Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam mengelola bank atau lembaga keuangan, manajemen mengmdapi berbagai risiko untuk memperoleh tingkat keuntungan yang diinginkan. Risiko (risk) dideiinisikan sebagai potensi teljadinya suatu peristiwa (events) yang dapal menimbulknn kerugian bank.Salah sam risiko perbankan adalah risiko pasar yaitu suatu risiko yang disebabkan oleh adanya volatilitas komponen pasar atau risiko kerugian pada posisi neraca dan rekening adminisitratif akibat perubahan harga pasar atas surat berharga atau instrumen keuangan lainnya. Terdapat dua komponen risiko pasar yang relevan bagi perbankan di Indonesia, yaitu risiko suku bunga dan risiko nilai tukar.Tujuan dari penelitian ini adalah untuk mengetahui besarnya risiko pasar yang disebabkan perubahan nilai tukar (foreign exchange) atas beberapa mata uang dalam portofolio posisi devisa netto (PDN) dengan mezode VaR (Value at Risk). Dengan diketahuinya nilai VaR ini, akan dapat diketahui besarnya kebutuhan penyediaan modal untuk menutup kemungkinan kerugian yang terjadi.Salah satu permasalahan yang timbul adalah diperlukan metode internal perhitungan risiko pasar tepat yang dapat diterapkan perbankan Indonesia Dalam perhitungan risiko pasar ini menggunakan VaR, yang dilakukan melalui tahapan-tahapan sebagai berikut:a. Perhitungan VaR Portofolio PDN dan capital charge, posisi 31 Desember 2002;b. Penetapan data observasi dan out of sample berupa foreign exchange dengan menggunakan basis data harian;c. Penetapan confidence level yang digunakan, yaitu 90% dan 98% (two tailed);d. Penetapan hoding periode selama 1 (satu) hari;e. Perhitungan forecast return volatility menggunakan Model EWMA, dengan penetapan n = 0,94 dan n, dari hasil perhitungan Mean Square Error (MSE) untuk setiap currency dan setiap confidence level;f. Assesment Model dengan metode Back Testing dan Kupiec Testingg. Perhitungan kembali CAR setelah memperhitungkan marker risk yang disebabkan oleh perubahan nilai tukar alas portofolio PDNDalam penelitian ini, untuk membantu proses pengolahan data, digunakan bantuan software Microsoft Excell.Data yang digunakan 3 (tiga) macam, meliputi historical time series nilai tukar dari Reuters, periode Januari s/d Desember 2002 sebagai data observasi dan periode Januari s/d Maret 2013, data out of sample, yang digunakan untuk uji kevalidan model Data posisi devisa netto (PDN) posisi 31 Desember 2002 dan Data Capital Adequacy Ratio (CAR) posisi 31 Desember 2002.Model yang digunakan dalam perhitungan forecast return volatility dengan Metode EWMA, dengan menggunakan confidence level 90% dan 98%. Kurs beberapa mata uang dalam portofolo PDN digunakan sebagai dasar untuk menghitung return, yang digunakan sebagai level data. Perhitungan ini menggunakan 1 (decay factor) dua macam, yaitu :a. Decay factor yang digunakan JP Morgan, yaitu n = 0,94b. Decay factor yang dihitung berdasarkan perhitungan MSE, dengan cara menggunakan persamaan forecast return variance, secara try and error, dengan variasi n yang digunakan, dipilih nilai MSE terkecil.Untuk menentukan adanya actual return yang melewati batas (failure), dilakukan penetapan batas atas (fortopn/forecast top) dan batas bawah (forbov/forecast bottom).Hasii validasi Back Testing pada data observasi dan out of sample, forecast return volatility diperoleh 2 (dua) hasil yang berbeda, yaitu pada n = 0,94, baik pada confidence level 90% dan 98%, terdapat failure relatif besar, melebihi 10% dan 2%, sehingga permodelan ini tidak layak unluk direkomendasikan. Sedangkan n = 0,99, baik pada confidence level 90% dan 98%, jumlah failure nihil, sehingga permodelan EWMA ini layak direkomendasikan.Validasi data Observasi dengan Kupiec Testing, dengan Model EWMA (n = 0,94), pada confidence level 90%, terdapat satu currency yang nilai Likelyhood Ratio (LR) yang ditolak (rejected), yaitu JPY. Sedangkan pada confidence level 98%, satu Nilai LR ditolak yaitu SGD. Pada n. = 0,99, baik pada confidence level 90% atau 98%, menunjukkan semua nilai LR diterima. Dengan demikian atas model yang digunakan tersebut layak digunakan dan data forecast return volatility dapat pergunakan untuk perhitungan VaR.Validasi Kuptec Testing untuk out of sample, dengan Model EWMA, dengan n = 0,94 pada confidence level 90%, terdapat 2 (dua) Nilai LR, yaitu USD dan SGD yang ditolak, sedangkan pada confidence level 98%, semua nilai LR diterima. Pada A = 0,99, baik pada confidence level 90% dan 98%, semua nilai LR diterima. Perhitungan sendiri besarnya decay factor, akan dapat Iebih realistis atas data yang digunakan.Pada Permodelan EWMA, n. = 0,94, pada confidence level 90% dan 98%, kesimpulan analisa Back Testing dan Kupiec Testing jumlah failure relatif besar, model tersebut tidak direkomendasikan, namun demikian dengan jumlah failure yang terjadi dikenakan penalty sesuai dengan rekomendasi Basel, sdningga permodelan ini diteruskan. Sedangkan pada n. = 0,99, baik pada confidence level 90% dan 98%, jumlah failure nihil, sehingga permodelan EWMA ini layak untuk direkomendasikan.Atas dasar data return yang digunakan sebagai level dala yang terdiri atas enam currency, maka data return tersebut dihitung risk correlation dengan bantuan software microsoft excel. Berdasarkan correlation matrix ini digunakan untuk menghitung VaR diversified, yang digunakan untuk perhitungan capital charge dan CAR, dengan hasil perhitungan sebagai berikut:Dilihat dari perhitungan CAR setelah memperhitungkan risiko pasar, khususnya akibat perubahan nilai tukar eras portofolio PDN, besamya CAR mengalami perubahan yaitu menurun dari CAR sebelumnya. Oleh sebab itu, akibat perubahan nilai tukar timbul risiko yang harus diantisipasi oleh bank dengan penyediaan modal yang cukup."

