Pendahuluan

Di awal 90an pengukuran risiko keuangan menjadi konsep yang populer dan dominan di pasar
keuangan. Konsentrasi pada pengukuran risiko, akan ditemukan Value at Risk (VaR ). Meskipun konsep
VaR lebih mula, konsep ini mendominasi pasar sejak diperkenalkan oleh JP Morgan di tahun 1994.
Meskipun banyak perusahaan yang merahasiakan model mereka, pada Oktober 94, JP Morgan
memutuskan untuk membuat sistem Risk Metrics yang disebarkan melalui internet sehingga pengguna
dapat mengakses model dan dapat dipergunakan dalam perhitungan manajemen risiko mereka.
Bersamaan dengan VaR diperkenalkan ke pasar, penyedia perangkat lunak mulai memasarkan perangkat
lunak yang mendukung. Pemilihan waktu yang tepat dari penerbitan dokumen dan perangkat lunak yang
sangat baik sebab beberapa tahun kemudian beberapa perusahaan yang memiliki reputasi bagus
mengalami kerugian besar. Seranai yang lebih panjang dapat dilihat pada buku Dowd [8], tetapi bagian
berikutnya hanya memberikan ide.
Januari 1993, perusahaan minyak Jepang Showa Shell Sekiyu mengumumkan kerugian sebesar US$ 1050
Juta dari spekulasi pada valuta asing. Di tahun 1994 banyak perusahaan yang merugi telah dilaporkan
oleh Orange County California. Tahun 1996, setelah penggunaan terbatas dari pengukuran VaR diterima
oleh Komite Basle sebagai syarat perhitungan kalkulasi modal bank, penggunaan VaR semakin meluas.
Secara simultan, beberapa ketakkonsistenan dikemukakan oleh para teoritisi. Beberapa teoritisi
menawarkan perubahan dan perluasan dalam VaR sementara sebagian yang lain menawarkan jalan
alternatif dalam perhitungan risiko. Pada garis pertama riset dilakukan oleh Artzner, Delbean, Eber dan
Heath di tahun 1997 dalam judul Berpikir dengan Jelas. Kontribusi mayor yang diberikan oleh mereka
diperkenalkan dalam Coherent Risk Measure di tahun 1999 dengan makalah yang berjudul sama.
Makalah-makalah tersebut memasukkan kekonsistenan suatu kondisi yang harus dipenuhi oleh
pengukuran risiko yang bijaksana. Karena VaR bukanlah alat ukur risiko yang koheren pada konteks yang
diajukan, cara baru untuk pengukuran yang diajukan yang lebih memuaskan pada konsistensi kondisi
dan mudah dalam pengkomputasian menjadi nilai VaR. Contoh penting dalam pengukuran risiko untuk
jenis ini adalah Worst Conditional Expectation (WCE) dalam [5]. Lebih lanjut, Conditional Value at Risk
(CVaR) diperkenalkan oleh Uryacev dan Rockafeller di tahun 1999 [16] dan Expected Shortfall (ES) yang
diperkenalkan oleh Acerbi et.al. di tahun 2000 [1] sebagai contoh. Kontribusi lain yang penting pada
wilayah ini diberikan oleh Embrechtes, Kluppelberg dan Mikosch, dengan buku yang bejudul Modelling
Extremal Events for Insurance and Finance (1997) merupakan batu pertama, karena yang mereka sajikan
merupakan sumber yang komprehensif tentang Teori Nilai Ekstrim (EVT) dan penerapannya di bidang
keuangan. Dengan inovasi tersebut, EVT menjadi metode yang populer yang digunakan untuk
peramalan risiko ekstrim pada keuangan. Bensalah menerapkan teknik EVT pada deret data valuta mata
uang Kanada/US Dollar di tahun 2000. Masih di tahun yang sama Danielson dan Marimoto [7]
membandingkan kinerja dari beberapa teknik yang berbeda untuk pendugaan nilai VaR pada pasar
Jepang dan mereka menemukan bahwa peramalan risiko dengan EVT memiliki kinerja yang relatif lebih
baik di antara yang lain. Kajian yang serupa untuk pasar Turki dikerjakan oleh Gencay, Selcuk dan
Ullugullagci di tahun 2003 [15] dan Gencay, Selcuk [13] di tahun 2004. Kedua makalah tersebut
menyepakati bahwa metode EVT lebih dipilih daripada yang lain.
Tujuan dari kajian ini adalah membandingkan kinerja relatif dari ES dengan pengukuran risiko yang lain
dan kinerja dari EVT dengan metode komputasi untuk Pasar Saham Turki. Makalah ini dibagi menjadi
dua bagian utama. Pertama, beberapa dasar teori yang mengenalkan tentang pengukuran risiko dan
EVT. Penerapan pada data nyata akan diberikan pada bagian kedua. Bagian ini terdiri dari analisis data,
metodolagi dan hasil empiris.
2. DASAR TEORI
Pertama akan diberikan definise dari VaR. Definisi yang paling luas mengenai VaR adalah potensi hasil
yang maksimum (pada umumnya adalah kerugian) dari suatu nilai pada portofolio, dengan diberikan
kondisi pasar normal, horison waktu, dan tingkat signifikansi o, dengan log return
( )
1
log
t t t
X V V

