makalah manrisk ch 12
TRANSCRIPT
Makalah Manajemen Risiko
“Credit Risk Losses and Credit VaR”Dikumpulkan sebagai tugas kelompok Manajemen Risiko kelas CA
Disusun oleh :
1. Hafiz Akbar Amsyari (0910230076)
2. Irviana Anggraini (0910230083)
JURUSAN AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA MALANG
2012
A. Mengestimasi Kerugian Kredit
Kerugian kredit pada sebuah pinjaman bergantung pada probabilitas kegagalan dan tingkat
pemulihan. Estimasi tingkat pemulihan ditentukan berdasarkan sifat dari jaminannya,jika ada. Ketika
membuat estimasi, sebuah intitusi keuangan biasanya merumuskannya berdasarkan pengalaman
institusi tersebut serta statistic yang biasanya dikeluarkan oleh lembaga pemeringkat.
1. Transaksi Derivatif
Unsur-unsur kredit yang perlu diperhatikan pada transaksi instrument derivative lebih rumit
dibandingkan dengan pada pinjaman. Hal ini dikarenakan klaim yang akan diajukan jika terjadi
gagal bayar pada instrument derivative sifatnya lebih tidak pasti dibandingkan jika terjadi pada
kasus pinjaman. Terdapat 3 situasi yang mungkin terjadi yakni
a. Kontrak derivative merupakan kewajiban bagi institusi keuangan
b. Kontrak derivative merupakan asset bagi institusi keuangan
c. Kontrak derivative bisa menjadi asset atau kewajiban bagi institusi keuangan
Pada situasi pertama, biasanya adalah short option position yang tidak mempunyai risiko kredit
bagi institusi keuangan karena kontrak tersebut adalah asset dari pihak counterpart sehingga
biasanya kontrak tersebut akan dijual ke pihak ketiga. Pada situasi kedua, biasanya adalah long
option position yang mempunyai risiko kredit bagi institusi keuangan karena kontrak tersebut
adalh kewajiban dari pihak counterpart sehingga harus mengajukan klaim terhadap asset yang
dimiliki oleh counterpart.Sedangkan pada situasi ketiga contohnya adalah forward contract atau
swap yang bisa saja memiliki atau tidak memiliki risiko kredit. Ketika nilai derivative tersebut
positif terhadap institusi keuangan maka institusi tersebut akan mengalami kerugian atas klaimnya
sedangkan jika nilai derivatifnya negative terhadap institusi maka akan mendapatkan keuntungan
dari penjualan ke pihak ketiga.
2. Menyesuaikan Penilaian Derivatif untuk Risiko Gagal Bayar Pihak Counterpart
Asumsikan bahwa derivative tersebut mempunyai nilai f0 hari ini dan tidak ada gagal bayar yang
terjadi. Gagal bayar akan terjadi pada saat t1,t2,….tn dan nilai dari derivative untuk institusi
keuangan pada ti adalah fi. Asumsikan pula kemungkinan risk-neutral pada waktu ti adalah qi dan
tingkat pemulihan yang diekspektasikan adalah R. Jumlah yang terjadi pada t i adalah kerugian
potensial dari intitusi keuangan. Pada situasi pertama, karena nilai f i selalu negative maka total
kerugian yang diekspektasikan akan selalu nilainya nol. Sedangkan pada situasi kedua,ketika nilai
fi selalu positif maka bisa langsung disederhanakan pencarian kerugian yang diekspektasikan
menjadi 1-R. Untuk kategori ketiga akan terdapat 2 kemungkinan, bila nilainya positif maka
digunakan cara yang sama dengan cara situasi kedua sedangkan jika nilainya negative maka
caranya akan sama dengan situasi pertama.
3. Interest Rate Swaps vs Currency Swaps
Dampak dari risiko gagal-bayar pada tingkat suku bunga swaps biasanya lebih kecil dibandingkan
dengan pada currency swaps. Dampak risiko pada tingkat suku bunga swaps dimulai dari nol
kemudian meningkat dan akhirnya menjadi nol kembali. Berbeda dengan dampak risiko pada
tingkat suku bunga currency-swap yang meningkat secara perlahan-lahan mengikuti satuan waktu.
Hal ini dikarenakan terdapat ketidakpastian tingkat pertukaran mata uang pada saat tersebut.
4. Dua Sisi Risiko Gagal Bayar
Salah satu aspek yang unik pada situasi ketiga dimana kontrak derivative bisa menjadi asset atau
kewajiban bagi institusi keuangan adalah terjadinya 2 sisi risiko gagal bayar. Dimisalkan
perusahaan X menyetujui perjanjian swap suku bunga dengan perusahaan Y. Dapat dipastikan
bahwa kedua perusahaan ini tidak akan meramalkan bahwa mereka akan mengalami gagal bayar.
