VaR vs. CVaR: Ukuran Risiko Mana yang Seharusnya Anda Gunakan?

Ukuran Risiko yang Mengabaikan Hasil Terburuk

Pada tahun 1999, empat orang matematikawan — Philippe Artzner, Freddy Delbaen, Jean-Marc Eber, dan David Heath — menerbitkan makalah yang secara fundamental mengubah cara industri keuangan berpikir tentang pengukuran risiko. Argumen mereka, yang dipaparkan dalam "Coherent Measures of Risk" di jurnal Mathematical Finance, tampak sederhana namun berdampak besar: ukuran risiko yang paling banyak digunakan di dunia, Value at Risk (VaR), memiliki cacat matematis yang dapat secara aktif menyesatkan manajer risiko. Ukuran alternatif yang mereka usulkan, Conditional Value at Risk (CVaR, juga disebut Expected Shortfall), sejak saat itu menjadi inti regulasi perbankan, optimasi portofolio, dan manajemen risiko institusional.

Memahami perbedaan antara VaR dan CVaR bukan sekadar urusan akademis. Hal ini menentukan bagaimana institusi menentukan ukuran posisi, menetapkan cadangan modal, dan — yang paling krusial — apakah mereka meremehkan kerugian yang paling penting: peristiwa ekor (tail event) yang dapat menghancurkan portofolio.

Apa yang VaR Sampaikan (dan Apa yang Disembunyikannya)

Value at Risk menjawab pertanyaan spesifik: "Berapa kerugian maksimum yang dapat saya harapkan pada tingkat kepercayaan dan horizon waktu tertentu?" VaR harian 95% sebesar $1 juta berarti bahwa pada 95% hari perdagangan, portofolio tidak akan mengalami kerugian lebih dari $1 juta. Dengan kata lain, pada 5% hari perdagangan — kira-kira sebulan sekali — kerugian akan melebihi $1 juta.

VaR menjadi standar industri untuk pengukuran risiko pada tahun 1990-an, sebagian besar berkat sistem RiskMetrics dari J.P. Morgan. Daya tariknya terletak pada kejelasan: satu angka yang merangkum risiko seluruh portofolio. Regulator mengadopsinya, anggota dewan dapat memahaminya, dan manajer risiko dapat menghitungnya untuk portofolio multi-aset yang kompleks.

Namun VaR memiliki titik buta yang kritis. VaR tidak memberikan informasi apa pun tentang apa yang terjadi di luar ambang batas. Jika VaR 95% Anda adalah $1 juta, Anda tahu bahwa kerugian akan melebihi jumlah ini 5% dari waktu. Tetapi kerugian pada 5% hari tersebut bisa saja $1,1 juta atau $50 juta — VaR tidak membedakan skenario-skenario ini. VaR memberi tahu Anda di mana pintu menuju ekor distribusi berada, tetapi tidak seberapa dalam ruangan di baliknya.

Titik buta ini bukan sekadar teoritis. Selama krisis keuangan 2008, banyak institusi memiliki sistem risiko yang melaporkan angka VaR yang nyaman sementara kerugian ekor aktual jauh lebih besar secara magnitudo. Model VaR mereka mengatakan "Anda mungkin kehilangan $X pada hari yang buruk," sementara hari-hari buruk yang sebenarnya memberikan kerugian 5X atau 10X.

Masalah Koherensi

Artzner et al. (1999) memformalisasikan masalah ini dengan mendefinisikan empat properti yang harus dipenuhi oleh setiap ukuran risiko yang "koheren":

1. Invariansi translasi. Menambahkan aset bebas risiko ke portofolio harus mengurangi risiko yang diukur sebesar jumlah aset tersebut. Jika Anda menambahkan $1 juta tunai, risiko harus turun $1 juta.

2. Subaditivitas. Risiko portofolio gabungan tidak boleh lebih besar dari jumlah risiko bagian-bagiannya. Ini adalah prinsip diversifikasi — menggabungkan posisi tidak boleh meningkatkan risiko. Secara matematis: ρ(X + Y) ≤ ρ(X) + ρ(Y).

3. Homogenitas positif. Menggandakan posisi harus menggandakan risiko.

4. Monotonisitas. Jika portofolio X selalu menghasilkan setidaknya sebanyak portofolio Y, maka X harus memiliki risiko yang sama atau lebih rendah.

