Value at Risk (VaR) — Historis, Parametrik, Monte Carlo dari Nol

Seorang treasurer perusahaan di Jakarta mengelola portofolio saham BEI senilai Rp 1 miliar yang terdiri dari BBCA (40%), BBRI (35%), dan TLKM (25%). Pada hari Senin pagi, Direktur Keuangan bertanya kepadanya satu pertanyaan sederhana namun mematikan: “Berapa paling banyak uang kita bisa kehilangan besok?” Pertanyaan ini, dalam bahasa praktis, adalah inti dari Value at Risk (Value at Risk, VaR) — metrik risiko paling banyak dipakai di dunia perbankan, manajemen aset, dan regulasi Basel.

Jawaban naif — “ya, tergantung pasar” — tidak diterima di ruang direksi. Jawaban yang tepat berbentuk satu kalimat: “Dengan 95% keyakinan, kerugian portofolio besok tidak akan melebihi Rp 24,8 juta.” Angka Rp 24,8 juta itu adalah VaR 1-hari pada confidence level 95%. Ini bukan jaminan bahwa kerugian tidak akan terjadi; sebaliknya, ia jujur mengakui bahwa di 5% hari terburuk (sekitar 12 hari dalam setahun perdagangan ~250 hari), kerugian bisa melebihi Rp 24,8 juta. Inilah yang membuat VaR begitu berguna sekaligus begitu berbahaya: ia menyatukan kompleksitas distribusi imbal hasil ke dalam satu angka yang mudah dibaca — tetapi juga mudah disalahpahami.

VaR lahir dari lantai perdagangan JP Morgan tahun 1980-an (kemudian dipopulerkan Dennis Weatherstone yang menuntut “laporan 4:15” harian tentang risiko seluruh bank), matang menjadi pilar regulasi Basel II (2004), dan kini menjadi bahasa universal manajer risiko di seluruh dunia — termasuk OJK dan bank-bank Indonesia. Artikel ini membongkar VaR dari nol: apa sebenarnya yang diukurnya, tiga metode menghitungnya (historical simulation, parametrik variance-covariance, Monte Carlo), bagaimana menskalakannya ke horizon lebih panjang, dan yang tak kalah penting — bagaimana menguji apakah angka VaR itu bisa dipercaya lewat backtesting. Semua angka bisa Anda kerjakan ulang di workbook Excel pendamping yang membandingkan tiga metode dengan rumus hidup (NORM.S.INV, PERCENTILE.INC, NORM.INV).

Apa Itu VaR — Definisi Tepat dan Jebakannya

Value at Risk adalah kerugian maksimum yang diharapkan tidak terlampaui pada confidence level tertentu selama holding period tertentu. Tiga komponen wajib selalu hadir saat melaporkan VaR:

1. Confidence level (α) — biasanya 95% atau 99%. “VaR 95%” berarti di 95% skenario, kerugian tidak melebihi VaR.
2. Holding period (H) — horizon waktu. Biasanya 1 hari (VaR harian), kadang 10 hari (standar Basel untuk capital).
3. Nilai / unit — persen return atau rupiah absolut. “VaR 2,5% pada portofolio Rp 1M” = Rp 25 juta.

Secara matematis, VaR pada confidence level α adalah kuantil ke-$(1-\alpha)$ dari distribusi kerugian. Karena kerugian = $-R$ (negatif return), kuantil kerugian = $-(\text{kuantil return})$. Dengan $F_R$ fungsi distribusi kumulatif return:

$$\text{VaR}_\alpha = -F_R^{-1}(1-\alpha)$$

atau, untuk VaR parametrik dengan asumsi normal, kita ambil langsung kuantil kiri return:

$$\text{VaR}_\alpha = -\bigl(\mu + z_{1-\alpha}\,\sigma\bigr)$$

dengan $z_{1-\alpha} = \Phi^{-1}(1-\alpha)$ adalah invers CDF normal standar pada probabilitas $(1-\alpha)$. Untuk α = 95%: $z_{0,05} = -1{,}645$. Untuk α = 99%: $z_{0,01} = -2{,}326$. Tanda negatif di depan hanya konvensi: VaR dilaporkan sebagai angka positif yang menyatakan besarnya kerugian, bukan tanda rugi.

Yang TIDAK dikatakan VaR

Inilah jebakan paling umum. VaR 95% = Rp 24,8 juta TIDAK berarti:

• Bukan “kerugian maksimum absolut”. Di 5% hari terburuk, kerugian bisa jauh lebih besar dari Rp 24,8 juta. VaR diam tentang seberapa buruk skenario ke-5% itu.
• Bukan jaminan. VaR adalah pernyataan probabilistik, bukan batas keras.
• Bukan rata-rata kerugian saat krisis. Itu tugas metrik lain — Expected Shortfall (CVaR) — yang akan kita bahas kemudian.

Untuk menutup celah “seberapa buruk saat melampaui VaR”, kita memakai Expected Shortfall (ES, atau Conditional VaR / CVaR): rata-rata kerugian di $(1-\alpha)$ ekor terburuk. ES selalu $\geq$ VaR. Setelah Basel III (2019), regulator beralih dari VaR ke ES justru karena VaR tidak peduli pada besarnya kerugian di ekor.