Sebaliknya mereka akan memastikan agar pihak yang lain tidak mengalami gagal bayar. Jika
keadaannya seperti itu, maka Perusahaan X akan meminta kompensasi untuk kemungkinan gagal
bayar dari perusahaan Y dan perusahaan Y juga akan meminta kompensasi untuk kemungkinan
perusahaan X mengalami gagal bayar. Hal ini akan menyulitkan kedua belah pihak untuk saling
bekerja sama dan hal ini pula lah yang menjelaskan mengapa banyak institusi keuangan yang tidak
memiliki peringkat creditworthy yang tinggi untuk aktif dalam pasar derivative.
B. Meringankan Risiko Kredit
1. Netting
Netting pada kontrak derivative artinya apabila sebuah perusahaan mengalami gagal bayar
pada salah satu kontraknya pada pihak counterpart maka seluruh kontrak yang ia miliki pada
pihak counterpart tersebut akan dianggap gagal bayar pula. Netting telah diuji dan terbukti
dapat secara substantial mengurangi risiko kredit untuk institusi keuangan.
2. Collateralization
Metode lainnya yang biasanya digunakan adalah collateralization. Hal ini berkaitan dengan
perjanjian antar institusi keuangan dengan perusahaan yang menggunakan pre-agreed formula
untuk jaminannya. Apabila nilai total kontrak pada institusi keuangan diatas dari batas wajar
maka institusi tersebut dapat meminta perusahaan untuk menambah jaminannya. Bila nilainya
menurun kembali maka perusahaan dapat meminta klaim atas jaminannya sebesar nilai
penurunannya.Jaminan dapat diberikan dalam bentuk kas atau sekuritas yang disetujui seperti
obligasi. Jika perjanjiannya berupa perjanjian 2 pihak maka perusahaan juga dapat
menetapkan batas wajar bagi institusi keuangan.
3. Downgrade Triggers
Teknik untuk meminimumkan risiko kredit yang lain adalah downgrade trigger. Pada metode
ini, jika rating kredit sebuah counterpart menurun dengan level tertentu misalnya dariAa
menjadi Baa maka institusi keuangan dapat menutup kontrak derivatifnya pada nilai
pasarnya. Namun, downgrade trigger tidak dapat melindungi dari penurunan rating kredit
yang cukup signifikan misalnya dari A menjadi gagal-bayar. Selain itu, juga tidak efektif bila
downgrade trigger digunakan untuk banyak counterpart karena proteksi yang diberikan juga
akan semakin mengecil.
C. Credit VaR
Dapat didefinisikan secara analogi untuk VaR Risiko Pasar, sebagai contoh Sebuah VaR
kredit satu tahun dengan 99,9% dalam horison waktu satu tahun adalah tingkat kerugian yang
kita 99,9% yakin tidak akan melebihi dari satu tahun.
Untuk tujuan regulasi, bank menggunakan pendekatan berdasarkan internal rating harus
mengkalkulasi credit VaR dari item pada buku bank menggunakan metodologi yang ditentukan
dari Komite basel. Bank diberi kebebasan untuk membuat sendiri estimasi probabilitasnya
sebagai acuan. Namun mereka harus menggunakan model korelasi dan parameter korelasi yang
spesifik.
1. Vasicek’s Model
Untuk portofolio pinjaman besar, masing-masing memiliki probabilitas Q (T) dari default
oleh waktu T tingkat default yang tidak akan dilampaui pada tingkat kepercayaan X% adalah
V(T,X)=
Dimana adalah Gaussian kata kerja penghubung korelasi, Basel comitte didasarkan
pada seberapa besar modal diperlukan dalam resiko credit pada buku bank pada model ini.
2. Credit Risk Plus
Pada 1998, Credit Suisse mengeluarkan produk keuangan yakni metodologi untuk
menghitung VaR yang disebut Credit Risk Plus. Ide ini dimanfaatkan pada pengembangan
industri asuransi.
Jumlah yang diharapkan dari default dalam portofolio ini kemudian diberikan dengan μ =
Np. Dengan asumsi kejadian default adalah independen dan p adalah kecil, probabilitas default n
adalah Poisson didistribusikan sebagai
Hal ini dapat dikombinasikan dengan distribusi probabilitas kerugian yang dialami pada
kegagalan pihak lawan untuk mendapatkan distribusi probabilitas untuk total standar kerugian
dari pihak lawan.
Jika ada asumsi tertentu terbuat, distribusi total kemungkinan kerugian dapat dihitung
secara analitis. Untuk mengakomodasi semua asumsi umum, Monte Carlo melakukan simulasi di
mana langkah-langkahnya adalah:
1. Ambil sampel tingkat standar keseluruhan
2. Hitung probabilitas standar untuk setiap kategori pihak lawan
3. Ambil sampel sejumlah standar untuk setiap kategori pihak lawan
4. Ambil sampel kerugian untuk default setiap
5. Hitung kerugian total
6. Ulangi langkah 1-5 kali untuk membangun sebuah distribusi probabilitas untuk kerugian
total
3. Credit Metrics
Credit Metrics diusulkan oleh JP Morgan pada tahun 1997. Hal ini didasarkan pada
analisis migrasi kredit. Ini adalah probabilitas sebuah perusahaan bergerak dari peringkat satu
kategori ke kategori lain selama periode waktu tertentu.
