Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/5060409

Nilai yang Berisiko: Kemajuan Terkini.

Artikel - Februari 2000

Sumber: RePEc

KUTIPAN MEMBACA

26 1,444

2 penulis, termasuk:

Teodosii Rachev
Universitas Stony Brook
366 PUBLIKASI 8.782 KUTIPAN

LIHAT PROFIL

Beberapa penulis publikasi ini juga sedang mengerjakan proyek-proyek terkait:

Penetapan Harga Aset Dinamis dengan Adanya Pedagang yang Terinformasi Lihat proyek

Menggunakan distribusi Stabil untuk deskripsi fenomena alam Lihat proyek

Semua konten yang mengikuti halaman ini diunggah oleh Teodosii Rachev pada tanggal 09 Juni 2015.

Pengguna telah meminta peningkatan file yang diunduh.

NILAI YANG BERESIKO: PERKEMBANGAN TERKINI

Oleh Irina N. Khindanova dan Svetlozar T. Rachev

Universitas California, Santa Barbara dan Universitas Karlsruhe, Jerman

Pengukuran Value-at-Risk (VAR) diterapkan secara luas untuk

memperkirakan eksposur risiko pasar. Pendekatan tradisional untuk
perhitungan VAR - metode varians-kovarians, simulasi historis, simulasi Monte
Carlo, dan stress-testing - tidak memberikan evaluasi yang memuaskan
terhadap kemungkinan kerugian. Dalam makalah ini kami mengulas kemajuan
terbaru dalam metodologi VAR. Perbaikan yang diusulkan masih belum
memiliki teknik tunggal yang meyakinkan yang dapat menangkap fenomena
yang diamati dalam data keuangan seperti heavy-tails, volatilitas yang
bervariasi terhadap waktu, dan ketergantungan jangka pendek dan jangka
panjang. Kami menyarankan untuk menggunakan distribusi Paretian yang
stabil dalam pemodelan VAR.

Kata dan frasa kunci. Risiko pasar, Value-at-Risk, perhitungan VAR,

distribusi Paretian yang stabil.

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

negara. Lihat Jackson, Maude dan Perraudin (1997); Liu (1996).

21Untuk definisi yang tepat dari VAR, lihat (1) dengan = 10 dan = . 99 di bagian ini.

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

(ii) rata-rata VAR 1

P VAR
60
t i
selama 60 hari sebelumnya dikalikan
60
i=1
dengan faktor antara tiga dan empat.
Biaya modal untuk risiko spesifik mencakup posisi utang dan ekuitas.
Estimasi risiko spesifik yang diperoleh dari model VAR harus dikalikan
dengan faktor empat. Dengan demikian, kebutuhan modal risiko pasar pada
waktu t, Ct , adalah

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

dimana F P (x) = P r( P x) adalah fungsi distribusi kumulatif (cdf) dari

return portofolio dalam satu periode, dan f P (x) adalah fungsi densitas
probabilitas (pdf) dari P25 . Metodologi VAR terutama di er dalam cara-
cara membangun f P (x).
Teknik tradisional untuk memperkirakan distribusi P adalah:

metode parametrik (analitik atau berbasis model),

simulasi historis (nonparametrik atau berbasis empiris),

Simulasi Monte Carlo (simulasi stokastik), dan

pengujian stres (analisis skenario)26 .

25
Jika f P (x) tidak ada, maka VAR dapat diperoleh dari cdf F P .
26 JP Morgan (1995); Phelan (1995); Mahoney (1996); Jorion (1996a); Simons (1996); Fal-
lon (1996); Linsmeier dan Pearson (1996); Hopper (1996/1997); Dave dan Stahl (1997);
Gamrowski dan Rachev (1996); D u e dan Pan (1997); Fong dan Vasicek (1997); Pritsker
(1996/1997).

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.

2.1.1 VAR untuk Aset Tunggal

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

(z)dz = N (z1 ) ; dengan X = z1 + ;

1 1

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.

2.1.2 Portofolio VAR

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 ) :

Dengan demikian, risiko dapat diwakili oleh kombinasi eksposur linear

terhadap faktor-faktor yang terdistribusi secara normal.
Dalam kelas model parametrik ini, untuk mengestimasi risiko, cukup
dengan mengevaluasi matriks kovarians faktor risiko portofolio (dalam kasus
yang paling sederhana, return aset individual).
Estimasi matriks kovarian didasarkan pada data historis atau data tersirat
dari model penetapan harga sekuritas.
Jika portofolio berisi obligasi, saham, komoditas, dan mata uang tanpa
kupon, VAR dapat dihitung dari korelasi faktor risiko dasar dan bobot aset. Jika
portofolio berisi sekuritas yang lebih kompleks, maka sekuritas diuraikan
menjadi beberapa blok.
Pengembalian portofolio sering diasumsikan terdistribusi secara normal28
. Salah satu metode yang menggunakan asumsi normalitas untuk return
adalah metode delta (delta-normal atau metode varians-kovarians).
27
Jika faktor risiko tidak masuk secara linier (seperti dalam kasus opsi), maka digunakan
perkiraan linier.
28
JP Morgan (1995); Phelan (1995).
10
2.1.3 Metode Delta

Metode delta memperkirakan perubahan harga sekuritas dengan

menggunakan "delta" sehubungan dengan faktor risiko dasar. Metode ini
melibatkan pendekatan linear (juga disebut sebagai delta atau lokal) terhadap
pergerakan harga (log):

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:

Metode delta-normal (varians-kovarians) menghitung VAR portofolio sebagai

T
VAR = Y z01 pd d ;
di mana d = d(X) = (1(X); 2(X);:::; n(X))T adalah vektor posisi delta, j (X)
adalah delta sekuritas sehubungan dengan faktor risiko ke-j, j = @P = @Xj .

2.1.4 VAR Berdasarkan Asumsi Distribusi Gamma

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:

P (X) = P (X1 + U 1 ;::: ; Xn + Un ) P (X 1 ;:::; X )n

Xn

j Uj +
1
2
X
n

j
2
j
U;
j=1 j=1

di mana P adalah perubahan harga sekuritas, n adalah jumlah faktor

risiko dasar, Uj adalah perubahan nilai faktor risiko ke-j, j = j (X) adalah
delta sekuritas pada tingkat X sehubungan dengan faktor risiko ke-j, j =
@P = @X ;jj adalah
29
Karena horison waktu ( ) adalah xed dan t adalah waktu sekarang, kita akan
menghilangkan argumen waktu dan menulis P (X + U ) sebagai pengganti P (t +; X + U

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

ijij U Uij ; (2)

2 =1
dimana X = (X1 ; X 2 ;::: ; X )nT , Xi adalah faktor risiko ke-i, Ui adalah
perubahan faktor risiko Xi , wi adalah bobot faktor risiko ke-i,ij =ij (X)
adalah portofolio (i,j),ij (X) = @2 P (X) = @X @X ,ijjj =j , i = 1 ;::: ; n; j

XX
= 1;:: ; n. Varians dari return portofolio dapat diestimasi dengan

V ( P (X)) = ij w wij cov(Xi ; X )+ j

XXX
i j

i w w jkijk wcov(Xi ; X X )+ jk

XXXX
i j k
1

i j k l ijkl w wij w wkl cov(X Xij ; X Xkl ):

4
Dari (2), P adalah fungsi kuadrat dari variat normal. Distribusi dari
P secara umum tidak simetris. Namun, seseorang dapat memperkirakan
kuantil dengan parameter skewness dan deviasi standar. Faktanya, Fong
dan Va- sicek (1997) menggunakan pendekatan untuk nilai VAR portofolio,
berdasarkan distribusi \gamma \gamma\ yang digeneralisasi:

VAR = Y0 k( ; ) (Xp ) ;

di mana adalah kemencengan distribusi, = = ;333 adalah momen ketiga dari

P; k( ; ) adalah ordinat yang diperoleh dari distribusi gamma yang
digeneralisasikan untuk kemencengan pada tingkat konvergensi. Fong dan
Vasicek (1997) melaporkan nilai k( ; ) pada = 99%:

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).

