USD IDR USD USD USD USD

Transkripsi

1 IV. Hasil dan Pembahasan Implementasi pendekatan Varian-Kovarian dalam penghitungan VaR Mengestimasikan varian, kovarian dan korelasi distribusi prosentase perubahan faktor-faktor pasar, dengan mengasumsikan bahwa semua prosentase perubahan faktor pasar terdistribusi normal dengan mean nol. Menggunakan volatilitas dan korelasi antar faktor pasar dari prosentase perubahan faktor pasar (value changes) untuk mengestimasi volatilitas dan korelasi posisi standar. Menghitung nilai VaR dengan menggunakan volatilitas dan korelasi posisi standar. Pemetaan perubahan nilai portfolio ke dalam posisi standar Faktor-faktor perubahan: Suku bunga IDR (JIBOR) jangka waktu 1 bulan (P1) Suku bunga USD (SIBOR) jangka waktu 1 bulan (P2) Spot USD/IDR (P3) Formula posisi standar: X X X = e 1+ r = 1+ r = 1+ r IDR e USD e USD USD F (( T t) / 360) USD S (( T t) / 360) USD S (( T t) / 360) Contoh penghitungan VaR tanggal 09 Desember 2001 Nilai-nilai faktor pasar dan data pendukung lainnya: Suku bunga IDR 13,3437% Suku bunga usd 6,46438% Spot USD/IDR 7225 Forward rate USD/IDR 1 bulan adalah: 31 Nilai posisi standar pada tanggal 09 Desember 1 + 0, adalah : 360 F = = 7.267, ,

2 Nilai absolut yang sama pada ketiga posisi standar terjadi dikarenakan penentuan forward rate pada penelitian ini didasarkan atas formula Interest rate Parity (IRP), sehingga pada t = 0 tidak terjadi disequilibrium IRP Estimasi parameter perubahan faktor pasar Parameter faktor pasar yang diestimasi adalah volatilitas dan korelasi ERstimasi Varian Kovarian perubahan faktor pasar dilakukan dngan metode MA dan EWMA Hasil Volatilitas dan Korelasi Perubahan Faktor Pasar Untuk EWMA, 50 (λ = 0,94) 09/12/99 22/02/00 Volatilitas Korelasi ridr rusd Spot ridr.rusd ridr.spot rusd.spot 5, , , , , ,70286 (0,06269) (0,06269) 0, ,15362 (0,00059) (0,00059) 23/02/00 08/05/00 2, , , , , ,32531 (0,25699) (0,25699) 0, ,03672 (0,15524) (0,15524) 09/05/00 18/07/00 5, , , , , ,69761 (0,18686) (0,18686) (0,20231) (0,20231) (0,01491) (0,01491) 19/07/00 27/09/00 2, , , , , , , , , , , , /09/00 08/12/00 0, , , , , , , , , , , , /12/00 23/02/01 1, , , , , ,52052 (0,17871) (0,17871) (0,18537) (0,18537) (0,03050) (0,03050) 26/02/01 11/05/01 0, , , , , , , , , , , , /05/01 24/07/01 1, , , , , ,66883 (0,19752) (0,19752) 0, , , , /07/01 04/10/01 1, , , , , , , ,06300 (0,16019) (0,16019) 0, , /10/01 18/12/01 0, , , , , , , ,06770 (0,08453) (0,08453) 0, , /12/01 04/03/02 2, , , , , , , , , ,04687 (0,14319) (0,14319)

3 Estimasi volatilitas dan korelasi posisi standar Sebagai ilustrasi penerapan, berikut ini disajikan proses estimasi volatilitas posisi standar 1 dan korelasi antara posisi standar 1 dan 3 tanggal 09 Desember 1999 pada model EWMA,50 ( λ = 0,94 ) Data-data pendukung : X 1 = X 1,0 % = F = 7.267, r IDR = 13,3437 % σ IDR = 5,49034 ρ = 0,15362 r IDRSpot USD / IDR Sensitivitas X 1 diukur dari kenaikan 50 % faktor pasar ( r IDR ), sehingga : a % = 50 % X 1,50% = , % ( 31/ 360) = Maka didapatkan : σ ( ) 1 50% 1 = 0, ,49034 Estimasi Volatilitas dan Korelasi Posisi Standar Untuk Moedl EWMA,50 (λ=0,94)