Penilaian Transisi Matrix (% probabilitas, Moody `s 1970-2007)
Initial Rating Aaa Aa A Baa Ba B Caa Ca-C Default
Aaa 91.37 7.59 0.85 0.17 0.02 0.00 0.00 0.00 0.00Aa 1.29 90.84 6.85 0.73 0.19 0.04 0.00 0.00 0.07A 0.09 3.10 90.23 5.62 0.74 0.11 0.02 0.01 0.08
Baa 0.05 0.34 4.94 87.79 5.54 0.84 0.17 0.02 0.32Ba 0.01 0.09 0.54 6.62 82.76 7.80 0.63 0.06 1.49B 0.01 0.06 0.20 0.73 7.10 81.24 5.64 0.57 4.45
Caa 0.00 0.03 0.04 0.24 1.04 9.59 71.50 3.97 13.58Ca-C 0.00 0.00 0.14 0.00 0.55 3.76 8.41 64.19 22.96
Default 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 100.00
Rating at year end
Seperti tabel diatas, persentase probabilitas sebuah obligasi bergerak dari satu kategori rating ke
lainya dalam satu tahun periode. Seperti contoh, sebuah obligasi tercatat pada rating A pada
90.23% kemungkinan untuk tetap pada rating A 8%, untuk turun pada rating B pada tahun yang
sama persentasenya adalah 11%. Dan seterusnya.
D. Model Creditmetrics Corelation
Dalam sampling untuk menentukan kerugian kredit, perubahan peringkat kredit untuk
rekanan yang berbeda tidak harus dianggap independen. Sebuah Gaussian kopula model dapat
digunakan untuk membangun sebuah distribusi probabilitas gabungan dari perubahan Peringkat
Misalkan hubungan antara pengembalian ekuitas dari dua perusahaan adalah 0,2. Pada
setiap percobaan simulasi kita akan mengambil sampel dua variabel xA dan xB dari distribusi
normal standar, sehingga korelasinya adalah 0,2. Variabel menjelaskan rating baru dari rating
perusahaan ‘A’ dan variabel menjelaskan rating baru dari rating perusahaan ‘B’ sejak
perusahaan A-rated akan ditingkatkan menjadi Aaa jika xA <-3,2905, menjadi Aa jika -3,2905
<XA <-1,9703, itu tetap A jika -1,9703 <xA <1,5779, dan sebagainya. Lakukan yang sama untuk
B
E. Spread Change
Dalam rangka untuk menilai ulang portofolio dari obligasi pada simulasi percobaan,
sangat penting untuk menghitung spread change, salah satu cara untuk melanjutkan adalah
dengan menggunakan model regresi satu faktor untuk membagi perubahan penyebaran untuk
setiap obligasi menjadi komponen sistematik dan komponen aneh. komponen sistematik
mempengaruhi semua obligasi yang ada dan Komponen aneh ini hanya mempengaruhi obligasi
tertentu.
Komponen sistematis biasanya ada pada perhitungan resiko pasar VaR, kita hanya perlu
khawatif pada akun aneh spread change pada perhitungan resiko spesifik VaR. untuk masing-
masing obligasi pada masing-masing percobaan simulasi, satu dari tiga kemungkinan akan
terjadi yakni:
Credit rating obligasi tetap sama, pada kasus ini obligasi dinilai ulang dengan cara yang
menggambarkan perubahan penyebaran idiosinkratik untuk obligasi
Credit rating obligasi berubah, pada kasus ini obligasi dinilai ulang dengan cara spread
sesuai dengan Peringkat kategori baru
Obligasi kembali standar, pada kasus ini prosentase kembali. tingkat pemulihan sering
diasumsikan memiliki distribusi beta berpusat pada tingkat pemulihan rata-rata yang
diterbitkan oleh lembaga pemberi peringkat
F. Time Horizon
Regulator meminta VaR kredit bank untuk resiko spesifik menjadi 10 hari adalah 99%
VaR. dalam praktek bank memiliki dua pilihan. Menghitung satu tahun VaR sebesar 99% dalam
cara kita baru saja diuraikan dan kemudian menggunakan aturan akar kuadrat untuk skala itu
menjadi sepuluh hari PADA VaR 99%.
G. Interpreting Correlation Credit
Harus diperhatikan dalam menafsirkan korelasi kredit, perbedaan cara untuk menghitung
korelasi kredit akan memberikan jawaban yang berbeda. Kita ilustrasikan dengan mengingat
Binominal correlation measure. Bahwa sering kali pengguna rating agencies dan
membandingkannya dengan Gausian copula corelation measure adalah menggarisbawahi model
Vasicek’s.
Untuk 2 perusahaan, A dan B, pendekatan korelasi binominal adalah koefisien dari
korelasi antara:
variabel yang sama dengan satu jika standar perusahaan A antara waktu T = 0 dan jika
tidak nol
variabel yang sama dengan satu jika standar perusahaan B antara waktu T = 0 dan jika
tidak nol
pengukurannya adalah
Dimana adalah gabungan probabilitas dari standar A dan B antara waktu 0 sampai waktu
T.