TUGAS KELOMPOK

MANAJEMEN RISIKO KEUANGAN

MARKET RISK

OLEH:
MIFTAQUL HIDAH 1980611012
MADE WIRAHADI KUSUMA PINATIH 1980611028
I PUTU SURYANA 1980611049

PROGRAM MAGISTER MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2020
 Risiko pasar muncul karena harga pasar bergerak dalam arah yang merugikan organisasi.
Misal, suatu perusahaan mempunyai portofolio sekuritas saham yang dibeli dengan harga Rp
l millar. Misalkan harga saham tersebut jatuh, sehingga nilai pasar saham tersebut turun
menjadi Rp 800 juta. Perusahaan tersebut mengalami kerugian karena nilai portofolio
sahamnya turun sebesar Rp 200 juta. Kerugian tersebut disebabkan karena harga saham
bergerak ke arah yang kurang menguntungkan (dalam hal ini turun). Terdapat beberapa
teknik pengukuran risiko pasar antara lain deviasi standar, teknik VAR (Value at Risk),
stress-testing dan back testing.

1.1 STANDAR DEVIASI

Dalam konsep statistic dikenal konsep probabilitas. Jika kita mengetahui distribusi suatu
variabel, maka kita melakukan banyak hal, seperti rmenghitung probabilitas nilai tertentu
akan muncul. 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. Dengan dua parameter tersebut, kita bisa melakukan banyak hal seperti
menghitung probabilitas nilai tertentu. Konsep deviasi standar, distribusi normal, nilai rata-
rata menjadi landasan bagi perhitungan Value At Risk, yang akan dibicarakan pada bagian
berikutnya. Distribusi normal, deviasi standar, dan nilai rata-rata bisa digambarkan berikut
ini.

Gambar di atas menggambarkan kurva normal yang berbentuk seperti bel. Kurva
tersebut berbentuk simetris, di mana sisi kanan merupakan cerminan sisi kiri. Deviasi standar
dipakai untuk menghitung penyimpangan dari nilai rata-rata. Semakin besar deviasi standar,
semakin besar penyimpangan. Penyimpang dipakai sebagai indikator risiko. Semakin besar
penyimpangan, semakin besar risiko. Perhitungan deviasi standar bisa digunakan formula
berikut ini.

1
E( R)=∑ Ri/ N

σR 2=∑ ¿ ¿ ¿
σR=¿
Misalkan kita melakukan pengamatan tingkat keuntungan aset A dan B selama 10 bulan
terakhir. Tingkat keuntungan tersebut bisa dilihat pada kolom (2) dan (3) pada table dibawah.
Tingkat keuntungan rata-rata untuk aset A adalah berikut ini. E(R.) = (3 + 2+ 4,5+…….
+4+5)/10 = 3,845% Perhitungan deviasi standar dimulai dari perhitungan varian. Varian bisa
dihitung sebagai berikut ini.

σ A2= {(3 – 3,845)2 + (2 – 3,845)2 + … + (4 – 3,845)2 + (5 – 3,845)2}/{(10 – 1)} = 0,973583

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
Vaian = Jumlah / (N-1) 0,973583 3,336,111

σA= √ 0,973583 = 0,9867%

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

E ( Rp )=4,15 %

σB=√ 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

2
menggunakan probabilitas, maka deviasi standar bisa dihitung dengan formula sebagai
berikut:

E ( R )=∑ pi Ri

σR 2=∑ pi¿ ¿
σR=¿
Misalkan kita memperkirakan tingkat keuntungan investasi A dan B tahun depan. Kita
memperkirakan ada tiga skenario kondisi ekonomi tahun depan, yaitu baik, sedang, dan
buruk. Tingkat keuntungan berdasarkan ketiga kondisi tersebut adalah sebagai berikut.

Kondisi Ekonomi Probabilitas Tingkat Keuntungan A Tingkat Keuntungan B

[1] [2] [3] [4]
Baik 0.3 5 2
Sedang 0.4 3 1.5
Buruk 0.3 -2 1
ER 2.1 1.5
Varian 7.89 0.15
Deviasi Standar 2,808,914.00 0.387298

Tabel di atas menunjukkan ada tiga skenario ekonomi tahun depan, yaitu baik, sedang,
dan buruk. Probabilitas untuk masing-masing skenario adalah 0,3,04 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 berikut ini:

E (RA) = 0,3 (5) + 0,4 (3) + 0,3 (-2) = 2,10%

σA 2=¿ 0,3(5-2,10)2 + 0,4(5-2,10)2 + 0,3(5-2,10)2 = 7,89

σA❑ =√ 7,89 = 2,809%
Untuk aset B, perhitungan yang sama bisa dilakukan, dan hasilnya adalah E(R B) = 1,5%
❑
dengan σB =¿0,38%. Karena deviasi standar untuk A lebih besar dibandingkan deviasi
standar B, dapat dikatakan risiko A lebih besar dibandingkan dengan risiko B.

