Risiko Portofolio Industri Robo-advisor: Efisiensi atau Pemotongan Sudut?

Penasihat Robo telah menjadi terkenal selama dekade terakhir, dengan sub-sektor tekfin mendorong keterlibatan yang lebih aktif dari investor muda dan massa dalam tabungan dan investasi. Penasihat Robo bertujuan untuk mendemokratisasikan nasihat keuangan dan menghadirkan layanan berkualitas tinggi, yang sebelumnya tersedia secara eksklusif untuk investor kaya dan canggih. Singkatnya, robo-advising adalah bentuk manajemen investasi yang mengalihdayakan strategi portofolio ke suatu algoritma. Konstruksi portofolio dan penyeimbangan kembali dilakukan secara otomatis dengan bantuan komputer, memberikan solusi manajemen kekayaan yang lebih terjangkau dan potensi pengurangan kesalahan dan bias manusia.

Banyak startup di lapangan berjuang untuk mencapai titik impas dan menunjukkan diferensiasi merek. Apa cara terbaik bagi robo-advisor untuk terus mendemokratisasikan investasi dan menghasilkan keuntungan sambil menyampaikan risiko portofolio yang sebenarnya?

Dari mana datangnya Robo-advising?

Betterment dan Wealthfront adalah dua dari robo-advisor yang paling menonjol, dengan yang pertama diluncurkan pada tahun 2008. Pada tahun 2019, sektor ini diperkirakan memiliki aset yang dikelola secara global senilai $440 miliar, dan seiring waktu, pengelola kekayaan tradisional, seperti Vanguard, juga telah mengadopsi teknik seperti itu. Meskipun benar-benar berbeda dari platform perdagangan yang hanya melakukan eksekusi, seperti Robinhood, pesan pemberdayaan keuangan kedua sektor telah dianut oleh investor muda, yang secara tradisional tidak tertarik secara aktif dalam tabungan pensiun sampai nanti dalam karir mereka.

Salah satu proposisi nilai utama dari robo-advisor populer adalah bahwa mereka membantu klien memahami risiko dan biaya yang terkait dengan portofolio, alih-alih hanya berfokus pada pengembalian. Argumen menentang manajemen kekayaan yang dipimpin oleh penasihat keuangan tradisional adalah ketidakselarasan insentif, di mana aset yang mahal dan berkinerja buruk disalurkan ke investor, yang tidak dapat menguraikan angka secara objektif untuk mendapatkan garis pandang pada kinerja. Untuk itu, penasihat robo telah menjadi pendukung investasi pasif, menghindari dana yang dikelola secara aktif mahal untuk dana indeks ekonomis dan dana yang diperdagangkan di bursa (ETF).

Manajemen Risiko dan Penasihat Robo

Sementara sebagian besar robo-advisor biasanya menggunakan teori portofolio modern (kadang-kadang bersamaan dengan metodologi lain yang diteliti dengan baik) untuk membangun portofolio investor, mereka menggunakan cara yang berbeda untuk mengekspresikan tingkat risiko yang terkait dengan portofolio tersebut. Sebagian besar profesional investasi setuju bahwa risiko sama pentingnya dengan pertimbangan pengembalian dalam pemilihan portofolio. Faktanya, sebagian besar praktisi terus terinspirasi oleh kerangka optimasi varians rata-rata yang diilustrasikan oleh disertasi pemenang Hadiah Nobel Harry Markowitz tahun 1952 tentang pemilihan portofolio.

Namun, risiko biasanya tidak dipahami dengan baik oleh investor rata-rata sebagai pengembalian yang diharapkan. Ini karena toleransi risiko individu didorong tidak hanya oleh kinerja masa lalu dan ekspektasi rasional tetapi juga oleh keadaan pribadi yang unik dan faktor emosional lainnya seperti harapan dan ketakutan. Juga, toleransi risiko individu bukanlah ukuran statis. Sebagian besar individu pasti akan menganggap toleransi risiko mereka lebih rendah pada tahun 2020, karena ketidakpastian yang disajikan oleh COVID-19, daripada waktu mana pun selama dekade terakhir. Keinginan dari portofolio yang direkomendasikan dinilai oleh investor sebagian oleh persepsi mereka sendiri tentang keberisikoan portofolio. Inilah sebabnya mengapa sangat penting bagi robo-advisor untuk menggambarkan dengan jelas risiko sehingga investor dapat memahami keberisikoan dan menghubungkannya dengan toleransi, tujuan, dan preferensi emosional mereka sendiri.

