Catatan Kuliah AK5161 Matematika Keuangan Aktuaria

Catatan Kuliah
AK5161 Matematika Keuangan Aktuaria
“Insure and Invest”
Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Kelompok Keilmuan Statistika - FMIPA
Institut Teknologi Bandung
2016
1
Tentang AK5161 Matematika Keuangan Aktuaria
Jadwal kuliah: Selasa, 7- (R. Aktuaria); Rabu, 10- (R. Aktuaria)
Penilaian:
• Ujian: 9/9/16; 30/9/16; 21/10/16 (@ 25%)
• Kuis (25%)
Buku teks:
• Sheldon Ross, 2011, Introduction to Mathematical Finance
•Jadwal Perkuliahan:
M1 (22/8): Pengantar: risiko dan nilai uang; peubah acak dan ekspektasi
M2 (29/8): Distribusi normal
M3 (5/9): Gerak Brown
M3 (5/9): Ujian 1, Jumat 9/9/16
M4 (12/9): Gerak Brown (lanjutan)
M5 (19/9): GB Geometrik
M6 (26/9): Suku Bunga dan PVA
M6 (26/9): Return dan distribusi
M6 (26/9): Ujian 2, Jumat 30/9/16
M7 (3/10): Konsep dan Jenis Opsi
M8 (10/10): Menghitung Opsi
M9 (17/10): Formula Black-Scholes
M9 (17/10): Ujian 3, Jumat 21/10/16
2
“Tantangan”
“Tantangan”.
3
Pengantar: Risiko dan Nilai Uang
Risiko adalah “sistem” yang dapat dikendalikan.
Salah satu kegiatan penting dalam (men)transfer risiko adalah berasuransi; pemegang polis
(insured) “menitipkan” atau “memindahkan” risiko kepada pihak lain yaitu perusahaan asuransi (insurer) dan sebaliknya. Kedua subyek memiliki risiko, pemegang polis membayar premi
sedangkan perusahaan asuransi membayar klaim.
Kegiatan lain yang juga berisiko adalah investasi atau “bermain uang”. Jika kita ingin menggandakan uang untuk mendapatkan nilai yang lebih besar maka kita dapat melakukan kegiatan
investasi baik kepada individu atau institusi.
Adakah hubungan antara investasi dan asuransi dan investasi?
Saat ini praktik asuransi mulai digabungkan dengan investasi. Hal ini dimaksudkan untuk
menumbuhkan iklim (atau minat) asuransi dengan keuntungan dari investasi.
Kuliah Matematika Keuangan Aktuaria mengajak kita untuk memahami konsep dan menghitung nilai uang, opsi dan, secara umum, “bermain” peluang (memahami kejadian dan peubah
acak serta menghitung peluang atas keduanya) menjadi sangat krusial.
Return Nilai Uang: Matematik vs Stokastik
Misalkan saya meminjamkan uang kepada Laila, pada waktu t0 , sebesar U . Saya ingin Laila
mengembalikan, pada waktu t1 , sebesar U + rU , dengan r suku bunga per waktu t1 , atau
U (t1 ) = U (t0 ) + r U (t0 ) = U (t0 ) (1 + r).
Perhatikan:
r=
U (t1 )
U (t1 ) − U (t0 )
−1=
,
U (t0 )
U (t0 )
yang sering dikatakan sebagai return atau imbal hasil.
Adakah formula return yang lain?
Dapatkah return berubah menurut waktu?
4
Bab 1 - Peluang Nilai Uang
Apa yang dapat kita lakukan terhadap perilaku nilai uang? Dapatkah kajian peluang atau
stokastik membantu kita memahami hal tersebut?
Misalkan X peubah acak. Kita dapat menghitung peluang nilai peubah acak secara (i) langsung
atau (ii) melalui kejadian.
Perhatikan contoh berikut:
Ayo berjudi!
Saya bertaruh 1 untuk Merah (yang akan muncul dengan peluang 18/38). Jika Merah muncul,
saya dapat 1 dan berhenti.
