BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Selama beberapa tahun terakhir ada banyak perubahan pada lembaga keuangan dalam mengevaluasi dan mengukur risiko. Usaha perbaikan regulasi berkaitan dengan masalah penanganan risiko yang dihadapi perusahaan dilakukan secara terus menerus. Efisiensi pengelolaan instrumen dan risiko dalam dunia perbankan dan keuangan bergantung pada akurasi peramalan beberapa peubah (variables) seperti harga, volume instrumen, dan varian (variance) yang berubah seiring waktu. Varian yang berubah seiring dengan perubahan waktu (time varying) disebut volatilitas (volatility). Pada umumnya bila volatilitas meningkat, maka risiko juga meningkat. Risiko yang berasal dari volatilitas ini sebenarnya dapat dikelola dengan baik. Komite basel sebagai lembaga pengawasan bank, telah memainkan peran utama dalam pengembangan teknik pengukuran risiko, merekomendasikan penggunaan Value-at-Risk (VaR) untuk menentukan standar jumlah minimum aset kapital yang disediakan (dicadangkan) guna menghadapi risiko pasar. Sejak saat itu, VaR menjadi populer sebagai alat pengukuran risiko pasar, dan terus berkembang hingga saat sekarang. VaR merupakan pengukuran risiko secara kuantitatif yang mengestimasi potensi kerugian maksimal (maximum potential loss) yang mungkin terjadi di masa yang akan datang yang akan dihadapi pada jangka waktu tertentu (holding period) dengan tingkat kepercayaan tertentu (confidence level) pada kondisi pasar yang normal. 1
Setiap metode atau pendekatan VaR tersebut diatas memiliki cara yang berbeda dalam menghitung volatilitas. Sebagai contoh, Jorion (2007a, p. 250) menjelaskan valuasi delta normal menggunakan volatilitas dalam perhitungan risiko instrumen obligasi dengan cara menghitung perubahan di tingkat yield dari instrumen tersebut. Sementara dalam pendekatan full valuation yang juga dikenal dengan metode historis, nilai portofolio dihitung berdasarkan selisih realisasi aktual dengan nilai realisasi yang berasal dari simulasi. Dalam penelitian ini, Bank Bjb (selanjutnya menggunakan kata Bjb) telah mengembangkan estimasi volatilitas nilai tukar dengan pemodelan EWMA (laporan keuangan, 2011, p. 156). EWMA pertama kali dipopulerkan oleh J.P Morgan melalu risk metrics-nya (1996). Pendekatan ini mengasumsikan bahwa proyeksi yang akan datang (esok hari) dipengaruhi oleh data aktual hari ini dan data historis masa lampau dengan parameter yang digunakan adalah λ (decay factor). RiskMetrics TM Technical Document menunjukkan bahwa nilai decay factor yang optimal adalah λ = 0.94 untuk volatilitas harian dan λ = 0.97 untuk volatilitas bulanan. Nilai λ kurang dari satu dan merupakan bobot untuk data sehingga semakin lama data maka bobotnya semakin rendah. Nilai λ yang lebih tinggi membawa implikasi bahwa estimasi volatilitas akan bereaksi lambat terhadap informasi baru dan pengaruh dari kejutan (shocks) di masa lampau akan terus berlanjut, setidaknya selama rentang waktu yang digunakan. Sebaliknya, nilai λ yang lebih rendah membawa implikasi bahwa estimasi volatilitas yang lebih reaktif dan memiliki memori yang lebih singkat tentang terjadinya shocks 2
yang signifikan di masa lampau, karena bobotnya turun dengan cepat ketika data baru masuk ke dalam sampel. Bjb menerapkan decay factor sebesar 0.94 berdasarkan rekomendasi J.P Morgan sebagai parameter dalam memperhitungkan VaR. Dowd (2005) berpendapat hasil forecasting volatilitas EWMA dengan parameter 0.94 cenderung konstan, sehingga kurang responsif terhadap kondisi pasar. Pendapat dari peneliti lainnya mengatakan, tidak ada aturan yang mengharuskan bahwa λ = 0.94 saja yang boleh dipakai untuk mengukur volatilitas harian dengan EWMA karena permasalahan memilih decay factor yang optimal adalah permasalahan empiris (Saita, 2007, p. 40). Decay factor dapat dioptimalkan dengan menghitung root mean squared error (RMSE) minimum antara proyeksi varian (forecast variance) dari EWMA pada periode i+1 dengan actual squared return (actual daily variance) untuk periode i+1 (Clelow & Strickland, 2000). Oleh sebab itu, decay factor yang optimal dapat bervariasi tergantung pada data yang digunakan (kurs mata uang yang satu dapat memiliki nilai λ berbeda dengan kurs mata uang yang lainnya) dan dapat bervariasi tergantung pada periode observasi yang digunakan (untuk kurs mata uang yang sama, nilai λ yang digunakan dapat berbeda antara menggunakan periode observasi satu tahun dengan dua tahun). Hal ini memberikan gambaran bahwa pengukuran volatilitas dengan parameter sebesar λ 0.94 yang telah direkomendasikan J.P Morgan belum tentu mencerminkan karakteristik volatilitas Bjb yang sesungguhnya. Berikutnya, hal lain yang perlu dikaji lebih mendalam apakah pemodelan volatilitas EWMA itu sendiri sudah tepat diterapkan di Bjb. 3