Penasihat Robo menggunakan ukuran kuantitatif atau kualitatif untuk membantu klien memahami risiko. Setiap ukuran memiliki kelebihan dan keterbatasan.

Tingkat Risiko Kualitatif: Pertumbuhan Agresif atau Tinggi?

Sebagian besar penasihat robo menetapkan peringkat risiko kualitatif berdasarkan bagaimana investor menjawab daftar pertanyaan psikometrik yang telah ditentukan sebelumnya. Ini umumnya akan berkisar pada skala numerik dari "Sangat Konservatif" hingga "Sangat Agresif."

Peringkat risiko kualitatif memiliki keuntungan yang jelas, karena membuat persepsi risiko berbagai portofolio relatif satu sama lain menjadi mudah bagi investor. Misalnya, portofolio yang diberi peringkat "Agresif" mungkin secara inheren lebih berisiko daripada portofolio yang diberi label "Konservatif." Pertanyaan psikometrik membantu mempersempit toleransi investor terhadap kerugian dan mengidentifikasi tingkat risiko yang sesuai.

Namun, peringkat kualitatif mungkin tidak memberikan pemahaman yang jelas sehubungan dengan variabilitas portofolio yang diharapkan. Mungkin tidak jelas seberapa volatilitas portofolio agresif, dibandingkan dengan portofolio moderat. Kemungkinan besar, peringkat risiko 6 mungkin tidak berarti bahwa portofolio tersebut dua kali lebih berisiko daripada peringkat 3. Selain itu, persepsi risiko dapat bervariasi berdasarkan bagaimana peringkat risiko diungkapkan. Investor dapat melihat portofolio berisiko tinggi secara berbeda, tergantung pada apakah itu diberi label "Pertumbuhan Tinggi" atau "Sangat Agresif." Oleh karena itu kategorisasi semacam itu memperkenalkan lapisan subjektivitas pada daya tarik yang dirasakan dari portofolio.

Kekhawatiran saya dengan robo-advisors yang terlalu menekankan risiko kualitatif adalah bahwa hal itu dapat memberi investor rasa aman yang salah mengenai kinerja portofolio mereka yang sedang berlangsung. Skor risiko arbitrer di seluruh rentang agresif/konservatif mungkin terlalu luas dan akhirnya berakhir dengan keputusan perencanaan pembiayaan yang kurang optimal oleh investor yang keadaannya mungkin lebih kompleks daripada yang diperkirakan sebelumnya. Kekhawatiran mengenai risiko yang terlalu disederhanakan digaungkan dalam seruan peraturan tentang penasihat robot yang terlibat dalam kesalahan penjualan sistemik, dengan investor gagal memahami sifat sebenarnya dari produk tersebut.

Peningkatan adopsi langkah-langkah risiko kuantitatif institusional (digunakan oleh bank, dana, dan kantor keluarga) dengan pendidikan pelanggan bisa menjadi kunci untuk tahap selanjutnya dari robo-advising. Ini benar-benar dapat memajukan industri dan sejalan dengan gerakan nasional untuk meningkatkan pendidikan literasi keuangan.

Ukuran Risiko Kuantitatif untuk Portofolio Investasi

Menjinakkan Volatilitas: Nilai Beresiko

Value at Risk, atau VaR, adalah ukuran volatilitas portofolio yang paling populer. Sederhananya, VaR adalah ukuran kerugian yang diharapkan minimum sebagai tingkat probabilitas tertentu (juga dikenal sebagai tingkat kepercayaan atau persentil). Misalnya, jika 99% VaR portofolio adalah 12%, itu berarti 99% kemungkinan kerugian dari portofolio tidak akan melebihi 12% selama periode tertentu. Dengan kata lain, ada kemungkinan 1% kerugian portofolio akan lebih dari 12%. VaR sudah diterapkan oleh beberapa robo-advisor, dengan salah satu contoh penggunaannya berasal dari StashAway Singapura, yang mencantumkan pedoman 99% ke dalam ukuran yang disebut "Indeks Risiko."