Atau,
Saya tambah 1 untuk Merah untuk dua putaran/taruhan berikutnya lalu berhenti.
Misalkan X nilai kemenangan saya saat saya berhenti. Tentukan nilai X yang mungkin dan
peluangnya. Hitung P (X > 0).
5
Bab 2 - Peubah acak normal
Peubah acak normal merupakan salah satu kajian menarik dalam berbagai bidang, termasuk
keuangan, karena pola yang dikenal dan dianggap dapat dipahami dengan mudah. Suatu
peubah acak X dikatakan normal apabila memiliki fungsi peluang
(
)
(x − µ)2
exp −
f (x) = √
, −∞ < x < ∞.
2σ 2
2πσ 2
1
Catatan: Untuk µ = 0 dan σ 2 = 1, peubah acak X dikatakan sebagai peubah acak normal
standar/unit; fungsi peluangnya dinotasikan ϕ(x) sedangkan fungsi distribusinya Φ(x).
Perhatikan pertaksamaan berikut yang merupakan salah satu hasil teoritis penting untuk
peubah acak normal:
1
√
2π
(
1
1
− 3
x x
)
1 1
exp(−x2 /2) < 1 − Φ(x) < √
exp(−x2 /2), ∀x > 0.
2π x
Akibatnya, untuk x yang besar, 1 − Φ(x) ≈
√1
x 2π
exp(−x2 /2).
Diskusi: Bagaimana untuk x (relatif) kecil? Formula pendekatan apa yang dapat digunakan?
(lihat butir (iii) dibawah)
Apa yang dapat kita lakukan terhadap X atau f (x) tersebut?
(i) membuat plot f untuk berbagai nilai µ dan σ 2
(ii) menentukan sifat-sifat statistik peubah acak normal
(iii) menghitung peluang; termasuk dengan akurasi yang lebih tinggi (hal 25-26)
(iv) mengkaji hubungan dengan peubah acak lognormal: Y = exp(X)
Latihan:
1. Misalkan X peubah acak normal dengan parameter (µ, σ 2 ). Misalkan Y = exp(X).
Tentukan mean dan variansi Y .
2. Lakukan simulasi data berdistribusi normal dan lognormal. Plot kedua data. Tepatkah
perilaku harga aset dimodelkan dengan distribusi normal/lognormal?
6
Misalkan X1 , X2 , . . . , Xn sampel acak normal dengan parameter (µ, σ 2 ). Misalkan
Sn =
n
∑
Xi .
i=1
Apakah yang kita dapat dapatkan (perilaku Sn ) untuk n besar?
Adakah ukuran/statistik lain selain Sn ?
Dapatkah kita melakukan hal yang sama diatas untuk peubah acak lain yang berdistribusi
Binomial? Poisson? tanpa asumsi distribusi?
(Jelaskan!)
Latihan:
1. Suatu model pergerakan harga aset harian memiliki perilaku sebagai berikut. Jika harga
aset saat ini adalah s maka setelah satu periode waktu akan menjadi τ s dengan peluang
p atau λs dengan peluang 1 − p. Misalkan pergerakan harga saling bebas. Diketahui
τ = 1.012, λ = 0.990, p = 0.52. Tentukan peluang bahwa harga aset akan naik setidaknya
30% setelah 1000 hari.
2. Nilai penjualan mingguan di suatu perusahaan adalah peubah acak normal dengan mean
2200 dan deviasi standar 230. Hitung peluang bahwa total penjualan pada 2 minggu
kedepan melampaui 5000. Hitung peluang bahwa penjualan mingguan melampaui 2000
pada setidaknya 2 dari 3 minggu kedepan.
3. Sebagai pedagang baru dibidang valas, Yeni dan Yena bersaing dalam mendapatkan poin
penjualan. Poin Yeni adalah peubah acak normal dengan mean 170 dan variansi 400;
Poin Yena adalah peubah acak normal dengan mean 160 dan deviasi standar 15. Jika
pada hari ini keduanya sama-sama berjualan valas (asumsikan kedua poin saling bebas),
hitung peluang (a) nilai Yena lebih tinggi (b) poin total keduanya lebih dari 350.