Distribusi gamma mempertimbangkan kemencengan distribusi P,

sedangkan distribusi normal bersifat simetris dan tidak memperhitungkan
kemencengan.

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

di mana Pp;t adalah harga portofolio (log) saat ini.

VAR portofolio diperoleh dari fungsi densitas imbal hasil hipotetis yang
dihitung. Secara formal, VAR = VARt; diestimasi dengan negatif dari
kuantil ke (1) , VAR , yaitu, F ; P (VAR) = F ; P (VAR ) = 1, di mana F ;
P (x) adalah fungsi densitas empiris

1 X1 R
F; P (x)
= p; t + x; x 2 R:
s
s=1

2.3 Simulasi Monte Carlo

Metode Monte Carlo mengkhususkan model statistik untuk faktor risiko dasar
dan aset dasar. Metode ini mensimulasikan perilaku faktor risiko dan harga
aset dengan menghasilkan jalur harga acak. Simulasi Monte Carlo
memberikan nilai portofolio yang mungkin terjadi pada tanggal tertentu T
setelah waktu sekarang t; T > t. Nilai VAR (VART ) dapat ditentukan dari
distribusi nilai portofolio yang disimulasikan. Pendekatan Monte Carlo
dilakukan menurut algoritma berikut:

1. Tentukan proses stokastik dan parameter proses untuk variabel

keuangan dan korelasi.
2. Mensimulasikan lintasan harga hipotetis untuk semua variabel yang
diminati. Perubahan harga hipotetis diperoleh melalui simulasi, yang
diambil dari distribusi yang ditentukan.
14
Hitung
waktunilai portofolio
T; Pi;T Pp;Tharga
, dari lintasan = Pw i;T Pdisimulasikan.
yang i;T . 3. Dapatkan harga aset pada

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 .

2.4 Pengujian tegangan

Metode parametrik, simulasi historis, dan Monte Carlo mengestimasi VAR
(kerugian yang diharapkan) tergantung pada faktor-faktor risiko. Metode
stress testing menguji pengaruh pergerakan besar dalam variabel-variabel
finansial utama terhadap nilai portofolio. Pergerakan harga disimulasikan
sesuai dengan skenario tertentu30 . Aset portofolio dievaluasi kembali di

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.

3 Komponen Metodologi VAR

Implementasi metodologi VAR membutuhkan analisis terhadap komponen-
komponennya:

asumsi distribusi dan korelasi,

model volatilitas dan kovarians,
skema pembobotan,
panjang jendela data yang digunakan untuk estimasi parameter,
pengaruh horizon waktu (holding period) terhadap nilai VAR, dan
penggabungan rata-rata imbal hasil dalam analisis VAR.

3.1 Asumsi distribusi

Metode VAR parametrik mengasumsikan bahwa pengembalian aset memiliki
distribusi parametrik. Pendekatan parametrik tunduk pada "risiko model":
asumsi distribusi mungkin salah. Asumsi yang sering digunakan adalah
bahwa pengembalian aset memiliki distribusi normal multivariat. Padahal,
banyak deret waktu keuangan yang melanggar asumsi normalitas. Data
empiris menunjukkan distribusi asimetris, leptokurtik atau platokurtik dengan
ekor yang panjang. Fong dan Vasicek (1997) menyarankan

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.

3.2 Model volatilitas dan kovarians

Metode VAR menerapkan beragam model volatilitas dan korelasi31 :
volatilitas konstan (jendela bergerak),
pembobotan eksponensial,
GARCH,
EGARCH (volatilitas asimetris),
GARCH lintas pasar,
volatilitas tersirat,
32 .
pandangan subjektif

3.2.1 Model Volatilitas Konstan

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 +

Jika rata-rata pengembalian diasumsikan cukup kecil,

18
 T
2
1
t;
= Ri2 :
^T Tt i =

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

Data keuangan empiris tidak menunjukkan volatilitas yang konstan. Model

pembobotan eksponensial memperhitungkan volatilitas yang bervariasi dari
waktu ke waktu dan menekankan pada pengamatan terkini:

2
t;
^T
= XT
i (Ri ^t;T )2 ;
i=t
+1

di manai adalah nilai pembobotan:

T

0 <i < 1; i =1 : (3)

i =

Xt +

Skema pembobotan dibagi menjadi skema seragam33 dan skema spesifik

aset34 . Sistem RiskMetrics JP Morgan mengadopsi pendekatan pembobotan
seragam:

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).

3.2.3 Model ARCH

Model populer yang menjelaskan volatilitas yang bervariasi menurut waktu

adalah model autoregressive conditional heterockedasticity (ARCH), yang
diperkenalkan oleh Engle (1982). Dalam model ARCH, varians bersyarat
mengikuti proses autoregresif. Model ARCH(q) mengasumsikan bahwa return
dari aset ke-i Ri;1 , Ri;2 , . . . dijelaskan oleh proses tersebut:

20
 Ri;t = i + i;tui;t ;

2
i; t =i + X q

ij (R i;t ji ) ; j=1
2

33JP Morgan (1995); Jackson, Maude, dan Perraudin (1997).

34
Lawrence dan Robinson (1995/1997).
35
lihat Jackson, Maude, Perraudin (1997, tabel 4, h. 179).

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.

3.2.4 Model GARCH

Bollerslev (1986) menyarankan model generalized ARCH (GARCH)37 . Dalam

model GARCH, varians bersyarat mengandung komponen autoregresif dan
moving average (mengikuti proses ARMA). Dalam model GARCH (p,q),
return dari aset ke-i memiliki representasi
Ri;t = i + i;tui;t;

varians bersyarat diasumsikan sebagai berikut

2
i; t
= i +
Xq

j=1
ij (Ri;t j i )2 +
X p

k=1
jk
i;t
2 k
;

where i; ij; ik are constants, i > 0; ij 0; ik 0;j = 1;::: ; q;k =

1;::: ; p;i = 1;::: ; n:
Keuntungan menggunakan model GARCH berasal dari fakta bahwa
proses AR dengan orde tinggi dapat diwakili oleh proses ARMA yang lebih
sederhana. Dengan demikian, model GARCH akan memiliki lebih sedikit
parameter yang harus diestimasi daripada model ARCH yang sesuai.

3.2.5 Model EGARCH

Nelson (1991) memperkenalkan model GARCH eksponensial (EGARCH).

Pada model EGARCH (p, q) secara umum, varians bersyaratnya adalah
sebagai berikut38

)
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.

3.2.6 GARCH lintas pasar

GARCH lintas pasar memungkinkan untuk mengestimasi volatilitas di satu

pasar dari volatilitas di pasar lain. Du e dan Pan (1997) memberikan

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

12;t =A+ R1; t R2; + 12;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.

3.2.7 Volatilitas Tersirat

Kadang-kadang analis menggunakan volatilitas tersirat untuk

memperkirakan volatilitas di masa depan. Volatilitas tersirat adalah
volatilitas yang berasal dari model penetapan harga. Contohnya, volatilitas
tersirat dapat diperoleh dari model penetapan harga opsi Black-Scholes.
Harga opsi yang dihitung dengan rumus Black-Scholes Ct = C(St ; K; r; ; )
meningkat dalam volatilitas. Oleh karena itu, dengan membalikkan rumus
tersebut, kita dapat memperoleh nilai volatilitas tersirat = (Ct ; St ; K; r; ).
Di sini, Ct adalah harga opsi, St adalah harga aset acuan, K adalah harga
pelaksanaan, r adalah suku bunga konstan, dan adalah waktu
kedaluwarsa.
Teknik pohon tersirat39 mengasumsikan volatilitas tersirat berubah dari
waktu ke waktu dan menghitungnya dengan menghubungkan harga opsi
yang dimodelkan dan harga opsi yang diamati.

