Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/5060409
KUTIPAN MEMBACA
26 1,444
2 penulis, termasuk:
Teodosii Rachev
Universitas Stony Brook
366 PUBLIKASI 8.782 KUTIPAN
LIHAT PROFIL
Penetapan Harga Aset Dinamis dengan Adanya Pedagang yang Terinformasi Lihat proyek
1
1 Pendahuluan: VAR dan Persyaratan
Kapitalisasi Bank yang Baru untuk Risiko
Pasar
Salah satu tugas terpenting lembaga keuangan adalah mengevaluasi
eksposur terhadap risiko pasar, yang timbul dari variasi harga ekuitas,
komoditas, nilai tukar, dan suku bunga. Ketergantungan terhadap risiko pasar
dapat diukur dari perubahan nilai portofolio, atau keuntungan dan kerugian.
Metodologi yang umum digunakan untuk estimasi risiko pasar adalah Value
at Risk (VAR).
Regulator dan komite penasihat industri keuangan merekomendasikan
VAR sebagai cara pengukuran risiko. Pada bulan Juli 1993, Group of Thirty
pertama kali menganjurkan pendekatan VAR dalam studi "Derivatif:
Practices and Principles"1 . Pada tahun 1993, Uni Eropa menginstruksikan
pengaturan cadangan modal untuk menyeimbangkan risiko pasar dalam
Petunjuk Kecukupan Modal (Capital Adequacy Directive) \EEC 6-93\, yang
mulai berlaku sejak Januari 19962 . Hal ini merupakan perbaikan dari
Kesepakatan Kecukupan Modal G10 tahun 1988, yang berpusat pada risiko
kredit dan tidak mempertimbangkan risiko pasar secara rinci.3 .
Pada tahun 1994, Bank for International Settlements dalam laporan Fisher
menyarankan pengungkapan angka-angka VAR4 . Dalam proposal April 1995
"Perlakuan Pengawasan terhadap Resiko Pasar", Komite Basel untuk
Pengawasan Perbankan menyarankan agar bank-bank dapat menggunakan
model estimasi VAR internal mereka sebagai dasar perhitungan kebutuhan
modal5 . Pada bulan Januari 1996, Komite Basle mengamandemen Basle
Capital Accord tahun 19886 . Suplemen tersebut menyarankan dua
pendekatan untuk menghitung cadangan modal untuk risiko pasar: \"standar"
dan "model internal"7 . Menurut pendekatan model internal, kebutuhan modal
dihitung dengan mengalikan nilai VAR bank dengan faktor antara tiga dan
empat. Pada bulan Agustus 1996, regulator bank AS mengesahkan
amandemen Komite Basel8 . Federal Reserve Bank memberikan waktu dua
tahun untuk penerapannya. Proposal ini berlaku efektif mulai Januari 19989 .
Komisi Sekuritas dan Bursa AS menyarankan untuk menerapkan VAR untuk
meningkatkan transparansi dalam aktivitas derivatif. Derivatives Policy Group
juga telah merekomendasikan teknik VAR untuk mengukur risiko pasar10 .
Penggunaan model VAR berkembang pesat. Institusi keuangan dengan
volume perdagangan dan investasi yang signifikan menggunakan metodologi
VAR dalam operasi manajemen risiko mereka11 . Pada bulan Oktober 1994,
JP Morgan meluncurkan sistem estimasi VAR12 , RiskMetricsTM . Credit Swiss
First of Boston mengembangkan
1
Kupiec (1995/1996/1997); Simons (1996); Fallon (1996); Liu (1996).
2
Liu (1996).
3Jackson, Maude, dan Perraudin (1996 dan 1997).
4Hendricks (1996/1997).
5
Kupiec (1995/1996/1997); Jorion (1996a); Beder (1995/1997).
6
Komite Basel untuk Pengawasan Perbankan (1996).
7
Simons (1996); Jackson, Maude, dan Perraudin (1997); Hopper (1996/1997).
8Lopez (1996).
2
9 Hendricks dan Hirtle (1997).
10
Kupiec (1995/1996/1997).
11
Heron dan Irving (1997); The Economist (1998).
12
JP Morgan (1995).
3
oped milik Primerisk dan PrimeClear (Maret 1997). Produk Chase Manhattan
disebut Charisma. Bankers Trust memperkenalkan RAROC pada bulan Juni
1996. Deutsche Bank menggunakan dbAnalyst 2.0 sejak Januari 1995.
Perusahaan-perusahaan menggunakan angka VAR untuk pelaporan risiko
kepada manajemen, pemegang saham, dan investor karena ukuran VAR
memungkinkan untuk menggabungkan eksposur risiko pasar menjadi satu
angka dalam bentuk uang. Hal ini memungkinkan untuk menghitung VAR
untuk segmen pasar yang berbeda dan untuk mengidentifikasi posisi yang
paling berisiko. Estimasi VAR dapat melengkapi alokasi sumber daya modal,
penetapan batas posisi, dan evaluasi kinerja13 . Di banyak bank, evaluasi dan
kompensasi pedagang berasal dari pengembalian per unit VAR. Perusahaan-
perusahaan non-keuangan menggunakan teknik VAR untuk mengungkap
eksposur mereka terhadap risiko-risiko keuangan, untuk mengestimasi risiko
dari hutang kas mereka, dan untuk mengambil keputusan lindung nilai.
Pelopor penerapan analisis VAR untuk memperkirakan risiko pasar oleh
p e r u s a h a a n non-keuangan adalah dua konglomerat Jerman, Veba dan
Siemens14 . Perusahaan minyak Norwegia, Statoil, menerapkan sebuah
sistem, yang menggabungkan metodologi VAR15 . Perusahaan melakukan
lindung nilai posisi untuk "membeli asuransi" terhadap risiko pasar. Implikasi
menarik dari VAR adalah sebagai instrumen untuk asuransi mandiri
perusahaan16 . VAR dapat dijelaskan sebagai jumlah kerugian yang tidak
diasuransikan yang diterima perusahaan. Jika kerugian yang diasuransikan
sendiri lebih besar daripada biaya asuransi dengan lindung nilai, perusahaan
harus membeli asuransi eksternal. Para analis investasi menggunakan teknik
VAR dalam penilaian proyek17 . Investor institusional, misalnya, dana
pensiun, menggunakan VAR untuk mengukur risiko pasar.
Persyaratan modal risiko pasar yang baru mulai berlaku sejak Januari
1998. Standar modal AS untuk risiko pasar sangat penting bagi bank-bank
yang memiliki akun perdagangan (aset dan kewajiban) lebih besar dari $1
miliar atau 10 persen dari total aset18 . Meskipun demikian, regulator dapat
menerapkan standar ini pada bank-bank dengan akun trading yang lebih
kecil. Persyaratan modal risiko pasar memungkinkan untuk menghitung
cadangan modal berdasarkan metode "standar" atau "model internal".
Metode standar menghitung biaya modal secara terpisah untuk setiap pasar
(negara) yang menetapkan persentase ketentuan untuk eksposur yang
berbeda untuk risiko ekuitas, suku bunga dan mata uang.19 . Total biaya
modal sama dengan jumlah kebutuhan modal pasar. Kelemahan utama dari
pendekatan "standardized" adalah bahwa pendekatan ini tidak
mempertimbangkan efek diversi kasi global20 . Pendekatan kedua
menentukan cadangan modal berdasarkan model VAR internal. Nilai-nilai VAR
harus dihitung dengan horison waktu 10 hari pada tingkat keyakinan 99
persen dengan menggunakan data setidaknya satu tahun21 .
13
Liu (1996); Jorion (1996a).
14Priest (1997a dan 1997b).
15Hiemstra (1997).
16
Shimko (1997a).
17
Shimko (1997b).
18
Hendricks dan Hirtle (1997).
4
19Contoh: Cadangan modal yang diperlukan untuk posisi di pasar AS mengakui lindung
nilai dengan instrumen AS tetapi tidak mempertimbangkan lindung nilai dengan instrumen
Inggris.
20Dengan kata lain, metode "standar" mengabaikan korelasi antar pasar di berbagai
5
Persyaratan modal yang baru mengklasifikasikan risiko pasar menjadi
risiko pasar umum dan risiko khusus. Risiko umum adalah risiko dari
perubahan tingkat harga ekuitas dan komoditas secara keseluruhan, nilai
tukar dan tingkat suku bunga. Risiko spesifik adalah risiko dari perubahan
harga suatu sekuritas yang disebabkan oleh alasan-alasan yang terkait dengan
penerbit sekuritas tersebut.
Persyaratan modal untuk risiko pasar umum adalah sebesar maksimum:
(i) nomor VAR saat ini (VARt ) dan
Ct = At maksimal
( X60
1
t i
VARt )+ St ;
VAR
60
i=1
di mana At adalah faktor perkalian antara tiga dan empat, St adalah biaya
modal untuk risiko spesifik.