Mengingat terdapat berbagai macam pemodelan volatilitas (akan dijelaskan lebih lanjut pada sub bab 2.7.3) yang digunakan untuk melakukan estimasi volatilitas sebagai perhitungan VaR, penulis memberikan tambahan alternatif dalam pengembangan volatilitas yaitu menggunakan pemodelan Generalized Autoregressive Conditional Heteroscedasticity (GARCH) beserta klasifikasinya dan volatilitas stokastik dengan pendekatan Monte Carlo Simulation (MCS). Selanjutnya, penulis akan menganalisis dan membandingkan keakuratan volatilitas EWMA, GARCH dan MCS terhadap sampel data yang diobservasi, melihat keunggulan dan kelemahan serta penerapannya. Keakuratan validitas ketiga model volatilitas tersebut diuji dengan menggunakan backtesting kupiec mixed. 1.2 Rumusan Masalah Dalam proses investasi aset perlu dilakukan pengukuran risiko, karena sangat diperlukan sebagai bahan pertimbangan dalam kebijakan alokasi modal dan portofolio investasi. Pengukuran risiko dilakukan untuk mengetahui seberapa besar risiko kemungkinan terjadi kerugian (loss) dari investasinya. Berdasarkan penjelasan diatas serta mengingat besarnya jumlah nilai kapitalisasi aset Bank Bjb dan juga pihak perbankan serta institusi keuangan lainnya, diharapkan mendapatkan pengukuran volatilitas yang akurat dari exposure instrumen dan komoditi yang dimilikinya untuk mengestimasi nilai risiko tersebut. Permasalahan yang akan diuji dalam penelitian ini sebagai berikut. 4
1. Sejauh mana keakuratan model volatilitas EWMA, GARCH dan MCS dalam menganalisis VaR? 2. Apa saja keunggulan dan kekurangan dari ketiga model tersebut dalam estimasi volatilitas? 3. Pendekatan apa yang sebaiknya digunakan oleh Bank Bjb dalam perhitungan VaR Portofolio? 1.3 Tujuan Penelitian Tujuan dari penelitian ini sebagai berikut. 1. Untuk membandingkan akurasi volatilitas nilai tukar mata uang dari ketiga model EWMA, GARCH dan MCS. 2. Untuk menentukan model yang lebih tepat digunakan dalam pengukuran risiko VaR portofolio ketiga nilai tukar mata uang AUD, EUR, dan USD Bank Bjb. 1.4 Manfaat Penelitian 1.4.1 Manfaat bagi bank Bjb Manfaat bagi bank Bjb dapat menjadi masukkan maupun bahan pertimbangan bagi Bjb untuk menentukan maupun mengembangkan pengukuran internal model dalam menaksir volatilitas yang digunakan sebagai perhitungan risiko nilai tukar. 1.4.2 Manfaat bagi Akademisi Manfaat yang diberikan bagi akademisi untuk mengetahui keandalan (reliability) dari model yang digunakan. 5
1.5 Batasan Penelitian Pada penelitian ini beberapa pembatasan yang dilakukan adalah sebagai berikut. 1. Model estimasi volatilitas EWMA, GARCH dan MCS. 2. Faktor risiko yang ditetapkan yaitu nilai tukar rupiah terhadap Dollar Australian (AUD), Euro (EUR), dan Dollar Amerika Serikat (USD). Dasar pemilihan dari ketiga nilai tukar tersebut adalah jumlah posisi devisa neto untuk ketiga nilai tukar mata uang tersebut sebesar 98,47% dari total posisi devisa neto per 31 Desember 2010. 3. Periode penelitian menggunakan data selama 14 bulan sejak tanggal 3 Januari 2011 sampai dengan tanggal 28 Februari 2012. 4. Asumsi yang digunakan dalam penelitian ini yaitu. a. Tingkat kepercayaan (confidence level) yang digunakan di dalam perhitungan sebesar 95% dan jangka waktu (holding period) yang digunakan adalah 1 (satu) hari. b. Pendekatan decay factor akan ditempuh secara rekursif, yaitu memilih RMSE terkecil sebagai decay factor yang akan diujikan dalam perhitungan VaR. 1.6 Sistematika Penulisan Secara garis besar, susunan penelitian ini meliputi beberapa bab sebagai berikut. 6
Bab 1 Pendahuluan Pendahuluan menjelaskan tentang latar belakang masalah, rumusan masalah, tujuan penelitian, metoda penelitian, manfaat penelitian, batasan penelitian, penelitian sebelumnya dan susunan penelitian. Bab 2 Tinjauan Pustaka Bab ini akan menguraikan tentang landasan teori EWMA, GARCH, MCS dan backtesting, yang mendasari analisis pembahasan pada Bab IV. Teori yang disajikan pada bagian ini merupakan hasil kajian terhadap studi pustaka dan peraturan-peraturan yang terkait dengan manajemen risiko khususnya risiko pasar. Kajian teori memberi penekanan secara khusus pada konsep dan model estimasi volatilitas, backtesting khususnya yang terkait dengan metode pengukuran volatilitas EWMA, GARCH dan MCS. Bab 3 Metoda Penelitian dan Profil Perusahaan Bab ini akan membahas mengenai tahapan pemodelan EWMA, GARCH dan MCS, data yang digunakan, penerapan backtesting kupiec mixed, dan tahapan perhitungan VaR portofolio filtered historical simulation. Selanjutnya menguraikan tentang profil perusahaan Bjb. Bab 4 Hasil Penelitian dan Pembahasan Dalam bab ini menguraikan analisis terhadap estimasi dan perbandingan dari ketiga pemodelan volatilitas, yang selanjutnya diuji dengan backtesting serta analisis estimasi VaR portofolio. 7
Bab 5 Simpulan dan Saran Bab ini memberikan simpulan dari hasil penelitian yang diharapkan dapat digunakan sebagai dasar untuk menyelesaikan masalah yang telah dirumuskan dalam bab pertama sesuai dengan tujuan penelitian ini. Di samping itu diberikan juga atau suatu rekomendasi berdasarkan hasil penelitian yang diperoleh. 8