seseorang yang akan mempelajari matematika keuangan pada tingkat lanjut,
namun. Catatan ... harga saham akan membutuhkan matematika yang rumit pula
.
Catatan Kuliah Matematika Keuangan
(preliminary draft, comments welcome)
M. Syamsuddin
Daftar Isi Pendahuluan
v
1 Model Binomial untuk Harga Saham 1.1 Model untuk satu periode . . . . . . 1.1.1 Pergerakan harga saham . . . 1.1.2 Harga opsi Eropa . . . . . . . 1.2 Model untuk dua periode . . . . . . 1.2.1 Pergerakan harga saham . . . 1.2.2 Notasi formal . . . . . . . . . 1.2.3 Harga opsi Eropa . . . . . . . 1.3 Model untuk n periode . . . . . . . . 2
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
1 1 1 3 6 6 7 8 11
-aljabar 13 2.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2 Aljabar dan -aljabar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3 -aljabar Borel B (R) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Ukuran dan Integral Lebesque 17 3.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.2 Ukuran Lebesque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3 Integral Lebesque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4 Ruang Probabilitas 4.1 Pendahuluan . . . . . . . . . . . 4.2 Ruang probabilitas . . . . . . . . 4.3 Variabel acak . . . . . . . . . . . 4.4 Integral pada ruang probabilitas 4.5 Aproksimasi variabel acak . . . . 4.6 Kebebasan . . . . . . . . . . . . . 4.6.1 Kebebasan -aljabar . . . 4.6.2 Kebabasan variabel acak .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
21 21 21 22 25 28 32 32 33
5 Ekspektasi Bersyarat 35 5.1 Peluang bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.2 Ekspektasi bersyarat terhadap kejadian . . . . . . . . . . . . . . . . . . . 36 ii
DAFTAR ISI 5.3 5.4 5.5
iii
Ekspektasi bersyarat terhadap variabel acak diskret . . . . . . . . . . . . Ekspektasi bersyarat terhadap variabel acak . . . . . . . . . . . . . . . . . Sifat-sifat ekspektasi bersyarat . . . . . . . . . . . . . . . . . . . . . . . .
6 Martingales
37 41 42 43
7 Teorema Radon-Nikodym 45 7.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 7.2 Teorema Radon-Nikodym . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 7.3 Eksistensi ekspektsi bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . 46 8 Integral Ito 8.1 Symmetric random walk . . . . . . . . . . . . . . . . . . 8.1.1 Sifat-sifat dari symmetric random walk fMk g1 k=0 8.2 Scaled symmetric random walk . . . . . . . . . . . . . . 8.2.1 Kovariansi dari Brownian motion . . . . . . . . . 8.3 Quadratic variation . . . . . . . . . . . . . . . . . . . . . 8.4 Konstruksi Integral Ito . . . . . . . . . . . . . . . . . . . 8.5 Integral Ito untuk fungsi sederhana . . . . . . . . . . . . 8.6 Integral Ito untuk fungsi yang umum . . . . . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
48 48 49 49 51 51 53 54 55
9 Rumus Ito 57 9.1 Rumus Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 9.2 Geometric Brownian motion . . . . . . . . . . . . . . . . . . . . . . . . . . 59 10 Teorema Girsanov 60 10.1 Teorema Girsanov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 10.2 Risk-Neutral measure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 11 Teorema Representasi Martingale
66
12 Rumus Black-Scholes 12.1 Pendahuluan . . . . . . . . . . . . . 12.2 Cara pertama . . . . . . . . . . . . . 12.3 Cara kedua . . . . . . . . . . . . . . 12.3.1 Brownian Motion . . . . . . . 12.3.2 Ito’s Lemma . . . . . . . . . 12.3.3 Geometric Brownion Motion 12.3.4 Financial portfolio . . . . . . 12.3.5 Value of an option . . . . . . 12.3.6 Replicating Portfolio . . . . . 12.3.7 Solusi . . . . . . . . . . . . . 12.4 Cara ketiga . . . . . . . . . . . . . . 12.5 Cara keempat . . . . . . . . . . . . . 12.5.1 Cox-Ross-Rubinstein Model .
