Apa Itu Manajemen Risiko?

Manajemen risiko membantu investor memahami potensi kerugian. Salah satu alat penting adalah Value-at-Risk (VaR), yang menjawab pertanyaan: Berapa kerugian maksimal yang mungkin terjadi dalam waktu tertentu dengan tingkat kepercayaan 95%?

Apa yang akan kita lakukan? - Simulasi imbal hasil saham & obligasi - Hitung VaR 1-hari 95% - Visualisasi distribusi risiko

Persiapan Data

Kita misalkan menggunakan data saham dari BBCA.JK (Bank BCA)

library(tidyverse)
library(quantmod)
library(PerformanceAnalytics)
library(ggthemes)
library(knitr)
library(kableExtra)
library(dplyr)
set.seed(123)

# Ambil data saham BBCA
getSymbols("BBCA.JK", from = "2021-01-01", to = "2023-12-31")
## [1] "BBCA.JK"
# Hitung return harian
returns <- dailyReturn(Ad(BBCA.JK)) %>% 
  na.omit() %>% 
  `colnames<-`("BBCA_Return")

# Tampilkan 5 data teratas
head(returns, 5) %>% 
  kable(align="c", digits = 6, caption = "Contoh Return Harian BBCA") %>% 
  kable_styling(bootstrap_options = "striped")
Contoh Return Harian BBCA
BBCA_Return
0.000000000
0.037307865
-0.020451340
0.002879772
0.012203790

Analisis Statistik Return

Statistik Dasar

# Buat ringkasan statistik
stats_summary <- data.frame(
  Metric = c("Rata-rata", "Standar Deviasi", "Minimum", "Maksimum", "Skewness", "Kurtosis"),
  Value = c(mean(returns$BBCA_Return), 
           sd(returns$BBCA_Return),
           min(returns$BBCA_Return),
           max(returns$BBCA_Return),
           skewness(returns$BBCA_Return),
           kurtosis(returns$BBCA_Return))
)

# Tampilkan tabel
kable(stats_summary, digits = 6, caption = "Statistik Return BBCA") %>% 
  kable_styling("hover", full_width = FALSE)
Statistik Return BBCA
Metric Value
Rata-rata 0.000609
Standar Deviasi 0.013465
Minimum -0.064615
Maksimum 0.063830
Skewness 0.295906
Kurtosis 1.993125

Dapat dilihat dari Statistik deskriptif di atas return harian BBCA menunjukkan rata-rata positif 0.06% dengan volatilitas moderat 1.35%. Distribusi return cenderung simetris (rentang -6.46% hingga +6.38%) dengan sedikit condong ke kanan (skewness 0.30), artinya hari dengan kenaikan besar lebih sering terjadi. Nilai kurtosis 1.99 yang lebih rendah dari distribusi normal mengindikasikan risiko kejadian ekstrim relatif kecil.

Visualisasi Distribusi

ggplot(returns, aes(x = BBCA_Return)) +
  geom_histogram(aes(y = ..density..), bins = 50, 
                 fill = "lightblue", color = "black") +
  geom_density(color = "red", size = 1) +
  labs(title = "Distribusi Return Harian BBCA",
       subtitle = "Periode 2021-2023",
       x = "Return", y = "Densitas") +
  theme_minimal()

Distribusi return harian BBCA menunjukkan pola simetris dengan puncak di sekitar return 0%, mengindikasikan hari dengan pergerakan kecil paling sering terjadi. Sebaran data terlihat moderat, mencakup rentang -4% hingga +4%, dengan ekor kanan sedikit lebih panjang yang konsisten dengan skewness positif. Hal ini menunjukkan adanya lebih banyak hari dengan kenaikan signifikan dibanding penurunan besar. Bentuk distribusi yang relatif ramping (kurtosis < 3) menandakan risiko kejadian ekstrim yang rendah. Secara keseluruhan, BBCA menampilkan karakteristik return yang stabil untuk saham bluechip, dengan volatilitas wajar dan potensi upside lebih besar daripada downside.

