1.1.6 Pendekatan Permodelan dalam Credit Risk Measurement
1.1.6.2 Internal Rating Based (IRB)
Pendekatan ini merupakan perluasan model dari pendekatan Basel I. Antara IRB maupun Standardized Approach yang membedakan diantara keduanya, yaitu:
a. Persyaratan penggunaan proses kredit dalam mengelola bisnis Bank
b. Penggunaan informasi milik Bank dalam menetapkan persyaratan modal. Informasi ini diambil dari proses internal Bank dalam menilai kelayakan debitur
c. Model kredit IRB Approach memiliki persyaratan pendekatan yang memiliki komponen berikut:
1) Probability of Default (PD) 2) Loss Given Default (LGD) 3) Exposure at Default (EAD)
4) Effective Maturity (M)
5) Pinjaman korporat berdasarkan Basel II juga dibagi berdasarkan skala perusahaan (S) yang diukur dari turnover
d. Memiliki fungsi bobot risiko yang sama, yang berfungsi mendeskripsikan bagaimana komponen risiko untuk jenis aset yang berbeda diubah menjadi aset tertimbang menurut risiko. e. Bank yang mengajukan IRB Approach harus memenuhi 12
(dua belas) kriteria, yaitu:
1) Komposisi persyaratan minimum 2) Kepatuhan persyaratan minimum
3) Disain sistem pemeringkatan (rating system design) 4) Operasional sistem pemeringkatan risiko
5) Tata kelola dan pengawasan perusahaan 6) Penggunaan penilaian internal
7) Kuantifikasi risiko
8) Validasi perhitungan internal
9) Pengawasan terhadap perkiraan LGD dan EAD
10) Persyaratan untuk pengakuan transaksi pembiayaan leasing
11) Penghitungan capital charge untuk exposure ekuitas 12) Persyaratan keterbukaan
Tabel 1.4 Perbandingan Advanced IRB Approach
Credit Portfolio View Credit Metrics Credit Risk Plus Merton OPM KMV/Moodys
Reduce Form KPMG/Kamakura
Definition of Risk MTM or DM MTM DM MTM or DM MTM
RISK Driver Macroeconomic factor Asset Value Expected default rates Asset value Debt and equity prices
Data Requirement Historical transition matrix, macroeconomic variables, credit spreads, LGD, exposures Historical transition matrix, credit spreads and yield curve, LGD, correlation, exposures
Default rates and volatility, macro factor, LGD, exposures
Equity price, credit spreads,
correlations, exposures
Debt and equity prices, historical transition matix, correlation, exposures Characterization of Credit Events Migration conditional on macroeconomic factor
Credit Migration Actuarial random default rate Distance to default: structural and empirical Default intensity Volatility of Credit Events Variable Constant or
Variable Variable Variable Variable
Corellation of Credit Events
Macroeconomic
factor loadings Multivariate normal asset return Independence assumption or correlation with expected default rate Multivariate normal
assets returns Poisson intensity processes with joint systemic factors
Recovery Rates Random Random (beta
distribution) Constant within Band Constant or random Constant or random Numerical Approach Simulation Simulation or
Analytic Analytic Analytic and Econometric Econometric
Interest Rates Constant Constant Constant Constant Stochastic
Risk Classification Ratings Ratings Exposure bands Empirical EDF Ratings or credit
spreads
Risiko kredit memiliki beberapa model dalam credit measurement, yang masing-masing memiliki perbedaan. Menurut Philippe Jorion (2005), model risiko kredit dapat dibagi menjadi beberapa model yang dipaparkan dalam Tabel 3.4 diatas. Berdasarkan Tabel 3.4. mengenai perbandingan IRB Approach, jenis pendekatan yang akan digunakan dalam karya akhir ini adalah pendekatan Internal Model CreditRisk+.
