Mengukur Risiko Saham TLKM: Mengapa Simulasi Tradisional (GBM) Sering Kali “Buta” Terhadap Black Swan?

Pernahkah kamu bertanya-tanya, bagaimana perilaku sebuah sistem jika dihadapkan pada ketidakpastian? Pertanyaan fundamental inilah yang menjadi dasar bagi banyak bidang — mulai dari engineering, manufaktur, hingga keuangan — untuk memanfaatkan Simulation Modelling. Bahkan di era modern, pendekatan ini menjadi fondasi bagi pengembangan digital twin, di mana sistem nyata direpresentasikan secara matematis untuk menguji berbagai skenario, mengukur risiko, dan mengevaluasi keputusan sebelum dampaknya benar-benar terjadi di dunia nyata.

Di dunia keuangan, Monte Carlo Simulation adalah metode yang paling populer karena mampu memberikan pandangan probabilistik terhadap masa depan, bukan hanya satu titik prediksi kaku. Ketika volatilitas pasar sedang tinggi, Monte Carlo jauh lebih unggul dalam melakukan evaluasi risiko dibandingkan metode deterministik atau grafikal biasa.

Namun, apakah model Monte Carlo yang selama ini kita gunakan sudah cukup realistis? Mari kita bedah melalui eksperimen pada saham TLKM.

Retaknya Asumsi “Dunia Normal” (GBM vs. Black Swan)

Sebagian besar implementasi Monte Carlo di pasar saham masih berbasis Geometric Brownian Motion (GBM). Model klasik ini bekerja dengan asumsi yang sangat ideal:

• Pergerakan harga bersifat kontinu.
• Volatilitas bernilai konstan.
• Distribusi return mendekati distribusi normal (kurva lonceng yang rapi).

Nyatanya, pasar saham tidak seramah itu. Sejarah dan riset membuktikan bahwa kejadian ekstrem seperti market crash, panic selling, atau rally tiba-tiba terjadi jauh lebih sering daripada yang diprediksi oleh distribusi normal. Fenomena inilah yang disebut sebagai Fat Tail Phenomenon.

Oleh karena itu, kita perlu meningkatkan fungsi simulasi ini: bukan lagi sekadar memprediksi harga (price forecasting), melainkan untuk analisis risiko (risk analysis) yang mendalam dengan memasukkan variabel Jump Diffusion (Black Swan).

Perbandingan Karakteristik Model

AspekGeometric Brownian Motion (GBM)Black Swan (Jump Diffusion)Pergerakan Harga

• Mulus / kontinu
• Ada lompatan diskontinu (extreme events)

Risiko Ekstrem

• Underestimate (meremehkan risiko)
• Terwakili dengan baik dalam distribusi

Analogi

• Cuaca normal
• Cuaca normal + badai besar yang jarang terjadi

Pendekatan Black Swan ini sejalan dengan teori modern yang menyatakan bahwa risiko ekstrem sebenarnya bersifat endogen (berasal dari dalam sistem kompleks itu sendiri), bukan sekadar noise acak dari luar.

Studi Kasus & Konfigurasi Simulasi Saham TLKM

Untuk melihat perbedaannya secara nyata, eksperimen dilakukan pada saham TLKM dengan parameter berikut:

• Horizon Waktu: 1 tahun (252 hari trading).
• Data Historis: 5 tahun.
• Jumlah Jalur Simulasi: 10.000 jalur.
• Parameter Black Swan: Intensitas lompatan ($\lambda$) sebanyak 2 kejadian/tahun, dengan rata-rata magnitude -15% (negatif mengindikasikan crash, positif mengindikasikan rally), dan dispersi lompatan 20%.

Hasil Eksperimen: Kontras yang Mengejutkan

Setelah menjalankan 10.000 jalur simulasi, perbedaan antara model standar (GBM) dan model integrasi (GBM + Black Swan) menunjukkan angka yang sangat kontras.

1. Model Standar (GBM)

Jalur Simulasi GBM

Distribusi Harga Akhir (252 Hari Trading)

• Probabilitas: Peluang harga naik sebesar 52,1% dan turun 47,9%.
• Tail Risk: Value at Risk (VaR) 95% berada di angka ~(-37,6%) dan VaR 99% ~(-49,2%).
• Karakter: Harga bergerak halus mengikuti tren historis. Model ini menganggap kejadian ekstrem sebagai sesuatu yang sangat mustahil sehingga cenderung diabaikan.

2. Model Integrasi (GBM + Black Swan)

Jalur Simulasi Black Swan + GBM

Distribusi Harga Akhir (252 Hari Trading)

• Probabilitas: Peluang harga naik bergeser menjadi 49% dan turun menjadi 51%.
• Tail Risk: VaR 95% membengkak hingga ~(-57,7%) dan VaR 99% melonjak drastis ke angka ~(_71,7%).
• Karakter: Sebanyak 86,3% simulasi berhasil menangkap adanya lompatan drastis (dengan rata-rata 2 kejadian ekstrem per tahun). Ini mencerminkan realitas pasar yang tidak efisien dan memiliki risiko “terjun bebas”.

Realisme vs. Teori: Poin Penting untuk Investor

*1. Bahaya Mengabaikan “Ekor Gemuk” (Fat Tails) Simulasi standar (GBM) menghasilkan kurva lonceng yang sangat rapi. Namun, kerapian ini semu karena mengabaikan risiko ekstrem. Model Black Swan mengakui adanya fat tails, yang terbukti memperdalam potensi kerugian nyata (menaikkan VaR 95% dari -37,6% ke -57,7%).*

*2. Fungsi sebagai Stress Test Model Monte Carlo standar memang berguna untuk perencanaan jangka panjang dalam kondisi makro yang normal. Namun, menyuntikkan variabel Black Swan berfungsi sebagai Stress Test krusial yang mampu mengungkap risiko kehancuran total (VaR 99% hingga -71,7%) yang biasanya tidak terdeteksi model biasa.*

Kesimpulan

Eksperimen pada saham TLKM ini membuktikan bahwa risiko terbesar dalam investasi bukanlah fluktuasi harian, melainkan kejadian ekstrem (Black Swan). Model Monte Carlo tradisional (GBM) cenderung underestimate terhadap risiko riil pasar.

Bagi para pelaku institusi atau investor yang risk-sensitive, integrasi jump diffusion memberikan landasan keputusan yang jauh lebih efektif. Model ini tidak hanya menyuapi kita dengan nilai rata-rata yang menenangkan, melainkan sukses memetakan batas kerugian terdalam dan skenario terburuk yang bisa saja terjadi besok.

Referensi:

• Norozpour, S. (2024). Mathematical Optimization of Monte Carlo Simulation Parameters for Predicting Stock Prices. IJET.
• Zhang, J. (2025). Black Swan Optimization Algorithm: Endogenous Risk and Structural Deviation Search.

Bagaimana pendapat rekan-rekan? Apakah kamu masih mengandalkan model distribusi normal untuk menghitung risiko portofoliomu? Mari diskusi di kolom komentar!