1

PERBANDINGAN VOLATILITAS EWMA, GARCH DAN MONTE

CARLO TERHADAP NILAI TUKAR MATA UANG ASING BANK Bjb

Safrin Simarmata, MBA, CPA

Universitas Krisnadwipayana

safmata@gmail.com

This research addresses the comparison of accuracy volatility models especially

Exponentiall Weighted Moving Average (EWMA), Generalized Autoregressive Conditional
Heteroscedastic (GARCH) with its classification and Monte Carlo Simulation (MCS) for
measuring market risk in order to calculate VaR of portofolio to exchange rate of AUD/IDR,
EUR/IDR and USD/IDR of Bank Bjb.

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
banyak perubahan pada lembaga keuangan
dalam mengevaluasi dan mengukur risiko.
Usaha perbaikan regulasi berkaitan dengan
masalah penanganan risiko yang dihadapi
perusahaan dilakukan secara terus
menerus. Efisiensi pengelolaan instrumen
dan risiko dalam dunia perbankan dan
keuangan bergantung pada akurasi
peramalan beberapa peubah (variables)
seperti harga, volume instrumen, dan
varian (variance) yang berubah seiring
waktu. Varian yang berubah seiring
dengan perubahan waktu (time varying)
disebut volatilitas (volatility). Pada
umumnya bila volatilitas meningkat, maka
risiko juga meningkat. Risiko yang berasal
dari volatilitas ini sebenarnya dapat
dikelola dengan baik. Komite basel
sebagai lembaga pengawasan bank, telah
memainkan peran utama dalam
pengembangan teknik pengukuran risiko,
merekomendasikan penggunaan Value-at-
Risk (VaR) untuk menentukan standar
jumlah minimum aset kapital yang
disediakan (dicadangkan) guna
menghadapi risiko pasar. Sejak saat itu,
VaR menjadi populer sebagai alat
pengukuran risiko pasar, dan terus
berkembang hingga saat sekarang. VaR
merupakan pengukuran risiko secara
kuantitatif yang mengestimasi potensi
kerugian maksimal (maximum potential
loss) yang mungkin terjadi di masa yang
akan datang yang akan dihadapi pada
jangka waktu tertentu (holding period)
dengan tingkat kepercayaan tertentu
(confidence level) pada kondisi pasar yang
normal.
 Dalam penelitian ini, Bank Bjb
(selanjutnya menggunakan kata Bjb) telah
mengembangkan estimasi volatilitas nilai
tukar dengan pemodelan EWMA yang
dipopulerkan oleh J.P Morgan melalu risk
metrics-nya (1996). Pendekatan ini
mengasumsikan bahwa proyeksi yang
akan datang (esok hari) dipengaruhi oleh
data aktual hari ini dan data historis masa
lampau dengan parameter yang digunakan
adalah λ (decay factor). RiskMetricsTM
Technical Document menunjukkan bahwa
nilai decay factor yang optimal adalah λ =
0.94 untuk volatilitas harian dan λ = 0.97
untuk volatilitas bulanan. Dowd (2005)
berpendapat hasil forecasting volatilitas
EWMA dengan parameter 0.94 cenderung
konstan, sehingga kurang responsif
terhadap kondisi pasar. Pendapat dari
peneliti lainnya mengatakan, tidak ada
aturan yang mengharuskan bahwa λ = 0.94
saja yang boleh dipakai untuk mengukur
volatilitas harian dengan EWMA karena
permasalahan memilih decay factor yang
optimal adalah permasalahan empiris
(Saita, 2007, p. 40). Decay factor dapat
dioptimalkan dengan menghitung root
mean squared error (RMSE) minimum
antara proyeksi varian (forecast variance)
dari EWMA pada periode i+1 dengan
actual squared return (actual daily
variance) untuk periode i+1 (Clelow &
Strickland, 2000). Oleh sebab itu, decay
factor yang optimal dapat bervariasi
tergantung pada data yang digunakan (kurs
mata uang yang satu dapat memiliki nilai λ
berbeda dengan kurs mata uang yang
lainnya) dan dapat bervariasi tergantung
pada periode observasi yang digunakan
(untuk kurs mata uang yang sama, nilai λ
yang digunakan dapat berbeda antara
menggunakan periode observasi satu tahun
dengan dua tahun). Hal ini memberikan
gambaran bahwa pengukuran volatilitas
dengan parameter sebesar λ 0.94 yang
telah direkomendasikan J.P Morgan belum
tentu mencerminkan karakteristik
volatilitas Bjb yang sesungguhnya.
Berikutnya, hal lain yang perlu dikaji lebih
mendalam apakah pemodelan volatilitas
EWMA itu sendiri sudah tepat diterapkan
di Bjb.
TINJAUAN PUSTAKA
Prinsip-prinsip manajemen risiko
yang diterapkan perbankan Indonesia
mengacu pada rekomendasi yang
dikeluarkan oleh Bank for International
Settlements (BIS) melalui Basle Committee
on Banking Supervision yang dikenal
dengan Basel Accord Capital dan
Peraturan Bank Indonesia.
Bagi perbankan yang mengacu pada
aturan Basel (2005, p. 7), terdapat dua
metode yang dapat digunakan yaitu
standardized measurement approach dan
internal standard approach. Pada
standardized measurement method, bank
dapat memilih salah satu dari tiga metode
yaitu simplified approach, delta plus
method, dan scenario approach (2005, p.
30). Pada pendekatan internal model
method, bank dapat menggunakan metode
value at risk.
Peramalan volatilitas merupakan
sebuah elemen penting dalam bidang
keuangan, khususnya bidang investasi,
penilaian, kebijakan sekuritas dan
manajemen risiko. Bernstein (1996)
mengutip pendapat Frank Knight, dalam
bukunya mengatakan bahwa volatilitas
merupakan suatu ukuran (proxy) terhadap
ketidakpastian dan harus diakomodasi
dalam pengukuran risiko, yaitu risiko
investasi. Sehingga, apabila volatilitas
diterjemahkan sebagai ketidakpastian,
maka ia menjadi masukan (input) utama
bagi pengambilan keputusan investasi dan
portofolio. Poon dan Granger (2003)
menegaskan bahwa volatilitas tidak sama
dengan risiko. Secara etimologis,
volatilitas dan risiko diartikan berbeda.
Dalam kamus The New Oxford Dictionary
of English, kata volatilitas atau volatile
berasal dari bahasa Perancis “volatil” atau
bahasa latin “volatilis” yang bermakna fly
atau terbang. Sedangkan risiko berasal dari
bahasa Perancis yaitu “risque” (kata
benda), “risquer (kata kerja), dan bahasa
italia “risco”yang berarti bahaya dan
“rischiare” yang bermakna mengalami
keadaan bahaya. Konsep risiko sendiri
dikembangkan berdasarkan konsep
probabilitas (probability) dan
ketidakpastian (uncertainty). Kegunaan
volatilitas dapat diklasifikasikan menjadi
dua kelompok besar, yaitu: penerapan
untuk peramalan umum (general
forecasting), dan penerapan keuangan.
Untuk peramalan umum, volatilitas dapat
digunakan untuk penaksiran titik interval,
probabilitas dan kepadatan (density).
Sedangkan penerapan volatilitas di bidang
keuangan, khususnya manajemen risiko
yaitu VaR dan expected shortfall (ES).
Fakta tentang Volatilitas
Saat ini, ada beberapa karakteristik
khusus mengenai data runtun waktu dalam
keuangan dan volatilitas pasar keuangan
yang banyak diteliti dan terdokumentasi
dengan baik. Karateristik ini antara lain
distribusi fat tail dari imbal hasil
instrumen keuangan, volatilitas clustering,
asimetri distribusi dan reversi rerata (mean
reversion) dan pergerakan bersama (co-
movement) volatilitas lintas instrumen dan
pasar keuangan. Karakteristik ini
seringkali disebut sebagai stylized facts.
Enders (2004) memberikan beberapa
catatan mengenai stylized facts sebagai
berikut.
a. Kebanyakan data runtun waktu
memiliki trend yang jelas.
b. Shock terhadap suatu data runtun
waktu dapat memberikan gambaran
mengenai persistensi yang tinggi.
c. Volatilitas berbagai data runtun
waktu tidak bersifat konstan
sepanjang waktu.
d. Beberapa data runtun waktu seperti
tidak memiliki arah kecenderungan
baik naik atau turun.
e. Beberapa data runtun waktu
memiliki pergerakan bersama (co-
movement) dengan data runtun
waktu lainnya.
Sehingga, apabila data runtun waktu imbal
hasil bersifat iid (independent and
identically distributed) atau memiliki sifat
white noise yang kuat, maka varian selama
horizon waktu yang cukup panjang, dapat
diderivasi sebagai varian yang sederhana.
Tetapi hal ini bukanlah sesuatu yang dapat
digeneralisasi karena kebanyakan kasus
runtun waktu keuangan memiliki
karakteristik stylized facts. Kesulitan yang
muncul terkait dengan pilihan horizon
peramalan disebabkan beberapa hal, salah
satunya adalah volatilitas mean reversion.
Secara umum, akurasi peramalan
volatilitas dapat diperbaiki apabila
frekuensi sampel data meningkat secara
relatif terhadap waktu horizon peralaman.
Figlewski (2004) menemukan galat
peramalan (forecast errors) menjadi dua
kali lebih besar ukurannya ketika data
harian, dibandingkan data bulanan,
digunakan untuk meramalkan volatilitas
selama 24 bulan. Pada beberapa kasus,
bila horizon peramalan melebihi 10
(sepuluh) tahun, taksiran volatilitas lebih
baik dihitung menggunakan data
mingguan atau bulan karena volatilitas
mean reversion sulit untuk disesuaikan
bila menggunakan data dengan frekuensi
tinggi. Jadi, model berbasis peramalan
kehilangan keunggulannya ketika horizon
peramalan meningkat seiring dengan
frekuensi data. Untuk horizon peramalan
lebih panjang dari enam bulan, metode
historis sederhana dapat bekerja dengan
baik menggunakan data berfrekuensi
rendah yang memiliki panjang waktu yang
sama dengan horizon peramalan.
Model Exponential Weighted Moving
Average (EWMA)
Pendekatan ini mengasumsikan
bahwa proyeksi yang akan datang (esok
hari) dipengaruhi oleh data aktual hari ini
dan data historis masa lampau. Persamaan
yang digunakan untuk pendekatan EWMA
menurut Morgan (1996, p. 18) adalah
sebagai berikut.
12   t 12  (1   )rt 12
Untuk menentukan decay factor yang
paling optimum sesuai (J.P Morgan, 1996,
p. 98) dengan menggunakan persamaan
sebagai berikut.
 2 ARCH/GARCH biasa dikatakan memiliki
RMSE = 1 T
T T 1

