RISIKO PASAR

Risiko pasar muncul karena harga pasar bergerak dalam arah yang merugikan
organisasi. Pada bab ini akan membahas lebih lanjut mengenai teknik pengukuran risiko
pasar dengan menggunakan deviasi standar, diikuti dengan teknik VAR diteruskan dengan
teknik stress-testing.

1.1 DEVIASI STANDAR

Jika kita membicarakan distribusi normal, maka kita hanya memerlukan dua
parameter yaitu nilai rata-rata (atau disebut juga sebagai nilai yang diharapkan) dan deviasi
standarnya. Konsep deviasi standar, distribusi normal, nilai rata-rata menjadi landasan bagi
perhitungan Value At Risk. Distribusi normal, deviasi standar, dan nilai rata-rata digambarkan
berikut ini:

Gambar Kurva Normal

Kurva tersebut berbentuk simetris, di mana sisi kanan cerminan sisi kiri. Semakin
besar deviasi standar, semakin besar penyimpangan. Penyimpangan dipakai sebagai indikator
risiko. Semakin besar penyimpangan semakin besar risiko. Perhitungan deviasi standar
standar bisa dihitung:

E(R) = Ri / N
Rt = (Ri – E(R))2 / (N - 1)
R = (R2 )1/2
Misal melakukan pengamatan tingkat keuntungan aset A dan B selama 10 bulan terakhir.

Tingkat keuntungan rata-rata aset A adalah.

E (Rᴀ) = (3 + 2 + 4,5 + … + 4 + 5) / 10 = 3,845%

Perhitungan deviasi standar dimulai dari perhitungan varian. Varian bisa dihitung sebagai
berikut.

σᴀ ² = { (3 – 3,845)² + (2 – 3,845)² + … + (4 – 3,845)² + (5 – 3,845)²} / (10-1)

= 0,973583

σᴀ = √0,973583 = 0,9867%

1
Tabel 1. Tingkat Keuntungan Historis

Bulan Aset A (%) Aset B (%) (RA – E(RA))2 RB – E(RB))2

(1) (2) (3)
1 3 2 0,714025 46,225
2 2 4 3,404,025 0,0225
3 4,5 5 0,429025 0,7225
4 3 4 0,714025 0,0225
5 4 1,5 0,024025 70,225
6 5,2 4 1,836,025 0,0225
7 3,5 8 0,119025 148,225
8 4,25 5 0,164025 0,7225
9 4 3 0,024025 13,225
10 5 5 1,334,025 0,7225
Rata-rata 3,845 4,15
Jumlah 876,225 30,025
Varian= 0,973583 3,336,111
Jumlah/(N-1)

Dengan cara yang sama tingkat keuntungan rata-rata dan deviasi standar untuk
aset B bisa dihitung, dan hasilnya adalah:

E(RB) = 4,15%

B = √3,336111 = 1,8265%

Karena deviasi standar untuk aset B lebih besar dibandingkan deviasi standar A,
maka kita bisa mengatakan bahwa risiko B lebih besar dibandingkan dengan risiko A.

Jika kita menggunakan probabilitas, maka deviasi standar bisa dihitung dengan
formula sebagai berikut ini.

E(R) =  pi Ri

 R2 =  pi (Ri – E(R))2

R = ( R2)1/2

Misalkan kita memperkirakan tingkat keuntungan investasi A dan B tahun

depan. Kita memperkirakan ada tiga skenario kondisi ekonomi tahun depan, yaitu baik,
sedang, dan jelek. Tingkat keuntungan berdasarkan ketiga kondisi tersebut adalah sebagai
berikut ini.