3.2.8 Model Korelasi

Selain asumsi distribusi dan model volatilitas, komputasi VAR juga

membutuhkan spesifikasi asumsi korelasi pada perubahan harga dan
volatilitas di dalam dan di seluruh pasar40 . Beder (1995/1997)
mengilustrasikan sensitivitas hasil VAR terhadap asumsi korelasi. Dia
menghitung VAR dengan menggunakan metode simulasi Monte Carlo
dengan dua asumsi yang berbeda: (i) korelasi antar kelompok aset dan (ii)
24
korelasi hanya di dalam kelompok aset. Estimasi VAR yang diperoleh lebih
rendah untuk jenis asumsi korelasi yang pertama dibandingkan dengan jenis
yang kedua.
39
Derman dan Kani (1994); Rubinstein (1994); Jackwerth dan Rubinstein (1995 dan 1996).
40
Du e dan Pan (1997); Beder (1995/1997); Liu (1996).

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.

3.4 Panjang jendela

Panjang jendela adalah panjang subsampel data (periode pengamatan) yang
digunakan untuk estimasi VAR. Pilihan window length berkaitan dengan
masalah pengambilan sampel dan ketersediaan database. Regulator
menyarankan untuk menggunakan window length 250 hari (satu tahun).
Jackson, Maude, dan Perraudin (1997) menghitung VAR parametrik dan
simulasi untuk jangka waktu 1 hari dan 10 hari dengan menggunakan jendela
data dari tiga hingga 24 bulan. Mereka menyimpulkan bahwa prediksi VAR
berdasarkan jendela data yang lebih panjang lebih dapat diandalkan41 .
Beder (1995/1997) mengestimasi VAR dengan menggunakan metode
simulasi historis untuk jangka waktu 100 hari dan 250 hari. Beder
menunjukkan bahwa nilai VAR meningkat seiring dengan bertambahnya
rentang waktu pengamatan. Hendricks (1996/1997) menghitung ukuran VAR
menggunakan pendekatan parametrik dengan model volatilitas tertimbang
yang sama dan pendekatan simulasi historis untuk panjang jendela 50, 125,
250, 500, dan 1250 hari. Dia melaporkan bahwa ukuran VAR menjadi lebih
stabil untuk periode pengamatan yang lebih panjang.

3.5 Penggabungan rata-rata imbal hasil

Dalam banyak kasus, rata-rata pengembalian diasumsikan nol. Jackson,
Maude, dan Perraudin (1997) menganalisis dampak dari (i) penyertaan rata-
rata dalam perhitungan dan (ii) menetapkan rata-rata menjadi nol pada hasil
VAR. Analisis mereka tidak m e n g h a s i l k a n kesimpulan tertentu42 .
41 Jackson, Maude, dan Perraudin (1997, tabel 5, h. 180).
42 Jackson, Maude, dan Perraudin (1997, tabel 6, hal. 181).
26
4 Kekuatan dan Kelemahan VAR
Metodologi VAR menjadi alat yang penting dalam manajemen risiko. Penting
untuk mengetahui kekuatan dan kelemahan VAR43 .
Institusi menggunakan pengukuran VAR untuk memperkirakan eksposur
terhadap risiko pasar dan menilai kerugian yang diharapkan. Penerapan
metode VAR yang berbeda memberikan estimasi VAR yang berbeda pula.
Pemilihan metode sebagian besar tergantung pada komposisi portofolio. Jika
portofolio berisi instrumen dengan ketergantungan linier pada faktor risiko
dasar, metode delta akan memuaskan. Kekuatan dari pendekatan delta
adalah perhitungan VAR relatif mudah. Kelemahan dari metode delta-normal
adalah: (i) pengamatan empiris terhadap return instrumen keuangan tidak
menunjukkan distribusi normal dan, dengan demikian, teknik delta-normal
tidak cocok untuk data dengan ekor yang panjang; (ii) akurasi estimasi
VAR berkurang dengan adanya instrumen nonlinier: dengan adanya
instrumen nonlinier, estimasi VAR menjadi lebih rendah. Untuk portofolio
dengan instrumen opsi, simulasi historis dan Monte Carlo lebih cocok. Metode
simulasi historis mudah diimplementasikan jika memiliki basis data yang
memadai. Keuntungan menggunakan simulasi historis adalah tidak
menggunakan asumsi distribusi. Model yang didasarkan pada data historis
mengasumsikan bahwa tren masa lalu akan berlanjut di masa depan.
Namun, di masa depan mungkin saja terjadi peristiwa-peristiwa ekstrem.
Teknik simulasi historis terbatas dalam meramalkan kisaran perubahan nilai
portofolio. Metode stress-testing dapat diterapkan untuk menyelidiki pengaruh
perubahan besar dalam variabel keuangan. Kelemahan dari stress-testing
adalah sifatnya yang subyektif. Metode Monte Carlo dapat memasukkan
posisi nonlinier dan distribusi non-normal. Metode ini tidak membatasi
rentang perubahan nilai portofolio. Metode Monte Carlo dapat digunakan
dalam melakukan analisis sensitivitas. Keterbatasan utama dalam
menerapkan metodologi Monte Carlo adalah: (i) metode ini dipengaruhi oleh
risiko model; (ii) komputasi dan perangkat lunak yang kompleks; (iii)
memakan waktu.
Metodologi VAR tunduk pada risiko implementasi: implementasi model
yang sama oleh pengguna yang berbeda menghasilkan estimasi VAR yang
berbeda. Marshall dan Siegel (1997) melakukan studi inovatif tentang risiko
implementasi. Mereka membandingkan hasil VAR yang diperoleh oleh
beberapa pengembang sistem manajemen risiko dengan menggunakan satu
model, yaitu RiskMetrics dari JP Morgan. Marshal dan Siegel menemukan
bahwa sistem yang berbeda tidak menghasilkan estimasi VAR yang sama
untuk model yang sama dan portofolio yang sama. Estimasi yang bervariasi
dapat dijelaskan oleh sensitivitas model VAR terhadap asumsi pengguna.
Tingkat variasi dalam angka VAR dikaitkan dengan komposisi portofolio.
Ketergantungan risiko implementasi pada kompleksitas instrumen dapat
dirangkum dalam peringkat relatif berikut ini: foreign exchange forward, pasar
uang, forward rate agreement, obligasi pemerintah, swap suku bunga, operasi
valuta asing, dan opsi suku bunga. Sekuritas nonlinier memiliki perbedaan
yang lebih besar dalam hasil VAR daripada sekuritas linier. Untuk
memperhitungkan implementasi akun
27
43
Beder (1995/1997 dan 1997); Mahoney (1996); Simons (1996); Jorion (1996a, 1996b/1997)
dan 1997); Hopper (1996/1997); Shaw (1997); Schachter (1997); Strategi Derivatif (1998).