 rT 1   T21 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 t21 Model TARCH sederhana seperti (1,1)2
memiliki varian kondisional sebagai
Volatilitas jangka panjang atau biasa berikut.
disebut volatilitas unconditional, dapat ht    1 t21  1d t 1 t21  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
dibandingkan dengan berita baik. Setiap
munculnya berita, akan meningkatkan
volatilitas, dan berita buruk akan
meningkatkan volatilitas lebih tinggi
dibandingkan dengan berita baik. L.R.
Glosten, R. Jaganathan, dan D.E Runkle
(1993) menunjukkan bagaimana
memodelkan efek berita buruk dan berita
baik pada volatilitas yang dilakukan
dengan menetapkan sebuah threshold
 t 1 = 0, sedemikian hingga “shock” yang
lebih besar dari threshold mempunyai efek
yang berbeda dibandingkan “shock” yang
lebih kecil dari threshold. Pada model
TARCH (1,1) diatas, bila 1 > 0, berita
buruk akan memilik efek yang lebih besar
pada volatilitas dibandingkan dengan
berita baik.
Volatilitas Stokastik Pendekatan Monte
Carlo Simulation (MCS)
Monte Carlo Simulation (MCS)
dapat diartikan secara bebas sebagai
metode statistik simulasi, yang secara
umum untuk semua metode simulasi
menggunakan rangkaian bilangan acak.
MCS digolongkan sebagai metode
sampling karena input dibangkitkan secara
acak (random) dari suatu distribusi
probabilitas untuk proses sampling dari
suatu populasi nyata. Dengan
menggunakan parameter input bilangan
acak dan distribusi probabilitas yang telah
ditentukan, dapat membawa suatu model
deterministik ke dalam model stokastik.
Model stokastik ini mengikutsertakan
faktor kemungkinan dan seringkali
memiliki waktu atau kuantitas nilai yang
bervariasi dalam sebuah range dan
berdasarkan densitas tertentu, sebagaimana
didefinisikan oleh distribusi probabilitas.
Nilai yang dihasilkan dari sebuah
distribusi tersebut random variate. Oleh
karena itu, suatu model harus memilih
suatu distribusi input yang paling
mendekati data yang dimiliki (Rubinstein,
1981).
Distribusi Probabilitas
Risiko secara umum dapat
didefinisikan sebagai hasil/ kejadian yang
tidak pasti, yang diukur dalam bentuk
fungsi probabilitas distribusi. Probabilitas
distribusi merupakan urutan atau daftar
dari semua kemungkinan yang terjadi yang
dihasilkan jika percobaan dilakukan.
Karena distribusi ini berhubungan dengan
ekspektasi, maka sangat berguna dalam
membuat kesimpulan dan keputusan dalam
kondisi yang tidak pasti (Levin dan Rubin,
1998, p. 224). Probabilitas distribusi
banyak digunakan untuk mengetahui
probabilitas frekuensi kejadian dari suatu
peristiwa yang akan terjadi di masa akan
datang. Hal ini tentu sangat bermanfaat
untuk data-data kejadian yang sifatnya
random dan tidak dapat ditentukan dengan
pasti. Untuk simulasi menggunakan
variabel input data yang sifatnya random,
maka perlu dibuat variabel random yang
menggambarkan nilai numerik dari hasil
suatu percobaan. Apabila hasil simulasi
diasumsikan continuous random variable,
hasil simulasinya direpresentasikan
dengan angka dalam bentuk probability
density function (pdf) yang dinotasikan
dengan f(x) dan cumulative distribution
function (cdf) F(x). Nilai density fungsi ini
mempunyai nilai total sebesar 1 (satu), dan
untuk probabilitas variabel random yang
diasumsikan berkisar antara a dan b
merupakan fungsi integral antara a dan b.
Nilai ini dianggap setara dengan
perbedaaan antara akumulasi fungsi
distribusi antara dua titik a dan b. Luas
area a dan b dapat ditunjukan pada
persamaan berikut.
b
 f ( x)dx  F (b)  F (a)
a