=
Di mana
t
X = return dari portofolio pada waktu ke-t dan
t
V = nilai portofolio pada saat-t. Contoh
( )
95
VaR 0.02 X = bermakna dengan 95% kemungkinan kerugian dari portofolio tidak akan sampai
2% dari total nilai portofolio. Definisi lain dari VaR diberikan dengan konsep statistik kuantil. Definisi
kuantil yang fundamental adalah sebagai berikut.
Kuantil kiri: Lower o kuantil X
( ) ( ) { }
inf q X x P X x
o
o = e s >

Kuantil kanan: Upper o kuantil X
( ) ( ) { }
inf q X x P X x
o
o = e s >
Didefinisikan
( ) ( ) { }
( )
VaR inf X x P X x
q X
o
o
o = e s >
=

RiskMetrics dan banyak aplikasi menggunakan metode tersebut dengan mengasumsikan bahwa nilai
return portofolio menyebar normal. Dengan asumsi sebaran kontinu, ( ) q X
o
dan ( ) q X
o
akan
bernilai sama. Bagaimanapun, secara umum, VaR dicurigai tidak memberikan risiko dari suatu posisi
secara akurat. Satu dari beberapa contoh memperlihatkan klaim tersebut [2].
Diberikan A suatu portofolio (berupa posisi long/buy) yang bernilai 1000 euro dengan level
turun maksimum 100 Euro dan anggap kemungkinan terburuk 5% pada suatu rentang waktu T
untuk seluruh penurunan maksimum. Maka VaR pada 5% bisa jadi 100 Euro. Lalu portofolio lain,
B yang juga bernilai 1000 Euro yang diinvistasikan secara keseluruhan pada posisi short (sell)
yang berpotensi mengalami kerugian maksimum. Dapat ditentukan dengan mudah bahwa VaR
untuk B tetap 100 Euro, tetapi pada portofolio B peluang terburuk 5% akan rugi bisa merupakan
nilai dengan rentang yang sembarang.
Dari sudut pandang investor atau regulator hal tersebut bisa jadi merupakan bencana. Meskipun betul
bahwa portofolio B dapat memperoleh untung yang lebih besar untuk nilai VaR yang sama. Embrechts
menjelaskan bahwa:
VaR pada bidang keuangan dapat disamakan dengan suhu badan pasien. Sebuah indikasi atas
suatu penyakit tetapi bukan alat yang dapat menjelaskan apa yang salah dan dengan sedikit
petunjuk mengenai bagaimana cara mengembalikan sistem kesehatan pasien.
2.1 Pengukuran Risiko
Pengukuran risiko yang koheren dan konveks (Artzner et.al) 1997 [5]
Pengukuran risiko disebut koheren apabila
1. Monoton: untuk setiap X dan Y , jika ( ) ( ) , X Y X Y s >
2. Invarian terhadap translasi: untuk setiap X dan semua bilangan nyata o berlaku
( ) ( ) X X o o + =
3. Homogen positif: untuk setiap 0 > dan semua X ; ( ) ( ) X X =
4. Subaditif: Untuk setiap X , Y ; ( ) ( ) ( ) X Y X Y + s +
Sifat invarian terhadap transasi mengimplikasikan bahwa bila ditambahkan modal pada portofolio dan
dan diinvestasikan pada aset yang berisika, risiko dari portofolio tersebut akan berkurang sebesar dana
yang ditambahkan. Lebih lanjut sifat tersebut menjamin bahwa pengukuran risiko dan fungsi
kerugian/keuntungan ada dalam sistem perhitungan yang sama yang didasarkan pada sistem keuangan.
Sifat subaditif dipahami sebagai penggabungan tidak menciptakan risiko tambahan. Homogen positif
mengimplikasikan risiko dari portofolio bersifat linier terhadap terhadap besarnya portofolio. Menurut
aksioma kemonotonan, jika suatu portofolio memiliki nilai return yang lebih kecil dari portofolio yang
lain maka portofolio tersebut memiliki risiko yang lebih tinggi.
Pengukuran risiko yang lain yang terkait adalah pengukuran kekonvekkan ukuran risiko. Di sini
subaditifitas dan homogenitas positif diganti dengan aksioma konviktisitas (aksioma yang lain dianggap
valid).
Definisi. Kekonvekan: Untuk setiap X dan Y dan 0 > , ( ) ( ) ( ) ( ) ( ) 1 1 X X Y + s +
Folmer [12] mengklaim bahwa asumsi ini lebih realistis. Karena asumsi hubungan linier antara besar
suatu posisi dengan risiko jarang diperhatikan. VaR tidak koheren dalam pengukuran suatu risiko.
Meskipun memenuhi ketiga aksioma yang lain, tetapi tidak memenuhi sifat subaditifitas. Dapat dilihat
pada contoh berikut.
Terdapat dua portofolio, satu posisi short call yang lain posisi short put. Kondisi kerugian mereka
adalah
A: Harga saham di bawah U (kalah bila harga saham naik melampaui nilai U)
B: Harga saham di bawah L (kalah bila harga samah turun hingga di bawah nilai L)
Peluang kedua posisi tersebut untuk kalah adalah 0.03
Secara bebas, masing-wasing portofolio memiliki nilai VaR 0 pada 0.95 o = . Meskipun demikia, saat
kedua posisi tersebut dikombinasikan, portofolio baru yang terbentuk memiliki nilai VaR di atas 0. Has
ini berarti bahwa VaR sangat tidak mendukung diversifikasi. Secara sederhana dikatakan bahwa investor
sebaiknya berinvestasi hanya pada satu aset saja daripada di beberapa aset yang berbeda. Hal ini tidak
dapat diterima bila dibandingkan dengan teori portofolio modern.
Pada bagian ini penting untuk dicatat bahwa VaR pada Risk Metrics return aset diasumsikan menyebar
normal. Sehingga
( ) ( ) ( ) ( )
1
VaR E 1 X X X
o
o o

