VaR (Value at Risk)

Dalam ekonomi dan keuangan, value at risk, disingkat VaR adalah kerugian maksimum
yang tak akan dilewati untuk suatu probabilitas yang didefinisikan sebagai tingkat
kepercayaan (confidence level), selama suatu periode waktu tertentu. VaR biasanya
digunakan oleh lembaga efek atau bank investasi untuk mengukur risiko pasar dari portfolio
aktiva mereka, walaupun sebenarnya VaR adalah suatu konsep yang bersifat umum yang
dapat diterapkan untuk berbagai hal.
VaR diterapkan secara luas dalam keuangan untuk manajemen risiko kuantitatif untuk
berbagai jenis risiko. VaR tidak memberikan informasi mengenai besarnya kerugian jika
dilampaui. Metode pengukuran risiko lain antara lain adalah volatilitas/simpangan baku,
semivariance, serta expected shortfall.

Market Risk VaR: Historical Simulation Approach

Historical Simulation Approach menggunakan data masa lalu sebagai panduan untuk apa
yang akan terjadi di masa depan. Misalkan kita ingin menghitung VaR untuk Portofolio
menggunakan wawasan waktu satu hari, tingkat kepercayaan 99%, dan 500 hari data.
(Cakrawala waktu dan tingkat kepercayaan adalah mereka biasanya digunakan untuk
perhitungan risiko pasar VaR; 500 adalah pilihan populer untuk jumlah hari dari data yang
digunakan.) Langkah pertama adalah mengidentifikasi variabel pasar yang mempengaruhi
portofolio. Ini biasanya akan pertukaran Risiko Pasar VaR: sejarah tarif, harga ekuitas, suku
bunga, dan sebagainya. Kami kemudian mengumpulkan data tentang pergerakan variabelvariabel pasar selama 500 hari terakhir. Ini memberikan kita 500 skenario alternatif untuk apa
yang bisa terjadi antara hari ini dan besok. Menunjukkan hari pertama yang kami memiliki
data sebagai Hari 0, hari kedua sebagai Hari 1, dan sebagainya. Skenario 1 adalah di mana
persentase perubahan dalam nilai dari seluruh variabel adalah sama seperti mereka antara 0
Hari dan Hari 1; Skenario 2 adalah di mana mereka adalah sama seperti antara Hari 1 dan
Hari 2, dan sebagainya. Untuk masing-masing skenario kita menghitung dolar perubahan
dalam nilai portofolio antara hari ini dan besok. Ini mendefinisikan sebuah distribusi
probabilitas untuk perubahan harian dalam nilai kami portofolio. Persentil pertama dari
distribusi dapat diperkirakan sebagai yang outcome.1 terburuk kelima Estimasi VaR adalah
kerugian ketika kita berada di titik persentil pertama. Kita 99% yakin bahwa kita tidak akan
memiliki mengambil kerugian yang lebih besar dari estimasi VaR kami jika perubahan di
pasar variabel adalah sampel acak dari 500 hari terakhir.
Menentukan vi sebagai nilai dari variabel pasar pada Hari i dan misalkan
hari ini adalah Hari n. Skenario engan mengasumsikan bahwa nilai pasar
besok variabel akan menggunakan cara

Pendekatan simulasi historis memperkirakan distribusi portofolio perubahan berdasarkan

jumlah terbatas pengamatan apa yang terjadi di masa lalu. Akibatnya, perkiraan quantiles
distribusi tidak sempurna akurat. Kendall dan Stuart menjelaskan bagaimana untuk
menghitung interval kepercayaan untuk dengan kuantil dari distribusi probabilitas ketika

diperkirakan dari sampel data.3 Misalkan q-kuantil dari distribusi diperkirakan sebagai x.
Kesalahan standar estimasi adalah

dimana n adalah jumlah pengamatan dan f (x) adalah densitas probabilitas fungsi hilangnya
dievaluasi pada x. Yang terakhir ini dapat diperkirakan dengan pas data empiris untuk
distribusi standar.
Pembobotan Observations
Pendekatan simulasi dasar historis mengasumsikan bahwa setiap hari di masa lalu diberi
bobot yang sama. Secara lebih formal, jika kita memiliki pengamatan untuk n hari-hari ini
perubahan, masing-masing diberi bobot \/n. Boudoukh dkk. menunjukkan bahwa pengamatan
yang lebih baru harus diberi bobot lebih karena mereka lebih mencerminkan volatilitas saat
ini dan saat ini ekonomi makro variables. Skema pembobotan alami untuk digunakan adalah
salah satu tempat dimana bobot menurun secara eksponensial. Misalkan kita sekarang pada
akhir n hari. Berat ditugaskan untuk perubahan nilai portofolio antara siang n - i dan hari n - i
+ 1 adalah kali ditugaskan untuk perubahan antara siang n - i + 1 dan hari n - i + 2. Agar
bobot untuk menambahkan hingga 1, berat yang diberikan kepada perubahan antara siang n i dan n - i + 1 adalah

dimana n adalah jumlah hari. Sebagai skema pembobotan mendekati pendekatan simulasi
dasar sejarah, di mana semua pengamatan diberi bobot \/n
Bootstrap Method
Metode bootstrap adalah variasi lain pada simulasi historis dasar pendekatan. Ini melibatkan
membuat satu set perubahan nilai portofolio berdasarkan gerakan sejarah variabel pasar
dengan cara yang biasa. Kita maka sampel dengan penggantian dari perubahan ini untuk
membuat banyak baru set data yang sama. Kami menghitung VaR untuk masing-masing set
data baru. Kami 95% interval kepercayaan untuk VaR adalah kisaran antara 2,5 dan 97,5
persentil titik distribusi vars dihitung dari data set.
Kesimpulan Metode Historical Simulation
Historical Simulation merupakan pendekatan yang sangat populer untuk memperkirakan
VaR. Itu melibatkan membuat database yang terdiri dari gerakan sehari-hari dalam semua
variabel pasar selama periode waktu. Sidang simulasi pertama mengasumsikan bahwa
perubahan persentase dalam setiap variabel pasar adalah sama dengan pada hari pertama
ditutupi oleh database; sidang simulasi kedua mengasumsikan bahwa perubahan persentase

