BAB III KAJIAN PUSTAKA, KERANGKA PEMIKIRAN, DAN HIPOTESIS

BAB III KAJIAN PUSTAKA, KERANGKA PEMIKIRAN, DAN HIPOTESIS

3.1 Teori Pasar Keuangan (Financial Market) Pasar keuangan (financial market) adalah tempat dimana dilaksanakan berbagai aktivitas keuangan baik dalam bentuk penjualan surat berharga (commercial paper) yang dilakukan oleh pasar modal (capital market) dan juga penjualan mata uang (currency) seperti yang dilakukan di pasar uang (money market), (Fahmi, 2014:289). Bentuk-bentuk financial market, (Fahmi, 2014:290), yaitu: a.

Pasar Modal (Capital Market) Adalah sebuah pasar tempat dana-dana modal, seperti ekuitas dan hutang, diperdagangkan

b. Pasar Uang (Money Market) Adalah pasar internasional untuk pelaku transaksi yang memperdagangkan instrument keuangan pemerintah dan perusahaan dalam jangka pendek, seperti bankers’ acceptance, surat komersial, sertifikat deposito yang dapat dinegoisasikan, dan surat berharga bank sentral. Pembahasan pasar uang tidak dapat melepaskan atau mengenyampingkan peranan lembaga moneter di suatu negara, yaitu Bank Sentral dalam usahanya untuk menciptakan suatu kondisi moneter yang kondusif. Naik turunnya berbagai kondisi di pasar uang suatu negara adalah sangat dipengaruhi oleh maksimal dan minimalnya peranan bank sentral sebagai otoritas moneter. Bentuk pengendalian

29

http://digilib.mercubuana.ac.id/

30

yang dilakukan oleh bank sentral disuatu negara adalah yang biasa dikenal dengan berbagai instrument kebijakan moneter. Menurut Fabozzi, et.al bahwa tujuantujuan dari kebijakan moneter meliputi stabilitas tingkat harga, pertumbuhan ekonomi, pengangguran yang rendah, stabilitas suku bunga, dan nilai tukar yang stabil atau nilai tukar aktual (Fahmi, 2014:293). Menurut The Fei Ming tujuan peramalan pergerakan nilai tukar valuta asing: 1. Untuk mengetahui apakah fluktuasi/pergerakan nilai tukar valuta asing dapat diramalkan atau diprediksi. 2. Untuk mengetahui apakah analisis fundamental dan analisis teknikal dapat digunakan untuk meramalkan fluktuasi/pergerakan nilai tukar. 3. Untuk mengetahui faktor-faktor yang mempengaruhi fluktuasi nilai tukar valuta asing baik faktor-faktor yang bersifat teknikal maupun fundamental. Pergerakan nilai tukar menjadi bermanfaat bagi pihak manajer keuangan jika dilihat dari 2 (dua) segi, yaitu: 1. Jangka pendek. Berpengaruh pada keputusan jual beli barang, dan segala sesuatu yang menyangkut dengan pinjaman jangka pendek. 2. Jangka panjang Menyangkut dengan keputusan investasi, dan perkiraan perolehan keuntungan yang akan diterima dikemudian hari termasuk periode akan diterimanya break event point (BEP). Contohnya pembangunan pabrik baru dengan peralatan dan berbagai komponen pabrik berasal dari impor. Fahmi (2014:294).


31

Bagi suatu negara dengan sistem perekonomian yang kuat adalah memiliki stabilitas kurs valuta asing yang tahan dan tidak mudah rentan dengan fluktuatif pasar uang dunia. Untuk mewujudkan penguatan nilai tukar kurs valuta asing, ada beberapa faktor yang harus dipenuhi oleh suatu negara. Menurut Haryajid, et.al (Fahmi, 2014:295) kurs valas suatu negara bertambah kuat jika: a. Ekspor lebih besar daripada impor b. Neraca pembayaran surplus c. Neraca pertumbuhan surplus d. Pertumbuhan ekonomi meningkat e. Tingkat inflasi yang rendah dan lain-lain. Model penentuan nilai tukar menurut The Fei Ming, terdiri dari: 1. Traditional Theories a. Teori Purchasing Power Parity “The price of a good in one country should equal the prace of the same good in another country, exchanged at the current rate”. Teori ini menyatakan bahwa harga barang di suatu negara harus sama dengan harga barang serupa di negara lain sesuai dengan tingkat nilai tukar yang berlaku antar kedua negara tersebut. Terdapat dua versi dalam Teori Purchasing Power Parity: 1. Versi Absolut “The exchange rate simply equals the ratio of the two countries’ general price level, which is the weighted average of all goods produced in a country”. Nilai tukar sama dengan perbandingan antara tingkat harga umum yang berlaku di dua negara, yang merupakan rata-rata tertimbang


32

(weighted average) dari seluruh produk yang dihasilkan kedua negara. 2. Versi Relatif “Under the relative version, the percentage change in the exchange rate from a given based period must equal the difference between the percentage change in the domestic price level and the percentage change in foreign price level”. Persentase perubahan nilai tukar pada waktu yang ditentukan sebagai periode dasar harus sama dengan perbedaan antara persentase perubahan harga (tingkat inflasi) domestik dengan persentase perubahan harga (tingkat inflasi) di luar negeri pada periode tersebut.

b. Teori Elastisitas “Exchange rate is simply the price of foreign exchange which maintains the balance payments in equilibrium”. Nilai tukar adalah harga dari valuta asing untuk mempertahankan neraca pembayaran internasional suatu negara agar tetap berada pada tingkat ekuilibrium. 2. Modern Monetary Theories on Short Term Exchange Rate Volatility “Modern monetary theories on short term exchange rate volatility take into consideration the short term capital markets’ roles and the long term impact of commodity markets on foreign exchange”. Teori ini memperhatikan adanya peran pasar modal dalam jangka pendek dan peran bursa komoditi dalam jangka panjang terhadap fluktuasi nilai tukar.


33

3. Synthesis of Traditional and Modern Monetary Views “Since the financial markets adjust faster than the commodities markets, the exchange rate tends to be affected in the short term by the capital market changes, and by the commodities changes in the long term”. Dinamika perubahan yang terjadi di pasar keuangan (pasar modal dan pasar uang) lebih cepat jika dibandingkan dengan perubahan di pasar barang/komoditi (Fahmi, 2014:295-296). Dalam pasar valuta asing, dibedakan menjadi 2 (dua) kelompok valuta asing yaitu: 1. Hard Currency, merupakan mata uang yang memiliki nilai relatif stabil, sehingga tidak sering mengalami depresiasi maupun apresiasi jika dibandingkan dengan mata uang lain. Mata uang ini yang sering digunakan sebagai alat pembayaran dan satuan hitung dalam transaksi internasional. Mata uang yang termasuk di dalamnya adalah US$ (US Dolar), JPY (Yen Jepang), € (Euro), dan Poundsterling (GBP). 2. Soft Currency, merupakan mata uang lemah yang jarang digunakan sebagai alat pembayaran internasional karena relatif kurang stabil serta sering terdepresiasi. Umumnya terdiri dari mata uang negara berkembang yang sangat sensitif terhadap kondisi politik, kebijakan pemerintah, dan faktor sosial ekonomi.

