Value at Risk (VaR) merupakan alat untuk mengukur risiko keuangan dalam suatu portofolio atau posisi dengan memperkirakan potensi kerugian maksimum selama periode waktu tertentu. Terdapat beberapa pendekatan untuk menghitung VaR seperti varian-kovarian, simulasi historis, dan simulasi Monte Carlo. Namun, VaR memiliki keterbatasan karena hanya fokus pada risiko jangka pendek dan nilai mutlak serta dapat menyebab
2. Menurut Jorion Value at Risk (VaR)
merupakan alat ukur untuk menghitung
kerugian terburuk yang akan didapat
selama periode waktu tertentu dalam
kondisi pasar normal pada tingkat
kepercayaan tertentu.
VALUE AT RISK
3. VAR mengukur ekspektasi kerugian
terburuk sepanjang waktu dalam kondisi pasar
yang normal pada suatu tingkat kepercayaan
tertentu. Bagi hampir semua pengguna, VAR
adalah suatu aplikasi pasif dari penghitungan
risiko. Akan tetapi, pada saat sekarang, VAR
sudah digunakan untuk mengontrol dan
mengatur risiko secara aktif.
SEJARAH VAR
4. 1. Metode Varian – Kovarian
2. Simulasi Historis
3. Simulasi Monte Carlo
MENGUKUR VAR
5. Pendekatan Umum
Kita memulai dengan data deret waktu ( Time Series ) pada setiap faktor
risiko pasar ( Market Risk Factor ), sama seperti kalau kita akan
menggunakan pendekatan varian-kovarian. Namun demikian, kita tidak
menggunakan data untuk mengestimasi “variance and covariance looking
forward”, sebab perubahan dalam portofolio dari waktu ke waktu
menghasilkan semua informasi yang kita butuhkan untuk menghitung
VAR.
SUMBANGAN “THE RISK MATRICS
6. Penilaian
Meskipun simulasi historis sangat populer, secara relatif mudah
dikerjakan, “ They do come with baggage “, artinya menimbulkan beban
juga. Khususnya yang mendasari asumsi dari model menunjukan adaya
kelemahan. Beberapa alasan seperti berikut :
1. Masa lalu bukan lah kalimat pembuka (Past is not prologue)
2. Tren didalam data (Trendy in the data)
3. Aset baru atau resiko pasar (New assets or market risk)
SUMBANGAN “THE RISK MATRICS
7. Modifikasi
1. Weighting the recent past more, suatu argumen yang masuk akal bisa dibuat
bahwa “returns in the recent past” merupakan peramal yang lebih baik diwaktu
yang akan datang berjarak dekat dari pada imbal hasil yang yang berjarak jauh.
2. Combining historical simulation with time series models, estimasi VAR yang
lebih baik bisa diperoleh dengan menggambarkan grafik suatu model deret
waktu (Time series) melalui data histors dan menggunakan parameter dari
model untuk meramalkan VAR.
3. Volatility updating, aset dimana volatilitas yang baru lebih tinggi dari volatilitas
historis, mereka merekomendasikan bahwa data historis disesuaikan untuk
mencerminkan perubahan.
SUMBANGAN “THE RISK MATRICS
8. Simulasi Monte Carlo
Di dalam bab sebelumnya, kita menguji penggunaan
simulasi Monte Carlo sebagai alay penilai risiko. Simulasi ini
juga ternyata berguna dalam mengakses/Menilai VAR,
dengan berfokus oada probabilitas kekalahan melebihi
suatu nilai khusus (sudah ditentukan sebelumya) dari pada
terhadap seluruh distribusi.
SUMBANGAN “THE RISK MATRICS
9. Deskripsi Umum
Dua langkah pertama didalam simulasi Monte Carlo
mencerminkan dua langkah pertama pada metode varian-
kovarian dimana kita mengenali risiko pasar mempengaruhi
aset atau aset dalam suatu portofolio dan mengubah aset
individu kedalam posisi instrumen yang dibakukan.
SUMBANGAN “THE RISK MATRICS
10. Penilaian
Meskipun simulasi Monte Carlo sering dipuji-puji sebagai
yang lebih canggih dari pada simulasi historis banyak
pengguna secara langsung menarik data historis untuk
membuat asumsi distribusi mereka.
SUMBANGAN “THE RISK MATRICS
11. Modifikasi
Seperti halnya dengan pendekatan lainnya, modifikasi pada
simulasi Monte Carlo diarahkan pada kelemahan terbesar,
yaitu perhitungan yang luar biasa banyaknya.
SUMBANGAN “THE RISK MATRICS
12. Simulasi Skenario
Satu cara untuk mengurangi beban perhitungan untuk
memproses simulasi Monte Carlo yaitu melakukan analisis
“over a number of discrate scenario” Frye menyarakan suatu
pendekatan yang bisa dipergunakan untuk mengembangkan
skenario ini dengan menerapkan suatu set kecil “shocks”
yang ditetapkan sebelumnya dalam sistem.
