RPS minggu 2 · 2x50 menit
Dasar Statistika untuk Risiko Permodelan Risiko — Magister Manajemen FEB UNDIP Hari ini kita memasuki bahasa formal permodelanan risiko: statistika. Di P1 kita sudah sepakat bahwa risiko adalah distribusi probabilitas. Pertanyaannya, bagaimana kita menggambarkan distribusi itu secara matematis? Jawabannya: lewat momen-momen statistik — mean, varians, skewness, kurtosis — dan lewat bentuk ekor. Anda sudah mengenal konsep ini di S1, tetapi di sini kita akan memakainya sebagai alat diagnostik: distribusi return saham kita sebenarnya normal atau fat tail? Pertanyaan ini bukan akademis — jawabannya menentukan apakah VaR yang Anda hitung underestimated atau tidak. Kita akan sering memakai data IHSG dan saham LQ45 sebagai jangkar diskusi agar konsep terasa konkret. Peta Pembelajaran Hari Ini Sub-CPMK 2: menjelaskan konsep statistik dasar yang mendasari model risiko. Empat indikator capaian yang harus Anda kuasai.
Distribusi probabilitas: PDF/PMF, ekspektasi sebagai rata-rata tertimbang Tiga momen pertama: mean, varians, skewness Hitung dari nol: ekspektasi & varians return IHGB bulanan Varians vs semi-deviasi; skewness & kurtosis Fat tail: normal vs t-Student vs Pareto; aturan Chebyshev Konteks IHSG 2008 & 2020; persiapan P3 (ukuran risiko konkret) Posisi dalam alur 14 pertemuan: P1 meletakkan taksonomi; P2 menyoroti statistika; P3 memakainya untuk ukuran risiko; P4 membangun VaR.
Mari kita petakan empat hal yang harus Anda kuasai. Pertama, definisi distribusi probabilitas dan ekspektasi sebagai operator matematika. Kedua, perbedaan distribusi normal dari fat tail lewat kurtosis. Ketiga, kemampuan menghitung probabilitas ekor dari data. Keempat, implikasi fat tail bagi cadangan modal. Kalau di akhir kuliah Anda bisa menjelaskan mengapa kurtosis return saham yang empiris sekitar 7-9 (jauh di atas 3 normal) membuat VaR parametrik normal underestimate, Anda sudah menguasai inti hari ini. Mengapa Statistika Adalah Bahasa Risiko Tanpa distribusi, kita hanya bisa berkata "berisiko" atau "tidak berisiko". Dengan distribusi, kita bisa berkata "kerugian melebihi Rp 1 miliar hanya 1% dari hari".
Kurtosis Empiris Return Saham
~7–9
jauh di atas 3 (normal) — ekor jauh lebih tebal (McNeil, dihedge)
Pelanggaran $3\sigma$ (Normal vs Empiris)
~3× lebih sering
empiris ~1-1,5% vs normal 0,3% (data pasar, dihedge)
Pertanyaan pemantik: kalau return saham tidak normal, mengapa begitu banyak model VaR masih memakai asumsi normalitas? Jawabannya: kemudahan komputasi — bukan akurasi.
Saya ingin Anda merasakan secara intuitif mengapa topik hari ini penting. Kurtosis empiris return saham di pasar maju berkisar 7-9 menurut McNeil dan rekan — jauh di atas nilai 3 yang menjadi acuan distribusi normal. Implikasinya, peristiwa yang seharusnya terjadi hanya 0,3 persen waktu menurut asumsi normal (pelanggaran tiga sigma) sebenarnya terjadi sekitar satu sampai satu setengah persen waktu, kira-kira tiga kali lebih sering. Ini bukan perbedaan akademis — ini perbedaan antara cadangan modal yang cukup dan yang habis di krisis. Banyak model VaR parametrik masih memakai asumsi normalitas karena komputasinya cepat dan tertutup (closed form), bukan karena akurat. Sebagai manajer risiko, Anda perlu tahu kapan asumsi ini valid dan kapan harus diganti dengan distribusi fat tail. Bagian 1 · 1/4
Distribusi & Ekspektasi
Diskusi kelas: pada portofolio kredit, apakah "ekspektasi kerugian" dan "kerugian yang paling sering terjadi" selalu sama? Kapan keduanya berbeda?