3.2 Teori Pasar Efisien Pasar efisien (market efficient) adalah suatu kondisi dimana informasi tentang semua harga dapat diperoleh secara terbuka dan cepat tanpa ada hambatan


34

yang khusus. Disini, semua informasi yang diketahui bukan hanya mengacu kepada informasi yang lalu, tetapi juga informasi saat ini yang diterima oleh orang umum (seperti laporan keuangan, dividen, dan pecahan saham), dan informasi dalaman (Fahmi, 2014:499). Istilah efisiensi yang digunakan dalam pasar keuangan terdiri dari: 1. Efisiensi Alokatif (Allocational Efficiency) Adalah alokasi sumber daya yang telah berada dalam kondisi yang optimal, dan perubahan lanjut dari alokasi sumber daya tersebut tidak akan memperbaiki kesejahteraan pelaku ekonomi. 2. Efisiensi Operasional (Operational Efficiency) Adalah menekankan bahwa efisiensi dicapai bila transaksi dilakukan dengan biaya transaksi yang minimum. 3. Efisiensi Penentuan Harga (Pricing Efficiency) Adalah memperhatikan bahwa harga suatu asset sama dengan nilai ekonomi intrinsiknya. 4. Efisiensi Informasi (Informational Efficiency) Adalah efisiensi yang tergantung dari kecepatan informasi untuk diproses dan akurasi informasi untuk disampaikan (Amalia, 2011:134).


35

Efisiensi Pasar Valuta Asing dibagi tiga jenis definisi efisiensi pasar secara umum: 1. Efisiensi Pasar Bentuk Lemah (weakly efficient market), yaitu di mana harga saat ini telah memasukkan semua informasi perdagangan dan harga di masa lalu. Secara popular dikenal sebagai teori random-walk. 2. Efisiensi Semi Kuat (semi-strong market efficiency), dimana informasi yang tercermin dalam kurs valas spot lebih dari sekedar sejarah kurs, namun juga mencerminkan semua informasi yang tersedia secara umum. 3. Efisiensi Kuat (strongly efficient market), di mana harga mencerminkan semua informasi yang kemungkinan dapat diketahui. Oleh karena itu, bagi analisis investasi dan insiders lain mungkin saja memperoleh keuntungan di atas rata-rata secara konsisten. Ketiga bentuk efisiensi diatas disebut juga sebagai efisiensi secara informasi. Efisiensi dalam bentuk ini mencerminkan bagaimana suatu informasi dapat tidaknya mempengaruhi harga valuta asing (Fahmi, 2014:501). Kondisi pasar valuta asing berpengaruh terhadap pertumbuhan ekonomi global, sehingga perlu diketahui efisiensi pasar valuta asing secara global. Jadi, salah satu indikator kinerja riil dari perekonomian suatu negara adalah keberadaan pasar valuta asing yang efisien.

3.3 Teori Risiko Risiko ditafsirkan sebagai bentuk keadaan ketidakpastian tentang suatu keadaan yang akan terjadi nantinya (future) dengan keputusan yang diambil


36

berdasarkan berbagai pertimbangan pada saat ini. Menurut Ricky W. Griffin dan Ronald J.Elbert, risiko adalah uncertainty about future events. Adapun Joel G. Siegel dan Jae K. Shim mendefinisikan risiko pada tiga hal, yaitu: 1. Keadaan yang mengarah kepada sekumpulan hasil khusus, dimana hasilnya dapat diperoleh dengan kemungkinan yang telah diketahui oleh pengambil keputusan. 2. Variasi dalam keuntungan, penjualan, atau variabel keuangan lainnya. 3. Kemungkinan dari sebuah masalah keuangan yang mempengaruhi kinerja operasional perusahaan atau posisi keuangan, seperti risiko ekonomi, ketidakpastian politik, dan masalah industri (Fahmi, 2014:536). Risiko secara umum dapat diartikan sebagai penyimpangan dari suatu kondisi yang diharapkan atau kemungkinan terjadinya suatu yang tidak menguntungkan. Jadi, risiko merupakan potensi kerugian akibat terjadinya suatu peristiwa tertentu. Manajemen risiko adalah suatu bidang ilmu yang membahas tentang bagaimana suatu organisasi menerapkan ukuran dalam memetakan berbagai permasalahan yang ada dengan menempatkan berbagai pendekatan manajemen secara komprehensif dan sistematis. Tahapan dalam manajemen risiko adalah identifikasi risiko dan bentuk risiko, menempatkan ukuran risiko, menempatkan alternatif-alternatif, menganalisis setiap alternatif, memutuskan satu alternatif, melaksanakan alternatif yang dipilih, mengontrol alternatif yang dipilih, mengevaluasi jalannya alternatif yang dipilih (Fahmi, 2014:536).


37

Secara umum terdapat 2 (dua) tipe risiko, yaitu: 1. Risiko murni (pure risk) a. Risiko aset fisik, merupakan risiko yang berakibat timbulnya kerugian pada aset fisik suatu perusahaan/organisasi. Contoh: kebakaran, banjir, gempa, tsunami, dll. b. Risiko karyawan, merupakan risiko karena apa yang dialami oleh karyawan yang bekerja di perusahaan/organisasi. Contoh: kecelakaan kerja sehingga terganggu aktivitas perusahaan. c. Risiko legal, merupakan risiko dalam bidang kontrak

yang

mengecewakan atau kontrak tidak berjalan sesuai dengan rencana. Contoh: perselisihan dengan perusahaan lain sehingga adanya persoalan ganti rugi. 2. Risiko spekulatif (speculative risk) a. Risiko pasar, merupakan risiko yang terjadi dari pergerakan harga di pasar. Contoh: nilai tukar USD terhadap IDR meningkat sehingga menimbulkan harga barang naik, saham mengalami penurunan sehingga menimbulkan kerugian. b. Risiko kredit, merupakan risiko yang terjadi karena counter party gagal memenuhi kewajibannya kepada perusahaan. Contoh: kredit macet, presentase piutang meningkat. c. Risiko likuiditas, merupakan risiko karena ketidakmampuan memenui kebutuhan kas. Contoh: kepemilikan kas menurun, sehingga tidak


38

mampu membayar hutang secara tepat, menyebabkan perusahaan harus menjual aset yang dimiliki. d. Risiko operasional, merupakan risiko yang disebabkan pada kegiatan operasional yang tidak berjalan lancer. Contoh: terjadi kerusakan pada komputer karena virus, dll.

3.3.1

Risiko Pasar (Market Risk) Risiko pasar adalah risiko yang terjadi dari pergerakan harga atau

volatilitas harga pasar (Hanafi, 2006:9). Risiko pasar merupakan risiko pada neraca (on-balance sheet) dan rekening admnistratif (off-balance sheet), termasuk transaksi derivative akibat perubahan secara keseluruhan dari kondisi pasar dan resiko perubahan harga option (Ikatan Bankir Indonesia, 2013:238). The Bank for International Settlement (BIS) dalam Amendment to the Capital Accord to Incorporate Market Risks (hal 1,1996), risiko pasar didefinisikan sebagai “the risk of losses in on-and off-balance-sheet positions arising from movements in market prices”, (Pribadi:2008). Jenis risiko pasar yang diperhitungkan sesuai dengan Amendment 1996, sebagai berikut: a. Risiko perubahan harga pasar dari instrumen keuangan (misalnya: bonds, swap, future, options, dsb) atau equities yang sensitif terhadap perubahan suku bunga yang terdapat pada trading bank, b. Risiko perubahan suku bunga (interest rate risk) dari instrumen-instrumen keuangan non-derivatif,


39

c. Risiko perubahan nilai tukar (foreign exchange risk) dan risiko memegang posisi dalam komoditi (produk pertanian, mineral non-oil dan logam mulia non-gold) pada seluruh kegiatan usaha bank, trading book maupun banking book.