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

d i m a n a =( ; ;::: ; )T (Xt ) = , Xt adalah vektor

; @Pt (Xt)
t 1t 2t nt itu = i @Xi; t
tor of risk factors, Xt = (X1;t; X 2 ;t ;::: ; Xn;t)T , Pt(Xt) is the portfolio log-
harga pada waktu t, yang hanya bergantung pada faktor risiko saat ini, dan
Yt+1 = (Y1;t+1 ; Y 2;t+1 ;::: ; Y )n;t+1T , di mana Yi;t = wi Ui;t ;i = 1;::: ; n.
Berdasarkan pendekatan delta, Pt+1 N (0; TY ), di manaY adalah koefisien
t t t
variance matrix of Yt+1.
Metode delta-gamma menggunakan pendekatan kuadratik terhadap
perubahan nilai portofolio: 1T
P T
Y Y
t+1 t t+1 + Yt+1 t t+1
2
di mana
@ P2t (X )t
t = (t; X t )= :
@Xt @XT t
Under delta-gamma methods, the distribution of P cannot be approxi-
mated by the normal distribution. Hence, a traditional technique of VAR
derivation as a multiple of the (1 )-th percentile of the standard normal
distribution cannot be employed.
Kami akan menjelaskan perbaikan metode delta-gamma berikut ini:

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

Metode delta-gamma-Monte Carlo mendekati distribusi P dengan distribusi

perubahan nilai portofolio hipotetis46 :
(i) nilai Ut+1 diperoleh dengan cara menarik secara acak dari distribusinya;
(ii) nilai hipotetis P dihitung pada setiap undian dengan menggunakan
pendekatan delta-gamma;
(iii) langkah (i) dan (ii) diulang berkali-kali;

(iv) the distribution of P is formed by ordering the P values from step (iii).

A VAR estimate is derived as the negative of the (1 )-th percentile of the

Distribusi P yang dibangun pada langkah (iv).

5.1.2 Delta-gamma-delta

Metode delta-gamma-delta juga menggunakan pendekatan delta-gamma47 .

Metode ini mengasumsikan: (i) guncangan pada nilai portofolio P diwakili
oleh Ut+1 dan
elemen-elemen t+1 , yang bersesuaian dengan dan istilah dalam delta-gamma
dari Ut+1 U0
(ii) guncangan-guncangan tersebut tidak berkorelasi dan terdistribusi secara
normal. Misalnya, jika nilai portofolio bergantung pada satu faktor, maka
guncangan terhadap P adalah
diasumsikan berasal dari Ut+1 yang berdistribusi normal secara t+1 . Meskipun,
bersama-sama dan U2
asumsi-asumsi normalitas U2 t+1 dan normalitas gabungan tidak benar.
Menurut pendekatan 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

5.1.3 Minimalisasi delta-gamma

Metode minimalisasi delta-gamma menggunakan perkiraan delta-gamma untuk

P dan mengasumsikan bahwa vektor perubahan faktor risiko Ut+1 secara
normal terdistribusi48 . Nyatakan dengan Yt+1 vektor guncangan dengan
bobot faktor risiko, Yi;t+1 = w Uii;t+1 . Teknik minimisasi delta-gamma
menentukan VARt sebagai solusi dari masalah minimisasi berikut ini:
VAR = min T Y 1 T
t
4 rY sker (1996/1997).
6 i 47
Pritsker (1996/1997).
P t
31
Yt+1 t +
t t+1
t+1 Yt+1
2
48
Pritsker (1996/1997); Fallon (1996); Wilson (1994).

32
 tunduk pada batasan
T 1 2
Yt+1 Yt+1 ( ; k) ;

where is the covariance matrix of risk factors and 2( ; k) is the % critical

value of the central chi-squared distribution with k degrees of freedom. The
method implicitly supposes that the P values within the constraint set ex-
ceed the \external" P values. In practice, this assumption might be violated.
Hence, the fraction of the P values, which are lower than -VAR, can be less
than (1 )% and the VAR estimate can be overstated. The strengths of the
delta-gamma-minimization method are: (i) it does not impose the assumption
of joint normality as the delta-gamma-delta method does; (ii) it avoids Monte
Carlo data generation.

5.1.4 Delta-gamma-Johnson

Metode delta-gamma-Johnson49 bergantung pada asumsi normal untuk

distribusi (U )tt 1 . Metode ini memilih fungsi distribusi untuk P dan
mengestimasi parameter-parameternya yang sesuai dengan empat momen
pertama dari distribusi tersebut dan estimasi delta-gamma dari P . Estimasi
VAR diperoleh dari fungsi kepadatan kumulatif dari distribusi yang dipilih.
Kekuatan dari metode ini adalah sifatnya yang analitik. Namun, metode
delta-gamma-Johnson menggunakan informasi hanya sampai momen
keempat dan mungkin kurang tepat dibandingkan dengan metode delta-
gamma-Monte-Carlo, yang menggunakan semua informasi pada ekspansi
delta-gamma Taylor.

5.1.5 Delta-gamma-Cornish-Fisher

The delta-gamma-Cornish-Fisher method is based on a delta-gamma approxi-

mation of the P distribution and the normality assumption for Ut. It uses a
Cornish-Fisher expansion to estimate the (1 )-th percentile of the standard-
50
ized P distribution P S :
1 2 1 3
F P S (1) = ( ) + (() 1) q3 + (() 3 ( ))q4
6 24
1 3 2
(2 ( ) 5 ( ))q3 ;
36
di mana q3 adalah kumulant ketiga dari PS dan q4 adalah kumulant keempat dari PS .
Kumulant qi ditentukan dari ekspansi ln(G P S (t)) = P
1

i=1
ti
qi i!

di mana G P S (t) = E[exp(t( PS ))] adalah fungsi pembangkit momen dari PS .

Keuntungan dari pendekatan delta-gamma-Cornish-Fisher adalah
analitik. Kelemahan metode ini: metode ini mengabaikan sebagian informasi.
49
Zangari (1996); Pritsker (1996/1997).
50
Fallon (1996); Pritsker (1996/1997); Zangari (1996).

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:

simulasi historis bootstrap,

menggabungkan estimasi kernel dengan simulasi historis, dan
hybrid approach - combining exponential smoothing with historical simu-
lation.

5.2.1 Simulasi Historis Bootstrap

Metode simulasi historis bootstrap menghasilkan return dari faktor risiko

dengan \bootstrapping\ dari pengamatan historis51 . Disarankan untuk
mengambil data dari pengembalian yang diperbarui. Misalkan kita memiliki
observasi return dari n aset [R ]it1 i n;1 t T dengan matriks kovarians . Imbal
h a s i l masa lalu dapat diperbarui dengan menggunakan estimasi baru dari
(i) volatilitas, dan
(ii) volatilitas dan korelasi.
Dalam kasus (i), pengembalian yang diperbarui diberikan oleh
U
i
R U= Ritu
it
;
saya

di manai adalah deviasi standar historis (volatilitas) aset ke-i,U adalah i

estimasi baru dari deviasi standari ; RU it adalah pengembalian yang diperbarui untuk
aset ke-i, t = 1;:::; T; i = 1;:::; n. u

In case (ii), the updated return vector is determined by

1 1

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

Butler dan Schachter (1996 dan 1998) menyarankan untuk menggabungkan

pendekatan simulasi historis dengan estimasi kernel. Modifikasi ini
memungkinkan untuk mengestimasi ketepatan ukuran VAR dan untuk
membangun interval konsistensi di sekitar ukuran tersebut. Pendekatan
gabungan ini dilakukan dalam tiga langkah:
1. Perkiraan fungsi kepadatan probabilitas (pdf) f P (x) dan fungsi
distribusi kumulatif (cdf) F P (x) dari pengembalian portofolio,
2. Perkiraan distribusi statistik urutan yang sesuai dengan tingkat
konvergensi52 , dan
3. Estimasi VAR menggunakan momen-momen dari pdf untuk statistik
orde ke-i Ri;s , yang ditentukan oleh (1) kuantil ke-i. Momen pertama,
rata-rata, ERi;k , mengestimasi -VAR dan momen kedua, varians,
VarRi;k mengestimasi ketepatan estimasi VAR. Standar deviasi
dapat digunakan untuk membangun interval konvergensi.
Langkah 1. Sementara teknik simulasi historis standar menghasilkan pdf
yang bersifat piece-wise, estimasi kernel membentuk pdf yang bersifat
smooth. Butler dan Schachter (1996) menggunakan estimator kernel normal:

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

Langkah 3. Momen dari pdf^h(s) dapat diperoleh dengan menggunakan

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

Pendekatan hibrida menggabungkan penghalusan eksponensial dan metode

simulasi historis. Pemulusan eksponensial menekankan pada pengamatan
terbaru dan ditujukan untuk memperhitungkan volatilitas yang bervariasi dari
waktu ke waktu. Simulasi historis membentuk imbal hasil di masa depan
dengan menggunakan imbal hasil historis.
Algoritme dari pendekatan hibrida:
1. Exponentially declining weights are attached to historical returns, starting
from the current time and going back in time. Let Rt k+1; ; Rt 1; Rt
be a sequence of k observed returns on a given asset, where t is the current
time. The ith observation is assigned a weight i = c t i, where 0 < <
55
k > 50 biasanya cukup memadai, tetapi estimasi yang tepat untuk ambang batas k tidak
diketahui karena dalam praktiknya, imbal hasil keuangan membentuk proses yang tidak
stasioner.
56
Boudoukh, Richardson, dan Whitelaw (1998).
37
 1

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 :

Nilai r dihitung dengan menggunakan interpolasi linier antara return R m dan

Rm+1 , VAR = r.
Contoh: Asumsikan:
VAR diestimasi pada tingkat kepercayaan 95%.
The hybrid approach is applied to a given series of size K = 100. The
decay factor = 0:98.
Pembobotan eksponensial dengan metode hibrida ditunjukkan dalam tabel
berikut ini.
Periode dari Hipotetis Periode Berat Kumulatif
waktu saat ini mengembalikan yang lalu berat badan
t R*, %
1 -3.5 4 0.0217 0.0217
2 -3.1 2 0.0226 0.0443
3 -2.8 71 0.0056 0.0499
4 -2.6 6 0.0208 0.0707
5 -2.5 50 0.0086 0.0793
6 -2.3 20 0.0157 0.0950
Metode simulasi historis, dalam kasus K = 100, memberikan bobot 1%
untuk setiap observasi. Dalam simulasi historis, VAR 95% dengan bobot
57Dalam membentuk cdf empiris, teknik simulasi historis menerapkan bobot yang sama

pada return. Contoh: Asumsikan bahwa sampel yang diberikan berisi 250 return terurut yang

P
diamati
1 250

fRi g;i = 1; : : : ; 250. Cdf empirisnya adalah F250;R ( r) =

38
250 1fR rg; r 2
s=1 R. Jadi,
pengamatan diberi bobot yang sama yaitu 1 = 250 = 0.004. Kuantil ke-q adalah nilai r seperti
bahwa F (r) = q. Misalnya, kuantil 1%, r0:01 akan diwakili oleh observasi terendah ketiga.

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.

5.3 Modifikasi Metode Monte Carlo

Metode Monte Carlo mengestimasi ukuran VAR dari simulasi perubahan nilai
portofolio Pp;T pada tanggal tertentu T . Simulasi tersebut melibatkan:
menentukan model untuk faktor-faktor yang mendasari X 1 ;:::; Xs;
menghasilkan jalur hipotetis untuk X 1 ,... Xs .
Simulasi nilai Pp;T mengimplikasikan ruang s-dimensi dari perubahan
f
faktor risiko yang mendasarinya,1 ; : : : ; s , di manai = i (t) = Xi (t) Xi (t
1); t 2 g
[0; T ] ;i = 1;:::; s. Metode Monte Carlo tradisional (Full Monte
Carlo) menghasilkan sekumpulan vektort = (1 t ;::: ;st ) dengan cara
menarik secara acak dari distribusi tertentu. Pengundian acak dilakukan
dalam dua langkah:
(i) membangkitkan variabel acak Ui , yang terdistribusi secara seragam pada
interval [0; 1], i = 1;:::; s; (ii) transformasi bilangan Ui menjadi realisasii
dari distribusi yang dipilih dengan menggunakan fungsi distribusi kumulatif
invers59 . Dengan demikian,
\ "Mengisi" ruang dimensi-s dari faktor-faktor risiko yang mendasari pada
dasarnya berarti "mengisi" sebuah kubus dimensi-s [0; 1]s . Kami akan
mempertimbangkan modifikasi dari metode Monte Carlo, yang menerapkan
pendekatan yang lebih konsisten (deterministik) untuk menghitung ruang
dimensi-s (kubus [0; 1] ):s
58
Nyatakan dengan Ki jumlah kejadian ekor yang sebenarnya selama jendela 100
periode [i; i + 99] dan dengan Li jumlah kejadian ekor yang diprediksi selama interval
100 periode yang sama [i; i + 99]; i = 1;:: : ; N 99; N adalah ukuran sampel. Boudoukh
dkk (1998) mendefinisikan kesalahan absolut rata-rata (MAE) sebagai

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

Kelompok metode quasi-Monte Carlo (QMC) mencakup skema deterministik

dengan tingkat kerumitan yang berbeda, termasuk pengambilan sampel
stratifikasi, pengambilan sampel Hiperkubus Latin, Susunan Ortogonal, jaring-
jaring (t, m, s), dan urutan (t, s).
Suppose that N simulations are conducted for a single risk factor. The
univariate simulations imply lling an interval [0; 1]. Under the strati ed sam-
pling61, the interval [0; 1] is divided into M subintervals of the same length and
N=M simulations are carried out in each subinterval. This simple strati ed
sampling is not suitable in the multivariate simulations. An alternate method,
a Latin Hypercube sampling, can be applied. The Latin Hypercube sampling
individually strati es each factor. However, it entails sparse sampling when
the number of the risk factors is large. Generalizations of Latin Hypercubes
are called Orthogonal Arrays and (t,m,s)-nets. The Orthogonal Arrays are the
samples composed in such way that strati cation is done for each pair or triple
of factors. The (t,m,s)-nets62 are the samples of points, obtained under more
general strati cation of input factors. Denote by s the number of risk fac-

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.

5.3.3 Modi ed Grid Monte Carlo

Pritsker (1996/1997) mengusulkan grid Monte Carlo yang dimodifikasi, yang

meringankan masalah dimensionalitas dengan mempertimbangkan grid
berdimensi lebih rendah yang digabungkan dengan pendekatan Taylor linier.
Metode ini mengasumsikan bahwa perubahan nilai portofolio disebabkan
oleh dua jenis faktor: linier dan non-linier. Perubahan yang disebabkan oleh
faktor non-linier diestimasi menggunakan titik-titik grid dan perubahan yang
disebabkan oleh faktor linier dievaluasi dengan menggunakan pendekatan
linier. Biarkan P menjadi nilai portofolio. Asumsikan bahwa P bergantung
pada dua faktor risiko: faktor linier X1 dan faktor non-linier X2 . Nyatakan
dengan P perubahan nilai portofolio dalam jangka waktu tertentu.
P = P ( ;12 ), di manai adalah perubahan dalam faktor Xi , i = 1; 2. Grid
Monte Carlo yang telah dimodifikasi membagi variasi dalam P menjadi dua
komponen: variasi karena2 dan variasi karena1 :

P ( ;12 ) = P (0;2 )+ [ P ( ;12 ) P (0;2 )]

P (0;2 )+ P1 (0;2 ) 1
P (0;2 )+ P1 (0; 0)1 ;

di mana
P (0; )
=

@ P ( ;1)2 :
1 2
@1 1 =0

Komponen pertama P (0;2 ) diestimasi dengan membuat grid64 hanya

untuk variabel2 , komponen kedua diestimasi dengan suku linier ekspansi
Taylor untuk perubahan P karena1 , P1 (0; 0)1 .
Pritsker (1996/1997) membandingkan kinerja beberapa metode VAR. Dia
menemukan bahwa Monte Carlo grid yang dimodifikasi memiliki tingkat
akurasi yang mendekati metode delta-gamma Monte Carlo (lihat bagian
5.1.1). Namun, dalam latihan simulasi, pendekatan delta-gamma Monte Carlo
membutuhkan waktu komputasi yang lebih singkat sebesar 8 kali lipat
dibandingkan dengan modi ed grid Monte Carlo.
Pritsker (1996/1997).
63
64
Metode grid Monte Carlo akan mengestimasi nilai P dengan menggunakan grid untuk
kedua variabel1 dan2 .