1.2 VALUE AT RISK

3
 Value At Risk (VAR) mengembangkan lebih lanjut konsep kurva normal seperti yang
telah dibicarakan sebelumnya, untuk menjawab pertanyaan sebagai berikut ini: "Jika besok
adalah hari yang buruk, berapa besar (nilai rupiah) dan berapa b kemungkinannya
(probabilitas) kerugian yang bisa dialami perusahaan besok (atau beberapa hari mendatang)?"
Jawaban tersebut akan berbentuk kalimal seperti berikut ini "besok ada kemungkinan sebesar
5% bahwa kerugian perusaha. (karena pergerakan harga pasar yang tidak menguntungkan)
sebesar Rp 10 juta atau lebih". Perhatikan bahwa VAR menjawab pertanyaan tersebut denga
memberikan nilal uang dari kerugian tersebut (Rp10 juta), dan besarnya kemungkinannya
(5%). Jawaban tersebut akan memberikan informasi yang berguna untuk manajer, karena
manajer mempunyai perkiraan besarya kerugian dan besarnya kemungkinan terjadinya
kerugian tersebut. Teknik perhitungan VAR bisa menggunakan metode historis, metode
analitis, dan simulasi Monte-Carlo. Melode historis menggunakan data historis (data masa
lalu) untuk menghitung VAR. Metode analitis menggunakan model tertentu untuk
mengestimnasi VAR. VAR Monte-Carlo menggunakan simulasi untuk perhitungan VAR-
nya.

1.2.1 VAR Metode Historis (Back Simulation)

Misalkan suatu perusahaan memegang saham PT X. Return harian tersebut untuk 20
hari terakhir (data historis) bisa dilihat pada pada table dibawah ini.

Urutan
SAHAM X Rendah ke
HAR
Tinggi
I
Har
Pt Rx i Rx
[1] [2] [3] [4] [5]
14,00
1 0 0 18 -0.2376
12,40
2 0 -0.1143 13 -0.1852
11,25
3 0 -0.0927 14 -0.1195
10,87
4 5 -0.0333 2 -0.1143
10,55
5 0 -0.0299 3 -0.0927
10,40
6 0 -0.0142 7 -0.0409
7 9,975 -0.0409 4 -0.0333
10,50
8 0 0.0526 5 -0.0299

4
 10,77
9 5 0.0262 6 -0.0142
11,42
10 5 0.0603 1 0.0000
12,60
11 0 0.1028 20 0.0091
14,57
12 5 0.1567 9 0.0262
11,87
13 5 -0.1852 17 0.0378
10,45
14 6 -0.1195 8 0.0526
11,87
15 4 0.1356 10 0.0603
12,93
16 4 0.0893 16 0.0893
13,42
17 3 0.0378 19 0.0982
10,23
18 4 -0.2376 11 0.1028
11,23
19 9 0.0982 15 0.1356
11,34
20 1 0.0091 12 0.1567

Return dihitung sebagai berikut ini:

Return = {(P(t+1) – Pt) / Pt}
Pt = return pada hari t
Pt +1 = return pada hari t+1
Terlíhat bahwa return pada hari pertama adalah 0, sementara return pada hari ke-20 adalah
0.0091.

Untuk perhitungan Value At Risk, kita akan mengurutkan return dari: paling rendah
sampai pada yang paling tinggi seperti terlihat pada kolom (5). Pada kolom (5) tersebut
terlihat bahwa return terendah adalah -0,2376 yang terjadi pada hari ke-18. Sementara return
tertinggi terjadi pada hari ke-12 sebesar 0,1567. Misalkan kita ingin melihat VAR 95%
harian, kita akan melihat 5% return terendah. 5% dari 20 adalah 1, dengan demikian kita
memilih 1 hari dengan return terendah yaitu -0,276. Misalkan portofolio kita bernilai Rp l
miliar, maka VAR 95% harian adalah -0,2376 x Rp 1 miliar = - Rp 237,58 juta. Kita bisa
mengatakan "besok ada kemungkinan sebesar 5% kerugian kita pada saham X sebesar Rp

5
237,58 juta atau lebih". Alternatif redaksional yang lain adalah sebagai berikut ini "kita yakin
sebesar 95% bahwa kerugian kita besok tidak akan melebihi Rp 237,58 juta"

Metode historis mempunyai kelebihan seperti (1) tidak mengasumsikan distribusi

tertentu, (2) sederhana. Tetapi metode tersebut mempunyai kelemah seperti asumsi bahwa
data masa lalu bisa dipakai untuk memprediksi masa datang. Dengan kata lain, metode
tersebut mempunyai asumsi bahwa pola data di masa lalu sama dengan pola data di masa
mendatang. Jika pola yang terjadi cukup stabil, maka data masa lalu bisa dipakai untuk
memprediksi data masa mendatang. Jika tidak (misal ada krisis yang tidak terduga), maka
data masa lalu tidak bisa dipakai untuk memprediksi masa mendatang. Di samping itu, 20
observasi ke belakang masih terbilang sangat sedikit. Idealnya kita bisa memperoleh data
historis cukup banyak, yang mencakup semua siklus bisnis (resesi, boom, normal), schingga
data tersebut bisa cukup representatif.

1.2.2 VAR Metode Modeling (Analytical)

Metode analitis biasanya mengasumsikan distribusi tertentu yang mendasari re- turn
atau harga. Biasanya distribusi normal (yang berbentuk bel) yang diasumsikan mendasari
pergerakan harga tersebut. Setelah distribusi tersebut 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 menggunakan parameter yang
dideduksi (diambil) dari distribusi tersebut (nilai yang diharapkan dan penyimpangannya).

Misalkan manajer portofolio mempunyai aset senilai Rpl miliar. Misalkan kita
mengasumsikan distribusi normal mendasari pergerakan harga ase tersebut. Misalkan kita
memperkirakan tingkat keuntungan harian yang diharapkan dengan deviasi standarnya adalah
12% dan 15%. Distribusi normal yang menggambarkan pergerakan aset tersebut bisa dillihat
pada bagan berikut ini.