Portofolio Kalibrasi: Rp 1 Miliar di BEI

Mari kita pakai satu portofolio konsisten sepanjang artikel. Nilai Rp 1.000.000.000, komposisi:

Dari data historis 100 hari (≈ 5 bulan perdagangan), kita hitung return harian portofolio tertimbang: $R_{p,t} = \sum_i w_i R_{i,t}$. Statistik dasarnya (dari Excel companion, sheet DATA_HISTORIS):

Dua angka utama — $\mu$ dan $\sigma$ — adalah bahan baku seluruh perhitungan VaR. VaR sendiri hanya bermuara pada pertanyaan: di persentil ke berapa kerugian ekstrem berada? Tiga metode berikut menjawabnya dengan tiga cara berbeda, dengan trade-off yang berbeda pula.

Metode 1: Historical Simulation — Biarkan Data Bicara

Historical simulation adalah metode paling jujur dan paling sederhana. Idenya radikal: kita tidak mengasumsikan bentuk distribusi apa pun. Ambil saja return historis, urutkan dari paling buruk ke paling baik, lalu baca kuantilnya. Filosofinya: “masa depan akan menyerupai masa lalu — saya percaya data, bukan asumsi matematika.”

Rumus

$$\text{VaR}_\alpha^{\text{hist}} = -Q_{1-\alpha}(R_1, R_2, \dots, R_T)$$

dengan $Q_{1-\alpha}$ kuantil empiris ke-$(1-\alpha)$ dari sampel return. Untuk α = 95%, ambil kuantil ke-5 dari bawah. Di Excel:

=PERCENTILE.INC(range_return; 1-α)

lalu minus-kan untuk dapat besarnya kerugian. Karena kita tidak berasumsi apa pun, metode ini menangkap apa adanya — termasuk ekor gemuk, asimetri, dan cluster volatilitas yang ada di sampel.

Contoh hitung: 100 obs BEI

Dengan 100 observasi, kuantil ke-5 berada di antara observasi ke-5 dan ke-6 dari bawah saat diurutkan. Excel PERCENTILE.INC melakukan interpolasi linier antara dua observasi tersebut. Untuk sampel kita:

• α = 95%: kuantil kiri = $-2{,}23\%$ → VaR 95% = 2,23% → Rp 22,3 juta
• α = 99%: kuantil kiri = $-4{,}88\%$ → VaR 99% = 4,88% → Rp 48,8 juta

Perhatikan satu hal penting: VaR 99% historis (4,88%) jauh lebih besar daripada yang akan diprediksi metode parametrik nanti. Ini terjadi karena sampel kita mengandung dua hari merah ekstrem (-5,81% dan -4,87%) — karakteristik fat tail yang lazim di pasar emerging seperti BEI. Historical simulation melihat dan merefleksikan ekor gemuk ini; di sinilah letak kekuatannya.

Kekuatan dan kelemahan

Kekuatan:

• Bebas asumsi distribusi — tidak perlu normal, tidak perlu parameter.
• Menangkap fat tail, skewness, dan cluster volatilitas yang ada di data.
• Intuitif: “inilah yang benar-benar terjadi di 5% hari terburuk.”

Kelemahan:

• Sangat tergantung kualitas sampel. Bila jendela historis tidak mengandung krisis, VaR historis akan terlalu rendah — pro-cyclical: di pasar tenang, VaR turun, mendorong investor ambil risiko lebih besar, tepat saat risiko sesungguhnya terakumulasi.
• Butuh data banyak. Untuk α = 99% yang stabil, idealnya ≥ 250 obs (1 tahun) — 100 obs seperti contoh kita masih mengandung estimasi yang berisik.
• Asumsi implisit “masa depan = distribusi masa lalu” — sama beraninya dengan asumsi normal, hanya saja berbeda bentuk.

Metode 2: Parametrik (Variance-Covariance) — Cepat, Elegan, Rapuh

Metode parametrik (juga disebut variance-covariance atau analytical) mengasumsikan bahwa return berdistribusi normal. Bila asumsi ini berlaku, VaR bisa dihitung dengan rumus tertutup super-cepat — tidak perlu simulasi, tidak perlu ribuan data. Cukup dua angka: mean $\mu$ dan standar deviasi $\sigma$.

Rumus

$$\boxed{\;\text{VaR}_\alpha^{\text{param}} = -\bigl(\mu + z_{1-\alpha}\,\sigma\bigr)\;}$$

dengan $z_{1-\alpha} = \Phi^{-1}(1-\alpha)$ invers CDF normal standar. Untuk α = 95%: $z_{0{,}05} = -1{,}645$. Untuk α = 99%: $z_{0{,}01} = -2{,}326$. Di Excel:

=NORM.S.INV(1-α)            'z-score kuantil kiri (negatif)
=-(μ + z*σ)                 'VaR% (positif = besar kerugian)

Hati-hati konvensi tanda. Banyak yang salah memakai NORM.S.INV(α) (yang menghasilkan z positif, kuantil kanan). Yang benar untuk VaR adalah kuantil kiri NORM.S.INV(1-α) — negatif — karena kita mencari ambang batas kerugian. Minus di depan lalu mengonversi ke angka positif (besar kerugian).

Contoh hitung: α = 95%

Substitusi $\mu = -0{,}13\%$, $\sigma = 1{,}43\%$, $z_{0{,}05} = -1{,}645$:

$$\text{VaR}_{95\%}^{\text{param}} = -\bigl(-0{,}0013 + (-1{,}645)(0{,}0143)\bigr) = -(-0{,}0248) = 2{,}48\%$$

VaR 95% parametrik = 2,48% → Rp 24,8 juta. (Catat: agak lebih besar dari historical 2,23% — di α = 95% kedua metode mirip.)