7
Bab 3 - Gerak Brown and GB Geometrik
Sebelum kita membahas Gerak Brown (GB) lebih jauh, perhatikan kembali definisi koleksi
peubah acak {Xt } atau lebih dikenal dengan “proses stokastik”.
Proses atau model stokastik melibatkan beberapa peubah acak dengan indeks waktu. Kalau
kita mempunyai satu peubah acak, maka nilai yang mungkin dari peubah acak tersebut akan
mengikuti distribusi peluang yang bersesuaian. Kini, kita akan melihat peubah acak setiap
waktu. Akibatnya, tingkat kesulitan akan menjadi lebih tinggi.
Misalkan kita punyai proses stokastik {Xt , t ≥ 0}. Proses stokastik atau deret waktu (sederhana) yang bergantung pada observasi sebelumnya adalah:
Xt = α Xt−1 + εt ,
dengan asumsi-asumsi yang ditentukan.
Catatan: Proses ini dikenal dengan nama Autoregressive (AR)
Pada Bab ini, proses stokastik diatas kita sederhanakan sebagai berikut:
• Xt ∼ i.i.d. N (0, 1)
Jelaskan!
Kita dapat menuliskan proses ini sebagai Xt = εt , dengan {εt } barisan peubah acak saling
bebas dan berdistribusi identik (normal/Gauss) dengan mean nol dan variansi satu; atau
dikenal dengan proses Gaussian WN (white noise)
• Xt ∼ N (0, σt2 ).
Apa perbedaan dengan model sebelumnya?
Jika X1 , X2 , . . . dari proses ini saling (tidak) bebas, dapatkah kita menentukan fungsi
peluang bersamanya?
Mungkinkah Xt dan Xt+s − Xs yang bersifat saling bebas?
Pandang koleksi peubah acak {Xt , t ≥ 0} dengan sifat-sifat:
(i) X0 = 0 (atau konstanta tidak nol )
(ii) ∀ t > 0, Xt berdistribusi normal dengan mean µt dan variansi σ 2 t
8
(iii) Xtn − Xtn−1 , Xtn−1 − Xtn−2 , . . . , Xt2 − Xt1 , Xt1 saling bebas
(memiliki kenaikan bebas atau independent increments)
(iv) Xt+s − Xt tidak bergantung pada t
(memiliki kenaikan stasioner atau stationary increments).
Proses stokastik tersebut dikatakan sebagai Gerak Brown atau GB dengan parameter drift µ
dan parameter variansi σ 2 .
Misalkan dipunyai proses stokastik GB dengan µ = 0, σ 2 = 1 atau dikenal dengan GB standar.
Perhatikan kasus t = 1, 2. Fungsi peluang Xt adalah
(
)
1
1 2
fXt (xt ) = √
exp − xt , −∞ < xt < ∞.
2t
2πt
Fungsi peluang bersama dari X1 dan X2 adalah....
Fungsi peluang bersama dari X1 − X0 dan X2 − X1 adalah
fX1 −0,X2 −X1 (x1 − 0, x2 − x1 ) = f (x1 )f (x2 − x1 ),
(1)
karena sifat kenaikan saling bebas. Persamaan (1) tersebut sama dengan
(
( 2
))
1
x1
1
(x2 − x1 )2
exp −
+
,
(2π)2/2 ((1 − 0)(2 − 1))1/2
2 1−0
2−1
dengan t1 = 1, t2 = 2 dan sifat kenaikan stasioner X2 − X1 ∼ N (0, 2 − 1).
