ERMA NOOR MARLIZA 12010116420164

MUHAMMAD ADI NURBAKTIAR 12010116420184

DINAR NUR SEPTIYANTO 12010116420186
 Resiko pasar muncul karena harga pasar bergerak ke dalam arah yang merugikan.
Misalnya suatu perusahaan memilihi portofolio saham dengan harga 1 miliar. Misalkan
saja harga saham tersebut jatuh dan nilainya menjadi 800 juta. Maka perusahaan
tersebut mengalami kerugian karena portofolio sahamnya turun 200 juta. Kerugian itu
bergerak ke arah yang kurang menguntungkan ( Saham turun )
BAB 9 resiko pasar buku Dr. Mamduh M Hanafi, M.B.A

Teknik
Deviasi standart VAR Stress
testing
 Distribusi normal, Deviasi Standart dan nilai
rata rata

Σ = deviasi standart

µ = nilai rata- rata

Bagan diatas menunjukkan kurva normal yang berbentuk seperti bel. Kurvanya berbentuk
simetris dimana sisi kananmerupakan ceriminan dari sisi kiri. Deviasi standart dipakai untuk
menghitung penyimpangan dari nilai rata – rata. Semakin besar deviasi standartnya maka
semakin besar penyimpangannya. Penyimpangan ini dipakai untuk indikator resiko. Semakin
besar penyimpangan maka semakin besar resikonya.
Perhitungan deviasi standart
 Salah satu teknik pengukuran risiko adalah Value at Risk (VaR).
Value at Risk (VaR) merupakan metoda perhitungan market risk
untuk menentukan risiko kerugian maksimum yang dapat terjadi
pada suatu portfolio, baik single-instrument ataupun multi-
instruments, pada confidence level tertentu, selama holding period
tertentu, dan dalam kondisi market yang normal.

Menurut Philip Best (1998) Value at Risk atau VaR adalah suatu metoda pengukuran risiko secara
statistik yang memperkirakan kerugian maksimum yang mungkin terjadi atas suatu portfolio
pada tingkat kepercayaan (level of confidence) tertentu. Nilai VaR selalu disertai dengan
probabilitas yang menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari
nilai VaR tersebut. VaR adalah suatu nilai kerugian moneter yang mungkin dialami dalam jangka
waktu yang telah ditentukan.
 Metoda untuk perhitungan

VaR

Historical Variance- Monte Carlo

Simulation Covariance Simulation
Method Method Method
 Variance-covariance approach
Variance-covariance approach memiliki keunggulan dari sisi kemudahan komputasi
dan implementasi. Model ini diperkenalkan oleh JP.Morgan pada awal 1990an.
Selain memiliki keunggulan dalam hal kemudahan komputasi dan implementasi
metode ini memiliki kelemahan dalam hal akurasi (lebih lemah) dibandingkan dua
metoda lainnya. VaR diperoleh dengan mengalikan standar deviasi dengan faktor
pengali dari tingkat keyakina dan nilai portofolio dimana pada metode ini dapat
dihitung dengan metode single asset. Kelebihan dari metode Varians-Kovarians
adalah untuk menghitung Value At Risk dapat dilakukan secarasederhana dengan
membuat asumsi bahwa faktor-faktor pasar yang mempengaruhi nilai asset atau
portofolio adalah berdistribusi normal. Rumus varian-kovarian sebagai berikut :
 𝑉𝑎𝑅 = 𝑃𝑧0,95 𝜎√𝑡

Dimana :
Pz0,95 : tingkat kepercayaan sebesar 95%
σ : volatilitas return aset tunggal
√𝑡 : periode waktu
 Historical Simulation Method

Historical Simulation Method merupakan metode yang paling simple dan

paling transparan dalam perhitungan. Metode ini merupakan cara
termudah untuk memperkirakan Value At Risk bagi banyak portofolio.
Dalam metode ini, VaR untuk portofolio diperkirakan dengan
menciptakan hypothetical time series dari return yang diperoleh dengan
menjalankan portofolio melalui data historis yang aktual dan perubahan
yang telah terjadi di setiap periode atas sebuah portofolio. Dalam metode
ini VaR ditentukan oleh pergerakan harga sebenarnya. Rumus untuk
menghitung VaR simulasi historis adalah sebagai
 𝑉𝑎𝑅(1−𝛼) = 𝜇(𝑅) − 𝑅𝛼

