BAB 9.

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.

E(R) = ∑ Ri / N ………….. (2)

σR2 = ∑ (Ri – E(R))2 / (N – 1)

….……….. (3)

σR = (σR2 ) 1/2 .... (4)

Manajemen Risiko 5
Tabel 1. Tingkat Keuntungan Historis
Bulan Aset A (%) Aset B (%)
(1) (2) (3) (RA – E(RA))2 RB – E(RB))2
1 3 2 0.714025 4.6225
2 2 4 3.404025 0.0225
3 4.5 5 0.429025 0.7225
4 3 4 0.714025 0.0225
5 4 1.5 0.024025 7.0225
6 5.2 4 1.836025 0.0225
7 3.5 8 0.119025 14.8225
8 4.25 5 0.164025 0.7225
9 4 3 0.024025 1.3225
10 5 5 1.334025 0.7225
Rata-rata 3.845 4.15
Jumlah 8.76225 30.025
Varians=
Jumlah/(N-1) 0.973583 3.336111

BERAPA DEVIASI STANDAR RETURN A DAN RETURN B?

Manajemen Risiko 6
Tabel 2. Tingkat Keuntungan Yang Diperkirakan Di Masa Mendatang
Kondisi Tingkat euntungan Tingkat Keuntungan
Ekonomi Probabilitas A B
(1) (2) (%) (%)
Baik 0.3 5 2
Sedang 0.4 3 1.5
Jelek 0.3 -2 1
1
E(R)= 2.10 1.50
Varians 7.89 0.15
Deviasi
standar 2.808914 0.387298

BERAPA DEVIASI STANDAR RETURN A DAN RETURN B?

Manajemen Risiko 7
VALUE AT RISK
Value At Risk(VAR) mengembangkan lebih
lanjut konsep kurva normal seperti yang
telah dibicarakan di muka, untuk menjawab
pertanyaan sebagai berikut ini ’Jika besok
adalah hari yang jelek, berapa besar (nilai
Rupiah) dan berapa besar kemungkinannya
(probabilitas) kerugian yang bisa dialami
perusahaan besok (atau beberapa hari
mendatang)?’
Manajemen Risiko 8
VALUE AT RISK
Jawaban tersebut akan berbentuk kalimat
seperti berikut ini ’besok ada kemungkinan
sebesar 5% bahwa kerugian perusahaan
(karena pergerekan harga pasar yang
tidak menguntungkan) sebesar Rp10 juta
atau lebih’. Perhatikan bahwa VAR
menjawab pertanyaan tersebut dengan
memberikan nilai uang dari kerugian
tersebut (Rp10 juta), dan besarnya
kemungkinannya (5%).
Manajemen Risiko 9
METODOLOGI VAR
Metode historis menggunakan data
historis (data masa lalu) untuk
menghitung VAR.
Metode analitis menggunakan model
tertentu untuk mengestimasi VAR.
VAR Monte-Carlo menggunakan
simulasi untuk perhitungan VAR-nya.

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

(1) (2) (3) (4) (5)

Hari Return (%) Hari Return (%) Return (%) Return (%) Return (%)

1 1.86008 7 -8.37883 1 -1.96078 1 -0.05035 7 -6.11249

2 -0.65038 19 -2.77565 2 2 2 0.67481 1 -0.05035
3 6.399526 14 -1.79577 3 7.843137 3 7.121332 6 -0.00095
4 2.119365 2 -0.65038 4 -1.81818 4 0.150592 4 0.150592
5 3.512881 20 -0.17928 5 3.703704 5 3.608292 19 0.278842
6 7.140963 1 1.86008 6 -7.14286 6 -0.00095 2 0.67481
7 -8.37883 4 2.119365 7 -3.84615 7 -6.11249 20 0.716812
8 4.148766 11 2.547136 8 4 8 4.074383 14 0.887829
9 8.782409 15 2.99732 9 1.923077 9 5.352743 12 1.071214
10 7.539626 5 3.512881 10 5.660377 10 6.600002 11 2.166425
11 2.547136 8 4.148766 11 1.785714 11 2.166425 15 2.360729
12 5.6512 12 5.6512 12 -3.50877 12 1.071214 17 3.332057
13 8.797835 3 6.399526 13 1.818182 13 5.308008 5 3.608292
14 -1.79577 16 7.042143 14 3.571429 14 0.887829 8 4.074383
15 2.99732 6 7.140963 15 1.724138 15 2.360729 16 4.368529
16 7.042143 10 7.539626 16 1.694915 16 4.368529 13 5.308008
17 9.997447 9 8.782409 17 -3.33333 17 3.332057 9 5.352743
18 9.472343 13 8.797835 18 3.448276 18 6.460309 18 6.460309
19 -2.77565 18 9.472343 19 3.333333 19 0.278842 10 6.600002
20 -0.17928 17 9.997447 20 1.612903 20 0.716812 3 7.121332
Manajemen Risiko 11
Misalkan kita ingin melihat VAR 95% harian, kita
akan melihat 5% return terendah. 5% dari 20
adalah 1, dengan demikian kita memilih 1 hari
dengan return terendah yaitu -8,38%.
Misalkan portofolio kita bernilai Rp1 milyar,
maka VAR 95% harian adalah -8,38% x Rp1
milyar = -Rp83,78 juta.
Kita bisa mengatakan ’besok ada kemungkinan
sebesar 5% kerugian kita pada saham X sebesar
Rp83,78 juta atau lebih’.
Alternatif redaksional yang lain adalah sebagai
berikut ini ’kita yakin sebesar 95% bahwa
kerugian kita besok tidak akan melebihi Rp83,78
juta’.
Manajemen Risiko 12
Misalkan kita membentuk portofolio yang terdiri
dari saham X dan Y, dengan proporsi masing-
masing sebesar 50%, konstan selama 20 hari.
Return untuk portofolio tersebut bisa dilihat
pada kolom (4). Sebagai contoh, return
portofolio pada hari 1 adalah -0,05%
(0,5*1,86)+(0,5*-1,96).
Sama seperti sebelumnya, kita bisa
mengurutkan return portofolio dari yang paling
rendah ke yang paling tinggi.
Kolom (5) menunjukkan hasil pengurutan
tersebut. VAR 95% harian
VAR 95% harian untuk portfolio tersebut adalah
Rp-6,11% x Rp2 milyar = Rp122,2juta.