= +u
Di mana
1
u adalah fungsi kebalikan sebaran normal standar. Ragam memenuhi ketidaksamaan:
( ) ( ) ( ) X Y X Y o o o + s + ,
( ) ( ) ( ) VaR VaR VaR X Y X Y
o o o
+ s + . Bagaimanapun di luar ruang
Gaussian, VaR gagal memenuhi sifat subaditifitas dan konfeksitas. Kedua sifat itu diperlukan dalam
optimalisasi portofolio. Keduanya terhubung dalam kurva permukaan risiko yang akan diminimalisasi
dalam ruang portofolio. Hanya apabila kurva permukaan tersebut konveks saja akan didapatkan nilai
minimun yang tunggal dan optimalisasi risiko akan menghasilkan solusi optimal.
Alternatif Pengukuran Risiko
Salah satu kekurangan dari pengukuran VaR yang tak mampu dijawab oleh CRM adalah
ketidakmampuannya menjawab pertanyaan (pada 0.95 o = ). Berapa kerugian minimum yang
dihasilkan dari peluang 5% kejadian terburuk? Pertanyaan tersebut tidak bisa hanya dijawab dengan
merujuk pada nilai pada ekor kiri saja. Apa yang terjadi bila hanya memperhatikan wilayah 5% saja?
Di abad yang lalu beberapa kejadian ekstrim yang terjadi seperti market crash, skandal keuangan,
bencana alam yang berpengaruh terhadap nilai kiri dari nilai VaR. Hanya pada lima tahun terakhir,
Turkey mengalami tiga kali keambrukan pasar pada Istambul Exchange Indeks. Selanjutnya perlu
dipertanyakan
Berapa kerugian yang mungkin terjadi yang diakibatkan oleh 5% kejadian terburuk pada portofolio?
Jawaban langsung dari pertanyaan tersebut adalah Tail Conditional Expectation (TCE):
( ) ( ) TCE VaR X E X X X
o
( = s