yang sama dengan yang pada kedua hari, dan sebagainya. Perubahan nilai portofolio,
dihitung untuk setiap percobaan simulasi, dan VaR dihitung sebagai persentil yang sesuai
dari distribusi probabilitas dari prosedur ini mengasumsikan bahwa masa depan akan dalam
arti tertentu seperti masa lalu. Kesalahan standar untuk VaR yang ditentukan dengan
menggunakan simulasi historis cenderung cukup tinggi. Itu tinggi tingkat kepercayaan VaR
diperlukan, kesalahan standar yang lebih tinggi.
Ada beberapa ekstensi dari simulasi historis dasar pendekatan. Bobot diberikan kepada
pengamatan dapat diizinkan untuk mengurangi secara eksponensial seperti yang kita melihat
lebih jauh dan lebih jauh ke masa lalu. Volatilitas skema memperbarui dapat digunakan untuk
memperhitungkan perbedaan antara volatilitas variabel pasar hari ini dan volatilitas mereka
pada waktu yang berbeda selama periode yang dicakup oleh data historis.

Market Risk VaR: Model-Building Approach

Alternatif utama untuk pendekatan simulasi historis untuk memperkirakan VaR untuk risiko
pasar adalah apa yang dikenal sebagai pendekatan model-building approach atau the
Variance-covariance approach. Dalam pendekatan ini, kita asumsikan model untuk distribusi
gabungan dari perubahan variabel pasar dan menggunakan sejarah data untuk memperkirakan
parameter model.
Dalam penentuan harga opsi, volatilitas biasanya diukur sebagai "volatilitas per tahun".
Bila menggunakan pendekatan model pembangunan untuk menghitung VaR, biasanya kita
mengukur volatilitas suatu aset sebagai "volatilitas per hari".

dimana volatilitas per tahun dan volatilitas yang sesuai per hari. Persamaan ini menunjukkan
bahwa volatilitas harian adalah sekitar 6% dari tahunan volatilitas

Kesimpulan Model Building Approach

Sementara simulasi historis memungkinkan data menentukan probabilitas bersama distribusi
persentase perubahan harian dalam variabel pasar, model building approach ini
mengasumsikan bentuk khusus untuk distribusi ini. ituAsumsi yang paling umum adalah
bahwa persentase perubahan variabel memiliki distribusi normal multivariat. Untuk situasi di
mana perubahan dalam nilai portofolio tidak bebas linear pada perubahan persentase dalam
variabel pasar, VaR dapat dihitung dengan tepat dengan cara yang mudah. Dalam situasi lain
perkiraan yang diperlukan. Salah satu pendekatan adalah dengan menggunakan kuadrat
pendekatan untuk perubahan nilai dari portofolio sebagai fungsi dari perubahan persentase
dalam variabel pasar. Lain (banyak lebih lambat) pendekatan adalah dengan menggunakan
simulasi Monte Carlo. Pendekatan model bangunan sering digunakan untuk portofolio
investasi. Hal ini kurang populer untuk portofolio perdagangan lembaga keuangan karena
tidak bekerja dengan baik ketika delta rendah.
MODEL BUILDING vs. HISTORICAL SIMULATION
Keuntungan dari model building approach adalah bahwa Hasil dapat diproduksi dengan
sangat cepat dan dengan mudah dapat digunakan dalam hubungannya dengan volatilitas dan

korelasi memperbarui skema. Seperti yang telah dikemukakan sebelumnya, pembaruan

volatilitas dapat dimasukkan ke dalam simulasi historis pendekatan-tapi dengan cara yang
agak lebih buatan.
Kerugian utama dari model building approach adalah bahwa (setidaknya di versi sederhana
pendekatan) mengasumsikan bahwa variabel pasar memiliki multivariat yang normal
distribusi. Dalam prakteknya, setiap hari perubahan variabel pasar sering memiliki distribusi
yang sangat berbeda dari normal Seorang pengguna dari model building approach berharap
bahwa beberapa bentuk dari teorema batas sentral statistik berlaku untuk portofolio, sehingga
bahwa distribusi probabilitas keuntungan harian / kerugian pada portofolio adalah
terdistribusi normal-meskipun keuntungan / kerugian pada komponen bagian dari portofolio
tidak terdistribusi normal
Pendekatan simulasi historis memiliki keunggulan bahwa sejarah Data menentukan distribusi
probabilitas gabungan dari variabel pasar. Hal ini juga lebih mudah untuk menangani suku
bunga dalam simulasi historis karena pada setiap percobaan nol-kupon lengkap kurva yield
untuk kedua hari ini dan besok dapat dihitung.
Kerugian utama simulasi historis adalah bahwa hal itu adalah komputasi jauh lebih lambat
daripada model building approach. Kadang-kadang perlu menggunakan sebuah pendekatan
seperti persamaan

bila menggunakan pendekatan simulasi historis. Hal ini karena penilaian kembali penuh
untuk setiap 500 berbeda skenario tidak mungkin. Pendekatan model bangunan ini sering
digunakan untuk portofolio investasi. (Ini adalah setelah semua terkait erat dengan populer
rata-rata varians metode analisis portofolio Markowitz.) Hal ini kurang umum digunakan
untuk menghitung Var untuk operasi perdagangan lembaga keuangan