Language
Country/Area
No result found
Mengapa model risiko tradisional membuat Anda meremehkan kemungkinan terjadinya peristiwa ekstrem? Mengungkap misteri 'ekor gemuk'!
Dalam manajemen risiko dan analisis keuangan, model tradisional sering kali didasarkan pada distribusi normal, tetapi asumsi seperti itu dapat menyebabkan perkiraan risiko yang terlalu rendah dari kejadian ekstrem. Dalam kasus ini, konsep distribusi "ekor gemuk" muncul dalam pandangan kita dan menjadi kunci untuk memahami model kejadian ekstrem.
Distribusi ekor gemuk adalah distribusi di mana ekor distribusi probabilitas menunjukkan kemiringan atau kurtosis yang lebih besar daripada distribusi normal. Dalam banyak situasi dunia nyata, terutama dalam hal pasar keuangan, sifat distribusi ini membuat kejadian yang diantisipasi tampak tidak terjangkau, yang menyebabkan kesalahan perencanaan dan pengambilan keputusan.
Ketika data berasal dari distribusi yang berpotensi berekor gemuk, menggunakan model distribusi normal untuk memperkirakan risiko akan sangat meremehkan kesulitan prediksi dan tingkat risiko.
Distribusi ekor gemuk tidak mudah dikenali; mereka dicirikan oleh sifat ekor yang asimtotik dan distribusi probabilitas kumulatif dari banyak variabel acak pada rentang tertentu. Kasus ekor gemuk yang paling ekstrem adalah ketika ekor distribusi mengikuti bentuk yang mirip dengan "hukum pangkat", yang membuat probabilitas kejadian ekstrem jauh lebih tinggi daripada distribusi normal.
Misalnya, untuk distribusi normal, suatu kejadian yang menyimpang lima deviasi standar dari rata-rata memiliki probabilitas yang sangat rendah untuk terjadi, dan disebut "peristiwa 5-sigma." Di bawah distribusi ekor gemuk, probabilitas terjadinya kejadian tersebut mungkin sangat berbeda. Ketidakkonsistenan ini menimbulkan tantangan signifikan bagi manajer risiko, yang mungkin salah menilai risiko kejadian ekstrem, terutama ketika membuat keputusan penting di pasar modal.
Ambil model Black-Scholes sebagai contoh. Model ini mengasumsikan bahwa pengembalian aset mengikuti distribusi normal, yang dalam aplikasi praktis sering kali mengarah pada harga opsi yang lebih rendah dari yang diharapkan.
Faktanya, fat tail menimbulkan risiko tambahan. Di pasar keuangan, kita sering menjumpai beberapa peristiwa historis yang tragis, seperti jatuhnya Wall Street pada tahun 1929 dan krisis keuangan pada tahun 2008. Peristiwa-peristiwa ini tidak hanya sulit diprediksi, tetapi juga berdampak luas pada pasar setelah terjadi. Dalam kebanyakan kasus, peristiwa-peristiwa ini dipicu oleh beberapa faktor eksternal (seperti perubahan politik besar atau krisis ekonomi), yang biasanya tidak dapat dijelaskan secara sederhana oleh model matematika tradisional.
Di bidang keuangan perilaku, pembentukan turbulensi pasar sering kali berasal dari fluktuasi emosi investor, yang selanjutnya memperdalam penelitian yang diperlukan tentang distribusi fat tail. Sering kali, optimisme atau pesimisme yang berlebihan di pasar dapat menyebabkan pergerakan harga pasar yang tidak terduga dan ekstrem, yang tidak dapat diperhitungkan dalam model perkiraan distribusi normal.
Distribusi fat tail juga menemukan aplikasi di bidang non-keuangan. Misalnya, dalam pemasaran, "aturan 80/20" yang sering disebutkan orang merupakan salah satu manifestasi dari distribusi ekor gemuk. Di pasar musik dan pasar komoditas, beberapa lagu atau komoditas mungkin sangat murah atau mahal, dan fenomena ini juga dapat dijelaskan oleh distribusi ekor gemuk.
Saat menganalisis perilaku pasar, distribusi ekor gemuk dapat lebih mencerminkan variabilitas dan ekstrem dalam data.
Singkatnya, perkiraan yang terlalu rendah terhadap peristiwa ekstrem oleh model risiko tradisional berasal dari asumsi yang salah tentang distribusi data. Saat kita memperoleh pemahaman yang lebih mendalam tentang distribusi ekor gemuk dan aplikasinya, kita mungkin dapat memprediksi dan mengelola risiko di masa mendatang dengan lebih akurat, dan membuat keputusan investasi yang lebih tepat. Namun, apakah perubahan ini cukup untuk mengubah lanskap manajemen risiko?
