safmata@gmail.com
Testing in the validity of the model using Kupiec mixed backtest shows that GARCH
volatility model and its classification with confidence level of 95% proved that three foreign
currency exchange rate AUD, EUR and USD has valid and accurate model, while EWMA
valid for AUD and EUR currencies and MCS valid for USD currency.
Results of the portfolio market risk VaR estimation using filtered historical simulation
method as amount of Rp797.083.763, gives information reserve capital or minimum capital
charge to be provided by Bank BJB, in addition must also take into account the credit risk
and operational risk.
Keywords: value-at-risk, exponentiall weighted moving average, generalized autoregressive conditional heteroscedasticity,
monte carlo simulation, backtesting kupiec mixed, filtered historical simulation.
PENDAHULUAN
Selama beberapa tahun terakhir ada memainkan peran utama dalam
banyak perubahan pada lembaga keuangan pengembangan teknik pengukuran risiko,
dalam mengevaluasi dan mengukur risiko. merekomendasikan penggunaan Value-at-
Usaha perbaikan regulasi berkaitan dengan Risk (VaR) untuk menentukan standar
masalah penanganan risiko yang dihadapi jumlah minimum aset kapital yang
perusahaan dilakukan secara terus disediakan (dicadangkan) guna
menerus. Efisiensi pengelolaan instrumen menghadapi risiko pasar. Sejak saat itu,
dan risiko dalam dunia perbankan dan VaR menjadi populer sebagai alat
keuangan bergantung pada akurasi pengukuran risiko pasar, dan terus
peramalan beberapa peubah (variables) berkembang hingga saat sekarang. VaR
seperti harga, volume instrumen, dan merupakan pengukuran risiko secara
varian (variance) yang berubah seiring kuantitatif yang mengestimasi potensi
waktu. Varian yang berubah seiring kerugian maksimal (maximum potential
dengan perubahan waktu (time varying) loss) yang mungkin terjadi di masa yang
disebut volatilitas (volatility). Pada akan datang yang akan dihadapi pada
umumnya bila volatilitas meningkat, maka jangka waktu tertentu (holding period)
risiko juga meningkat. Risiko yang berasal dengan tingkat kepercayaan tertentu
dari volatilitas ini sebenarnya dapat (confidence level) pada kondisi pasar yang
dikelola dengan baik. Komite basel normal.
sebagai lembaga pengawasan bank, telah
Dalam penelitian ini, Bank Bjb EWMA itu sendiri sudah tepat diterapkan
(selanjutnya menggunakan kata Bjb) telah di Bjb.
mengembangkan estimasi volatilitas nilai
tukar dengan pemodelan EWMA yang TINJAUAN PUSTAKA
dipopulerkan oleh J.P Morgan melalu risk Prinsip-prinsip manajemen risiko
metrics-nya (1996). Pendekatan ini yang diterapkan perbankan Indonesia
mengasumsikan bahwa proyeksi yang mengacu pada rekomendasi yang
akan datang (esok hari) dipengaruhi oleh dikeluarkan oleh Bank for International
data aktual hari ini dan data historis masa Settlements (BIS) melalui Basle Committee
lampau dengan parameter yang digunakan on Banking Supervision yang dikenal
adalah λ (decay factor). RiskMetricsTM dengan Basel Accord Capital dan
Technical Document menunjukkan bahwa Peraturan Bank Indonesia.
nilai decay factor yang optimal adalah λ = Bagi perbankan yang mengacu pada
0.94 untuk volatilitas harian dan λ = 0.97 aturan Basel (2005, p. 7), terdapat dua
untuk volatilitas bulanan. Dowd (2005) metode yang dapat digunakan yaitu
berpendapat hasil forecasting volatilitas standardized measurement approach dan
EWMA dengan parameter 0.94 cenderung internal standard approach. Pada
konstan, sehingga kurang responsif standardized measurement method, bank
terhadap kondisi pasar. Pendapat dari dapat memilih salah satu dari tiga metode
peneliti lainnya mengatakan, tidak ada yaitu simplified approach, delta plus
aturan yang mengharuskan bahwa λ = 0.94 method, dan scenario approach (2005, p.
saja yang boleh dipakai untuk mengukur 30). Pada pendekatan internal model
volatilitas harian dengan EWMA karena method, bank dapat menggunakan metode
permasalahan memilih decay factor yang value at risk.
