Anda di halaman 1dari 4

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