Pertemuan 4
Pertemuan 4
RISIKO PASAR
Manajemen Risiko 1
RISIKO PASAR
Risiko pasar muncul karena harga pasar bergerak
dalam arah yang merugikan organisasi. Misal, suatu
perusahaan mempunyai portofolio sekuritas saham
yang dibeli dengan harga Rp1 milyar. Misalkan harga
saham tersebut jatuh, sehingga nilai pasar saham
tersebut turun menjadi Rp800 juta. Perusahaan
tersebut mengalami kerugian karena nilai portofolio
sahamnya turun sebesar Rp200 juta. Kerugian
tersebut disebabkan karena harga saham bergerak
ke arah yang kurang menguntungkan (dalam hal ini
turun).
Manajemen Risiko 2
Bagan 1. Kurva Normal
= deviasi standar
= nilai rata-rata
Manajemen Risiko 3
Bagan di atas menggambarkan kurva normal
yang berbentuk seperti bel. Kurva tersebut
berbentuk simetris, dimana sisi kana merupakan
cerminan sisi kiri. Deviasi standar dipakai untuk
menghitung penyimpangan dari nilai rata-rata.
Semakin besar deviasi standar, semakin besar
penyimpangan. Penyimpangan dipakai sebagai
indikator risiko. Semakin besar penyimpangan,
semakin besar risiko.
Manajemen Risiko 4
Perhitungan deviasi standar bisa digunakan
formula sebagai berikut ini.
Manajemen Risiko 10
VAR Metode Historis
Tabel 3. Perhitungan Value At Risk dengan Data Historis
Saham PT X Saham PT Y Portofolio X dan Y
Hari Return (%) Hari Return (%) Return (%) Return (%) Return (%)
Manajemen Risiko 13
Alternatif lain adalah melakukan perhitungan
dengan formula sebagai berikut ini (lihat buku
teks teori portofolio dan investasi untuk alasan
kenapa formula di bawah ini bisa diturunkan).
VAR portofolio = [ VARX2 + VARY2 + 2
×XY×VARX ×VARY] 1/2
Dimana VARX = VAR (Value At Risk saham X)
VARY = VAR (Value At Risk saham Y)
XY = korelasi return saham X dengan sahamY
Manajemen Risiko 17
Bagan 2. Kurva Normal untuk Perhitungan VAR
Manajemen Risiko 18
Luas total wilayah distribusi normal mencerminkan probabilitas sebesar
1 (probabilitas bernilai dari 0 sampai dengan 1, inklusif). Sebagian luas
dibawah distribusi normal mencerminkan probabilitas dibawah satu.
Sebagai contoh, luas ditengah (yang berwarna gelap, antara -12,75
dengan 36,75) mencerminkan 90% dari total wilayah distribusi normal,
dan dengan demikian mencerminkan probabilitas sebesar 90% (atau
0,9).
Jika kita melihat tabel distribusi normal, maka luas wilayah sebesar 5%
dari ujung paling kiri (atau dri ujung paling kanan), mempunyai nilai z
sebesar 1,65. Dengan demikian wilayah tengah seluas 90% berada
diantara (Rata2 – (1,65 * deviasi standar)) dengan (Rata2 + (1,65 *
deviasi standar).
Dengan demikian VAR 95% return harian bisa dihitung melalui batas
bawah dimana wilayah sebesar 5% dari ujung paling kiri akan
diperoleh, sebagai berikut ini.