Blok pertama meletakkan konsep dasar. Pertanyaan diskusi tadi memancing kesadaran bahwa ekspektasi dan modus bisa sangat berbeda pada distribusi skewed — pada portofolio kredit, ekspektasi kerugian positif tetapi modusnya nol karena mayoritas debitur tidak gagal bayar. Inilah mengapa kita perlu distribusi penuh, bukan sekadar rata-rata. Diskusi ini akan menjadi jembatan ke perhitungan expected loss di P9. Distribusi Probabilitas: Massa & Kepadatan Distribusi probabilitas adalah fungsi yang memberi probabilitas pada setiap outcome. Diskrit memakai probability mass function (PMF); kontinu memakai probability density function (PDF). Luas/total = 1.
Domain
Rentang nilai yang mungkin (mis. return [-100%, +∞))
Bentuk
Simetris, miring kiri/kanan, ekor tebal/tipis
Momen
Mean, varians, skewness, kurtosis menggambarkan distribusi
Pilihan distribusi adalah asumsi paling fundamental dalam model risiko — dan paling sering keliru.
Definisi formal distribusi terlihat teknis, tetapi intinya sederhana: distribusi adalah peta yang menghubungkan setiap outcome dengan probabilitasnya. Tiga karakter — domain, bentuk, momen — cukup untuk menggambarkan hampir semua distribusi yang akan kita temui. Untuk return saham kita memakai distribusi kontinu karena rentang nilai nyata; untuk jumlah default debitur kita memakai distribusi diskrit karena berupa bilangan bulat. Pilihan distribusi adalah asumsi paling fundamental: kalau kita asumsikan normal padahal return fat tail, seluruh perhitungan risiko di atasnya akan underestimate. Inilah mengapa P2 begitu krusial — Anda harus mampu mendiagnosis distribusi dari data sebelum memilih model. Coba Sendiri: Distribusi Normal — Mean & σ Interaktif Geser mean dan standar deviasi distribusi normal. Lihat bagaimana probabilitas di ekor kiri (kerugian) berubah — fondasi VaR parametrik yang akan kita dalami di P4.
Widget ini memberi intuisi taktil tentang kurva lonceng yang menjadi asumsi paling dasar VaR parametrik. Distribusi normal ditentukan hanya oleh dua parameter: mean dan standar deviasi. Probabilitas di luar plus minus dua sigma hanya 4,6 persen — di luar plus minus tiga sigma hanya 0,3 persen. Inilah asumsi yang membuat VaR parametrik mudah dihitung tetapi juga berbahaya: bila distribusi aktual fat-tailed, ekor sebenarnya jauh lebih tebal. Kita akan lihat bukti konkret di P4-P5 saat membandingkan dengan distribusi t-Student dan empiris. Ekspektasi sebagai Rata-rata Tertimbang Ekspektasi E[X] adalah pusat massa distribusi — outcome rata-rata yang akan Anda dapatkan jika mengulang berkali-kali.
Distribusi Formula E[X] Catatan Diskrit $\sum_i x_i \cdot P(x_i)$ Jumlah nilai tertimbang probabilitas Kontinu $\int x \cdot f(x)\, dx$ Integral nilai tertimbang densitas Empiris $\bar{x} = \tfrac{1}{n} \sum_i x_i$ Rata-rata sampel — estimator default Expected Loss $\text{EL} = \text{PD} \times \text{LGD} \times \text{EAD}$ Aplikasi langsung di risiko kredit
$E[X] = \sum_{i} x_i \cdot P(x_i)$
Ekspektasi adalah operator matematika yang paling sering Anda temui di permodelanan risiko. Untuk distribusi diskrit, itu adalah jumlah nilai tertimbang probabilitas; untuk kontinu, integral tertimbang densitas; untuk data sampel, rata-rata empiris. Yang penting dipahami: ekspektasi adalah pusat distribusi tetapi bukan deskripsi lengkap. Dua distribusi dengan ekspektasi sama bisa berbeda drastis dalam varians dan ekor. Aplikasi paling langsung di kredit adalah expected loss EL = PD x LGD x EAD yang sudah kita lihat di P1 — itu persis ekspektasi kerugian dalam bahasa kredit. Di P3 kita akan melihat bahwa varians, bukan hanya ekspektasi, juga krusial untuk mengukur risiko. Tiga Momen Pertama: Mean, Varians, Skewness MEAN (μ) pusat; momen ke-1 VARIANS (σ²) penyebaran; momen ke-2 SKEWNESS kemiringan; momen ke-3 KURTOSIS ekor tebal; momen ke-4 Empat momen menggambarkan distribusi secara lengkap Dalam praktik, mean dan varians adalah dua momen yang paling sering diestimasi dari data historis.
