Silicon Valley Bank adalah puncak gunung es perbankan

Lembaga keuangan tradisional mengambil simpanan dari pelanggan dan menggunakannya untuk memberikan pinjaman. Tetapi mereka meminjamkan jauh lebih banyak daripada yang mereka miliki pada waktu tertentu – sebuah konsep yang dikenal sebagai perbankan fraksional. Di satu sisi, perbedaan antara bunga pinjaman dan bunga yang dibayarkan kepada deposan disebut margin bunga bersih dan menentukan profitabilitas bank. Di sisi lain, perbedaan antara aset dan kewajiban disebut sebagai ekuitas dan menentukan ketahanan bank terhadap guncangan eksternal.

Sebelum menjalankan bank terakhir, SVB dipandang tidak hanya sebagai lembaga perbankan yang menguntungkan, tetapi juga aman karena memiliki aset $212 miliar terhadap kewajiban sekitar $200 miliar. Itu berarti mereka memiliki bantalan sebesar $12 miliar dalam bentuk saham atau 5,6% dari aset. Itu tidak buruk, meskipun sekitar setengah dari rata-rata 11,4% di antara bank.

Masalahnya adalah bahwa tindakan baru-baru ini oleh Federal Reserve AS telah mengurangi nilai utang jangka panjang, yang sangat diekspos oleh SVB melalui sekuritas yang didukung hipotek (sekitar $82 miliar). Ketika SVB memberi isyarat kepada para pemegang sahamnya pada bulan Desember bahwa mereka mengalami kerugian $15 miliar yang belum direalisasi, menghapus bantalan ekuitas bank, hal itu menimbulkan banyak pertanyaan.

Terkait: USDC di-depegged, tetapi tidak akan default

Pada 8 Maret, SVB mengumumkan telah menjual $21 miliar aset likuid dengan kerugian dan mengatakan akan mengumpulkan dana untuk mengimbangi kerugian tersebut. Tetapi fakta bahwa dia mengumumkan perlunya mengumpulkan lebih banyak uang – dan bahkan mempertimbangkan untuk menjual bank – telah membuat investor khawatir secara signifikan, yang menyebabkan sekitar $42 miliar upaya penarikan dari bank. Jelas SVB tidak memiliki likuiditas yang cukup dan Federal Deposit Insurance Corporation mengambil alih pada tanggal 17 Maret.

Literatur makrofinansial berbicara banyak tentang situasi ini, tapi itu ringkasan yang bagus untuk mengharapkan dinamika yang sangat non-linier, yaitu perubahan kecil pada input (rasio ekuitas terhadap aset) dapat menyebabkan perubahan besar pada output (likuiditas). Bank run bisa lebih rentan selama resesi dan berdampak besar pada aktivitas ekonomi agregat.

Cari solusi struktural

Memang, SVB bukan satu-satunya bank yang memiliki eksposur lebih tinggi dan lebih berisiko terhadap kondisi ekonomi makro, seperti suku bunga dan permintaan konsumen, tetapi hanya puncak gunung es yang menjadi berita utama minggu lalu. Dan kita telah melihatnya sebelumnya, terakhir selama krisis keuangan 2007-2008 dengan runtuhnya Washington Mutual. Buntutnya menyebabkan lonjakan regulasi keuangan, sebagian besar dalam Undang-Undang Dodd-Frank, yang memperluas otoritas Federal Reserve untuk mengatur aktivitas keuangan dan mengesahkan pedoman perlindungan konsumen baru, termasuk peluncuran Biro Perlindungan Keuangan Konsumen.

Sebagai catatan, FDFA juga memberlakukan “Volcker Rule,” yang membatasi bank dari perdagangan eksklusif dan investasi spekulatif lainnya, sebagian besar mencegah bank berfungsi sebagai bank investasi dengan menggunakan simpanan mereka untuk memperdagangkan saham, obligasi, mata uang, dan sebagainya.