VAR = 12% – 1,65 (15) = 12 % – 24,75 = – 12,75%
VAR = – 12,75% x Rp1 milyar = – Rp127,5 juta
Manajemen Risiko 19
Tabel 4. Data Perhitungan VAR Untuk Portofolio
A B
Return yang diharapkan (harian) 12% 10,5%
Standar deviasi 15% 18%
Nilai Investasi Rp20 milyar Rp12 milyar
95% Value At Risk Rp2,55 milyar Rp2,3 milyar
Korelasi A dengan B 0,55
Manajemen Risiko 20
VAR dengan
Tabel 5. Simulasi
Tingkat Keuntungan denganMonte Carlo
Probabilitasnya
Tingkat
Keuntungan Probabilitas
(%) Probabilitas Kumulatif
1 -0.5 0.05 0-4
2 -0.25 0.05 5-9 Misalkan kita
3 0 0.1 10-19 memperkiraka
4 0.1 0.1 20-29 n tingkat
5 0.5 0.25 30-54 keuntungan
6 1 0.15 54-69 harian dengan
7 1.2 0.1 70-79 probabilitasnya
8 1.25 0.1 80-89 pada tabel
9 2.25 0.05 90-94 disamping
10 3 0.05 95-99
Jumlah 1
Manajemen Risiko 21
Langkah berikutnya adalah menghasilkan
(generate) angka random yang akan
mempunyai nilai antara 0 sampai dengan
99, konsisten dengan probabilitas
kumulatif.
Kemudian mengkaitkan angka random
tersebut dengan return yang berkaitan.
Kemudian kita mengulangi langkah
tersebut 100, 500, atau 1.000 kali
Kemudian kita akan memperoleh
distribusinya.
Manajemen Risiko 22
Tabel 6. Sampel Simulasi Monte-Carlo
Tingkat Keuntungan
Angka Random 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
Manajemen Risiko 23
Tabel 7. 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
Manajemen Risiko 24
Distribusi Frekuensi Tingkat Keuntungan Berdasarkan Simulasi
30
25
20
15
10
0
-0.5 -0.25 0 0.1 0.5 1 1.2 1.25 2.25 3
Manajemen Risiko 25
Untuk distribusi di atas, nilai rata-rata dan
deviasi standarnya adalah
Rata-Rata tingkat keuntungan = 0,904%
Deviasi standar = 0,927%
Manajemen Risiko 26
Pemodelan VAR
Dalam beberapa situasi, kita ingin memodelkan
VAR. Sebagai contoh, misalkan kita mempunyai
portofolio obligasi. Harga pasar obligasi sangat
dipengaruhi oleh tingkat bunga. Jika tingkat
bunga naik, harga obligasi akan turun, dan
sebaliknya. Kita bisa memfokuskan perhatian kita
pada tingkat bunga, dan menghubungkan
perubahan tingkat bunga dengan nilai pasar
obligasi, kemudian menghitung VAR untuk
portofolio obligasi kita.
Manajemen Risiko 27
Hubungan antara perubahan tingkat bunga
dengan nilai obligasi bisa dilihat sebagai berikut
ini (lihat bab mengenai risiko perubahan tingkat
bunga).
dP/P = – D [ dR / (1 + R) ]
dimana dP = perubahan harga
P = harga obligasi
D = Durasi obligasi
dR = perubahan tingkat bunga
R = tingkat bunga
Manajemen Risiko 28
Misalkan portofolio obligasi kita mempunyai
durasi sebesar 5. Tingkat bunga saat ini adalah
10%. Kemudian kita mengasumsikan pergerakan
tingkat bunga mengikuti distribusi normal.
Analisis lebih lanjut, berdasarkan data historis
dan pertimbangan-pertimbagan, menunjukkan
bahwa perubahan tingkat bunga harian yang
diharapkan adalah 0%, dengan deviasi standar
perubahan tingkat bunga adalah 1%.
Manajemen Risiko 29
Bagan 4. Distribisi Perubahan Tingkat Bunga
Deviasi standar=1%
-1,65% 0% +1,65%
Manajemen Risiko 30
BERAPA VAR95% UNTUK
PORTOFOLIO OBLIGASI KITA?
Pertama, kita bisa menghitung perubahan harga akibat
kenaikan tingkat bunga, sebagai berikut ini,
dP/P = – D [ dR / (1 + R) ]
=– 5 [ 0,0165 / (1 + 0,1) ] = –
0,075
Jika tingkat bunga meningkat sebesar 1,65%, maka
portofolio kita akan turun nilainya sebesar 7,5%.