VaR memenuhi tiga dari properti ini tetapi gagal dalam subaditivitas. Kegagalan ini bukan sekadar keanehan matematis — ia memiliki konsekuensi praktis. Pertimbangkan dua pedagang, masing-masing memegang posisi terkonsentrasi. VaR 95% Pedagang A adalah $1 juta. VaR 95% Pedagang B adalah $1 juta. Jika perusahaan menggabungkan kedua buku tersebut, VaR 95% gabungan dapat melebihi $2 juta — jumlah dari bagian-bagiannya. Diversifikasi, prinsip paling fundamental dalam manajemen risiko, dapat tampak meningkatkan risiko di bawah VaR.

Hal ini terjadi karena VaR hanya melihat satu kuantil. Menggabungkan dua portofolio dapat mengubah bentuk distribusi kerugian di luar ambang VaR sedemikian rupa sehingga mendorong ambang itu sendiri ke luar, meskipun distribusi keseluruhan memiliki ekor yang lebih tipis. Ukuran ini "buta" terhadap bentuk distribusi dan hanya melaporkan satu titik potong.

CVaR: Risiko di Balik VaR

CVaR (juga dikenal sebagai Expected Shortfall atau Conditional Tail Expectation) mengajukan pertanyaan yang berbeda: "Mengingat bahwa kerugian melebihi ambang VaR, berapa kerugian yang diharapkan?" Jika VaR 95% adalah $1 juta, CVaR 95% adalah rata-rata dari semua kerugian pada 5% hari terburuk.

CVaR memenuhi keempat aksioma koherensi, termasuk subaditivitas. Menggabungkan dua portofolio tidak akan pernah menghasilkan CVaR yang melebihi jumlah CVaR individu. Diversifikasi selalu bekerja di bawah CVaR.

Yang lebih penting, CVaR menangkap tingkat keparahan kerugian ekor, bukan hanya frekuensinya. Dua portofolio dapat memiliki VaR yang identik tetapi CVaR yang sangat berbeda:

Portofolio B memiliki VaR yang sama dengan Portofolio A tetapi CVaR lebih dari tiga kali lipat. Manajer risiko yang hanya menggunakan VaR akan memperlakukan kedua portofolio ini sebagai sama risikonya. Manajer risiko yang menggunakan CVaR akan segera menandai Portofolio B sebagai membawa risiko ekor yang jauh lebih besar.

Terobosan Optimasi

Rockafellar and Uryasev (2000) memberikan kontribusi penting kedua: mereka menunjukkan bahwa CVaR dapat diminimalkan menggunakan pemrograman linear. Ini merupakan terobosan komputasi karena minimisasi VaR adalah masalah optimasi non-konveks — sulit diselesaikan secara andal, rentan terhadap banyak minimum lokal, dan mahal secara komputasi untuk portofolio besar.

Sebaliknya, minimisasi CVaR adalah masalah konveks. Ia memiliki solusi global yang unik, dapat diselesaikan secara efisien bahkan untuk portofolio dengan ribuan posisi, dan secara alami terintegrasi ke dalam kerangka optimasi portofolio rata-rata-risiko. Rockafellar dan Uryasev menunjukkan bahwa meminimalkan CVaR secara bersamaan memberikan batas atas pada VaR, sehingga portofolio optimal-CVaR juga terkendali-VaR.

Hasil ini menghilangkan keberatan praktis terakhir untuk mengadopsi CVaR. Sebelum Rockafellar dan Uryasev, kritikus dapat berargumen bahwa meskipun CVaR secara teoritis lebih unggul, VaR lebih mudah digunakan secara komputasi. Setelah makalah mereka, CVaR menjadi pilihan utama baik secara teoritis maupun komputasi.

Di Mana VaR Masih Memiliki Keunggulan

Meskipun memiliki kekurangan teoritis, VaR tetap mempertahankan beberapa keunggulan praktis yang menjelaskan dominasinya yang berkelanjutan di sebagian industri.

Backtesting. VaR mudah untuk di-backtest: hitung berapa kali kerugian melebihi estimasi VaR dan periksa apakah frekuensi ini sesuai dengan tingkat kepercayaan yang ditentukan. Jika VaR 99% terlampaui lebih dari 1% dari waktu, model tersebut kurang tepat. Tes biner ini sederhana, intuitif, dan mudah diotomatisasi. Backtesting CVaR lebih sulit karena memerlukan estimasi magnitudo rata-rata kerugian ekor, bukan hanya frekuensinya. Ini membutuhkan sampel yang lebih besar dan prosedur statistik yang lebih kompleks.

