Tahapan Penerapan EVT [Bensalah, 2000]

1. Eksplorasi
a. Plot kuantil-kuantil
Pada tahap eksplorasi biasanya dilakukan kajian terhadap histogram data. Pada banyak
metode penentuan VaR, pendekatan dengan sebaran normal merupakan asumsi yang
medasar. Bagaimanapun, kebanyakan data deret finansial memiliki ekor yang gemuk. Grafik
kuantil akan memungkinkan penaksiran kebaikan suai dari deret data terhadap model
parametriknya.
Misalkan
1
, ,
n
X X adalah rangkaian dari peubah acak yang iid, dan
, 1, n n n
X X < <
adalah statistic terurut,
n
F merupakan sebaran empiris. Catat bahwa
( ) ( ) , 1
n k
F X n n k n = + dan F merupakan hasil pendugaan sebaran parametric dari
data.
Grafik kuantil-kuantil (Q-Q plots) didefinisikan dengan cara
,
1
, ; 1, ,
k n
n k
X F k n
n
+ | |
=
`
|
\ . )

Apabila model parametric pas data, grafik yang dihasilkan haruslah linier. Kemudian, dengan
grafik tersebut dapat dipergunakan untuk membandingkan beberapa penduagaan model
dan memilih yang terbaik. Semakin linier plot kuantil-kuantil yang dihasilkan, semakin bagus
model yang depergunakan. Begitu pula apabila sebaran asal data tidak diketahui, plot
kuantil-kuantil akan memperlihatkan pencilan.
Akhirnya, alat ini memungkinkan untuk menaksir seberapa baikkah model sebaran yang
terpilih dalam mengepas dengan ekor dari sebaran empiris. Sebagai contoh, apabila deret
amatan didekati dengan sebaran normal dan apabila data empiris merupakan data dengan
sebaran berekor gemuk, grafik akan memperlihatkan lengkungan di bagian pojok kanan atas
atau di pojok kiri bawah

b. Fungsi rataan pelampauan
Definisi
Misal X merupakan peubah acak dan diberikan nilai ambang
F
x ; maka
( ) ( )
, 0
F
e u E X u X u u x = > s s
( ) . e disebut dengan fungsi rataan pelampauan yang melampaui batas ambang u .
Apabila X mengikuti sebaran eksponensial dengan parameter dan fungsi yang dihasilkan
akan sama dengan
( )
1
e u

= untuk sembarang 0 u > .

Pada GPD,
( ) , 0
1
u
e u u
|
|

+
= + >

Fungsi rataan pelampauan untuk ekor gemuk terletak antara fungsi rataan pelampauan
konstan dari sebaran eksponensial
( )
1
e u

= dan GPD, yang linier dan menuju ke

takberhingga untuk ambang u yang tinggi hingga takberhingga.
Uji grafis untuk menentukan perilaku ekor sebaran dapat dilakukan dengan didasarkan pada
bentuk dari sebaran rataan pelampauan. Misalkan
1
, ,
n
X X peubah acak iid, dengan
n
F
menyatakan sebaran empiris dan
{ } , 1, , ,
n i
i i n X u A = = > maka
( )
( )
( )
( )
1
n
n i
i u
n
e u X u
card
eA
=
A