Nilai At bergantung pada akurasi model VAR pada periode sebelumnya22 .
Dinotasikan dengan K, berapa kali kerugian aktual harian melebihi nilai VAR
yang telah ditentukan sebelumnya selama satu tahun terakhir, atau 250 hari
perdagangan terakhir23 . Regulator membagi rentang nilai K menjadi tiga
zona: zona hijau (K 4), zona kuning (5 K 9), dan zona merah (K 10)24 . Jika
K berada dalam zona hijau, maka At = 3. Jika K berada dalam zona kuning,
3 < At < 4, di zona merah, At = 4.
Ukuran AVAR adalah kerugian tertinggi yang mungkin terjadi selama
periode waktu tertentu pada tingkat konsistensi tertentu. Contoh: VAR harian
untuk portofolio aset tertentu dilaporkan sebesar $2 juta pada tingkat
keyakinan 95 persen. Nilai VAR ini berarti bahwa, tanpa perubahan mendadak
pada kondisi pasar, kerugian satu hari akan melebihi $2 juta sebanyak 5
persen.
Secara formal, VAR = VARt; ditetapkan sebagai batas atas dari
interval konvergensi satu sisi:
P r[ P ( ) < V AR]=1 (1)
dimana adalah tingkat kon disi dan P ( ) = Pt ( ) adalah perubahan relatif
(return) dalam nilai portofolio selama horison waktu .
Pt ( ) = P (t + ) P (t);
22
Regulator merekomendasikan untuk menggunakan horison waktu 10 hari (dua minggu)
dalam estimasi VAR. Untuk pengujian ulang, regulator menggunakan = 1 hari.
23
Untuk penjelasan lebih rinci mengenai jangka waktu dan panjang jendela, lihat juga bagian
3.3 dan 3.4.
6
24
Dinyatakan dengan K^, fraksi hari, ketika kerugian yang diamati melebihi estimasi VAR. Jika
K = 10, maka K^ adalah 10 = 250 = 0.04. Namun, tingkat keyakinan 99% menyiratkan
probabilitas
0,01 untuk melebihi estimasi VAR dari kerugian harian.
7
where P (t + ) = log S(t + ) is the log-spot value at t + ; P (t) = log S(t), S(t)
is the portfolio value at t, the time period is [t; T ], with T t = , and t is the
current time.
Horison waktu, atau periode kepemilikan, harus ditentukan dari likuiditas
aset dan aktivitas perdagangan. Tingkat konsistensi harus dipilih untuk
memberikan nilai VAR yang jarang melebihi.
Pengukuran VAR digunakan secara luas oleh entitas keuangan, regulator,
perusahaan non-keuangan, dan investor institusi. Jelas, VAR sangat penting
bagi para praktisi dan akademisi. Tujuan dari makalah ini adalah untuk
meninjau pendekatan terbaru untuk VAR dan untuk menguraikan arah untuk
studi empiris dan teoritis baru.
Pada Bagian 2 kami membahas pendekatan tradisional untuk
memperkirakan dis- tribusi perhitungan P dan VAR. Bagian 3 menganalisis
komponen-komponen metodologi VAR. Bagian 4 melaporkan kekuatan dan
kelemahan VAR. Bagian
Bagian 5 menyajikan kemajuan VAR terkini. Bagian 6 menyatakan kesimpulan.
2 Perhitungan VAR
Dari definisi VAR = VARt; , (1), nilai VAR diperoleh dari distribusi probabilitas
pengembalian nilai portofolio:
1=F P ( VAR) =
Z
VAR
f P (x)dx ;
1
8
2.1 Metode Parametrik
Jika perubahan nilai portofolio dicirikan oleh distribusi parametrik, VAR dapat
ditemukan sebagai fungsi dari parameter distribusi. Pada bagian ini kita akan
mengulas:
aplikasi dua distribusi parametrik: normal dan gamma,
pendekatan linear dan kuadratik untuk pergerakan harga.
Asumsikan bahwa portofolio terdiri dari satu aset, yang hanya bergantung pada
satu faktor risiko. Secara tradisional, dalam situasi ini, distribusi pengembalian
aset diasumsikan sebagai distribusi normal univariat, y a n g diidentifikasi oleh
dua parameter: rata-rata, , dan deviasi standar, . Masalah penghitungan VAR
kemudian direduksi menjadi menghitung persentil ke-( 1 - ) dari distribusi
normal standar z1 :
1 =
Z
X
g(x)dx =
Z
z1
di mana (z) adalah fungsi densitas normal standar, N(z) adalah fungsi
distribusi normal kumulatif, X adalah return portofolio, g(x) adalah fungsi
distribusi normal untuk return dengan mean dan standar deviasi, dan X
adalah return terendah pada tingkat konsistensi tertentu.
Investor dalam banyak aplikasi mengasumsikan bahwa pengembalian
yang diharapkan sama dengan 0. Asumsi ini didasarkan pada dugaan bahwa
besarnya secara substansial lebih kecil daripada besarnya standar deviasi
dan, oleh karena itu, dapat diabaikan. Maka, dapat diasumsikan:
X = z1 ;
dan, oleh
karena itu, VAR = Y0 X = Y z01 ;
di mana Y0 adalah nilai portofolio awal.
Jika portofolio terdiri dari banyak aset, perhitungan VAR dilakukan dalam
beberapa langkah. Aset portofolio diuraikan menjadi "blok bangunan", yang
bergantung pada sejumlah faktor risiko. Eksposur sekuritas portofolio
digabungkan ke dalam kategori risiko. Total risiko portofolio dibangun,
berdasarkan faktor risiko gabungan dan korelasinya. Kami menunjukkan:
Xp adalah return portofolio dalam satu periode,
N adalah jumlah aset dalam portofolio,
9
Xi adalah return aset ke-i dalam satu periode (= 1); Xi = P (1) = Pi
(1) Pi (0), di mana Pi adalah log-spot harga aset ke-i; i = 1; : : :; N .
Secara lebih umum, Xi dapat menjadi faktor risiko yang masuk
secara linear27 dalam return portofolio.
wi adalah bobot aset ke-i dalam portofolio, i = 1;::: ;N .
XP = XN
w Xii
: i=1
Dalam notasi
matriks, XP = wT X ;
di mana w = (w1 ; w 2 ;::: ; wN )T ; X = (X1 ; X 2 ;:::; XN )T .
Maka varians portofolio adalah
V (X p )= wT w = Xw
N
2 i+
ii
X XN N
wiwj ij i j ;
i=1 i=1 j=1; i6=j
where ii is the variance of returns on the i-th asset, i is the standard deviation
of returns on the i-th asset, ij is the correlation between the returns on the i-th
and the j-th assets, is the covariance matrix, = [ ij ]; 1 i N; 1 j N .
If all portfolio returns are jointly normally distributed , the portfolio return,
as a linear combination of normal variables, is also normally distributed . The
portfolio VAR based on the normal distribution assumption is
VAR = Y z01 (Xp );
di mana (Xp ) adalah deviasi standar portofolio (volatilitas portofolio),
(X p )= qV (Xp ) :
P (X + U ) P (X)+ P0 (X)U;
atau
P (X) = P (X + U ) P (X) P0 (X)U;
di mana X adalah tingkat faktor risiko dasar (misalnya ekuitas, nilai tukar), U
adalah perubahan X; P (X + U ) = P (t +; X + U ); P (X)= P (t; X)29 , P (X)
adalah harga (log) aset pada tingkat X dari faktor risiko yang mendasari,
P0 (X)= @P = @X adalah turunan pertama P (X), biasanya disebut delta
(=).
(X)) dari aset tersebut.
Dengan demikian, pergerakan harga sekuritas kira-kira adalah
P (X) P 0(X)U = U:
Karena model normal untuk distribusi faktor terlalu sederhana, Fong dan
Vasicek (1997) menyarankan untuk mengestimasi distribusi probabilitas
perubahan nilai portofolio P dengan jenis distribusi parametrik yang lain,
yaitu distribusi gamma. Mereka juga mengasumsikan bahwa faktor risiko
dasar Xi secara bersama-sama terdistribusi secara normal dengan mean
nol dan matriks kovarian . Namun, Fong dan Vasicek mengusulkan
pendekatan kuadratik (gamma atau delta-gamma) untuk perubahan harga
aset individual:
j Uj +
1
2
X
n
j
2
j
U;
j=1 j=1
11
) dan P (X) sebagai pengganti P (t; X). Kita akan mempertimbangkan ketergantungan P
pada faktor risiko X saja.
12
eksposur kuadratik (gamma) pada tingkat X untuk faktor risiko ke-j,j =
j(X)= @ P=@Xj 22 ; j = 1;::: ; n.