6
 Terlihat bahwa rata-rata adalah 12% yang terletak di tengah-tengah distribusi tersebut.
Deviasi standar mengukur penyimpangan untuk distribusi tersebut. Distribusi normal di atas
bisa dilihat sebagai indikator probabilitas. Luas wilayah distribusi normal bisa dilihat sebagai
cerminan besarnya probabilitas. Luas total wilayah distribusi normal mencerminkan
probabilitas sebesar 1 (probabilitas bernilai dari 0 sampai dengan 1, inklusif).
Sebagian luas di bawah distribusi normal mencerminkan probabilitas di bawah sátu.
Sebagai contoh, luas di tengah (yang berwarna gelap, antara -12,75 dengan 36,75)
mencerminkan 90% dari total wilayah distribusi normal, dan dengan demikan mencerminkan
probabilitas sebesar 90% (atau 0,9). Jika kita melihat tabel distribusi normal, maka luas
wilayah sebesar 5% dari ujung paling kiri (atau dari ujung p kanan), mempunyai nilai z
sebesar 1,65. Dengan demikian wilayah tengah 90% berada di antara (Rata2 -1,65 x deviasi
standar)) dengan (Rata2 + (1,65 x deviasi standar).

Dengan demikian VAR 95% return harian bisa dihitung melalui batas bawah dimana
wilayah scbesar 5% dari ujung paling kiri akan diperoleh, sebagai berikut
VAR = 12 % - 1,65 (15) = 12% - 24,75 = -12,75%
VAR= -12,75% x Rp l milliard = - Rp127,5 juta
Dengan demikian dapat dibuat pernyataan, besok ada 5% kemungkinan kerugian portofolio
sebesar Rp. 127,5 juta atau lebih.
A B
Return yang diharapkan (harian) 12% 14%
Standar Deviasi 15% 18%
Nilai Investasi Rp 20 miliar Rp 12 miliar
95% Value At Risk Rp 2,25 miliar Rp 2,3 miliar
Korelasi A dengan B 0,55

Nilai portofolio total adalah Rp32 miliar. Tingkat keuntungan yang diharapkan untuk
portofolio adalah rata-rata tertimbang dari return aset individualnya, yang bisa dihitung
berikut ini:

Return portofolio = XA E(RA) + XB E(RB)

= (20/32) x 12 + (12/32) x 14
= 12,75%
Deviasi standar protofolio untuk dua asset bisa dihitung berikut ini:
σ P = [ XA2σ A2 + XB2σ B2 + 2 XA XBτ AB σ A σ B ]1/2

Dimana

7
σ P = deviasi standar (risiko) portofolio
σ A, σ B = deviasi standar return aset A dan B
τ AB = korelasi antara return aset A dan return aset B

Untuk portofolio di atas, deviasi standar bisa dihitung sebagai berikut:

σ P = [(20/32)2 (15)2 + (12/32)2 (18)2 + 2(20/32) (12/32) (0,55) (15) (18)]1/2 = 14,25%

VAR 95% = 11,44 – 1,65 (14,25) = -12,70%

VAR 95% = -12,70% x Rp 32 miliar = -Rp 3,86 miliar

VAR 95% portofolio terscbut leth kecil dibandingkan dengan penjumlahan VAB untuk
masing-masing aset (Rp455 milliar = Rp2,55miliar + Rp2,3 miliar). VAR portofolio yang
lebih kecil tersebut disebabkan adanya efek diversifikasi yang bisaa mengurang risiko.

1.2.3 VAR dengan Simulasi Monte Carlo

VAR bisa juga dihitung dengan menggunakan simulasi Monte Carlo. Melalu simulasi
tersebut, akan terbentuk distribusi tertentu, kemudian melalui distribus tersebut VAR bisa
dihitung. Perhitungan VAR dengan simulasi Monte Carlo memerlukan sumber daya
komputer yang lebih besar dibandingkan dengan dua metode sebelumnya. Sebagai ilustras
perhitungan VAR dengan simulasi Monte-Carlo, misalkan kita memperkirakan tingkat
keuntungan harian dengan probabilitasnya pada tabel berikut ini

No 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

Tingkat keuntungan bisa dilihat pada kolom (2), sementara probabilitas bisa dilihat pada
kolom (3), Probabilitas kumulatif merupakan kumulasi angka probabilitas yang akan
diperlukan untuk menjalankan simulasi. Sebagai contoh, untuk tingkat keuntungan -0,5,
karena ada 5% probabilitas terjadi, maka probabilitas kumulatif yang dipasangkan adalah
angka 0, 1,2,3, dan 4 (ada lima angka). Total probabilitas kumulatif adalah 100 angka (dari 0

8
sampai dengan 99), yang mencerminkan total probabilitas yang berjumlah 1. Karena itu
untuk keuntungan -0,5, wilayah yang dicakup adalah 5% dari total angka yang berjumlah 100
(atau 5 angka seperti terlihat di atas). Langkah berikutnya adalah menghasilkan (generate)
angka random yang akan mempunyai nilai antara 0 sampai dengan 99, konsisten dengan
probabilitas umulatif. Beberapa software bisa menghasilkan angka random tersebut. Sebagai
contoh, Excel dengan fungsi =rand() bisa menghasilkan angka random tersebut. Berikut
contoh run (sepuluh kali atau sepuluh run) dengan menggunakan excel.

No Angka Random Tingkat Keuntungan yang berkaitan

1 31 0.50
2 29 0.10
3 11 0.00
4 65 1.00
5 54 1.00
6 6 -0.25
7 45 0.50
8 26 0.10
9 50 0.50
10 33 0.50

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.