Keakraban regulasi. Meskipun Fundamental Review of the Trading Book (FRTB) Basel III mengalihkan persyaratan modal regulasi ke Expected Shortfall (CVaR) pada 2019, banyak sistem risiko internal masih melaporkan VaR, dan transisi masih berlangsung. Basis data VaR historis yang mencakup beberapa dekade ada di sebagian besar institusi besar, membuat perbandingan dan analisis tren menjadi mudah.

Komunikasi. "VaR 95% kami adalah $10 juta" lebih mudah dipahami oleh pemangku kepentingan non-teknis daripada "CVaR 95% kami adalah $15 juta." VaR memberikan ambang batas yang jelas; CVaR memberikan nilai ekspektasi dengan syarat melebihi ambang tersebut, yang memerlukan literasi statistik lebih tinggi untuk diinterpretasikan.

Risiko model. Sensitivitas CVaR terhadap ekor jauh berarti ia lebih terpengaruh oleh kesalahan estimasi pada ekor distribusi. Jika Anda salah mengestimasi bentuk ekor — masalah umum dengan data terbatas — estimasi CVaR Anda bisa salah secara signifikan. VaR, karena hanya bergantung pada satu kuantil, agak lebih tahan terhadap kesalahan estimasi ekor (meskipun ia membayar ketahanan ini dengan mengabaikan keparahan ekor sepenuhnya).

Pergeseran Regulasi: Dari VaR ke Expected Shortfall

Adopsi Expected Shortfall (istilah regulasi untuk CVaR pada tingkat kepercayaan 97,5%) oleh Komite Basel untuk Pengawasan Perbankan dalam kerangka FRTB merupakan validasi paling signifikan terhadap kontribusi teoritis Artzner dan rekan-rekannya. Pergeseran regulasi ini dimotivasi oleh kekhawatiran koherensi yang persis sama dengan yang diidentifikasi dalam makalah tersebut.

Di bawah kerangka lama (Basel II/II.5), bank menghitung VaR 99% untuk modal risiko pasar. Hal ini memungkinkan institusi membangun portofolio yang memenuhi batasan VaR sambil membawa risiko ekor tersembunyi yang signifikan — praktik yang kadang disebut "arbitrase VaR." Seorang pedagang dapat menjual opsi deep out-of-the-money yang menghasilkan premi kecil dan konsisten (tak terlihat oleh VaR) tetapi membawa potensi kerugian katastrofik pada peristiwa langka.

Peralihan ke Expected Shortfall 97,5% secara langsung mengatasi masalah ini. Menjual opsi deep out-of-the-money secara dramatis meningkatkan CVaR karena ukuran ini menangkap kerugian yang diharapkan di ekor, termasuk skenario di mana opsi-opsi tersebut dieksekusi. Peluang arbitrase pun lenyap.

Kerangka Keputusan Praktis

Bagi praktisi yang memilih antara VaR dan CVaR, keputusan bergantung pada kasus penggunaan spesifik:

Argumen terkuat untuk CVaR muncul ketika portofolio mengandung instrumen nonlinear (opsi, produk terstruktur), ketika distribusi imbal hasil memiliki ekor tebal (komoditas, pasar berkembang, kripto), atau ketika portofolio cukup kompleks sehingga subaditivitas menjadi penting (agregasi risiko multi-meja, multi-kelas aset).

Menghitung VaR dan CVaR dalam Praktik

Kedua ukuran dapat diestimasi menggunakan tiga pendekatan utama, masing-masing dengan trade-off-nya:

Simulasi historis. Urutkan imbal hasil masa lalu, identifikasi kuantil yang relevan (VaR) atau rata-rata di luar kuantil tersebut (CVaR). Sederhana dan bebas model, tetapi terbatas oleh sampel historis. Jika periode sampel tidak mencakup peristiwa ekor, baik VaR maupun CVaR akan terestimasi terlalu rendah.