2
Tabel 2. Tingkat Keuntungan yang Diperkirakan di Masa Mendatang

Kondisi Ekonomi Probabilitas Tingkat Keuntungan Tingkat Keuntungan

A B
(1) (2) (%) (%)
Baik 0,3 5 2
Sedang 0,4 3 1,5
Jelek 0,3 -2 1
1
E® = 2,10 1,50
Varian = 7,89 0,15
Deviasi standar = 2,808,914 0,387298

Tabel di atas menunjukkan ada tiga skenario ekonomi tahun depan, yaitu baik,
sedang, dan jelek. Probabilitas untuk masing-masing skenario adalah 0,3, 0,4, dan 0,3.
Tingkat keuntungan untuk aset A dan B bisa dilihat pada kolom (3) dan (4). Perhitungan
tingkat keuntungan dan deviasi standar untuk aset A bisa dilihat sebagai berikut ini.
E(RA) = 0,3 (5) + 0,4 (3) + 0,3 (0,2) = 2,10%

 A2 = 0,3 (5 – 2,10)2 + 0,4 (5 – 2,10)2 + 0,3 (5 – 2,10)2 = 7,89

A = √7,89 = 2,809%

Untuk aset B, perhitungan yang sama bisa dilakukan, dan hasilnya adalah E(R B)
= 1,5% dengan  B = 0,38%. Karena deviasi standar untuk A lebih besar dibandingkan
deviasi standar B, kita mengatakan risiko A lebih besar dibandingkan dengan risiko B.

1.2 VAR (VALUE AT RISK)

Teknik penghitungan VAR bisa menggunakan metode historis, metode analitis, dan
simulai Monte-Carlo. Metode historis menggunakan data historis (masa lalu) untuk
menghitung VAR. Metode analisis menggunakan model tertentu untuk mengestimasi VAR.
VAR Monte-Carlo menggunakan simulasi untuk penghitungannya.

1.2.1 VAR Metode Historis (Back Simulation)

Misal suatu perusahaan memegang saham PT X harian saham tersebut untuk 20 hari
terakhir (data historis). Seperti biasa, return dihitung dengan:

Return = { [ P(t+1) – Pt ] / Pt } x 100%

Dimana Pt = return pada hari t

Pt + 1 = return pada hari t+1

Untuk perhitungan Value At Risk, kita akan mengurutkan return dari yang paling
rendah sampai paling tinggi. Nilai yang lebih rendah tersebut menunjukkan adanya efek
diversifikasi. Diversifikasi bisa terjadi karena ada efek saling mengkompensasi antar aset.
Jika suatu aset mengalami kerugian, sementara aset lain mengalami keuntungan, maka

3
keuntungan dari aset satunya bisa digunakan untuk mengkompensasi kerugian aset lain. Efek
diversifikasi semacam itu akan semakin besar (berarti bisa menurunkan portofolio lebih
jauh), jika korelasi antar aset rendah. Korelasi bernilai antara -1 sampai dengan +1 (inklusif).
Semakin jauh korelasi dari +1 (misal -1), maka akan semakin besar efek diversifikasi
tersebut.

Metode historis mempunyai kelebihan seperti (1) tidak mengasumsikan distribusi

tertentu, (2) sederhana. Kelemahannya adalah asumsi bahwa data masa lalu bisa dipakai
untuk prediksi masa depan.

1.2.2 VAR Metode Modeling (Analytical)

Metode ini biasanya mengasumsikan distribusi tertentu yang mendasari return atau
harga. Biasanya distribusi normal berbentuk bel) yang diasumsikan mendasari harga tersebut.
Setelah distribusi diasumsikan, kita bisa menghitung nilai yang diharapkan (misal rata-rata)
dan penyimpangan dari nilai yang diharapkan tersebut (misal deviasi standar). Selanjutnya
VAR bisa dihitung dengan parameter yang dideduksi (diambil) dari distribusi (nilai yang
diharapkan dan penyimpangannya).

1.2.3 VAR dengan Simulasi Monte-Carlo

Melalui simulasi tersebut, akan terbentuk distribusi tertentu kemudian melalui

distribusi tersebut VAR bisa dihitung. Perhitungan VAR memerlukan sumber daya komputer
yang lebih besar dibanding dua metode sebelumnya.