No Tingkat Keuntungan Frekuensi

1 -0.5 3
2 -0.25 5
3 0 10
4 0.1 7
5 0.5 25
6 1 18
7 1.2 6
8 1.25 12
9 2.25 3
10 3 11
JUMLAH 100.00

9
 Distribusi di atas belum sepenuhnya normal. Jika kita melakukan run lebin banyak lagi
(misal 1.000 kali), maka sesuai dengan Central Limit Theory distribusinya akan mendekati
atau menjadi distribusi normal. Setelah mengetahui distribusinya, kita bisa menghitung VAR
dengan menggunakan dev standar dan nilai rata-ratanya, Untuk distribusi di atas, nilai rata-
rata dan devi standarnya adalah:

Rata-rata tingkat keuntungan 0,904%

Deviasi standar = 0,927%

95% VAR-harian bisa dihitung seperti berikut ini.

VAR 95 harian = 0,904 - 1,65 (0,927) = -0,627

Misalkan kita mempunyai portofolio senilai Rpl miliar, maka VAR-95% harian adalah
-0,627% x Rp 1 miliar = - Rp6,27 juta.

1.3 STRESS-TESTING

Gejolak ekonomi maupun politik seringkali terjadi dalam suatu Negara. Hal ini tentunya
akan mempengaruhi kondisi pasar trading sehingga seringkali terjadi peristiwa-peristiwa
yang ekstrim. Meskipun probabilitas terjadinya peristiwa ini sangat kecil, namun saat
terjadinya peristiwa ekstrim tentunya akan memberikan dampak yang besar. Misalnya
perubahan nilai tukar peso Meksiko dengan dolar US selama krisis 1995.

10
 Gambar 3.1 peso Meksiko vs USD.

Gambar diatas menunjukkan peso Meksiko terhadap nilai tukar dolar AS selama krisis
1995. Gambar diatas menunjukkan karakteristik klasik krisis tiba-tiba, yaitu tidak ada
peringatan terlebih dahulu dari perilaku nilai tukar. Selain itu ada volatilitas yang sangat
rendah sebelum krisis, sebagai akibat VaR akan menunjukkan bahwa posisi dalam mata uang
ini diwakili risiko sangat rendah. Pasar ekstrim sering menunjukkan volatilitas yang sangat
rendah

selama kondisi pasar normal, kurangnya hasil volatilitas, sebagian, dari volume perdagangan
rendah di pasar-pasar - daripada kurangnya risiko. Hal ini tidak jarang melihat nilai tukar
tidak berubah dari satu hari perdagangan ke depan.

11
 Gambar 3.2 perubahan rupiah Indonesi selama tahun 1997-1998

Gambar 3.2 menunjukkan rupiah Indonesia selama 1997 saat terjadinya keributan
perekonomian di Asia. Catatan nilai tukar yang sangat stabil sampai pergeseran ke kurva esensial
exponenklasik pasar dalam krisis berkembang. Gambar 8.4 menunjukkan overlay VaR pada
perubahan nilai tukar harian.

Gambar 3.3 IDR / USD-VaR terhadap perubahan tingkat: EWMA - faktor peluruhan: 0,94.

Ada beberapa poin untuk catatan dari Gambar 3.3. Pertama, catatan bahwa VaR amplop
sebelum krisis menunjukkan volatilitas yang sangat rendah dan, dengan implikasi, oleh
karena itu risiko rendah. VaR mencerminkan sejarah perubahan nilai tukar dan tidak
memperhitungkan perubahan dalam lingkungan ekonomi sampai perubahan tersebut muncul
dalam perilaku harga aset. Kedua, meskipun jumlah total pengecualian adalah dalam batas-
batas statistik yang wajar (6,2% VaR ekses selama dua years3), VaR tidak mengatakan apa-
apa tentang seberapa besar ekses akan. Dalam dua tahun sejarah diperiksa untuk rupiah
Indonesia ada 12 perubahan harian dalam nilai tukar yang lebih besar dari dua kali
conftdence VaR 95% - dan satu perubahan dari 19 standar deviasi. Pertimbangan perubahan
harga satu hari, bagaimanapun, tidak cukup. Satu hari guncangan mungkin kurang penting
dibandingkan perubahan yang terjadi selama beberapa hari.

Meneliti Angka 3.2 dan 3.3 menunjukkan bahwa terbesar perubahan satu hari dalam
nilai tukar rupiah Indonesia adalah 18%, cukup buruk Anda mungkin berpikir, tapi ini hanya
sepertiga penurunan 57% selama Januari 1998. Terhadap ini, 95% conftdence VaR pada awal
Januari itu berkisar antara 9% dan 11,5%. Kebanyakan orang akan setuju bahwa stress testing
diperlukan untuk mengelola 'outliers'4 itu mungkin sedikit kurang luas dipahami bahwa apa

12
yang benar-benar Anda butuhkan untuk mengelola adalah arah gerakan yang kuat selama
lebih lama.