Backtesting untuk Pengujian Validitas
Model
Sebagaimana pemodelan VaR dan
pemodelan berbasis statistik lainnya,
pemodelan volatilitas harus diikuti dengan
validasi model. Untuk melakukan validasi
atau verifikasi terhadap akurasi pemodelan
terkait dengan perhitungan risiko dalam
memenuhi ketentuan modal risiko pasar,
maka dilakukan suatu teknik yang disebut
backtesting. Jorion (2001) menjelaskan
backtesting, atau sering disebut reality
checks, adalah kerangka statistik formal
yang mencakup verifikasi kerugian aktual
yang terkait dengan kerugian yang
diproyeksikan. Proses dalam backtesting
secara sistematis membandingkan
peramalan model beserta imbal hasil
Asumsi-asumsi dan Pengujian dalam
Pemodelan Ekonometri Runtun Waktu
Stasioneritas
Suatu data runtun waktu dapat
dianggap bersifat stasioner bila proses
stokastik yang mendasari runtun waktu
tersebut diasumsikan tidak bergantung
pada waktunya, mean dalam bentuk
konstan, varian dan kovariannya tetap
sama dalam berbagai lag dan waktu
observasi. Bila suatu series bersifat
stasioner, berarti untuk variabel imbal
hasil yang diharapkan dan deviasi standar
data historis dapat dipergunakan untuk
mengestimasi nilai di masa yang akan
datang.
Normalitas
Pada umumnya, pemodelan statistik
selalu menggunakan asumsi distribusi
normal atau biasa disebut sebagai
distribusi kurva bell. Untuk mengetahui
apakah suatu data runtun waktu tersebar
mengikuti distribusi normal atau tidak,
pada umumnya dapat dilihat dengan
melihat statistik deskriptifnya, yaitu
kemiringan (skewness) dan ketebalan
(kurtosis).
1
portofolio terkait. Proses ini dilakukan
untuk menilai apakah pemodelan yang
telah dilakukan bebas dari asumsi-asumsi
yang keliru, parameter-parameter yang
salah, atau hal-hal lain yang menyebabkan
pemodelan tersebut menjadi tidak akurat.
Proses ini juga memberikan gagasan-
gagasan dalam melakukan perbaikan
model. Backtesting juga merupakan hal
penting yang disyaratkan dalam Basel II
khususnya bagi bank-bank yang
mengembangkan pemodelan risiko secara
internal. Metode statistika yang digunakan
adalah melakukan pengujian keakuratan
model VaR dengan cara membandingkan
profit/loss di masa mendatang dengan
prediksi VaR sesuai dengan risk horizon
dan confidence level-nya.
Heteroskedastisitas
Pemodelan ekonometri seringkali
menggunakan asumsi varian yang konstan
atau disebut homoskedastik. Namun
asumsi ini tidak selalu benar, karena
banyak pemodelan justru memiliki varian
yang tidak konstan atau berubah, yang
disebut heteroskedastik. Pemodelan yang
bersifat heteroskedastik memiliki asumsi
bahwa galat εt terdistribusi normal dengan
varian σ t2 , dengan var (εt)= E(ε t2 ) =
σ t2 tidak konstan selama observasi
dilakukan (Pyndick, 1998, p. 146). Untuk
mengetahui apakah suatu pemodelan
mengandung heteroskedastik atau tidak,
dapat dilakukan pengujian dengan
menggunakan berbagai pendekatan seperti
Goldfeld-Quandt, Breusch-Pagan dan
White.
Konsep VaR
Definisi dan Pengertian VaR
VaR memiliki berbagai definisi
berdasarkan persepsi dari para pakar
manajemen risiko. Menurut Jorion (2007a,
p. 17), “VaR summarizes the worst loss
over a target horizon with a given level of
confidence”. Menurut Butler (1999, p. 5),
“VaR measures the worst expected loss
that an institution can suffer over a given
time internal under normal market
condition at a given confidence level”.
Sebagai contoh penghitungan VaR
instrument tunggal, misalkan Bank Bjb
memiliki kewajiban berupa mata uang
asing senilai USD 1 juta, Bank Bjb ingin
mengetahui berapa besar kerugian
maksimum yang mungkin terjadi pada
selang waktu satu hari ke depan dengan
tingkat kepercayaan 95%. Berdasarkan
penghitungan diperoleh volatilitas
perubahan kurs USD tersebut 0,5%, maka
kerugian potensial yang mungkin terjadi
pada selang waktu satu hari berikutnya
(dengan asumsi distribusi normal) adalah α
= 1,645, σ = 0,50%, P = USD 1.000.000,
maka nilai VaR 1,645 x 0,50% x USD
1.000.000 = USD 8.225 dari nilai USD
Bjb sebesar USD 1.000.000 pada tingkat
keyakinan 95% dalam selang waktu 24
jam ke depan. Untuk jangka waktu satu
bulan maka potensi kerugian maksimum
yang akan terjadi sebesar USD 45.050
(1,645x0,50%x1.0000.000x 30 ).
VaR untuk portofolio, nilai V0
disesuaikan dengan posisi portofolio
sesuai dengan jumlah instrumen yang
digunakan. Volatilitas portofolio, σp, harus
ditaksir sebagai berikut.
N N
 p  W12 12  W12 12   wi w j ij )
i 1 j 1
Dengan  ij = ρijσiσj, yaitu volatilitas
instrumen i dan instrumen j, ρij adalah
korelasi antara instrumen I dan instrumen
METODA PENELITIAN
Tahapan Pemodelan GARCH
Perhitungan Imbal Hasil Nilai Tukar
Mata Uang
Dalam melakukan pemodelan
keuangan, khususnya data runtun waktu,
pemodelan tidak dilakukan dengan
menggunakan harga instrumen, tetapi
dengan mengkonversi data harga tersebut
j. Nilai ρij terletak antara -1 dan 1 dengan
penjelasan sebagai berikut.
a. Nilai -1 menunjukkan bahwa
hubungan antar peubah berkorelasi
sempurna dan memiliki arah yang
berlawanan.
b. Nilai 1 menunjukkan bahwa
hubungan antar peubah berkorelasi
sempurna dan memiliki arah yang
sama.
c. Nilai 0 menunjukkan bahwa kedua
peubah tidak memiliki hubungan
sama sekali.
Value at Risk Filtered Historical
Simulation
Filtered Historical Simulation (FHS)
diperkenalkan pertama kali oleh Barone,
Adesi, Giannopoulos, dan Vosper (1999)
merupakan kombinasi volatilitas
kondisional dengan metode simulasi.
Volatilitas aset disimulasikan dari
kombinasi pemodelan GARCH
(parametric) dan imbal hasil portofolio
historis (non parametric). Dengan
mengkombinasikan prosedur bootstrap
model runtun waktu, dapat
mengimprovisasi estimasi VaR lebih baik
dan realistis. Perubahan harga t+1
tergantung dari volatilitas sekarang
berdasarkan sampel imbal hasil portofolio.
Dengan membagi residual historis imbal
hasil dengan volatilitas kondisional, di
dapatkan residual standardized imbal
hasil. Residual standardized imbal hasil ini
yang digunakan untuk simulasi sebagai
dasar untuk meramal harga dan imbal hasil
t+1.
menjadi suatu data runtun waktu imbal
hasil.
Logaritmik return atau geometric return
 Pt 
Rt = ln   x 100%