Empat momen ini menjadi kosa kata dasar untuk mendeskripsikan distribusi. Mean memberi pusat; varians memberi lebar; skewness memberi kemiringan (apakah ekor lebih berat di kiri atau kanan); kurtosis memberi ketebalan ekor. Untuk distribusi normal, skewness nol dan kurtosis tiga. Banyak distribusi finansial punya skewness negatif (ekor kiri lebih berat) dan kurtosis di atas tiga — keduanya penting untuk risiko karena ekor kiri adalah sisi kerugian. Yang sering terlewatkan praktisi pemula: mengestimasi hanya mean dan varians lalu mengasumsikan normalitas tanpa memeriksa skewness dan kurtosis. Pada data return saham, asumsi itu hampir selalu salah. Coba Sendiri: Empat Momen Distribusi Return Geser mean, volatilitas, skewness, dan kurtosis untuk membentuk distribusi sendiri. Lihat bagaimana VaR 5% bergeser saat ekor menebal atau miring.
Widget ini menerjemahkan konsep abstrak empat momen menjadi visual taktil. Distribusi normal (kurtosis nol, skew nol) memberi kurva lonceng standar. Tingkatkan excess kurtosis ke 5 dan Anda akan melihat puncak lebih tinggi sambil ekor menebal — distribusi seperti return saham harian. Tambahkan skewness negatif untuk meniru return op-risk atau kredit di mana ekor kerugian lebih panjang daripada upside. Garis VaR 5% pada kurva menunjukkan ambang kerugian — perhatikan bagaimana ambang ini bergeser lebih dalam (kerugian lebih besar) saat ekor menebal, meski mean tetap. Inilah dasar matematis yang akan kita pakai di P4 saat mendiskusikan kelemahan VaR parametrik. Hitung dari Nol: Ekspektasi & Varians Return IHSG Bulanan Skenario: Berikut 6 return bulanan IHSG (ilustratif, %): +1,2; -0,8; +2,1; +0,5; -1,5; +1,0. Hitung ekspektasi (mean) dan varians sampel.
Langkah Perhitungan Nilai 1. Mean $\bar{x}$ $(1{,}2 - 0{,}8 + 2{,}1 + 0{,}5 - 1{,}5 + 1{,}0) \div 6$ +0,4167% 2. Deviasi kuadrat $\bigl(\sum (x_i - \bar{x})^2\bigr)$ $(0{,}61 + 1{,}48 + 2{,}83 + 0{,}007 + 3{,}67 + 0{,}34)$ ~8,95 %² 3. Varians sampel $\sigma^2$ $8{,}95 \div (6-1)$ ~1,79 %² 4. Std-dev $\sigma$ $\sqrt{1{,}79}$ ~1,34%
Kesimpulan
$\sigma \approx 1{,}34\%$
Std-dev bulanan — jangkar untuk VaR parametrik di P4 (dihedge; angka ilustratif 6 titik)
Mari kita hitung dari nol agar Anda merasakan mekaniknya. Langkah 1 menghitung mean sebagai rata-rata aritmatika enam return — sekitar plus 0,42 persen per bulan. Langkah 2 menjumlahkan deviasi kuadrat dari mean, menghasilkan sekitar 8,95 persen kuadrat. Langkah 3 membagi dengan n minus satu untuk varians sampel — sekitar 1,79 persen kuadrat. Langkah 4 mengakar untuk mendapat std-dev sekitar 1,34 persen per bulan. Angka-angka ini ilustratif dengan hanya enam titik; di praktik nyata kita memakai minimal 60 titik untuk estimasi stabil. Std-dev ini akan menjadi input VaR parametrik di P4: VaR 95 persen satu bulan kira-kira minus 1,65 kali sigma dikalikan nilai portofolio. Bagian 2 · 2/4
Varians, Skewness, Kurtosis
Diskusi kelas: jika dua portofolio punya mean dan varians sama, apakah profil risikonya pasti sama? Mengapa bisa berbeda?