SUMBANGAN “THE RISK MATRICS
13. Monte Carlo Simulations With Variance-Covariance Method
Modification
Kekuatan metode varian-kovarian ialah kecepatanya dalam menghitung.
Kalau kita ingin membuat asumsi distribusi yang diperlukan tentang
normalitas imbal hasil dan mempunyai matrix varian-kovarian, kita bisa
menghitung VAR untuk setiap portofolio dalam hitungan menit. Kekuatan
pendekatan simulasi Monte Carlo ialah fleksibilitas yang ditawarkan
kepada pengguna untuk membuat asumsi tentang distribusi yang
berbeda dan berurusan dengan berbagai jenis resiko, akan tetaoi
memprosesnya secara lambat.
SUMBANGAN “THE RISK MATRICS
14. Membandingkan Pendekatan
Masing – masing dari tiga pendekatan untuk estimasi VAR mempunyai
kebaikan akan tetapi juga mempunyai kekurangan/pembatasan.
Pedekatan Varian-Kovarian, dengan delta normal dan variasi delta
gamma, mensyaratkan kita membuat asumsi yang sangat kuat tentang
distribusi imbal hasil dari aset yang dibakukan, akan tetapi sangat mudah
atau sederhana cara menghitungnya, setelah asumsi-asumsi tersebut
dibuat.
SUMBANGAN “THE RISK MATRICS
15. VAR BISA SALAH
Dalam perhitungan VAR bisa saja mengalami kesalahan,
yang artinya tidak ada ukuran VAR yang tepat 100%.
Alasan untuk kesalahannya pun beragam misalkan
seperti beberapa poin berikut.
1. Distribusi Imbal Hasil
2. Sejarah Mungkin Bukan Peramal Yang Baik
3. Nonstationary Corellations
PEMBATASAN VAR
16. FOKUS YANG SEMPIT
Perusahaan yang hanya tergantung pada VAR dalam
mengukur risiko tidak hanya dapat “be lulled into a false
sense of complacency” tentang resiko yang dihadapi tetapi
juga membuat keputusan yang tidak “in their best interest”.
1. Jenis Risiko
2. Jangka Pendek
3. Nilai Mutlak
PEMBATASAN VAR
17. KEPUTUSAN SUBOPTIMAL
Ada dua kritik baku yang melawan VAR dalam
pengambilan keputusan.
1. Over Exposure to Risk
2. Agency Problems
PEMBATASAN VAR
18. Perluasan VAR dapat dilakukan dengan “template” dalam
bentuk C-FAR. Dimana C-FAR menggunakan data on comparable
firms yang berisikan mengenai in terms of market capitalization,
riskiness, profitability and stock-price performance.
Contoh kasus pada Coca Cola, Dell dan Cignus mereka
menggunakan EBITDA (Earning Before Interest, Taxes and
Depreciation). Dengan regresi ini untuk 5% kasus terjelek akan
mengalami penurunan.
PERLUASAN VAR
19. Value at risk (VaR) adalah statistik yang mengukur dan mengukur
tingkat risiko keuangan dalam suatu perusahaan, portofolio, atau posisi
selama jangka waktu tertentu.
Metrik ini paling sering digunakan oleh bank investasi dan komersial untuk
menentukan tingkat dan rasio kejadian potensi kerugian dalam portofolio
institusional mereka.
Bank-bank investasi umumnya menerapkan pemodelan VaR pada risiko
perusahaan-lebar karena potensi meja perdagangan independen untuk secara
tidak sengaja mengekspos perusahaan pada aset yang sangat berkorelasi.
VAR SEBAGAI ALAT
PENILAIAN
20. Daftar Pustaka
Alan Anderson.2009.Introduction to Value At Risk. https://www.slideshare.net/DoctorAA/introduction-to-
value-at-risk?next_slideshow=1 .Diakses pada 08 maret 2020 pukul 17:08 WIB
Liani Liana Hardja.2016.BAB 2 Landasan Teori. https://adoc.tips/bab-2-landasan-
teori6904c6ba62dd8f5fd727914687721b3782631.html . Diakses pada 08 maret 2020 pukul 13:32 WIB
Nurutsaniyah, Delsy, Tatik Widiharih, Di Asih I Maruddani. 2019. Value At Risk pada Portofolio Saham dengan
Copula Ali-Mikhail-Haq. Jurnal Gaussian. 8(4). 543-556
Prof. Johannes Supranto dan Dr. Luqman Hakim. (2013). Pengambilan Strategis (Bagi Pengambil Keputusan
Bisnis). Jakarta: PT RajaGrafindo Persada.
Will Kenton.2019.Value At Risk (VAR). https://www.investopedia.com/terms/v/var.asp .Diakses
Pada 08 maret 2020 pukul 17:07 WIB