Munculnya peraturan keuangan telah menyebabkan perubahan mendadak dalam permintaan akan pekerja sains, teknologi, teknik, dan matematika (STEM), atau singkatnya “quants”. Jasa keuangan sangat sensitif terhadap perubahan peraturan, dengan sebagian besar beban jatuh pada tenaga kerja karena peraturan mempengaruhi biaya non-bunga mereka. Bank menyadari bahwa mereka dapat mengurangi biaya kepatuhan dan meningkatkan efisiensi operasional dengan meningkatkan otomatisasi.

Dan itulah yang sebenarnya terjadi: Proporsi pekerja STEM tumbuh 30% antara tahun 2011 dan 2017 di bidang jasa keuangan, dan sebagian besar disebabkan oleh peningkatan regulasi. Namun, bank kecil dan menengah (UKM) mengalami kesulitan untuk mengatasi peraturan ini, setidaknya sebagian karena biaya perekrutan dan pembuatan model dinamis yang canggih untuk memprediksi kondisi ekonomi makro dan neraca.

Keadaan seni saat ini dalam peramalan makroekonomi terjebak dalam model ekonometrik tahun 1990-an yang sangat tidak akurat. Sementara prakiraan sering di-tweak pada menit terakhir agar tampak lebih akurat, kenyataannya adalah bahwa tidak ada model konsensus atau pendekatan untuk memprediksi kondisi ekonomi masa depan, selain dari beberapa pendekatan yang menarik dan eksperimental, misalnya dari Federal Reserve of Atlanta dengan Alat PILNow.

Terkait: Anggota parlemen harus memeriksa penasihat masa perang SEC dengan undang-undang

Tetapi bahkan alat “nowcasting” ini tidak memasukkan data terpilah dalam jumlah besar, yang membuat prakiraan menjadi kurang relevan untuk UKM yang terpapar pada kelas atau wilayah aset tertentu dan kurang tertarik pada keadaan ekonomi nasional itu sendiri.

Kita perlu beralih dari peramalan sebagai tindakan kepatuhan terhadap peraturan yang “ditandai” menuju alat pengambilan keputusan strategis yang dianggap serius. Jika siaran sekarang tidak berfungsi dengan baik, hentikan pembuatannya atau temukan cara untuk membuatnya berguna. Dunia ini sangat dinamis dan kita harus menggunakan semua alat yang kita miliki, mulai dari data terpilah hingga alat pembelajaran mesin yang canggih, untuk membantu kita memahami saat ini sehingga kita dapat berperilaku hati-hati dan menghindari potensi krisis.

Akankah Pemodelan yang Lebih Baik Telah Menyelamatkan Silicon Valley Bank? Mungkin tidak, tetapi pemodelan yang lebih baik akan meningkatkan transparansi dan kemungkinan pertanyaan yang tepat akan diajukan untuk mendorong tindakan pencegahan yang tepat. Teknologi adalah alat, bukan pengganti, untuk tata kelola yang baik.

Sebagai buntut dari keruntuhan Silicon Valley Bank, ada banyak tudingan dan pengulangan masa lalu. Lebih penting lagi, kita harus bertanya pada diri sendiri: Mengapa bank run terjadi dan apa yang bisa kita pelajari?

Christos A. Makridis dia adalah seorang profesor dan pengusaha. Dia adalah CEO dan pendiri Dainamic, sebuah startup teknologi keuangan yang menggunakan kecerdasan buatan untuk meningkatkan peramalan, dan berfungsi sebagai afiliasi penelitian di Stanford University dan University of Nicosia, antara lain. Ia menerima gelar doktor dalam ilmu bisnis dan manajemen serta teknik dari Stanford University.

Artikel ini hanya untuk tujuan informasi umum dan tidak dimaksudkan untuk menjadi dan tidak boleh diandalkan sebagai nasihat investasi atau hukum. Pandangan, pemikiran, dan pendapat yang diungkapkan di sini adalah milik penulis sendiri dan tidak serta merta mencerminkan atau mewakili pandangan dan pendapat Cointelegraph.



Sumber