Contoh lain ditunjukkan oleh peristiwa yang terjadi di Rusia tidak mampu dideteksi
maupun di ukur melalui metode VAR. Sehingga stress-testing berusaha mengakomodasi
kejadian ekstrim tersebut. Stress-testing berusaha menentukan bagaimana pengaruh kejadian
ekstrim terhadap organisasi dan portofolio organisasi. Untuk melakukan stress-testing,
manajer akan memilih parameter tertentu, kemudian melihat (mengukur dan mensimulasikan)
bagaimana pengaruh perubahan parameter tersebut yang ekstrem terhadap organisasi atu
portofolio organisasi. Parameter tersebut bisa bervariasi mulai dari kenaikan tingkat bunga
yang ekstrem (misal naik 30% dalam satu hari), penurunan harga saham yang ekstrim (misal
20% dalam satu hari), negara tertentu default (tidak bisa membayar utangnya), kejadian alam
tertentu (misal tsunami). Secara spesifik langkah-langkah dalam stress-testing sebagai
berikut:

1. Mengidentifikasi dan memilih parameter yang diperlukan akan berubah

2. Menentukan seberaoa 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 suatu konidisi krisi, asumsi yang biasa gunakan sudah tidak berlaku sehingga
harus diganti dengan asumsi lain yang lebih sesuai.

Untuk menjelaskan bagaimana proses stress testing dilakukan maka berikut adalah salah satu
contoh stress testing pada Swiss Bank Corporation.

1. Langkah pertama yang perlu dilakukan adalah menentukan parameter yang akan di-
stress-test. Tentunya variabel tersebut merupakan variabel yang relevan bagi
persahaan.

Tabel Parameter untuk Stress Testing oleh Swiss Bank Corp

Rating Risiko Shock Tingkat Shock saham Shock Valas Shock
Negara Bunga Komoditas
AAA 60-100bps 8-9% 4-10% Emas 8%
AA DAN A 160bps 20% 10% Platinum 12%

13
BBB 240bps 25% 12.5% Palladium 12%
BB 320bps 30% 20% Perak 16%
B 420bps 40% 30%
Catatan : AAA risiko paling rendah dan B risiko paling tinggi

Dari tabel diatas nampak bahwa parameter yang akan di stress-test oleh Swiss Bank
Corp adalah perubahan (shock)tingkat bunga, perubahan saham, perubahan valuta
asing dan perubahan komoditas. Parameter yang terpilih idealnya adalah parameter
yang benar-benar relevan dengan portofolio perusahaan. Sebagai contoh, jika
perusahaan memiliki portofolio obligasi di Amerika Serikat, maka parameter gempa
bumi di Afrika barangkali tidak relevan.

2. Langkah kedua adalah menentukan seberapa besar parameter yang dipilih tersebut
akan dirubah. Dalam contoh diatas perubahan, perubahan parameter dikelompokkan
berdasarkan rating Negara. Untuk Negara dengan rating AAA (Negara dengan risiko
harga yang rendah, missal Swiss), tingkat bunga dirubah-rubah (dinaikkan) 60 sampai
100 basis point (bps), atau antara 0.6% sampai dengan 1% (1% adalah 100 basis
point). Untuk parameter saham, harga saham diturunkan sebesar 8-9%. Dengan
demikian pertanyaan yang ingin dijawab adalah bagaimana efek kenaikan tingkat
bunga sebesar 1% terhadap portofolio kita? Seberapa besar kerugiannya?

Tabel Parameter yang disarankan oleh Derivative Policy Group Back Testing

1) Pergerakan paralel yield curve naik atau turun sebesar 100bps(1%)

2) Kenaikan atau penurunan volatilitas sebesar 20% dari tingkat sekarang’
3) Kenaikan atau penurunan nilai indeks saham sebesar 10%
4) Kenaikan atau penurunan volatilitas indeks saham sebesar 29% dari tingkat saat ini
5) Kenaikan atau penurunan kurs valuta asing sebesar 6% (untuk mata uang keras)
atau 20% untuk mata uang lunak
6) Kenaikan atau penurunan volatilitas kurs sebesar 20% dari tingkat saat ini
7) Kenaikan atau penurunan spred swap sebesar 20 bps(0.2%)

3. Langkah ketiga adalah melihat efek perubahan parameter tersebut terhadap portofolio
kita. Berikut contoh hasil dati perubahan parameter

14
 Tabel contoh stress-test

Stress test, 1 November 1997 Pengaruh terhadap $1juta

Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yiels yang paralel 100bps -0.209 1.129
yield curve semakin menajam 20% -0.009 0.057
Fluktuasi tingkat bunga meningkat 20% 0.703 -0.809
Mata uang depresiasi 10% 0.824 -0.727
Indeks saham berubah 20% 0.000 0.000
Fluktuasu indeks saham meningkat 0.000 0.000

Tabel diatas menunjukkan efek perubahan beberapa parameter terhadap portofolio senilai
$1juta. Sebagai contoh, jika yield atau tingkat bunga meningkat 1% maka portofolio
menghasilkan keuntungan sebesar 1.129juta.
Efek perubahan parameter dalam beberapa situasi bersifat linier. Sebagai contoh,
misalkan eksportir akan menerima kas sebesar $1 juta tiga bulan mendatang.
Eksportir tersebut akan memperileh keuntungan jika rupiah melemah terhadap dolar,
dan sebaliknya.

Efek perubahan nilai rupiah tersebut bias dilihat pada table berikut ini :

Kas($) 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000

Kurs
8 9 10 11 12 13
(Rp/$)
Kas (Rp) 8miliar 9miliar 10miliar 11miliar 12miliar 13miliar
Perhatikan bahwa perubahan kas (dalam Rp) bersifat linier, dari Rp 8 miliar sampai
dengan Rp 13 miliar. Untuk perubahan linier tersebut, kita bisa melakukan interpolasi
dengan muda. Sebagai contoh, jika kurs rupiah menjadi Rp 20.000/$ maka nilai
eksportir tersebut menjadi Rp. 20 miliar.
Dalam beberapa situasi, efek perubahan parameter tidak bersifat linier, tetapi non-
linier, seperti terlihat berikut ini.