Blok ini menyoroti momen-momen lanjutan. Pertanyaan diskusi tadi menjawab diri sendiri: dua portofolio dengan mean dan varians sama bisa berbeda dalam skewness dan kurtosis, yang menghasilkan profil risiko berbeda — terutama di ekor. Inilah mengapa varians saja tidak cukup, dan mengapa kita perlu semi-deviasi di P3. Varians vs Semi-Varians (Downside) Varians menghitung penyebaran dua arah; semi-varians hanya menghitung penyebaran ke bawah target — lebih sesuai untuk investor risk-averse.
Ukuran Formula Interpretasi Varians $\sigma^2 = \tfrac{1}{n-1}\sum_i (x_i - \bar{x})^2$ Penyebaran simetris di sekitar mean Semi-varians $\sigma^2_D = \tfrac{1}{n}\sum_i \min(x_i - T, 0)^2$ Penyebaran hanya di bawah target T Shortfall prob $P(X < T)$ Probabilitas outcome di bawah target Sortino ratio $\dfrac{r - T}{\sigma_D}$ Return per unit downside risk
Untuk return skewed, varian dapat menyesatkan — upside yang besar menggembungkan varian tanpa menambah risiko.
Pembedaan varian dan semi-varian ini adalah jembatan langsung ke P3. Varian menghitung penyebaran dua arah, termasuk upside — padahal bagi investor risk-averse, upside besar adalah hal baik, bukan risiko. Semi-varian membatasi pada deviasi di bawah target, sehingga lebih sesuai dengan intuisi risiko. Shortfall probability melengkapi dengan probabilitas melanggar target. Sortino ratio adalah versi perbaikan Sharpe ratio yang memakai semi-varian sebagai denominator. Di praktik, semi-varian sering dipakai untuk evaluasi kinerja portofolio yang punya return skewed — misalnya strategi arbitrase yang punya banyak kemenangan kecil dan kerugian besar sesekali. Di P3 kita akan menghitung semi-varian dari data konkret. Skewness: Kemiringan Distribusi Skewness mengukur asimetri distribusi. Return saham tipikal left-skewed: ekor kerugian lebih panjang daripada ekor keuntungan.
Ekor kiri (kerugian) lebih panjang & tebal Mean < Median < Mode Skewness < 0 Implikasi: kerugian ekstrem lebih sering daripada prediksi simetris Ekor kanan (kerugian besar) lebih panjang Banyak nilai kecil, sedikit nilai ekstrem Skewness > 0 Implikasi: rata-rata ditarik oleh ekor ekstrem Catatan: untuk distribusi loss (positif = rugi), right-skewed setara dengan ekor kerugian besar. Untuk distribusi return (positif = untung), left-skewed setara dengan ekor kerugian.
Skewness adalah kunci memahami mengapa varian saja bisa menyesatkan. Return saham secara empiris left-skewed: keuntungan cenderung banyak dan moderat, kerugian cenderung jarang tetapi ekstrem. Implikasinya, distribusi normal yang simetris akan underestimate probabilitas kerugian ekstrem. Untuk distribusi loss operasional atau kredit, kita melihat right-skewed: mayoritas peristiwa kecil, beberapa peristiwa ekstrem yang menarik rata-rata jauh ke atas. Inilah mengapa model loss agregat op-risk memakai distribusi lognormal atau Pareto, bukan normal. Sebagai praktisi, Anda perlu tahu arah skewness data Anda sebelum memilih distribusi asumsi — langkah ini sering dilewati dan menjadi sumber kegagalan model. Kurtosis: Ekor Tebal vs Ekor Tipis Kurtosis mengukur ketebalan ekor relatif terhadap normal. Excess kurtosis > 0 berarti ekor lebih tebal dari normal.