Contoh hitung: α = 99%

$$\text{VaR}_{99\%}^{\text{param}} = -\bigl(-0{,}0013 + (-2{,}326)(0{,}0143)\bigr) = 3{,}45\% \;\to\; \text{Rp 34,5 juta}$$

Di sinilah letak perbedaan dramatis: VaR 99% parametrik (3,45%) jauh lebih kecil dari VaR 99% historis (4,88%). Mengapa? Karena distribusi normal meremehkan probabilitas hari ekstrem. Saat pasar benar-benar jatuh (-5,81% di sampel kita, atau -8% sampai -10% saat krisis Maret 2020), distribusi normal mengira itu mustahil terjadi — padahal BEI sudah membuktikan sebaliknya. Inilah kelemahan paling mematikan metode parametrik.

Kapan parametrik aman dipakai

Metode parametrik cepat dan elegan — tetapi aman hanya bila return benar-benar mendekati normal. Itu berlaku untuk:

• Portofolio besar dan likuid yang sudah terdiversifikasi (mis. indeks pasar agregat).
• Horizon sangat pendek (intraday), di mana fluktuasi cenderung simetris.
• Aset pendapatan tetap dengan durasi pendek.

Untuk ekuitas tunggal, portofolio konsentrasi tinggi, atau pasar emerging seperti BEI dengan fat tail yang jelas — parametrik berbahaya. Ia akan melaporkan VaR yang terlalu kecil, memberi ilusi keamanan, tepat saat risiko sedang terkonsentrasi.

Metode 3: Monte Carlo — Fleksibilitas dengan Harga Komputasi

Monte Carlo simulation adalah metode paling fleksibel. Alih-alih mempercayai data historis apa adanya (historical) atau memaksa asumsi normal sederhana (parametrik), Monte Carlo membangun dunia sintetis ribuan skenario return berdasarkan model statistik yang kita pilih, lalu mengambil kuantil dari distribusi hasil.

Cara kerja

1. Pilih model distribusi return — mis. Normal($\mu$, $\sigma$), atau (lebih realistis untuk BEI) distribusi t yang ber-ekor gemuk, atau model GARCH yang menangkap cluster volatilitas.
2. Generate ribuan skenario return dengan menarik sampel acak dari distribusi tersebut. Setiap skenario = satu kemungkinan “hari besok”.
3. Ambil kuantil $(1-\alpha)$ dari ribuan skenario itu. Itulah VaR.

Rumus inti di Excel — untuk setiap skenario, tarik satu sampel dari Normal:

=NORM.INV(RAND(); μ; σ)     'satu skenario return

Ulangi $N$ kali (mis. 1000), lalu:

=PERCENTILE.INC(range_simulasi; 1-α)

Contoh: 1000 simulasi Normal

Di sheet MONTE_CARLO Excel companion, kita generate 1000 skenario dari Normal($\mu = -0{,}13\%$, $\sigma = 1{,}43\%$). Karena asumsinya identik dengan parametrik (sama-sama Normal), VaR Monte Carlo akan sangat dekat dengan VaR parametrik — biasanya dalam ±0,3% karena sampling noise. Inilah konfirmasi internal: bila kedua metode cocok, implementasi Anda benar. Tekan F9 di Excel untuk re-sample dan lihat VaR sedikit berfluktuasi.

Kekuatan sejati Monte Carlo: fleksibilitas model

Monte Carlo baru bersinar ketika kita meninggalkan asumsi normal. Beberapa kemampuan yang tidak dimiliki dua metode lain:

• Distribusi t (Student-t) — ekor lebih gemuk dari normal. Cocok untuk BEI. Cukup ganti NORM.INV dengan T.INV(RAND(); df) dengan derajat bebas rendah (mis. df=5) untuk menangkap fat tail. VaR 99% akan melonjak mendekati historical.
• Path-dependent — VaR untuk obligasi dengan opsi tertanam, atau portofolio dengan instrumen turunan, tidak bisa dihitung parametrik. Monte Carlo mensimulasikan lintasan harga (bukan sekadar return) selama H hari, lalu mengevaluasi nilai akhir.
• Model volatilitas dinamis — pasangkan dengan GARCH untuk mensimulasikan cluster volatilitas: hari setelah shock cenderung ikut bergejolak.

Trade-off

Monte Carlo paling kuat, tetapi paling mahal secara komputasi dan paling rentan terhadap model risk — bila model distribusi yang Anda pilih salah, ribuan skenario akan dengan yakin menghasilkan jawaban yang salah. “Garbage in, garbage out” — diperkuat ribuan kali.

Komparasi tiga metode: ringkasan trade-off

Expected Shortfall (CVaR) — Apa yang Terjadi Saat VaR Dilampaui

VaR diam tentang besarnya kerugian di ekor. Expected Shortfall (ES, atau Conditional VaR, CVaR) menjawab pertanyaan itu: berapa rata-rata kerugian saat kerugian melampaui VaR?

$$\text{ES}_\alpha = -\mathbb{E}\bigl[R \mid R \leq F_R^{-1}(1-\alpha)\bigr]$$

Untuk historical, ES empiris = rata-rata semua return ≤ kuantil. Di Excel:

=AVERAGEIF(range_return; "<=" & kuantil)

Untuk parametrik normal, ada rumus tertutup elegan:

$$\text{ES}_\alpha^{\text{normal}} = -\mu + \sigma \cdot \frac{\phi(z_{1-\alpha})}{1-\alpha}$$

dengan $\phi(z)$ fungsi densitas probabilitas (PDF) normal standar. Di Excel: =NORM.S.DIST(z; FALSE) menghasilkan $\phi(z)$. Suku $\phi(z)/(1-\alpha)$ adalah rasio densitas terhadap probabilitas ekor — semakin dalam kita masuk ke ekor (α tinggi), semakin besar ES relatif terhadap VaR.