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.

5.4.1 Analisis Skenario Kasus Terburuk

Ingatlah kembali definisi ukuran VAR bahwa ukuran ini merepresentasikan

kemungkinan kerugian tertinggi selama periode waktu tertentu pada tingkat
konsistensi tertentu. Estimasi ukuran VAR memungkinkan untuk
menggambarkan risiko portofolio dalam istilah frekuensi65 . Boudoukh,
Richardson, dan Whitelaw (1997) menyarankan untuk menggunakan ukuran
risiko komplementer - risiko "skenario terburuk" (WCS).
Ukuran WCS mengevaluasi besarnya kerugian terburuk: WCS

= Rp = min[Rp1 ; R p 2 ;:::; RpT ];

dimana Rpt adalah observasi ke-t pada return portofolio Rp ; t = 1 ; : : : ; T . WCS

mempertimbangkan distribusi kerugian selama interval perdagangan terburuk
selama jangka waktu tertentu, F (Rp ). Distribusi F (Rp ) dapat disimulasikan,
misalnya, dengan pengundian acak dari distribusi tertentu.
Boudoukh et al (1997) menunjukkan bahwa WCS yang diharapkan melebihi
VAR terkait. Pada contoh opsi satu tahun pada obligasi tanpa kupon 10
tahun, VAR 99% ditemukan sebesar 17:77%, sedangkan WCS yang
diharapkan adalah 18:99% dan kuantil 1% dari distribusi WCS F (Rp ) adalah
27:24%.
WCS memungkinkan untuk mengevaluasi ukuran kerugian dan dapat
digunakan dalam analisis manajemen risiko sebagai tambahan dari ukuran
VAR.

5.4.2 Skenario Suku Bunga Berbasis Faktor

Frye (1997) mengusulkan untuk menggunakan estimasi VAR dengan metode

skenario berbasis faktor. Metode ini membentuk distribusi perubahan nilai
portofolio sesuai dengan skenario suku bunga, yang didasarkan pada analisis
komponen utama (principal component analysis/PCA)66 dari kurva imbal hasil.
Kerugian tertinggi dalam skenario ini diterima sebagai pengukuran VAR.
Metode yang diusulkan cocok untuk portofolio dengan faktor risiko suku bunga.
Metode skenario berbasis faktor mengembangkan skenario suku bunga
dengan asumsi bahwa perubahan pada kurva imbal hasil bergantung pada
faktor-faktor (komponen utama), yang dapat ditentukan dari PCA. Peringkat
komponen utama sesuai dengan dampaknya terhadap kurva imbal hasil.
Sebagai contoh, komponen utama pertama

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

Komponen X adalah vektor Nx1 c2 , solusi dari masalah maksimisasi maxfcT

XT Xc2 g tunduk pada kendala cT c2 = 1 dan cT c1 = 0.
2 2 2
Definisi untuk komponen utama yang tersisa adalah analog. Komponen
c2

utama sama dengan vektor eigen dari . Matriks varians-kovarians

dapat ditulis sebagai
= CDCT ;
dimana C adalah matriks NxT dengan kolom-kolom yang sama dengan
komponen utama cj ; j = 1;::: ;T ; D adalah matriks diagonal TxT dari nilai
eigen yang diurutkan dalam urutan menurun. Frye (1997) menamai kolom-
kolom C sebagai muatan komponen utama dan kolom-kolom CD sebagai
pergeseran faktor, putaran, dsb.
Interpretasi dampak komponen utama pada kurva imbal hasil dapat
dijelaskan sebagai berikut:

komponen utama pertama analog dengan faktor pergeseran level,

the second principal component is comparable with a curve steepening
factor,
komponen utama ketiga mengontrol pergeseran imbal hasil jangka menengah.

Frye (1997) menggunakan PCA untuk menganalisa pergeseran kurva

imbal hasil dan mengamati bahwa dua komponen utama pertama
menjelaskan lebih dari 93% pergerakan data. Dari dua komponen utama ini,
ia membentuk dua faktor, elemen dasar dari skenario suku bunga: faktor
pergeseran dan faktor putaran. Faktor pergeseran dihitung sebagai hasil kali
antara standar deviasi dan muatan komponen utama pertama, sedangkan
faktor puntiran sama dengan hasil kali antara standar deviasi dan muatan
komponen utama kedua. Frye (1997) membuat empat skenario suku bunga
untuk pergeseran dan twist factor: \UpUp", \UpDown", \DownUp", dan
\DownDown". Nama-nama skenario tersebut sesuai dengan arah perubahan
faktor. Sebagai contoh, skenario \UpUp" mengimplikasikan bahwa kedua
faktor meningkat 2,33 kali. Analisis terhadap keempat skenario menunjukkan
bahwa pergeseran dan putaran faktor tidak sepenuhnya menggambarkan
variasi suku bunga tiga bulan dan enam bulan. 67Dengan menambahkan dua
faktor lagi, yaitu \Bow-1" dan \Bow-2", maka akan terbentuk 16 skenario.
67Faktor Bow-1 dihitung sebagai hasil kali antara deviasi standar dan muatan komponen

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.

5.5 Metode VAR Umum Menggunakan Pendekatan

Risiko Shortfall68
Metodologi VAR mengestimasi eksposur risiko berdasarkan probabilitas
kerugian yang tinggi. Metode ini berkonsentrasi pada pengamatan di ekor kiri
d a r i distribusi perubahan nilai portofolio (return portofolio). Salah satu
kritik terhadap pendekatan VAR adalah bahwa pendekatan ini tidak
menganalisis bentuk keseluruhan dari distribusi69 . Gagasan tentang risiko
shortfall memperhitungkan karakteristik distribusi dan memungkinkan untuk
menggeneralisasi pendekatan VAR.
Risiko shortfall (downside) mengimplikasikan risiko dari observasi return
portofolio di bawah return tertentu. Ukuran umum risiko shortfall adalah lower
partial moment (lpm)70 .
Sebuah lpm dengan orde n dihitung sebagai

lpmn (R ) =
Z
R

(R x) fnR (x) dx;

1

di mana R adalah ambang batas pengembalian yang dipilih, fR (x) adalah

fungsi kepadatan probabilitas pengembalian portofolio R.
Jika urutan momen parsial bawah n sama dengan 0, maka

lpm0 (VAR) =
Z
VAR

fR (x) dx = P r (R < VAR) = FR (VAR) = 1 ;

1

di mana FR (x) adalah fungsi distribusi kumulatif dari pengembalian

portofolio, adalah tingkat konvergensi VAR. Momen parsial yang lebih
rendah dari orde 1 (lpm1 ) dinamakan target shortfall. Ini menunjukkan
deviasi rata-rata ke kiri dari ambang batas pengembalian. Lpm2 adalah
target semivariance.
Schroder (1997) menduga bahwa, dalam kasus distribusi return portofolio
yang miring, momen parsial yang lebih rendah merupakan indikator risiko
yang lebih baik dibandingkan dengan deviasi standar.
68
Schroder (1997).
69
Beberapa peneliti menyatakan bahwa pertimbangan kemencengan distribusi, selain
analisis ekor, dapat meningkatkan karakterisasi risiko portofolio.
70
Momen parsial yang lebih rendah adalah momen statistik yang dihitung untuk pengembalian di bawah level yang
dipilih.
Ingatlah bahwa berdasarkan definisi momen, momen pertama adalah rata-rata, momen
kedua adalah varians.
48
 Di bawah pendekatan umum, angka VAR, VARn , harus diperoleh sesuai
dengan nilai yang diberikan Sn :

Sn = lpmn (VAR ) n
Z
VARn

(VARn x)n fR (x) dx:

1

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.

