Oleh: B. Pradipta & Sekretariat IRMAPA

Pembuat model risiko keuangan dewasa ini harus mengatasi masa-masa yang sangat sulit. Ketika Anda diandalkan untuk meramalkan masa depan keuangan, volatilitas dan ketidakpastian – yang dipicu oleh pandemi COVID-19, invasi Rusia ke Ukraina hingga inflasi tinggi dan kenaikan suku bunga – tidak benar-benar membantu perjuangan Anda.

Bagaimanapun, data historis adalah modal utama dalam merancang model risiko untuk membuat prediksi. Kini, informasi tersebut bertabrakan dengan data tentang peristiwa terkini yang memiliki sedikit atau tanpa preseden. Masalah yang lebih rumit bagi pembuat model adalah program dukungan pemerintah, yang awalnya dimaksud untuk memitigasi risiko gagal bayar tetapi mungkin akan segera berhenti sebagai akibat dari pengetatan kebijakan moneter pascapandemi.

Hasil akhir dari keadaan ini adalah kegagalan model, disorot oleh metodologi risiko kredit yang terbukti sebagian besar tidak akurat pada hari-hari awal krisis COVID-19. Bagi pemodel risiko, kejutan yang belum pernah terjadi sebelumnya tidak hanya menghadirkan tantangan besar tetapi juga menunjukkan nilai keahlian pemodelan – dan itu bisa menjadi kabar baik bagi FRM yang bercita-cita tinggi dan awal karier yang memiliki minat dalam pemodelan.

Evan Sekeris, Head of Non-Financial Risk, Americas, di MUFG, bank terbesar di Jepang, menyadari tentang kendala saat ini. Apa saja yang harus diatasi oleh pembuat model untuk berpikiran maju ke lembaga keuangan. Saat ini, Sekeris bertanggung jawab atas kerangka manajemen risiko berbagai risiko non-keuangan MUFG — termasuk data, operasional, model, pihak ketiga, dan kelangsungan bisnis. Sepanjang kariernya, Sekeris telah bekerja dengan banyak model lintas institusi dengan berbagai tujuan.

Sekeris memulai kariernya di dunia akademis sebagai profesor ekonomi di The Claremont Colleges sebelum pindah ke Federal Reserve Bank of Boston sebagai ekonom keuangan. Kemudian Sekeris beralih ke Federal Reserve Bank of Richmond, di mana dia memimpin unit risiko kuantitatif dalam pengawasan bank.

Baru-baru ini, Sekeris berbicara dengan Risk Intelligence (RI) tentang tantangan dalam membangun dan mengevaluasi model keuangan untuk kejadian-kejadian berisiko yang langka dan ekstrem; keterampilan yang sekarang dibutuhkan oleh praktisi risiko awal karier dan kandidat FRM yang mencari pekerjaan dalam pemodelan risiko; dan alasan mengapa validasi model adalah tempat yang baik untuk memulai bagi manajer risiko aspiratif.

Risk Intelligence (RI): Bagaimana Anda mengantisipasi beberapa guncangan global yang kita hadapi — termasuk pandemi, invasi Rusia ke Ukraina, dan peningkatan inflasi — akan berdampak pada jalur karier manajer risiko awal dan masa depan?

Evan Sekeris (ES): Pelajarannya adalah bahwa risiko di lembaga keuangan telah berubah dari semua pasar dan risiko kredit menjadi semakin terfokus pada risiko non-keuangan. Dulu, risiko operasional merupakan renungan. Kemudian Basel Accords muncul dan sekarang risiko operasional adalah disiplin yang mapan.

Bukan hanya karena risikonya telah diformalkan, tetapi juga karena lingkungan tempat kami beroperasi telah berubah. Risiko operasional menjadi lebih menonjol, dalam beberapa kasus menjadi risiko dominan. Ada risiko geopolitik dan lainnya — seperti inflasi dan pandemi — yang merupakan ancaman besar.

Dari perspektif karier, saya pikir manajer risiko masa depan harus jauh lebih baik daripada pendahulunya. Risiko kredit dan risiko pasar tetap ada, tetapi pemahaman tentang risiko operasional sangat penting bagi mereka yang hendak berkarier di manajemen risiko keuangan.

RI: Karena model didasarkan pada sejarah, apa yang dikatakan untuk yang belum pernah terjadi sebelumnya tentang cara terbaik dalam mengawasi model?