Sifat penting: ES selalu $\geq$ VaR. Untuk α = 95% dengan asumsi normal, ES sekitar 1,25 × VaR; pada α = 99%, sekitar 1,15 × VaR (secara absolut ES lebih besar, tapi rasio ES/VaR menurun karena keduanya sama-sama menjauh ke ekor). ES adalah sub-additive (artinya ES portofolio $\leq$ jumlah ES sub-portofolio — sifat konsisten dengan diversifikasi), sedangkan VaR tidak selalu sub-additive — ini alasan matematis mengapa Basel III beralih dari VaR ke ES untuk perhitungan modal.

Aturan Akar Waktu — Menskalakan VaR 1-Hari ke Horizon Lebih Panjang

Sering kita punya VaR 1-hari tetapi butuh VaR 10-hari (standar Basel untuk capital). Bila return harian saling bebas dan berdistribusi identik (iid), varians kumulatif $H$ hari = $H \times$ varians 1 hari, sehingga standar deviasi berskala $\sqrt{H}$:

$$\boxed{\;\text{VaR}_H = \text{VaR}_1 \times \sqrt{H}\;}$$

Untuk $H = 10$ hari: pengali $\sqrt{10} \approx 3{,}16$. Jadi VaR 10-hari = 3,16 × VaR 1-hari. Di Excel:

=VaR_1% * SQRT(H)

Asumsi yang tersembunyi (dan berbahaya)

Aturan akar waktu asumsikan return iid — tidak ada autokorelasi, tidak ada cluster volatilitas. Kenyataannya:

• Cluster volatilitas — hari bergejolak cenderung diikuti hari bergejolak. Akar waktu meremehkan VaR multi-hari saat pasar sedang bergolak.
• Mean reversion jangka panjang — di horizon sangat panjang (bulan/tahun), return cenderung kembali ke rata-rata fundamental. Akar waktu bisa melebih-lebihkan VaR.
• Liquidity horizon — instrumen illiquid tidak bisa di-liquidate dalam 1 hari; holding period efektifnya lebih panjang. Basel menetapkan likuiditas-horizon berbeda per kelas aset (10 hari untuk ekuitas likuid, lebih lama untuk kredit illiquid).

Sebagai aturan praktis: aturan akar waktu aman untuk $H \leq 10$ pada instrumen likuid. Untuk horizon lebih panjang atau instrumen illiquid, jalankan ulang VaR pada data return $H$-harian langsung (mis. return mingguan untuk VaR mingguan).

Backtesting — Apakah Model VaR Anda Bisa Dipercaya?

VaR adalah prediksi probabilistik. Untuk menguji apakah angkanya bisa dipercaya, kita membandingkannya dengan realitas — hitung berapa kali kerugian aktual melampaui VaR selama jendela backtest, lalu uji apakah jumlah pelanggaran konsisten dengan confidence level yang diklaim.

Definisi pelanggaran (exception)

Pelanggaran terjadi saat return aktual lebih buruk dari $-\text{VaR}$:

$$\text{Pelanggaran}_t = \begin{cases} 1 & \text{bila } R_t < -\text{VaR}_t \\ 0 & \text{bila tidak} \end{cases}$$

Pada α = 95%, kita berharap sekitar 5% pelanggaran: 5 dari 100 hari, atau 12-13 dari 250 hari. Bila pelanggaran jauh lebih banyak → model VaR terlalu optimis (meremehkan risiko). Bila jauh lebih sedikit (mis. 0 pelanggaran) → model terlalu konservatif — bukan berarti bagus, karena modal terikat berlebihan.

Uji Kupiec POF (Proportion of Failures)

Uji Kupiec (1995) membandingkan rasio pelanggaran observasi $\hat\pi = X/T$ dengan ekspektasi $p = 1-\alpha$, dengan likelihood ratio:

$$LR_{\text{POF}} = -2\ln\left[\frac{(1-\hat\pi)^{T-X}\,\hat\pi^X}{(1-p)^{T-X}\,p^X}\right]$$

$LR_{\text{POF}}$ berdistribusi $\chi^2$ dengan df=1. H0: model VaR akurat ($\hat\pi = p$). Tolak H0 bila $LR > 3{,}841$ (nilai kritis $\chi^2_{1,\,0{,}95}$). Di Excel companion (sheet BACKTESTING):

=CHISQ.INV(0.95; 1)              'nilai kritis 3,841
=CHISQ.DIST.RT(LR; 1)            'p-value

Contoh: backtest VaR 95% parametrik di sampel kita

Pada sampel 100 hari dengan VaR 95% parametrik (2,48%), pelanggaran observasi = 3 hari (return aktual < -2,48% di tiga hari). Ekspektasi = 5. Apakah 3 berbeda signifikan dari 5? Hitung $LR_{\text{POF}}$:

• $\hat\pi = 3/100 = 0{,}03$, $p = 0{,}05$, $T = 100$, $X = 3$.
• $LR \approx 1{,}12$, jauh di bawah 3,841. p-value ≈ 0,29.

Hasil: PASS — kita tidak punya bukti statistik bahwa model salah. 3 pelanggaran masih dalam rentang yang wajar untuk α = 95%. (Bahkan 3 agak rendah, tapi sampel kecil — kekuatan uji terbatas.)