Dengan card menyatakan cacah anggota
( )
n
u A
Himpunan
( ) ( ) { } , ,
, 1, ,
k n n k n
X e X k n = akan membentuk grafik rataan pelampauan.
Sebaran ekor gemuk menghasilkan fungsi
( ) e u yang menuju ke takberhingga untuk
ambang-tinggi u (bentuk linier dengan kemiringan positif).
2. Sampling maksima
Dua pendekatan dapat dilakukan dalam membangun deret maksima atau minima. Yang pertama
terdiri dari pembagian deret yang non-overlapping blok dengan panjang yang sama dan memilih
nilai maksimum dari masing-masing blok. Asumsi yang dipergunakan adalah amatan iid berlaku
dalam kasus ini. Memang, karena data finansial terdiri dari periode dengan volatilitas yang diikuti
oleh periode-periode dengan volatilitas rendah (pengklasteran), pengambilan contoh maksima
dengan teknik ini akan mereduksi fenomena itu seiring dengan penetapan lebar blok yang melebar.
Bagaimanapun risiko kehilangan amatan yang ekstrim yang termuat dalam blok yang sama masih
ada, membuat pilihan lebar blok menjadi persoalan.
Pendekatan kedua adalah dengan menentukan nilai ambang (yang cukup tinggi) dan menetapkan
nilai ekstrim adalah amatan yang melampaui ambang tersebut. Pemilihan nilai ambang adalah
masalah yang simalakama (trade-off) antara keragaman dan bias. Dengan meningkatkan cacah
amatan pada deret maksima (dengam menurunkan ambang) beberapa amatan dari pusat sebaran
data akan termuat dalam deret nilai ekstrim dan indeks ekor akan lebih presisi (keragaman menjadi
lebih kecil) tetapi bias. Di sisi lain, memilih ambang yang tinggi akan mereduksi bias tetapi akan
menjadikan penduga lebih volatil (dengan lebih sedikit amatan).
Resnick dan Starica menyarankan untuk menggunakan amatan yang distandardisasi guna mengepas
beberapa parameter untuk mengatasi permasalahan tersebut.

3. Pemilihan ambang
a. Grafik rataan pelampauan
Pada bagian sebelumnya telah dijelaskan.
Ambang dipilih untuk pendekatan GPD dengan mendeteksi area dengan bentuk linier.
b. Grafik Hill
Misal
1 n
X X > > adalah statistik terurut dari peubah acak iid. Penduga Hill dari indeks
menggunakan 1 k + statistik terurut didefinisikan:
1
,
1
1
ln
k
i
k n k
i
k
H
H
H

=
+
| |
= =
|
\ .

Grafik Hill didefinisikan sebagai
( ) { }
1
,
, ,1 1
k n
k H k n

s s

Ambang u yang dipilih dari grafik ini adalah area stabil dari indeks ekor. Bagaimanapun
pilihan tidak akan selalu jelas.Pada kenyataan, metode ini menerapkan GPD dengan baik
atau mendekati sebaran GPD. Penduga Hill adalah penduga maksimum likelihood untuk GPD
dan karena sebaran ekstrim konvergen ke GPD di atas nilai ambang u (Pickland, Balkema
dalam Haan), penggunaannya dapat dibenarkan. Untuk sebaran yang lain, beberapa peneliti
menganjurkan alternatif lain dari grafik Hill untuk memudahkan pemilihan nilai ambang.
Dress, de Haan dan Resnick (1998) mengajukan grafik yang didefinisikan sebagai himpunan
titik-titik:
{ }
1
, , 0 1
n
H
u
u u

(

| |
s <
|
\ .

Pada kenyataan, mereka menggunakan skala logaritmik sebagai aksis dari
( )
bilangan bulat yang kurang atau sama dengan k n n
u u
(

. Hal ini memberikan ruang
yang lebih lebar pada grafik untuk sejumlah kecil k. Mereka menemukan bahwa grafik Hill
superior terhadap sebaran tipe GPD, sementara grafik alternatif tersebut memberikan
adaptasi yang lebih baik untuk sebaran yang beranekaragam. Kuantifikasi dari superioritas
adalah dalam hal waktu yang diperlukan di sekitar nilai sebenarnya dari indeks ekor.
Persentase PERHILL dari waktu yang dilewati titik dalam persekitaran dari nilai
sebenarnya adalah
( )
( ) { } ,
1
1
, , 1
i n
l
l
H
i
PERHILL n l
c
c
s
=
=


Nilai PERHILLmengkuantifikasi stabilitas di sekitar suatu nilai indeks yang terpilih, dan
dapat digunakan untuk memilih satu di antara beberapa pilihan nilai indeks (beragam
wilayah stabil pada grafik).