VaR dapat dihitung dengan menggunakan metode yang berbeda. Metode historis mengurutkan pengembalian historis portofolio berdasarkan besarnya dan mengidentifikasi pengembalian yang diamati pada persentil tertentu (biasanya 95% atau 99%). Metode varians-kovarians mengasumsikan bahwa pengembalian terdistribusi secara normal dan menggunakan standar deviasi portofolio untuk memperkirakan di mana pengembalian 5% atau 1% terburuk akan terletak pada kurva lonceng. VaR juga dapat diperkirakan menggunakan simulasi Monte Carlo, yang menghasilkan pengembalian 5% atau 1% terburuk berdasarkan hasil probabilistik.

Popularitas VaR muncul dari fakta bahwa memudahkan investor untuk memahami variabilitas portofolio dan menghubungkannya dengan toleransi pribadi mereka terhadap kerugian. Namun, kami dapat memperoleh hasil yang berbeda tergantung pada input dan metodologi yang digunakan untuk menghitung VaR, yang memengaruhi keandalan pengukuran. Juga, VaR sangat bergantung pada banyak asumsi, seperti pengembalian yang didistribusikan secara normal dan diselaraskan dengan pengembalian historis. Akhirnya, 99% VaR dari 12% (dijelaskan di atas) tidak menginformasikan investor mengenai jumlah kerugian yang dapat diharapkan dalam skenario terburuk.

Berbagai peringatan di balik VaR mungkin membatasi keunggulannya dalam platform robo-advising, dengan itu dilihat sebagai metrik yang rumit untuk dipahami pengguna. Contoh StashAway mencapnya ke metrik yang lebih mudah dicerna menunjukkan bagaimana hambatan ini dapat dipecah dengan lebih meyakinkan.

Nilai Bersyarat Beresiko

Mengatasi salah satu kekurangan VaR, nilai bersyarat yang berisiko, atau CVaR, memberikan kerugian yang diharapkan kepada investor dalam skenario terburuk. Pada tingkat kepercayaan 99%, CVaR dihitung sebagai pengembalian portofolio rata-rata dalam skenario 1% terburuk. CVaR diperkirakan menggunakan metode yang sama dengan VaR. Meskipun dapat membantu memberikan gambaran yang lebih jelas tentang skenario terburuk dibandingkan dengan VaR, VaR mungkin mengalami kekurangan yang serupa karena asumsi dan metodologi yang digunakan dalam estimasi.

Putusnya pasar pada tahun 2020 cenderung merusak pola distribusi normal, menunjukkan bahwa menambahkan lebih banyak ukuran risiko portofolio “3 dimensi”, seperti CVar, dapat menguntungkan. Dalam hubungannya dengan ukuran VaR standar, data CVaR akan meningkatkan penawaran manajemen risiko dari robo-advisor dan sangat cocok, mengingat sebagian besar aset robo adalah dana indeks (keranjang saham).

Pengembalian Terbaik dan Terburuk

Pengembalian terbaik dan terburuk terkait dengan pengembalian berkala dari sekuritas atau portofolio selama jangka waktu tertentu. Pengembalian dapat dihitung secara harian, bulanan, atau tahunan, tergantung pada jangka waktu investor. Kerangka waktu biasanya ditentukan oleh ketersediaan data, tetapi dapat berdampak pada hasil pengamatan terbaik dan terburuk jika kita tidak menggunakan cakrawala waktu yang cukup lama.

Pengembalian Terbaik dan Terburuk untuk Aset AS: 1973-2016

Ukuran tersebut menggunakan pengembalian historis untuk memberi investor indikasi skenario terbaik dan terburuk. Satu keuntungan yang jelas adalah bahwa, tidak seperti VaR, ia membedakan antara pengembalian positif dan negatif, alih-alih mengasumsikan distribusi normal. Investor cenderung tidak mempermasalahkan volatilitas positif dan kebanyakan khawatir tentang risiko penurunan absolut. Juga, tidak seperti CVaR, ini menunjukkan hasil pengamatan terburuk yang absolut alih-alih mengambil rata-rata pengembalian, yang mungkin meremehkan skenario terburuk. Namun, seperti ukuran kuantitatif lainnya, ini cenderung melihat ke belakang dan juga bergantung pada kumpulan data hasil yang diamati.