Pendekatan delta-gamma untuk pengembalian portofolio dalam satu
periode d i t e n t u k a n oleh
P = P (X) = P (X + U ) P (X)
=
Xi=1
n
iw Uii +
1
XX w w
n
i=1j
n
XX
= 1;:: ; n. Varians dari return portofolio dapat diestimasi dengan
XXX
i j
i w w jkijk wcov(Xi ; X X )+ jk
XXXX
i j k
1
VAR = Y0 k( ; ) (Xp ) ;
k( ; ) k( ; )
-2.83 3.99 0.50 1.96
-2.00 3.61 0.67 1.83
-1.00 3.03 1.00 1.59
-0.67 2.80 2.00 0.99
-0.50 2.69 2.83 0.71
0.0 2.33
Sumber: Fong dan Vasicek (1997).
13
2.2 Simulasi Sejarah
Pendekatan simulasi historis membangun distribusi perubahan nilai portofolio
P dari data historis tanpa memaksakan asumsi distribusi dan mengestimasi
parameter. Oleh karena itu, terkadang metode simulasi historis disebut
metode nonparametrik. Metode ini mengasumsikan bahwa tren perubahan
harga di masa lalu akan berlanjut di masa depan. Harga hipotetis di masa
depan untuk waktu t+s diperoleh dengan menerapkan pergerakan harga
historis ke harga saat ini (log):
Pi; t + = Pi; t + s + Pi; t + s ;
s 1
di mana t adalah waktu saat ini, s = 1; 2;::: ; ; adalah panjang horizon untuk kembali
pada i; t + adalah harga hipotetis (log) aset ke-i pada waktu t + s,
waktunya, s
P
Pi; = Pi;t ; Pi;t+s = Pi;t+s Pi;t+s 1 ; Pi;t adalah harga historis (log)
t
dari aset ke-i pada waktu t. Di sini kami mengasumsikan bahwa horizon waktu = 1.
Nilai portofolio P p; t dihitung
+ dengan menggunakan harga hipotetis (log)
i; tP
+
dan komposisi portofolio
s saat ini. Pengembalian portofolio pada waktust +
s dinyatakan sebagai
Pp; t + = P+p;s t Pp;t ;
s
1 X1 R
F; P (x)
= p; t + x; x 2 R:
s
s=1
15
4. Ulangi langkah 2 dan 3 berkali-kali untuk membentuk distribusi nilai
portofolio Pp;T .
5. Ukur VART sebagai negatif dari persentil ke-1 dari distribusi simulasi
untuk Pp;T .
Rp; s =
X
bawah setiap skenario. Pengembalian portofolio diperoleh sebagai
wi;sRi;s ;
di mana Ri;s adalah imbal hasil hipotetis dari sekuritas ke-i di bawah skenario
baru s; Rp;s adalah imbal hasil hipotetis dari portofolio di bawah skenario baru
s.
Mengestimasi probabilitas untuk setiap skenario s memungkinkan untuk
membangun distribusi pengembalian portofolio, yang darinya VAR dapat
diturunkan.
16
30
Skenario mencakup kemungkinan pergerakan kurva imbal hasil, perubahan nilai tukar,
dan lain-lain, bersama dengan estimasi probabilitas yang mendasarinya.
17
untuk menggunakan distribusi gamma. Teknik simulasi historis tidak
menggunakan asumsi distribusi, sehingga bebas dari risiko model dan risiko
estimasi parameter. Pendekatan Monte Carlo menspesifikkan distribusi
instrumen yang mendasarinya.
Dalam model volatilitas konstan (tertimbang sama rata), varians dan kovarians
tidak berubah dari waktu ke waktu. Mereka didekati dengan varians dan
kovarians sampel selama estimasi \window ":
T
2
1 2
t;
= (Ri ^t;T );
^T Tt i =
Xt +
di mana ^t;T adalah estimasi varians dari return Ri selama periode waktu [t; T ],
^t;T adalah estimasi rata-rata pengembalian selama periode waktu [t; T],
T
1
^t;T = Ri :
Tt i =
Xt +
Xt +
1
31
Du e dan Pan (1997); Jackson, Maude, dan Perraudin (1997); JP Morgan (1995);
Phelan (1995); Hopper (1996/1997); Mahoney (1996); Hendricks (1996/1997).
32
Metode "pandangan subjektif" berarti analis membuat prediksi volatilitas dari
pandangan mereka sendiri tentang kondisi pasar. Lihat Hopper (1996/1997).
19
3.2.2 Model Volatilitas Tertimbang
2
t;
^T
= XT
i (Ri ^t;T )2 ;
i=t
+1
Xt +
i = (1 ) cT i
T t ;
di mana faktor peluruhan, 0 < < 1, dan cT t > 0 dipilih agar batasan (3)
terpenuhi. JP Morgan menggunakan = 0:94 untuk jangka waktu 1 hari.
Jackson, Maude dan Perraudin (1997) menunjukkan bahwa skema
pembobotan dengan nilai yang lebih rendah p a d a model parametrik
menghasilkan probabilitas ekor yang lebih tinggi, proporsi observasi aktual
yang melebihi prediksi VAR35 . Mereka menunjukkan adanya trade-off antara
tingkat perkiraan volatilitas yang bervariasi terhadap waktu dan kinerja
metode parametrik. Hendricks (1996/1997) menemukan bahwa penurunan
disertai dengan variabilitas yang lebih tinggi dari pengukuran VAR.
PrimeRisk CSFB menggunakan skema pembobotan spesifik aset.
PrimeRisk mengembangkan model volatilitas spesifik (skema pembobotan
yang berbeda) untuk berbagai jenis aset (misalnya, ekuitas, kontrak
berjangka, dan opsi OTC).
20
Ri;t = i + i;tui;t ;
2
i; t =i + X q
ij (R i;t ji ) ; j=1
2
21
di manai adalah ekspektasi dari Ri i; adalah varians bersyarat dari Ri di
; 2 t
waktu t, ui;t+1 adalah guncangan acak dengan rata-rata nol dan varians 1
(asumsi yang umum digunakan adalah (Ui;t )t 1 iid N(0; 1)),i danij adalah
konstanta,
i > 0; ij 0;j = 1;::: ; q;i = 1;::: ;n 36.
In the ARCH(1) model the conditional volatility at period t depends on the
volatility at the previous period t 1. If volatility at time t 1 was large, the
volatility at time t is expected to be large as well. Observations will exhibit clus-
tered volatilities: one can distinguish periods with high volatilities and tranquil
periods.
2
i; t
= i +
Xq
j=1
ij (Ri;t j i )2 +
X p
k=1
jk
i;t
2 k
;
)
q
log2 =+X j
Rt j Rt j (Rt j
t E +
t j t j t j
j=1
+
Xp
i=1 i log2 :t i
Parameter ini membantu menjelaskan volatilitas asimetris. Jikaj > 0 dan 1 < < 0
maka deviasi negatif dari Rt dari rata-rata menyebabkan volatilitas yang lebih tinggi daripada
36
Struktur ketergantungan dari return Rt = (R1;t ; R2;t ;: : : ; Rn;t ) membutuhkan
22
spesifikasi tambahan untuk setiap t > 0. Lihat, sebagai contoh, bagian 3.2.6 lebih lanjut.
37
Lihat juga Bollerslev, Chou, dan Kroner (1992).
38
Hamilton (1994).
23
positive deviations do. If j > 0 and < 1; then positive deviations lower
volatility whereas negative deviations cause additional volatility.
Keuntungan menggunakan model EGARCH adalah bahwa model ini tidak
memberlakukan batasan positif pada klien, sedangkan model GARCH
membutuhkan koefisien.
klien untuk bersikap positif.
0 1 0 10
contoh GARCH lintas pasar, yang menggunakan model GARCH bivariat:
2
R21;t 2 1
B C B CB C
1;t 1;t 1
@ A @ A @ A
2 B t
2
2;t 2 2;t 1
R2;t
di mana1;t 1 adalah deviasi standar bersyarat dari R ;1;t2;t 1 adalah deviasi
standar bersyarat dari R ;2;t;12;t 1 adalah kovarian bersyarat antara R1;t
dan R2;t , R1;t adalah return di pasar pertama pada waktu t; R2;t adalah
return di pasar kedua pada waktu t, A adalah sebuah vektor yang terdiri dari
tiga elemen, B adalah sebuah matriks berukuran 3x3,
adalah matriks 3x3.
25
3.3 Cakrawala waktu
Horison waktu (periode holding) dalam perhitungan VAR dapat mengambil nilai
waktu apa pun. Dalam praktiknya, periode ini bervariasi dari satu hari hingga
dua minggu (10 hari perdagangan) dan bergantung pada likuiditas aset dan
frekuensi transaksi perdagangan. Diasumsikan bahwa komposisi portofolio
tetap sama selama periode penyimpanan. Asumsi ini membatasi strategi
perdagangan yang dinamis. Komite Basle merekomendasikan untuk
menggunakan periode holding 10 hari. Para pengguna berpendapat bahwa
jangka waktu 10 hari tidak memadai untuk instrumen yang sering
diperdagangkan dan membatasi untuk aset yang tidak likuid. Periode holding
yang lebih panjang biasanya direkomendasikan untuk portofolio dengan
instrumen yang tidak likuid. Namun, banyak model yang hanya valid untuk
jangka waktu yang pendek.