4. Pendugaan parameter dan kuantil
Parameter-parameter pada sebaran ekstrem dapat diduga dengan beberapa asumsi yang berbeda.
Pertama, dapat diasumsikan bahwa amatan ekstrem mengikuti sebaran GEV. Kedua, dan
kemungkinan lebih realistis adalah bahwa amatan secara kasar tersebar mirip dengan sebaran GEV.
Lebih spesifik lagi, sebaran dari amatan merupakan domain maksimum atraksi (MDA) dari H

; agar
lebih jelas Berdasar hal tersebut, nilai dugaan kuantil dapat berbeda-beda. Terakhir, parameter
dan kuantil diduga untuk sebaran pelampauan atas ambang (Peak Over Threshold).
Pendugaan sebaran ekstreme
a. Pendugaan sebaran ekstrim
Metode parametrik. Pengasumsian bahwa pengamatan ekstrem mengikuti sebaran GEV,
MLE yang dapat digunakan untuk menentukan parameter. Sayang, tidak ada bentuk formula
tertutup untuk menduga parameter, tetapi pendekatan numerik dapat dipergunakan.
Nilai kuantil-p didefinisikan
( )
1
, ,

p
x H p
o

= maka
( ) ( )
1

ln 1 1
p
p x

o

| |
(
= +
|

\ .

( ) ( )
1

ln 1
p
p x

o

(
= +


( ) ( )

ln 1

p
x p
o

(
= +


( )
1

exp 1
p
p x

o

| |
(
= +
|

\ .

Dengan MLE dimungkinkan untuk melakukan pendugaan dari ketiga parameter secara
simultan dan hal itu dapat dilakukan pada deret maksima per blok. MLE juga memberikan
pendugaan yang baik pada saat kasus
1
2

> . Sebagaimana pada sebagian besar data
finansial yang memiliki 0 > .

b. Metode semi-parametrik
Asumsi yang menyatakan bahwa pengamatan ekstrim konvergen atau menyebar dengan
fungsi H

terlihat sangat kuat. Dengan mengendurkan asumsi tersebut, pengamatan

menyebar secara kasar mengikuti sebaran GEV, maka F yaitu sebaran dari amatan akan
menjadi anggota MDA dari H

. Jadi pendugaan kuantil dan parameter dari bagian metode

parametrik.
Misal
1
, ,
n
X X merupakan peubah acak yang iid, dengan sebaran
( )
F MDA H

e . Hal ini
ekuivalen dengan
( ) ( ) ( )
lim ln
n n
n
F x H x

+ =
Pada kasus
( ) 0 > :
( ) ( )
1
, 0 F x x L x x

= >
Dengan L adalah fungsi bervariasi lambat, atau lebih tepat
( )
( )
0, lim 1
x
L x
L x

> =
Sedemikian sehingga untuk u yang besar yakni
n n
u x u o = + diperoleh
( ) ( )
1

1
n n
nF u u

o

(
~ +


Kuantil ke- p yang didefinisikan sebagai
( )
1
, ,

n n
p u
x H p
o

= maka
( ) ( )

1 1

n
p n
x n p
o

(
= +


Kuantil yang tinggi yang biasa menarik untuk diselidiki dari deret data ini, dengan kata lain,
pendugaan di-luar-sampel. Untuk tujuan ini, ambil
k
u X = dengan u adalah ambang yang
sangat tinggi,
k
n
merupakan nilai peluang yang terkait (peluang dari sebaran empiris dari
deret dengan panjang N dan u adalah amatan urutan ke- K dari statistik
1 n
X X > > )
dan p adalah peluang untuk kuantil ke- p yaitu
p
x maka
( ) ( )
1
, , ,
k
k n k n k n n
F X X L X

= = (1)
( ) ( )
1
1
p p p
F x x L x p

= = (2)
Membagi (2) dengan (1) dan
p k
x X > ,
( ) ( )
,
1
p k n
L x L X ~ maka
( ) ( )
,
1
n
p k n k
x p X