Simulasi Monte Carlo

Simulasi Monte Carlo digunakan untuk: - Memproyeksikan berbagai skenario nilai investasi - Menghitung probabilitas hasil tertentu - Mengestimasi risiko

Parameter Simulasi

# Input utama
nilai_awal <- 1000000000  # Rp 1 Miliar
hari_perdagangan <- 252    # 1 tahun
n_simulasi <- 10000       # Jumlah skenario

# Parameter statistik
mu <- mean(returns$BBCA_Return)
sigma <- sd(returns$BBCA_Return)

# Proses Simulasi
set.seed(123) # Untuk hasil reproducible

simulasi_nilai <- replicate(n_simulasi, {
  return_simulasi <- rnorm(hari_perdagangan, mu, sigma)
  nilai_akhir <- nilai_awal * prod(1 + return_simulasi)
  return(nilai_akhir)
})

Analisis Risiko

Value at Risk

var_95 <- nilai_awal - quantile(simulasi_nilai, 0.05)
cat("VaR 95% 1-tahun: Rp", format(round(var_95), big.mark = "."))
## VaR 95% 1-tahun: Rp 198.555.171

Dengan tingkat kepercayaan 95%, kerugian maksimum portofolio senilai Rp1 miliar dalam 1 tahun tidak akan melebihi Rp198 juta

Expected Shortfall

es_95 <- nilai_awal - mean(simulasi_nilai[simulasi_nilai < quantile(simulasi_nilai, 0.05)])
cat("ES 95% 1-tahun: Rp", format(round(es_95), big.mark = "."))
## ES 95% 1-tahun: Rp 260.697.866

Pada 5% skenario terburuk (dimana kerugian melebihi VaR), rata-rata kerugian yang terjadi adalah Rp260 juta

Value-at-Risk (VaR) 95% sebesar Rp198 juta menunjukkan bahwa dalam kondisi normal, kerugian portofolio Rp1 miliar tidak akan melebihi angka ini dalam 1 tahun. Namun, VaR tidak menangkap seberapa parah kerugian bisa terjadi di luar batas tersebut. Di sinilah Expected Shortfall (ES) 95% yang bernilai Rp260 juta memberikan gambaran lebih lengkap dengan mengukur rata-rata kerugian pada 5% skenario terburuk.

Perbedaan Rp62 juta antara ES dan VaR mengungkap potensi risiko ekstrim yang tersembunyi. ES yang lebih tinggi daripada VaR menegaskan bahwa ketika pasar sedang sangat volatile, kerugian aktual bisa jauh lebih besar daripada yang diprediksi VaR. Oleh karena itu, meskipun VaR berguna untuk menetapkan batas risiko harian, ES lebih relevan untuk perencanaan modal jangka panjang karena sifatnya yang lebih konservatif dan komprehensif dalam menilai risiko ekor distribusi.

Visualisasi Risiko

# Hitung probabilitas rugi
prob_rugi <- mean(simulasi_nilai < nilai_awal)

ggplot(data.frame(Nilai = simulasi_nilai/1e9), aes(x = Nilai)) +
  geom_histogram(aes(y = ..density..), bins = 50, 
                 fill = "dodgerblue", alpha = 0.7) +
  geom_vline(xintercept = nilai_awal/1e9, color = "black", linetype = "solid") +
  geom_vline(xintercept = (nilai_awal - var_95)/1e9, 
             color = "red", linetype = "dashed", linewidth = 1) +
  annotate("text", x = 0.85, y = 0.6, 
           label = paste("VaR 95%:\nRp", format(round(var_95), big.mark = ".")),
           color = "red") +
  annotate("text", x = 1.15, y = 0.6,
           label = paste("Probabilitas Rugi:", round(prob_rugi*100, 1), "%"),
           color = "black") +
  labs(title = "Distribusi Nilai Investasi BBCA setelah 1 Tahun",
       subtitle = paste("Hasil", format(n_simulasi, big.mark = "."), "simulasi Monte Carlo"),
       x = "Nilai Akhir (Miliar Rp)", y = "Densitas") +
  theme_minimal()

Grafik simulasi Monte Carlo untuk saham BBCA menunjukkan bahwa meskipun sebagian besar skenario (95%) menghasilkan nilai portofolio di atas Rp801 juta (dengan banyak kemungkinan return positif), terdapat 5% skenario terburuk yang berpotensi menyebabkan kerugian hingga Rp198 juta (VaR 95%) atau bahkan rata-rata Rp260 juta (ES 95%). Hasil ini mencerminkan sifat dasar investasi saham individual: di balik potensi keuntungan yang menarik, selalu ada risiko kerugian signifikan, terutama akibat akumulasi volatilitas harian dan kejadian ekstrim. Oleh karena itu, investor perlu memitigasi risiko ini melalui diversifikasi portofolio, manajemen posisi yang hati-hati, dan pemahaman mendalam terhadap profil risiko-reward saham, sekalipun untuk emiten bluechip seperti BBCA.