 t 1 
P
Pengujian Data Imbal Hasil Nilai Tukar
Mata Uang
Langkah pertama setelah
menghitung imbal hasil adalah menguji
sifat data imbal hasil. Sifat data yang diuji
berkaitan dengan stasioneritas, normalitas
dan heterokedastisitas dari data.
Pengujian Stasioneritas
Uji stasioner data imbal hasil,
dilakukan dengan menggunakan tes
augmented dickey fuller (ADF test) dengan
bantuan perangkat lunak eviews 6.0.
Pengujian Normalitas
Pengujian normalitas menggunakan
pengujian tes jarque berra (JB test)
dengan perangkat lunak e-views 6.0
berdasarkan skewness dan kurtosis.
Apabila persebaran data tidak mengikuti
distribusi normal, maka tingkat keyakinan
yang digunakan dalam perhitungan VaR
harus disesuaikan dengan cornish-Fisher
expansion (Jorion, 2007a, p. 273) sebagai
berikut.
α’ = α- 1/6 (α2 – 1)ξ
dengan: α’ = nilai tingkat keyakinan yang
telah disesuaikan
α = nilai tingkat keyakinan
dalam distribusi normal
ξ = koefisien skewness
Pengujian Heteroskedastik
Pengujian ini masih menggunakan
perangkat lunak e-views 6.0, yaitu
menggunakan uji white heteroskedasticity
dengan cross terms.
Tahapan Pemilihan Model GARCH
Terbaik
Setelah data tersebut disimpulkan
memiliki sifat heteroskedastik, maka
varian kondisionalnya dapat dimodelkan
ke beberapa klasifikasi GARCH untuk
memodelkan pengaruh galat kuadrat pada
periode-periode sebelumnya dan varian
kondisional pada periode-periode
sebelumnya terhadap varian kondisional
saat ini.
Enders (2004) menjelaskan tahapan
yang dilakukan dalam pemodelan ini
mengikuti prosedur yang diberikan Box-
Jenkins sebagai berikut.
1. Tahap identifikasi
Pada tahap ini dilakukan identifikasi
data runtun waktu yaitu menyelidiki
pengaruh-pengaruh lag pada data
tersebut. Hal ini dilakukan dengan
cara melihat nilai autocorrelation
(ACF) dan partial autocorrelation
function (PACF) yang melebihi
batasnya (spike) atau memiliki
probabilita <0,05.
2. Tahap estimasi
Setelah melakukan identifikasi
terhadap ordo-ordo dalam data
runtun waktu tersebut, tahap
selanjutnya adalah memodelkan
ARMA (pemodelan di tingkat rerata)
dan GARCH (pemodelan di tingkat
varian).
3. Tahap diagnostik (diagnostic
checking)
Tahap ini dilakukan menyelidiki
apakah pemodelan yang dilakukan
sudah tepat atau belum. Dengan cara
melihat tabel correlogram untuk
akar residu (squared residual) dari
pemodelan yang dilakukan di tahap
sebelumnya. Uji ini dikenal sebagai
Ljung Box Q statistics. Uji tersebut
adalah pengukuran keacakan
(randomness) sebuah runtun waktu,
yang menilai apakah terdapat
otokorelasi dalam data tersebut.
Selain itu digunakan untuk menguji
apakah data runtun waktu tersebut
sudah white noise atau belum.
Persamaannya adalah sebagai
berikut.
k  2j
QLB = T(T+2) 
j 1 T  J
Dengan τj adalah otokorelasi ke-j
dan T adalah jumlah observasi.
Pengujiannya serupa dengan
pengujian pada tahap identifikasi.
Apabila pengujian menolak statistik
Q, maka model tersebut tidak
memadai (datanya belum stasioner).
4. Tahap pemilihan model
 Pada tahap ini mencakup pemilihan
model terbaik berdasarkan kriteria-
kriteria sebagai berikut.
a. Akaike Information Criterion
(AIC) dan Scwarz Criterion
(SC)
Kriteria informasi, seperti AIC
dan SC, menjelaskan marginal
cost of information. Kriteria ini
digunakan sebagai panduan
dalam pemilihan model, yaitu
model dengan kriteria
informasi yang terkecil.
AIC = -2ι/T + 2k / T
SC = -2ι/T + (k logT)/T
Dengan ι =- T2 (1  log( 2 )  log  / T 
b. Kriteria-kriteria lain
Beberapa kriteria-kriteria lain
yang digunakan adalah nilai
log-likehood paling tinggi
(Junaidi, p. 113).
Tahap Pemodelan EWMA
Tahapan pemodelan ini sebagai berikut.
1. Menghitung decay factor optimal.
Decay factor optimal ditentukan
melalui perhitungan root mean
squared error (RMSE) minimum.
RMSE didapat secara trial and error
berdasarkan persamaan 2.3 dengan
rumus sebagai berikut.
RMSE =
1 T
T T 1