1.1.7 CreditRisk+
Beberapa metode pengukuran risiko kredit yang dikembangkan oleh Basel Committee yaitu antara lain Credit Metrics dari JP Morgan, Portfolio Manager dari KMV, Credit Portfolio View dari Mc Kinsey dan CreditRisk+ dari Credit Suisse First Boston (CSFP). Menurut Sakti (2010), metode CreditRisk+ dinilai cukup efektif dan praktis dalam penerapan perhitungan risiko kredit dikarenakan bank hanya menggunakan data internal berupa jumlah exposure kredit, jumlah debitur, tingkat kolektibilitas dan recovery rate. Dalam CreditRisk+ bank dapat menghitung kecukupan cadangan modal untuk mengantisipasi kerugian pada periode waktu tertentu.
Metode ini dapat diaplikasikan untuk exposure kredit pada semua tipe produk termasuk untuk kredit retail dan korporasi beserta turunannya yang pertama kali diperkenalkan oleh Credit Suisse First Boston (CSFB) ditahun 1997. Menurut Kollar dan Cisko (2014), model CreditRisk+ sangat mudah dan sederhana untuk diaplikasikan dalam menghitung expected
loss. Model ini dapat digunakan pada portofolio dengan jumlah debitur yang besar. Hal tersebut didasarkan pada distribusi poisson pada setiap kejadian gagal bayar debitur. Pendekatan yang dilakukan secara analitis dari loss distribution pada portofolio sehingga fungsi distribusi dapat diperoleh secara cepat menjadi kelebihan utama dari model CreditRisk+ (Vandendorpe, et al. 2008). Menurut Szotek, (2015) terdapat 2 tahap dalam mengukur risiko kredit menggunakan metode CreditRisk+ yaitu mengukur probability number of default dan selanjutnya number of default secara agregat.
Tabel 1.5 Komponen CreditRisk+ CreditRisk+ Credit Risk Measurement Economic Capital Aplications Exposures Default Rates Credit Default Loss Distribution Provisioning Recovery Rates Default Rates Volatilities Limits
CreditRisk+Model Scenario Analysis
Portfolio Management Sumber : Credit Suisse First Boston, 1997
Tabel 3.5 menunjukkan tiga komponen utama dalam model CreditRisk+ yaitu antara lain Credit Risk Measurement, Economic Capital dan Applications.
Komponen data dalam perhitungan model CreditRisk+ seperti pada Tabel 3.5, yaitu antara lain:
a. Credit Exposures adalah total exposure kredit debitur secara menyeluruh.
b. Default Rates adalah jumlah peristiwa yang mewakili kemungkinan terjadinya default pada setiap debitur. Default rates dapat diperoleh dengan beberapa cara, yaitu:
1) Observasi credit spread dan instrument keuangan yang diperdagangkan dapat digunakan untuk mendapatkan probability default dari penilaian pasar.
2) Menggunakan credit rating, bersama dengan mapping dari default rates ke credit ratings, dapat digunakan untuk menetapkan cara terbaik dalam mengetahui probability of default dari debitur.
3) Menggunakan continous scale yaitu sebagai pengganti kombinasi credit rating dan default rate.
c. Default Rate Volatilities adalah dimana actual default rates yang berfluktuasi di sekitar nilai rata-rata yang dapat digambarkan dengan standar deviasi (volatility) dari default rates. Standar deviasi dari default rates bila dibandingkan dengan actual default rates akan merefleksikan fluktuasi default selama siklus ekonomi.
d. Recovery Rates adalah nilai exposure pada saat terjadinya default yang dapat ditagih kembali oleh bank setelah fasilitas kredit
dihapusbukukan. Namun nilai exposure yang tidak dapat ditagih kembali merupakan jumlah kerugian yang ditanggung oleh bank. Kerugian tersebut dapat dihitung dengan rumusan nilai sebesar jumlah pinjaman yang diberikan kepada debitur dikurangi jumlah recovery. Sumber pelunasan yang umum digunakan untuk perhitungan recovery rate terbagi menjadi dua yaitu recovery rate pinjaman macet yang bersumber dari likuidasi agunan dan dari angsuran pinjaman macet (Fatimah, 2012).