optimal adalah permasalahan empiris Peramalan volatilitas merupakan
(Saita, 2007, p. 40). Decay factor dapat sebuah elemen penting dalam bidang
dioptimalkan dengan menghitung root keuangan, khususnya bidang investasi,
mean squared error (RMSE) minimum penilaian, kebijakan sekuritas dan
antara proyeksi varian (forecast variance) manajemen risiko. Bernstein (1996)
dari EWMA pada periode i+1 dengan mengutip pendapat Frank Knight, dalam
actual squared return (actual daily bukunya mengatakan bahwa volatilitas
variance) untuk periode i+1 (Clelow & merupakan suatu ukuran (proxy) terhadap
Strickland, 2000). Oleh sebab itu, decay ketidakpastian dan harus diakomodasi
factor yang optimal dapat bervariasi dalam pengukuran risiko, yaitu risiko
tergantung pada data yang digunakan (kurs investasi. Sehingga, apabila volatilitas
mata uang yang satu dapat memiliki nilai λ diterjemahkan sebagai ketidakpastian,
berbeda dengan kurs mata uang yang maka ia menjadi masukan (input) utama
lainnya) dan dapat bervariasi tergantung bagi pengambilan keputusan investasi dan
pada periode observasi yang digunakan portofolio. Poon dan Granger (2003)
(untuk kurs mata uang yang sama, nilai λ menegaskan bahwa volatilitas tidak sama
yang digunakan dapat berbeda antara dengan risiko. Secara etimologis,
menggunakan periode observasi satu tahun volatilitas dan risiko diartikan berbeda.
dengan dua tahun). Hal ini memberikan Dalam kamus The New Oxford Dictionary
gambaran bahwa pengukuran volatilitas of English, kata volatilitas atau volatile
dengan parameter sebesar λ 0.94 yang berasal dari bahasa Perancis “volatil” atau
telah direkomendasikan J.P Morgan belum bahasa latin “volatilis” yang bermakna fly
tentu mencerminkan karakteristik atau terbang. Sedangkan risiko berasal dari
volatilitas Bjb yang sesungguhnya. bahasa Perancis yaitu “risque” (kata
Berikutnya, hal lain yang perlu dikaji lebih benda), “risquer (kata kerja), dan bahasa
mendalam apakah pemodelan volatilitas italia “risco”yang berarti bahaya dan
“rischiare” yang bermakna mengalami white noise yang kuat, maka varian selama
keadaan bahaya. Konsep risiko sendiri horizon waktu yang cukup panjang, dapat
dikembangkan berdasarkan konsep diderivasi sebagai varian yang sederhana.
probabilitas (probability) dan Tetapi hal ini bukanlah sesuatu yang dapat
ketidakpastian (uncertainty). Kegunaan digeneralisasi karena kebanyakan kasus
volatilitas dapat diklasifikasikan menjadi runtun waktu keuangan memiliki
dua kelompok besar, yaitu: penerapan karakteristik stylized facts. Kesulitan yang
untuk peramalan umum (general muncul terkait dengan pilihan horizon
forecasting), dan penerapan keuangan. peramalan disebabkan beberapa hal, salah
Untuk peramalan umum, volatilitas dapat satunya adalah volatilitas mean reversion.
digunakan untuk penaksiran titik interval, Secara umum, akurasi peramalan
probabilitas dan kepadatan (density). volatilitas dapat diperbaiki apabila
Sedangkan penerapan volatilitas di bidang frekuensi sampel data meningkat secara
keuangan, khususnya manajemen risiko relatif terhadap waktu horizon peralaman.
yaitu VaR dan expected shortfall (ES). Figlewski (2004) menemukan galat
peramalan (forecast errors) menjadi dua
Fakta tentang Volatilitas kali lebih besar ukurannya ketika data
Saat ini, ada beberapa karakteristik harian, dibandingkan data bulanan,
khusus mengenai data runtun waktu dalam digunakan untuk meramalkan volatilitas
keuangan dan volatilitas pasar keuangan selama 24 bulan. Pada beberapa kasus,
yang banyak diteliti dan terdokumentasi bila horizon peramalan melebihi 10
dengan baik. Karateristik ini antara lain (sepuluh) tahun, taksiran volatilitas lebih
distribusi fat tail dari imbal hasil baik dihitung menggunakan data
instrumen keuangan, volatilitas clustering, mingguan atau bulan karena volatilitas
asimetri distribusi dan reversi rerata (mean mean reversion sulit untuk disesuaikan
reversion) dan pergerakan bersama (co- bila menggunakan data dengan frekuensi
movement) volatilitas lintas instrumen dan tinggi. Jadi, model berbasis peramalan
pasar keuangan. Karakteristik ini kehilangan keunggulannya ketika horizon
seringkali disebut sebagai stylized facts. peramalan meningkat seiring dengan
Enders (2004) memberikan beberapa frekuensi data. Untuk horizon peramalan
catatan mengenai stylized facts sebagai lebih panjang dari enam bulan, metode
berikut. historis sederhana dapat bekerja dengan
a. Kebanyakan data runtun waktu baik menggunakan data berfrekuensi
memiliki trend yang jelas. rendah yang memiliki panjang waktu yang
b. Shock terhadap suatu data runtun sama dengan horizon peramalan.