"ABSTRAKHipotesa yang menyatakan bahwa forward rate merupakan alat prediksi yang tidak bias (unbiased predictor) darifuture spot rate merupakan bahasan yang sarat dengan teori serta literatur empiris. Namun demikian, pada umumnya basil dari penelitian tidak hanya menolak hipotesa, tapi juga berlawanan dengan kerangka pikir secara umum, dimana hubungan antara forward dan future spot rate adalah negati£ Selanjutnya, dalam hal kondisi pasar yang efisien tercapai maka forward rate akan merupakan spot rate pada waktu yang sesuai dengan transaksiforward yang menjadi underlying transaction. Dengan demikian, spot rate dan interest rate diffirential akan membentuk forward rate dan selanjutnyaforward rate akan merupakan spot rate masa depan.Namun demikian, dalam kenyataannya siklus yang terjadi di pasar tidak dapat digambarkan secara sederhana sebagaimana tersebut di atas. Untuk itu, dengan menggunakan metoda kointegrasi yang diterapkan pada hipotesa ekspektasi (forward rate unbiased hypothesis) maka dilihat hubungan spot dan forward antara Rupiah terhadap US Dollar. selanjutnya forward rate akan menjadi spot rate masa yang akan datang.Dalam menentukan forward rate, dasar perhitungan diperoleh dari spot rate yang berlaku pada saat tanggal transaksi ditambah atau dikurangi dengan suatu premium atau discount. Hal ini menggambarkan adanya interest diffirential antara dua mata uang yang terkait dan akan saling mempengaruhi dalam suatu transaksi. Untuk itu dapat dikatakan bahwa forward rate ditentukan oleh spot exchange rates dan interest diffirentials. Forward rate seringkali berkorelasi negatif dengan nilai yang akan datang spot rate, yang menunjukkan bahwa forward rate memprediksi perubahan pada spot rate dengan tanda yang salah (berbeda). Hal itu bertentangan dengan intuisi ekonomi dan mungkin menyimpang dari efisitmsi pasar. Penjelasan .yang rasional atas teka-teki itu mencakup time-varying risk premia, learning, peso problem dan kesalahan spesifikasi ekonometrik yang digunakan."