Zona lampu Basel

Regulator Basel (BCBS) memetakan jumlah pelanggaran per tahun (250 hari, α = 99%) ke tiga zona dengan konsekuensi berbeda:

Di Excel companion, sheet BACKTESTING menerapkan logika zona ini (diskrit untuk sampel kecil). Catat bahwa cutoff standar Basel asli memakai basis 250 hari dan α = 99% — sampel kita 100 hari dengan α = 95% hanya ilustrasi.

Keterbatasan uji Kupiec

Uji Kupiec adalah uji unconditional — ia hanya cek jumlah pelanggaran, bukan pola waktunya. Bayangkan model yang menghasilkan 0 pelanggaran selama 2 tahun, lalu 10 pelanggaran beruntun saat krisis. Totalnya mungkin masih “5%” sehingga Kupiec PASS — tetapi model jelas bermasalah karena pelanggaran menggerombol (tidak independen). Untuk menangkap ini, gunakan uji Christoffersen independence test (1998), yang menguji apakah pelanggaran terjadi acak atau bercluster. Uji lanjutan lain: uji conditional coverage (gabungan Kupiec + Christoffersen). Untuk sampel kecil (T < 250), kekuatan semua uji terbatas — gunakan minimal 1 tahun data (250 obs) untuk backtest regulator yang valid.

Bereksperimen Sendiri

Workbook Excel pendamping artikel ini adalah kalkulator 7-sheet komparasi tiga metode dengan rumus hidup penuh — ubah satu sel input (nilai portofolio, confidence level, holding period, atau angka data return di DATA_HISTORIS), dan seluruh model menghitung ulang termasuk VaR ketiga metode, Expected Shortfall, dan hasil backtesting. Lembar-lembarnya:

• PETUNJUK — cara pakai, konvensi warna (biru = input, hitam = rumus, kuning = output kunci, oranye = hasil penting), definisi VaR, dan rumus hidup utama.
• DATA_HISTORIS — 100 obs return harian portofolio + input nilai Rp 1M, α, holding period. Statistik μ & σ (terhitung via AVERAGE, STDEV.S) menjadi sumber untuk parametrik & Monte Carlo.
• PARAMETRIK — VaR variance-covariance via NORM.S.INV(1-α) dan -(μ + z·σ). Termasuk Expected Shortfall tertutup NORM.S.DIST(z; FALSE)/(1-α). VaR 1-hari dan H-hari.
• HISTORICAL — VaR empiris via PERCENTILE.INC(range; 1-α). ES empiris via AVERAGEIF. Bebas asumsi distribusi.
• MONTE_CARLO — 1000 skenario return via NORM.INV(RAND(); μ; σ) lalu kuantil via PERCENTILE.INC. Tekan F9 untuk re-sampling (RAND volatile).
• BACKTESTING — hitung pelanggaran (COUNTIF), uji Kupiec POF (CHISQ.DIST.RT), zona lampu Basel (HIJAU/KUNING/MERAH via IF bertingkat). Pilih metode VaR mana yang di-backtest.
• KOMPARASI — tabel VaR% dan VaR Rp ketiga metode pada α = 90% / 95% / 99%, plus grafik batang komparasi dan grafik distribusi return terurut (ekor kiri = area VaR).

Beberapa eksperimen yang instruktif:

1. Ganti α dari 95% ke 99% di DATA_HISTORIS (C6). Lihat bagaimana VaR 99% historis (4,88%) di KOMPARASI melonjak jauh melebihi parametrik (3,45%) — itulah fat tail bekerja. Sekarang bandingkan VaR 90%: ketiga metode hampir identik.
2. Ubah holding period H dari 1 ke 10 (C7). Semua VaR H-hari naik faktor $\sqrt{10} \approx 3{,}16$ via aturan akar waktu. VaR 10-hari 95% parametrik = 2,48% × 3,16 ≈ 7,8% ≈ Rp 78 juta.
3. Ganti =PARAMETRIK!C13 di BACKTESTING C10 menjadi =HISTORICAL!C10. Jalankan ulang uji Kupiec untuk metode historical — bandingkan jumlah pelanggaran.
4. Ubah salah satu data return di DATA_HISTORIS D11:D110 menjadi -10% (simulasi krisis). Lihat bagaimana VaR historis merespons tajam (menangkap shock baru), sementara VaR parametrik hanya naik sedang melalui μ dan σ.
5. Di MONTE_CARLO, ganti NORM.INV(RAND(); μ; σ) menjadi T.INV(RAND(); 5)*σ + μ (distribusi t df=5, ekor gemuk). VaR 99% Monte Carlo akan naik mendekati historical — mensimulasikan fat tail secara eksplisit.

Konteks Indonesia: VaR di BEI dan Regulasi OJK

Pelajaran VaR menjadi hidup dalam ekosistem keuangan Indonesia:

Karakteristik BEI: fat tail yang konstan

Bursa Efek Indonesia adalah pasar emerging dengan fat tail persisten. Krisis 2008, taper tantrum 2013, pelemahan rupiah 2018, dan pandemi Maret 2020 (IHSG anjlok -39% dalam sebulan) — semuanya menghasilkan return harian ekstrem yang jauh melampaui prediksi distribusi normal. Implikasi praktis: metode parametrik berbahaya untuk ekuitas BEI. Manajer risiko Indonesia cenderung memakai historical simulation, atau Monte Carlo dengan distribusi t / GARCH, agar model mempedulikan ekor. VaR parametrik, bila dipakai, harus disertai “padding” manual (mis. kalikan 1,3×) sebagai pengakuan implisit bahwa ekor lebih gemuk dari normal.