waktu dapat memberikan gambaran
mengenai persistensi yang tinggi. Model Exponential Weighted Moving
c. Volatilitas berbagai data runtun Average (EWMA)
waktu tidak bersifat konstan Pendekatan ini mengasumsikan
sepanjang waktu. bahwa proyeksi yang akan datang (esok
d. Beberapa data runtun waktu seperti hari) dipengaruhi oleh data aktual hari ini
tidak memiliki arah kecenderungan dan data historis masa lampau. Persamaan
baik naik atau turun. yang digunakan untuk pendekatan EWMA
e. Beberapa data runtun waktu menurut Morgan (1996, p. 18) adalah
memiliki pergerakan bersama (co- sebagai berikut.
movement) dengan data runtun 12 t 12 (1 )rt 12
waktu lainnya.
Untuk menentukan decay factor yang
Sehingga, apabila data runtun waktu imbal
paling optimum sesuai (J.P Morgan, 1996,
hasil bersifat iid (independent and
p. 98) dengan menggunakan persamaan
identically distributed) atau memiliki sifat
sebagai berikut.
2 ARCH/GARCH biasa dikatakan memiliki
RMSE = 1 T
T T 1
rT 1 T21 T ( ) masalah yang berhubungan dengan
persisten. Untuk mengatasinya maka
digunakan varian model ARCH/ GARCH
σ2T+1|T = (λ x F(t/(t-1)) + (1-λ) x
yang disebut integrated GARCH
Xt
(IGARCH) yang tidak memiliki varian
F(t/(t-1)) = forecast variance t-1
unconditional (Jorion, 2007a, p. 231).
Xt = variance imbal hasil
Sifat ini muncul bila observasi dilakukan
(rt2) pada waktu ke-t
untuk periode yang panjang.
Model GARCH (Generalized
Model TARCH (Threshold Generalized
Autoregressive Conditional
Autoregressive Conditional
Heteroscedaticity)
Heteroscedatic)
T. Bollerslev (1986)
Model Threshold ARCH (TARCH)
mengembangkan ARCH dengan
diperkenalkan oleh J.M Zakoian (1994)
membangun sebuah teknik yang
dan Threshold GARCH (TGARCH) oleh
memungkinkan proses varian kondisional
L.R. Golsten, R. Jaganathan, dan D.E.
menjadi sebuah proses ARMA. Model
Runkle (1993). Walaupun pada awalnya
hasil pengembangan ini diberi nama
diperkenalkan secara terpisah, tetapi kedua
Generalized ARCH (GARCH). Peramalan
model ini memiliki bentuk yang sama,
volatilitas dengan menggunakan model
sehingga istilah yang umum dipakai
GARCH adalah volatilitas sekarang
TARCH saja. Model TARCH adalah
dipengaruhi oleh volatilitas sebelumnya
model GARCH yang memiliki residual
dan juga oleh kesalahan atau error (dalam
negatif. Komponen ARCH pada model ini
bentuk kuadrat residual) sebelumnya.
mengandung dummy variabel yang bernilai
Secara umum varian kondisional model
1 jika residual yang terjadi bernilai negatif,
GARCH (p,q) dirumuskan sebagai berikut.
dan bernilai 0 jika residual bernilai positif.
p q
Model TARCH ini dapat
ht t2 i ht 1 j t2 j merepresentasikan volatilitas yang
i 1 j 1 reaksinya berbeda (asimetris) terhadap
berita baik dan berita buruk. Varian
GARCH (1,1) merupakan model paling kondisional dari model TARCH(p,q) adalah
sederhana GARCH yang paling umum sebagai berikut.
dipakai dan dianggap paling kuat untuk
ht i ht 1 j j d t j t2 j
p q
menjelaskan perilaku varian kondisional. 2
Varian kondisional untuk model t
i 1 j 1
GARCH(1,1) sebagai berikut.
t2 1 t 1 1 t21 Model TARCH sederhana seperti (1,1)2
memiliki varian kondisional sebagai
Volatilitas jangka panjang atau biasa berikut.
disebut volatilitas unconditional, dapat ht 1 t21 1d t 1 t21 1ht 1
diukur dari persamaan univariate GARCH
(1,1) dengan persamaan sebagai berikut.