-6% -3% -2% -1% 0% 1% 2% 3% 6%

DM/ $ 15957 15464 15306 15152 1500 14851 14706 14563 14151
Laba/ Rugi (1.14) (0.94) (0.74) (0.44) 0 0.57 1.27 2.08 4.87
Sekarang itu harus jelas bahwa VAR tidak memadai sebagai ukuran risiko dengan
15
sendirinya. Manajemen risiko harus menyediakan cara untuk mengidentifikasi dan
mengukur efek dari perubahan harga ekstrim pada portofolio bank. Metodologi yang
tepat diperlukan untuk menangani dampak perubahan harga ekstrim yakni stress
testing. Ide penting di balik stress testing adalah untuk mengambil perubahan besar
harga atau, lebih normal, kombinasi perubahan harga dan menerapkannya pada
portofolio dan mengukur potensi proftt atau kerugian yang akan dihasilkan. Ada
sejumlah cara untuk tiba di perubahan harga yang akan digunakan, metode utama
menghasilkan perubahan harga dan stress testing usaha:

1) Analisis Skenario

Merupakan penciptaan dan penggunaan skenario ekonomi potensi masa

depan untuk mengukur proftit dan kerugian mereka berdampak pada portofolio
 Sejarah simulasi: Penerapan peristiwa masa lalu yang sebenarnya untuk
portofolio ini. Peristiwa masa lalu digunakan dapat berupa guncangan harga
yang terjadi pada satu hari, atau selama periode yang lebih lama.
 Menekankan VaR: Parameter, yang mendorong VaR, yang 'kaget', yaitu
berubah dan perubahan yang dihasilkan dalam jumlah VaR dihasilkan.
Menekankan VaR akan melibatkan mengubah volatilitas dan korelasi, dalam
berbagai kombinasi.
 Stress testing Systematic: Penciptaan serangkaian komprehensif skenario
yang menekankan semua faktor risiko utama dalam portofolio, sendiri-
sendiri dan dalam kombinasi. Seperti dengan ftrst dua metode, hasil akhir
yang diinginkan adalah proftt dan potensi kerugian berdampak pada
portofolio. Perbedaan dengan metode ini adalah sifat komprehensif dari
stress test yang digunakan. Idenya adalah untuk mengidentifikasi semua
skenario utama yang dapat menyebabkan kerugian signiftcant, bukan untuk
menguji dampak dari skenario sejumlah kecil, seperti pada dua metode di
atas.
2) Teori Nilai Ekstrim (EVT)
Teori Nilai ekstrim teori (EVT) adalah cabang dari statistik yang berkaitan
dengan analisis dan interpretasi kejadian ekstrem - yaitu ekor lemak. EVT telah
digunakan dalam teknik untuk membantu menilai apakah konstruksi tertentu
akan mampu menahan ekstrem (misalnya badai memukul jembatan) dan juga
telah digunakan dalam industri asuransi untuk menyelidiki risiko klaim yang

16
ekstrim, yaitu ukuran dan frekuensi mereka. Ide menggunakan EVT di ftnance
dan speciftcally manajemen risiko merupakan perkembangan baru yang
memegang keluar janji pemahaman yang lebih baik dari peristiwa pasar yang
ekstrim dan bagaimana memastikan sebuah bank dapat bertahan hidup mereka.
Ada dua langkah utama risiko yang EVT membantu mengukur:
i) Besarnya sebuah 'X' kembali tahun. Asumsikan bahwa manajemen senior di
bank telah deftned nafsu makan yang ekstrim untuk risiko sebagai kerugian
yang bisa menderita suatu peristiwa yang hanya terjadi sekali dalam dua
puluh tahun - yaitu kembali dua puluh tahun. EVT memungkinkan ukuran
kembalinya dua puluh tahun yang akan diestimasi, berdasarkan analisis
pengembalian ekstrim masa lalu. Kita dapat mengungkapkan jumlah tahun
pengembalian X, RX, di mana:

ii) Kelebihan loss diberikan VaR. Ini adalah perkiraan ukuran kerugian yang
mungkin menderita mengingat bahwa return melebihi VaR. Seperti VaR
ukuran ini dilengkapi dengan interval conftdence - yang bisa sangat luas,
tergantung pada distribusi nilai ekstrim.

Kelebihan kerugian diberikan VaR kadang-kadang disebut 'luar VaR', B-

VaR, dan dapat dinyatakan sebagai:

Penggunaan dan keterbatasan EVT

Pada EVT ini benar-benar hanya praktis berlaku untuk aset tunggal. Tidak
ada yang mudah untuk menerapkan aplikasi multivariat tersedia pada saat
penulisan. Mengingat jumlah usaha akademik masuk ke subjek ini dan beberapa
indikasi awal dari kemajuan kemungkinan bahwa solusi multivariat penurut
akan berkembang dalam waktu dekat. Hal ini, tentu saja, mungkin untuk model
seluruh portofolio sebagai single komposit 'aset' tetapi pendekatan ini berarti
refttting distribusi setiap kali portofolio berubah, yaitu setiap hari.
Untuk aset tunggal dan indeks EVT adalah alat yang ampuh. Untuk
eksposur signiftcant untuk kelas tunggal-aset hasil analisis EVT adalah layak
usaha. Alexander McNeil (1998) memberikan contoh potensi EVT. McNeil
mengutip kasus hipotetis seorang analis risiko fttting distribusi Fre'chet untuk