Tabel 3. Tingkat Keuntungan dengan Probabilitasnya

Tingkat Keuntungan Probabilitas Probabilitas

(%) kumulatif
1 -0,5 0,05 0-4
2 -0,25 0,05 5-9
3 0 0,1 10-19
4 0,1 0,1 20-29
5 0,5 0,25 30-54
6 1 0,15 54-69
7 1,2 0,1 70-79
8 1,25 0,1 80-89
9 2,25 0,05 90-94
10 3 0,05 95-99
Jumlah 1

Probabilitas kumulatif merupakan kumulasi angka probabilitas yang akan diperlukan

untuk menjalani simulasi. Total probabilitas kumulatif adalah 100 angka (dari 0 sampai 99),
yang mencerminkan total probabilitas yang berjumlah 1.

Langkah berikutnya adalah menghasilkan (generate) angka random yang akan

mempunyai nilai antara 0 sampai dengan 99, konsisten dengan probabilitas kumulatif.
Beberapa software bisa menghasilkan angka random tersebut. Sebagai contoh, Excel dengan

4
fungsi =rand() bisa menghasilkan angka random tersebut. Berikut ini contoh run (sepuluh
kali atau sepuluh run) dengan menggunakan Excel.

Tabel 4. Sampel Simulasi Monte-Carlo

Angka Random Tingkat Keuntungan yang
Berkaitan
1 31 0,5
2 29 0,1
3 11 0
4 65 1
5 54 1
6 6 -0,25
7 45 0,5
8 26 0,1
9 50 0,5
10 33 0,5

Run pertama memunculkan angka random 31. Angka 31 tersebut berkaitan dengan
tingkat keuntungan 0,5 (probabilitas kumulatifnya 30-54). Proses tersebut bisa diulang-ulang
sampai 100 kali, 500 kali, atau 1.000 kali. Setelah proses tersebut diulang-ulang, kita
akan memperoleh distribusinya. Sebagai contoh, tabel dan bagan berikut ini menyajikan
distribusi yang dihasilkan melalui 100 kali run.

Tabel 5. Distribusi Frekuensi Hasil Simulasi

Tingkat Keuntungan Frekuensi
-0,5 3
-0,25 5
0 10
0,1 7
0,5 25
1 18
1,2 6
1,25 12
2,25 3
3 11
Jumlah 100

Distribusi di atas belum sepenuhnya normal. Jika kita melakukan run lebih banyak
lagi (misal 1.000 kali), maka sesuai dengan Central Limit Theorem, distribusinya akan
mendekati atau menjadi distribusi normal. Setelah kita mengetahui distribusinya, kita bisa
menghitung VAR dengan menggunakan deviasi standar dan nilai rata–ratanya. Untuk
distribusi di atas, nilai rata–rata dan deviasi standarnya adalah:
Rata–rata tingkat keuntungan = 0,904%
Deviasi standar = 0,927%

5
 95% VAR-harian bisa dihitung seperti berikut ini.
VAR 95%-harian = 0,904 – 1,65 (0,927) = -0,627
Misalkan kita mempunyai portofolio senilai Rp 1 miliar, maka VAR–95% harian adalah
–0,627% x Rp 1 miliar = -Rp 6,27 juta.
1.2.4 Permodelan VAR

Hubungan antara perubahan tingkat bunga dengan nilai obligasi bisa dilihat sebagai
berikut ini:

dP/P = -D [ dR / (1 + R) ]

di mana dP = perubahan harga

P = harga obligasi

D = durasi obligasi

dR = perubahan tingkat bunga

R = tingkat bunga

1.2.5 VAR Untuk Periode yang Lebih Panjang

Dalam beberapa situasi, kita ingin menghitung VAR untuk periode yang lebih
panjang. Misal, untuk melikuidasi posisi portofolio, waktu satu hari tidak cukup. Kita
memerlukan waktu, misal 5 hari. Padahal kita menghitung VAR dengan menggunakan
periode harian. Dalam situasi tersebut, VAR harian harus dikonversi menjadi VAR 5-
hari. Konversi tersebut bisa dilakukan dengan menggunakan formula sebagai berikut ini:

VAR(n) = VAR(harian) x √𝑛

Kembali ke contoh di atas di mana 95%-VAR harian untuk portofolio obligasi kita
adalah Rp75 juta, 95% - VAR 5 hari bisa dihitung sebagai berikut ini:

VAR(5 hari) = Rp 75 juta x √5

= Rp 167,71 juta

Dengan demikian 95% VAR-5 hari adalah Rp 167,71 juta.

1.3 STRESS-TESTING

VAR menjawab beberapa besar kerugian yang bisa dialami dan berapa besar
kemungkinan, tetapi VAR tidak bisa mendektesi peristiwa ekstrem karena probabilitas sangat
kecil. Jika peristiwa ekstrem terjadi, bagaimana pengaruh dengan organisasi atau portofolio?
sebagai contoh Rusia default, bagaimana efeknya terhadap portofolio? Untuk melakukan
stress-testing, manajer memilih parameter kemudian melihat (mengukur dan

6
mensimulasikan) bagaimana pengaruh perubahan parameter tersebut. Parameter tersebut
dapat bervariasi mulai dari kenaikan tingkat bunga (misal naik 30% dalam satu hari),
penurunan harga saham yang ekstrem (misal 20 dalam satu hari), negara tertentu default
(tidak bisa membayar hutangnya), kejadian alam tertentu (misal tsunami).
Secara spesifik, langkah-langkah dalam stress-testing bisa digambarkan sebagai berikut ini:

1. Mengidentifikasi dan memilih parameter yang diperkirakan akan berubah.

2. Menentukan seberapa besar parameter tersebut akan dirubah (di-stress).
3. Melihat pengaruh stress-testing tersebut terhadap nilai portofolio.
4. Melihat asumsi yang digunakan, merubah asumsi tersebut jika diperlukan (misal
dalam situasi krisis, asumsi yang biasa berlaku barangkali tidak jalan lagi).

Tabel 6. Contoh Hasil Stress-Test

Stress Test, 1 November 1997 Pengaruh terhadap $1 juta
Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yield yang pararel 100bps -0,209 1,129
Yield curve semakin menajam -0,009 0,057
Fruktuasi tingkat bunga meningkat 20% 0,703 -0,809
Mata uang depresiasi 20% 0,824 -0,727
Indeks saham berubah 10% 0,000 0,000
Fluktuasi indeks saham meningkat 20% 0,000 0,000

Tabel di atas menunjukkan efek perubahan beberapa parameter terhadap porofolio

senilai $1 juta. Sebagai contoh, jika yield atau tingkat bunga meningkat 1%, maka portofolio
mengalami kerugian sebesar -$0,209 juta. Jika tingkat bunga turun 1% , maka portofolio
menghasilkan keuntungan sebesar $1,129 juta.

1.4 BACK TESTING

Back testing adalah istilah untuk proses pengecekan apakah model yang kita
gunakan sudah sesuai dengan realitas yang ada. Sebagai contoh, jika kita menghitung 99%
VAR-1 hari, dan memperoleh angka Rp 500 juta. Back testing akan melihat seberapa
sering kerugian yang dialami perusahaan di masa lalu yang melebihi Rp 500 juta. Jika kita
menemukan bahwa kerugian di atas Rp 500 juta adalah sekitar 1% atau kurang, maka kita
bisa mengatakan bahwa model kita cukup bagus, sesuai dengan kenyataan yang ada.
Tetapi jika kita menemukan bahwa kerugian di atas Rp 500 juta mencapai 10% dari total
observasi, maka model VAR kita barangkali perlu diragukan. Model tersebut barangkali
tidak sesuai dengan realitas yang ada, dan perlu diperbaiki.