3.3.2

Risiko Nilai Tukar (Foreign Exchange Risk) Risiko nilai tukar merupakan salah satu jenis dari risiko pasar. Risiko nilai

tukar dapat terjadi karena adanya unhedged position atau korelasi yang tidak sempurna yang saling meng-offset. Risiko nilai tukar berkaitan dengan transaksi atau investasi yang melibatkan mata uang atau valuta asing (Wahyuningtyas : 2011). Dapat disimpulkan bahwa risiko nilai tukar adalah potensi penyimpangan dari hasil yang diharapkan karena fluktuasi nilai tukar. Biasanya risiko nilai tukar dikaitkan dengan potensi penyimpangan pada transaksi atau arus kas, laba akuntansi, dan penyimpangan nilai perusahaan atau kekayaan pemegang saham. Risiko nilai tukar berdampak langsung pada penerimaan atau kewajiban oleh karena perusahaan melakukan transaksi dengan menggunakan valuta asing. Dampak nilai tukar mirip seperti dampak suku bunga. Risiko nilai tukar ini dapat timbul karena lemahnya nilai suatu mata uang suatu negara terhadap mata uang asing. Setiap fluktuasi nilai tukar yang terjadi di pasar akan membawa dampak finansial langsung terhadap pendapatan dan biaya perusahaan atau bank.


40

Naik turunnya nilai tukar di pasar dipengaruhi oleh beberapa hal (Wahyuningtyas : 2011), antara lain: a. Tingkat bunga. Tingkat bunga dan nilai tukar saling terkait satu sama lain. Negara dengan tingkat bunga tinggi akan menyebabkan tingkat capital inflow sehingga mata uang domestik menguat. b. Balance Payment Suatu Negara dengan neraca surplus akan mempunyai permintaan mata uang domestik yang kuat sehingga mata uang domestik menguat. c. Inflasi Berdasarkan Purchasing Power Parity Theory, mata uang dengan tingkat inflasi rendah, kondisi lainnya dianggap ceteris paribus, akan mempunyai mata uang domestik yang kuat. d. Pertumbuhan ekonomi Apabila pertumbuhan ekonomi dalam negeri lebih tinggi dibandingkan luar negeri, maka laju pertumbuhan impor lebih tinggi dibandingkan ekspor sehingga mempengaruhi neraca perdagangan. e. Kebijakan Fiskal Bagaimana neraca mengelola penerimaan pajak dan pembelanjaan (spending).


41

f. Kebijakan Moneter Bagaimana bank sentral mengontrol tingkat suku bunga dan supplai uang. Berdasarkan teori monetarist mengurangi supplai uang dapat menurunkan tingkat inflasi. g. Ekspektasi pasar

3.4 Pengukuran Risiko Pasar 3.4.1

Konsep Value at Risk (VaR) Salah satu teknik pengukuran risiko adalah Value at Risk (VaR). JP

Morgan dalam Risk Metrics Technical Document (1996) mendefinisikan VaR sebagai ukuran perubahan maksimum suatu nilai portfolio instrument finansial pada tingkat probabilitas tertentu dan selama periode waktu tertentu. Menurut Jorion (2007) VaR didefinisikan sebagai rangkuman suatu kerugian maksimum sepanjang waktu yang ditargetkan yang tidak akan melampaui tingkat kepercayaan tertentu yang telah ditetapkan. Value at Risk (VaR) merupakan metoda perhitungan market risk untuk menentukan risiko kerugian maksimum yang dapat terjadi pada suatu portofolio, baik single-instrument ataupun multi-instruments, pada confidence level tertentu, selama horizon atau holding period tertentu, dan dalam kondisi market yang normal.


42

3.4.2

Pengertian Value at Risk (VaR) Menurut Jorion (2007:106), VaR merupakan kerugian maksimal (kerugian

terbesar) sepanjang target horison tertentu sehingga terdapat kemungkinan kecil kerugian yang sebenarnya lebih besar. Manfaat utama VaR adalah merangkum total kerugian yang mungkin timbul akibat risiko pasar dalam bilangan tunggal yang mudah dimengerti. VaR mengukur perkiraan maksimum kerugian yang mungkin terjadi pada suatu periode waktu tertentu, dalam kondisi yang normal, dengan confidence level tertentu. Tujuan perhitungan VaR adalah untuk memperkirakan suatu besaran kerugian maksimum yang mungkin dialami institusi tertentu pada confidence level tertentu. Value at Risk (VaR) dapat diartikan sebagai suatu besaran angka yang merangkum total risiko dari portfolio yang berisikan beragam asset keuangan. VaR merupakan estimasi potensi kerugian maksimal pada periode tertentu dengan tingkat keyakinan (confidence level) tertentu dan dalam kondisi pasar yang normal. Jadi, VaR mengukur kerugian maksimal yang mungkin terjadi esok hari, lusa, minggu depan, dan seterusnya sesuai dengan periode waktu yang diinginkan. Kelebihan dari VaR adalah bahwa metoda ini fokus pada downside risk, tidak tergantung pada asumsi distribusi dari return, dan pengukuran ini dapat diaplikasikan ke seluruh produk-produk finansial yang diperdagangkan. Angka yang diperoleh dari pengukuran dengan metoda ini merupakan hasil perhitungan secara agregat atau menyeluruh terhadap risiko produk-produk sebagai suatu kesatuan. VaR juga memberikan estimasi kemungkinan atau probabilitas


43

mengenai timbulnya kerugian yang jumlahnya lebih besar daripada angka kerugian yang telah ditentukan. Menurut Philip (1998), VaR secara umum adalah jumlah uang maksimal yang mungkin hilang dalam periode tertentu dan pada tingkat kepercayaan tertentu. Apabila VaR dihitung untuk periode 1 hari (holding period 1 hari) dengan tingkat kepercayaan 99%, maka definisi VaR adalah jumlah maksimal kemungkian uang yang hilang pada portofolio dalam 1 hari dengan tingkat kepercayaan 99%. Dengan kata lain, kemungkinan terjadi kerugian yang melebihi VaR dalam waktu 1 hari hanya sebesar 1 % (1 dari 100 kemungkinan). Sedangkan Hendricks (1995), menyatakan bahwa VaR mengukur risiko pasar dengan menentukan besar penurunan nilai portofolio selama periode waktu tertentu dengan probabilitas tertentu akibat perubahan harga pasar. Misalnya periode yang dipilih 1 hari dan tingkat kepercayaan 95%, maka ukuran VaR merupakan estimasi penurunan nilai pasar yang dapat terjadi dengan probabilitas 95% sampai dengan hari berikutnya. Dengan kata lain, jika diperoleh VaR yang akurat, maka kerugian atau penurunan nilai portfolio lebih besar atau sama dari ukuran tersebut terjadi dengan keyakinan 95% (Pribadi : 2008),

3.4.3

Pengukuran Value at Risk (VaR) Pengukuran Value at Risk (VaR) secara umum dibagi ke dalam 2 (dua)

pendekatan yaitu pendekatan non-parametric dan pendekatan parametric. Pendekatan non-parametric didasarkan pada data historis dan biasanya tidak dilakukan estimasi terhadap parameter-parameter distribusi. Contoh pendekatan


44

non-parametric adalah metode Historical Simulation dan Monte Carlo Simulation. Sebaliknya pada pendekatan parametric dilakukan analisis terhadap parameter-parameter distribusi, misalnya volatilitas dan standar deviasi. Jorion (2007) membagi metode pengukuran VaR ke dalam 3 metode, antara lain: 1. Delta-Normal Method Merupakan metode valuasi lokal yang paling sederhana. Hanya mengukur eksposure dengan sebagian derivatif. Eksposure portofolio diasumsikan linier dan mempunyai risk factor yang terdistribusi normal. 2. Historical Simulation Method Dapat digunakan untuk full valuation. Didasarkan pada data historis dan tidak dibuat asumsi spesifik mengenai distribusi risk factor. Pendekatan ini disebut juga bootstrapping karena menggunakan distribusi aktual data historis terbaru tanpa melakukan replacement. 3. Monte Carlo Simulation Didasarkan pada data historis. Menghasilkan pergerakan random risk factor dari estimasi parameter distribusi. Secara umum metode ini dilakukan dalam 2 (dua) langkah. Pertama, menetapkan parameter proses stokastik untuk semua risk factor. Kedua, melakukan simulasi.