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

Dengan formula tersebut, VAR portofolio bisa

dihitung sebagai berikut ini.
VAR port =[ (83.78^2) + (71.43^2) + (2 ×
0,089 × 83.78 × 71.43) ]1/2 = 114,83
Manajemen Risiko 14
Metode historis mempunyai kelebihan seperti (1) tidak
mengasumsikan distribusi tertentu, (2) sederhana.
Tetapi metode tersebut mempunyain kelemahan seperti
asumsi bahwa data masa lalu bisa dipakai untuk
memprediksi masa datang. Dengan kata lain, metode
tersebut mempunyain asumsi bahwa pola data di masa
lalu sama dengan pola data di masa mendatang.
Jika pola yang terjadi cukup stabil, maka data masa lalu
bisa dipakai untuk memprediksi data masa mendatang.
Jika tidak (misal ada krisis yang tidak terduga), maka
data masa lalu tidak bisa dipakai untuk memprediksi
masa mendatang.
Disamping itu, 20 observasi ke belakang masih terbilang
sangat sedikit. Idealnya kita bisa memperoleh data
historis cukup banyak, yang mencakup semua siklus
bisnis (resesi, boom, normal), sehingga data tersebut
bisa cukup representatif.
Manajemen Risiko 15
VAR Metode Modeling (Analytical)
Metode analitis biasanya mengasumsikan distribusi
tertentu yang mendasari return atau harga. Biasanya
distribusi normal (yang berbentuk bel) yang
diasumsikan mendasari pergerakan harga tersebut.
Setelah distribusi tersebut diasumsikan, kita bisa
menghitung nilai yang diharapkan (misal rata-rata)
dan penyimpangan dari nilai yang diharapkan
tersebut (misal deviasi standar).
Selanjutnya VAR bisa dihitung dengan menggunakan
parameter yang dideduksi (diambil) dari distribusi
tersebut (nilai yang diharapkan dan
penyimpangannya).
Manajemen Risiko 16
Misalkan manajer portfolio mempunyai
aset senilai Rp1 milyar. Misalkan kita
mengasumsikan distribusi normal
mendasari pergerakan harga aset
tersebut.
Misalkan kita memperkirakan tingkat
keuntungan harian yang diharapkan
dengan deviasi standarnya adalah 12%
dan 15%.

Manajemen Risiko 17
Bagan 2. Kurva Normal untuk Perhitungan VAR

M-1.65.STD 90% M+1.65.STD

-12,75 12% 36,75

0
Confidence
Interval

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

HITUNG VAR PORTOFOLIO A DAN B!!

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%

95% VAR-harian bisa dihitung seperti berikut ini.

VAR95%-harian = 0,904 – 1,65 (0,927) = -0,627

Misalkan kita mempunyai portofolio senilai Rp1

milyar, maka VAR-95% harian adalah -0,627% x
Rp1 milyar = -Rp6,27 juta.

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%

M-1.65.STD 90% M+1.65.STD

-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

Kembali ke contoh di atas dimana 95%-VAR harian untuk portofolio obligasi

kita adalah Rp75 juta, 95%-VAR 5 hari bisa dihitung sebagai berikut ini.
VAR (5 hari) = Rp75 juta x 5
= Rp167,71 juta

Dengan demikian 95% VAR-5hari adalah Rp167,71 juta.

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

RATING SHOCK SHOCK SHOCK SHOCK

NEGARA TINGKAT SAHAM VALAS KOMODITAS
BUNGA
AAA 60-100 bp 8-9% 4-10% Emas 8%
AA DAN A 160 bp 20% 10% Platinum 12%
BBB 240 bp 25% 12,5% Palladium 12%
BB 320 bp 30% 20% Perak 16%
B 420 bp 40% 30%
Catatan:
Kolom kiri adalah rating Negara yang mencerminkan risiko Negara. AAA adala Negara
dengan risiko paling rendah (misal Swiss), B adalah Negara dengan risiko tinggi (misal
Irak).
Manajemen Risiko 37
 CONTOH LAINNYA

Tabel 9. Parameter Stress Testing Yang Disarankan Derivative Policy Group

1) PERGERAKAN PARALEL YIELD CURVE NAIK ATAU TURUN SEBESAR
100 BASIS POINT (1%)
2) KENAIKAN ATAU PENURUNAN VOLATILITAS SEBESAR 20% DARI
TINGKAT SEKARANG
3) KENAIKAN ATAU PENURUNAN NILAI INDEKS SAHAM SEBESAR 10%
4) KENAIKAN ATAU PENURUNAN VOLATILITAS INDEKS SAHAM
SEBESAR 20% DARI TINGKAT SAAT INI
5) KENAIKAN ATAU PENURUNAN KURS VALUTA 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 SPRED SWAP SEBESAR 20 BASIS
POINTS (0,2%)

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

-6% -3% -2% -1% 0% 1% 2% 3% 6%

DM/$ 1,5957 1,5464 1,5306 1,5152 1,500 1,4851 1,4706 1,4563 1,4151
Laba/Rugi (1,14) (0,94) (0,74) (0,44) 0 0,57 1,27 2,08 4,87

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