Beder (1995/1997) menganalisis dampak dari horizon waktu pada
estimasi VAR. Dia menghitung VAR untuk tiga portofolio hipotetis dengan
menggunakan empat pendekatan yang berbeda untuk jangka waktu 1 hari
dan 10 hari. Untuk semua perhitungan VAR, dengan pengecualian satu
kasus, Beder melaporkan estimasi VAR yang lebih besar untuk jangka waktu
yang lebih panjang.
28
risiko, disarankan untuk menyertai perhitungan VAR untuk portofolio nonlinier
dengan analisis sensitivitas terhadap asumsi-asumsi yang mendasarinya.
Kelemahan VAR lainnya adalah:
Existing VAR models re ect observed risks and they are not useful in
transition periods characterized by structural changes, additional risks,
contracted liquidity of assets, and broken correlations across assets and
across markets.
The trading positions change over time. Therefore, extrapolation of a
VAR for a certain time horizon to longer time periods might be problem-
atic. Du e and Pan (1997) point out that if intra-period position size
is stochastic, then the VAR measure obtained under the assumption of
constant position sizes, should be multiplied by a certain factor44.
The VAR methodologies assume that necessary database is available. For
certain securities, data over a su cient time interval may not exist .
If historical information on nancial instruments is not available, the in-
struments are mapped into known instruments. Though, mapping reduces
precision of VAR estimations.
Model risks can occur if the chosen stochastic underlying processes for
valuing securities are incorrect.
Since true parameters are not observable, estimates of parameters are
obtained from sample data. The measurement error rises with the number
of parameters in a model.
5 Kemajuan VAR
Untuk meningkatkan kinerja metodologi VAR, para peneliti menyarankan
berbagai modifikasi teknik tradisional dan cara-cara baru dalam evaluasi
VAR. Bagian ini menyajikan modifikasi-modifikasi tersebut:
delta,
simulasi sejarah,
Monte Carlo,
analisis skenario.
Bagian ini juga menjelaskan pendekatan baru untuk estimasi dan interpretasi
VAR.
44Du e dan Pan (1997) memberikan sebuah ekspresi untuk faktor tersebut dalam kasus aset tunggal. Jika
(i) pengembalian aset yang mendasari memiliki volatilitas konstan, (ii) ukuran posisi
adalah martingale dan mengikuti proses lognormal dengan volatilitas s, maka faktor
perkaliannya kira-kira sebesar (exp(at) 1)=(at), di mana a = 2s2 + 4 s, adalah korelasi
ukuran posisi dengan aset.
29
5.1 Kation Modi dari Delta
Misalkan Ut adalah vektor n-dimensi dari perubahan faktor risiko selama satu
periode, Ut = Xt . Metode delta dan delta-gamma standar mengasumsikan
bahwa perubahan faktor risiko mengikuti distribusi normal dengan syarat
informasi terkini:
(U jt+1t ) N (0;t ) ;
di manat adalah informasi yang tersedia hingga waktu saat ini t45 .
Metode Delta menerapkan pendekatan linier terhadap imbal hasil
portofolio sebagai fungsi dari faktor risiko yang mendasarinya:
T
Pt+1 Pt+1(Xt + Ut) Pt+1(Xt) Yt+1 ;
t
Delta-gamma-Monte Carlo,
Delta-gamma-delta,
Minimalisasi delta-gamma,
Delta-gamma-Johnson,
Delta-gamma-Cornish-Fisher.
45
Secara formal, (t )t 0 adalah ltrasi yang dihasilkan oleh proses (proses) market-shot
yang mendasari, biasanya merupakan proses tipe white noise.
30
5.1.1 Delta-gamma-Monte Carlo
(iv) the distribution of P is formed by ordering the P values from step (iii).
5.1.2 Delta-gamma-delta
Pt+1 N (:5 t t;
2 2 2
t t + :5 2
t t );
4
di mana2 adalaht varians dari Yt+1 ; Yi;t+1 = w Uii;t+1 . Oleh karena itu, VAR dapat berupa
dihitung
sebagai
=1 2
r2
!
1 24
VAR t t t + z1 t :
2
tt+ t
2 2
32
tunduk pada batasan
T 1 2
Yt+1 Yt+1 ( ; k) ;
5.1.4 Delta-gamma-Johnson
5.1.5 Delta-gamma-Cornish-Fisher
i=1
ti
qi i!
33
5.2 Modifikasi Simulasi Sejarah
Teknik simulasi historis standar membentuk distribusi pengembalian
portofolio berdasarkan data historis. Teknik ini memperoleh imbal hasil aset
di masa depan dengan menerapkan perubahan masa lalu pada imbal hasil
saat ini.
Di sini kami akan membahas tiga modifikasi dari metode simulasi historis:
Rt U = (U ) ( )2 2 Rt ;
1
di mana Rt = (R1t; ; R2t ; : : : ; Rnt )T adalah vektor return pada waktu t, ( ) adalah
2
matrix square root of 1 , dan ( ) is the matrix square root of the updated
2
U
covariance matrix U .
Salah satu pertanyaan penelitian di masa depan adalah untuk menyelidiki
dampak dari pendekatan pembaruan terhadap bentuk distribusi return
portofolio.
51
Du e dan Pan (1997); Jorion (1996a); Pritsker (1996/1997); Shaw (1997).
34
5.2.2 Menggabungkan Estimasi Kernel dengan Simulasi Historis
f^P (x) =
1
k (0:9 k
Xp k
1
2
e
x
12 Ri
0:9 k 0:2
2
: (4)
0:2)
i=1
di mana k adalah ukuran sampel, Ri adalah observasi ke-i pada return portofolio
P; i = 1;:::; k; adalah deviasi standar dari P, x adalah titik estimasi
saat ini.
Cdf F P (x) dapat diperkirakan:
dari taksiran pdf f^P (x) , yang diberikan oleh (4), atau
oleh fungsi distribusi kumulatif empiris 53
F^k; P (x) =
1
k
X
k
1fXi xg (5)
i=1
Langkah 2. Misalkan s adalah statistik orde ke-i, h(s) adalah pdf dari s,
H(s) adalah cdf dari s. Untuk menilai pdf h(s) dan cdf H(s), Butler dan
Schachter (1996)
menggunakan estimasi pdf Pf^(x) dari (4) dan pdf empiris F^P (x)54 :
52
Diberikan sebuah sampel R 1 ;: ::; Rk dari observasi Ri , kita susun ulang sampel
tersebut dengan urutan yang semakin meningkat R1;k Rk;k (sampel acak), maka statistik
urutan ke-i diberikan oleh Ri;k . Nilai dari kuantil ke-q (0 q 1) m e r u p a k a n nilai dari
suku ke-(dibulatkan) (qk) ke-i pada sampel yang diurutkan. Dengan menggunakan data
return historis R1 ; : : : ; Rk ; VAR dapat diestimasi dengan negatif dari kuantil ke-(1) .
53
Butler dan Schachter (1996) menggunakan cdf empiris F^ P (x) untuk mengestimasi F P (x).
35
@H^(s)
54
Perhatikan bahwa h ^ (s) tidak sama dengan turunan dari H^(s), h ^ (s) hanya@s"dekat" dengan .
36
H^ (s)=
X k
k! F^P (s)j (1 F^P (s))k j ;
j = i
j! (k
j
h^ (s) = k! )! f^ (x) F^ (x)i 1 (1 F^ (x))k i :
i! (k )!
P
i P P
Z
integrasi Gauss-Hermite 12 titik:
X
1
12
1
E(s) = sh (s) ds a sjj e j ^
h(sj ) = ^E(s)
s2
12 j=1 ;
Z X
1
12
1 1
aj sj e^j h(s E^ (s)2 = ^(s)2 ;
2s2
Var(s) = s2 h(s)ds E(s) 2 12 j=1
1 )j
di mana aj adalah bobot integrasi ke-j, sj adalah titik ke-j dari integral
approksimasi, j = 1;::: ; 12.
Dengan gabungan simulasi historis dan metode estimasi kernel, estimasi
-VAR, VAR , adalah
VAR =
1
12
X12 ^
a s ejjs j h(sj ) :
2
(6)
j=1
The ^(s) can be used to form the con dence interval for VAR in large sam-
ples. If the sample is large enough, then the quantile is distributed normally.
Therefore, for large samples55, the % con dence interval can be constructed as
(VAR z ^(s); VAR + z ^(s)) where z is the -th quantile of the standard
normal distribution.
Hibrida56
5.2.3 Pendekatan
t
i
1, c 1 k adalah konstanta, dipilih sedemikian
=
= 1; i = t k + 1; i
rupa sehingga
P
k + 2;:::; t.