45

Tabel 3.1 Kelebihan dan Kekurangan Metode Pengukuran VaR Delta-Normal Historical Simulation Monte Carlo Simulation Simulation Kelebihan • Implementasi • Implementasi • Komprehensif sederhana sederhana • Dapat digunakan • Memperhitungkan • Fleksibel untuk untuk real time fat tails menggabungkan variansi waktu terhadap volatilitas, return, fat tails dan skenario ekstrem • Mudah untuk • Tidak • Dapat digunakan analisa membutuhkan untuk eksposure asumsi nonlinier • Bersifat intuitif Kekurangan • •

Distribusi return mempunyai fat tails Tidak sesuai untuk instrumen nonlinier (misal: option)

•

Hanya didasarkan pada satu path

•

Waktu komputasi lama

•

Variasi sample lebih besar dibandingkan metode parametric Distribusi diasumsikan stasioner sepanjang time frime yang dipilih

•

Biaya mahal (dalam hal sistem infrastruktur)

•

Sangat tergantung pada model risiko dan variasi sampel

•

Sumber: Jorion, 2007

3.4.4

Parametric Value at Risk (VaR) Parametric VaR disebut juga Linear VaR, Variance-Covariance, Greek-

Normal VaR, Delta Normal VaR, atau Delta-Gamma Normal VaR. Pendekatan ini mengasumsikan bahwa distribusi probabilitas return adalah normal dan memerlukan perhitungan parameter variance dan covariance. Apabila aset finansial hanya dipengaruhi oleh satu faktor saja, maka parameter yang digunakan


46

hanya variance saja. Sedangkan bila aset finansial berbentuk portofolio yang dipengaruhi beberapa faktor pasar, maka harus menghitung covariance, (Pribadi:2008).

3.4.4.1 Data Return Dalam pengukuran risiko pasar, tingkat return aset finansial merupakan random variable. Perhitungan return suatu aset finansial dapat dihitung dengan dua metode menurut Jorion (2007:93), sebagai berikut: 1. The aritmetic return Pada metode ini rate of return merupakan penjumlahan dari capital gain dan pembayaran dividen atau kupon dimana mempunyai persamaan sebagai berikut:

rt = Pt + Dt – Pt-1 Pt-1

(3.1)

Rumusan di atas hanya dapat digunakan untuk menghitung nilai return pada data yang bersifat discrete, sedangkan harga aset finansial umumnya bersifat continuous. Oleh karena itu Jorion menyarankan untuk menggunakan metode geometric return yang bila diasumsikan dividennya sama dengan nol.

2. Geometric rate of return Pada metode ini rate of return merupakan logaritma dari rasio harga, yaitu:

rt = ln Pt + Dt Pt-1


(3.2)

47

Dalam penyederhanaan rumus maka untuk pembayaran dividen diasumsikan nol (Dt = 0) sehingga persamaan (3.2) diatas menjadi :

rt = ln

Pt Pt-1

(3.3)

Dimana :

rt = rate of return pada hari t Pt = harga kurs/aset pada saat t Pt-1 = harga kurs/aset pada saat t-1 Dt = dividen atau kupon pada periode ke-t (bila ada) 3.4.4.2 Distribusi Normal Return (Normal Return Distribution) Kejadian yang dapat dinyatakan sebagai perubahan nilai suatu variabel, umumnya mengikuti suatu distribusi teoritis tertentu. Apabila distribusi tersebut telah diketahui jenisnya, maka kita dapat mengetahui besar nilai probabilitas terjadinya kejadian tersebut. Oleh sebab itu perlu dilakukan analisis statistik deskriptif terhadap data pada satu peristiwa untuk mengetahui distribusi yang ada, karena bentuk distribusi tersebut akan memberikan deskripsi mengenai populasi yang ada. Bentuk distribusi normal memegang peranan penting dalam perhitungan VaR. Hal ini karena distribusi normal dapat memberikan deskripsi yang cukup jelas bagi populasi yang ada. Distribusi normal membuktikan bahwa apabila banyaknya observasi bertambah, mean konvergen menuju distribusi normal. Hal inilah yang mendasari perhitungan VaR dengan menggunakan distribusi parametris (dalam metode ini perhitungan VaR didasarkan pada asumsi-asumsi distribusi normal).


48

Menurut Jorion (2007:85), jika variable kontinu X mengikuti sebuah fungsi normal, dengan rata-rata μ dan simpangan baku (standar deviasi) σ, maka distribusi normal variabel X bentuk fungsinya sebagai berikut: (3.4)

dimana: f (X)

: distribusi normal variabel X

π

: 3.14159

σ

: simpangan baku

μ

: rata-rata variabel

e

: 2.71828

Kurva normal memiliki bentuk seperti lonceng (bell-shaped) dan simetris terhadap rata-rata μ. Bentuk kurva normal sangat dipengaruhi oleh besar kecilnya rata-rata μ dan standar deviasi σ. Makin kecil σ bentuk kurva semakin runcing dan sebagian besar nilai-nilai variabel X mendekati rata-rata μ, dan sebaliknya jika σ semakin besar, maka bentuknya semakin tumpul dan nilai-nilai variabel X semakin menjauhi rata-rata μ. Area yang terletak di bawah kurva normal adalah probabilitas, dengan demikian berapapun nilai μ dan σ maka dalam distribusi normal secara matematik akan menghasilkan total area yang terletak di bawah kurva normal adalah sama dengan satu. Secara matematik dapat dibuktikan bahwa 68% dari seluruh nilai dari distribusi normal terletak ± satu standar deviasi, 95% dari seluruh nilai dari distribusi normal terletak ± dua standar deviasi dan 99% dari seluruh nilai dari distribusi normal terletak ± tiga standar deviasi.


49

Perhitungan distribusi normal dapat disederhanakan dengan bentuk standar distribusi normal yakni dengan membuat rata-rata distribusi μ menjadi nol dan standar deviasi σ menjadi satu, yang dinotasikan sebagai N (0,1).

3.4.5

VaR Single Instrument VaR untuk aset tunggal menurut Jorion dihitung dengan menggunakan

persamaan sebagai berikut: VaR = α x σ x P

(3.5)

dimana : α = Confidence of Level (Derajat Kepercayaan) σ = Estimate of Volatility (Estimasi Volatilitas) P = Nilai posisi aset

Ketika holding period diperhitungkan dalam persamaan (3.5) maka rumus VaR akan menjadi: VaR = α x σ x P x √ t

(3.6)

Keterangan : t = holding period

3.4.5.1 Confidence Level Menurut Marrison, confidence level merupakan suatu nilai tertentu yang tidak akan dilampaui dengan probability yang telah ditentukan. Semakin tinggi tingkat kepercayaan maka, semakin besar nilai VaR, demikian pula sebaliknya. Penentuan tingkat kepercayaan disesuaikan dengan penggunaan VaR (Pribadi : 2008).