5.6 Metode Semi-parametrik untuk Evaluasi VAR71

Metode semi-parametrik menggabungkan dua teknik: simulasi historis72 dan
evaluasi parametrik.
Metode simulasi historis digunakan untuk meramalkan bagian dalam
d a r i distribusi return portofolio dan teknik parametrik diterapkan untuk
memperkirakan ekor.
Sebagian besar data keuangan menunjukkan distribusi ekor gemuk. Oleh
karena itu, analisis ekor dari return portofolio dapat dibangun berdasarkan
teori distribusi ekor gemuk. Misalkan Ri menyatakan observasi return dalam
urutan menurun, R1 R 2
RM RN . Danielsson and de Vries (1997a) consider the extreme

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
^

x^ p = F^ 1(x) = RM+1 M : (8)

Np
71Danielsson dan de Vries (1997b).
72Teknik simulasi historis tidak memerlukan estimasi parameter distribusi. Ini adalah
metode non-parametrik.

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

Tingkat k e n y a m a n a n , 95% 97.5% 99% 99.5%

Jumlah pengecualian yang 50 25 10 5
diharapkan
RiskMetrics 52.45 30.26 16.28 10.65
(7.39) (4.41) (3.13) (2.73)
Simulasi Sejarah 43.24 20.50 7.66 3.69
(10.75) (7.22) (3.90) (2.39)
Nilai Ekstrim 43.24 20.84 8.19 4.23
(11.10) (7.35) (3.86) (2.55)
Kesalahan standar berada dalam tanda
kurung. Sumber: Danielsson dan de Vries
(1997b).
Perhitungan menunjukkan, pada nilai tinggi75 , estimasi VAR yang diperoleh
dengan metode semi-parametrik lebih akurat daripada yang dihitung dengan
metode simulasi historis atau dengan pendekatan RiskMetrics.

5.7 Ukuran VAR Ekonomi

Pengukuran VAR tradisional diperoleh dari distribusi perubahan nilai
portofolio (return), yang pada gilirannya, diturunkan dengan menggunakan
model statistik pergerakan harga dari faktor risiko yang mendasarinya. Ait-
Sahalia dan Lo (1997/1998)
menunjukkan bahwa pendekatan statistik mengabaikan berbagai tanda
ekonomi dari angka VAR dalam situasi pasar yang berbeda. Mereka
mengusulkan untuk memasukkan penilaian ekonomi ke dalam perhitungan
VAR dengan menerapkan kepadatan harga negara. Mereka menamakan
estimasi VAR, yang disesuaikan dengan evaluasi ekonomi, sebagai E-VAR,
dan ukuran VAR, berdasarkan pemodelan statistik, sebagai S-VAR.
Metodologi E-VAR dibangun berdasarkan prinsip-prinsip sekuritas Arrow-
Debreu, klaim kontinjensi negara bagian dengan payo $1 di negara bagian
tertentu dan zero-payo di negara bagian lain. Harga sekuritas Arrow-Debreu
disebut harga Arrow-Debreu. Harga-harga tersebut ditentukan dari kondisi
keseimbangan pasar dan, dengan demikian, mengandung lebih banyak
informasi yang relevan secara ekonomi dibandingkan dengan harga-harga
yang diperoleh dengan pemodelan statistik.
Kita akan membahas sebuah kasus dari model keseimbangan dinamis,
yaitu sebuah perekonomian yang mengalami perubahan dinamis.
Perekonomian tersebut memiliki satu barang konsumsi, tidak ada
pendapatan yang diberkahi, pasar sekuritas yang lengkap secara dinamis,
50
satu saham berisiko dan satu obligasi tanpa risiko. Nyatakan dengan St
harga ekuilibrium saham pada waktu t, '(CT )
74 Pengecualian adalah kasus-kasus ketika pengembalian portofolio aktual lebih rendah daripada estimasi VAR.
75 = 97:5% atau lebih besar.

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,

C(St; X; ; rt; ;t; ; ) =e r t;

Z 1

max [ST X; 0] f t(ST )dST

0
= St (d1 ) Xe r t;
(d );2 (12)
di mana
ln(S =X) + (r +2 =2) p:
d1 =
t
p
t; t;
d2 = d 1
52
76
Jika, secara agregat, investor bersifat netral terhadap risiko, maka E-VAR sama dengan S-VAR.

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; ; )):

Langkah 2. SPD diperkirakan sebagai berikut:

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

01/01/1965 01/01/1971 01/01/1977 01/01/1983 01/01/1989 01/01/1995

Waktu

Gambar 1. Indeks DAX30 harian

5
Pengembalian Harian

0
DAX30, (%)
-5 -10

01/04/1965 01/04/1971 01/04/1977 01/04/1983 01/04/1989 01/04/1995

Waktu

Gambar 2. Pengembalian harian DAX30

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

Pengembalian Harian DAX30, (%)

Gambar 3. Pemasangan indeks DAX30 yang stabil dan normal

0.10

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

VAR* Kuantil Stabil Normal Empiris

99%1% -2.464-2.306 - 2 . 564
95% 5%-1. 449 -1.623 -1.508
0.02
0.0

1%e * * 1% s * 1% n 5% n * 5% * e * 5% s

-3.0 -2.5 -2.0 -1.5

Pengembalian Harian DAX30, (%)

Gambar 4. Estimasi VAR untuk indeks DAX30

60
 600 1000
800
S&P 500
harian
400 200

01/01/1970 01/01/1975 01/01/1980 01/01/1985 01/01/1990 01/01/1995

Waktu

Gambar 5. Indeks S&P 500 harian

10
5
Imbal Hasil Harian S&P 500,

-10 -5 0
(%)
-15 -20

01/01/1970 01/01/1975 01/01/1980 01/01/1985 01/01/1990 01/01/1995

Waktu

Gambar 6. Imbal hasil harian S&P 500

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

-20 -15 -10 -5 0 5 10

Imbal Hasil Harian S&P 500, (%)

Gambar 7. Pemasangan indeks S&P 500 yang stabil dan normal

0.20

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

1%*s 1%*e 1%*n 5%*n5%*e5%*s

-2.6 -2.4 -2.2 -2.0 -1.8 -1.6 -1.4 -1.2

Imbal Hasil Harian S&P 500, (%)

Gambar 8. Estimasi VAR dari indeks S&P 500

62
 2000 3000
2500
CAC40
harian
1500
1000

07/09/1987 07/09/1989 07/09/1991 07/09/1993 07/09/1995 07/09/1997

Waktu

Gambar 9. Indeks CAC40 harian

5
Imbal Hasil Harian CAC40,

0
(%)
-5 -10

07/10/1987 07/10/1989 07/10/1991 07/10/1993 07/10/1995 07/10/1997

Waktu

Gambar 10. Pengembalian Harian CAC40

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

Imbal Hasil Harian CAC40, (%)

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

VAR* Kuantil Stabil Normal Empiris

99%1% -3.195 -2.760 -3.068
95%5% -1.756 -1.943 -1.819
0.02
0.0

1%s* 1%* e 1%*n 5%n* 5%* e* 5%s

-4.0 -3.5 -3.0 -2.5 -2.0

Imbal Hasil Harian CAC40, (%)

Gambar 12. Estimasi VAR untuk indeks CAC40

64
 40000
30000
Nikkei 225

20000
10000

01/01/1980 01/01/1986 01/01/1992 01/01/1998

Waktu

Gambar 13. Indeks harian Nikkei 225

10
Imbal Hasil Harian Nikkei 225,

-5 0 5
(%)
-10 -15

01/02/1980 01/02/1986 01/02/1992 01/02/1998

Waktu

Gambar 14. Imbal hasil harian Nikkei 225

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

Imbal Hasil Harian Nikkei 225, (%)

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

VAR Kuantil Stabil Normal Empiris 99% 1% -

4.836 -2.737 -3.428
95% 5% -1.731 - 1 . 929 -1.856
0.02
0.0

1%*s 1%*e 1%*n 5% n * 5% * e * 5% s

-5 -4 -3 -2

Imbal Hasil Harian Nikkei 225, (%)

Gambar 16. Estimasi VAR untuk indeks Nikkei 225

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.