Model TARCH (1,1) atau sering ditulis
0
sebagai TARCH(1,1,1), dapat
1 1 menggambarkan terjadinya perubahan
volatilitas yang asimetris pada kondisi
Jika penjumlahan α1 + β1 mendekati satu bullish (berita baik) maupun bearish
(biasanya maksimal 0,98) maka model (berita buruk). Berita buruk memberikan
efek volatilitas yang lebih tinggi mendekati data yang dimiliki (Rubinstein,
dibandingkan dengan berita baik. Setiap 1981).
munculnya berita, akan meningkatkan
volatilitas, dan berita buruk akan Distribusi Probabilitas
meningkatkan volatilitas lebih tinggi Risiko secara umum dapat
dibandingkan dengan berita baik. L.R. didefinisikan sebagai hasil/ kejadian yang
Glosten, R. Jaganathan, dan D.E Runkle tidak pasti, yang diukur dalam bentuk
(1993) menunjukkan bagaimana fungsi probabilitas distribusi. Probabilitas
memodelkan efek berita buruk dan berita distribusi merupakan urutan atau daftar
baik pada volatilitas yang dilakukan dari semua kemungkinan yang terjadi yang
dengan menetapkan sebuah threshold dihasilkan jika percobaan dilakukan.
t 1 = 0, sedemikian hingga “shock” yang Karena distribusi ini berhubungan dengan
lebih besar dari threshold mempunyai efek ekspektasi, maka sangat berguna dalam
yang berbeda dibandingkan “shock” yang membuat kesimpulan dan keputusan dalam
lebih kecil dari threshold. Pada model kondisi yang tidak pasti (Levin dan Rubin,
TARCH (1,1) diatas, bila 1 > 0, berita 1998, p. 224). Probabilitas distribusi
banyak digunakan untuk mengetahui
buruk akan memilik efek yang lebih besar
probabilitas frekuensi kejadian dari suatu
pada volatilitas dibandingkan dengan
peristiwa yang akan terjadi di masa akan
berita baik.
datang. Hal ini tentu sangat bermanfaat
untuk data-data kejadian yang sifatnya
Volatilitas Stokastik Pendekatan Monte random dan tidak dapat ditentukan dengan
Carlo Simulation (MCS) pasti. Untuk simulasi menggunakan
variabel input data yang sifatnya random,
Monte Carlo Simulation (MCS)
maka perlu dibuat variabel random yang
dapat diartikan secara bebas sebagai
menggambarkan nilai numerik dari hasil
metode statistik simulasi, yang secara
suatu percobaan. Apabila hasil simulasi
umum untuk semua metode simulasi
diasumsikan continuous random variable,
menggunakan rangkaian bilangan acak.
hasil simulasinya direpresentasikan
MCS digolongkan sebagai metode
dengan angka dalam bentuk probability
sampling karena input dibangkitkan secara
density function (pdf) yang dinotasikan
acak (random) dari suatu distribusi
dengan f(x) dan cumulative distribution
probabilitas untuk proses sampling dari
function (cdf) F(x). Nilai density fungsi ini
suatu populasi nyata. Dengan
mempunyai nilai total sebesar 1 (satu), dan
menggunakan parameter input bilangan
untuk probabilitas variabel random yang
acak dan distribusi probabilitas yang telah
diasumsikan berkisar antara a dan b
ditentukan, dapat membawa suatu model
merupakan fungsi integral antara a dan b.
deterministik ke dalam model stokastik.
Nilai ini dianggap setara dengan
Model stokastik ini mengikutsertakan
perbedaaan antara akumulasi fungsi
faktor kemungkinan dan seringkali
distribusi antara dua titik a dan b. Luas
memiliki waktu atau kuantitas nilai yang
area a dan b dapat ditunjukan pada
bervariasi dalam sebuah range dan
persamaan berikut.
berdasarkan densitas tertentu, sebagaimana b
didefinisikan oleh distribusi probabilitas.
Nilai yang dihasilkan dari sebuah f ( x)dx F (b) F (a)
a
distribusi tersebut random variate. Oleh
karena itu, suatu model harus memilih
suatu distribusi input yang paling
1
pt*1 pt pt (ˆrt ˆzt* zt*1 )
x
p1 p vi 1 p1 p
v 1
̂ adalah AR, adalah MA, Pt
LRHaas 2 ln vi 1
2 ln v 1
i 2
1 1
1 1 1 merupakan nilai sekarang. ̂ dan
1
v v v
v
i i merupakan parameter model
GARCH yang dipilih. Nilai z*
Tahapan Perhitungan VaR Portofolio didapat dari dengan rumus sebagai
Filtered Historical Simulation berikut.
Tahapan Perhitungan VaR portofolio FHS
zt*1 e1. ht 1
sebagai berikut.