50

VaR dapat digunakan sebagai ukuran pembanding, ukuran potensi kerugian, equity capital, dan backtesting. Tingkat kepercayaan yang terlalu tinggi akan mengurangi ekspektasi jumlah pengamatan pada ekor sehingga mengurangi kekuatan pengujian. Untuk backtesting biasanya digunakan tingkat kepercayaan 95%. (Jorion:2007). Contoh, hanya ada 5% kemungkinan suatu variabel yang diambil dari Standard Normal Distribution nilainya akan > 1,64. Bisa dikatakan bahwa tingkat kepercayaan untuk 95% variabel ini adalah 1,64. Sementara persyaratan dalam Basel II Accord (2006) menetapkan tingkat keyakinan 99% untuk perhitungan VaR. Untuk data tidak berdistribusi normal Jorion (2007) memberikan koreksi terhadap nilai α menjadi α' menggunakan pendekatan Cornish-Fisher Expansion dalam Persamaan (3.7). (3.7) Dimana: = koefisien Skewness

3.4.5.2 Holding Period atau Horizon Holding Period atau Horizon merupakan jangka waktu VaR yang akan dihitung. Holding period yang biasa digunakan adalah 1 hari, 10 hari, dan 1 bulan. Holding period 1 hari dapat diartikan sebagai jangka waktu VaR 1 hari kedepan. Semakin lama holding period maka semakin besar nilai VaR. Penentuan holding period

lebih didasarkan pada subjektivitas, lingkungan

bisnis perusahaan atau bank dan jenis portofolio. Penentuan holding period


51

tergantung pada bagaimana dan apa yang akan direpresentasikan dalam penggunaan VaR. Holding period sebesar satu hari merupakan basis perhitungan VaR, karena berapapun holding period-nya, VaR akan dikalikan dengan VaR pada posisi holding period satu hari. Untuk portofolio yang sangat liquid, yang terbaik digunakan holding period 1 hari, karena VaR merupakan potensi kerugian pada portofolio pada 1 hari mendatang dengan mengasumsikan ukuran dan komposisi dari portofolio tetap konstan. Lembaga keuangan pada umumnya secara konsisten menggunakan holding period atau horizon 1 hari untuk analisis VaR. Hal ini disebabkan ratarata trading position dapat berubah secara dinamis dari hari ke hari. Sementara persyaratan dalam Basel II Accord (2006) menetapkan holding period minimum selama 10 hari untuk perhitungan VaR. Terlepas dari berbagai pilihan yang ada, idealnya pemilihan holding period dapat dilakukan dengan melihat berapa lama periode yang dibutuhkan untuk melakukan likuidasi terhadap asset dalam portofolio.

3.4.5.3 Estimasi Volatilitas (Estimate of Volatility) Volatilitas return ditunjukan dengan varian atau standar deviasi (Jorion:2007). Volatilitas digunakan untuk melakukan pengukuran statistik variasi harga suatu instrumen. Dalam melakukan forecasting, volatilitas umumnya diasumsikan konstan dari waktu ke waktu, walaupun kenyataannya tidak. Menurut Watsham (1997:191), volatilitas yang konstan dari waktu ke


52

waktu disebut homoskedastic, sedangkan volatilitas yang tidak konstan disebut heteroskedastic (Pribadi:2008). 3.4.6

Pengukuran Volatilitas

Pengukuran volatilitas yang digunakan adalah: 1. Volatilitas Konstan (Constant Volatility) : Standar Deviasi (Standard Deviation), Rata-rata Bergerak Sederhana (Simple Moving Average), Historical Simulation. 2. Volatilitas Tidak Konstan (Non-Constant Volatility) : Autoregresive Conditional

Heterocedasticity

(ARCH),

Generalized

Autoregresive

Conditional Heteroskedasticity (GARCH), Exponential Generalized Autoregresive

Conditional

Heteroskedasticity

(EGARCH),

dan

Exponentially Weighted Moving Average (EWMA).

3.4.6.1 Volatilitas Konstan Untuk mendapatkan nilai VaR dari setiap metode, dibutuhkan pengukuran volatilitas yang berpengaruh langsung terhadap nilai VaR yang dihasilkan. Volatilitas yang umumnya digunakan adalah:

3.4.6.1.1 Model Estimasi Volatilitas Standard Deviation Standar deviasi normal merupakan alat pengukuran volatilitas yang paling umum digunakan dan paling cocok diterapkan untuk metode distribusi normal. Standar deviasi normal mengukur jumlah penyebaran dari distribusi, yaitu jarak rata-rata dari perubahan harga terhadap mean sebagai puncak.


53

Asumsi metode ini adalah estimasi nilai konstan dari volatilitas. Menurut Jorion (2007:95), varians dapat dihitung dengan formula sebagai berikut : (3.8)

Dimana : σ2 : varian portfolio xi : variabel ke i μ : mean i : jumlah variabel T : jumlah observasi

Nilai T digunakan sebagai bobot dalam memperhitungkan varian dari populasi, untuk perhitungan pada sampel data yang digunakan adalah T-1. Penggunaan T-1 dalam perhitungan ini karena adanya kenyataan bahwa varian diperkirakan berada di sekitar parameter yang tidak diketahui yaitu nilai rata-rata atau μ, oleh sebab itu diperlukan adjustment terhadap nilai varian dari sampel tersebut. Dalam banyak situasi, nilai T besar sehingga adjustment tidak banyak berarti (minor).

3.4.6.2 Volatilitas Tidak Konstan Asumsi volatilitas dan korelasi biasanya konstan, tetapi kenyataannya volatilitas dan korelasi pada data keuangan adalah tidak konstan, kadang menunjukkan ketidakteraturan. Bisa saja pada suatu periode volatilitasnya rendah namun berikutnya diikuti dengan volatilitas tinggi. Hal ini disebut dengan volatility clustering.


54

3.4.6.2.1 Autoregresive Conditional Heterocedasticity (ARCH), Generalized Autoregresive Conditional Heteroskedasticity (GARCH) ARCH (Auto Regressive Conditional Heteroscedasticity) – GARCH (Generalized Auto Regressive Conditional Heteroscedasticity) model telah digunakan secara luas dalam analisa time series, tapi penerapan dalam finance telah secara sukses menjadi fokus dari pengenalan model ini. Keputusan finansial telah umum menjadi pertukaran antara resiko dan return. Analisa ekonomi dari suatu risiko telah menjadi keseluruhan dari asset pricing, optimalisasi dari portfolio, options pricing, dan manajemen risiko. Model ARCH diperkenalkan oleh Engle (1982) untuk mengatasi keheterogenan ragam. Model ARCH dibuat secara khusus untuk memodelkan dan meramalkan ragam bersyarat. Ragam dari peubah tak bebas dimodelkan sebagai fungsi dari sejumlah q data acak sebelumnya. Pada data finansial dengan tingkat volatilitas yang lebih besar, model ARCH memerlukan orde yang besar pula dalam memodelkan ragamnya (Untari:2009). Model GARCH merupakan model generalisasi ARCH diperkenalkan oleh Bollerslev (1986). Model ini dirancang untuk membuat suatu model dan melakukan peramalan terhadap time series waktu yang mengandung conditional variance. Varian dari variabel tidak bebas dibentuk dengan menggunakan nilai dari variabel tidak bebas dan variabel bebas periode sebelumnya. Pada data runtun waktu keuangan, keberadaan ARCH atau suatu bentuk autoregresi dari kuadrat residual biasanya ditandai dengan adanya fat tail (excess curtosis) atau volatility clustering. Fat tail ditandai dengan distribusi probabilitas return yang menunjukan tail yang lebih gemuk dibandingkan distribusi normal.