ES: Benar bahwa model yang digunakan dalam industri keuangan sebagian besar didasarkan pada data historis. Tapi mereka bisa jauh lebih luas. Pikirkan tentang risiko iklim, di mana tidak ada data karena belum terjadi. Kita harus meramalkan di masa depan.

Mengingat pandangan kami yang digerakkan secara empiris, peristiwa ekor dan guncangan lainnya sulit ditangani oleh model. Dalam keadaan seperti itu, data Anda tiba-tiba tidak berfungsi seperti yang diharapkan dan perkiraan model Anda kemungkinan akan buruk.

Misalnya, ketika lockdown COVID-19 melanda, terjadi lonjakan pengangguran, yang membuat model mengantisipasi melonjaknya gagal bayar kredit. Tetapi program dukungan pemerintah menciptakan hasil yang berbeda.

Pengangguran tinggi berdampingan dengan tingkat gagal bayar terendah yang pernah kami alami. Modelnya tidak berfungsi, tetapi itu tidak berarti Anda membuangnya. Kami tetap membuat model berdasarkan data historis, karena sangat informatif. Kemudian kami menggabungkan asumsi perilaku berwawasan ke depan.

Namun, jika Anda memasukkan terlalu banyak asumsi, beberapa orang mungkin melihatnya sebagai penyimpangan dari catatan sejarah dan tidak didukung oleh data. Tapi itulah intinya: jika Anda mengantisipasi masa depan tidak akan terlihat persis seperti masa lalu, Anda harus memasukkan asumsi yang mengakui akan ada penyimpangan dari catatan sejarah.

Kami dulu tinggal sedekat mungkin dengan data. Itu adalah perubahan pola pikir yang terjadi di industri, tetapi ini adalah transisi yang menyakitkan, karena bagaimana Anda memvalidasi asumsi tanpa data? Anda mengandalkan keyakinan orang tentang apa yang akan terjadi di masa depan atau seperti apa korelasi di masa depan.

Hal itu menghasilkan sesuatu yang masih abu-abu saat Anda memvalidasi. Tapi tidak bisa seenaknya. Anda harus memasukkan penilaian ahli ke dalam model Anda secara formal dan koheren, serta memvalidasinya tanpa menggunakan catatan sejarah. Saya pikir itu akan menjadi tantangan terbesar dalam risiko model.

Berpikirlah seperti seorang pemodel. Jangan menjadi teknisi yang membuat model tanpa mempertimbangkan konteks pekerjaan Anda.

Beberapa pemodel tidak sepenuhnya memahami asumsi yang menjadi dasar pembuatan model mereka. Itu adalah pembeda utama antara pemodel yang kompeten dan pemodel hebat yang memiliki masa depan yang menjanjikan di lingkungan yang terus berubah.

Jika Anda memahami mengapa model dibuat seperti itu, bagaimana asumsi berperan dalam model, dan Anda tidak melihatnya dari sudut pandang teknis murni, maka saat peristiwa seperti yang telah kita lihat terjadi, Anda akan dapat menyesuaikan model untuk memasukkan fakta-fakta baru.

RI: Bagaimana seseorang yang ingin bekerja dengan model, baik membangun atau memvalidasi, memperoleh keterampilan yang mereka perlukan untuk melakukan pekerjaan itu?

ES: Keterampilan kuantitatif yang baik diperlukan. Untuk menjadi seorang pemodel atau validator di sebuah institusi yang memiliki tim lanjutan seperti ini, gelar master dalam bidang kuantitatif tampaknya menjadi batasnya. Banyak orang memiliki gelar PhD.

Setelah itu, ini menjadi masalah mendapatkan pengalaman di tempat kerja. Tidak ada cukup institusi akademik yang mempersiapkan orang untuk sisi yang lebih intuitif.

Temukan pekerjaan pertama Anda di lembaga keuangan dan gunakan pekerjaan itu untuk memahami cara kerja pemodelan di sana. Penting untuk memanfaatkan beberapa tahun pertama untuk membangun keterampilan dan pengetahuan Anda. Bagaimana Anda memasukkan intuisi itu, elemen praktis itu? Sekolah adalah untuk aspek teknis, dan sisanya Anda pelajari di tempat kerja.