Meskipun menjawab pertanyaan di atas, tetapi formula tersebut bukan CRM yang umum. Sehingga
formula tersebut tidak dapat dipergunakan dalam tujuan utama meminimumkan risiko global. CRM
memenuhi aksioma subaditifitas hanya pada kasus kontinu. Jawaban CRM menjawab pertanyaan yang
sama dengan Worst Conditional Expectation (WCE) (dengan asumsi bahwa
( )
E X

< ).
( ) | | { }
WCE inf : ; 1 X E X A A A P A
o
o = ( e >


WCE tidak hanya bergantung pada sebaran dari X tetapi juga tergantung pada struktur yang membawahi
ruang peluangnya. Seluruh informasi yang mungkin dari alam harus dimasukkan. Jelas bahwa asumsi ini
sulit untuk dipenuhi. Walaupun memenuhi asumsi, tetapi tidak praktis dalam perhitungan. Yang
diperlukan adalah selain koheren, tetapi juga tidak sulit dalam mengkalkulasi risiko keuangan pasar.
Expected Shortfall
( ) ( ) ( ) ( )
( ) ( )
1
ES X E X X q X q X P X q X
o o o
o o
o
( ( = s s


Meskipun formula tersebut terlihat rumit, ide yang dibawanya sederhana.
Misal n adalah cacah pengamatan dan
{ }
( ) 1, ,
i
i n
X
=
adalah nilai yang terjadi pada peubah acak X. Setelah
i
X diurutkan dari kecil ke terbesar, hitung rataan nilai ( ) 1 % o pertama.Guna menyusun hal tersebut
tentukan statistik terurut
1:: :: n n n
X X s s lalu tentukan
| | { }
max w n m m n o o = = s suatu bilangan
bulat. Estimasikan nilai kuantil ( )
:: w n
q X X
o
= sedemikian sehingga ( ) 1 % o amatan terburuk adalah
1:: :: n w n
X X s s Maka
( )
::
1
ES
w
i n
i
X
X
w
o
=

=


Dengan cara yang sama didapatkan
( )
{ }
{ }
::
::
1
1
TCE
1
i w n
i w n
w
i X X
i
n
X X
i
X I
X
o
s
=
s
=

ES memenuhi masalah pada sifat subaditifitas. Pembahasan lebih lanjut tentang hal ini ada di [1].
EVT
Kejadian-kejadian pada pasar keuangan telah memberikan bukti bahwa nilai aset dapat bergerak
melampaui apa yang tergambar pada sebaran normal. Hal ini terjadi karena kejadian yang berdistribusi
normal, yang mana secara umum berada di dalam blok dari semua metode penghitungan VaR, tidak
mampu untuk menjelaskan peluang dari kejadian ekstrim. Pada bagian ini, solusinya adalah EVT.
Pionir EVT antara lain Fisher, Tippet dan Gnedenko di awal tahun 1920an hingga awal 1940an. Dan di
tahun 1958 Gumbel menyusun buku fundamental pada statistika nilai ekstrim. Tema utama tulisan-
tulisan di awal memberikan kontribusi dalam memberikan model stokastik dari kejadian ekstrim [10].
Pembaca yang berminat dapat membaca [11] untuk seleruh teori dan pendalamannya. Berikut adalah
teori singkat tentang EVT.
Sebelum masuk ke EVT, beberapa hal mengenai data keuangan disampaikan, perlu diketahui bahwa nilai
return pada aset keuangan secara umum memperlihatkan kurtosis yang lebih tinggi daripada kurva
sebaran normal yang ditunjukkan dengan puncak yang lebih tinggi dan juga dengan ekor yang lebih
gemuk.