Dimana:
𝑉𝑎𝑅(1−𝛼) : potensi kerugian maksimal
𝜇(𝑅) : nilai rata-rata Return
𝑅𝛼 : rugi maksimum 𝛼 tertentu
 Monte Carlo Simulation Method

perbedaannya dengan historical simulation adalah pada kemampuan metode ini

dalam menghasilkan ribuan jalur simulasi untuk menghasilkan distribusi yang
hampir akurat terhadap distribusi faktor risiko di masa depan. Penggunaan metode
simulasi Monte Carlo untuk mengukur risiko telah dikenalkan oleh Boyle pada
tahun 1977. Dalam mengestimasi nilai Value At Risk (VaR) baik pada aset tunggal
maupun portofolio, simulasi Monte Carlo mempunyai beberapa jenis algoritma.
Namun pada intinya adalah melakukan simulasi dengan membangkitkan bilangan
random berdasarkan karakteristik dari data yang akan dibangkitkan, yang kemudian
digunakan untuk mengestimasi nilai VaR-nya
 𝑉𝑎𝑅 = μ − (Z × σ)

Dimana :
VaR : Potensi kerugian maksimal
μ : Besarnya nilai rata-rata return
Z : Tingkat Kepercayaan
σ : Standar Deviasi
 Jadi Variance-covariance approach memiliki keunggulan dari sisi
kemudahan komputasi dan implementasi, sedangkan Historical Simulation
Method, dan Monte Carlo Simulation Method memiliki keunggulan akurasi
namun memiliki kelemahan dari sisi komputasi karena memerlukan simulasi
risk factors yang cukup banyak khususnya monte carlo simulation. Metoda
historical simulation method memiliki keunggulan dibanding monte carlo
simulation karena komputasi yang relatif lebih mudah (intermediate) dan
tidak menghadapi problem model risk.
 Contoh soal 1

Selama 6 bulan terakhir terjadi tiga kali karyawan perusahaan demo. Kerugian yang
diderita dari akibat demo tersebut adalah :
Peristiwa (i) Kerugian
1 Rp. 10.000.000
2 Rp. 15.000.000
3 Rp. 5.000.000

Jika karyawan demo lagi, berapa maksimal kerugian yang akan diderita perusahaan
dengan tingkat keyakinan 95% ?
 Urutan pengerjaan
1. Resiko : Karyawan demo
2. Data historis
Peristiwa (i) Kerugian
1 Rp. 10.000.000
2 Rp. 15.000.000
3 Rp. 5.000.000

3. Rata-rata
= 10.000.000 + 15.000.000 + 5.000.000 = 10.000.000
4. Deviasi standart
(10−10)2 +(15−10)2 +(5−10)2
5. S= =5
3−1

6. Tingkat keyakinan yang diinginkan 95 %

7. Mencari nilai Z. Keyakinan 95% atau signifikansi 5% nilai Z nya adalah 1.645
8. VaR
5
VaR = 10.000.000 + 1,645 ( 3
) = Rp 14.750.000
Dari contoh soal yang diberikan tadi mengenai kerugian jika terjadi demo lagi
dengan tingkat keyakinan 95%, kerugian yang diderita maksimal adalah Rp.
14.750.000. Namun ada 5% kemungkinan lebih besar dari Rp. 14.750.000. Hal
ini bisa dinyatakan sebagai berikut :
VaR Rp. 14.750.000 at 5%
 SAHAM

RISK RETURN

PERHITUNGAN
Value At Risk

Metode varian Simulasi Simulasi

kovarian Historis Monte Carlo
 Contoh soal 2 :
Sample Data yang digunakan dalam penelitian ini adalah data harga saham
harian GGRM dan HMSP. Periode penelitian dimulai dari 1 September
2014 sampai 1 September 2016, yang masing-masing perusahaan yang
diteliti terdiri dari 514 data. Data yang digunakan dalam penelitian ini
berasal dari www.finance.yahoo.com
 PEMBAHASAN
Analisis Perhitugan Data Return
Dari data harga penutup yang masing – masing perusahaan memiliki data berjumlah 514
data, maka tahap pertama harus menghitung return dari data secara berturut-turut dengan
menggunakan rumus sebagai berikut:
𝑅 =𝑃𝑡 − 𝑃𝑡−1
𝑃𝑡−1
Keterangan:
R : Return dari harga penutupan hari ini
Pt : Nilai harga penutupan pada hari ini
Pt-1 : Nilai harga penutupan pada hari sebelumnya
Contoh, harga penutupan Gudang Garam pada tanggal 1 September 2016 sebesar Rp 62.500
dan harga penutupan 31 Agustus 2016 Rp 64.400, maka perhitungan return pada hari
tersebut adalah:
R = (62.500 − 64.400) / 64.400
R = −2.99%
 Analisis Perhitungan Simulasi Historis
Untuk menghitung VaR dengan metode ini perlu ditetapkan terlebih dahulu periode waktu
(time horizon). Di dalam proses perhitungan VaR, yang menjadi obyek perhitungan adalah
distribusi simulasi dari return harian. Selanjutnya nilai VaR dapat dihitung dengan rumus:
𝑉𝑎𝑅 1 − 𝛼 = 𝜇(𝑅) − 𝑅𝛼
Perhitungan nilai VaR aset tunggal dengan menggunakan metode simulasi historis dapat
dilihat pada tabel 1.1
 Kesimpulan