2. Sama halnya dengan metode simulasi historis, perputaran masa
depan hipotetis diperoleh dari perputaran masa lalu dan diurutkan
secaraj berurutan. Misalkan R ;j = t + 1;::: ;t + k, adalah urutan
pengembalian yang diurutkan.
3. Ukuran VAR dihitung dari fungsi kepadatan kumulatif empiris (cdf) Fk;R .
Jika VAR diperoleh pada tingkat konvergensi, maka VAR adalah negatif
dari kuantil ke-1, r, dari cdf. Kuantil r ditentukan dengan menjumlahkan
bobot dari return yang diurutkan hingga 157 :
m
;j
Fk;R (r) = 1 j =
Xt + 1
Rm r Rm+1 ; m t+k :
pada return. Contoh: Asumsikan bahwa sampel yang diberikan berisi 250 return terurut yang
P
diamati
1 250
39
adalah sekitar 2.4% (negatif dari rata-rata antara R dan 5
R6).
Untuk mengestimasi VAR, metode hibrida mengakumulasikan bobot
h i n g g a 5%. Kuantil 5% sesuai dengan3 R . Dengan demikian, dengan
pendekatan hibrida, VAR
adalah sekitar 2,8%.
Boudoukh, Richardson, dan Whitelaw (1998) menerapkan pendekatan
hibrida pada empat jenis deret keuangan yang berbeda dan membandingkan
kinerja metode hibrida, pemulusan eksponensial, dan simulasi historis. Dalam
menirukan VAR 1% dari S&P 500, kesalahan absolut58 di bawah teknik hibrida
adalah 30% hingga 40% lebih kecil dibandingkan dengan perataan
eksponensial dan 14% hingga 28% lebih kecil dibandingkan dengan simulasi
historis. Metode hibrida lebih akurat untuk nilai tukar dan deret berekor panjang:
Imbal hasil indeks obligasi Brady, harga minyak. Boudoukh et al (1998)
menyimpulkan bahwa pendekatan hibrida sesuai untuk estimasi VAR untuk
seri berekor gemuk.
MAE =
1
N 99
X
N 99
jKiL
j;
i=1
di mana L
adalah jumlah prediksi kejadian ekor yang diharapkan.
40
59
Salah satu masalah penting dalam langkah transformasi adalah mempertahankan
struktur korelasi data empiris.
41
Monte Carlo yang semu,
grid Monte Carlo,
jaringan modi ed Monte Carlo.
Carlo60
5.3.1 Quasi-Monte
Q
tors, s 1. In order to give a formal de nition of a (t,m,s)-net , we need to
introduce an elementary interval. An selementary interval in base b is a hyper-
persegi panjang "sel" dengan bentuk C = ai
; ai +1 di mana k ; a adalah bilangan bulat,
P
ki ki i i
i=1 b i bi
k r s
ki 0; 0 ai < b i . Volume sel C sama dengan b , di mana r = ki .
m i=1
Sebuah barisan bilangan fui 2
[0; 1) sb
gi = 1 adalah sebuah (t, m, s) -barisan dalam basis b jika ada elemen
interval dalam basis b dari volume bt m mencakup tepat bt titik-titik pada barisan tersebut,
2
dimana b,s m, dan t adalah b ila ng an -bila ngan bulat, b ; m t . Suatu 0
barisan fui 2
[0; 1) gi 1 adalah barisan (t, s) dalam basis b jika untuk sebarang
km 0 dan m t
nite sequence fui 2
[0; 1)
s (k +
1)bgi = kbm +1 adalah sebuah (t; m; s) -net dalam basis b.
Owen dan Tavella (1997) membandingkan performa dari (t; s) -sequence dan (t; m; s)
jaring-jaring dan jaring-jaring (t; s) dan (t; m; s) yang diacak ( j a r i n g - j a r i n g
y a n g d i a c a k ). Jaring-jaring (t; s) dan (t; m; s) teracak dibentuk dari jaring-jaring
(t; s) dan (t; m; s) dengan cara mengacak angka-angkanya secara acak. Dalam
dua contoh nilai-at-risiko yang dianalisa, jaring yang diacak menunjukkan: (i)
tingkat akurasi yang sama dengan skema QMC deterministik dan (ii) tingkat
konvergensi orde sepersepuluh dari metode Monte Carlo tradisional.
60
Jorion (1996a); Niederreiter (1992); Owen dan Tavella (1997); Paskov dan Traub (1995);
Pritsker (1996/1997); Sobol (1973); Shaw (1997).
61
Shaw (1997)
62Owen dan Tavella (1997).
42
Carlo63
5.3.2 Kisi-kisi Monte
Pendekatan grid Monte Carlo membentuk sebuah grid dari perubahan faktor
risikot . Selanjutnya, menghitung nilai portofolio pada setiap node dari grid.
Realisasi yang mungkin darit diperoleh dengan undian acak dari model yang
dipilih. Nilai-nilai portofolio untuk undian baru didekati dengan menginterpolasi
nilai-nilai portofolio pada titik-titik grid yang berdekatan.
Kerugian dari metode grid Monte Carlo adalah metode ini tunduk pada
masalah dimensi.
di mana
P (0; )
=
@ P ( ;1)2 :
1 2
@1 1 =0
43
5.4 Modifikasi Analisis Skenario
Metode analisis skenario (stress-testing) mengestimasi ukuran VAR
berdasarkan analisis dampak variasi variabel finansial terhadap nilai
portofolio. Variasi harga dihasilkan berdasarkan skenario yang dipilih. Kami
akan membahas jenis-jenis analisis skenario berikut ini:
Analisis Skenario Kasus Terburuk,
Skenario suku bunga berbasis faktor.
44
65
Contoh: VAR harian diperkirakan sebesar $2 juta pada tingkat kepercayaan 95 persen.
Nilai VAR ini mengimplikasikan bahwa kerugian satu hari akan melebihi $ 2 juta 5 persen
dari waktu.
66
Untuk aplikasi lain dari PCA dalam perhitungan VAR, lihat Singh (1997).
45
adalah komponen yang memiliki pengaruh terkuat pada data dan volatilitas
terbesar.
Kami akan memperkenalkan definisi formal dari komponen utama.
Nyatakan dengan X sebuah matriks TxN dari data antar suku bunga, di mana
N adalah jumlah ember yang sama di sepanjang kurva imbal hasil dan T
adalah jumlah sampel dari waktu ke waktu. Misalkan X adalah matriks
varians-kovarians dari X. Komponen utama pertama
dari X adalah vektor Nx1 c1T , Tyang diperoleh dengan menyelesaikan
probabilitas maksimisasi maxfc X Xc1 g tunduk pada kendala cT c1 = 1.
Prinsip kedua
c1
1 1
utama ketiga. Demikian pula, faktor Bow-2 sama dengan hasil kali antara deviasi standar
46
dan muatan komponen utama keempat.
47
Implementasi skenario menunjukkan bahwa skenario-skenario tersebut, berdasarkan
Empat faktor pertama, mengkarakterisasi pergerakan kurva imbal hasil dengan baik.
Metode skenario berbasis faktor, yang diterapkan untuk perhitungan VAR
portofolio non-opsi, memiliki kecenderungan untuk menghasilkan estimasi VAR
yang terlalu tinggi. Secara umum, metode ini memberikan estimasi VAR yang
lebih baik jika portofolio tidak bergantung pada banyak faktor.
lpmn (R ) =
Z
R
lpm0 (VAR) =
Z
VAR
Sn = lpmn (VAR ) n
Z
VARn
S0 dapat secara langsung dikaitkan dengan tingkat konvergensi dari VAR tradisional
= VAR0 :
S0 = 1 :
S1 mewakili pengurangan yang diharapkan dalam pengembalian, sehubungan dengan VAR1 .
Schroder (1997) mengamati bahwa dalam sebuah contoh portofolio
dengan opsi jual, dengan distribusi pengembalian yang condong ke kanan,
VAR2 lebih rendah daripada VAR2 untuk distribusi normal dengan VAR0 yang
sama. Dia menyimpulkan bahwa portofolio yang relatif defensif, yang
menggunakan strategi lindung nilai, memiliki VAR1 atau VAR2 yang lebih
rendah. Dalam kasus ini, pengukuran VAR yang digeneralisasi VAR1 dan
VAR2 adalah indikator risiko yang lebih baik.
F^(x) = p = M RM + 1
;
value method and suggest an estimator for tail probabilities:
^
x >R ; (7)
M+1
N x
di mana p adalah probabilitas, M adalah indeks ambang batas (jumlah kasus
Ri > RM+1 ); RM+1 adalah pengamatan ambang batas tinggi, N adalah
ukuran sampel, ^ adalah taksiran indeks ekor73 . Estimator kuantil ekstrim
dapat diturunkan dari (7) sebagai
1
^
a^=M
X
73Salah satu estimator adalah estimator Hill:
ln
Ri
! 1
:
RM +1
i = M
49
Metode semi-parametrik pada awalnya menghasilkan return portofolio
dengan menerapkan metode simulasi his-torical. Kemudian, ekornya
diestimasi dengan menggunakan rumus (8). Pengukuran VAR diperoleh dari
estimasi ekor.