68 68 68 70 70 71 71 71 72 72 72 81 83 86
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
iv
DAFTAR ISI
13 Proses Gauss 92 13.1 De…nisi proses Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 14 Obligasi 94 14.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 14.2 Pemodelan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 14.3 Model Hull-White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Daftar Pustaka Indeks
99 100
Pendahuluan Catatan Kuliah ini dirancang untuk dipergunakan oleh mahasiswa tingkat sarjana maupun pasca sarjana serta para peneliti yang akan mempelajari matematika keuangan melalui teori peluang dengan konsep ukuran. Karena itu pembicaraan konsep ukuran (measure) akan dipakai sebagai materi pembuka. Pembahasan akan dimulai dengan konsep -aljabar dan secara berturut-turut akan dilanjutkan dengan pembahasan tentang fungsi terukur, variabel acak (random variable), integral, ekspektasi bersyarat (conditional expectation) dan martingales. Yang paling utama sebagai titik tolak dalam pembahasan teori peluang adalah pende…nisian integral Z X dP
(1)
sebagai ekspektasi dari suatu variabel acak X: Untuk itu mula-mula akan dikonstruksi integral Lebesque. Setelah itu melalui cara pekonstruksian yang serupa akan dilanjutkan dengan pende…nisian integral di ruang probabilitas. Sekalipun materi yang akan dicakup pada Catatan ini disesuaikan dengan kebutuhan seseorang yang akan mempelajari matematika keuangan pada tingkat lanjut, namun Catatan ini dapat pula digunakan oleh seseorang yang akan mempelajari teori peluang melalui konsep ukuran untuk keperluan lain. Prasyarat yang diperlukan seseorang yang akan mempelajari Catatan ini adalah penguasaan teori peluang yang setara dengan materi di buku Hogg & Craig [5]. Contoh-contoh soal yang akan dipergunakan untuk membantu pemahaman teori peluang akan disesuaikan dengan permasalahan sederhana yang ada di dalam matematika keuangan. Pada banyak kesempatan akan disajikan contoh dari hasil eksperimen Bernoulli yang berupa pelantunan sebuah koin untuk pemodelan dinamika pergerakan harga saham. Model demikian akan diberi nama model Binomial untuk penentuan harga saham dan akan dibahas pada kesempatan pertama.
v
Kuliah ke 1
Model Binomial untuk Harga Saham 1.1 1.1.1
Model untuk satu periode Pergerakan harga saham
Pergerakan harga suatu saham pada suatu selang waktu tertentu adalah suatu proses stokastik yang rumit untuk dimodelkan. Karena itu pemodelan dinamika pergerakan harga saham akan membutuhkan matematika yang rumit pula. Namun pada kesempatan kali ini pergerakan harga saham tersebut akan dimodelkan melalui cara yang paling sederhana sehingga matematika yang akan dipergunakan juga relatif sederhana. Untuk keperluan itu akan diasumsikan pergerakan harga sebuah saham pada suatu periode waktu hanya akan menempati salah satu dari dua keadaan yang mungkin, yaitu naik atau turun. Dimisalkan kenaikkan atau penurunan harga sebuah saham S pada setiap periode akan ditentukan oleh hasil eksperimen acak Bernoulli yang berupa pelantunan sebuah koin. Bila pelantunan koin tersebut menghasilkan muka (M ) maka harga saham akan naik dengan faktor a dan dengan peluang P (M ) = p:
(1.1)
Sedangkan bila pelantunan koin menghasilkan belakang (B) maka harga saham akan turun dengan faktor b dan dengan peluang P (B) = 1
p
= q:
(1.2) (1.3)
Bila harga saham mula-mula dimisalkan sebesar S0 maka sebagai hasil dari pelantunan koin yang pertama, harga saham pada akhir periode pertama adalah S1 (M ) = aS0 S1 (B) = bS0 : 1
(1.4)
2
Kuliah ke 1. Model Binomial untuk Harga Saham
Di lain pihak, pada pasar uang berlaku suku bunga deposito bank per periode sebesar r dan diasumsikan akan berlaku hubungan berikut b < 1 + r < a:
(1.5)
Bila persyaratan ini dipenuhi maka seseorang akan mempunyai dua pilihan untuk investasi, yaitu tabungan dalam bentuk deposito di bank atau pembelian saham. Bila kondisi (1:5) tidak dipenuhi, misalnya b > 1 + r;
(1.6)
maka orang tidak akan pernah menabung di bank. Penjelasannya adalah sebagai berikut. Bila (1:6) dipenuhi maka lebih baik seseorang membeli saham karena dipastikan keuntungan yang akan diperolehnya selalu lebih besar dari pada keuntungan dari tabungan di bank sekalipun saham sedang dalam kondisi terburuk. Hal ini diperlihatkan oleh prosentase perubahan harga saham bila saham berada di keadaan terburuk S1 (B) S0
S0
bS0 S0 S0 S0 (b 1) = S0 = b 1 > r: =
(1.7) (1.8) (1.9)
Hasil (1:9) memperlihatkan bahwa prosentase perubahan dari harga saham selalu lebih besar dari prosentase perubahan dari nilai tabungan di bank sekalipun sedang berada dalam keadaan terburuk. Demikian pula bila 1+r >a
(1.10)
maka orang tidak akan pernah membeli saham. Dalam keadaan ini lebih baik baginya menabung di bank yang selalu akan menghasilkan keuntungan yang lebih besar sekalipun harga saham sedang dalam kondisi terbaik. Hal ini bisa diperlihatkan oleh prosentase perubahan harga saham berikut S1 (M ) S0
S0
aS0 S0 S0 S0 (a 1) = S0 = a 1 < r:
=
(1.11) (1.12) (1.13)
Hasil (1:13) memperlihatkan bahwa prosentasi perubahan harga saham selalu lebih kecil dari prosentase perubahan nilai tabungan di bank. Karena itu pada model untuk dinamika pergerakan harga saham perlu dipenuhi ungkapan (1:5) sehingga orang masih mungkin mempunyai dua buah pilihan investasi yang berupa tabungan di bank atau pemilikan saham. Bila kondisi (1:5) dilanggar maka dua keadaan ekstrim akan terjadi, orang hanya akan menabung di bank dalam bentuk deposito saja atau orang hanya akan memiliki saham saja.
1.1. Model untuk satu periode
1.1.2
3
Harga opsi Eropa