=
Indeks dari ekor dipilih dari wilayah stabil pada grafik Hill yang terbentuk.
Pengepasan untuk data yang melampaui ambang (Fitting excesses over threshold)
Pendugaan GDP terdiri dari dua tahap
1. Pemilihan ambang u . Grafik rataan pelampauan dapat dipergunakan dengan memilih u
sedemikian sehingga
( ) e x mendekati linier untuk x u > (
( ) e u linier terhadap GPD).
2. Pendugaan parameter untuk dan | dapat menggunakan MLE.
Saat sebaran dari pelampauan ambang sudah diduga, sebuah pendekatan dari sebaran yang tidak
diketahui (yang menghasilkan amatan ekstrem) dan pendugaan dari kuantil- p darinya dapat
digunakan untuk menduga VaR ekstrem.
Ambil u sebagai ambang, dan peubah acak
1
, ,
n
X X yang melampaui ambang tersebut
(mengikuti sebaran
( )
MDA H

) dan
1
, ,
n
Y Y deret yang melampaui ambang (
i i
Y X u = ).
Sebaran pelampauan dari u adalah:
( ) ( ) ( )
, 0
u
F y P X u y X u P Y y X u y = s > = > > >
Dan sebarat F dari pengamatan ekstrem,
i
X dinyatakan sebagai
( ) ( ) ( ) ( ) ( )
F u y P X u y P X u y X u P X u + = > + = > + > >
( ) ( ) ( ) F u y P X u y X u P X u + = > > >
( ) ( ) ( )
u
F u y F y F u + =
Hasil ini membuat pendugaan terhadap ekor dari sebaran awal manjadi mungkin dilakukan, dengan
secara terpisah melakukan pendugaan F dan
u
F . Mengacu pada hasil yang diperoleh Picklands,
Balkema dalam Haan, untuk setiap u :
( ) ( )
( )
( )

,
u
u
F y G y
|
.
~
( ) F u dapat diduga dari sebaran empiris dari amatan:
( ) ( )
{ }
1
1
i
n
u
n X u
i
N
F u I
n
.
>
=
= =

Dan
( ) ( )
1

1

u
N y
F u y
n

.
| |
+ = +
|
\ .

Pendugaan kuantil- p untuk ambang tertentu u dengan menggunakan sebaran tersebut.
( )

1 1

p
u
n
x u p
N

(
| |
( = +
|
(
\ .


5. VaR ekstrem
Per definisi, VaR adalah kuantil ke- p untuk sebaran dari data perubahan log dalam harga. EVT
membuat pemodelan terhadap sebaran empiris menjadi mungkin berdasarkan amatan ekstrem.
VaR ekstrem didefinisikan sebagai kuantil-$p$ yang diduga dari sebaran ekstrem. Beragam penduga
dapat digunakan bergantung pada metode dan asumsi yang dipergunakan.
VaR diduga dengan mengasumsikan bahwa amatan ekstrem mengikuti tepat sebaran GEV (metode
parametrik)
( ) ( )

ln 1

ekstrem
VAR p
o

(
= +


VaR diduga dengan mengasumsikan bahwa pengamatan mendekati sebaran GEV (semi parametrik)
VAR dalam-sampel
( )
( ) ( )

1 1

n
n extreme in sample
VaR n p
o

(
= +


Dan VaR di luar sampel:
( )
( )
,
1
k n extreme out of sample
n
VaR p X
k


| |
=
|
\ .

Pendekatan pelampauan atas ambang dengan GPD membawa pada penduga berikut:
( )

1 1

extremeGPD
u
n
VaR p
N

(
| |
( = +
|
(
\ .


Biasanya pendugaan dengan menggunakan GPD dilakukan berulang untuk memperoleh grafik
kuantil. Bisa jadi hasil yang diperoleh beragam, kuantil untuk wilayah stabil pada grafik dan kuantil
yang berkaitan dengan versi pesimistik (lemah). Metode ini disebut POT (Peak over threshold).
McNeil & Saladin.