Regulasi OJK dan permodalan bank

OJK mengadopsi kerangka Basel untuk perhitungan kebutuhan modal bank (surat OJK tentang Manajemen Risiko Pasar). Bank-bank kategori besar (BUKUBUK 3-4) memakai model VaR internal dengan backtesting wajib ke OJK. Standar: VaR 10-hari, α = 99%, dengan zona lampu Basel. Bila bank masuk zona merah (≥10 pelanggaran setahun), OJK dapat memaksa peningkatan multiplier modal dan revisi model. Inilah mengapa tim risk management bank besar (BCA, Mandiri, BRI) menjalankan backtesting harian dan melaporkannya ke dewan komisaris setiap bulan.

Treasury korporat dan manajemen kas

Perusahaan dengan kas besar (mis. Astra, Semen, telco) memakai VaR sederhana untuk penempatan kas di instrumen pasar uang dan obligasi. Untuk portofolio pendapatan tetap jangka pendek, asumsi normal cukup aman — sehingga metode parametrik populer di treasury korporat. VaR harian menjadi angka “tidak tidur” yang dilaporkan ke CFO setiap pagi.

DPLK dan reksa dana: batas risiko

Dana Pensiun Lembaga Keuangan (DPLK) dan reksa dana terikat regulasi tentang alokasi aset per kelas risiko. VaR dipakai internal sebagai metrik risiko agregat untuk memastikan eksposur tidak melebihi profil risiko nasabah (konservatif/moderat/agresif). Robo-advisor (Bibit, Bareksa) memakai varian VaR yang disederhanakan untuk menampilkan “potensi kerugian maksimum 1 bulan” ke pengguna ritel — translasi VaR ke bahasa awam.

Pasar obligasi SUN dan VaR suku bunga

Untuk portofolio Surat Utang Negara (SUN), VaR mengikuti pergerakan yield. Karena yield SUN bergerak relatif tenang dibanding ekuitas (kecuali saat flight to safety atau krisis), VaR SUN jauh lebih kecil per unit nilai. Namun durasi memperbesar sensitivitas — VaR obligasi 10-tahun jauh lebih besar dari VaR obligasi 1-tahun untuk perubahan yield yang sama. Untuk VaR portofolio obligasi yang akurat, diperlukan model duration-convexity atau simulasi pergerakan kurva yield — lihat kalkulator duration & convexity di situs ini.

Rumus di Excel

Statistik dasar (input semua metode):
=AVERAGE(range_return)           'mean harian μ
=STDEV.S(range_return)           'std harian σ
=COUNT(range_return)             'jumlah observasi T

VaR PARAMETRIK (asumsi normal):
=NORM.S.INV(1-α)                 'z-score kuantil kiri (negatif). Mis. α=95% → -1,645
=-(μ + z*σ)                      'VaR% (positif = besar kerugian)
=VaR% * nilai_portofolio         'VaR Rp

VaR HISTORICAL (empiris):
=PERCENTILE.INC(range_return; 1-α)   'kuantil kiri empiris (negatif)
=-kuantil                           'VaR% positif

VaR MONTE CARLO (simulasi):
=NORM.INV(RAND(); μ; σ)              '1 skenario return (ulang N kali)
=PERCENTILE.INC(range_simulasi; 1-α) 'kuantil kiri dari N skenario

Expected Shortfall parametrik (normal):
=-μ + σ * NORM.S.DIST(z; FALSE) / (1-α)

Expected Shortfall empiris (historical):
=-AVERAGEIF(range_return; "<=" & kuantil)

Skala waktu (asumsi iid):
=VaR_1 * SQRT(H)                     'VaR H-hari

Backtesting:
=COUNTIF(range_return; "<" & -VaR%)  'jumlah pelanggaran X
LR_POF = -2*LN( (1-X/T)^(T-X)*(X/T)^X / ((1-p)^(T-X)*p^X) )   'p = 1-α
=CHISQ.INV(0,95; 1)                  'nilai kritis χ² df=1 = 3,841
=CHISQ.DIST.RT(LR; 1)                'p-value

Cek Pemahaman

1. Portofolio Rp 500 juta memiliki return harian dengan $\mu = 0{,}02\%$ dan $\sigma = 1{,}5\%$. Hitung VaR 1-hari pada α = 95% dengan metode parametrik, dalam persen dan rupiah. Berapa VaR 10-harinya (aturan akar waktu)?

Lihat jawaban

$z_{0{,}05} = \Phi^{-1}(0{,}05) = -1{,}645$.

$$\text{VaR}_{95\%} = -\bigl(0{,}0002 + (-1{,}645)(0{,}015)\bigr) = -(-0{,}02448) = 2{,}45\%$$

VaR Rp = 2,45% × Rp 500 jt = Rp 12,24 juta.

VaR 10-hari = 2,45% × $\sqrt{10}$ = 2,45% × 3,162 = 7,75% → Rp 38,7 juta.

(Catat: mean kecil hampir tidak memengaruhi VaR — $\mu$ kalah signifikan dibanding $z \cdot \sigma$. Inilah mengapa banyak praktisi menyederhanakan VaR parametrik menjadi $\text{VaR} \approx -z \cdot \sigma$, mengabaikan drift, untuk horizon pendek.)

2. (transfer) Seorang manajer risiko bank mengklaim model VaR 99%-nya “sangat akurat” karena selama setahun (250 hari) hanya ada 0 pelanggaran. Menurut kerangka Basel, apa masalah dengan klaim ini?

