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.