Jika mempunyai dua aset yang membentuk portofolio, maka diversifikasi

penting diperhatikan. Diversifikasi bisa mengurangi resiko jika korelasi return

lebih kecil dari 1. Sebagai contoh, misalkan menggabungkan dua aset f\dengan
karakteristik berikut:

Tabel 9.4. data perhitungan VAR untuk portofolio

A B
Return yang diharapkan 12% 10,5%
Standar deviasi 15% 18%
Nilai investasi Rp 20 miliar Rp 12 miliar
95% Value At Risk Rp 2,55 Miliar Rp 2,3 miliar
Korelasi A dengan B 0,55

Nilai portofolio total adalah Rp 32 miliar. Tingkat keuntungan yang

diharapkan untuk portofolio adalah rata-rata tertimbang dari return aset
individualnya, yang bisa dihitung berikut ini:

Return Portofolio = X A E(R A ) + X B E(R B )

= (20/32) x 12 + (12/32) x 14

= 11,44%

Deviasi standar portofolio untuk dua aset bisa dihitung berikut ini:

1/ 2
σ P= [ X 2A σ 2A + X 2B σ 2B + 2 X A X B Γ AB σ A σ B ]

Dimana: σ P = deviasi standar (resiko) portofolio

σ A σ B= deviasi standar return aset A dan B

'

Γ AB = korelasi antara return aset A dengan return aset B

Untuk portovolio diatas, deviasi standar bisa dihitung berikut ini

σ P = ¿ ¿= 14,25%
 VAR 95% = 11,44 – 1,65(14,25) = - 12,07%

VAR 95 % = -12,07% x Rp 32 miliar= - Rp 3,86 miliar

VAR 95% portofolio tersebut lebih kecil dibandingkan dengan

penjumlahan VAR untuk masing-masing aset (Rp 4,85 miliar = Rp 2,55 miliar +
Rp 2,3 miliar). VAR portofolio yang lebih kecil tersebut disebabkan adanya efek
diversifikasi yang bisa mengurangi resiko.

VAR dengan simulasi Monte Carlo

Metode simulasi akan terbentuk distribusi tertentu, kemudian melalui
distribusi tersebut VAR dapat dihitung yang memerlukan sumber daya computer
yang lebih besar disbanding kedua etode sebelumnya.

Tingkat Keuntungan dengan Probabilitasnya

Tingkat keuntungan (%) Probabilitas Probabilitas
Kumulatif
1 -0,5 0,05 0-4
2 -0,25 0,05 5-9
3 0 0,1 10-19
4 0,1 0,1 20-29
5 0,5 0,25 30-54
6 1 0,15 54-69
7 1,2 0,1 70-79
8 1,25 0,1 80-89
9 2,25 0,05 90-94
10 3 0,05 95-99

Jumlah 1

Tingkat keuntungan bisa dilihat pada kolom 2, sementara probabilitas bisa

dilihat pada kolom 3. Probabilitas komulatif merupakan kumulasi angka
probabilitas yang akan diperlukan untuk menjalankan simulasi. Sebagai contoh,
untuk tingkat keuntungan -0,5 karena ada 5% probabilitas terjadi, maka
probabilitas kumulatif yang dipasangkan adalah angka 0,1,2,3 dan 4 (ada lima
angka ). Total probabilitas komulatif adalah 100 angka (dari 0 sampai dengan 99),
yang mencerminkan total probabilitas yang berjumlah 100 (atau 5 angka seperti
terlihat diatas).
Tabel sampel simulasi Monte – Carlo
Angka Random Tingkat Keuntungan Yang Berkaitan
1 31 0,5
2 29 0,1
3 11 0
4 65 1
5 54 1
6 6 -0,25
7 45 0,5
8 26 0,1
9 50 0,5
10 33 0,5

Run pertama memunculkan angka random 31. Angka 31 tersebut berkaitan

dengan tingkat keuntungan 0,5 (probabilitas komulatifnya 30-54). Proses tersebut
bisa diulang-ulang sampe 100 kali, 500 kali , atau 1.000 kali. Setelah proses
tersebut diulang – ulang, kita akan memperoleh distribusinya. Sebagai contoh,
tabel dan bagan berikut ini menyajikan distribusi yang dihasilkan melalui 100 kali
run.
 Tabel Distribusi Frekuensi hasil simulasi
Tingkat Keuntungan Frekuensi
-0,5 3
-0,25 5
0 10
0,1 7
0,5 25
1 18
1,2 6
1,25 12
2,25 3
3 11
Jumlah 100