Danielsson dan de Vries (1997b) menghitung VAR untuk portofolio 7 saham
dengan menggunakan metode semi-parametrik, simulasi historis, dan metode
varians-kovarians (versi RiskMetrics). Tabel berikut ini mencakup beberapa hasil
empiris.
Tabel: Jumlah Rata-rata P e n g e c u a l i a n 74
51
payo sekuritas pada waktu T, T = t + , waktu hingga jatuh tempo, CT
konsumsi. Dapat ditunjukkan bahwa St dapat diturunkan sebagai
St = Et [' (Ct) Mt;T ] ; (9)
0
U( )
di mana Mt;T UCT (C)
adalah
t
0
tingkat substitusi marjinal (MRS).
Kita dapat menulis ulang harga aset sebagai pembayaran
yang diharapkan yang didiskontokan:
St = e r t;
Et [' (CT )] ; (10)
di mana r adalah tingkat suku bunga tanpa risiko. Ekspektasi bersyarat pada
(10) dihitung dengan menggunakan fungsi kepadatan probabilitas tertimbang
f*. Bobot dari f* bergantung pada tingkat substitusi marjinal (MRS). Fungsi
densitas f* dinamakan densitas harga negara (state-price density/SPD), analog
keadaan kontinu dari harga Arrow-Debreu. SPD menggambarkan
keseimbangan pasar dan penilaian ekonomi para pelaku terhadap kondisi
pasar: tingkat penghindaran risiko, preferensi antar waktu, keputusan
konsumsi dan investasi. Estimasi VAR ekonomi (E-VAR)76 diturunkan dari
SPD f*.
Di bawah asumsi tertentu, model tanpa-arbitrase atau pasar yang dinamis-
lengkap juga memungkinkan untuk mendapatkan SPD.
Masalah dalam realisasi metodologi E-VAR adalah bahwa MRS tidak
dapat diamati secara langsung. Pendekatan yang ada untuk estimasi SPD
dapat diklasifikasikan menjadi parametrik dan non-parametrik. Metode
parametrik memberikan ekspresi bentuk tertutup untuk SPD, sedangkan
metode nonparametrik melibatkan perkiraan numerik. Beberapa teknik
nonparametrik menggunakan kernel re- gresi, jaringan pembelajaran, dan
pohon binomial tersirat.
Metode parametrik, yang disarankan oleh Banz dan Miller (1978) serta
Breeden dan Litzenberger (1978), menghasilkan bentuk tertutup untuk SPD
sebagai turunan kedua dari harga opsi panggilan sehubungan dengan harga
kesepakatan:
r @ C2t
(ST ) = e
ft @X2
; t; (11)
di mana Ct adalah harga opsi beli pada waktu t saat ini, T adalah tanggal jatuh tempo,
T t + , is time to maturity, X is the strike price, and ST is the price of
the underlying asset at the maturity date T . A�it-Sahalia and Lo (1997/1998)
demonstrate the method using the option price formula. Let t; be the dividend
hasil. Dengan rumus Black-Scholes,
53
Mengambil turunan kedua dari Ct sehubungan dengan X, SPD dapat
ditentukan sebagai
) = e t; r @2 C@X
!
2
f t (ST X=ST
2
2
= exp 1 ln (ST =S ) r =2 :
2 t2 t;t;
ST p2 2
Ait-Sahalia dan Lo (1995/1998) menggunakan metode nonparametrik untuk
perkiraan SPD. Metode ini didasarkan pada rumus (11) dan
diimplementasikan dalam dua langkah:
1. estimasi kernel dari harga opsi dan
2. di erensiasi harga opsi yang diperkirakan sehubungan dengan harga
strike X.
Metode ini diilustrasikan untuk kasus ketika faktor volatilitas dalam rumus
(12) bergantung pada X = Ft; dan :
C(St ; X; ; rt; ;t; ; ) = C (Ft; ; X; ; rt; ;t; ; (X=Ft; ; ));
di mana Ft; adalah nilai kontrak berjangka pada sekuritas yang sama dengan jatuh tempo
.
P
Langkah 1. Faktor tersebut dievaluasi oleh estimator kernel Nadaraya-Watson:
n
X = Ft; Xi =
kX = i hX = F
Fti;
(h i ) i
F k
P
i=1
^(X=Ft; ; ) = n ;
X = Ft; Xi = Fti; i
kX = hX = F
k i h
i=1 F
di manai adalah volatilitas yang terkait dengan harga opsi Ci , kX=F dan k
adalah fungsi kernel univariat, hX=F dan h adalah bandwidth. Harga opsi
diturunkan sebagai
C ^ (S t ; X; ; rt; ;t; ) = C(Ft; ; X; ; rt; ;t; ; ^(X=Ft; ; )):
f^ (S @ 2 C^ (S; X; ; r ; ) :
)=
;
ert;
t T @X2
X = ST
t t; t
Ait-Sahalia dan Lo (1997/1998) menghitung S-VAR dan E-VAR untuk S&P harian
500 harga opsi. Kedua ukuran VAR ini terutama di er dalam kemiringan
distribusinya. Analisis empiris menunjukkan bahwa S-VAR dan E-VAR
memberikan estimasi risiko yang berbeda. Kesimpulan penulis adalah: E-
VAR memungkinkan untuk memperhitungkan komponen-komponen penilaian
risiko yang tidak dipertimbangkan oleh S-VAR.
Secara umum, t non-parametrik untuk SPD tidak akan memberikan
pengukuran VAR yang memadai karena densitas harga negara empiris
sangat buruk di bagian ekor karena kurangnya pengamatan ekstrim. Kami
54
mengusulkan untuk menggunakan hukum yang stabil untuk meningkatkan
akurasi estimasi E-VAR:
55
1. Perkirakan parameter kepadatan -stabil dari harga kepadatan keadaan
empiris.
2. Turunkan E-VAR pada tingkat konvergensi tertentu sebagai kuantil yang
sesuai dengan densitas stabil tted.
6 Kesimpulan
Inti dari pemodelan VAR adalah prediksi kerugian tertinggi yang diharapkan
untuk portofolio tertentu. Teknik VAR memperkirakan kerugian dengan
memperkirakan kuantil rendah dalam distribusi pengembalian portofolio.
Metode delta didasarkan pada asumsi normal untuk distribusi pengembalian
keuangan. Namun, data numerik melanggar asumsi normalitas. Pengamatan
empiris menunjukkan
\Ekor "gemuk" dan kurtosis berlebih. Metode historis tidak memaksakan
asumsi distribusional tetapi tidak dapat diandalkan dalam mengestimasi
kuantil rendah dengan sejumlah kecil observasi dalam ekor. Kinerja metode
Monte Carlo bergantung pada kualitas asumsi distribusi pada faktor risiko
yang mendasarinya.
Metode yang ada saat ini tidak memberikan evaluasi yang memuaskan
terhadap VAR. Perbaikan yang diusulkan masih belum memiliki teknik
tunggal yang meyakinkan yang dapat menangkap fenomena yang diamati
pada data keuangan seperti heavy-tails, volatilitas yang bervariasi menurut
waktu, dan ketergantungan jangka pendek dan jangka panjang. Arah
penelitian di masa depan adalah membangun model yang mencakup fitur-
fitur empiris ini dan mengembangkan teknik estimasi VAR yang lebih tepat
berdasarkan model-model baru.
Perkiraan yang memadai dari bentuk distribusi pengembalian adalah
syarat utama untuk estimasi VAR yang akurat. Mengingat sifat leptokurtik
(ekor yang berat dan kurtosis yang berlebih) dari data keuangan empiris,
distribusi Paretian yang stabil tampaknya merupakan model distribusi yang
paling tepat untuk pengembalian77 .
Model-model heteroskedastik bersyarat yang didasarkan pada hipotesis -
stable dapat diterapkan untuk menjelaskan ekor tebal dan volatilitas yang
bervariasi terhadap waktu. Model GARCH fraksional-stabil dapat
menjelaskan semua fenomena yang diamati: ekor tebal, volatilitas yang
bervariasi menurut waktu, dan ketergantungan jangka pendek dan jangka
panjang. Oleh karena itu, kami menyarankan untuk menggunakan distribusi
yang stabil dalam pemodelan VAR78 .
Kami mendemonstrasikan contoh pemodelan VAR yang stabil dan normal pada Gambar 1-
16 dengan evaluasi pengukuran VAR dari empat indeks: DAX30, S&P500,
CAC40, dan Nikkei 22579 . Estimasi VAR = -VAR pada tingkat keyakinan =
99% dan =95% ditunjukkan pada Gambar 4, 8, 12, dan 16. Grafik-grafik
tersebut mengilustrasikan hal tersebut:
77
Cheng dan Rachev (1994 dan 1995); Chobanov, Mateev, Mittnik, dan Rachev (1996); Fama
(1965); Gamrowski dan Rachev (1994, 1995a, dan 1995b); Mandelbrot (1962, 1963a, 1963b,
dan 1967); McCulloch (1996); Mittnik dan Rachev (1991 dan 1993); Mittnik, Rachev, dan
56
Chenyao (1996); Mittnik, Rachev, dan Paolella (1997).
