Cara Mengukur Risiko Holding Dengan Metode VaR

Mengontrol risiko adalah keterampilan yang perlu dipelajari oleh setiap investor. Dalam menghadapi pasar mata uang digital yang berubah lebih cepat dan terus berkembang, para pedagang terprogram khususnya perlu memperhatikan manajemen risiko. Hal ini karena perdagangan terprogram sering didasarkan pada data sejarah dan model statistik untuk mengeksekusi transaksi secara otomatis, yang dalam pasar yang cepat berfluktuasi, model-model ini dapat dengan cepat menjadi tidak akurat lagi. Oleh karena itu, strategi manajemen risiko yang efektif sangat penting untuk melindungi modal investor.

Di antara banyak alat manajemen risiko, nilai pada risiko (VaR) adalah suatu metrik risiko yang digunakan secara luas yang dapat membantu investor memprediksi kerugian maksimum yang mungkin terjadi pada portofolio dalam kondisi pasar normal. VaR dapat mengukur risiko menjadi angka tunggal, menyederhanakan ekspresi risiko, dan memungkinkan investor untuk memahami kerugian potensial secara intuitif.

Peran VaR

VaR, atau nilai margin risiko, digunakan untuk mengukur kerugian maksimum yang dapat ditanggung dalam jangka waktu tertentu, sesuai dengan tingkat kepercayaan tertentu. Dengan kata lain, ini memberi tahu investor atau manajer risiko: VaR, dalam kondisi pasar normal, berapa banyak uang yang kita miliki berada dalam kisaran margin keamanan, dan tidak akan rugi besok. VaR, misalnya, jika 99% VaR satu hari dari portofolio investasi mata uang digital adalah $10,000, maka itu berarti bahwa dalam kasus 99%, kita tidak mengharapkan kerugian sehari lebih dari $10,000.

Keuntungan

1. Mudah dimengertiMisalnya: 95% VaR sehari dari portofolio mata uang digital adalah $ 5.000, yang berarti 95% keyakinan bahwa kerugian portofolio dalam sehari tidak akan melebihi $ 5.000. Mengukur risiko kompleks menjadi angka yang intuitif dan mudah dipahami oleh orang yang tidak profesional. Tentu saja, ini juga tidak dapat dihindari dengan beberapa penyimpangan.

2. PerbandinganMisalkan ada dua portofolio A dan B, A memiliki 95% VaR per hari sebesar $3000 dan B $6000. Ini berarti bahwa dalam kondisi pasar normal, A berisiko lebih rendah dari B. Bahkan jika kedua portofolio ini terdiri dari aset yang berbeda, kita juga dapat membandingkan tingkat risikonya secara langsung. Dengan demikian, kita dapat menilai tingkat investasi yang tinggi dan rendah, jika pendapatan dua strategi A dan B dalam sebulan terakhir adalah $6000, dan rata-rata dan maksimum VaRR A jauh lebih rendah dari B, kita dapat menganggap bahwa strategi A lebih baik dan menghasilkan laba yang lebih tinggi dengan tingkat risiko yang lebih rendah.

3. Alat-alat pengambilan keputusan: Seorang pedagang mungkin menggunakan VaR untuk memutuskan apakah akan menambahkan aset baru ke portofolio. Jika aset baru menyebabkan VaR meningkat secara signifikan, ini mungkin berarti bahwa risiko aset baru tidak sesuai dengan tingkat toleransi risiko portofolio.

Kelemahan

1. Mengabaikan Risiko Belakang: Jika 99% VaR 1 hari dari sebuah portofolio adalah $10.000, maka kerugian dalam kasus ekstrim 1% mungkin jauh lebih besar dari angka ini. Dalam bidang mata uang digital, peristiwa black swan sangat sering terjadi, dan situasi ekstrim akan melampaui ekspektasi kebanyakan orang karena VaR tidak memperhitungkan peristiwa ekor.

2. Keterbatasan asumsi: Parameter VaR biasanya mengasumsikan bahwa laba atas aset terdistribusi normal, yang jarang terjadi di pasar nyata, terutama di pasar mata uang digital. Misalnya, asumsikan bahwa hanya ada bitcoin dalam portofolio, kita menggunakan parameter VaR dan mengasumsikan bahwa laba atas bitcoin terdistribusi normal. Tetapi sebenarnya, laba atas bitcoin mungkin akan melonjak besar pada periode tertentu, dan ada fenomena pengumpulan fluktuasi yang jelas, seperti fluktuasi frekuensi sebelumnya sangat besar, dan fluktuasi berikutnya cenderung meningkat secara signifikan, yang menyebabkan model distribusi normal meremehkan risiko.

3. Sejarah Tergantung: Model VaR mengandalkan data sejarah untuk memprediksi risiko masa depan. Namun, kinerja masa lalu tidak selalu memprediksi situasi masa depan, terutama di pasar yang berubah dengan cepat seperti pasar mata uang digital. Misalnya, jika Bitcoin sangat stabil dalam setahun terakhir, model sejarah mungkin memprediksi VaR yang sangat rendah. Namun, jika terjadi perubahan peraturan atau jatuhnya pasar secara tiba-tiba, data masa lalu tidak akan lagi menjadi prediktor yang efektif terhadap risiko masa depan.

