment (VECM):

$$\Delta Y_t = \Pi Y_{t-1} + u_t$$

• Volatility (GARCH):

$$\sigma_t^2 = \omega + \alpha u_{t-1}^2 + \beta \sigma_{t-1}^2$$

• Regime switching:

$$y_t = \beta_{s_t} x_t + u_t$$

• Panel & binary models:

$$y_{it} = \alpha_i + \beta x_{it} + \varepsilon_{it}$$