Terdapat beberapa tahapan setelah data input model CreditRisk+
(Kurniawan, 2009), adalah sebagai berikut:
a. Frequency of Default Events
Frequency of default events merupakan jumlah default kredit pada satu periode. Dalam metode CreditRisk+, penyebab terjadinya default tidak diasumsikan. Default dianggap suatu peristiwa yang tidak dapat ditentukan secara tepat kapan terjadinya dan berapa jumlahnya. Diasumsikan bahwa terdapat suatu eksposur yang tergolong default yang berasal dari sejumlah debitur yang banyak namun masing- masing dengan probability of default yang kecil dan bersifat random. Model yang tepat untuk menggambarkannya adalah distribusi Poisson. Rumus probability of default dengan distribusi Poisson adalah sebagai berikut:
dimana:
e = bilangan eksponensial, yaitu = 2,718282
λ = angka rata-rata dari default per periode (mean)
n = jumlah debitur default dimana n = 0, 1, 2, 3, …, N
! = factorial
b. Severity of The Losses
Severity of the losses merupakan besarnya tingkat kerugian yang diakibatkan oleh terjadinya default. Eksposur pinjaman masing- masing debitur disesuaikan dengan anticipated recovery rate, sehingga akan mendapatkan loss given default (LGD). Penyesuaian eksposur bersifat exogenous terhadap model serta independen terhadap risiko pasar dan downgrade risk.
c. Disribution of Default Losses
Distribution of default losses merupakan hasil dari perkalian antara probability of default dengan severity of losses. Pada Poisson model, nilai rata-rata dari default rate portofolio pinjaman sama dengan varian, sehingga:
Standar deviasi = σ = √mean --- (3.2)
Untuk melakukan pengukuran risiko kredit dengan CreditRisk+ atas eksposur yang berupa portofolio, maka portofolio dibagi menjadi beberapa kelompok atau band.
Berdasarkan Credit Suisse First Boston (1997), hasil akhir dari CreditRisk+ digunakan untuk menggambarkan tingkat economic capital required dengan rumus:
Economic Capital = Unexpected Loss - Expected Loss --- (3.3) Besarnya economic capital adalah selisih dari unexpected loss pada tingkat persentile tertentu dengan nilai expected loss.
Menurut Widayanti (2010), Expected loss adalah kerugian yang dapat diperkirkan terjadinya. Adapun perkiraan terjadinya didasarkan pada data historis munculnya credit events tersebut. Untuk mengatasi kejadian expected loss, bank telah melakukan pencadangan modal yang diperoleh dari pengenaan provisi kepada debitur dan dari penyisihan penghapusan aktiva produktif (PPAP). Besarnya expected loss diperkirakan dengan mengambil nilai mean dari distribusi probabilitas. Rumus expected loss adalah sebagai berikut:
( ) --- (3.4)
Expected loss = PD x EAD x LGD --- (3.5) Dimana :
PD : Probability of Default, atau peluang debitur mengalami default dari setiap band
EAD : Exposure at default, atau jumlah debitur yang default berdasarkan band dalam suatu kelompok band
LGD : Loss Given Default, atau besarnya kerugian yang akan timbul apabila debitur default.
Sedangkan unexpected loss merupakan bagian yang mungkin bisa terjadi pada suatu debitur tertentu. Karena sifat pengukurannya adalah perkiraan, maka pengukuran ini harus diyakini dengan derajat keyakinan tertentu dengan rumus perhitungannya adalah sebagai berikut :
UL = Zα x EAD x StDev x (1-RR) --- (3.6)
Dimana :
UL : Unexpected Loss
Zα : tingkat keyakinan dari perkiraan
EAD : Exposure at Default
StDev : Standar Deviasi dari default rates
RR : Recovery Rates
Unexpected loss diukur dengan mengambil nilai kerugian maksimum pada tingkat persentile yang dipilih, misalnya 95% berarti hanya ada 5% kemungkinan bahwa kerugian akan melebihi nilai unexpected loss dan nilai unexpected loss ini dianggap sebagai ukuran VaR.