1. Pemilihan residual standardized t+1. e adalah residual standardized yang
Pemilihan residual standardized t+1 didapat berdasarkan hasil simulasi
didapat melalui simulasi random yang dari tahap nomor satu,
dengan pengembalian. Rumus sedangkan h merupakan volatilitas
residual standardized sebagai kondisional yang didapat dari tahap
berikut. nomor dua.
t 4. Tahap pertama sampai dengan ketiga
et dilakukan secara berulang sampai
hˆt didapatkan pada hari t+10.
adalah residual dan h adalah 5. Masing-masing peramalan imbal
volatilitas kondisional. hasil ketiga nilai tukar sampai
2. Menghitung volatilitas kondisional. dengan t+10 dikalikan dengan posisi
Perhitungan volatilitas kondisional aset terakhir mata uang AUD, EUR
pada hari t+1 menggunakan dan USD.
annualized standar deviasi, 6. Dilakukan simulasi untuk ketiga nilai
selanjutnya untuk t+2 dan hari-hari tukar tersebut sampai 5.000 simulasi.
berikutnya menggunakan volatilitas 7. Dihitung perubahan nilai portofolio
kondisional dari pemodelan sekarang dengan nilai portofolio
GARCH. awal (value change). Dengan
3. Menghitung peramalan harga dan mengurutkan dari yang terkecil (nilai
imbal hasil. yang paling rugi) sampai dengan
Peramalan harga dan imbal hasil yang terbesar, nilai VaR dapat
rumus sebagai berikut. dihitung dari nilai persentil sesuai
dengan tingkat keyakinan yang telah
ditetapkan.
Tabel I
Uji ADF Tingkat Kepercayaan 95% - Tingkat Intercept
ADF Test Critical
No Imbal Hasil Keterangan
Statistic Value 5%
1 R_AUDIDR -18.63340 -2.871582 Reject Ho - Data Stasioner
2 R_EURIDR -17.67733 -2.871583 Reject Ho - Data Stasioner
3 R_USDIDR -23.51475 -2.871584 Reject Ho - Data Stasioner
Sumber: hasil olahan penulis
Dari tabel tersebut, H0 ditolak karena nilai seluruh data imbal hasil hasil nilai tukar
ADF t-statistic lebih kecil daripada nilai diduga sudah mencapai kondisi stasioner.
kritisnya. Sehingga dapat diduga bahwa
Tabel II
Uji Normalitas Jarque Bera
Chi Square
No Imbal hasil Jarque Bera 2 Keterangan
χ (α=5%,df=2)
1 R_AUDIDR 4,465,907 59,915 JB > Chi Square, Distribusi tidak normal
2 R_EURIDR 2,288,789 59,915 JB > Chi Square, Distribusi tidak normal
3 R_USDIDR 1.061,409 59,915 JB > Chi Square, Distribusi tidak normal
Sumber: hasil olahan penulis
Tabel III
Perhitungan Alpha Prime
No Imbal Hasil Skewness (ξ) α = 5% Alpha Prime
1 R_AUDIDR -0,661686 1,644853476 1,832942459
2 R_EUDIDR -0,448750 1,644853476 1,772413876
3 R_USDIDR -0,071436 1,644853476 1,624547282
Nilai ini yang digunakan untuk menghitung undiversived VaR ketiga nilai tukar mata uang.
Pengujian Heteroskedastik
Pengujian ini bertujuan untuk mengetahui karateristik varian data imbal hasil ketiga nilai
tukar tersebut.
Tabel IV
Uji Heterokedastik
No Imbal Hasil Prob F Statistic Kondisi Keterangan
1 R_AUDIDR 0,0008 <5% tolak homokedastik Heterokedastik
2 R_EUDIDR 0,0562 >5% tolak heteroskedastik Homokedastik
3 R_USDIDR 0,0000 <5% tolak homokedastik Heterokedastik
Tabel V
Mean dan Varian Kondisional Nilai Tukar Mata Uang
Hasil estimasi model pada R_AUDIDR pergerakan imbal hasil R_EURIDR dan
dapat disimpulkan bahwa volatilitas imbal model varian kondisional tergantung dari
hasil pada hari t dipengaruhi oleh error model satu hari sebelumnya. Model
volatilitas imbal hasil satu hari ini menunjukkan persisten dalam
sebelumnya, artinya informasi yang volatilitas karena α+β=1. Adanya
diperoleh satu hari sebelumnya sangat volatilitas yang persisten tersebut
mempengaruhi antisipasi pergerakan imbal mengurangi kestabilan GARCH. Hasil
hasil R_AUDIDR. Disamping dipengaruhi estimasi R_USDIDR menggunakan
oleh volatilitas imbal hasil satu hari TARCH (1,1,1) sebagai dasar model
sebelumnya, model varian kondisional menunjukkan bahwa efek leverage dan
R_AUDIDR juga tergantung dari error adanya asimetris perubahan volatilitas saat
dari model satu hari sebelumya. Begitu kondisi bullish maupun bearish cukup
juga R_EURIDR, informasi yang berpengaruh terhadap volatilitasnya dan
diperoleh investor dua hari sebelumnya hal ini tidak dapat digambarkan bila
sangat mempengaruhi antisipasi menggunakan model GARCH.
