Conditional Covariance Estimation Using CCC-GARCH for Markowitz Portfolio Optimization

Abstrak

Karakteristik return saham yang menunjukkan time-varying volatility dan heteroskedastisitas memerlukan pemodelan volatilitas yang tepat dalam pembentukan portofolio. Penelitian ini bertujuan memodelkan volatilitas return saham menggunakan model Constant Conditional Correlation Generalized Autoregressive Conditional Heteroskedasticity (CCC-GARCH) serta menerapkan hasil estimasi matriks kovarians kondisional dalam pembentukan portofolio optimal berdasarkan model Markowitz. Data yang digunakan berupa return harian dari tujuh saham perwakilan sektor yang tergabung dalam indeks LQ45 selama periode Februari 2020 hingga Agustus 2025. Tahapan analisis meliputi pemodelan ARMA-GARCH untuk mengestimasi volatilitas bersyarat masing-masing return saham, estimasi matriks kovarians kondisional menggunakan model CCC-GARCH, serta optimasi portofolio menggunakan model Markowitz. Kinerja portofolio dievaluasi menggunakan Sharpe Ratio. Hasil penelitian menunjukkan bahwa seluruh return saham mengandung efek heteroskedastisitas, sehingga model ARMA-GARCH(1,1) merupakan model terbaik dalam memodelkan volatilitas masing-masing saham. Matriks kovarians kondisional yang dihasilkan oleh model CCC-GARCH menghasilkan portofolio optimal dengan expected return sebesar 0,00041210, variansi portofolio sebesar 0,00011439, dan nilai Sharpe Ratio sebesar 0,02103415. Hasil tersebut menunjukkan bahwa model CCC-GARCH mampu memberikan estimasi risiko portofolio yang lebih representatif sehingga mendukung pembentukan portofolio optimal pada kondisi pasar yang dinamis.