Dapat dilihat pada tabel 1.1 nilai risiko saham Gudang Garam selama
periode penelitian dengan tingkat keyakinan 95% adalah sebesar 0,0328027
atau diperkirakan tidak akan melebihi Rp16.401.371 apabila investor
berinvestasi sebesar Rp 500.000.000. Sedangkan HM Sampoerna memiliki
nilai risiko sebesar 0,0254078 atau diperkirakan tidak akan lebih dari
Rp12.888.118 atau dapat diartikan estimasi kerugian maksimum yang akan
diperoleh.
 Analisis Perhitungan Simulasi Monte
Carlo
Pada metode ini, nilai return aset yang berdistribusi normal disimulasikan dengan
membangkitkan secara random nilai-nilai return acak dengan menggunakan parameter mean
dan standar deviasi dari masing-masing return aset.

Tabel 1.2 menunjukan rata-rata return dan standar deviasi yang diperoleh dari return
Gudang Garam dan HM Sampoerna dari 1 September 2014 sampai 1 September 2016, yang
nantinya nilai tersebut digunakan sebagai parameter untuk membangkitkan nilai return
secara acak. Selanjutnya, dengan menggunakan rata-rata return dan standar deviation of
return sebagai parameter simulasi, maka simulasi untuk membangkitkan nilai return secara
acak sebanyak 1000 kali dapat diperoleh dengan bantuan fungsi =norminv(rand(); mean;
standard_dev) pada Microsoft Excel. Dimana fungsi =rand() adalah angka acak yang lebih
besar dari 0 dan lebih kecil dari 1.
Setelah simulasi dilakukan sebanyak 1000 kali dan memperoleh data-data return dari hasil
simulasi tersebut, maka rata-rata return dapat diperoleh dengan bantuan fungsi
=AVERAGE(number1; [number2]; ...) dimana number1 adalah simulasi return ke-1,
number2 simulasi return ke-2 dan seterusnya hingga simulasi ke- 1000. Setelah nilai rata-
rata return didapatkan dan tingkat kepercayaan ditentukan 95% (1,645), VaR masingmasing
aset dihitung dengan menggunakan rumus:
𝑉𝑎𝑅 = μ − (Z × σ)
Dimana :
VaR : Potensi kerugian maksimal
μ : Besarnya nilai rata-rata return
Z : Tingkat Kepercayaan
σ : Standar Deviasi
Tabel 1.3 menunjukan perolehan nilai VaR dengan menggunakan simulasi Monte Carlo. Dapat dilihat pada tabel
bahwa nilai VaR Gudang Garam adalah 3,52% artinya jika investor menginvestasikan dana awal sebesar
Rp500.000.000 maka ini dapat diartikan ada keyakinan 95% bahwa kerugian yang akan dialami investor tidak
melebihi Rp17.612.977. Sedangkan untuk HM Sampoerna memiliki nilai VaR 3,14%, artinya ini dapat diartikan
ada keyakinan 95% bahwa kerugian yang akan dialami investor tidak melebihi Rp15.695.502 jika investor
menginvestasikan dana awal sebesar Rp500.000.000.
 Pada tabel 1.4 dapat dilihat hasil perhitungan VaR dengan metode simulasi Historis dan Monte Carlo
dapat disimpulkan bahwa dari kedua perusahaan rokok yang diteliti periode 1 September 2014 sampai 1 September
2016 yang memiliki nilai risiko lebih besar adalah Gudang Garam dilihat dari nilai risiko pada kedua metode
pengukuran VaR.
Dari hasil perhitungan kedua metode, Simulasi Monte Carlo memberikan hasil yang lebih besar
dibandingkan Simulasi Historis, hal ini dikarekan metode simulasi Monte Carlo melakukan iterasi yang berulang
ulang dengan mengikutsertakan pembangkitan bilangan acak dan banyak mensintesiskan data sehingga sample
data menjadi lebih banyak yang membuat perhitungan semakin besar.
Dari hasil perhitungan kedua metode, Simulasi Monte Carlo memberikan hasil yang lebih besar
dibandingkan Simulasi Historis, hal ini dikarekan metode simulasi Monte Carlo melakukan iterasi yang berulang
ulang dengan mengikutsertakan pembangkitan bilangan acak dan banyak mensintesiskan data sehingga sample
data menjadi lebih banyak yang membuat perhitungan semakin besar.
 Apa itu Volatility
■ Volatilitas adalah pengukuran statistik untuk fluktuasi harga selama periode
tertentu (Firmansyah, 2006).
■ Menunjukkan penurunan dan peningkatan harga dalam periode yang pendek dan
tidak mengukur tingkat harga, namun derajat variasinya dari satu periode ke
periode berikutnya. Mengingat volatilitas dapat direpresentasikan dengan
simpangan baku (standard deviation), publik juga mempersepsikan volatilitas
sebagai risiko. Semakin tinggi tingkat volatilitas, semakin tinggi pula tingkat
ketidakpastian dari imbal hasil (return) saham yang dapat diperoleh. Salah satu dari
sepuluh prinsip manajemen keuangan menyatakan bahwa investor tidak akan mau
mengambil risiko yang lebih tinggi kecuali apabila dapat memperoleh kompensasi
berupa return yang lebih tinggi (high risk, high return) (Keown et al., 2003).
 Jenis Volatilitas saham