 rT 1   T21 T ( )
Hasil RMSE minimum akan
didapatkan decay factor optimal
sebagai parameter pemodelan
EWMA untuk ketiga mata uang.
2. Menghitung forecast variance.
Perhitungan forecast variance
berdasarkan persamaan sebagai
berikut.
12   t 12  (1   )rt 12
Tahap Pemodelan Volatilitas Monte
Carlo Simulation
Render menjelaskan tahapan dalam MCS
dapat dibagi menjadi 5 tahap (1998, p.
692) sebagai berikut.
1. Membuat distribusi probabilitas.
Salah satu cara umum yang
dilakukan untuk membuat distribusi
probabilitas suatu variabel adalah
mengamati data historis. Probabilitas
dari tiap data dapat diperoleh dengan
membagi frekuensi dengan jumlah
total observasi jika diasumsikan data
di masa lalu akan terjadi di masa
mendatang.
Tahap membuat distribusi
probabilitas sebagai berikut.
a. Menentukan batas maksimal
dan minimal data dari 267
data.
'
b. Menentukan interval kelompok
(bins). Dalam uji coba
menggunakan bins = 0.01 yang
batasannya adalah maksimal
dan minimal data sampling.
c. Menentukan jumlah sampling
yang masuk kelompok (bins).
2. Menyusun distribusi kumulatif untuk
tiap variabel.
3. Menyusun interval bilangan random.
a. Generate random numbers
sebanyak 10.000 simulasi.
b. Prosentase frekuensi kumulatif
dari data input (imbal hasil)
menjadi interval (bins).
4. Menghasilkan bilangan random.
Random number dikelompokkan ke
2 dalam bins.
 5. Mensimulasikan eksperimen.
a. Menentukan prediksi imbal
hasil masing-masing bins
yang merupakan perkalian
bins dengan frekuensi.
b. Menentukan mean dari imbal
hasil yang diharapkan yang
merupakan prediksi imbal
hasilt+1.
Pengujian Validitas Akurasi Volatilitas
Model
Dari hasil pengukuran volatilitas
dari ketiga model, validitas diuji dengan
menggunakan backtesting tes Kupiec
mixed. Tahapan-tahapan dalam
menghitung backtesting tes Kupiec mixed
sebagai berikut.
a. Menghitung tes kupiec berdasarkan
persamaan dengan rumus sebagai
berikut.
 
 
 1  p  p x 
N x
LRPoF  2 ln  N x x 
x adalah banyaknya eksepsi yang terjadi, v
 1  x   x   adalah banyaknya hari saat terjadi
 
 N   N   eksepsi untuk pertama kali,
N adalah total observasi sampel, x sedangkan vi adalah banyaknya hari
adalah banyaknya eksepsi, antara eksepsi i dan i-1.
sedangkan p adalah the proportion of c. Menghitung tes Kupiec mixed
failure estimate = 0,05. berdasarkan persamaan dengan
b. Menghitung tes Haas dengan rumus rumus sebagai berikut.
sebagai berikut. LRMix = LRPoF + LRHaas

  
pt*1  pt  pt (ˆrt  ˆzt*  zt*1 )
    
  
x
  p1  p  vi 1   p1  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.

HASIL PENELITIAN dan Pengujian Stasioneritas

PEMBAHASAN
Data imbal hasil kurs mata uang AUD,
EUR, dan USD untuk periode 1 Januari
2010 – 28 Februari 2012 (283 hari) melalui
tahap pengujian sebagai berikut.
Pengujian stasioneritas menggunakan
uji ADF. Tujuannya adalah menyelidiki
apakah data imbal hasil tersebut sudah
stasioner atau belum. Dengan
menggunakan fasilitas e-views 6.0, hasil
pengujian dapat dijelaskan sebagai berikut.

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

Pengujian Normalitas dengan rumus perhitungan (α’) sebagai

Tes normalitas adalah suatu cara berikut.
α’ = α -  2  1
untuk menentukan apakah data tersebut 1
memiliki distribusi normal atau tidak. 6
Apabila distribusi hasil tes ternyata  = koefisien skewness
normal, maka α yang digunakan adalah α α = tingkat kepercayaan
sesuai tabel z-score. Sedangkan apabila
hasil ternyata menunjukkan distribusi tidak Dari hasil pengolahan data software e-
normal maka α yang digunakan adalah views 6.0 didapatkan hasil sebagai berikut
hasil perhitungan cornish fisher expansion
(α’=alpha prime) (Jorion, 2007, p. 273)

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

Berdasarkan tabel diatas, ketiga imbal distribusi tidak normal sehingga

hasil AUD, EUR dan USD memiliki perhitungan alpha sebagai berikut.
 1

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

Sumber: hasil olahan penulis

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

Sumber: hasil olahan penulis

Ekonometri klasik selalu mengasumsikan ekonometri runtun waktu (time series),

bahwa heteroskedastik sebagai suatu
permasalahan dalam pemodelan
ekonometri. Namun dalam pandangan
penelitian. Pola data dapat terjadi yang
dimaksud adalah stylized facts, khususnya
volatility clustering yaitu karakteristik data
yang menunjukkan adanya
pengelompokkan data dengan varian yang
tinggi maupun varian yang rendah.
Volatilitas ketiga data imbal hasil tersebut
juga menunjukkan bahwa pola volatilitas
suatu data dapat dimodelkan sesuai dengan
pola data yang terjadi selama observasi
tidak bersifat konstan sepanjang waktu
observasi dan terjadi pergerakan bersama
antara ketiga data imbal hasil tersebut.
Oleh sebab itu, walaupun R_EURIDR
diduga bersifat homoskedastik,
volatilitasnya dapat ditaksir dengan
menggunakan EWMA, GARCH dan
MCS.

Pemodelan Pengukuran Volatilitas yang memberikan informasi bahwa tidak

GARCH ada signifikansi autokorelasi dengan
Pemodelan volatilitas GARCH tingkat keyakinan 95% dan nilai
mengikuti tahap-tahap yang telah probabilitas Q-statistik lebih besar dari
dijelaskan pada metodologi, pemodelan significance level 5% (lihat dimulai dari
yang baik adalah memiliki log-likelihood lampiran 3). Dengan demikian sudah tidak
terbesar, AIC dan SC minimum serta terdapat lagi ARCH/ GARCH error dari
bebas dari unsur autokorelasi. Hal ini varian kondisional residual tersebut.
terlihat pada correlogram of residual dan Berikut adalah mean kondisional dan
correlogram residual squared Q-statistic
varian kondisional imbal hasil ketiga nilai tukar mata uang AUD, EUR dan USD.

Tabel V
Mean dan Varian Kondisional Nilai Tukar Mata Uang

No Imbal Hasil P-Values Log Likelihood AIC SIC

AR 0,908098 0,0000
Mean Kondisional
MA -0,9913100,0000
GARCH (1,1) ω 2,12E-05 0,0001
1 R_AUDIDR 951,47 -6,705 -6,63
AR(1) MA(1) α 0,426331 0,0000
Varian Kondisional
γ
β 0,381477 0,0001
AR
Mean Kondisional
MA -0,028810 0,5763
IGARCH (1,1) ω
2 R_EUDIDR 994,35 -7,013 -6,987
MA(1) α 0,039942 0,0067
Varian Kondisional
γ
β 0,960058 0,0000
AR
Mean Kondisional
MA -0,220405 0,0003
TARCH (1,1,1) ω 2,09E-06 0,0001
3 R_USDIDR 1202.49 -8,463 -8,398
MA(1) α 0,913490 0,0000
Varian Kondisional
γ 0,588068 0,0015
β 0,414160 0,0000
Sumber: hasil olahan penulis

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.