Distribusi diatas belum sepenuhnya normal. Jika kita melakukan run lebih
banyak lagi (misal 1.000 kali), maka sesuai dengan Central Limit Theorem.
Distribusinya akan mendekati atau menjadi distribusi normal. Setelah kita
mengetahui distribusinya, kita bisa menghitung VAR dengan menggunakan
deviasi standar dan nilai rata – ratanya. Untuk distribusi di atas, nilai rata – rata
dan deviasi standarnya adalah :
Rata – rata tingkat keuntungan = 0,904%
Deviasi standar = 0,927%

95% VAR- harian bisa dihitung seperti berikut ini :

VAR 95% - harian = 0,904 – 1,65 (0,927) = - 0,627
Misalkan kita mempunyai portofolio senilai Rp 1 M , maka VAR – 95% harian
adalah – 0,627% x Rp 1 M = - Rp 6,27 juta.
4. Pemodelan VAR
 Harga pasar sangat dipengaruhi oleh tingkat bunga. Jika tingkat bunga
naik, harga obligasi akan turun, dan begitu pula sebaliknya. Hubungan antara
perubahan tingkat bunga dengan nilai obligasi.
dP/P = -D {dR/(1+R)}

Dimana dP = Perubahan harga

P = Harga obligasi
D = Durasi obligasi
dR = Perubahan tingkat bunga
R= tingkat bunga
Misalkan portofolio obligasi mempunyai derasi 5. Tingkat bunga saat ini
adalah 10%. Kemudian diasumsikan peringkat tingkat bunga mengikuti distribusi
normal. Analisis lebih lanjut, berdasarkan data historis dan pertimbangan-
pertimbangan, menujukkan bahwa berubahan tingkat bunga harian yang
diharapkan adalah 0%, dengan deviasi standar perubahan tingkat bunga adalah
1%. Distubusi peruabahan tingkat bunga tersebut bisa digambarkan pada bagan
berikut ini:

Dengan melihat bagan diatas, Nampak bahwa perubahan tingkat bunga

harian yang diharapkan adalah 0%. Probabilitas perubahan tingkat bunga berada
antara -16,5% (turun sebesar 1,65%) dan +16,5% (meningkat sebesar 16,5%)
adalah 90%. Kenaikan tingkat bunga akan mempunyai efek negative terhadap
protofolio obligasi. Dengan menggabungkan informasi tersebut dengan model
 perubahan harga obligasi diatas, dapat dihitung 95% VAR untuk portofolio
obligasi. Pertama, dapat dihitung perubahan harga akibat kenaikan tingkat bunga
sebagai berikut:
dP/P = -D [dR / (1+R)] = -5[0,0165 / (1+0,1)] = - 0,075
Jika tingkat bunga meningkat sebesar 1,65%, maka portofolio akan turun
nilainya sebesar 7,5%. Jika portofolio ini mempunyai nilai sebesar Rp 1 miliar
maka 95% VAR portofolio sebesar:
VAR 95% = -0,075 X Rp 1 miliar = Rp 75 juta
Dengan hasil tersebut, dapat dikatakan bahwa ada kemungkinan sebesar
5% kerugian portofolio obligasi sebesar Rp 75 juta atau lebih.

5. VAR untuk periode yang lebih panjang

Misal untuk melikuidasi posisi portofolio, waktu satu hari tidak cukup.
Memerlukan waktu, misal 5 hari. Padahal kita menghitung VAR dengan
menggunakan periode harian. Dalam situasi demikian VAR harian harus
dikonversi menjadi VAR 5 hari.
Dengan menggunakan rumus
VAR(n) = VAR (harian) x √ n
Kembali ke contoh diatas dimana 95% -VAR harian untuk portofolio
obligasi adalah Rp 75 juta, 95% -VAR 5 hari bisa dihitung berikut ini:
VAR (5 hari) = Rp 75 juta x √ 5
= Rp 167,71 juta
Dengan demikian 95% VAR-5 hari adalah Rp 167,71 juta.