4 Volatilitas Korelasi X1 X2 X3 X1.X2 X1.X3 X2.X3 09/12/99 22/02/00 23/02/00 08/05/00 09/05/00 18/07/00 19/07/00 27/09/00 28/09/00 08/12/00 11/12/00 23/02/01 26/02/01 11/05/01 14/05/01 24/07/01 25/07/01 04/10/01 05/10/01 18/12/01 19/12/01 04/03/02 0, , , , , , , , , , , , ,0073 0,0073 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,14319 (0,06269) (0,06269) (0,25699) (0,25699) (0,18686) (0,18686) (0,17871) (0,17871) (0,19752) (0,19752) (0,15362) (0,15362) (0,03672) (0,03672) (0,02506) (0,02506) (0,05331) (0,05331) (0,05604) (0,05604) (0,15355) (0,15355) (0,04687) (0,04687) (0,02619) (0,02619) (0,30786) (0,30786) (0,04594) (0,04594) (0,01788) (0,01788) (0,15923) (0,15923) (0,13059) (0,13059)

5 Estimasi VaR untuk EWMA,50 (λ = 0,94) σ = X σ + X σ + X σ + 2X X σ σ ρ + 2X X σ σ ρ 2X X σ σ ρ V σ = (( x 0, ) + ( x 0, ) + V ( x 0, ) + (2 x x x 0, x 0, x 0, ) + (2 x x x 0, x 0, x 0, ) + (2 x x x 0, x 0, x 0, )) 1/2 = Sehingga VaR pada selang kepercayaan 99 % adalah : VaR = ,323 = Semua hasil estimasi VaR untuk setiap model MA dan EWMA dengan selang kepercayaan 95 % dan 99 % disajikan dalam lampiran 5. Validasi model Salah satu metode yang digunakan untuk melakukan validasi terhadap model VaR adalah dengan metode Back Testing Batas deviasi harus ditetapkan Syarat batas jumlah deviasi yang dapat diterima pada selang kepercayaan 99% dengan jumlah observasi (T) 510 dapat dihitung sebagai berikut:

6 Syarat Batas Kiri Z = -2,323 (satuan standar deviasi distribusi normal (0,1)) T = 510 dan P = 0,01 N = 2, ,01 0,99 + ( 510 0,01) 1 Syarat Batas Kanan Z = 2,323 T = 510 dan P = 0,01 N = 2, ,01 0,99 + ( 510 0,01) 11 Jumlah Deviasi (N) yang dapat diterima pada model VaR untuk jumlah observasi T Selang Kepercayaan Daerah Diterima Untuk Jumlah Deviasi (N) T=255 hari T=510 hari T= hari 0,99 N <7 1<N<11 4<N<17 0,975 2<N<12 6<N<21 15<N<36 0,95 0,925 0,9 6<N<21 11<N<28 16<N<36 16<N<36 27<N<51 38<N<55 37<N<65 59<N<92 81<N<120 Sumber : Value at Risk:The New Benchmark for Controlling Derivatives Risk. Philippe Jorion. The McGraw-Hill Jumlah Deviasi VaR Terhadap realisasi perubahan Nilai Portofolio untuk tiap model Selang Kepercayaan 99% Selang Kepercayaan 95%

7 Pembahasan Output Model Ada 24 model dari 36 model estimasi VaR yang dapat diterima. Model MA. PAda selang kepercayaan 99% hanya model MA yang dapat diterima sedangkan pada selang kepercayaan 95% hanya model MA 300 yang dapat diterima Millions 1 0 MA, 99% MA 300, 95% Realize P/L MA, 99% MA 300, 95% Grafik Perbandingan Model MA (99%) dengan MA 300 (95%) yang Dapat Diterima. Untuk model MA lainnya ditolak, hal ini karena jumlah deviasi yang terjadi pada output model berada di luar rentang deviasi Millions 1 0 MA 300, 99% MA, 95% Realize P/L MA 300, 99% MA, 95% Grafik Perbandingan Model MA 300 (99%) dengan MA (95%) yang Ditolak. Dikarenakan pada bulan Agustus 1997 bangsa Indonesia mulai mengalami krisis yang mengganggu kestabilan perekonomian dan menyebabkan terjadinya perubahan struktural berupa gejolak nilai tukar yang berkorelasi dengan naiknya suku bunga