Kurtosis = 3; excess = 0 Ekor tipis: $3\sigma$ hanya 0,3% waktu Basis perbandingan standar Kurtosis > 3; excess > 0 Ekor tebal: $3\sigma$ lebih sering (~1%+) Tipikal return saham, op-risk, kredit $\text{Excess kurtosis} = \frac{E\left[(X-\mu)^4\right]}{\sigma^4} - 3$
Kurtosis adalah momen keempat yang sering luput tetapi sangat penting untuk risiko. Distribusi normal punya kurtosis tepat tiga, dan kita biasa melaporkan excess kurtosis yang dikurangi tiga agar normal menjadi nol. Excess kurtosis positif berarti ekor lebih tebal dari normal — peristiwa ekstrem lebih sering terjadi daripada yang diprediksi normal. Inilah karakteristik hampir semua distribusi finansial: return saham, op-risk loss, agregat kredit. Implikasinya langsung untuk VaR parametrik: kalau kita pakai asumsi normalitas pada data fat tail, VaR akan konsisten underestimate, terutama pada tingkat kepercayaan tinggi 99 persen. Kita akan melihat angka konkret pada slide berikutnya dan implikasinya pada cadangan modal di P4-P5. Coba Sendiri: Ekor Tebal di Pasar Nyata Pilih distribusi return (saham harian RI, kredit, op-risk, kripto) dan lihat berapa kali lebih besar probabilitas loss ekstrem dibandingkan asumsi normal. Inilah sumber underestimate VaR.
Widget ini menunjukkan secara visual mengapa asumsi normalitas berbahaya di pasar sungguhan. Untuk return op-risk dengan excess kurtosis 11, probabilitas loss melebihi 3 sigma adalah sekitar 1,8 persen — hampir 14 kali lebih tinggi dari prediksi normal 0,13 persen. Area merah di kurva adalah probabilitas yang "hilang" jika bank memakai asumsi normal. Inilah mengapa krisis 2008 dijebol: VaR berbasis normal menganggap peristiwa 3 sigma hampir mustahil, padahal op-risk dan kredit punya ekor jauh lebih tebal. Pelajaran untuk mahasiswa: sebelum memilih model VaR, selalu periksa kurtosis empiris data. Bila lebih dari dua, asumsi normal berisiko. Hitung dari Nol: Kurtosis Return vs Distribusi Normal Skenario: Dari sampel return harian saham LQ45 selama 250 hari (ilustratif), diperoleh mean 0,03%, std-dev 1,1%, dan momen ke-4 rata-rata $\bigl(E[(x-\mu)^4]\bigr) \approx 12{,}5$ (%⁴). Hitung kurtosis dan excess kurtosis, bandingkan dengan normal.
Langkah Perhitungan Nilai 1. $\sigma^4$ $(1{,}1)^4 = (1{,}21)^2$ ~1,4641 %⁴ 2. Kurtosis $E[(x-\mu)^4] \div \sigma^4 = 12{,}5 \div 1{,}4641$ ~8,54 3. Excess kurtosis $8{,}54 - 3$ (normal) ~5,54 4. Implikasi Ekor ~5,5 unit lebih tebal dari normal VaR normal underestimate
Kesimpulan
excess $\approx 5{,}5$
Distribusi return leptokurtik —VaR parametrik normal akan konsisten underestimate pada ekor (angka ilustratif)
🧪 Buka kalkulator variabilitas (rumus + contoh + FAQ)
Hitungan ini mengonfirmasi diagnosa teoretis: return saham leptokurtik dengan excess kurtosis sekitar 5,5 — angka yang konsisten dengan literatur empiris (McNeil melaporkan rentang 7-9 untuk kurtosis mentah, setara excess 4-6). Implikasinya konkret: jika kita menghitung VaR parametrik 99 persen dengan asumsi normal, kita akan konsisten underestimate karena ekor sebenarnya jauh lebih tebal. Pada tingkat kepercayaan 99 persen, perbedaan bisa 30 sampai 40 persen. Inilah mengapa banyak bank beralih ke distribusi t-Student atau pendekatan historis/Monte Carlo yang lebih akurat di ekor. Sebagai pekerjaan rumah: hitung VaR parametrik 99 persen pada portofolio Rp 1 miliar dengan asumsi normal vs t-Student df=5, dan bandingkan. Bagian 3 · 3/4
Fat Tail & Ekor Distribusi
Diskusi kelas: mengapa krisis 2008 dan 2020 disebut "black swan" meskipun secara historis peristiwa ekstrem berulang? Apa yang salah dengan cara kita menilai probabilitas ekor?
Blok ini masuk ke inti masalah fat tail. Pertanyaan diskusi tadi membuka diskusi tentang apakah peristiwa ekstrem benar-benar tak terduga, ataukah model kita yang underestimate probabilitasnya. Banyak peneliti berpendapat bahwa krisis bukan black swan murni — ekor memang lebih tebal dari yang diasumsikan model normal, sehingga yang terjadi adalah underestimate, bukan kejutan fundamental. Distribusi Normal vs t-Student vs Pareto Tiga kandidat distribusi untuk return/loss — pilihan menentukan ketebalan ekor.