Backtesting dan validasi model harus dilakukan untuk menjaga agar akurasi model layak untuk digunakan, hal ini adalah yang disyaratkan oleh Basel Committee. Backtesting adalah suatu kerangka kerja untuk melakukan verifikasi apakah kerugian aktual masih dapat diatasi oleh nilai kerugian yang diprediksi (Fatimah, 2012). Dengan menghitung jumlah kesalahan yang terjadi dibandingkan dengan jumlah data sebagai dasar pengujian bactesting. Angka kerugian aktual atau actual loss yang digunakan sebagai pembanding nilai VaR adalah nilai exposure (EAD) portofolio kredit segmen Kredit Tanpa Agunan yang dikategorikan NPL setiap bulan selama periode pengamatan. Jika nilai actual loss lebih besar dari nilai VaR artinya VaR dapat menutupi actual loss. Selanjutnya, validasi model dilakukan dengan menghitung banyaknya jumlah real loss yang melebihi nilai VaR setiap bulan selama periode observasi dan selanjutnya dibandingkan dengan jumlah kesalahan yang masih dapat diterima selama periode observasi yang dikenal dengan metode Likelihood Ratio (LR) test. Perbandingan nilai statistik likelihood ratio dengan nilai chi-squared dengan derajat bebas pada level yang diharapkan menjadi alat ujinya. Untuk itu, pengujian LR memiliki hipotesis sebagai berikut:
H0 : LR< Chi-Squared, permodelan diterima, backtesting teruji
Penelitian Terdahulu 1.2
Metode CreditRisk+ yang digunakan pada penelitian terdahulu digunakan untuk mengetahui nilai expected loss, unexpected loss dan economic capital pada portofolio kredit antara lain kartu kredit, kredit kecil, mikro, kendaraan bermotor dan kepemilikan rumah. Sejauh ini masih belum ada perhitungan segmen Kredit Tanpa Agunan yang dilakukan analisis menggunakan metode CreditRisk+ .
Hasil penelitian Kurniawan (2009) yang melakukan analisis perhitungan CreditRisk+ untuk kredit bisnis mikro pada bank rakyat Indonesia. Hasil penelitian Kurniawan (2009), menunjukkan pengukuran risiko kredit bisnis mikro pada Bank Rakyat Indonesia dengan menggunakan model CreditRisk+
secara akurat dapat digunakan yang terlihat dari hasil pengujian validitas dengan backtesting.
Selain itu, Maelani (2010) yang melakukan pengukuran risiko kredit pada kredit pembiayaan kendaraan bermotor PT. X. Hasil pengujian model dengan menggunakan backtesting dan Likelihood Ratio, menunjukkan bahwa selama periode pengamatan jumlah kejadian yang merugikan PT.”X” dengan tingkat kerugian yang melebihi nilai VaR kredit pembiayaan kendaraan bermotor masih dibawah ambang batas jumlah kerugian yang dapat ditolerir. Dengan kata lain metode pengukuran risiko pembiayaan kendaraan bermotor dengan menggunakan CreditRisk+ dapat diterima dan cukup akurat untuk mengukur risiko pembiayaan kendaraan bermotor PT.”X”.
Penelitian mengenai penerapan model CreditRisk+ juga dilakukan oleh Fatimah (2012), dalam penelitiannya mengukur cadangan kerugian penurunan nilai dan risiko kredit kepemilikan rumah menggunakan metode CreditRisk+ pada Bank ABC menunjukkan bahwa metode CreditRisk+ valid dalam mengukur risiko kredit pemilikan rumah dan nilai expected loss yang lebih kecil dibandingkan versi Bank Indonesia sehingga Bank ABC dapat memaksimalkan pencadangan modal untuk menutupi risiko kredit yang ada. Pada penelitian Sakti (2010), dalam mengukur risiko kredit usaha kecil pada Bank X menunjukkan hasil yang sama dengan Fatimah (2012).
Penelitian terbaru mengenai CKPN oleh Vanny Pratiwi (2015) menggunakan metode CreditRisk+ juga memberikan hasil CKPN yang lebih kecil dengan perhitungan Bank XYZ sebelumnya. Hal ini berdampak terhadap optimalisasi penggunaan dana yang seharusnya dapat digunakan untuk kegiatan perbankan lainnya. Dengan perhitungan yang lebih efisien tentu bank dapat mengalokasikan dana dengan lebih maksimal guna pengembangan kredit UMKM yang menjadi objek peneliti.