Langkah-langkah risiko Pengembalian Terbaik dan Terburuk sangat cocok untuk platform robo-advisor karena mereka berkomunikasi dengan jelas kepada investor tanpa bergantung pada rasio keuangan yang mengintimidasi. Namun, salah satu risiko tersebut adalah bahwa mereka mungkin memainkan bias irasional dan mendorong penjualan panik ke pasar yang jatuh atau dengan keras kepala mempertahankan pecundang.

Mengukur Risiko Kuantitatif Sendiri

Mari kita lihat bagaimana VaR, CVaR, dan pengembalian Terbaik dan Terburuk dapat dihitung untuk portofolio aset tunggal. Aset yang dipertimbangkan adalah SPY, yang merupakan ETF yang melacak saham AS berkapitalisasi besar.

Data yang digunakan untuk perhitungan di bawah ini berkaitan dengan NAB dan pengembalian bulanan SPY dari Juli 2007 sampai Juni 2020. Perhitungan dapat dilakukan dengan menggunakan fungsi Excel atau Google Sheets.

VaR - 11,8% VaR menyiratkan bahwa kemungkinan SPY kehilangan lebih dari 11,8% pada bulan tertentu adalah 1%. Dengan kata lain, SPY memberikan pengembalian bulanan yang lebih baik daripada kerugian 11,8% dalam 99% setiap bulan. Langkah-langkah (Google Spreadsheet/Excel):

1. Hitung pengembalian bulanan historis dari data harga saham/NAB.
2. Gunakan fungsi PERCENTILE.INC menggunakan larik pengembalian historis dan persentil yang diinginkan (misalnya, 1% untuk interval 99%) sebagai input.

CVaR - 14,5% CVaR menyiratkan bahwa kerugian bulanan yang diharapkan di SPY selama 1% hasil terburuk adalah 14,5%. Ini dapat ditentukan di Google Spreadsheet/Excel dengan menggunakan fungsi AVERAGEIF untuk menghitung rata-rata pengembalian yang kurang dari hasil VaR.

Pengembalian terbaik dan terburuk - Seperti yang ditunjukkan pada tabel, pengembalian bulanan terbaik dan terburuk yang diamati di SPY selama periode 2007-2020 masing-masing adalah +13% dan -16%. Ini dapat dihitung dengan cepat menggunakan fungsi MIN dan MAX .

Seperti disebutkan, penting untuk dicatat bahwa tindakan ini dapat menghasilkan nilai yang berbeda, tergantung pada metode serta periode pengamatan. Pilihan metodologi dan periode harus didasarkan pada faktor-faktor seperti ketersediaan data, cakrawala waktu investasi yang diharapkan, dan penilaian pribadi.

Diferensiasi Melalui Ukuran Kuantitatif

Landasan manajemen kekayaan tradisional adalah menyesuaikan portofolio dengan kebutuhan individu, baik itu pada rentang waktu, etika, selera risiko, dan kebutuhan berbasis pendapatan; untuk itu, setiap pendekatan dipesan lebih dahulu. Apa yang membuat robo-advising menarik adalah bagaimana metode otomatisnya dapat berfungsi di seluruh basis pelanggan.

Namun, robo-advisor perlu membantu klien memahami dengan jelas pengorbanan pengembalian risiko dari penawaran portofolio mereka sehingga mereka dapat memilih portofolio yang tepat yang memenuhi kebutuhan pribadi mereka. Langkah-langkah risiko kualitatif adalah "di jalan" yang mudah dipahami untuk robo-advising, tetapi seiring waktu, parameternya bisa menjadi berlebihan. Namun, ketika digunakan bersama dengan ukuran risiko kuantitatif yang diuraikan di sini, mereka membantu memberikan pedoman manajemen risiko yang lebih holistik dan kesadaran terhadap kinerja portofolio.