Jika portofolio kita mempunyai nilai sebesar Rp1 milyar,
maka 95% VAR portofolio kita adalah:
VAR 95% = -0,075 x Rp1 milyar = Rp75 juta
Dengan hasil tersebut, kita bisa mengatakan bahwa ada
kemungkinan sebesar 5% kerugian portofolio obligasi kita
sebesar Rp75 juta atau lebih.
Manajemen Risiko 31
VAR untuk
Periode Yang Lebih Panjang
Dalam beberapa situasi, kita ingin menghitung VAR untuk periode yang
lebih panjang. Misal, untuk melikuidasi posisi portofolio, waktu satu hari
tidak cukup. Kita memerlukan waktu, misal 5 hari. Padahal kita menghitung
VAR dengan menggunakan periode harian. Dalam situasi tersebut, VAR
harian harus dikonversi menjadi VAR 5-hari. Konversi tersebut bisa
dilakukan dengan menggunakan formula sebagai berikut ini.
VAR(n) = VAR(harian) x n
Manajemen Risiko 32
STRESS-TESTING
VAR mencoba menjawab berapa besar kerugian yang
bisa dialami dan berapa besar kemunginannya. Tetapi
VAR tidak bisa mendeteksi peristiwa-peristiwa yang
ekstrim. Peristiwa semacam itu biasanya mempunyai
probabilitas yang sangat kecil. Tetapi jika terjadi, maka
efeknya akan sangat serius bagi organisasi.
Sebagai contoh, tsunami Aceh barangkali mempunyai
probabilitas sebesar 0,0000001. Tetapi, sekali terjadi,
korban manusia bisa mencapai ratusan ribu orang.
Probabilitas Rusia default (tidak bisa membayar hutang-
hutangnya di tahun 1990-an) adalah kecil sekali (misal
0,000001). Tetapi sekali terjadi, banyak perusahaan
keuangan yang bangkrut.
Manajemen Risiko 33
Bagan 5. Stress-Testing
Tsunami,
Rusia bangkrut
Manajemen Risiko 34
Stress-testing berusaha mengakomodasi kejadian
ekstrim tersebut. Yang ingin dijawab oleh stress-testing
adalah pertanyaan sebagai berikut ini, ‘Jika peristiwa
ekstrim terjadi, bagaimana pengaruhnya terhadap
organisasi, atau portofolio kita?’
Sebagai contoh, ‘Jika Rusia default, bagaimana efeknya
terhadap portofolio kita?’ Untuk melakukan stress-
testing, manajer akan memilih parameter tertentu,
kemudian melihat (mengukur dan mensimulasikan)
bagaimana pengaruh perubahan parameter tersebut
yang ekstrim terhadap organisasi atau portofolio
organisasi.
Parameter tersebut bisa bervariasi mulai dari kenaikan
tingkat bunga yang ekstrim (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).
Manajemen Risiko 35
LANGKAH-LANGKAH
STRESS-TESTING
Mengidentifikasi dan Memilih Parameter
Yang Diperkirakan Akan Berubah
Menentukan Seberapa Besar Parameter
tersebut akan Dirubah (Di-stress)
Melihat Pengaruh Stress-testing Tersebut
Terhadap Nilai Portofolio
Melihat Asumsi Yang Digunakan, Merubah
Asumsi Tersebut jika Diperlukan (Misal
Dalam Situasi Krisisi, Asumsi Yang Biasa
Berlaku Barangkali Tidak Jalan Lagi).