NORMAL ekor tipis, kurtosis=3 t-STUDENT (df kecil) ekor tebal, df kendali PARETO ekor power-law, sangat tebal LOGNORMAL loss op & harga aset tebal ekor meningkat → ekor semakin tebal Parameter derajat kebebasan (df) pada t-Student mengontrol ketebalan ekor: df kecil = ekor sangat tebal; df → ∞ = mendekati normal.
Empat distribusi ini menjadi kandidat utama dalam permodelanan risiko. Normal adalah default karena komputasinya mudah, tetapi ekornya terlalu tipis untuk data finansial. t-Student memperkenalkan parameter derajat kebebasan yang mengontrol ketebalan ekor — df kecil menghasilkan ekor sangat tebal; df besar mendekati normal. Pareto adalah distribusi power-law dengan ekor sangat tebal, sering dipakai untuk op-risk loss ekstrem. Lognormal umum untuk harga aset dan loss op karena domain positif dan skewness kanan. Pilihan distribusi harus diuji empiris lewat QQ-plot dan uji goodness-of-fit — bukan dipilih berdasarkan kemudahan komputasi. Kita akan lihat aplikasinya di P10 (op-risk) dan P11 (Monte Carlo). Aturan Chebyshev & Pendekatan Ekor Chebyshev memberi batas atas probabilitas ekor tanpa asumsi distribusi — longgar tetapi sangat berguna ketika distribusi tidak diketahui.
k ($\sigma$) Chebyshev (batas atas) Normal (aktual) Implikasi 2 $P(|X-\mu| \geq 2\sigma) \leq 25\%$ ~4,6% Chebyshev sangat longgar 3 $P(|X-\mu| \geq 3\sigma) \leq 11{,}1\%$ ~0,3% Normal jauh di bawah batas 4 $P(|X-\mu| \geq 4\sigma) \leq 6{,}25\%$ ~0,006% Batas bebas-distribusi 6 $P(|X-\mu| \geq 6\sigma) \leq 2{,}78\%$ ~$10^{-7}\%$ "6$\sigma$ event" tidak mustahil tanpa asumsi
$P\bigl(|X - \mu| \geq k\sigma\bigr) \leq \frac{1}{k^2}$
Aturan Chebyshev adalah alat serbaguna yang berlaku untuk distribusi apa pun yang punya mean dan varians terbatas. Batasnya longgar — pada k sama dengan dua, Chebyshev menyatakan paling banyak 25 persen, padahal normal hanya 4,6 persen — tetapi kekuatannya adalah tidak memerlukan asumsi bentuk distribusi. Ini berguna ketika kita tidak yakin distribusinya normal atau fat tail: kita masih bisa memberi jaminan minimum pada probabilitas ekor. Implikasi penting bagi manajer risiko: peristiwa "enam sigma" yang menurut asumsi normalitas praktis mustahil (10 pangkat minus tujuh persen) sebenarnya bisa terjadi sampai 2,78 persen waktu pada distribusi tak diketahui. Jangan pernah mengandalkan asumsi normalitas untuk mengklaim sesuatu "mustahil" — selalu sediakan buffer. Studi Kasus: Fat Tail IHSG 2008 & 2020 IHSG memberi dua ilustrasi nyata bagaimana ekor fat tail menghantam portofolio Indonesia.
Periode Peristiwa Drawdown IHSG Implikasi 2008 (GFC) Krisis keuangan global; flight to safety ~−50% (puncak ke trough, dihedge) ~$6\text{-}7\sigma$ event di bawah asumsi normal — mustahil tetapi terjadi Mar 2020 (COVID) Pandemi; PSBB global ~−25% dalam ~1 bulan (dihedge) Speed unrivaled — fat tail + volatilitas tinggi 2013 (Taper Tantrum) Pengumuman Fed taper; capital outflow EM ~−20% (dihedge) Risiko pasar eksternal; rupiah melemah ~25% 2018 (Trade War) AS-China tariff; tekanan EM ~−10% (dihedge) Fat tail moderat; flight to USD
Pelajaran: pada semua peristiwa ini, model VaR berbasis normalitas dilanggar beruntun — backtesting masuk zona merah (P6).
