Model Simulasi ALM: Monte Carlo vs. Berbasis Skenario

Dalam manajemen aset dan kewajiban (ALM), model simulasi memproyeksikan bagaimana pergerakan suku bunga memengaruhi nilai ekonomi aset dan kewajiban seiring waktu. Dua pendekatan utama adalah simulasi Monte Carlo dan simulasi berbasis skenario. Simulasi Monte Carlo menggunakan teknik jalur stokastik—juga disebut simulasi stokastik—untuk menghasilkan ratusan atau ribuan jalur suku bunga masa depan yang mungkin berdasarkan asumsi probabilistik (mis., mean reversion, volatilitas). Sebaliknya, simulasi berbasis skenario membangun sekumpulan jalur yang terbatas, secara ekonomi koheren, dan berorientasi ke depan—sering kali berlandaskan episode historis, peristiwa stres, atau proyeksi makroekonomi—untuk mengevaluasi alternatif strategis diskrit atau hasil solvabilitas.

Simulasi Monte Carlo dalam ALM mengandalkan Generator Skenario Ekonomi (ESG) untuk mensimulasikan sejumlah besar jalur suku bunga stokastik, biasanya dengan menggunakan model struktur tenor dinamis. Setiap jalur mewakili evolusi potensial suku bunga jangka pendek, bentuk kurva hasil, dan volatilitas selama horizon proyeksi. Model ALM kemudian menilai kembali aset dan kewajiban pada setiap jalur, menghasilkan distribusi hasil untuk metrik seperti nilai ekonomi ekuitas (EVE) atau pendapatan bunga bersih (NII). Distribusi ini memungkinkan perhitungan interval kepercayaan, Value-at-Risk (VaR), atau expected shortfall untuk risiko suku bunga.

• Landasan pemodelan stokastik: Menggunakan ESG yang terkalibrasi untuk mensimulasikan jalur yang konsisten dengan data pasar yang diamati dan teori ekonomi (mis., model Cox-Ingersoll-Ross atau Hull-White).
• Distribusi hasil: Menghasilkan output probabilistik penuh, mendukung metrik risiko yang mengukur eksposur ekor dan kerugian yang diharapkan.
• Penggunaan dalam praktik: Umumnya diterapkan dalam validasi model internal, alokasi modal, dan pemodelan EAR dinamis untuk penyusunan anggaran serta perencanaan strategis.

Simulasi berbasis skenario membangun sekumpulan kecil—biasanya 3 hingga 10—jalur makroekonomi dan suku bunga yang masuk akal serta konsisten secara internal. Skenario ini dapat bersifat historis (mis., pengetatan 1979‑1982), hipotetik (mis., kebangkitan inflasi cepat), atau berbasis proyeksi (mis., outlook makro konsensus). Setiap skenario diterapkan secara deterministik pada model ALM, menghasilkan estimasi titik EVE atau NII pada masing‑masing jalur. Pendekatan ini menekankan interpretabilitas dan koherensi naratif dibandingkan presisi statistik.

• Desain berbasis narasi: Skenario dipilih untuk mencerminkan titik stres atau infleksi strategis yang kredibel, sering kali selaras dengan ekspektasi pengawas atau kerangka kerja apetitas risiko internal.
• Dukungan keputusan: Digunakan untuk menilai trade‑off strategis—seperti reposisi aset atau keputusan lindung nilai—dalam rezim makroekonomi tertentu.
• Integrasi dengan tata kelola: Memfasilitasi dukungan dari pemangku kepentingan non‑teknis dengan mendasarkan analisis pada asumsi yang jelas dan berbasis cerita.

Simulasi Monte Carlo dan simulasi berbasis skenario berperan saling melengkapi dalam ALM, masing‑masing dengan kekuatan dan keterbatasan yang berbeda.

• Cakupan vs. kejelasan: Monte Carlo memberikan cakupan probabilistik yang luas, menangkap risiko ekor dan ketidakpastian statistik, namun output‑nya dapat bersifat abstrak dan sulit dipetakan ke tindakan spesifik. Simulasi berbasis skenario menawarkan wawasan yang jelas dan dapat ditindaklanjuti, namun mungkin meremehkan peristiwa berprobabilitas rendah namun berdampak tinggi yang tidak termasuk dalam skenario yang dipilih.
• Risiko model: Monte Carlo sensitif terhadap kalibrasi ESG dan asumsi distribusi; kesalahan pada volatilitas atau parameter mean‑reversion dapat mendistorsi estimasi risiko. Simulasi berbasis skenario rentan terhadap bias seleksi—mengabaikan jalur yang masuk akal atau terlalu mengandalkan analog historis yang mungkin tidak terulang.
• Kesesuaian regulasi: Pengawas (misalnya, OCC) mengakui kedua pendekatan, namun metode berbasis skenario sering dipilih untuk stress testing pengawasan dan pelaporan strategis, sementara Monte Carlo mendukung validasi model internal dan pengukuran risiko dinamis.

Misalkan sebuah institusi ingin menilai dampak dari pergeseran naik paralel sebesar 200 basis poin pada suku bunga selama dua tahun. Dalam simulasi Monte Carlo, ESG menghasilkan 5.000 jalur di mana suku bunga pendek mengikuti proses mean‑reverting dengan volatilitas yang telah dikalibrasi; distribusi perubahan EVE yang dihasilkan dapat menunjukkan kerugian pada persentil ke‑5 sebesar $120 juta dan keuntungan pada persentil ke‑95 sebesar $45 juta. Dalam simulasi berbasis skenario, satu jalur deterministik—yang mencerminkan pergeseran 200 bp dan dinamika kurva hasil yang diimplikasikannya—digunakan, menghasilkan estimasi titik penurunan EVE sebesar $90 juta. Output Monte Carlo mendukung perhitungan modal dan VaR; output skenario mendukung diskusi tingkat dewan tentang respons strategis, seperti mempercepat repricing aset atau menyesuaikan target durasi.

• Gunakan simulasi Monte Carlo ketika memperkirakan metrik risiko yang memerlukan ketelitian statistik—misalnya, modal ekonomi, VaR, atau expected shortfall—atau ketika mengevaluasi dampak ketidakpastian pada hasil strategis jangka panjang di seluruh kumpulan jalur yang luas.
• Gunakan simulasi berbasis skenario ketika menyampaikan risiko kepada badan tata kelola, menguji keputusan strategis di bawah rezim makroekonomi tertentu, atau menyesuaikan dengan kerangka kerja stress testing pengawas di mana koherensi naratif dan dapat ditindaklanjuti diprioritaskan dibandingkan kelengkapan probabilistik.

Kedua metode sering digunakan secara bersamaan: Monte Carlo untuk validasi model internal dan kuantifikasi risiko, serta analisis berbasis skenario untuk pengambilan keputusan strategis dan pelaporan regulasi.