55

Model ini mengasumsikan bahwa return dihasilkan oleh proses stochastic dengan time-varying volatility, variance dari return akan mengikuti proses yang dapat diprediksi. Model GARCH mempersyaratkan kondisi heteroskedastic dalam suatu

perubahan

variance.

Proses

ARCH

(p)

menangkap

conditional

heteroskedasticity dari financial return dengan mengasumsikan bahwa conditional variance hari ini merupakan rata-rata tertimbang dari past squared unexpected return: (3.9) Dimana: > 0,

, .....,

≥0

= slope = residual pada waktu t

Persamaan (3.9) menunjukkan bahwa besar varians bergantung pada kuadrat error pada periode sebelumnya. Jika koefisien maka variansnya adalah konstan sebesar

,

, dan

bernilai nol

. Sedangkan jika koefisien tersebut

tidak bernilai nol maka varians untuk periode t lainnya dapat diestimasi. Model ARCH jarang digunakan pada pasar financial karena dengan mengggunakan GARCH sederhana performance model sangat baik. Model GARCH (p,q) menambahkan q autoregressive terms di spesifikasi ARCH (p) sehingga persamaan conditional variance menjadi: (3.10)


56

Dimana: > 0,

, .....,

,

, ....,

≥0

= error coefficient pada waktu ke-p = residual pada waktu t = lag coefficient Model Generic GARCH memiliki hipotesis bahwa estimator volatilitas bergantung pada nilai lag kuadrat return dan lag estimasi volatilitas.

(3.11)

dengan asumsi semua parameter adalah positif. Estimator GARCH (1,1) diperoleh bila p = q = 1 dan model ini sering disebut dengan generic atau vanilla model GARCH:

(3.12) dimana: = forecast varian pada saat t = residual saat t-1 = konstanta > 0, α, β ≥ 0 Nilai α dan β menunjukan short-run dynamic dari hasil time series volatilitas. Semakin tinggi β menunjukan bahwa shock pada variance akan membutuhkan waktu lama untuk kembali. Semakin tinggi α menunjukan bahwa reaksi volatilitas sangat intensif terhadap pergerakan pasar. Apabilan nilai α tinggi dan β rendah maka volatilitas cenderung spiky (Pribadi:2008).


57

3.4.6.2.2 Exponential Generalized Heteroskedasticity (EGARCH)

Autoregresive

Conditional

Sering ditemukan dalam pasar uang dan pasar modal bahwa volatilitas dari error ketika ada guncangan negatif lebih besar ketika ada guncangan positif. Kasus ini disebut sebagai guncangan asimetris (asymmetric shock) atau disebut efek leverage, dimana penurunan tajam (efek negatif), tidak serta merta akan diikuti dengan kenaikan (efek positif) pada periode berikutnya. Untuk mengatasi persoalan guncangan asimetris ini, model yang digunakan adalah model EGARCH

(Exponential

Generalized

Autoregresive

Conditional

Heteroskedasticity) yang dikembangkan oleh Nelson pada tahun 1991 yang dapat digunakan sebagai fungsi ragam (Hendrawan dan Yanida:2013). Dugaan ragam yang selalu positif akan dihasilkan model EGARCH dengan menggunakan transformasi logaritma pada ragam bersyarat.

Gambar 3.1 Efek leverage

Secara umum, proses EGARCH dengan orde p dan q atau EGARCH (p,q) didefinisikan sebagai proses

yang memenuhi: (3.13) (3.14)


58

(3.15) N (0,1).

dengan

3.4.6.2.3 Exponential Weighted Moving Average (EWMA) EWMA adalah pendekatan forecasting volatilitas dengan melakukan estimasi volatilitas di masa datang dimana data observasi terkini diberikan bobot yang lebih besar dibandingkan dengan data lampau. Pembobotan ini didasari asumsi bahwa data terkini memberikan informasi kondisi pasar yang lebih baik dibandingkan dengan data masa lampau (Pribadi: 2008). Forecast volatilitas merupakan rata-rata tertimbang dari forecast volatilitas periode sebelumnya dan kuadrat return saat ini. Morgan (1996) mempunyai persamaan pendekatan EWMA adalah sebagai berikut: (3.16) Dimana: = varian dari return pada waktu t = return pada waktu t λ = parameter decay factor

Untuk menghitung forecast volatilitas dilakukan dengan mengakarkan persamaan (3.16) sehingga menjadi: (3.17) Dimana: σt = forecast volatility pada hari t


59

Terdapat dua bagian persamaan (3.17), yaitu

yang menunjukan persistency

dari volatilitas, bila volatility hari kemarin tinggi maka hari ini juga tetap tinggi. Bagian yang kedua

menunjukan intensitas reaksi volatilitas terhadap

kondisi pasar. Semakin kecil λ maka semakin reaktif volatilitas terhadap informasi pasar mengenai return kemarin. Parameter λ (decay factor) menunjukan skala bobot dari pengamatan data terbaru dengan data sebelumnya dengan nilai 0 < λ < 1. Semakin tinggi λ akan semakin besar bobot yang dikenakan pada data lampau sehingga data series semakin smooth. Bila λ mendekati 1, maka volatilitas akan semakin persistence mengikuti market shock (Kumalasari:2005). Nilai λ ditentukan dengan Root Mean Squared Error (RMSE), dimana λ ditentukan sedemikian sehingga error antara nilai variabel random dengan volatilitasnya pada saat yang sama mempunyai nilai terkecil. Menurut Morgan (1996), decay factor optimum ditentukan dengan persamaan: (3.18) Dimana: = = forecast variance t-₁ = variance return pada waktu t

Dalam Risk Metrics sistem, λ yang dipakai adalah 0,94 untuk data observasi harian, dan 0,97 untuk data observasi bulanan.


60

3.4.7

Penelitian Terdahulu Penelitian serupa untuk mengukur risiko pernah dilakukan sebelumnya

dengan menggunakan metode Value at Risk, Autoregresive Conditional Heterocedasticity

(ARCH),

Generalized

Autoregresive

Conditional

Heteroskedasticity (GARCH), Exponential Generalized Autoregresive Conditional Heteroskedasticity (EGARCH), dan Exponentially Weighted Moving Average (EWMA) sebagai berikut:

Tabel. 3.2 Penelitian Terdahulu (Jurnal Internasional) No 1

Nama Peneliti (Tahun) Stavros Degiannakis, Christos Floros, and Alexandra Livanda. (2011)

2

Roberto Casarin, Chia-Iin Cang, Juan-Angel Jimenez-Manrtin, Michael Mc Aleer, Teodosio PerezAmaral. (2011)

3

Laurent Cavenaile, and Thomas Lejeune. (2012)

Judul Penelitian

Hasil Penelitian

Evaluating Value at Risk Models Before and After The Financial Crisis of 2008 International Evidence Risk Management of Risk Under the Basel Accord : A Bayesian Approach to Forecasting Value at Risk of XIV Futures

Menunjukkan bahwa kerangka ARCH diterima dan memberikan estimasi VaR, tidak hanya untuk periode pra-2008 krisis keuangan tetapi juga untuk volatilitas tinggi pada return pasar saham sehingga digunakan untuk mengukur resiko pasar.

A Note on the Use of Modified Value at Risk

Gaussian (dengan nol skewness dan kelebihan kurtosis) dapat dengan mudah menunjukkan bahwa MVaR hanya bermuara pada delta VaR normal. Sejak MVaR adalah nilai negatif, setiap peningkatan risiko sesuai dengan penurunan MVaR. Pembatasan pada tingkat kepercayaan karena kurtosis tidak dipengaruhi oleh tingkat kemiringan atau kurtosis. Interval kepercayaan 95% selalu konsisten mengenai preferensi investor untuk kurtosis.