Empat episode ini menunjukkan fat tail di pasar Indonesia. Krisis 2008 menghapus sekitar setengah nilai IHSG dari puncak ke trough — sebuah peristiwa yang menurut asumsi normalitas return bulanan praktis mustahil (enam sampai tujuh sigma), tetapi tetap terjadi. Pandemi 2020 bahkan lebih dramatis dalam kecepatan: drawdown 25 persen dalam sekitar satu bulan. Taper tantrum 2013 dan trade war 2018 memberikan fat tail moderat yang cukup mengguncang VaR bank treasury. Pelajaran untuk komite risiko: jangan pernah memakai asumsi normalitas untuk mengklaim peristiwa "mustahil"; selalu siapkan buffer dan jalankan stress test di luar rentang historis. Kita akan formalisasi ini di P7 (stress testing) dan P13 (model risk). Bagian 4 · 4/4
Implikasi Fat Tail untuk Risiko
Diskusi kelas: jika VaR normal underestimate, apakah kita harus selalu memakai t-Student? Apa trade-off komputasi vs akurasi?
Blok penutup ini menghubungkan diagnosa fat tail dengan implikasi praktis cadangan modal. Pertanyaan diskusi tadi membuka trade-off klasik: t-Student lebih akurat di ekor tetapi estimasi df sulit dan komputasi lebih berat; normal cepat tetapi underestimate. Banyak bank memakai pendekatan hybrid — VaR normal untuk limit harian, ES t-Student untuk cadangan modal — untuk menyeimbangkan kecepatan dan akurasi. Inilah inti migrasi VaR-ES di FRTB Basel yang akan kita bahas di P5. Implikasi Fat Tail bagi Cadangan Modal Jika return fat tail, cadangan modal berbasis VaR normal akan konsisten underestimate — risiko bangkrut saat krisis.
VaR 99% $\approx -2{,}33\,\sigma \times V$ Cepat, tertutup, mudah dijelaskan Konsisten dilanggar saat krisis VaR 99% lebih besar (~+30-40%) Lebih akurat di ekor Estimasi lebih kompleks; buffer lebih tebal Migrasi VaR→ES (Expected Shortfall) di FRTB Basel adalah jawaban industri: ES menangkap rata-rata kerugian di ekor, bukan hanya kuantil.
Implikasi fat tail bagi cadangan modal adalah inti dari reformasi Basel pasca-2008. Jika return fat tail, VaR parametrik normal akan konsisten underestimate — krisis 2008 mengkonfirmasi ini dengan exception beruntun di seluruh bank global. Solusi pertama adalah migrasi ke VaR t-Student atau pendekatan historis/Monte Carlo yang lebih akurat di ekor; solusi yang lebih dalam adalah migrasi dari VaR ke Expected Shortfall yang menangkap rata-rata kerugian di ekor. ES akan kita dalami di P5. Sebagai manajer risiko, Anda harus tahu trade-off antara akurasi dan kompleksitas: model yang lebih akurat biasanya lebih lambat dan lebih sulit divalidasi. Pemilihan model adalah keputusan strategis dengan konsekuensi modal yang konkret — itulah mengapa P5 dan P13 begitu penting. Ringkasan Kunci Pertemuan 2 Ekspektasi & Varians
Operator dasar untuk menggambarkan pusat & penyebaran distribusi
Skewness & Kurtosis
Diagnostik asimetri & ekor tebal — kunci memilih distribusi
Fat Tail
Return finansial leptokurtik; VaR normal underestimate
Bawa tiga lensa ini (momen · diagnostik · fat tail) sebagai fondasi matematika sepanjang semester.
Persiapan P3: baca Hull bab VaR pendahuluan; bawa satu deret return historis (saham/reksa dana) untuk kita hitung std-dev vs semi-deviasi bersama.
Sebagai penutup, tiga pesan kunci. Pertama, ekspektasi dan varians adalah operator dasar tetapi tidak cukup — kita butuh momen lanjutan. Kedua, skewness dan kurtosis adalah diagnostik yang menentukan apakah data Anda normal atau fat tail. Ketiga, fat tail adalah karakteristik hampir semua distribusi finansial, dan implikasinya langsung pada cadangan modal. Sampai jumpa di P3 di mana kita akan menggunakan fondasi statistika ini untuk mengukur risiko secara konkret: standar deviasi, semi-deviasi, dan downside risk.