VaR dalam manajemen risiko keuangan

Model GARCH di Python

Chelsea Yang

Data Science Instructor

Pola pikir manajemen risiko

Aturan No.1: Jangan pernah rugi

Aturan No.2: Jangan lupa Aturan No.1

-- Warren Buffett

Kartun Buffett

Apa itu VaR

VaR adalah Value at Risk
Tiga komponen:
1. portofolio
2. horizon waktu
3. probabilitas

Contoh VaR

VaR 1 hari 5% sebesar $1 juta

Probabilitas 5% portofolio turun nilainya sebesar 1 juta dolar atau lebih dalam 1 hari

VaR 10 hari 1% sebesar $9 juta

Probabilitas 1% portofolio turun nilainya sebesar 9 juta dolar atau lebih dalam 10 hari

VaR dalam manajemen risiko

Tetapkan batas risiko
Pelampauan VaR: kerugian portofolio melebihi VaR

Pelampauan VaR

VaR dinamis dengan GARCH

Estimasi VaR lebih realistis dengan GARCH
VaR = mean + (vol GARCH) * kuantil

VaR = mean_forecast.values + np.sqrt(variance_forecast).values * quantile

Perhitungan VaR dinamis

Langkah 1: Gunakan model GARCH untuk memproyeksikan varians

# Tentukan dan latih model GARCH
basic_gm = arch_model(bitcoin_data['Return'], p = 1, q = 1, 
                      mean = 'constant', vol = 'GARCH', dist = 't')
gm_result = basic_gm.fit()

# Buat proyeksi varians
gm_forecast = gm_result.forecast(start = '2019-01-01')

Perhitungan VaR dinamis (lanj.)

Langkah 2: Gunakan GARCH untuk memperoleh mean dan volatilitas ke depan

mean_forecast = gm_forecast.mean['2019-01-01':]
variance_forecast = gm_forecast.variance['2019-01-01':]

Langkah 3: Dapatkan kuantil sesuai tingkat kepercayaan
1. VaR parametrik
2. VaR empiris

VaR parametrik

Estimasi kuantil berdasarkan distribusi asumsi GARCH dari residual terstandarisasi

# Asumsikan distribusi t-Student 
# ppf(): Percent point function

q_parametric = garch_model.distribution.ppf(0.05, nu)

VaR empiris

Estimasi kuantil berdasarkan distribusi teramati dari residual GARCH yang terstandarisasi

q_empirical = std_resid.quantile(0.05)

Ayo berlatih!

Model GARCH di Python