Tabel VI
Hasil Perhitungan Decay Factor Optimum
Decay
Imbal hasil RMSE
Factor (λ)
R_AUDIDR 0,96 0,00022465985
R_EURIDR 0,94 0,00009090703
R_USDIDR 0,57 0,00006767021
Sumber: Hasil olahan penulis
Dalam melakukan pengukuran volatilitas dapatkan 283 imbal hasil yang diharapkan
menggunakan MCS, tahapan yang untuk tanggal 3 Januari 2011 sampai
dilakukan adalah melakukan prediksi dengan 28 Februari 2012 yang merupakan
imbal hasil hari-268 berdasarkan data periode peramalan imbal hasil.
imbal hasil t1-t267 dan seterusnya sampai di
Tabel VII
Perhitungan Volatilitas 1 hari MCS – R_USDIDR
Interval Frekuensi Kumulatif % Batas Interval Imbal Hasil Frekuensi Kumulatif Frekuensi Imbal Hasil
Minimum -0,02 -0,03 0 0,00 0,00 0,00 -0,03 0 0 0,00
Maksimum 0,02 -0,02 0 0,00 0,00 0,00 -0,02 0 0 0,00
-0,01 4 0,01 0,00 0,01 -0,01 168 168 -1,68
0,00 144 0,54 0,01 0,54 0,00 5,444 5276 0,00
0,01 265 0,99 0,54 0,99 0,01 9,910 4466 44,66
0,02 267 1,00 0,99 0,00 0,02 10,000 90 1,80
0,03 267 1,00 1,00 1,00 0,03 10,000 0 0,00
44,78
Peramalan Imbal Hasil Per 3-1-2011 0,004478000
Sumber: Hasil olahan penulis
Backtesting
Backtesting digunakan untuk menilai estimasi value at risk (VaR). Apabila nilai
keakuratan dari volatilitas model VaR. P/L > VaR atau -P/L > -VaR maka eksepsi
Untuk itu terlebih dahulu perlu diperiksa terjadi. Terjadinya eksepsi pada ketiga
apakah terjadi suatu eksepsi atau tidak. Hal nilai tukar mata uang AUDIDR, EURIDR
ini dilakukan dengan cara membandingkan dan USDIDR dapat diringkas pada tabel
nilai hypothetical profit/loss (P/L) dengan dibawah ini.
Tabel VIII
Hari Eksepsi (Kegagalan) Terjadi
EWMA GARCH MCS
DATE
R_AUDIDR R_EURIDR R_USDIDR R_AUDIDR R_EURIDR R_USDIDR R_AUDIDR R_EURIDR R_USDIDR
1 Jan 2011 - 31 Maret 2011 13 5 0 0 3 4 3 11 0
1 April 2011 - 30 Juni 2011 3 6 0 3 9 2 4 11 0
1 Juli 2011 - 30 September 2011 5 6 0 5 9 7 13 17 7
1 Oktober 2011 - 31 Desember 2011 2 2 0 5 2 11 22 10 11
1 Jan 2012 - 28 Februari 2012 1 3 0 1 3 5 8 7 7
Total 24 22 0 14 26 29 50 56 25
Sumber: Hasil olahan penulis
Tabel IX
Backtesting Kupiec Mixed
Model LRpof + Critical Value Tes Kupiec
Imbal Hasil LRPO F LRHaas 2
Volatilitas LRhaas X (x+1) Mixed
R_AUDIDR 6,03 6,50 12,52 37,65 Diterima
EWMA R_EURIDR 3,95 14,96 18,91 35,17 Diterima
R_USDIDR 29,03 0,00 29,03 3,84 Ditolak
R_AUDIDR 0,00 9,69 9,69 25,00 Diterima
GARCH R_EURIDR 8,47 17,59 26,05 40,11 Diterima
R_USDIDR 12,76 21,54 34,30 43,77 Diterima
R_AUDIDR 59,54 45,53 105,07 68,67 Ditolak
MCS R_EURIDR 77,25 51,10 128,35 75,62 Ditolak
R_USDIDR 7,20 23,13 30,33 38,89 Diterima
Sumber: Hasil olahan penulis
Rincian backtesting kupiec mixed pada Dari hasil tersebut, maka pemodelan
tabel IX, R_USDIDR pada pemodelan volatilitas GARCH lebih baik daripada
EWMA ditolak, artinya tidak akurat dan pemodelan volatilitas EWMA dan MCS.
valid digunakan, sedangkan R_AUDIDR Hasil pemodelan volatilitas GARCH ini
dan R_EURIDR ditolak pada pemodelan digunakan sebagai pengukuran portofolio
MCS. Untuk ketiga model nilai tukar mata untuk ketiga nilai tukar mata uang AUD,
uang dalam pemodelan GARCH diterima, EUR dan USD.
artinya model tersebut valid dan akurat.