Pemodelan Pengukuran Volatilitas EWMA

Pengukuran volatilitas dengan EWMA kurang dari satu (λ<1) agar model
bergantung pada penentuan nilai λ yang pengukuran menjadi stasioner dan tidak
akan digunakan. Decay factor merupakan memiliki masalah persisten yaitu
smoothing constant yang nilainya berkisar kecepatan varian untuk kembali ke nilai
antara 0-1, namun nilai decay factor harus jangka panjangnya setelah terjadi
guncangan atau shocks (Jorion 2007b, p. memasukkan nilai λ yang berbeda-beda
340). Berdasarkan hasil uji coba dengan didapatkan hasil RMSE terkecil pada tabel
dengan menggunakan trial and error sebagai berikut.

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

Pemodelan Volatilitas Monte Carlo Simulation

Dalam melakukan pengukuran volatilitas
menggunakan MCS, tahapan yang
dilakukan adalah melakukan prediksi
imbal hasil hari-268 berdasarkan data
imbal hasil t1-t267 dan seterusnya sampai di
dapatkan 283 imbal hasil yang diharapkan
untuk tanggal 3 Januari 2011 sampai
dengan 28 Februari 2012 yang merupakan
periode peramalan imbal hasil.

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
keakuratan dari volatilitas model VaR.
Untuk itu terlebih dahulu perlu diperiksa
apakah terjadi suatu eksepsi atau tidak. Hal
ini dilakukan dengan cara membandingkan
nilai hypothetical profit/loss (P/L) dengan
estimasi value at risk (VaR). Apabila nilai
P/L > VaR atau -P/L > -VaR maka eksepsi
terjadi. Terjadinya eksepsi pada ketiga
nilai tukar mata uang AUDIDR, EURIDR
dan USDIDR dapat diringkas pada tabel
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

Pengujian Validitas Keakuratan Volatilitas Model

backtesting Kupiec mixed sebagai berikut.

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.