Lihat jawaban

Dua masalah:

1. 0 pelanggaran bisa berarti model terlalu konservatif, bukan akurat. Ekspektasi pada α = 99%, T = 250 adalah 2,5 pelanggaran. Nol pelanggaran secara statistik masih dalam zona hijau Basel (0–4), tetapi menunjukkan model meremehkan probabilitas peristiwa normal — kemungkinan dengan sengaja menyetel VaR terlalu tinggi agar “aman”. Konsekuensi: modal terikat berlebihan (mahal), atau manajer mengklaim “akurasi” padahal model tidak diskriminatif. Beberapa regulator justru curiga pada 0 pelanggaran sebagai tanda model over-fitted atau VaR di-inflate artifisial.

2. Kupiec POF untuk 0 pelanggaran: rumus LR mengandung $\ln(\hat\pi)$ dengan $\hat\pi = 0$ → tak terdefinisi. Implementasi Excel companion memakai penjaga IF(X=0, ...) khusus. Hasilnya LR rendah (PASS), tetapi ini mencerminkan kelemahan uji Kupiec yang tidak bisa membedakan “terlalu konservatif” dari “sempurna”. Untuk itu digunakan uji tambahan dan penalaran bisnis.

Lebih umum: model VaR yang baik harus menghasilkan pelanggaran mendekati ekspektasi (2-3 per tahun pada α=99%), bukan nol. Terlalu sedikit pelanggaran = modal mahal; terlalu banyak = risiko tidak tertangkap. Keduanya buruk.

3. Pada sampel portofolio BEI di artikel, VaR 99% historical (4,88%) jauh lebih besar dari VaR 99% parametrik (3,45%), padahal VaR 95% keduanya hampir sama (2,23% vs 2,48%). Jelaskan mengapa perbedaan baru muncul di α = 99%, dan apa implikasinya untuk pilihan metode.

Lihat jawaban

Mengapa baru di α = 99%: Distribusi return yang fat tail (ekor gemuk) berbeda dari distribusi normal terutama di ekor sangat dalam (kuantil 1% dan di bawahnya). Pada kuantil 5% (α = 95%), kedua distribusi (empiris dan normal) masih relatif berdekatan karena area itu tidak terlalu jauh dari pusat. Tetapi pada kuantil 1% (α = 99%), ekor gemuk menyebabkan observasi ekstrem yang tidak dimiliki distribusi normal — dua hari merah -5,81% dan -4,87% di sampel kita murni adalah “milik” historical. Distribusi normal, dengan ekor yang menipis cepat, memprediksi observasi seperti itu mustahil; karenanya kuantil 1%-nya kurang dalam.

Implikasi: Untuk α = 95% pada BEI, metode parametrik “cukup” (kesalahan kecil). Tetapi untuk α = 99% dan lebih tinggi — yang justru relevan untuk modal regulator dan manajemen krisis — parametrik berbahaya meremehkan risiko. Pilih historical (apa adanya) atau Monte Carlo dengan distribusi t (mensimulasikan fat tail). Aturan praktis: bila VaR historical 99% > 1,3 × VaR parametrik 99%, asumsi normal ditolak — fat tail cukup serius untuk berganti metode. Di sampel kita rasio 4,88/3,45 = 1,41 — di atas ambang.

Kesalahan Umum

Memakai NORM.S.INV(α) alih-alih NORM.S.INV(1-α). Ini kesalahan tanda paling sering. NORM.S.INV(0,95) = +1,645 (kuantil kanan, area keuntungan), sedangkan VaR butuh kuantil kiri (area kerugian) = NORM.S.INV(0,05) = -1,645. Konsekuensi: VaR dilaporkan dengan tanda atau magnitudo salah. Selalu tulis NORM.S.INV(1-α) dan ingat: z harus negatif untuk kerugian.

Menganggap VaR = kerugian maksimum absolut. VaR 95% = Rp 25 juta bukan berarti “tidak mungkin rugi lebih dari Rp 25 juta”. Di 5% hari terburuk, kerugian bisa jauh lebih besar. VaR diam tentang ekor; gunakan Expected Shortfall bila besarnya kerugian ekstrem penting (mis. untuk modal).

Memakai metode parametrik untuk ekuitas tunggal atau pasar emerging. Distribusi normal adalah ilusi untuk return saham individual dan pasar seperti BEI. Fat tail, skewness negatif (lebih banyak hari merah besar daripada hari hijau besar), dan cluster volatilitas — semuanya dilanggar. Parametrik akan melaporkan VaR terlalu kecil, memberi ilusi keamanan tepat saat risiko sedang terakumulasi. Wajib historical atau Monte Carlo ber-distribusi t untuk aset berisiko.

Backtest dengan sampel terlalu kecil. Uji Kupiec pada T = 100 obs punya kekuatan statistik rendah — ia PASS bahkan untuk model yang sebenarnya salah. Standar regulator (Basel) memakai T = 250 (1 tahun) minimum, idealnya multi-tahun untuk menangkap siklus penuh. Selalu laporkan VaR bersama jumlah observasi backtest, bukan hanya angka pelanggaran.

Mengabaikan cluster volatilitas. Bila 5 pelanggaran terjadi berdekatan (mis. semua saat krisis Maret 2020), totalnya mungkin PASS uji Kupiec tetapi model jelas bermasalah — pelanggaran tidak independen. Gunakan uji Christoffersen independence selain Kupiec, dan periksa visual sebaran pelanggaran dalam waktu.