"Latar belakang penulisan karya akhir ini beranjak dari adanya rekapitalisasi perbankan yang dilakukan pemerintah dan adanya amandemen Basel Capital Accord 1998 pada tahun 1996 yang memasukkan unsur risiko pasar sebagai dasar perhitungan kebutuhan modal minimum. Dengan selesainya rekapitalisasi, portofolio aset yang dimiliki bank yang direkapitalisasi sebagian besar berupa obligasi pemerintah. Mengingat instrumen surat berharga obligasi sangat berkaitan dengan risiko pasar terutama faktor risiko suku bunga, dampaknya apabila faktor risiko pasar tersebut tidak dikelola secara baik akan membawa dampak kerugian yang cukup signifikan bagi kelangsungan operasonal bank. Permasalahan yang timbul adalah untuk menghitung besamya risiko pasar, selama ini yang dilakukan perbankan masih mertggunakan pendekatan tradisional (non statistik) sehingga masih diragukan keakuratannya. Sedangkan pengukuran risiko dengan pendekatan advance approach (value at risk) masih belum banyak diterapkan oleh bankbank di Indonesia termasuk pada bank tempat kami melakukan penelitian. Tujuan dari penulisan ini adalah untuk mengetahui bagaimana menghitung besarnya risiko pasar dari portofolio obligasi dalam rangka memenuhi perhitungan kebutuhan modal baru dengan menggunakan teknik-teknik : Perhitungan Value at Risk (VaR) dengan pendekatan variance-covariance dengan estimasi volatilitas menggunakan model Exponentially Weighted Moving Average (EWMA), melakukan uji validasi permodelan dengan teknik Back Testing dan Kupiec Testing serta menghitung capital charge yang hams disediak:an untuk mengcover risiko pasar dari portofolio obligasi yang dimiliki bank. Sebelum sampai pada perhitungan VaR portofolio obligasi, penetapan spesifikasi model yang digunakan sebagai acuan pengolahan data sebagai berikut :- Perhitungan V aR porto folio obligasi menggunakan portofolio trading yang dimiliki bank posisi tanggal 30 Juni 2003 sebesat Rp. 1.824.127.000.000- Pembentukan yield curve menggunakan Bradley Crane Model. Hal ini dilakukan karena tidak tersedianya data harianyield curve.- Confidence Level (CL) yang digunakan 95% dan 99% (one tailed).- Holdingperiode ditetapkan selama 1 (satu) hari.- Forecast yield volatility menggunakan EWMA, dengan penetapan decay factor (A.) sebesar 0.94 dan penetapan nilai decay factor yang besamya ditetapkan berdasarkan perolehan mean squared error (MSE) yang terkecil.- Melakukan validasi permodelan dengan teknik Back Testing dan Kupiec Testing terhadap data observasi (periode Januari 2003 s.d Juni 2003) dan data out of sample (periode Juli 2003 s.d Agustus 2003). Dengan spesifikasi model diatas, perhitungan yield curve menggunakan Bradley Crane Model menghasilkan data time series yield curve sebanyak 121 titik untuk data observasi dan sebanyak 43 titik untuk data out of sampel untuk 19 jenis yield to maturity (YTM). Dari data tersebut kemudian dilakukan forecast yield volatility dengan permodelan EWMA. Hasil perhitungan forecast dengan model EWMA (.A= 0,94) setelah dilakukan back testing untuk data observasi maupun data out of sample menghasilkan sejumlah failure. Sedangkan untuk model EWMA yang nilai decay factornya ditetapkan berdasarkan nilai MSE terkecil, secara keseluruhan dari 19 jenis YTM nilai MSE terkecilnya berada pada nilai A, = 0,99. Penetapan nilai tersebut diperoleh dari hasil forecast yang sabagian besar dipengaruhi oleh variance return pada hari yang bersangkutan dan sebagian kecil dari hasil forecast 1 (satu) hari sebelumnya. Setelah dilakukan proses back testing (data observasi maupun data out of sample), permodelan ini tidak menghasilkan failure. Dari kedua model EWMA tersebut kemudian dilakukan validasi dengan Kupiec Testing, dan temyata secara statistik proportion of failures yang dihasilkan model dapat diterima (valid), sehinggaforecast yield volatility yang dihasilkan kedua model tersebut baik untuk CL 95% maupun CL 99% dapat digunakan untuk menghitung VaR. Dalam penelitian ini perhitungan VaR dibedakan antara VaR Diversified yang memperhitungkan risk correlation dan VaR Undiversified yang tidak memperhitungkan risk correlation. Sesuai dengan teori membuktikan bahwa dengan memperhitungkan risk correlation menghasilkan nilai VaR yang lebih rendah karena adanya efek diversifikasi. Dari hasil perhitungan VaR memperlihatkan bahwa permodelan EWMA (A.=0,94) menghasilkan nilai VaR yang lebih rendah dibanding permodelan EWMA (A=0,99), namun nilainya tidak jauh berbeda. Disamping itu, dari perhitungan VaR juga memperlihatkan bahwa dengan menggunakan CL 99% menghasilkan nilai V aR yang lebih besar dibanding CL 95%. Hal ini disebabkan dengan semaki.n besamya CL, nilai statistik (a.) yang digunakan untuk menghitungyield volatilitas juga semakin besar. Dengan memperbitungkan risiko pasar kedalam perbitungan CAR maka peroleban CAR posisi 30 Juni 2003 sebesar 12,36% mengalami penurunan antara 0,06% s.d 0,09% untuk setiap permodelan ( dengan asumsi bukan hanya posisi obligasi trading pada tanggal 30 Juni 2003 yang dihitung dalam market risk). Secara ringkas basil perbitungan VaR, capital charge dan CAR sebagai berikut:Dari hasil penelitian dapat disimpulkan babwa perbitungan VaR portofolio obligasi dengan pendekatan variance covariance yang forecast volatilitasnya menggunakan permodelan EWMA dapat digunakan bank dalam perbitungan risiko pasar. Sedangkan penetapan decay factor dalam perhitungan forecast, untuk kondisi di Indonesia pada saat ini yang paling cocok adalab sebesar 0,99. Hal ini telab dibuktikan bahwa permodelan EWMA (A. = 0.99) tidak menghasilkan failure, walaupun basil perbitungan VaR dan capital charge-nya sedikit lebib besar, namun basil akhir perbitungan CAR-nya tidakjauh berbeda dibanding permodelan EWMA (A.= 0,94)."