Gambar di atas memperlihatkan bahwa peluang dari pendekatan sebaran normal terhadap kejadian
ekstrim (di ekor) lebih kecil daripada kenyataannya. Dengan kata lain ekor pada kurva sebaran normal
terlalu tipis untuk menggambarka kerugian yang ekstrim. Asumsi sebaran normal akan membawa
estimasi yang cenderung meremehkan risiko dari portofolia sehingga akan memperbesar peluang
menderita kerugian. Sebagai contoh, dengan mengacu pada asumsi kenormalan, peluang kejadian
ekstrim pasar crash di tahun 1987 adalah 10
-68
, berdasar kurva lonceng. Dalam kurva normal peluang
tersebut akan muncul hanya sekali dalam 800 triliun tahen. Oleh karena itu, guna mengatasi hal
demikian, masalah ekor pada sebaran distribusi harus diperhatikan. Inilah yang menjadi perhatian dari
EVT. EVT menyatakan bahwa
Seseorang dapat menaksir kuantil ekstrim dan peluangnya dengan melakukan pengepasan pada
model atas fungsi hidup empiris dari gugus data dengan menggunakan hanya kejadian ekstrim
daripada dengan seluruh data, hanya mengepas bagian ekor saja.
Dalam konteks keuangandengan pemodelan ekor dari sebaran data sudah lebih akurat dalam menyusun
VaR dan CRM.
Metode EVT
Metode yang dipergunakan untuk mengaplikasikan EVT dapat dikategorikan menjadi dua prinsip [10]:
1. Block Maxima Group of Models: Madel ini disusun untuk banyak pengamatan yang dikumpulkan
dari sampel yang besar dengan pengamatan dari sebaran yang identik. Block Maxima
menyediakan model yang cocok untuk laporan caturwulan ataau tahunan.
2. Peaks Over Threshold Models: Model untuk observasi yang luas yang melampaui suatu batas
ambang yang ditetapkan. Model ini adalah model yang paling mudah diaplikasikan karena
efisien dalam mengambil data nilai ekstrim. Pada bagian ini ada dua grup
a. Model semi parametrik: model dibangun dengan penduga Hill
b. Model parametrik penuh: pada kajian ini akan menggunakan model GPD. Yang termasuk
dalam kelompok peaks over threshold. Disebut demikian karena cara metode ini
mengambil data yang digunakan yang dibutuhkan dalam menyusun model. Masalah
yang sulit adalah menentukan nilai ambang u. Ambang ini merupakan batas yang
menentukan suatu kejadian dianggap ekstrim, tetapi secara umum sulit untuk
ditetapkan.
Model Semi Parametrik:
Model ini disusun dengan asumsi bahwa ekor distribusi memiliki bentuk ( ) ( )
X
F X X L X
o
= , dengan
( ) L X adalah fungsi yang bervariasi lambat. Tujuan utama dari model ini adalah untuk mencari
penduga yang lebih baik dari parameter o yang diketahui sebagai indeks dari ekor. Terdapat tiga
metode yang diketahui guna memperolehnya:
1. Penduga Hill
2. Penduga Picklands
3. Penduga Deckers- Einmahl-de-Haan
Informasi mengenai ketiganya ada di [11].
Model Parametrik: Penjelasan tentang model ini digambarkan pada gambar 2.


Gambar 2.
Pendugaan dilakukan untuk fungsi
u
F dari nilai x yang berada di atas ambang u . Beberapa literatur
menyebut
u
F sebagai fungsi sebaran kondisi terlampaui (conditional excess distribution function).
Teorema 1. (Picklands (1975), Balkena dan de Haan (1974)): Pada kelas yang besar yang berada di bawah
fungsi sebaran F , fungsi sebaran kondisi terlampaui
( )
u
F y , saat u besar dapat didekati dengan:
( ) ( )
, u
F y G y
o
~ , u
Dengan
( )
( )
1
,
1 1 jika 0
1 lainnya
y
y
G y
e

o
o

+ =

Parameter dan o , dibatasi pada domain
( )
)
| (
0, jika 0
,
0, jika 0
D
o

>

=

<

Dibuktikan pada [10] sifat asimtotis dari
u
F :
( )
( )
( )
,
0
lim sup 0
F
F
u u
u x
x x u
F x G x
|
|
< <
=
Dengan
( ) ( )
u
F x P X u x X u = s > untuk 0
F
x x u s <
disebut parameter bentuk dan o disebut parameter skala dari fungsi sebaran. Bentuk dari GPD
memiliki tiga macam bentuk berdasar parameter
( ) 0, 0, 0 < = > dan parameter skala 1 o =
diilustrasikan pada gambar 3. Kasus yang paling relevan dengan manajemen risiko adalah saat 0 > ,
karena pada kasus ini GPD memiliki ekor yang berat.
Pendugaan parameter menjadi prioritas, pada praktek metode GPD, pertama yang dilakukan adalah
menentukan tingkat u . Bagaimanapun, proses ini menghadapi kendala karena memilih nilai u pada
dasarnya melakukan kompromi antara memilih nilai yang cukup tinggi sehingga teorema asimtotik dapat
terpenuhi secara eksak dan memilih nilai yang cukup rendah sehingga dapat diperoleh cukup amatan
untuk melakukan pendugaan parameter.
Atas permasalahan tersebut, beberapa solusi diperkenalkan dalam [11]. Setelah menetapkan nilai
ambang u tugas selanjutnya adalah melakukan pendugaan parameter dengan metode yang tepat.