Tabel X
Ringkasan Decay Factor
R_AUDIDR R_EURIDR R_USDIDR
0,96 0,94 0,57
Sumber: hasil olahan penulis
Dalam uji backtesting untuk menilai MCS. GARCH memiliki kinerja yang
keakuratan validitas model dengan lebih baik untuk ketiga nilai tukar.
menggunakan Kupiec mixed (kombinasi Penerapan FHS pada VaR portofolio
tes kupiec dan haas), R_USDIDR belum dari ketiga nilai tukar mata uang
tepat digunakan pada pemodelan EWMA, memberikan estimasi sebesar
sedangkan R_AUDIDR dan R_EURIDR Rp797.083.763. Hal ini memberikan
belum tepat digunakan pada pemodelan informasi beban modal atau cadangan
yang harus disediakan oleh Bjb.
Implikasi Manajerial
Relevansi volatilitas bergantung pada sifat bagi pihak manajemen dalam jangka
dari volatilitasnya, volatilitas berfluktuasi pendek, namun menjadi kurang penting
dengan cara yang dapat diukur dalam jangka panjang (Christoffersen &
(forecastable) maka volatilitas dapat Diebold, 2000).
berguna untuk manajemen risiko. Penggunaan portofolio dan pengaruh
Kemampuan volatilitas untuk diukur diversifikasi dalam perbankan bukanlah
bervariasi tergantung pada horison waktu. suatu jaminan terhadap terhindarnya
Dalam horison waktu yang lebih panjang kerugian tertentu. Seperti yang dinyatakan
kemampuan volatilitas akan menurun Bernstein (1996) bahwa diversifikasi
drastis untuk diukur. Dengan demikian, hanya menjamin seluruh instrumen tidak
meskipun pengukuran volatilitas relevan hilang dalam satu waktu.
SIMPULAN dan SARAN
Simpulan
Berdasarkan temuan dari hasil penelitian, spesifikasi model yang lebih rumit
maka dapat disimpulkan pemodelan dibandingkan dengan EWMA yang hanya
volatilitas EWMA kurang tepat untuk menggunakan satu parameter saja.
menggambarkan volatilitas imbal hasil Pemodelan volatilitas MCS membutuhkan
kurs nilai tukar di Bjb. Model yang lebih jangka waktu yang panjang dalam
cocok untuk menggambarkan volatilitas implementasinya.
kurs nilai tukar di Bjb menggunakan Estimasi nilai VaR portofolio
volatilitas GARCH. Model GARCH dengan menggunakan FHS sebesar
mampu mengakomodasi kriteria suatu Rp797.083.763. Hal ini memberikan
model VaR yang akurat, efisien, dan informasi cadangan atau beban modal
konservatif. yang harus disediakan oleh Bjb.
Penentuan model GARCH sebagai Penelitian ini dibatasi hanya pada
model yang berkinerja baik dibandingkan risiko pasar saja. Dalam realitanya,
dengan EWMA dan MCS didasarkan pada penyediaan cadangan modal yang
evaluasi model dengan menggunakan dilakukan bank, harus memperhitungkan
backtesting Kupiec mixed. juga VaR dari risiko kredit dan risiko
Dalam melakukan penaksiran operasional.
volatilitas pemodelan GARCH memiliki
DAFTAR PUSTAKA
Alexander, Carol. (2008). Market risk Balaban, E., Bayar, A., and Faff, R.
analysis IV, value-at-risk models, (2002). Forecasting stock market
John Wiley & Sons, Inc. volatility: evidence from fourteen
countries. University of Edinburgh,
Center for Financial Market Bernstein, Peter L.(1996). The new
Research, working paper, 2002:04. religion of risk management,
Harvard Business Review March-
Bank Indonesia, (2003). PBI No. April, 96203:3-6.
5/8/PBI/2003: Penerapan
manajemen risiko bagi bank umum. Berkowitz, J., and O’Brien, J. (2002). How
accurate are value-at-risk models at
Bank Indonesia, (2005). PBI No. commercial banks? Journal of
7/3/PBI/2005: Posisi devisa netto bank Finance, Vol. 5, 2002.
umum.
Bollerslev, Tim.(1986). Generalized
Bank Indonesia, (2006). Implementasi autoregressive conditional
Basel II di Indonesia. Availabe at heteroskedasticity, Journal of
http://www.bi.go.id/id/perbankan/im Econometrics, 31, 307-27.
plementasi-
basel/dokumentasi/Documents/585a Brooks, Chris. (2008). Introductory
12be8df34e94a4f53bfe2b59029dImp econometrics for finance, 2nd
lementasiBaselIIdiIndonesia.pdf edition, Cambridge: Cambridge
Universtity Press, 2008.