Pada penelitian ini akan dilakukan perhitungan CKPN serta risiko Kredit Tanpa Agunan pada Bank XYZ menggunakan metode CreditRisk+. Penelitian ini akan mengukur risiko kredit pada segmen KTA dengan range exposure dari Rp 10 juta sampai dengan Rp 250 juta. Penelitian ini menjadi hal baru dalam penelitian perhitungan CKPN mengenai kredit pada segmen Kredit Tanpa Agunan yang belum ada sebelumnya.
Tabel 1.6 Penelitian Terdahulu dari Tesis
No No.
Nama Peneliti dan Tahun Judul Tujuan Penelitian Metode
1. Fatimah, Kristianti M. 2012.
Universitas Indonesia Pengukuran Cadangan Kerugian Penurunan Nilai dan Risiko Kredit Terhadap Kredit Pemilikan Rumah Pada Bank XYZ.
Mengukur cadangan yang dibentuk bank dari
nilai aktual kredit default CreditRisk+ 2. Iskandar, Rizaldy. 2011.
Universitas Indonesia Perhitungan Economic Capital akibat risiko kredit pada PT Toyota Astra Financial Services menggunakan metode CreditRisk+
Mengukur Economic Capital akibat dari Risiko Kredit pada PT Toyota Astra Financial menggunakan CreditRisk+
CreditRisk+ 3. Sakti, Hari. 2010. Universitas
Indonesia Aplikasi Metode CreditRisk+ dalam Pengukuran Risiko Kredit Usaha Kecil pada Bank X Mengukur risiko kredit usaha kecil di Bank X menggunakan metode CreditRisk+ CreditRisk+ 4. Kurniawan, Indra. 2009.
Universitas Indonesia Analisis Perhitungan CreditRisk+ Untuk Kredit Bisnis Mikro Pada Bank Rakyat Indonesia Mengukur risiko kredit dengan CreditRisk+ pada kredit mikro PT. BRI CreditRisk+ 5. Retno Gunarsih, Lydia. 2008.
Universitas Indonesia Analisis Pengukuran Risiko Kredit Konsumtif Dengan Metode CreditRisk+ Pada Bank X Meengukur risiko Kredit Konsumtif pada bank X menggunakan MetodeCreditRisk+ CreditRisk+ 6. Widayanti, Ira. 2010. Universitas
Indonesia Pengukuran Risiko Kredit Menggunakan Metode CreditRisk+ dengan Mempertimbangkan Variabel Makroekonomi.
Menghubungkan pengaruh risiko kredit
Tabel 1.7 Penelitian Terdahulu dari Jurnal Lokal
No. Nama Peneliti dan Tahun Judul Tujuan Penelitian Metode
1. Savitri, Avriani O dan Nuzula Firdausi A 2014. Jurnal
Administrasi dan Bisnis. Vol.12.
No.1
Analisis Manajemen Risiko Kredit dalam Meminimalisir Kredit Bermasalah pada Kredit Usaha Rakyat
Menganalisis penerapan manajemen risiko kredit dalam meminimalisir kredit bermasalah pada KUR di Bank Jatim Cabang Mojokerto
CreditRisk+
2. Meilani, Any. 2010. Jurnal
Organisasi dan
Manajemen.No.2.Vol.6
Penerapan Metode CreditRisk+ dalam Pengukuran Risiko Kredit Kendaraan Bermotor (Kasus pada PT. X). Universitas Terbuka
Mengukur risiko kredit Kendaraan bermotor Dengan menggunakan metode CreditRisk+
CreditRisk+ 3. Anggita Setiastiningsih, Harjum
Muharam, Wisnu Mawardi. (2016). Jurnal eprints Undip.
Analisis Perbandingan Risiko Kredit Dengan Menggunakan Pendekatan Creditrisk+ Dan Pendekatan Standar
Mengukur jumlah expected loss dan unexpected loss dari Kredit Usaha Mikro Bank Mandiri jika menggunakan pendekatan model CreditRisk+.
CreditRisk+
4. Nursella dan
Ferry Idroes. (2013). Jurnal
Universitas Trisakti.