Gambar 3
Sebagaimana disebut sebelumnya, tujuan utama metode ini adalah menentukan nilai VaR dan ES dari
data keuangan dengan menggunakan EVT. Formula untuk VaR dan ES adalah
VaR 1
p
u
n
u
N

| |
| |
| = +
|
|
\ .
\ .

( )
VaR VaR
ES VaR
1 1 1
p p
p p
u
u
o
o

+

= + = +


Dengan p adalah tingkat kepercayaan, n adalah cacah seluruh pengamat,
u
N adalah cacah
pengamatan yang melampaui u dan ,o adalah parameter hasil pendugaan GPD.
Penerapan dan Perbandingan Kinerja
Penggunaan utama pengukuran risiko sebagaimana dijelaskan di atas adalah untuk menetapkan tingkat
risiko kapital yang akan cukup guna mencegah suatu posisi akan berakhir dalam kerugian yang besar
dikarenakan pergerakan pasar yang signifikan.
Karena memuat kejadian ekstrim, pasar yang volatile menyediakan lingkungan untuk membandingkan
kinerja dari beberapa pemodelan risiko. Sebagai pasar yang berkembang, pasar saham Turki merupakan
contoh yang baik karena telah terjadi beberapa kejutan di dalamnya.
Data dan Metode
Gugus data yang digunakan adalah nilai penutupan transaksi dari indeks ISE-100 dari 5 Januari 1998
hingga 1 April 2005. Data dibagi menjaddi dua bagian. Pertama dari 5 Januari 1998 hingga 14 Desember
2004 yang digunakan sebagai data historis untuk penyusunan parameter. Sisa data digunakan untuk uji
validasi dari model. Return logaritma yang dipergunakan. Komputasi dilakukan menggunakan MATLAB.
Perbandingan dilakukan atas kinerja relatif dari Bootstrap, Simulasi Historis, Simulasi Monte Carlo,
pendekatan ragam peragam di bawah sebaran normal dan t, GARCH, t-GARCH dan teknik EVT dengan
menggunakan GPD dalam hal ekor VaR dan basis ES. Metode GARCH dan aplikasi GPD mengharuskan
analisis kelayakan dari data. GPD diterapkan dengan tiga langkah:
1. Analisis data
2. Penentuan tingkat ambang
3. Pendugaan parameter dan ekor VaR, komputasi ES
Analisis Data:
Pertama, kurtosis dihitung guna mendapatkan gambaran mengenai sebaran dari data historis. Kurtosis
lebih tinggi dari 4 mengindikasikan sebaran data menyimpang dari normal. Kurtosis yang tinggi
menjelaskan kerapatan yang tinggi dan ekor yang gemuk. Tetapi hanya dengan menggunakan kurtosis
tidaklah cukup untuk menyimpulkan bahwa data memiliki ekor yang gemuk. Lebih lanjut, invostigasi
dilakukan secara grafis. Investigasi dilakukan dengan menggunakan diagram-QQ dari gugus data
melawan sebaran normal dan GPD. Jika model memiliki parameter yang baik, maka diagram tersebut
akan memiliki bentuk linier. Diagram tersebut memungkinkan perbandingan antara beberapa
pendugaan parameter dari model-model dan diambil yang terbaik. Lebih lanjut, dengan diagram QQ
maka dimungkinkan untuk menentukan seberapa baik model yang dipilih mengepas ekor pada sebaran
empiris. Pada gambar 4 diperlihatkan, pertama, data empiris yang dipasang pada diagram yang
dibandingkan dengan sebaran normal. Dapat dilihat bahwa data mengepas dengan sebaran normal di
pusat tetapi secara nyata menyimpang pada bagian ekor. Terdapat kurva di ujung kanan dan di ujung kiri
yang meyimpang yang mengindikasikan nilai peluang yang lebih besar dari sebaran normal pada bagian
ekor. Gambar kedua, data empiris dibandingkan dengan GPD. Pada gambar tersebut ekor kanan dari
sebaran kerugian (yang melampaui ambang yang diberikan).
Penentuan ambang batas: Penentuan ambang adalah tahap penting dalam aplikasi nilai ekstrim.
Ambang yang tinggi, memberikan aspek asimtotis yang lebih baik karena akan memperbesar cacah
pengamatan yang berarti memuat lebih banyak data ke pemusatannya akan menghasilkan bias pada
parameter. Di sisi lain, ambang yang tinggi akan membuat penduga semakin volatile karena hanya
memasukkan sedikit pengamatan.