Bank Indonesia, (2013). Booklet
Perbankan Indonesia. Available at Campbell, J.Y. (1988). Stock prices,
http://www.bi.go.id/id/publikasi/perb earnings, and expected dividends,
ankan-dan-stabilitas/booklet- Journal of Finance 43:661-676.
bi/Documents/71d37a10007f4457b1
Campbell, S. (2005). A review of
92adb4c5a0bb97BPI2013Indonesia.
backtesting and backtesting
pdf
procedure, Finance and Economics
Discussion Series, Divisions of
Barone-Adesi., Giannopoulos, K., and
Research & Statistics and Monetary
Vosper, Les. (1999). VaR without
Affairs, Federal Reserve Board,
correlations for portfolios of
Washington D.C.
derivative securities, London.
Christoffersen, P.F. (1998, November).
Basle Committee of Banking Supervision.
Evaluating interval forecast, McGill
(1996). Supervisory framework for
University, Canada, published in:
the use of “backtesting” in
International Economic Review, Vol.
conjunction with the internal models
39 No.4.
approach to market risk capital
requirements. Available at
Christoffersen, P. F., and Diebold. F. X.
www.bis.org
(2000). How relevant is volatility
forecasting for financial risk
Basel Committee on Banking Supervision
management? The Review of Economics
(2005). Amendment to the capital
and Statistics, 82:1,12-22.
accord to incorporate market risks.
Chistodoulakis, George, Stephen Satchell
Basel Commitee. (2006). International (2008). The analytics of risk model
convergence of capital measurement validation, Elsevier.
and capital standards. Availabe at
http://www.bis.org/publ/bcbs128.pdf Clewlow, L., and Strickland, C. (2000).
Energy derivatives: pricing and risk
management, Lacima Group, Texas.
efficiency: comparing value at risk
Danielsson, Jon. (2011). Financial risk model, Reserve Bank of Australia.
forecasting, John Wiley & Sons.
Engle, Robert.F. (2001). The use of
Djati, B.S Lelono. (2007). Simulasi teori ARCH/ GARCH models in applied
dan aplikasinya, Andi Penerbit. econometrics. Journal of Economic
Perspective. Volume 15, Number 4,
Dowd, Kevin. (2005). Measuring market pp 157-168.
risk (2nd edition). Wiley
Enders, Walter. (2004). Applied
nd
Dowd, Kevin. (2006a). Beyond value at econometric time series 2 ed., John
risk: the new science of risk Wiley & Sons, Inc.
management, John Wiley & Sons
Ltd. Engle, Robert. F. (1995). “ARCH selected
readings, Oxford University Press,
Dowd, Kevin. (2006b). Retrospective New York.
assessment of value-at-risk. risk
management: a modern perspective, Engle, R.F., Lilien, D., and Robins, P.
pp. 183-202, San Diego, Elsevier. (1987). Estimating time varying risk
premia in the term structure: The
Ding, Z., Engle, R. F., and Granger, ARCH-M model, Journal
C.W.J. (1993). Long memory Econometrics, Vol 55, p.3.
properties of stock market returns
and a new model. Journal of Figlewski, Stephen. (2004). Forecasting
empirical finance, 1, 83 – 106. volatility, working paper,
(http://citeseerx.ist.psu.edu/viewdoc/
Ding, Jie., and Meade, Nigel. (2010). download?doi=10.1.1.125.6925&rep
Forecasting accuracy of stochastic =rep1&type=pdf)
volatility, GARCH and EWMA
models under different volatility Finger, C. (2005). Back to backtesting,
scenarios, Applied Financial Research Monthly, May 2005,
Economics, 2010, 20, 771–783. RiskMetrics Group.
Eviews 6 user’s guide. (2007). Galdi., and Pereira. (2007). Value at Risk
Quantitative micro software, LLC, (VaR) using volatility forecasting
USA, Management. models: EWMA, GARCH and
stochastic volatility, Brazilian
Engle, Robert. F. (1982). Autoregressive Business Review, Vol. 4, No. 1 Jan/
conditional heteroscesdascity with Apr 2007 pp. 74-94. Vitória-ES,
estimates of United Kingdom Brazil.
inflation, Econometrica; 50/4, 987-
1007. Haas, M. (2001). New methods in
backtesting, Financial Engineering,
Engle, Robert. F., and Bollerslev, T. Research
(1986). Modelling the persistence of Center Caesar, Bonn.
conditional variances, Econometrics
Reviews, vol.5, 1-50, 81-87. Hartono, Jogiyanto. (2010). Teori
portofolio dan analisis investasi,
Engle, Robert. F., and Gizyki. (1999). BPFE Yogyakarta.
Conservatism, accuracy and
Hendricks, Darryll. (1995). Evaluation of
value-at-risk models using historical McCullogh, B,D., and Vinod, H.D. (2003).
data, Federal Reserve Bank of New Econometrics and software, Journal
York Economic Policy Review. of Economic Perspective, 17(1):
223-224.
Holton, Glyn, A. (2004). Defining risk,
Financial analyst journal, 60:19-25