Kita dapat menentukan fungsi peluang bersyarat dengan memanfaatkan fungsi peluang bersama
diatas. Untuk t1 = 1 < t2 = 2 diatas, fungsi peluang bersyarat Xt1 , diberikan Xt2 = xt2
adalah...
fX1 ,X2 −X1 (x1 , x2 − x1 )
fX2 (x2 )
fX (x1 ) · fX2 −X1 (x2 − x1 )
= 1
fX2 (x2 )
fX1 |X2 (x1 |x2 ) =
= ···
Dengan kata lain, distribusi dari X1 |X2 = x2 adalah normal dengan mean dan variansi
E(X1 |X2 = x2 ) = · · · ; V ar(X1 |X2 = x2 ) = · · ·
9
Latihan:
1. Dapatkah kita menentukan distribusi dari X2 |X1 = x1 ? Jelaskan!
2. Pandang {Xt , 0 ≤ t ≤ 1} sebagai proses stokastik yang mengikuti GB dengan parameter
variansi σ 2 . Misalkan Xt menyatakan lama (detik) kompetitor 1 memimpin saat 100t
persen dari suatu kompetisi telah diselesaikan. Jika kompetitor 1 memimpin σ detik di
tengah kompetisi, berapa peluang dia adalah pemenang? Jika kompetitor 1 memenangkan
kompetisi dengan margin σ detik, berapa peluang dia memimpin di tengah kompetisi?
Proses stokastik GB dapat bernilai negatif yang dianggap tidak tepat untuk memodelkan harga
saham. Untuk itu, diusulkan model stokastik
St = S0 eXt ,
dengan nilai awal S0 ; St berdistribusi lognormal. Tentu saja ln St − ln S0 = Xt berdistribusi
normal dengan mean µt dan variansi σ 2 t. Model ini dikenal sebagai GB geometrik.
Sifat mean dan variansi dari St dapat diturunkan dengan memanfaatkan sifat distribusi lognormal. Kita dapatkan
E(St ) = · · ·
V ar(St ) = · · ·
Latihan:
1. Pandang GB dengan µ = 3, σ 2 = 9. Diketahui X0 = 10.
Hitung E(X2 ), V ar(X2 ), P (X2 > 20), P (X0.5 > 10) .
2. Pandang GB geometrik {St , t ≥ 0} dengan µ = 0.1, σ 2 = 0.4.
Hitung P (S1 > S0 ), P (S3 < S1 > S0 ).
3. Pandang GB geometrik {St , t ≥ 0}; µ = 0.1, σ 2 = 0.16, S0 = 2.
Tentukan E(S3 ) dan V ar(S3 ).
10
Pandang proses stokastik GB, {Xt }. Misalkan n = 2. Vektor peubah acak (X1 , X2 ) berdistribusi normal bivariat dalam versi yang lain karena kejadian {X1 = x1 , X2 = x2 } dapat
dinyatakan dalam kejadian-kejadian kenaikan saling bebas
{X1 = x1 , X2 − X1 = x2 − x1 },
sehingga kita peroleh fungsi distribusi bersama
f (x1 , x2 ) = f1 (x1 )f2−1 (x2 − x1 ).
Untuk proses berukuran n, kita dapat memperoleh distribusi multivariat. Dengan demikian,
GB adalah Proses Gaussian, proses yang memiliki realisasi kontinu dengan distribusi hingganya
adalah normal multivariat.
Distribusi normal multivariat ditentukan pula melalui mean dan kovariansinya. Jadi, suatu
proses Gaussian juga ditentukan melalui mean dan kovariansinya.
Sebagai contoh, untuk proses GB standar, Bt , meannya adalah E(Bt ) = 0 dan kovariansinya,
untuk s < t,
Cov(Bs , Bt ) = Cov(Bs , Bs + Bt − Bs ) = Cov(Bs , Bs ) + Cov(Bs , Bt − Bs )
yang sama dengan V ar(Bs ) = s = min{s, t}.
Apakah GB atau GB geometrik merupakan Proses Markov ?
Misalkan St+h , yang saling bebas dengan proses {Su , 0 ≤ u < t}, diberikan St ,
St+h = S0 eXt+h = S0 eXt +Xt+h −Xt = S0 eXt eXt+h −Xt = St eXt+h −Xt .