17
 maxima tahunan indeks S & P 500 sejak tahun 1960. Analis menggunakan
distribusi untuk menentukan tingkat pengembalian 50 tahun. analisisnya
menunjukkan bahwa interval conftdence untuk 50-tahun kembali kebohongan
antara 4,9% dan 24%. Berharap untuk memberikan perkiraan konservatif analis
melaporkan potensi kerugian maksimal kepada bosnya sebagai drop 24%.
Bosnya skeptis. Tentu saja tanggal analisis hipotesis ini adalah hari sebelum
crash 1987 - di mana tanggal S & P 500 turun 20,4%.
Stress-testing perlu memperhatikan kemungkinan perubahan hubungan
antarvariabel dalam situasi ekstrim. Dalam situasi tersebut, hubungan atau efek
perubahan yang normal bisa berubah, missal: hubungan yang dulunya bersifat
linear menjadi tidak linear, atau bahkan menjadi hubungan yang tidak jelas
polanya. Meskipun stress test nampaknya mudah, tetapi stress test
menggunakan banyak pertimbangan subjektif. Parameter apa yang harus di
stress test dan berapa besar perubahannya, merupakan pertanyaan yang bersifat
subjektif. Idealnya parameter tersebut adalah parameter yang relevan dengan
organisasi, karena parameter yang tidak relevan hanya akan mengakibatkan
kelebihan informasi. Stress-test juga tidak menggunakan probabilitas, namun
hanya menyajikan angka seberapa besar keuntungan atau kerugian akibat
peristiwa tertentu. Karena peristiwa yang di-stress-test biasanya jarang terjadi,
maka informasi historis mengenai peristiwatersebut masih jarang. Disamping
itu, seperti di singgungdi atas, hubungan yang normal dalam situasi normal bias
berubah menjadi tidak normal dalam situasi ekstrim. Manajer risiko harus
berhati-hati terhadap kemungkinan semacam itu. Meskipun ada beberapa
keterbatasan seperti yang disebutkan diatas, tetapi stress-test bisa menjadi alat
analisi risiko yang bisa digunakan bersama alat analisis risiko lainnya.
1.4 Back Testing

Back testing adalah istilah untuk proses pengecekan apakah model yang digunakan sudah
sesuai dengan realitas yang ada. Sebagai contoh, jika kita menghitung 99% VAI-1 hari, dan
memperoleh angka Rp500 juta. Back Testing akan melihat seberapa sering kerugian yang
dialami perusahaan di masa lalu yang melebihi Rp500juta. Jika kita menemukan bahwa
kerugian di atas Rp500juta 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 diatas Rp500 juta mencapai 10% dari total observasi, maka model VAR kita

18
barangkali perlu diragukan. Model tersebut barangkali tidak sesuai dengan realitas yang ada
dan perlu diperbaiki.

Backtesting merupakan persyaratan bagi bank yang ingin menggunakan model internal
untuk menghitung kebutuhan modal peraturan mereka untuk risiko pasar. Tujuan dari
backtesting adalah untuk menguji efektivitas pengukuran risiko pasar dengan
membandingkan angka risiko pasar dengan volatilitas hasil trading yang sebenarnya. Proses
ini terdiri dari membandingkan keuntungan harian dan kerugian (P & L) angka dengan sesuai
angka risiko pasar selama periode waktu, tergantung pada selang kepercayaan yang
digunakan untuk pengukuran risiko pasar, proporsi tertentu dari P & L tokoh yang
diperkirakan akan menunjukkan lebih besar kerugian dari jumlah risiko pasar. Hasil backtest
adalah jumlah kerugian yang lebih besar dari angka risiko pasar yang sesuai mereka

1.5 Review Jurnal

Judul: The Risk Analysis Of Bitcoin And Major Currencies: Value At Risk Approach

Jurnal: Journal of Money Laundering Control

Tahun: 2019

Penulis: Umut Uyar dan Ibrahim Korkmaz Kahraman

Tujuan: Makalah ini meneliti tentang perbandingan antara investor dari mata uang
konvensional utama dan investor Bitcoin dengan menggunakan metode Value-at-
Risk Metode Historis (Back Simulation) dan Value at Risk dengan Metode
Simulasi Monte Carlo.

Desain/metodologi/pendekatan: Makalah ini menggunakan analisis risiko yang disebut

sebagai Value-at-Risk (VaR). Analisis ini menggunakan
dua metode VAR diantaranya adalah VAR Metode
Historis (Back Simulation) dan VAR dengan Metode

19
 Simulasi Monte Carlo. Makalah ini menggunakan data
mata uang sebanyak 7 buah yang terdiri dari Swiss Franc,
Euro, GBP, JPY, AUD, CAD, dan NZD dan satu mata
uang bitcoin. Periode data harian mata uang yang
digunakan adalah dari periode 02 Februari 2012 sampai 07
November 2017

Temuan: Analisis dilakukan dengan menggunakan HSM (Historis Simulation) dan MCSM
(Monte Carlo Simulation) pada tingkat kepercayaan 0,95% dan 0,99%. Pada proses
analisis, dengan menggunakan set data harian dari setiap mata uang yang
dikumpulkan untuk periode 02 Februari 2012 sampai 07 November 2017, nilai
VaR individu diperkirakan. Selain itu, nilai VaR dari portofolio tertimbang yang
sama terdiri dari semua mata uang dan satu mata uang tambahan termasuk BTC
diperkirakan.