Analisa Perbandingan Tingkat Risiko Pembiayaan Murabahah Dengan Risiko Pembiayaan Bagi Hasil Pada Perbankan Syariah
(Studi Kasus Unit Usaha Syariah Bank X)
Untuk mengetahui perbandingan tingkat risiko pembiayaan murabahah, mudharabah, dan musyarakah dari tahun 2010 sampai 2012
CreditRisk+
5. Yudia Yustine, Abdul Hoyyi, Di Asih I Maruddani. JURNAL
GAUSSIAN, Volume 1, Nomor
1, Tahun 2012, Halaman 259-268
Pengukuran Probabilitas Kebangkrutan Dan Valuasi Obligasi Korporasi Dengan Metode Creditrisk+
Mengukur probabilitas kebangkrutan dan valuasi obligasi korpora
6. Sudiyatno, Jurnal Organisasi
dan Manajemen Vol 9, No 1
(2013)
Pengaruh Risiko Kredit Dan Efisiensi Operasional Terhadap Kinerja Bank (Studi Empirik Pada Bank Yang Terdaftar Di Bursa Efek Indonesia)
Mengidentifikasi faktor mana, dari risiko kredit dan efisiensi operasi yang pengaruhnya lebih besar terhadap kinerja bank
Purposive sampling, regresi linier berganda
7. Mardi Mardi, Liya Faradila.
Jurnal Organisasi dan Manajemen. Vol 12, No 1 (2016)
Pengaruh Non Performing Loan (Npl) Dan Bunga Pinjaman Terhadap Tingkat Profitabilitas Bank Umum Swasta Nasional
menguji pengaruh yang disebabkan oleh Non Performing Loan (NPL) dan bunga pinjaman terhadap profitabilitas bank umum swasta nasional.
Random sampling
8. Ira Yunitasari. Jurnal Administrasi dan Bisnis Vol 26,
No 2 (2015)
Analisis Prosedur Pemberian Kredit Modal Kerja Dalam Usaha Mengantisipasi Kredit Bermasalah (Studi Pada Pt.Bank Rakyat Indonesia (Persero) Tbk Cabang Jombang)
Mengantisipasi kredit bermasalah yang terjadi pada kredit modal kerja melalui pengawasan kredit dan prosedur pemberian kredit yang baik
Kualitatif - Wawancara
9. Tigor Sitorus. Jurnal Organisasi
dan Manajemen Vol 9, No 2
(2013)
Pengaruh Pengendalian Kualitas Kredit Terhadap Disfungsional Perilaku Petugas Kredit Dan Implikasinya Terhadap Kinerja Kredit
Mengembangkan model teoritis dan model empiris dari Kualitas Pengendalian Kredit berdasarkan Kekayaan Informasi untuk meningkatkan kinerja,
Structural Equation Modeling dan Analisis Jalur 10. Oktavia Anggra Dewi. Jurnal
Administrasi dan Bisnis Vol 9,
No 2 (2014)
Analisis Manajemen Kredit Guna Meminimalisir Kredit Bermasalah (Studi PADA Koperasi Bank Perkreditan Rakyat Pancadana Batu)
Menganalisisi manajemen kredit guna meminimalisir kredit bermasalah.
Tabel 1.8 Penelitian Terdahulu dari Jurnal Internasional
No. Nama Peneliti dan Tahun Judul Tujuan Penelitian Metode
1. Kollar, Boris dan Cisko, Stefan. 2014.
EDU Gait Press. Credit Risk Quantification with the Use of CreditRisk+ Memperkenalkan konsep dasar yang berhubungan dengan model CreditRisk+ CreditRisk+ 2. Vandendorpe et al.2008.. Insurance:
Mathematics and Economics. Vol.42, pp:
736-745
On The Parameterization of The CreditRisk+ Model For Estimating Credit Portofolio Risk
Menginvestigasi faktor yang terkait dengan
kredit bermasalah CreditRisk+
3. Annika Westphal. Int. J. Financial Stud.
2015, 3(3), 244-279 Systemic Risk in the European Union: A Network Approach to Banks’ Sovereign Debt Exposures.