STRESS-TESTING
VAR menjawab beberapa besar kerugian yang bisa dialami dan berapa
besar kemungkinan, tetapi VAR tidak bisa mendektesi peristiwa ekstrim karena
probabilitas sangat kecil.
Misalkan jika peristiwa ekstrim terjadi, bagaimana pengaruh dengan
organisasi atau portopolio? sebagai contoh Rusia default, bagaimana efeknya
terhadap portopolia? untuk melakukan stress-testing, manajer memilih parameter
 kemudian melihat (mengukur dan mensimulasikan) bagaimana pengaruh
perubahan parameter tersebut. Parameter tersebut dapat bervariasi mulai dari
kenaikan tingkat bunga ( misal naik 30% dalam satu hari ), penurunan harga
saham yang ekstrim ( misal 20 dalam satu hari ), Negara tertentu default ( tidak
bisa membayar hutangnya ), kejadian alam tertentu ( misal tsunami )
· Secara spesifik, langkah – langkah stress-testing :
1. Mengidentifikasi dan memilih parameter yang diperkirakan akan berubah
2. Menentukan seberapa besar parameter tersebut akan dirubah ( Di-stress )
3. Melihat pengaruh stress-testing tersebut terhadap nilai portopolio
4. Melihat asumsi yang digunakan, merubah asumsi tersebut jika diperlukan ( misal
dalam situasi krisis, asumsi yang biasa berlaku barangkali tidak jalan lagi )

Tabel contoh hasil Stress – Testing

Stress Test , 1 November 1997 Pengaruh terhadap $ 1 juta
Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yield yang pararel 100% -0,209 1,129
Yield curve semakin menajam -0,009 0,057
Fruktuasi tingkat bunga meningkat 20% 0,703 -0,809
Mata uang depresiasi 20% 0,824 -0,727
Indeks saham berubah 10% 0,000 0,000
Fluktuasi indeks saham meningkat 20% 0,000 0,000

Tabel diatas menunjukkan efek perubahan beberapa parameter terhadap

porofolio senilai $ 1 juta. Sebagai contoh, jika yield atau tingkat bunga meningkat
1%, maka portofolio mengalami kerugian sebesar - $0,209 juta. Jika tingkat bunga
turun 1% , maka portofolio menghasilkan keuntungan sebesar $1,129 juta.
Langkah kedua adalah menentukan seberapa besarparameter yang dipilih
tersebut akan dirubah-rubah. Dalam concoh diatas, perubahan parameter
dikelompokkan berdasarkan rating negara. Untuk negara dengan rating AAA
(negara dengan resiko harga yang rendah, missal Swiss), tingkat bunga yang
dirubah (dinaikkan) 60 sampai 100basis poin (bps), atau antara 0,6% sampai
dengan 1% (1% adalah 100 basis point). Untuk parameter saham, harga saham
diturunkan sebesar 8 – 9% .
Tabel berikut ini menyajikan parameter yang disarankan oleh Derivate
Policy Group untuk di-setress-test, disertai dengan besaran perubahan yang
disarankan.
1. Pergerakan parallel yield curvenaik atau turun sebesar 100 basis point
(1%).
2. Kenaikan atau penurunan volatilitas sebesar 20% dari tingkat sekarang.
3. Kenaikan atau tungkat penurunan indeks saham sebesar 10%.
4. Kenaikan atau penurunan volatilitas indeks saham sebesar 20% dari
tingkat saat ini.
5. Kenaikan atau penurunan kurs mata uang asing sebesar 6% (untuk mata
uang keras)atau 20% untuk mata uang lunak.
6. Kenaikan atau penurunan volatilitas kurs sebesar 20% dari tingkat saat ini
7. Kenaikan atau penurunan spreed swap sebesar 20basis points (0,25).

Langkah berikutnya adalah melihat efek perubahan parametaer tersebut

terhadap nilai portofolio. Tabel berikut menyajikan hasil stress-test perubahan
parameter yang dipilih.
Stress-test, 1 November 1997 Pengaruh terhadap $1 juta
Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yield yang paralel 100 bps -0,209 1,129
Yield curve semakin menajam -0,09 0,057
Fluktuasi tingkat bunga meningkat 20% 0,703 -0,809
Mata uang depresiasi 20% 0,824 -0,727
Indeks saham berubah 10% 0,000 0,000
Fluktuasi indeks saham meningkat 20% 0,000 0,000