78
Lihat juga Gamrowski dan Rachev (1996).
79
Kumpulan data diunduh dari Datastream. Seri DAX30 mencakup 8630 pengamatan dari
1.04.65 hingga 1.30.98, seri S&P 500 - 7327 pengamatan dari 1.01.70 hingga
1.30.98, seri CAC40 - 2756 pengamatan dari 7.10.87 hingga 1.30.98, dan Nikkei 225
seri - 4718 pengamatan dari 1.02.80 hingga 1.30.98.
57
(i) pada tingkat keyakinan VAR = 95%, pemodelan normal dapat
diterima untuk evaluasi VAR;
(ii) pada =99%, pemodelan yang stabil secara umum memberikan evaluasi
konservatif terhadap VAR80 . VAR 99% lebih rendah daripada VAR 99%
empiris hanya untuk indeks DAX30;
(iii) pemodelan normal menghasilkan perkiraan kerugian yang terlalu optimis
pada = 99%. Untuk semua set data yang dipertimbangkan, estimasi
VAR normal 99% lebih kecil daripada VAR empiris.
Kami mengamati bahwa pemodelan VAR yang stabil mengungguli pemodelan
normal pada nilai yang tinggi dari tingkat konsistensi VAR. Untuk mendapatkan
kesimpulan yang sah mengenai metodologi VAR yang stabil, kita perlu
mengujinya pada kelas faktor risiko yang lebih luas dan portofolio aset
dengan berbagai kompleksitas. Analisis lengkap mengenai kinerja model
stabil dalam perhitungan VAR akan diberikan dalam publikasi lanjutan.
80
Lembaga keuangan dan regulator lebih menyukai pengukuran VAR yang sedikit terlalu
tinggi daripada terlalu rendah. Jika model secara sistematis underestimate VAR, maka
faktor perkalian yang lebih tinggi akan diterapkan dalam perhitungan kebutuhan modal risiko
pasar. Lihat Bagian
1 untuk diskusi tentang biaya modal.
58
4000
3000
DAX30
harian
2000 1000
Waktu
0
DAX30, (%)
-5 -10
Waktu
59
0.6
Densitas Empiris
Kecocokan Stabil
0.5
alpha = 1.823
beta =-0.084
mu = 0,027
0.4
sigma = 0,592
Kecocokan
Normal
Kepadatan
0.3
Perkiraan
rata-rata = 0,026
st.dev. = 1.002
0.2 0.1
0.0
-10 -5 0 5
Densitas Empiris
Kecocokan Stabil
alpha = 1.823
0.08
beta =-0.084
mu = 0,027
sigma = 0,592
Kecocokan
0.06
Normal
rata-rata = 0,026
Kepadatan
Perkiraan
st.dev. = 1.002
0.04
1%e * * 1% s * 1% n 5% n * 5% * e * 5% s
60
600 1000
800
S&P 500
harian
400 200
Waktu
-10 -5 0
(%)
-15 -20
Waktu
61
Densitas Empiris
Kecocokan Stabil
0.6
alpha = 1,708
beta = 0.004
mu = 0,035
sigma = 0,512
Kecocokan
0.4
Normal
Kepadatan
rata-rata = 0,032
Perkiraan
st.dev.= 0.930
0.2
0.0
Densitas Empiris
Kecocokan Stabil
alpha = 1,708
beta = 0.004
0.15
mu = 0,035
sigma = 0,512
Kecocokan
Normal
rata-rata = 0,032
0.10
Kepadatan
Perkiraan
st.dev.= 0.930
VAR* Kuantil Stabil Normal Empiris 99%1%
-2.559-2.131 -2.293
95% 5%-1. 309 -1.497 -1.384
0.05
0.0
62
2000 3000
2500
CAC40
harian
1500
1000
Waktu
0
(%)
-5 -10
Waktu
63
0.5
Densitas Empiris
Kecocokan Stabil
alpha = 1,784
0.4
beta =-0.153
mu = 0,027
sigma = 0,698
Kecocokan
0.3
Normal
rata-rata = 0,028
Kepadatan
st.dev. = 1,198
Perkiraan
0.2 0.1
0.0
-10 -5 0 5
Gambar 11. Pemasangan yang stabil dan normal untuk indeks CAC40
Densitas Empiris
0.08
Kecocokan Stabil
alpha = 1,784
beta =-0.153
mu = 0,027
sigma = 0,698
0.06
Kecocokan
Normal
rata-rata = 0,028
Kepadatan
Perkiraan
st.dev. = 1,198
0.04
64
40000
30000
Nikkei 225
20000
10000
Waktu
-5 0 5
(%)
-10 -15
Waktu
65
Densitas Empiris
Kecocokan Stabil
0.6
alpha = 1,444
beta =-0.093
mu =-0.002
sigma = 0,524
Kecocokan
Normal
0.4
rata-rata = 0,020
Kepadatan
Perkiraan
st.dev. = 1,185
0.2
0.0
-15 -10 -5 0 5 10
Gambar 15. Pemasangan indeks Nikkei 225 yang stabil dan normal
Densitas Empiris
0.08
Kecocokan Stabil
alpha = 1,444
beta =-0.093
mu =-0.002
sigma = 0,524
0.06
Kecocokan
Normal
rata-rata = 0,020
Kepadatan
Perkiraan
st.dev. = 1,185
0.04
-5 -4 -3 -2
66
Ucapan terima kasih. Kami berterima kasih kepada Market Risk
Management Group dari Sanwa Bank, Cabang New York, atas komentar-
komentarnya yang sangat berharga.
Referensi
[1] Ait-Sahalia, Y. dan A. Lo, 1997, Nonparametric Risk Management and Im-
plied Risk Aversion, NBER Working Paper Series, Working Paper 6130 and
1998, \http://gsbwww.uchicago.edu/fac/~ nance/papers/risk.pdf".
[2] Ait-Sahalia, Y. dan A. Lo, 1995, Nonparametric Estimation of State-Price
Densities Implisit in Financial Asset Prices, NBER Working Paper Series,
Working Paper 5351, dan 1998, Journal of Finance, 53, 499-548.
[3] Banz, R. W. dan M. H. Miller, 1978, Harga untuk Klaim Kontinjensi
Negara: Beberapa Estimasi dan Aplikasi, Journal of Business, 51(4), 653-
672.
[4] Komite Basel untuk Pengawasan Perbankan, 1996, Amandemen
Kesepakatan Modal untuk Memasukkan Risiko Pasar.
[5] Beder, T., 1995, VAR: Seductive But Dangerous, Financial Analysts Journal
(September/Oktober), 12-24, dan 1997, dalam Grayling, S., editor, VAR:
Understanding and applying Value at risk, London: Risk, 113-122.
[6] Bollerslev, T., 1986, A Conditionally Heteroskedastic Time Series Model for
Speculative Prices and Rates of Return, Review of Economics and Statistics,
69, 542-547.
[7] Bollerslev, T., R. Chou, dan K. Kroner, 1992, ARCH Modeling in Finance:
Sebuah Tinjauan Teori dan Bukti Empiris, Journal of Econometrics, 52, 5-59.
[8] Boudoukh, J., M. Richardson dan R. Whitelaw, 1998, The Best of Both
Worlds: A Hybrid Approach to Calculating Value at Risk, Social Science
Research Network Electronic Library, Financial Economics Network,
\http://papers.ssrn.com/toptens/topten20360.html" dan dalam Risk 11
(Mei), 64-67.
[9] Boudoukh, J., M. Richardson dan R. Whitelaw, 1997, Expect the Worst,
dalam Grayling, Susan, editor, VAR: Understanding and applying Value at
risk, London: Risk, hal. 79-81.
[10] Breeden, D.T. dan R.H. Litzenberger, 1978, Harga Klaim Kontinjensi
Negara yang Tersirat dalam Harga Opsi, Journal of Business, 51(4), 621-651.
67
[12] Butler, J.S. dan B. Schachter, 1996, Improving Value-at-Risk Estimations
by Combining Kernel Estimation with Historical Simulation, Office of the
Comptroller of the Currency, Economic & Policy Analysis, Working Paper
96-1.
[13] Cheng, B. dan ST Rachev, 1995, Multivariate Stable Futures Prices,
Journal of Mathematical Finance, 5, 133-153.
[14] Cheng, B. dan S.T. Rachev, 1994, The Stable Fit To Asset Returns, Uni-
versity of California, Santa Barbara, Departemen Statistik dan Probabilitas
Terapan, Laporan Teknis 273.