Cara menghitung VaR

Ada tiga metode utama untuk menghitung VaR: metode parameter (difference-coefficient): mengasumsikan bahwa tingkat pengembalian mengikuti distribusi tertentu (seringkali distribusi normal), menggunakan rata-rata tingkat pengembalian dan standar untuk menghitung VaR. Simulasi historis: tidak membuat asumsi tentang distribusi tingkat pengembalian, menggunakan data historis langsung untuk menentukan distribusi kerugian potensial. Simulasi Monte Carlo: menggunakan jalur harga yang dihasilkan secara acak untuk mensimulasikan harga aset dan menghitung VaR dari sana.

Metode simulasi historis menggunakan perubahan harga masa lalu secara langsung untuk memperkirakan kerugian yang mungkin terjadi di masa depan. Metode ini tidak memerlukan asumsi tentang distribusi laba, sehingga dapat digunakan untuk aset yang distribusi laba tidak diketahui atau tidak normal, seperti mata uang digital.

Sebagai contoh, jika kita ingin menghitung 95% VaR sehari dari portofolio ini, kita dapat melakukan ini:

1. Mengumpulkan tingkat laba Bitcoin setiap hari selama periode tertentu (misalnya 100 hari).
2. Menghitung laba portofolio harian, yaitu laba dari setiap aset dikalikan dengan bobotnya dalam portofolio.
3. Di sini Anda akan menemukan daftar 100 hari portofolio yang memiliki tingkat laba dari kecil ke besar.
4. Temukan titik data 5% (karena kita menghitung 95% VaR), titik yang menunjukkan tingkat kerugian terbaik hari itu selama 5 hari terburuk dalam 100 hari terakhir.
5. Jika kita mengalikan tingkat keuntungan ini dengan nilai total saham, maka kita akan mendapatkan 95% VaR sehari.

Di bawah ini adalah kode khusus yang mengambil data dari 1000 hari terakhir untuk menghitung VaR saat ini untuk satu saham BTC adalah 1980 USDT.

import numpy as np
import requests

url = 'https://api.binance.com/api/v3/klines?symbol=%s&interval=%s&limit=1000'%('BTCUSDT','1d')
res = requests.get(url)
data = res.json()

confidence_level = 0.95
closing_prices = [float(day[4]) for day in data]
log_returns = np.diff(np.log(closing_prices))
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * closing_prices[-1] * 1

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

Perhitungan VaR yang relevan

Dalam menghitung VaR dari portofolio yang berisi beberapa aset, kita harus mempertimbangkan korelasi antara aset. Jika perubahan harga antara aset adalah positif, maka risiko portofolio meningkat; jika negatif, risiko portofolio berkurang.

Ketika menggunakan analisis historis untuk menghitung relevansi VaR, kita tidak hanya mengumpulkan pengembalian historis dari setiap aset individu, tetapi juga mempertimbangkan distribusi gabungan dari pengembalian aset ini. Dalam operasi praktis, Anda dapat mengurutkan dan menghitung secara langsung dengan menggunakan pengembalian historis dari portofolio karena pengembalian ini sudah menyiratkan relevansi antara aset. Dalam pasar mata uang digital, relevansi sangat penting, terutama karena BTC adalah dominan pasar, dan kemungkinan kenaikan mata uang digital lainnya meningkat jika BTC naik atau turun, karena sentimen pasar dapat berubah dengan cepat sehingga relevansi meningkat secara signifikan dalam jangka pendek, yang lebih umum terjadi dalam peristiwa pasar ekstrem. Oleh karena itu, analisis historis adalah alat yang sangat berguna ketika Anda mempertimbangkan produktivitas portofolio mata uang digital.

Dengan menggunakan contoh multi-posisi 1 BTC dan 10 ETH kosong, VaR 10 ETH kosong dapat dihitung menjadi 1219 USDT sesuai dengan metode di atas.

confidence_level = 0.95
btc_closing_prices = np.array([float(day[4]) for day in btc_data])
eth_closing_prices = np.array([float(day[4]) for day in eth_data])
btc_log_returns = np.diff(np.log(btc_closing_prices))
eth_log_returns = np.diff(np.log(eth_closing_prices))

log_returns = (1*btc_log_returns*btc_closing_prices[1:] - 10*eth_log_returns*eth_closing_prices[1:])/(1*btc_closing_prices[1:] + 10*eth_closing_prices[1:])
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * (btc_closing_prices[-1] * 1 + eth_closing_prices[-1]*10)

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

Hasilnya adalah 970 USDT, yang berarti bahwa portofolio ini memiliki risiko yang lebih rendah daripada yang dimiliki masing-masing oleh aset yang sama, karena pasar BTC dan ETH sangat terkait, dan efek hedging dari portofolio multi-ruang berfungsi untuk mengurangi risiko.

Pengamatan

Artikel ini akan membahas metode penilaian risiko yang sangat fleksibel, yaitu penggunaan simulasi historis (Historical Simulation) dalam menghitung VaR, dan bagaimana mempertimbangkan korelasi antara aset untuk mengoptimalkan prediksi risiko. Melalui contoh pasar mata uang digital yang spesifik, menjelaskan bagaimana menggunakan simulasi historis untuk menilai risiko portofolio, dan membahas cara menghitung VaR ketika realisasi terkait aset signifikan. Dengan metode ini, pedagang terprogram tidak hanya dapat memperkirakan kerugian maksimum dalam sebagian besar kasus, tetapi juga dapat mempersiapkan diri untuk kondisi pasar ekstrim, sehingga mereka dapat melakukan strategi yang lebih ketat dan akurat dalam perdagangan.