[11] Butler, J. S. dan B. Schachter, 1998, Mengestimasi Nilai Berisiko Dengan

Ukuran Pre-cision Dengan Menggabungkan Estimasi Kernel Dengan Simulasi
Historis, yang akan datang, Review of Derivatives Research.

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.

[20] Derman, E. dan I. Kani, 1994, Riding on a Smile, Risk, 7, 32-39.

[21] Du e, D. dan J. Pan, 1997, An Overview of Value at Risk, The Journal
of Derivatives 4 (Spring), 7-49.

[22] Engle, R.F., 1982, Autoregressive Conditional Heteroscedasticity with Es-

timates of the Variance of United Kingdom In ation, Econometrica 50 (July
1982), 987-1007.
[23] Fallon, W., 1996, Calculating Value at Risk, Wharton Financial Institutions
Center Working Paper Series, Working Paper 96-49.
[24] Fama, E., 1965, The Behavior of Stock Market Prices, Journal of Business
38 (1965), 34-105.
[25] Fong, G. dan O.A. Vasicek, 1997, A Multidimensional Framework for Risk
Analysis, Financial Analysts Journal, Juli/Agustus 1997, 51-58.

[26] Frye, J., 1997, Prinsip-prinsip Risiko: Menemukan Nilai-at-Risiko Melalui

Skenario Tingkat Suku Bunga Berbasis Faktor, dalam Grayling, S., editor,
VaR: Memahami dan Menerapkan Nilai-at-Risiko, London: Risk, hal. 275-287

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.

[30] Gamrowski, B. dan ST Rachev, 1994, Stable Models in Testable Asset

Pricing, Approximation, Probability and Related Fields, New York: Plenum
Press, 223-236.
[31] Grayling, S., editor, 1997, VaR: Understanding and Applying Value-at-Risk,
London: Risk.
[32] Hamilton, J.D., 1994, Time Series Analysis, Princeton, New Jersey:
Princeton University Press.
[33] Hendricks, D., 1996, Evaluation of Value-at-Risk Models Using Historical
Data, Federal Reserve Bank of New York Economic Policy Review 2
(April), 39-70, 1996, dalam Risk Measurement and Systemic Risk,
Proceedings of a Joint Central Bank Research Conference Washington, DC:
Board of Governors of the Federal Reserve System, 323-357, dan 1997,
dalam Grayling, S., editor, VaR: Understanding and Applying Value-at-Risk,
London: Risk, 151-171.
[34] Hendricks, D. dan B. Hirtle, 1997, Bank Capital Requirements for Market
Risk: The Internal Models Approach, Federal Reserve Bank of New York
Economic Policy Review 3 (December), 1-12.

[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.

[38] Jackson, P., D. Maude dan W. Perraudin, 1996, Value-at-Risk

Techniques: Sebuah Studi Empiris, dalam Pengukuran Risiko dan Risiko
Sistemik, Prosiding Konferensi Penelitian Bank Sentral Bersama Washington,
DC: Dewan Gubernur Federal Reserve System, 295-322.
69
[39] Jackson, P., D. Maude dan W. Perraudin, 1997, Bank Capital and Value-
at-Risk, Journal of Derivatives 4 (Spring), 73-90, dan 1997, dalam Grayling,
S., editor, VaR: Understanding and Applying Value-at-Risk, London: Risk,
hal. 173-185.
[40] Jackwerth, J.C. dan M. Rubinstein, 1995, Implied Probability Distributions:
Analisis Empiris, University of California di Berkeley, Institute of Business
and Economic Research, Program Penelitian dalam Seri Kertas Kerja
Keuangan, Finance Working Paper 250.
[41] Jackwerth, J.C. dan M. Rubinstein, 1996, Memulihkan Distribusi
Probabilitas dari Harga Opsi, The Journal of Finance, LI(5), 1611-1631.

[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.

[47] Lawrence, C. dan G. Robinson, 1995, Seberapa Amankah RiskMetrics? Risiko 8

(Januari), 26-29, dan 1997, dalam Grayling, S., editor, VaR: Understanding
and Applying Value-at-Risk, London: Risk, 65-69.

[48] Linsmeier, T. dan N. Pearson, 1996, Pengukuran Risiko: Pengantar Nilai

Risiko, University of Illinois di Urbana-Champaign, Departemen Akuntansi
dan Departemen Keuangan.
[49] Liu, R., 1996, VaR dan VaR Derivatif, Strategi Pasar Modal 5
(September), 23-33.
[50] Lopez, J.A., 1996, Regulatory Evaluation of Value-at-Risk Models, Wharton
Financial Institutions Center Working Paper Series, Working Paper 96-51.
[51] Mahoney, J., 1996, Pendekatan Berbasis Empiris Versus Pendekatan
Berbasis Model terhadap Value-at-Risk: Pemeriksaan terhadap Portofolio
Valuta Asing dan Ekuitas Global, dalam Pengukuran Risiko dan Risiko
Sistemik, Prosiding Konferensi Penelitian Bank Sentral Bersama Washington,
DC: Dewan Gubernur Federal Reserve System, 199-217.
70
[52] Mandelbrot, B.B., 1967, The Valuation of Some Other Speculative Prices,
Journal of Business 40 (1967), 393-413.
[53] Mandelbrot, B.B., 1963a, New Methods in Statistical Economics, Journal of
Political Economy 71 (1963), 421-440.

[54] Mandelbrot, B.B., 1963b, The Variation of Certain Speculative Prices,

Journal of Business 26 (1963), 394-419.

[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.

[58] Mittnik, S. dan ST Rachev, 1993, Memodelkan Pengembalian Aset dengan

Distribusi Stabil Alternatif, Econometric Reviews, 12, 261-330.

[59] Mittnik, S. dan ST Rachev, 1991, Alternate Multivariate Stable Distributions

and Their Applications to Financial Modeling, dalam S. Cambanis dkk., editor,
Stable Processes and Related Topics, Boston: Birkhause, hal. 107-119.

[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.

[62] Nelson, D., 1991, Heteroskedastisitas Bersyarat dalam Pengembalian Aset:

Sebuah Pendekatan Baru, Econometrica, 59, 347-370.

[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).

[72] ,Schrode M., 1997, Pendekatan Nilai-at-Risiko: Proposal tentang Generalisasi,

dalam Grayling, S., editor, VaR: Memahami dan Menerapkan Value-at-Risk,
London: Risk, hal. 299-305.
[73] Shaw, J., 1997, Beyond VAR and Stress Testing, dalam Grayling, S.,
editor, VaR: Understanding and Applying Value-at-Risk, London: Risk, hal.
211-223.
[74] Shimko, D., 1997a, VAR untuk Perusahaan, dalam Grayling, S., editor,
VaR: Memahami dan Menerapkan Value-at-Risk, London: Risk, hal. 345-347.

[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