Draws on network theory to investigate
European banks’ sovereign debt exposures CDS spreads 4. Szotek, Jakub. 2015. Ann. Univ.
Paedagog. Crac. Stud. Math. Vol.14,Pp.
37-46
Generalized CreditRisk+ Model and
Applications Memperlihatkan secara matematika model CreditRisk+ sebagai alat untuk menghitung risiko kredit dalam portofolio kredit
CreditRisk+
5. Klieṧtik, Tomǎṧ & Cȗg, Juraj. 2015. Procedia Economic and Finance. Pp. 256-361
Comparison of Selected Models of
Credit Risk Melihat perbedaan antara moel-model dalam pengukuran risiko kredit yaitu sbb: 1. Merton model 2. Credit Metrics 3. CreditRisk+ 4. Credit Grades 1. Merto model 2. Credit Metrics 3. CreditRisk+ 4. Credit Grades
No. Nama Peneliti dan Tahun Judul Tujuan Penelitian Metode 6. Kollǎr, Boris & Gondẑǎrovǎ, Barbora.
2015. Procedia Economic an Finance. Vol. 23 (2015), Pp. 341-347
Comparison of Curent Credit Risk
Models Membandingkan karakteristik dasar dari tiga model risiko kredit yang biasa digunakan 1. KMV 2. Credit Metrics 3. CreditRisk+ 7. Spuchl’akova, Erika & Cȗg, Juraj. 2015.
Procedia Economic and Finance. Vol
23. Pp. 439-444
Credit Risk and LGD Modelling Melakukan identifikasi terhadap karakteristik
LGD LGD Modelling
8. Nystrӧm, Kaj &Skoglund,Jimmy. 2006.Journal Banking& Finance. Vol 30. Pp. 2163-2197
A Credit Risk Modelfor Large Dimensional Portfolios with Application to Economic Capital
Pendekatan dilakukan dengan menggunakan konsep economic capital yang berdasarkan teori risiko dan proses risko
Terdapat 3
substansiportfolio model: 1. Migrasistokasitik 2. Proses recovery 3. Struktur arus kas
kredit 9. Miṧǎnkovǎ,Maria.,Kočiṧovǎ, Katarina &
Klieṧtik. Tomǎṧ.2014.8th. International
Scientific Conference
Comparison of Merton’s Model, Black
and Cox Model and KMV Model Membandingkan Model pengukuran risiko kredit Melihat perbandingan antara model: 1. Merton model 2. Balck and Cox
model 3. KMV model 10. Buc, Daniel. 2013. TRANSCOM 2013 Calculation methods for VaR Model VaR dilakukan untuk mengestimasi
asumsi modal, alokasi dari investasi, evaluasi individual debitur, informasi operational, manajemen risiko keuangan, dan integrasi beberapa tipe risiko
Penentuan nilai VaR dilakukan dengan cara;
1. Metode variance dan co variance 2. Metode simulasi
historis
No. Nama Peneliti dan Tahun Judul Tujuan Penelitian Metode 11 Asevani, Renzo. G; Liu Kexue;
Mirestean, Ali and Salvati, Jean. (2006). Riview and implementation of Credit risk models of the financial sector assessment program.
Manajemen Risiko CreditRisk
12 Saunders, Anthony and Cornett,
Marcia Millon. (2007). Risk management, financial markets and institutions, an introduction to the risk management approach. Third Edition, Mc Graw Hill.
Manajemen Risiko Management approach
13 Gavalas, Dimitris dan Theodore Syriopoulos. Int. J. Financial Stud. 2014, 2(1), 122-143
Bank Credit risk Management and Rating Migration Analysis on the Business Cycle
The empirical findings are useful and critical for banks to align to Basel guidelines in relation to core capital requirements and risk-weighted assets in the underlying loan portfolio
Credit rating migration
14 Muhsin Kar , Tayfur Bayat and Selim
Kayhan. (2016). 4, 14. Impacts of Credit Default Swaps on Volatility of the Exchange Rate in Turkey: The Case of Euro
Investigate the impacts of credit default swaps
(CDS) Rolling windows causality
15 Mehdi Khashei and Akram Mirahmadi.