Estimasi VaR Portofolio Filtered Historical Simulation

Sebagaimana yang telah dijelaskan pada independent and identically distributed

backtesting kupiec mixed, model GARCH (IID) sebagai solusi penyempurnaan
telah membuktikan bahwa model valid dan historical simulation yang digunakan Bjb
akurat untuk ketiga nilai tukar mata uang. saat ini.
Selanjutnya akan diestimasi nilai VaR Dari hasil peramalan imbal hasil
portofolio dari ketiga nilai tukar tersebut tersebut, dikalikan dengan posisi aset, lalu
dengan menggunakan volatilitas GARCH. disimulasikan sampai 5.000 simulasi.
Salah satu tujuan estimasi hasil VaR Selanjutnya dihitung perubahan nilai
portofolio adalah untuk mengetahui portofolio sekarang dengan nilai portofolio
besarnya beban modal cadangan yang awal t+1 (value change). Dengan
harus disediakan oleh Bjb. Di dalam mengurutkan dari yang terkecil (nilai yang
perhitungan VaR portofolio, penulis paling rugi) sampai dengan yang terbesar,
mengusulkan penerapan metode FHS pada nilai VaR portofolio dihitung dari nilai
perhitungannya. Metode FHS lebih persentil sesuai dengan tingkat keyakinan
realistis dan mampu menghasilkan residual
95%, didapati estimasi VaR portofolio
sebesar Rp797.083.763.
Analisis Data Empirik
Secara keseluruhan, pengujian nilai
tukar mata uang asing R_AUDIDR dan
R_USDIDR memiliki sifat
heteroskedastik, sedangkan R_EURIDR
memiliki sifat homoskedastik. Tetapi
R_EURIDR dapat dimodelkan dengan
menggunakan EWMA, GARCH dan
MCS. Dalam GARCH sendiri R_EURIDR
memiliki taksiran parameter yang
Tabel X
Ringkasan Decay Factor
R_AUDIDR R_EURIDR R_USDIDR
0,96 0,94
Sumber: hasil olahan penulis
Dalam uji backtesting untuk menilai
keakuratan validitas model dengan
menggunakan Kupiec mixed (kombinasi
tes kupiec dan haas), R_USDIDR belum
tepat digunakan pada pemodelan EWMA,
sedangkan R_AUDIDR dan R_EURIDR
belum tepat digunakan pada pemodelan
Implikasi Manajerial
Relevansi volatilitas bergantung pada sifat
dari volatilitasnya, volatilitas berfluktuasi
dengan cara yang dapat diukur
(forecastable) maka volatilitas dapat
berguna untuk manajemen risiko.
Kemampuan volatilitas untuk diukur
bervariasi tergantung pada horison waktu.
Dalam horison waktu yang lebih panjang
kemampuan volatilitas akan menurun
drastis untuk diukur. Dengan demikian,
meskipun pengukuran volatilitas relevan
signifikan secara statistik. Hal ini
didasarkan atas argumen bahwa model
EWMA, GARCH dan MCS merupakan
dasar dari ketiga metode yang diteliti.
Argumen lainnya adalah uji backtesting
relatif sulit dilakukan pada nilai tukar EUR
tersebut.
Decay factor untuk ketiga nilai tukar
mata uang berbeda-beda, hal ini
membuktikan decay factor J.P Morgan
sebesar 0.94 belum tentu mencerminkan
karakteristik Bank Bjb. Ringkasan decay
factor sebagai berikut.
0,57
MCS. GARCH memiliki kinerja yang
lebih baik untuk ketiga nilai tukar.
Penerapan FHS pada VaR portofolio
dari ketiga nilai tukar mata uang
memberikan estimasi sebesar
Rp797.083.763. Hal ini memberikan
informasi beban modal atau cadangan
yang harus disediakan oleh Bjb.
bagi pihak manajemen dalam jangka
pendek, namun menjadi kurang penting
dalam jangka panjang (Christoffersen &
Diebold, 2000).
Penggunaan portofolio dan pengaruh
diversifikasi dalam perbankan bukanlah
suatu jaminan terhadap terhindarnya
kerugian tertentu. Seperti yang dinyatakan
Bernstein (1996) bahwa diversifikasi
hanya menjamin seluruh instrumen tidak
hilang dalam satu waktu.
SIMPULAN dan SARAN
Simpulan
Berdasarkan temuan dari hasil penelitian,
maka dapat disimpulkan pemodelan
volatilitas EWMA kurang tepat untuk
menggambarkan volatilitas imbal hasil
kurs nilai tukar di Bjb. Model yang lebih
cocok untuk menggambarkan volatilitas
kurs nilai tukar di Bjb menggunakan
volatilitas GARCH. Model GARCH
mampu mengakomodasi kriteria suatu
model VaR yang akurat, efisien, dan
konservatif.
Penentuan model GARCH sebagai
model yang berkinerja baik dibandingkan
dengan EWMA dan MCS didasarkan pada
evaluasi model dengan menggunakan
backtesting Kupiec mixed.
Dalam melakukan penaksiran
volatilitas pemodelan GARCH memiliki
Saran kepada Manajemen Bjb, Praktisi
Keuangan dan Perbankan Indonesia
1. Saran yang dapat diusulkan kepada
manajemen Bjb adalah decay factor
pada pemodelan EWMA untuk
kedua nilai tukar R_AUDIDR dan
R_USDIDR memiliki decay factor
yang bervariasi sehingga tidak bisa
langsung diterapkan menggunakan
decay factor 0.94 seperti yang
direkomendasikan J.P Morgan.
2. Bjb, bank devisa dengan skala kecil,
menengah dan besar maupun
DAFTAR PUSTAKA
Alexander, Gordon. (2009). From
markowitz to modern risk
management, The European Journal
of Finance, Vol.15, Nos.5-6 July –
September 2009, 451-461.
Alexander, Carol. (2008). Market risk
analysis IV, value-at-risk models,
John Wiley & Sons, Inc.
spesifikasi model yang lebih rumit
dibandingkan dengan EWMA yang hanya
menggunakan satu parameter saja.
Pemodelan volatilitas MCS membutuhkan
jangka waktu yang panjang dalam
implementasinya.
Estimasi nilai VaR portofolio
dengan menggunakan FHS sebesar
Rp797.083.763. Hal ini memberikan
informasi cadangan atau beban modal
yang harus disediakan oleh Bjb.
Penelitian ini dibatasi hanya pada
risiko pasar saja. Dalam realitanya,
penyediaan cadangan modal yang
dilakukan bank, harus memperhitungkan
juga VaR dari risiko kredit dan risiko
operasional.
institusi keuangan lainnya yang
menggunakan pemodelan volatilitas
EWMA, disarankan melakukan
penelitian terlebih dahulu penerapan
pemodelan volatilitas GARCH
dengan mengkaji lebih dalam
mengenai berbagai kemungkinan
karakteristik transaksi yang
dilakukan serta memperhitungkan
berbagai kondisi pasar yang
mungkin terjadi.
Backus, Gregory. (1993). Theoritical
relation between risk premiums and
conditional variances, Journal of
Business & Economic Statistics, Vol
11, no.2.
Balaban, E., Bayar, A., and Faff, R.
(2002). Forecasting stock market
volatility: evidence from fourteen
countries. University of Edinburgh,
 Center for Financial Market
Research, working paper, 2002:04.
Bank Indonesia, (2003). PBI No.
5/8/PBI/2003: Penerapan
manajemen risiko bagi bank umum.
Bank Indonesia, (2005). PBI No.
7/3/PBI/2005: Posisi devisa netto bank
umum.
Bank Indonesia, (2006). Implementasi
Basel II di Indonesia. Availabe at
http://www.bi.go.id/id/perbankan/im
plementasi-
basel/dokumentasi/Documents/585a
12be8df34e94a4f53bfe2b59029dImp
lementasiBaselIIdiIndonesia.pdf
Bank Indonesia, (2013). Booklet
Perbankan Indonesia. Available at
http://www.bi.go.id/id/publikasi/perb
ankan-dan-stabilitas/booklet-
bi/Documents/71d37a10007f4457b1
92adb4c5a0bb97BPI2013Indonesia.
pdf
Barone-Adesi., Giannopoulos, K., and
Vosper, Les. (1999). VaR without
correlations for portfolios of
derivative securities, London.
Basle Committee of Banking Supervision.
(1996). Supervisory framework for
the use of “backtesting” in
conjunction with the internal models
approach to market risk capital
requirements. Available at
www.bis.org
Basel Committee on Banking Supervision
(2005). Amendment to the capital
accord to incorporate market risks.
Basel Commitee. (2006). International
convergence of capital measurement
and capital standards. Availabe at
http://www.bis.org/publ/bcbs128.pdf
Bernstein, Peter L.(1996). The new
religion of risk management,
Harvard Business Review March-
April, 96203:3-6.
Berkowitz, J., and O’Brien, J. (2002). How
accurate are value-at-risk models at
commercial banks? Journal of
Finance, Vol. 5, 2002.
Bollerslev, Tim.(1986). Generalized
autoregressive conditional
heteroskedasticity, Journal of
Econometrics, 31, 307-27.
Brooks, Chris. (2008). Introductory
econometrics for finance, 2nd
edition, Cambridge: Cambridge
Universtity Press, 2008.
Campbell, J.Y. (1988). Stock prices,
earnings, and expected dividends,
Journal of Finance 43:661-676.
Campbell, S. (2005). A review of
backtesting and backtesting
procedure, Finance and Economics
Discussion Series, Divisions of
Research & Statistics and Monetary
Affairs, Federal Reserve Board,
Washington D.C.
Christoffersen, P.F. (1998, November).
Evaluating interval forecast, McGill
University, Canada, published in:
International Economic Review, Vol.
39 No.4.
Christoffersen, P. F., and Diebold. F. X.
(2000). How relevant is volatility
forecasting for financial risk
management? The Review of Economics
and Statistics, 82:1,12-22.
Chistodoulakis, George, Stephen Satchell
(2008). The analytics of risk model
validation, Elsevier.
Clewlow, L., and Strickland, C. (2000).
Energy derivatives: pricing and risk
management, Lacima Group, Texas.