Gambar 4 Diagcam QQ (Normal)
Diagram Rataan Pelampauan
Fungsi pelampauan rataan adalah jumlah amatan yang melampaui ambang u yang dibagi dengan cacah
amatannya. Gambar 6 memperlihatkan nilai dari fungsi rataan pelampauandari tiap-tiap tingkatan
ambang. Untuk menentukan tingkat ambang, perlu dicari interval di mana rataan pelampauan akan
memiliki kemiringan linier positif, karena kemiringan positif di atas ambang tertentu mengindikasikan
bahwa data telah mengikuti GPD dengan parameter bentuk yang positif. Gambar 6 memperlihatkan
ambang yang bergerak dari 0.051 dan 0.068

Gambar 5. Diagram QQ (GPD)
Diagram Hill: seperti telah dijelaskan sebelumnya penduga Hill digunakan untuk menentukan indeks
ekor .
, ,
1

ln ln
k
j n k n
i j
X X
k

=
=

Saat k yakni cacah amatan yang melampaui ambang, ukuran sampel n dan 1/ o = adalah
indeks ekor. Diagram Hill terdiri dari penduga Hill untuk setiap nilai ambang u . Ambang dipilih dengan
cara yang digambarkan pada Gambar 7, di mana parameter bentuk cukup stabil. Untuk data return
logaritmik pada gambar terlihat ambang terletak pada interval [5.1%, 6.12%]. Dari pengamatan diagram
QQ diagram GPD dibangun untuk setiap tingkat ambang, terlihat bahwa ambang 5.1 adalah pilihan
yang lebih baih. Oleh karena itu ditetapkan ambang terpilih adalah 5.1%.
Pendugaan: Parameter diestimasi dengan menggunakan MATLAB, menurut pada teori yang diberikan
pada bagian sebelumnya, parameter diduga 0.0702 dan dugaan nilai parameter lokasi | adalah
0.0239. Dengan menggunakan parameter ini VaR dan ES dihitung untuk tingkat kepercayaan 95%, 97%,
98%, dan 99%.
Tail VaR ES
95% 0.0488 0.0818
97% 0.0612 0.0952
98% 0.0715 0.1062
99% 0.0896 0.1258
Hasil untuk empat macam tingkat kepercayaan ditampilkan berikut.

Dambar 7: Diagram Hill

VaR 95% 97% 98% 99%
Historical Sim 0.0486 0.0598 0.0681 0.0906
Bootstrap 0.0514 0.0618 0.0739 0.0949
Monte Carlo Sim 0.0556 0.0609 0.0681 0.0799
Var-Cov(Normal) 0.0531 0.0608 0.0665 0.0755
Var-Cov(t-dist) 0.0509 0.0610 0.0692 0.0839
GARCH(1,1) 0.0309 0.0348 0.0395 0.0473
t-GARCH(1,1) 0.0318 0.0379 0.0429 0.0519

ES 95% 97% 98% 99%
Historical Sim 0.0744 0.0875 0.0988 0.1168
Bootstrap 0.0764 0.0901 0.1010 0.1179
Monte Carlo Sim 0.0705 0.0761 0.0800 0.0920
Var-Cov(Normal) 0.0668 0.0735 0.0786 0.0866
Var-Cov(t-dist) 0.0718 0.0829 0.0920 0.1087
GARCH(1,1) 0.0379 0.0417 0.0440 0.0467
t-GARCH(1,1) 0.0446 0.0513 0.0569 0.0671

Nilai-nilai yang diberikan oleh tabel di atas tidak dapat membantu dalam usaha mengevaluasi dalam
perbandingan yang relevan.