8 0 Millions 1 MA,5 MA 300,5 Realize P/L MA,5 MA 300,5 Grafik Perbandingan Model MA,5 dengan MA 300,5 untuk Selang Kepercayaan 99 %. Bila terjadi hal sebaliknya, artinya data observasi yang digunakan dalam estimasi VaR adalah data yang diambil dari observasi pada saat tidak ada perubahan struktural, tetapi pada tanggal estimasi VaR terjadi perubahan struktural, maka nilai VaR akan undervalued Model MA kurang peka terhadap perubahan-perubahan kondisi pasar Millions 1 0 MA, 50 MA, 25 MA,5 Realize P/L Grafik Perbandingan Periode Updating untuk Model MA dengan Selang Kepercayaan 99 %. Model EWMA Dengan model ini dengan selang kepercayaan 99% semua dapat diterima, namun untuk selang kepercayaan 95% hanya model EWMA 300 yang dapat diterima baik pada λ = 0,94 maupun pada λ = 0,97

9 Millions (1) (2000) (2) Lambda 0,94 Lambda 0,97 Realize P/L Lambda 0,94 Lambda 0,97 Gafik Perbandingan Model EWMA,5 pada λ =0,94 dan λ =0,97 untuk Selang Kepercayaan 99 %. Dari output model EWMA diperoleh indikasi bahwa penggunaan selang kepercayaan 99% lebih sesuai untuk λ = 0,94 dibandingkan dengan λ = 0,97, karena menghasilkan validitas yang lebih baik (setelah diukur dari selisih jumlah deviasi tiap model dengan nilai tengah rentang area diterima) Perubahan periode updating pada model EWMA, secara umum juga memberikan pengaruh yang signifikan pada peningkatan validitas model Output model juga menunjukkan bahwa model EWMA dapat memberikan reaksi dengan cukup cepat terhadap kejutan-kejutan yang terjadi pada pasar, serta dapat pula melakukan penyesuaian apabila kejutan itu berlanjut atau berhenti. Millions (1) (2000) (2) EWMA,5 MA,5 Realize P/L EWMA,5 MA,5 Grafik Perbandingan Model EWMA,5 pada λ =0,94 dengan Model MA,5 untuk Selang Kepercayaan 99 %. Implikasi bagi manajemen Penetapan limit, untuk memastikan bahwa risiko yang timbul tetap berada dalam batasan yang telah ditetapkan Capital at Risk Limit / CaR Limit, untuk mengetahui berapa besar modal yang diperlukan untuk dapat menutup kemungkinan kerugian yang dialami dipergunakan

10 penghitungan CaR / besarnya modal yang harus dicadangkan untuk menutup potensi kerugian yang mungkin timbul Pengujian back testing, dilakukan untuk membandingkan hasil pengukuran VaR dengan kondisi yang sebenarnya terjadi atau nilai realized P/L dengan menggunakan selang kepercayaan 99% Risk Ratio, untuk mengetahui kinerja dealer yang dihitung dari besarnya kontribusi profit yang dihasilkan dari transaksi suatu currency dibandingkan dengan potensi risiko yang harus ditanggung akibat dilakukannya transaksi suatu currency tersebut dan membandingkan risk performance antara transaksi suatu currency dengan currency lainnya sehingga dapat diketahui berapa besarnya potensi profit dari transaksi suatu currency tertentu dengan memperhitungkan potensi risiko yang dimiliki transaksi tersebut. Mengetahui berapa besar maksimum kerugian yang mungkin terjadi dalam satu hari dengan selang kepercayaan tertentu yang dipilih pada portfolio FX Forward USD/IDR 1 bulan. Alat bantu dalam proses pengambilan keputusan dan dapat mengontrol risiko serta dapat mengalokasikan sumber daya yang terbatas secara optimal. Dapat melindungi bank dari kemungkinan kerugian yang lebih besar, sehingga alokasi modal yang digunakan untuk meng-cover kerugian lebih tepat dan efisien.