Menskalakan VaR dengan √H tanpa berpikir. Aturan akar waktu mengasumsikan return iid. Pada instrumen illiquid, dengan autocorrelation, atau cluster volatilitas, √H meremehkan VaR multi-hari. Untuk horizon panjang, jalankan ulang VaR pada data return H-harian langsung, jangan asal kalikan akar.

Melaporkan VaR tanpa confidence level dan holding period. “VaR Rp 25 juta” tanpa konteks adalah omong kosong — bisa berarti apa saja. Selalu spesifikkan: “VaR 1-hari, 95% confidence, Rp 25 juta.” Tiga komponen (nilai, α, H) wajib bersama.

Dipakai di Dunia Nyata

• Permodalan bank (Basel III / OJK). Bank besar menghitung VaR harian portofolio perdagangan untuk menentukan kebutuhan modal pasar. Standar: VaR 10-hari α = 99%, dikalikan multiplier (3 untuk zona hijau, hingga 4 untuk merah). Backtesting wajib bulanan ke regulator. Pasca Basel III (2019), VaR untuk modal digantikan Expected Shortfall, tetapi VaR tetap dipakai untuk pelaporan internal dan limit.
• Manajemen risiko treasury korporat. Perusahaan dengan kas besar memakai VaR harian portofolio investasi kas (deposito, SUN, instrumen pasar uang) untuk memastikan eksposur risiko pasar dalam batas yang ditetapkan komite risiko. Limit VaR per counterparty, per sektor, per tenor.
• Reksa dana dan DPLK (profil risiko). Manajer investasi memakai VaR untuk memvalidasi bahwa profil risiko portofolio konsisten dengan mandat (konservatif/moderat/agresif). Robo-advisor menampilkan terjemahan VaR (mis. “potensi rugi 1 bulan”) ke pengguna ritel sebagai bagian dari edukasi risiko.
• Hedge fund dan desk perdagangan propietary. Trader memakai VaR harian untuk mengontrol ukuran posisi — limit VaR per trader, per strategi, per desk. Bila posisi mendekati limit VaR, eksekusi baru diblokir sampai eksposur turun.
• Asuransi dan manajemen aset liability (ALM). Perusahaan asuransi memakai VaR (dan varian long-horizon) untuk menguji kecukupan cadangan terhadap skenario pasar buruk. VaR agregat lintas aset (saham + obligasi + properti) menentukan kebutuhan modal solvensi.
• Komoditas dan forex treasury. Emiten dengan eksposur valas besar (mis. importator, eksportator, perusahaan komoditas) memakai VaR harian posisi forex untuk mengukur risiko kurs dan menentukan kebutuhan hedging.

Catatan: Asumsi dan Keterbatasan VaR

VaR, seperti model risiko apa pun, berdiri di atas asumsi yang penting dipahami:

• Distribusi return stabil. Seluruh kerangka mengasumsikan distribusi masa lalu berlanjut ke masa depan. Kenyataannya, distribusi bergeser — volatilitas naik-turun, korelasi berubah saat krisis, regime pasar berganti. VaR yang akurat pada 2019 bisa gagal pada Maret 2020.
• Likuiditas. VaR mengasumsikan Anda bisa keluar dari posisi pada harga pasar. Bila pasar macet (illiquid), kerugian riil bisa jauh melebihi VaR. Ini diatasi sebagian oleh liquidity-adjusted VaR (LVaR) yang menambah premium likuiditas.
• Asumsi iid untuk √H. Aturan akar waktu runtuh bila return berkorelasi serial (cluster volatilitas) atau ada mean reversion.
• Bukan sub-additive (VaR). VaR portofolio bisa lebih besar dari jumlah VaR sub-portofolio — melanggar intuisi diversifikasi. ES sub-additive; ini alasan matematis Basel III beralih ke ES.
• Pro-cyclicality. VaR historis turun saat pasar tenang (volatilitas rendah), mendorong investor ambil risiko lebih besar — memperkuat siklus. Regulator menyadari ini dan menambahkan stress VaR serta buffer kontra-siklikal.

Pengembangan: Filtered historical simulation (menggabungkan GARCH dengan historical), Copula-based VaR (untuk dependensi non-linear antar aset), dan FRTB (Fundamental Review of the Trading Book) Basel yang mengganti VaR dengan Expected Shortfall plus modul risiko terstruktur. Tapi VaR tetap bahasa universal manajemen risiko — semua pengembangan adalah koreksi, bukan pengganti.

Lanjutan

VaR menjawab “berapa rugi maksimum pada α%” — sekarang mari gabungkan dengan kerangka lain untuk keputusan investasi yang utuh:

• Teori Portofolio Modern — VaR mengukur risiko agregat portofolio; MPT menjelaskan mengapa diversifikasi menurunkan σ (dan dengan demikian VaR). Matriks kovarians yang dipakai MPT adalah bahan baku VaR parametrik multi-aset.
• Option Pricing — Black-Scholes — opsi bisa dipakai untuk hedge VaR: beli put untuk memotong ekor kiri. Black-Scholes memberi harga asuransi semacam itu; VaR mengukur berapa besar eksposur yang perlu diasuransikan.
• CAPM dan Cost of Equity — beta mengukur risiko sistematis relatif pasar; VaR mengukur risiko total (sistematis + tidak sistematis) dalam unit rupiah. Untuk portofolio terdiversifikasi penuh, keduanya konvergen.
• Sensitivity & Scenario Analysis — VaR adalah analisis probabilistik; scenario analysis adalah analisis deterministik (“apa yang terjadi bila yield naik 200 bp”). Keduanya komplementer: VaR untuk modal, scenario untuk stress test krisis spesifik.