Dalam kedua metode, dimana probabilitas kerugian terendah di antara semua mata
uang untuk semua tingkat kepercayaan ditentukan dengan mata uang CAD / USD,
probabilitas kerugian tertinggi ditentukan dengan mata uang BTC / USD. Menurut
hasil MCSM pada tingkat kepercayaan 95% dan 99%, seorang investor yang
berinvestasi satu USD pada paritas CAD / USD akan kehilangan masing-masing
maksimum $ 0,0076 dan $ 0,0110. Di sisi lain, seorang investor yang lebih suka
paritas BTC / USD untuk investasi satu dolar pada tingkat kepercayaan 95% dan
99% akan kehilangan masing-masing maksimum $ 0,0914 dan $ 0,1361 pada hari
berikutnya. Menurut HSM pada tingkat kepercayaan 95% dan 99%, paritas CAD /
USD akan menyebabkan maksimum $ 0,0077 dan $ 0,0117 pada hari berikutnya,
masing-masing. Di sisi lain, paritas BTC / USD akan menyebabkan investor
kehilangan maksimum $ 0,0722 dan $ 0,1665 masing-masing pada tingkat
kepercayaan 95% dan 99%. Temuan mengungkapkan bahwa mata uang Bitcoin
mengekspos investor agak berisiko tinggi sehingga nilai VaR yang diperkirakan
untuk paritas BTC / USD sekitar 7 tujuh kali lebih tinggi dari mata uang utama
dengan nilai VaR tertinggi (JPY / USD).

Dalam ruang lingkup penelitian ini, nilai VaR diperkirakan untuk setiap mata uang
utama dan juga untuk dua portofolio yang salah satunya mencakup paritas BTC /
USD di samping mata uang utama, sedangkan yang lainnya tidak. Menurut

20
 estimasi nilai VaR berdasarkan MCSM dan HSM, diamati bahwa portofolio yang
tidak termasuk paritas BTC / USD ditemukan memiliki risiko yang lebih kecil
sehubungan dengan yang tidak mengandung paritas BTC / USD. Perbedaan risiko
antara kedua portofolio bervariasi antara 70% dan 150%. Sejalan dengan penelitian
yang menganalisis mata uang utama secara individual, disimpulkan bahwa
dimasukkannya BTC ke dalam portofolio yang dibangun telah meningkatkan risiko
keseluruhan yang diekspos oleh investor. Di sisi lain, jika investor melakukan
investasi BTC dalam portofolio terdistribusi alih-alih BTC yang kelebihan berat
badan, ini akan mengurangi potensi kerugian investasi mereka.

Kesimpulan: Temuan penelitian ini dinilai dengan dua cara berbeda; risiko individu dari
masing-masing mata uang utama dan keseluruhan portofolio yang dibangun.
Menurut hasil analisis MCSM dan VaR yang dilakukan untuk setiap mata uang
pada tingkat kepercayaan 95% dan 99%, terlihat bahwa probabilitas kerugian
terendah ditentukan dengan paritas CAD / USD, probabilitas kerugian tertinggi
ditentukan dengan BTC / Paritas USD. Berdasarkan analisis HSM pada tingkat
kepercayaan 95% dan 99%, probabilitas kerugian terendah ditentukan dengan
paritas CAD / USD sementara probabilitas kerugian tertinggi ditentukan
dengan paritas BTC / USD. Hasil yang diperoleh dengan jelas mengungkapkan
bahwa mata uang Bitcoin memiliki risiko tinggi secara individual. Selanjutnya,
untuk periode penelitian, tingkat risiko yang ditentukan dengan paritas BTC /
USD adalah 6 hingga 7 kali lebih besar dari mata uang (JPY / USD) yang
menunjukkan risiko tertinggi setelah BTC.

Pada bagian kedua dari penelitian ini, dua portofolio dibangun; yang pertama
termasuk paritas BTC / USD dan yang kedua tidak termasuk. Temuan MCSM
dan HSM menunjukkan bahwa portofolio yang kedua memiliki risiko lebih
rendah dibandingkan dengan yang pertama. Selain itu, terlihat bahwa
dimasukkannya paritas BTC / USD ke dalam portofolio meningkatkan risiko
portofolio keseluruhan rata-rata sebesar 98%. Namun, terungkap bahwa
investor dapat mengurangi risiko investasi umum mereka dengan memasukkan
Bitcoin dan mata uang utama ke dalam portofolio mereka.

Secara umum, ketika studi tentang Bitcoin dipertimbangkan, dapat dilihat

bahwa investasi Bitcoin biasanya berisiko dan tidak aman secara finansial.

21
 Selaras dengan literatur yang ada, metode VaR yang digunakan dalam aplikasi
penelitian ini mengungkapkan bahwa Bitcoin adalah alat investasi yang
berisiko. Faktor utama meningkatnya risiko sebagian besar diindikasikan
sebagai tingginya volatilitas mata uang digital dan kurangnya landasan
legislatif yang mengendalikan sistem. Terlepas dari ketidakpastian di atas dan
risiko tinggi, para investor yang ingin melakukan investasi dalam mata uang
Bitcoin disarankan untuk membangun portofolio yang terdiri dari Bitcoin serta
mata uang asing konvensional.

Saran: Sebaiknya dicantumkan alasan yang jelas dari sumber yang jelas mengapa bitcoin
memiliki resiko yang tinggi selain berdasarkan hasil dari perhitungan VAR.

DAFTAR PUSTAKA

22