Pekerjaan pertama saya di industri ini adalah di The Fed. Saya berasal dari latar belakang akademis murni, dan tahun pertama saya pada dasarnya menghabiskan waktu untuk mempelajari cara kerja pemodelan dalam praktik. Saya memiliki pemahaman yang sangat teoretis. Tahun pertama itu sangat formatif, tetapi Anda membutuhkan kemauan untuk mengambil pandangan yang berbeda tentang pemodelan dan Anda perlu menggunakan waktu Anda di tempat kerja untuk mengubah perspektif Anda tentang cara kerjanya.

RI: Bagaimana Anda meyakinkan manajer perekrutan — apakah itu melalui keterampilan, pengalaman, atau sikap — bahwa Anda siap membangun atau memantau model di era krisis dan ketidakpastian ini?

ES: Hal terpenting yang perlu ditunjukkan oleh seorang pemodel kepada bank adalah kemampuan untuk tidak selalu terlalu teoretis dan untuk menerima bahwa ekonometrika dan pemodelan yang diterapkan pada dunia keuangan tidak sebersih di lingkungan akademik. Di dunia akademis, Anda mungkin berfokus pada asumsi yang sangat spesifik dan memastikan hampir sempurna saat menerbitkan karya Anda. Tapi itu tidak mungkin di lembaga keuangan, di mana Anda mencoba membuat model yang berguna dan praktis.

Ini adalah hal tersulit bagi kita yang berasal dari latar belakang akademis. Mayoritas memiliki pola pikir akademis sebelum pindah ke layanan keuangan.

Pada awalnya, Anda mungkin melihat pekerjaan bank Anda ceroboh dari sudut pandang akademis, mungkin demikian. Tapi itu praktis. Cobalah tunjukkan bahwa Anda bisa bersikap praktis. Tidak berarti bahwa Anda meninggalkan kekakuan pemodelan, justru Anda cukup fleksibel untuk menggabungkannya secara optimal dengan realitas lingkungan bisnis. Saya pikir itulah kuncinya.

Kandidat benar-benar membutuhkan keterampilan inti kuantitatif untuk mencapai putaran final wawancara. Faktor pembedanya adalah intuisi dan kepraktisan yang baik, yaitu kemampuan untuk mengambil keterampilan kuantitatif Anda dan menerapkannya di dunia nyata. Jika Anda memiliki keinginan untuk memahami bisnis dan lingkungan tempat institusi beroperasi, Anda dapat menerjemahkannya menjadi model yang berguna.

RI: Anda menyebutkan dalam webcast GARP baru -baru ini bahwa sulit untuk mempekerjakan orang yang memenuhi syarat untuk bekerja sebagai validator model. Mungkinkah ini peluang yang bagus untuk karier awal atau calon manajer risiko? Jika demikian, bagaimana mereka mempersiapkan diri untuk peran ini?

ES: Menurut saya ini titik masuk yang bagus, karena memberi Anda kemampuan untuk melihat berbagai macam model. Mengembangkan model adalah usaha penuh waktu. Anda akan ditugaskan ke satu model dan hanya itu yang akan Anda lakukan selama satu atau dua tahun. Tetapi validasi model jauh lebih cepat.

Sebagai validator, Anda akan memiliki kesempatan untuk melihat berbagai macam model. Ini adalah pengalaman belajar yang luar biasa, saat Anda mempelajari berbagai model ini untuk melihat kriteria apa yang diterapkan dari sudut pandang validasi. Ini membantu Anda memahami elemen model mana yang tidak perlu Anda tekankan terlalu banyak dan bagian mana yang material.

Validasi model sangat berguna jika Anda tidak mengenal industri keuangan dengan baik. Anda akan melihat begitu banyak model, yang juga dapat membantu Anda mengetahui jenis pemodelan yang Anda sukai. Apakah Anda lebih menyukai, misalnya, risiko pasar atau risiko kredit atau model pemasaran?

Jika Anda memulai sebagai validator, Anda harus memastikan sejak awal untuk pindah ke sisi pemodelan dan membuat model. Berada di pihak penerima validasi sangat penting untuk memahami tantangan yang dihadapi pemodel saat mereka berinteraksi dengan validasi. Anda selalu dapat kembali ke validasi nanti jika Anda menginginkannya.

Artikel ini telah diterbitkan oleh GARP dengan judul Model Risk Management Challenges and Opportunities in a Volatile World: A Q&A with Evan Sekeris by Tod Ginnis pada 20 Januari 2023. Artikel selengkapnya dapat dibaca di sini.