Suatu opsi call Eropa (European call option) adalah suatu kontrak keuangan yang memberi hak kepada pemegangnya untuk membeli suatu saham pada saat jatuh tempo T (exercise date) dengan harga tertentu K (exercise/strike price)1 . Untuk T = 1 dan bila perekonomian sedang bagus sehingga S1 > K maka pemegang opsi call akan menggunakan haknya untuk membeli saham dengan harga K dan menjualnya di pasar dengan harga S1 sehingga ia mendapat penghasilan sebesar S1 K: Sebaliknya bila perekonomian sedang lesu sehingga S1 < K maka pemegang opsi call tidak akan menggunakan haknya untuk membeli saham seharga K sehingga ia tidak bisa mendapat tambahan penghasilan. Dengan perkataan lain, nilai opsi pada saat 1 adalah V1 = S1 K bila S1 K > 0 atau V1 = 0 bila S1 K 0 atau ( S1 K bila S1 > K V1 = (1.14) 0 bila S1 K: Nilai V1 pada (1:14) akan disebut nilai intrinsik (intrinsict value) dari opsi call. Ungkapan (1:14) dapat dinyatakan pula menjadi salah satu dari ungkapan berikut V1 = [S1
K]+
(1.15)
atau V1 = maks fS1
K; 0g :
(1.16)
Nilai S1 akan tergantung pada hasil pelantunan koin yang bisa meberikan hasil M atau B sehingga nilai V1 pun akan tergantung pada hasil tersebut. Dengan demikian berbagai nilai V1 yang mungkin adalah ( V1 (M ) = maks faS0 K; 0g V1 = (1.17) V1 (B) = maks fbS0 K; 0g Persamaan (1:17) memperlihatkan besar dana yang menjadi hak bagi pemegang opsi call untuk berbagai keadaan. Pada saat yang sama persamaan (1:17) merupakan kewajiban bagi penerbit opsi call untuk menyediakan dana sebesar V1 (M ) atau V1 (B) di akhir periode 1: Karena hal ini berupa kewajiban bagi penerbit maka ia harus mengusahakan agar memperoleh dana sebesar itu di akhir periode 1: Cara yang akan ditempuh oleh penerbit adalah dengan pembentukan portfolio replikasi (replicating portfolio), yaitu suatu protfolio yang nilainya di akhir periode akan sama persis dengan kewajiban penerbit di akhir periode 1; yaitu V1 (M ) atau V1 (B) : Portfolio replikasi tersebut akan dibentuk dengan cara sebagai berikut. Misalkan pihak penerbit menjual opsi call di awal periode 1 seharga V0 (kelak akan ditentukan nilai V0 ini). Agar penerbit mempunyai dana yang cukup untuk menutup kewajiban 1
Ada jenis opsi Eropa yang lain, yaitu opsi put Eropa (European put option) yang merupakan suatu kontrak keuangan yang memberi hak kepada pemegang kontrak tersbut untuk mejual suatu saham pada saat jatuh tempo T yang disebut exercise date dan dengan harga tertentu K yang disebut exercise/strike price.
4
Kuliah ke 1. Model Binomial untuk Harga Saham
membayar dana sebesar (1:17) maka sejak awal periode 1 penerbit akan membuat suatu portfolio keuangan yang terdiri dari saham sebanyak 0 lembar (nilai V0 dan 0 akan ditentukan kemudian). Kepemilikan saham tersebut diambil dari penjualan call seharga V0 . Bila dana sebesar V0 tidak mencukupi bagi penerbit opsi call untuk membeli 0 lembar saham maka penerbit berhutang dengan bunga r per periode untuk mencukupinya. Sebaliknya bila ada kelebihan dana maka sisanya ditabung dengan suku bunga r per periode. Nilai portfolio ini pada awal periode 1 adalah X0 = V0 yang berupa 0 S0 dalam bentuk saham dan (V0 0 S0 ) dalam bentuk tabungan (atau hutang) X0 =
0 S0
+ (V0
0 S0 )
(1.18)
= V0 :
(1.19)