Danielsson, Jon. (2011). Financial risk
forecasting, John Wiley & Sons.
Djati, B.S Lelono. (2007). Simulasi teori
dan aplikasinya, Andi Penerbit.
Dowd, Kevin. (2005). Measuring market
risk (2nd edition). Wiley
Dowd, Kevin. (2006a). Beyond value at
risk: the new science of risk
management, John Wiley & Sons
Ltd.
Dowd, Kevin. (2006b). Retrospective
assessment of value-at-risk. risk
management: a modern perspective,
pp. 183-202, San Diego, Elsevier.
Ding, Z., Engle, R. F., and Granger,
C.W.J. (1993). Long memory
properties of stock market returns
and a new model. Journal of
empirical finance, 1, 83 – 106.
Ding, Jie., and Meade, Nigel. (2010).
Forecasting accuracy of stochastic
volatility, GARCH and EWMA
models under different volatility
scenarios, Applied Financial
Economics, 2010, 20, 771–783.
Eviews 6 user’s guide. (2007).
Quantitative micro software, LLC,
USA, Management.
Engle, Robert. F. (1982). Autoregressive
conditional heteroscesdascity with
estimates of United Kingdom
inflation, Econometrica; 50/4, 987-
1007.
Engle, Robert. F., and Bollerslev, T.
(1986). Modelling the persistence of
conditional variances, Econometrics
Reviews, vol.5, 1-50, 81-87.
Engle, Robert. F., and Gizyki. (1999).
Conservatism, accuracy and
efficiency: comparing value at risk
model, Reserve Bank of Australia.
Engle, Robert.F. (2001). The use of
ARCH/ GARCH models in applied
econometrics. Journal of Economic
Perspective. Volume 15, Number 4,
pp 157-168.
Enders, Walter. (2004). Applied
nd
econometric time series 2 ed., John
Wiley & Sons, Inc.
Engle, Robert. F. (1995). “ARCH selected
readings, Oxford University Press,
New York.
Engle, R.F., Lilien, D., and Robins, P.
(1987). Estimating time varying risk
premia in the term structure: The
ARCH-M model, Journal
Econometrics, Vol 55, p.3.
Figlewski, Stephen. (2004). Forecasting
volatility, working paper,
(http://citeseerx.ist.psu.edu/viewdoc/
download?doi=10.1.1.125.6925&rep
=rep1&type=pdf)
Finger, C. (2005). Back to backtesting,
Research Monthly, May 2005,
RiskMetrics Group.
Galdi., and Pereira. (2007). Value at Risk
(VaR) using volatility forecasting
models: EWMA, GARCH and
stochastic volatility, Brazilian
Business Review, Vol. 4, No. 1 Jan/
Apr 2007 pp. 74-94. Vitória-ES,
Brazil.
Haas, M. (2001). New methods in
backtesting, Financial Engineering,
Research
Center Caesar, Bonn.
Hartono, Jogiyanto. (2010). Teori
portofolio dan analisis investasi,
BPFE Yogyakarta.
Hendricks, Darryll. (1995). Evaluation of
value-at-risk models using historical
data, Federal Reserve Bank of New
York Economic Policy Review.
Holton, Glyn, A. (2004). Defining risk,
Financial analyst journal, 60:19-25
Jorion, Philippe. (2001). Value at risk,
Second Edition, MacGraw-Hill.
Jorion, Philippe. (2007a). Value at risk:
The new benchmark for managing
financial risk. (3rd ed). New York:
McGraw-Hill/Irwin.
Jorion, Philippe. (2007b). Financial Risk
Manager Handbook. (4th ed), John
Wiley & Sons, Inc, New Jersey.
Morgan, J.P. (1996). Riskmetrics-
technical manual. New York: JP
Morgan & Co.
Nachrowi, D. N., and Usman, H. (2006).
Pendekatan Populer dan Praktis
Ekonometrika untuk Analisis
Ekonomi dan Keuangan, LP FEUI.
Juanda., and Junaidi. (2012).
Ekonometrika deret waktu, teori dan
aplikasi, IPB Press.
Lopez, J. (1998). Methods for evaluating
value-at-risk estimates, Economic
Policy Review, October 1998, 119-
64.
Lopez, J. (1999). Regulatory evaluation of
value-at-risk models, Journal of Risk
1, 37-64
Thomas, J. Kaikay. (2004). Pengantar
sistem simulasi, Andi penerbit.
Kupiec, P. (1995). Techniques for
verifying the accuracy risk
measurement model, The Journal of
Derivatives, Vol. 2 (Desember),
Hlm. 74-84.
McCullogh, B,D., and Vinod, H.D. (2003).
Econometrics and software, Journal
of Economic Perspective, 17(1):
223-224.
Minkah, Richard. (2007). Forecasting
volatility, Uppsala University.
Available at
http://www2.math.uu.se/research/pu
b/Minkah1.pdf
Nachrowi, D. N., and Usman, H. (2006).
Pendekatan populer dan praktis
ekonometrika untuk analisis
ekonomi dan keuangan, LP FEUI,
Jakarta.
Nelson, D.B. (1991). Conditional
heteroskedasticity in asset returns: a
new approach, Econometrica, Vol.
59, pp. 347-70.
Nieppola, Olli. (2009). Backtesting value-
at-risk models. Department of
Economics- Helsinki School of
Economics.
Pindyck, Robert, S., and Rubinfeld, L.
Daniel. (1998). Econometric models
and economic forecast, The
McGraw-Hill Companies.
Poon, Ser-Huang., and Granger, W.J,
Cliff. (2003). Forecasting volatility
in financial market: A review,
Journal of Economic Literature,
41:478-539.
Poon, Ser-Huang., and Granger, W.J,
Cliff. (2005). Practical issues in
forecasting volatility. Financial
Analyst Journal, 61:1, 45-56.
Rabemananjara, R., and Zakoian. J. M.
(1993). Threshold ARCH models
and asymmetries in volatility."
 Journal of Applied Econometrics,
Vol. 8, 31-49.
Render, Barry, Jr., and Stair, Ralph. M.
(1997). Quantitative analysis for
management, Prentice-Hall, Inc,
New Jersey.
Rubinstein. R.Y. (1981). Simulation and
the monte carlo method, John Wiley
& Sons.
Rosadi, Dedi. (2012). Ekonometrika &
analisis runtun waktu terapan dengan
eviews, Andi Publisher.
volatility forecasting.
Handelsbanken Research
Foundation, working paper.
Tsay., Wen-Jen., and Ching-Fan Chung.
(2000). The spurious regression of
fractionally integrated processes,
Journal of Econometrics 96, 155-
182.
Virdi, Navneet Kaur. (2011). A Review of
Backtesting Methods for Evaluating
Value-at-Risk, International Review
of Business Research Papers Vol. 7.
No. 4. July 2011 Pp. 14-24.

Rosenblatt. M. (1952, Sept). Remarks on Wang, Kent. (2010). Forecasting

a multivariate transformation, The
Annals of Mathematical Statistics
Vol.23 No. 3, pp.470-472.
Saita, F. (2007). Value at risk and bank
capital management: risk adjusted
performance, capital management,
and capital allocation decision
making. Oxford: Elsevier.
volatilities in equity, bond and
money markets: A market-based
approach, Australian Journal of
Management; Aug 2010; 35, 2.
Watsham., Terry J., and Parramore, K.
(1997). Quantitative methods in
finance, First Edition, Thompson
Learning.

Sauders, Anthony. (2000). Financial Zakoian, J. M. (1994). Threshold

institutions management – A modern heteroskedastic models, Journal of
perspective. Ed-3, McGraw-Hill, Economic Dynamics and Control,18
New York. (1994): 931-955.

SAS Institute. (1999). GARCH, IGARCH,

EGARCH, and GARCH-M Models.
SAS Institute Inc. North Carolina.

Sentana, E. (1995). Quadratic ARCH

models, Review of Economic Studies
62, 639–661.

Spiegel, M. R., Schiller, J. J., &

Srinivasan, R. A. (2000). Schaum’s
Outline ofTheory and Problems of
Probability and Statistics. (2nd ed.).
New York:
McGraw-Hill/Irwin.

Starica, C., Herzel, S., and Nord, T. (2006,

February). The impact of the
IGARCH effect on longer-horizon