Parametrik (varians-kovarians). Asumsikan distribusi (biasanya normal atau Student-t) dan hitung VaR serta CVaR secara analitik. Cepat dan elegan, tetapi hanya sebaik asumsi distribusinya. Di bawah normalitas, CVaR 95% kira-kira 1,28 kali VaR 95%. Di bawah distribusi ekor tebal, rasio ini bisa 2 kali atau lebih.

Simulasi Monte Carlo. Hasilkan ribuan skenario acak dari model yang telah disesuaikan, lalu hitung VaR dan CVaR dari distribusi simulasi. Paling fleksibel — dapat menangani instrumen nonlinear, distribusi non-normal, dan dependensi kompleks — tetapi mahal secara komputasi.

Ketika rasio CVaR-terhadap-VaR mendekati 1,28, distribusi imbal hasil mendekati normal dan VaR memadai. Ketika rasio naik di atas 2,0, ekor sudah cukup tebal sehingga mengandalkan VaR saja berbahaya — kerugian di luar ambang VaR jauh lebih buruk dari yang diimplikasikan VaR.

Apa yang Tidak Dapat Ditangkap Kedua Ukuran

Baik VaR maupun CVaR memiliki keterbatasan penting yang tidak dapat diatasi oleh satu ukuran risiko mana pun.

Risiko likuiditas. Kedua ukuran mengasumsikan bahwa posisi dapat dilikuidasi pada harga pasar. Selama krisis, spread bid-ask melebar, kedalaman pasar menguap, dan hasil likuidasi aktual bisa jauh lebih buruk dari yang ditunjukkan harga model. Varian VaR dan CVaR yang disesuaikan likuiditas memang ada tetapi menambah kompleksitas model secara signifikan.

Runtuhnya korelasi. Kedua ukuran bergantung pada korelasi atau kopula yang diestimasi untuk memodelkan portofolio multi-aset. Selama krisis, korelasi melonjak mendekati 1,0, mengurangi manfaat diversifikasi justru ketika paling dibutuhkan. Baik VaR maupun CVaR secara inheren tidak memperhitungkan perilaku korelasi yang bergantung pada rezim ini.

Risiko model. Setiap ukuran risiko hanya sebaik model di baliknya. Distribusi yang salah spesifikasi, struktur korelasi yang tidak tepat, atau data yang tidak memadai dapat menyebabkan baik VaR maupun CVaR meremehkan risiko sebenarnya. CVaR lebih sensitif terhadap kesalahan estimasi ekor; VaR lebih sensitif terhadap pilihan tingkat kepercayaan.

Respons yang tepat bukan memilih satu ukuran di atas yang lain, tetapi menggunakan keduanya bersama dengan stress testing, analisis skenario, dan penilaian kualitatif. Tidak ada ukuran risiko kuantitatif yang dapat menggantikan pemahaman tentang mekanisme ekonomi yang menghasilkan kerugian ekor.

Posisi Bukti Saat Ini

Artzner et al. (1999) membuktikan bahwa VaR bukan ukuran risiko yang koheren dan kegagalan subaditivitasnya dapat menyesatkan manajemen risiko. Rockafellar and Uryasev (2000) menunjukkan bahwa CVaR dapat dioptimalkan secara efisien, menghilangkan hambatan komputasi untuk adopsi. Bersama-sama, kedua makalah ini menggeser pemikiran akademis dan praktik regulasi menuju Expected Shortfall.

Realitas praktisnya adalah bahwa kedua ukuran tetap esensial. VaR memberikan ambang batas yang sederhana dan dipahami dengan baik, mudah dihitung, di-backtest, dan dikomunikasikan. CVaR memberikan pelengkap yang sadar-ekor yang menangkap apa yang terlewat oleh VaR. Pilihan di antara keduanya kurang bergantung pada mana yang "lebih baik" secara abstrak dan lebih pada portofolio spesifik, kompleksitas instrumen, dan konteks keputusan.

Bagi investor ritel, perbedaan ini paling penting saat mengevaluasi produk dengan pembayaran nonlinear — strategi opsi, surat terstruktur, ETF leverage — di mana VaR dapat secara dramatis meremehkan risiko kerugian langka tetapi parah. Bagi manajer risiko institusional, lingkungan regulasi pasca-FRTB sebagian besar telah menyelesaikan debat ini dengan mendukung Expected Shortfall sebagai ukuran risiko utama, dengan VaR dipertahankan untuk backtesting dan perbandingan historis.