Kombinasi Bayesian model membahas pertanyaan manajemen risiko risiko, yaitu VaR dari VIX berjangka harga. Penggunaan bobot waktu bervariasi menggunakan metode Bayesian, memungkinkan dinamis kombinasi dari model yang berbeda untuk mendapatkan perkiraan VaR lebih akurat dibandingkan dengan estimasi dan perkiraan yang mungkin dihasilkan oleh model tunggal risiko. Kombinasi Bayesian dan nonBayesian model, lebih disukai untuk alternatif lain, dan kuat selama krisis keuangan global 2008-2009.

Sumber: Berbagai macam penelitian terdahulu


61

Tabel. 3.2 Penelitian Terdahulu (Jurnal Internasional) lanjutan No 4

Nama Peneliti (Tahun) Gentja Cera, Edmond, Cera. Gerdi, Lito. (2013)

Judul Penelitian

Hasil Penelitian

A GARCH Model Approach to Calculate The Value at Risk of Albanian Lek Exchange Rate

Pendekatan pemodelan GARCH untuk perhitungan VaR dapat berfungsi untuk individu dan bisnis yang terkena volatilitas dari EUR / ALL nilai tukar.

5

Michael W. Brandt and Christopher S. Jones (2006)

Volatility Forecasting With Range-Based EGARCH Models

Tujuan penelitian ini adalah untuk memberikan yang sederhana, namun sangat efektif kerangka kerja untuk peramalan volatilitas return aset dengan menggabungkan model EGARCH dua faktor dengan data pada jarak. Memasukkan informasi tentang volatilitas yang terkandung dalam kisaran ke model EGARCH secara signifikan meningkatkan di-sampel fit dan, yang lebih penting, keakuratan outoff- perkiraan sampel model. The fraksional terintegrasi Model EGARCH berdasarkan jarak perkiraan rata-rata login kembali absolut atau berbagai log sejauh 1 tahun dari akhir periode estimasi dengan R2 dari 0,28 dan 0,32

6

Vladislav Soldatov (2013)

Bayesian Techniques for Discrete Stochastic VolatilityModels

Penelitian ini menunjukkan bahwa volume perdagangan mungkin tidak berguna sebagai eksogen faktor memberikan informasi tambahan untuk volatilitas stokastik diskrit model. Ini menegaskan kepercayaan umum bahwa semua informasi yang diperlukan untuk tujuan perdagangan sudah terkandung dalam harga. Selanjutnya, eksperimen menunjukkan bahwa model volatilitas stokastik dengan t-inovasi muncul untuk melakukan lebih baik daripada satu dengan inovasi Gaussian. Temuan untuk model GARCH ditambah dengan volume yang diperoleh Brooks, yang melaporkan bahwa augmenting model GARCH dengan perdagangan tertinggal volume yang mengarah hanya untuk perbaikan sangat sederhana pada peramalan kinerja.



62

Tabel. 3.2 Penelitian Terdahulu (Jurnal Internasional) lanjutan No 7

8

9

10

Nama Peneliti (Tahun) Mike K.P. Soa, and Philip L.H. Yub (2006)

Judul Penelitian

Hasil Penelitian

Empirical analysis of GARCH models in value at risk estimation

Hasil penelitian menunjukkan bahwa kedua stasioner dan model GARCH fraksional terintegrasi mengungguli RiskMetrics dalam memperkirakan 1% VaR. Meskipun sebagian besar kembali seri acara distribusi fat tail dan memenuhi properti memori panjang, lebih penting untuk mempertimbangkan model dengan kesalahan fat tail dalam memperkirakan VaR. Perilaku asimetris juga ditemukan dalam data pasar saham yang model tkesalahan memberikan perkiraan VaR 1% lebih baik dari model normal kesalahan dalam posisi panjang, tetapi tidak dalam posisi short. Tidak ada asimetri tersebut diamati dalam data kurs. Hal ini ditemukan itu, untuk kelas besar model, ukuran rata-rata volatilitas tidak konstan tetapi berubah dengan waktu dan diprediksi. Autoregressive heteroskedastisitas bersyarat (ARCH) / umum autoregressive heteroskedastisitas bersyarat (GARCH) model dan model volatilitas stokastik adalah alat utama yang digunakan untuk model dan volatilitas perkiraan. Pindah dari aset tunggal untuk portofolio yang terbuat dari beberapa aset, kita menemukan bahwa tidak hanya volatilitas istimewa tetapi juga korelasi dan covariances antara aset waktu yang berbeda-beda dan dapat diprediksi. Multivariat ARCH model / GARCH dan faktor dinamis model, akhirnya dalam kerangka Bayesian, adalah alat dasar yang digunakan untuk meramalkan korelasi dan covariances. Volatilitas peramalan perbandingan dalam autoregressive yang heteroskedastisitas bersyarat model (ARCH). Tujuan penelitian adalah untuk mengidentifikasi sukses model dalam memprediksi. Aset tes mencakup berbagai indeks saham domestik dan internasional dan pertukaran rates. Sementara sampel utama kami meliputi 1990-2008. Volatilitas selama krisis 2008 mendekati dengan prediksi yang dibuat satu hari ke depan. Analisis ini didasarkan pada GARCH dan model EGARCH. Data harian dari Januari 2000 sampai April 2010 dan membagi time series menjadi dua bagian: sebelum krisis dan selama periode krisis. Hasil empiris menunjukkan bahwa model EGARCH sesuai dengan data sampel yang lebih baik dibanding model GARCH dalam pemodelan volatilitas return saham Cina. Hasil penelitian juga menunjukkan bahwa volatilitas jangka panjang adalah lebih stabil selama periode krisis. Kabar buruk menghasilkan efek yang lebih kuat dari yang baik berita untuk pasar saham Cina selama krisis.

Robert F. Engle, Sergio M. Focardi, and Frank J. Fabozzi. (2007)

ARCH/GARCH Models in Applied Financial Econometrics

Christian Brownlees, Robert Engle, and Bryan Kelly. (2011)

A practical guide to volatility forecasting through calm and storm

Chang Su (2010)

Application of EGARCH Model to Estimate Financial Volatility of Daily Returns: The empirical case of China



63

Tabel. 3.3 Penelitian Terdahulu (Jurnal Nasional) No 1

Nama Peneliti (Tahun) Nirawita Untari, Ahmad Ansori Mattjik, dan Asep Saefuddin (2009)

Judul Penelitian

Hasil Penelitian

Analisis Deret Waktu Dengan Ragam Galat Heterogen dan Asimetrik Studi Indeks Harga Saham Gabungan (IHSG) Peri ode 19992008

Pemodelan dilakukan dengan model EGARCH. Model EGARCH yang diperoleh adalah MA( 1)· EGARCH( 1,1 ). Validasi model terhadap data insample yang dihasilkan menunjukkan bahwa model yang digunakan sudah baik dalam memodelkan data lHSG selama periode pengamatan (Oktober 1999-Juni 2008). Sedangkan untuk peramalannya, model ini cukup baik dalam melakukan peramalan persatu hari ke depan. Tapi kurang baik dalam melakukan peramalan nilai harian IHSG untuk 3 bulan ke depan. Fokus penelitian ini adalah optimalisasi portofolio dengan menggunakan rasio Sharpe melalui kurva efficiency frontier dalam hubungan pencarian portofolio yang paling efisien. Penelitian ini memodelkan return saham-saham indeks LQ-45 dengan model analisis teknikal Exponentially Weighted Moving Average (EWMA) dan Generalised Autoregressive Conditional Heteroscedasticity (GARCH (1,1)) untuk memperoleh varians yang konstan, kemudian digunakan dalam seleksi portofolio optimal. Penelitian ini mengambil populasi saham-saham yang termasuk dalam indeks LQ-45 untuk periode pengamatan 01 Februari 2005 – 31 Juli 2007 sebanyak 32 buah perusahaan. Data dipilih berdasarkan pada saham-saham yang termasuk dalam periode pengamatan yang sama. Hasil penelitian menunjukkan bahwa model GARCH (1,1) mampu menghasilkan portofolio yang lebih optimal dibandingkan model EWMA. Hal ini terlihat dari rasio Sharpe yang dihasilkan model GARCH (1,1) yang lebih tinggi dibandingkan portofolio yang terbentuk dari model EWMA.