[15] Chobanov, G., P. Mateev, S. Mittnik, dan S.T. Rachev, 1996, Modeling
the Distribution of Highly Volatile Exchange-rate Time Series, dalam P.
Robinson dan M. Rosenblatt, eds, "Time Series", Springer Verlag, 130-
144.
[16] Danielsson, J. dan C.G. de Vries, 1997a, Beyond the Sample: Estimasi
Kuantil Ekstrim dan Estimasi Probabilitas, \http://www.hag.hi.is/~joind/
research".
[17] Danielsson, J. dan C.G. de Vries, 1997b, Value-at-Risk and Extreme Re-
turns, \http://www.hag.hi.is/~joind/riset".
[18] Dave, R.D. dan G. Stahl, 1997, On the Accuracy of VAR Estimates Based
on the Variance-Covariance Approach, Working Paper.
[19] Strategi Derivatif, 1998, Meja Bundar. Batas-batas VAR, (April 1998), vol.
3, no. 4, 14-22.
68
[27] Gamrowski, B. dan ST Rachev, 1996, Menguji Validitas Ukuran Nilai pada
Risiko, dalam Heyde, Prohorov Pyke, dan Rachev eds., Athena Confer-
ence on Applied Probability and Time Series, Volume I: Probabilitas
Terapan, Springer-Verlag, 307-320.
[28] Gamrowski, B. dan ST Rachev, 1995a, A Testable Version of the Pareto-
stable CAPM, University of California, Santa Barbara, Department of
Statisics and Applied Probability, Technical Report 292.
[29] Gamrowski, B. dan ST Rachev, 1995b, Model Keuangan Menggunakan
Hukum Stabil, Teori Probabilitas dan Aplikasinya, Survei dalam Matematika
Terapan dan Indus- trial, Yu. V. Prohorov (editor), 2, 556-604.
[35] Heron, D. dan R. Irving, 1997, Banks Grasp the VAR Nettle, dalam
Grayling, S., editor, VaR: Understanding and Applying Value-at-Risk, London:
Risk, hal. 35-39.
[36] Hiemstra, M., 1997, VAR dengan Otot, dalam Grayling, S., editor, VaR:
Memahami dan Menerapkan Value-at-Risk, London: Risk, hal. 359-361.
[37] Hopper, G., 1996, Value at Risk: A New Methodology For Measuring
Portfolio Risk, Federal Reserve Bank of Philadelphia Business Review
(July/August), 19-30, dan 1997, dalam Grayling, S., editor, VaR:
Understanding and Applying Value at Risk, London: Risk, 141-149.
[42] Jorion, P., 1996a, Value at Risk: The New Benchmark for Controlling
Market Risk, Irwin Professional.
[43] Jorion, P., 1996b, Risk2 : Measuring the Risk in Value At Risk, Financial
Analysts Journal 52 (November/Desember), dan 1997, dalam Grayling, S.,
editor, VaR: Understanding and Applying Value at Risk, London: Risk, 187-
193.
[44] Jorion, P., 1997, In Defense of VaR, Derivatives Strategy 2 (April), 20-23.
[45] JP Morgan, 1995, RiskMetrics, Edisi ketiga, JP Morgan.
[46] Kupiec, P., 1995, Techniques for Verifying the Accuracy of Risk Measure-
ment Models, Journal of Derivatives 3 (Winter), 73-84, 1996, dalam Risk
Mea- surement and Systemic Risk, Proceedings of a Joint Central Bank
Research Conference, Washington, DC: Board of Governors of the Federal
Reserve System, 381-401, dan 1997, dalam Grayling, S., editor, VaR:
Understanding and Applying Value at Risk, London: Risk, 195-204.
[55] Mandelbrot, B. B., 1962, Sur Certain Prix Sp eculatifs: Faits Empiriques et
Mod ele Bas e sur les Processes Stables Additifs de Paul L evy, Comptes
Rendus
254 (1962), 3968-3970.
[56] Marshall, C. dan M. Siegel, 1997, Value at Risk: Implementing A Risk
Management Standard, Journal of Derivatives 4 (Spring), 91-110, dan 1997,
dalam Grayling, Susan, editor, VaR: Understanding and Applying Value-at-
Risk, London: Risk, 257-273.
[57] McCulloch, JH, 1996, Aplikasi Finansial dari Distribusi yang Stabil, dalam
G. S. Maddala dan C. A. Rao, editor, Buku Pegangan Statistik: Metode
Statistik dalam Keuangan, Amsterdam: Elsevier Science B. V., 14, 393-425.
[60] Mittnik, S., S.T. Rachev, dan D. Chenyao, 1996, Distribusi Nilai Tukar:
Sebuah Model Penjumlahan Geometrik yang Stabil, Prosiding Seminar
Analisis Data, 12-17 September 1996, Sozopol, Bulgaria.
[61] Mittnik, S., S.T. Rachev, dan M.S. Paolella, 1997, Pemodelan Paretian
yang Stabil di Bidang Keuangan: Beberapa Aspek Empiris dan Teoritis, dalam
R. Adler dkk, eds, Panduan Praktis untuk Ekor Ekor Berat: Teknik-teknik
Statistik untuk Menganalisis Distribusi Ekor Berat, ,Birkhause Boston, in press.
[63] Niederreiter, H., 1992, Pembangkitan Bilangan Acak dan Metode Quasi-
Monte Carlo, Society for Industrial and Applied Mathematics, Philadelpia,
Pennsylvania.
[64] Owen, A. dan D. Tavella, 1997, Scrambled Nets for Value-at-Risk Calcu-
lations, dalam Grayling, S., editor, VaR: Understanding and Applying Value-
at- Risk, London: Risk, hal. 289-297.
[65] Paskov, S.H. dan J.F. Traub, 1995, Faster Valuation of Financial
Derivatives, The Journal of Portfolio Management (Musim Gugur 1995), 113-
71
120.
72
[66] Phelan, M.J., 1995, Probabilitas dan Statistik yang Diterapkan pada Praktik
Manajemen Risiko Keuangan: The Case of JP Morgan's RiskmetricsTM , Whar-
ton Financial Institutions Center Working Paper Series, Working Paper 95-
19.
[67] Priest, A., 1997a, Veba's Way with VAR, dalam Grayling, S., editor, VaR:
Understanding and Applying Value-at-Risk, London: Risk, hal. 355-357.
[68] Priest, A., 1997b, Not So Simple for Siemens, dalam Grayling, S., editor,
VaR: Understanding and Applying Value-at-Risk, London: Risk, hal. 363-365.
[69] Pritsker, M., 1996, Mengevaluasi Metodologi Value at Risk: Akurasi Ver-
sus Waktu Komputasi, Wharton Financial Institutions Center Working Paper
Series, Working Paper 96-48, dan 1997, dalam Grayling, S., editor, VaR:
Understanding and Applying Value at Risk, London: Risk, 233-255.
[70] Rubinstein, M., 1994, Implied Binomial Trees, The Journal of Finance, LXIX
(3), 771-818.
[71] Schachter, B., 1997, The Lay Person's Introduction to Value at Risk, Fi-
nancial Engineering News 1 (Agustus).
[75] Shimko, D., 1997b, Investor's Return on VAR, dalam Grayling, S., editor,
VaR: Understanding and Applying Value-at-Risk, London: Risk, hal. 349.
[76] Simons, K., 1996, Value at Risk - New Approaches to Risk Management,
Federal Reserve Bank of Boston New England Economic Review (Sept/Oct),
3-13, dan 1997, dalam Grayling, S., editor, VaR: Understanding and
Applying Value-at-Risk, London: Risk, 133-139.
[77] Singh, M., 1997, Value at Risk Using Principal Components Analysis,
Journal of Portfolio Management 24 (Fall), 101-110.
[78] Sobol, I.M., 1973, Numerical Monte Carlo Methods (dalam bahasa Rusia),
Moscow: Nauka.
[79] The Economist , 1998, Model Perilaku, (28 Februari), hal. 80.
[80] Wilson, T., 1994, Plugging the GAP, Risk 7,10 (Oktober), 74-80.
[81] Zangari, P., 1996, Seberapa Akuratkah Metodologi Delta-Gamma?, Risk-
Metrics Monitor, (Kuartal Ketiga 1996), 12-29.
73
DEPARTEMEN EKONOMI INSTITUT MATEMATIKA UNIVERSITAS
CALIFORNIA EKONOMI DAN STATISTIK
SANTA BARBARA, CA 93106-3110 UNIVERSITAS KARLSRUHE
E-MAIL: khindan@econ.ucsb.eduP.O. KOTAK 6980
D-76128 KARLSRUHE
JERMAN
dan
DEPARTEMEN STATISTIK DAN
PROBABILITAS TERAPAN
UNIVERSITY OF CALIFORNIA
SANTA BARBARA, CA 93106-3110
E-MAIL:
rachev@lsoe-4.wiwi.uni-
karlsruhe.de
rachev@pstat.ucsb.edu
52
Lihat statistik publikasi