Menurut Schwert • future volatility

dan W. Smith, Jr.
(1992) dalam
• historical volatility
Hugida (2010) • forecast volatility
terdapat lima jenis
volatilitas dalam • implied volatility
pasar keuangan • Seasonal volatility
Future Volatility
Future volatility adalah apa yang hendak diketahui oleh para pemain dalam pasar keuangan (trader).
Volatilitas yang paling baik adalah yang mampu menggambarkan penyebaran harga di masa yang akan
datang

Historical Volatility
Untuk dapat mengetahui masa depan maka perlu mempelajari masa lalu. Hal ini dilakukan dengan
membuat suatu permodelan dengan teori pricing berdasarkan data masa lalu untuk dapat meramalkan
volatilitas pada masa yang akan datang. Terdapat bermacam-macam pilihan dalam menghitung historical
volatility, namun sebagian besar metode bergantung pada pemilihan dua paremeter, yaitu periode historis
dimana volatilitas akan dihitung, dan interval waktu antara perubahan harga. Periode historis dapat berupa
jadi empat belas hari, enam bulan, lima tahun, atau lainnya. Interval waktu dapat berupa harian, mingguan,
bulanan, atau lainnya. Future volatility dan historical volatility terkadang disebut sebagai realized volatility.
Forecast Volatility
Seperti halnya terdapat jasa yang berusaha meramalkan pergerakan arah masa depan harga suatu kontrak
demikian juga terdapat jasa yang berusaha meramalkan volatilitas masa depan suatu kontrak. Peramalan
bisa jadi untuk suatu periode, tetapi biasanya mencakup periode yang identik dengan sisa masa option dari
underlying contract.

Implied Volatility
Umumnya future, historical, dan forecast volatility berhubungan dengan underlying contract. Implied
volatility merupakan volatilitas yang harus kita masukkan ke dalam model teoritis pricing untuk
menghasilkan nilai teoritis yang identik dengan harga option di pasar.

Seasonal Volatility
Komoditas pertanian tertentu seperti jagung, kacang, kedelai, dan gandum sangat sensitif terhadap faktor-
faktor volatilitas yang muncul dari kondisi cuaca musim yang jelek. Oleh karena itu berdasarkan faktor-faktor
tersebut seseorang harus menetapkan volatilitas yang tinggi pada masa-masa tersebut.
Volatilitas yang tinggi menunjukan harga saham bergerak naik dan turun secara cepat.
Semakin tinggi volatilitas, maka potensi return akan semakin tinggi. Volatilitas yang
rendah menunjukkan kestabilan nilai return, akan tetapi umumnya returnnya tidak
terlalu tinggi. Secara matematis,volatilitas harga untuk setiap saham ditunjukkan
dengan rumus berikut (Parkinson,1980) :

Keterangan :
PV = Volatilitas harga saham
Ht = harga saham tertinggi pada periode t
Lt = harga saham terendah pada periode t
n = jumlah observasi