Jadi, St+h , diberikan St , hanya bergantung pada kenaikan Xt+h − Xt . Kita ketahui bahwa
GB memiliki kenaikan saling bebas, jadi saling bebas dengan data lampau. Proses {Xt+h −
Xt , h ≥ 0} merupakan GB dengan parameter drift dan variansi yang sama. Jadi, proses
{St eXt+h −Xt , h ≥ 0} mendefinisikan proses GB geometrik dengan nilai awal St yang baru.
Apakah GB atau GB geometrik merupakan martingale ?
11
Bab 4 - Return dan PVA
(Diskusi-1) Model harga aset memiliki formula St = ft + g(Bt ), dengan {Bt } merupakan
proses stokastik Gerak Brown standar. Perubahan harga saat t, St , “relatif” terhadap saat
t − 1, St−1 , dapat diperoleh (antara lain) melalui
St − St−1 ;
St St − St−1
St
;
; ln
St−1
St−1
St−1
yang dapat kita tentukan distribusi dan modelnya.
(Diskusi-2) Misalkan St harga saat t. Harga saat t + 1,
St+1 = St + r St ,
dengan r suatu “pengali” (yang menyatakan keuntungan) atau sering dikatakan sebagai suku
bunga. Formula harga diatas mengasumsikan bahwa harga/nilai aset akan terus naik. Perhatikan
St+1 = (1 + r) St
St+1
=1+r
St
St+1
−1=r
St
St+1 − St
= r.
St
Apakah r akan kita pandang sebagai suku bunga (tetap, setiap waktu) atau imbal hasil (return?
Mungkinkah return akan bernilai tetap setiap waktu? rt ?
(Diskusi-3) Pandang kembali masalah nilai aset pada waktu t dan t + 1. Jika kita ingin nilai
aset St+1 , yang diperoleh dengan suku bunga r, maka saat ini nilainya adalah
St =
St+1
= St+1 (1 + r)−1 .
1+r
Bagaimana kita memandang “nilai (aset) saat ini” atau present value? Dapatkah kita gunakan
ini untuk melakukan analisis (prediksi) nilai aset saat ini dan akan datang?
12
Latihan:
1. Tentukan rate of return (tahunan) jika saya melakukan investasi: 100, 110 (setelah dua
tahun)
2. Tentukan ekspektasi dari rate of return (tahunan) jika saya melakukan investasi: 100, 120
atau 100 (setelah dua tahun)
3. Perhatikan barisan return berikut:
20, 20, 20, 15, 10, 5; 10, 10, 15, 20, 20, 20.
Tentukan barisan return yang “baik” jika suku bunga majemuk tahunan-nya 5%.
4. Saya membeli HP yang dijual dengan harga 4.2 (juta). Saya memberi uang muka 1 dan
mencicil selama 24 bulan dengan cicilan 0.16 setiap bulannya (terhitung mulai awal bulan
depan). Tentukan suku bunga efektif-nya.
5. Saya mempertimbangkan membayar pinjaman di bank dengan dua cara. Pertama, membayar lunas 16 (juta). Kedua, membayar 10 sekarang dan 10 lagi di akhir tahun kesepuluh
(suku bunga 10%). Tentukan pilihan cicilan yang “baik”.
6. Untuk investasi awal 100, diperoleh return Xi pada akhir periode i, untuk i = 1, 2.
Diketahui X1 dan X2 peubah acak normal saling bebas dengan mean 60 dan variansi 25.
Tentukan peluang bahwa rate of return dari investasi ini lebih dari 10 prosen?
7. Saya mau membeli mesin cuci baru untuk lima tahun ke depan. Saat ini saya punya
mesin cuci juga sih, bernilai 6, tapi kemudian berkurang 2 setiap tahun untuk tiga tahun
ke depan. Biaya operasional mesin cuci 9, naik 1 setiap tahun. Mesin cuci baru yang akan
dibeli harganya 22 dengan masa hidup 6 tahun. Nilai mesin cuci baru akan berkurang
3 setiap tahun untuk dua tahun ke depan, lalu berkurang 4 setiap tahunnya. Biaya
operasional 6, naik 1 setiap tahunnya. Kapan sebaiknya saya membeli mesin cuci baru?
13