2

Cut Dian, Muhammad Arfan, dan Syukriya Abdullahl. (2014)

Optimalisasi Pembentukan Portofolio SahamSaham Indeks LQ-45: Perbandingan Model Exponentially Weighted Moving Average (EWMA) Dan Model Generelaised Autoregresive Conditional Heteroscedasticity (GARCH)

3

Puguh Agung Nugroho (2010)

Pengujian Taraf Akurasi Model-Model Volatilitas dalam Menduga Nilai Risiko Obligasi (Studi Kasus: Obligasi INDON 14)

Penelitian ini menemukan bahwa hanya model GARCH (2,1) yang mampu meramalkan return obligasi INDON 14 secara akurat

4

Riko Hendrawan, dan Pebri Yanida (2013)

Analisis Perbandingan Kinerja Value At Risk Berbasis ARCH, GARCH, dan EGARCH Sebelum, Saat, dan Setelah Krisis Global Tahun 2008 Pada JKSE, KLSE, STI, PSEI, HIS, KOSPI, SSE dan N225

Penelitian ini bertujuan untuk mengetahui tingkat efektifitas model Value at Risk dengan metode Kupic pada JKSE, KLSE, PSEI, KOSPI, SSE, N255. Hasil penelitian ini menyatakan pengujian Value at Risk dengan tingkat kepercayaan 99% dan 95% periode 2005-2012 ditolak untuk seluruh indeks saham yang diteliti menggunakan model ARCh, GARCH, dan dapat diterima sebagian menggunakan model EGARCH.



64

Tabel. 3.4 Penelitian Terdahulu (Tesis) No 1

2

3

Nama Peneliti (Tahun) Dewi Khujah Kejora. (2009)

Judul Penelitian

Hasil Penelitian

Perhitungan Risiko Harga Komoditas Energi dengan Pendekatan EWMA, ARCH/GARCH dan Extreme Value Theory

Menunjukkan bahwa dstribusi return komoditas energy cenderung memiliki karakteristik fat tailed, kurtosis tinggi, dan negative skewness. Pengukuran risiko pada umumnya menggunakan asumsi distribusi normal atau log normal sehingga diduga estimasi yang diberikan dalam mengukur risiko kurang tepat untuk karakteristik distribusi yang fat tailed seperti distribusi return komoditas energi. Proses perhitungan risiko harga komoditas energy WTI crude oil, heating oil, dan propane di pasar spoy dan future menggunakan metode EWMA, ARCH/GARCH, dan EVT. Hasil perhitungan yang didapat menunjukkan nilai Value At Risk (VaR) EVT cenderung lebih besar disbandingkan VaR dari pendekatan lainnya. Headging antara spot dan future juga menunjukkan bahwa upaya mitigasi dengan transaksi derivative dapat menurunkan nilai VaR. Hasil pengujian yang dilakukan dengan backtesting dan Kupic Test berdasarkan proses TNoF diperoleh hasil bahwa forecasting volatiltas dengan metode GARCH (1,1) lebih tepat digunakan dibanding metode EWMA. Metode GARCH (1,1) lebih dapat menangkap pergerakan actual loss yang terjadi dan lebih mendekati atau mencerminkan keadaan risiko yang sesungguhnya. . Penggunaan Value At Risk yang terus meningkat dalam pengukuran risiko portofolio, alokasi modal, dan performa usaha yang selalu berkaitan dengan risiko. Metode untuk menilai ketepatan dari model dinamis umum dan untuk mengukur besar kesalahan penilaian dengan membangun interval kepercayaan disekitar titik-titik yang diramalkan dalam VaR dan kerugian yang diharapkan (expected shortfall)

Ratna Kumalasari (2005)

Perbandingan Value At Risk Dengan Estimasi Volatilitas EWMA dan GARCH (Studi Kasus PDN Bank X)

Rotua Manik (2008)

Estimasi Risiko Dalam Pengelolaan Risiko Finansial



65

3.4.8

Kerangka Pemikiran Penelitian ini dilakukan untuk mengetahui nilai Value at Risk (VaR) nilai

tukar valuta asing (USD, GBP, JPY, dan SGD) menggunakan model estimasi Autoregresive Conditional Heterocedasticity (ARCH), Generalized Autoregresive Conditional Heteroskedasticity (GARCH), Exponential Generalized Autoregresive Conditional Heteroskedasticity (EGARCH), dan Exponentially Weighted Moving Average (EWMA) dalam perhitungan ekonometrika. Model estimasi yang digunakan dalam penelitian ini merupakan kolaborasi metode yang telah dilakukan penelitian oleh beberapa peneliti terdahulu untuk mengetahui volatilitas harga saham, namun masih sedikit penelitian yang menggunakan model tersebut untuk menganalisis pengukuran Value at Risk (VaR) pada nilai tukar valuta asing, khususnya penggunaan Exponential Generalized Autoregresive Conditional Heteroskedasticity (EGARCH) untuk mengetahui volatilitas Value at Risk (VaR) nilai tukar yang membedakan dari penelitian sebelumnya. Untuk mengetahui return nilai tukar dilakukan perhitungan data return, kemudian untuk menguji validitas model tersebut, dilakukan pengujian data dengan menggunakan uji stasioneritas, uji normaloitas, uji heteroskedastic dengan White Heteroskedastic Test dan menghitung Value at Risk (VaR) masing-masing nilai tukar. Hasil dari penelitian untuk mengetahui Value at Risk (VaR) nilai tukar pada periode 2 Januari 2013 - Juni 2015 pada kurs transaksi yang ada di Bank Indonesia. Perhitungan dilakukan menggunakan kurs tengah.


66

Data Return Nilai Tukar Valuta Asing BI

Perhitungan Data Return Nilai Tukar Valuta Asing (USD, GBP, JPY, SGD)

Uji data dengan menggunakan : Uji Stationeritas Uji Normalitas Uji Heteroskedastisitas

Perhitungan Volatilitas Konstan (Standar Deviasi Normal)

Perhitungan Volatilitas Tidak Konstan (ARCH/GARCH, EGARCH, EWMA)

Perhitungan Value at Risk

Gambar. 3.2 Kerangka Pikir Penelitian Sumber: Hasil olahan peneliti 2015


67

3.4.9

Hipotesis

3.4.9.1 Uji Stationeritas = 0 , data return non stationare ≠ 0 , data return stationare 3.4.9.2 Uji Normalitas : Distribusi return nilai tukar normal : Distribusi return nilai tukar tidak normal 3.4.9.3 Uji Heteroskedastic dengan White Heteroskedastic Test : σ bersifat homoskedastic : σ bersifat heteroskedastic


BAB III KAJIAN PUSTAKA, KERANGKA PEMIKIRAN, DAN HIPOTESIS

Recommend Documents