Tabel diatas menunjukkan efek perubahan beberapa parameter terhadap

portofolio senilai $1 juta. Sebagai contoh, jika yield atau tungkat bunga
meningkat 1%, maka portofolio mengalami kerugian sebesar -$0,209 juta. Jika
tingkat bunga turun 1%, maka portofolio menghasilkan keuntungan sebesar
$1,129 juta.
Efek perubahan parameter dalam beberapa situasi bersifat linier. Sebagai
contoh, misalkan eksportir Indonesia akan menerima kas sebesar $1 juta tiga
bulan mendatang. Eksportir tersebut akan memperoleh keuntungan jika rupiah
melemah terhadap dolar, dan sebaliknya. Efek perubahan nilai rupiah tersebut bisa
dilihat pada tabel berikut ini.
Kas ($) 1.000.000 1.000.00 1.000.000 1.000.000 1.000.000 1.000.000
0
Kurs 8 9 10 11 12 13
(Rp/$)
Kas (Rp) 8 miliar 9 miliar 10 miliar 11 miliar 12 miliar 13 miliar
Perhatikan bahwa perubahan kaas (dalam Rp) bersifat linier, dari Rp 8
miliar sampai dengan Rp 13 miliar. Untuk perubahan linier tersebut, kita bisa
melakukan interpolasi dengan mudah. Sebagai contoh jika kurs rupiah menjadi
Rp20.000/$ maka nilai kas eksportir tersebut menjadi Rp 20 miliar.
Dalam beberapa situasi, efek perubahan parameter tidak bersifat linier,
tetapi non-linier, seperti tabel berikut.
-6% -3% -2% -1% 0% 1% 2% 3% 6%
DM/$ 15,95 15,64 15,30 15,15 1,50 14,85 14,70 14,53 14,15
7 6 6 2 0 1 6 6 1
Laba/ (1,14) (0,94) (0,74) (0,44) 0 0,57 1,27 2,08 4,87
Rugi
Stress-testing perlu memperhatikan kemungkinan perubahan hubungan
antar variabel dalam situasi ekstrim. Dalam situasi tersebut, hubungan atau efek
perubahan yang normal bisa berubah, missal: hubungan yang dulunya bersifat
linier menjadi tidak linier, atau bahkan menjadi hubungan yang tidak jelas
polanya. Meskipun stress-test nampaknya mudah, tetapi stess-test menggunakan
banyak pertimbangan subjektif. Parameter apa yang harus di-stress test dan berapa
besar perubahannya, merupakan pertanyaan yang bersifat subyektif. Idealnya
parameter tersebut adalah parameter yang relevan dengan organisasi, karena
parameter yang tidak relevan hanya akan mengakibatkan kelebihan informasi
 (information overload). Stress-test juga tidak menggunakan probabilitas. Stress-
test hanya menyajikan angka seberapa besar keuntungan atau kerugian akibat
peristiwa tertentu. Karena peristiwa yang di-stress biasanya jarang terjadi, maka
informasi historis mengenai peristiwa tersebut masih jarang (terbatas). Disamping
itu, hibungan normal pada situasi normal bisa berubah menjadi tidak normal
dalam situasi ekstrim. Manajer resiko harus berhati-hati dalam situasi tersebut.
Meskipun ada beberapa keterbatasan, tetapi stess-test bisa menjadi alat analisis
resiko yang digunakan bersama alat analisis yang lain.

BACK TESTING
Back testing adalah istilah untuk proses pengecekan apakah model yang
digunakan sudah sesuai dengan realita yang ada. Sebagai contoh, jika menghitung
99% VAR-1 hari, dan memperoleh angka Rp 500 juta. Back testing akan melihat
seberapa sering kerugian yang dialami perusahaan dimasa lalu yang melebihi Rp
500 juta. Jika menemukan bahwa kerugian diatas Rp500 juta madalah sekitar 1%
atau kurang, maka dapat dikatakan bahwa model tersebut cukup bagud, sesuai
dengan kenyataan yang ada. Tetapi jika menemukan bahwa kerugian diatas
Rrp500 juta mencapai 10% dari total observasi, maka model VAR tersebut
diragukan, karena model tersebut tidak sesuai dengan realita yang ada dan perlu
diperbaiki

Kesimpulan :
Risiko pasar adalah risiko terjadinya penurunan harga pasar sehingga kita akan
mengalami kerugian. Pengukuran risiko pasar bisa dilakukan dengan deviasi
standar yang praktis dan merupakan cikal bakal teknik berikutnya yaitu VAR
(Value At Risk). VAR merupakan teknik pengukuran risiko pasar yang semakin
popular. Ada beberapa cara untuk menghitung VAR data historis, analitik, dan
simulasi. VAR mempunyai kelemahan karena tidak bisa melihat kondisi ekstrim.
Street-test bisa digunakan untuk melihat pengaruh situasi ekstrim terhadap
portofolio kita.