Manajemen Risiko 36
CONTOH PARAMETER YG DI STRESS-TEST
DAN PERUBAHANNYA
Tabel 8. Parameter Untuk Stress-Testing Oleh Swiss Bank Corp
Manajemen Risiko 38
Melihat efek perubahan parameter tersebut
terhadap nilai portofolio kita
Tabel 10. Contoh Hasil Stress-Test
Stress Test, 1 November 1997 Pengaruh terhadap $1 juta
Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yield yang parallel 100bp -0,209 1,129
Yield curve semakin menajam -0,009 0,057
Fluktuasi tingkat bunga meningkat 20% 0,703 -0.809
Mata uang depresiasi 20% 0,824 -0.727
Indeks saham berubah 10% 0,000 0,000
Fluktuasi indeks saham meningkat 20% 0,000 0,000
Manajemen Risiko 39
Melihat asumsi yang berlaku:
misal linearitas vs non-linear
PERUBAHAN BERSIFAT LINEAR
Kas ($) 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000
Kurs(Rp/$) 8.000 9.000 10.000 11.000 12.000 13.000
Kas (Rp) 8 milyar 9 milyar 10 milyar 11 milyar 12 milyar 13 milyar
PERUBAHAN BERSIFAT NON-LINEAR
Manajemen Risiko 40
Meskipun stress test nampaknya mudah, tetapi stress-test
menggunakan banyak pertimbangan subyektif.
Parameter apa yang harus distress 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 histories mengenai peristiwa tersebut masih jarang
(terbatas).
Disamping itu, seperti disinggung di atas, hubungan yang normal
dalam situasi normal bisa berubah menjadi tidak normal dalam situasi
ekstrim (situasi stress-test).
Manajer risiko harus berhati-hati terhadap kemungkinan semacam
itu.
Manajemen Risiko 41
BACKTESTING
Backtesting adalah istilah untuk proses pengecekan
apakah model yang kita gunakan sudah sesuai dengan
realitas yang ada. Sebagai contoh, jika kita menghitung
99%VAR-1 hari, dan memperoleh angka Rp500 juta.
Back testing akan melihat seberapa sering kerugian
yang dialami perusahaan di masa lalu yang melebihi
Rp500 juta. Jika kita menemukan bahwa kerugian di
atas Rp500 juta adalah sekitar 1% atau kurang, maka
kita bisa mengatakan bahwa model kita cukup bagus,
sesuai dengan kenyataan yang ada. Tetapi jika kita
menemukan bahwa kerugian di atas Rp500 juta
mencapai 10% dari total observasi, maka model VAR
kita barangkali perlu diragukan. Model tersebut
barangkali tidak sesuai dengan realitas yang ada, dan
perlu diperbaiki.
Manajemen Risiko 42
2. Bank ABC (Amerika Serikat) mempunyai
portofolio bernilai DM 20 juta dan BP 25 juta.
DM (mata uang Jerman, dan BP adalah British
pound, mata uang Inggris). Kurs spot adalah
$0,4/DM dan $1,28/BP. Deviasi standar harian
kurs spot adalah 65bps dan 45 bps, untuk DM
dan BP.
a. Hitung 95% VAR-10 hari untuk kedua
portofolio tersebut.
b. Misalkan korelasi antara perubahan kurs
keduanya adalah 0,45, hitung 95% VAR-10 hari
untuk portofolio DM dan BP bank tersebut.
Manajemen Risiko 43
3. Misalkan kita menghitung tingkat keuntungan selam 10 hari
terakhir, seperti terlihat di tabel berikut ini.
Tingkat
Keuntungan
a. Hitung deviasi standard dan rata-
(%) rata tingkat keuntungan
1 -0.1 b. Hitung VAR95%-harian dengan
2 0.1
menggunakan metode histories dan
analitik
3 0.15
c. Hitung VAR95%-harian dengan
4 0.05
menggunakan simulasi Monte-
5 -0.05 Carlo, Anda tentukan sendiri
6 0.125 probabilitas untuk setiap tingkat
7 0.2 keuntungan tersebut.
8 -0.025 d. Hitung VAR95%-mingguan (7
9 0 hari) untuk setiap perhitungan VAR
10 0.04 diatas. Jelaskan.
Manajemen Risiko 44