Pada akhir periode ke 1, nilai portfolio akan menjadi X1 yang terdiri dari 0 S1 dalam bentuk saham dan yang dalam bentuk tabungan (atau hutang) akan tumbuh menjadi (1 + r) (V0 0 S0 ) X1 = 0 S1 + (1 + r) (V0 (1.20) 0 S0 ) : Nilai portfolio sebesar X1 di akhir periode 1 diharapkan sama dengan nilai opsi call V1 di (1:17) X 1 = V1 : (1.21) Jadi tugas penerbit adalah menentukan nilai V0 dan 0 agar (1:21) terpenuhi. Namun karena nilai S1 tergantung dari hasil pelantunan koin maka nilai portfolio X1 di (1:20) juga akan tergantung dari hasil pelantunan koin sehingga nilai X1 yang mungkin adalah X1 (M ) dan X1 (B) V1 = X 1 = = =
(
(
(
X1 (M ) = X1 (B) =
X1 (M ) = X1 (B) =
0 S1 (M )
+ (1 + r) (X0 0 S1 (B) + (1 + r) (X0
0 aS0
+ (1 + r) (X0 bS + (1 + r) (X0 0 0
X1 (M ) = (a X1 (B) = (b
(1 + r)) (1 + r))
0 S0 ) 0 S0 )
0 S0
+ (1 + r)X0 0 S0 + (1 + r)X0
0 S0 ) 0 S0 )
(1.22) (1.23) (1.24)
Pemilihan 0 dan V0 yang tepat akan menghasilkan nilai portfolio X1 pada akhir periode 1 di persamaan (1:24) sama persis dengan nilai opsi call V1 pada akhir periode 1 di persamaan (1:17) agar pihak penerbit opsi call bisa memagari risiko yang muncul berkaitan dengan kewajibannya membayar sejumlah dana di akhir periode 1: Dari kedua persamaan di (1:22) didapat nilai 0 yang dimaksud, yaitu 0
X1 (M ) S1 (M ) X1 (M ) = aS0 X1 (M ) = S0 (a =
X1 (B) V1 (M ) = S1 (B) S1 (M ) X1 (B) bS0 X1 (B) : b)
V1 (B) S1 (B)
(1.25) (1.26) (1.27)
1.1. Model untuk satu periode
5
Bila 0 dari (1:27) disubstitusikan lagi ke persamaan pertama dari (1:24) maka akan didapat X1 (M ) = (a =
(a
(1 + r))
X1 (M ) (a
X1 (B) + (1 + r)X0 b) (a (1 + r)) X1 (B) + (1 + r)X0 a b
(1 + r)) X1 (M ) a b
(1.28) (1.29)
atau 1 (1 + r) b a (1 + r) X1 (M ) + X1 (B) 1+r a b a b 1 [e pX1 (M ) + qeX1 (B)] = 1+r
X0 =
atau
V0 =
1 [e pV1 (M ) + qeV1 (B)] 1+r
(1.30) (1.31)
(1.32)
V0 ini adalah arbitrage price untuk opsi call dengan payo¤ sebesar V1 pada akhir periode 1. Sedangkan pe dan qe adalah risk-neutral probabilities. Persamaan (1:30) dan (1:32) memperlihatkan bahwa expected rate of return di bawah (e p; qe) dari aset yang berisiko seperti opsi call dan portfolio adalah r; yang tidak lain adalah rate of return dari asset yang tidak berisiko yang berupa tabungan di bank. Hasil menarik lainnya dapat diperoleh darii persamaan pertama di (1.22) dan (1.32) V1 (M ) =
0 S1 (M )
+ (1 + r)((V0
0 S0 )
(1.33)
=
0 (S1 (M )
(1 + r)S0 ) + (1 + r)V0
(1.34)
=
0 (S1 (M )
(1 + r)S0 ) + [e pV1 (M ) + qeV1 (B)] :
(1.35)
dan penyederhanaan lebih lanjut akan menghasilkan 0 (S1 (M )
V1 (M ) S1 (M )
(1 + r)S0 ) + [( 1 + pe)V1 (M ) + qeV1 (B)] = 0
V1 (B) (S1 (M ) (1 + r)S0 ) + [ qeV1 (M ) + qeV1 (B)] = 0 S1 (B) (S1 (M ) (1 + r)S0 ) qe [V1 (M ) V1 (B)] = 0 [V1 (M ) V1 (B)] S1 (M ) S1 (B) (S1 (M ) (1 + r)S0 ) [V1 (M ) V1 (B)] qe = 0: S1 (M ) S1 (B)
(1.36) (1.37) (1.38) (1.39)
Agar persamaan terakhir berlaku untuk semua state ! (yaitu state M atau B), maka persyaratan berikut harus dipenuhi (S1 (M ) (1 + r)S0 ) S1 (M ) S1 (B) dan dengan sedikit uraian akan diperoleh S0 =
qe = 0
1 [e pS1 (M ) + qeS1 (B)] : 1+r
(1.40)
6
Kuliah ke 1. Model Binomial untuk Harga Saham
Persamaan (1:40) memperlihatkan bahwa expected rate of return di bawah (e p; qe) dari harga saham adalah r: Interpretasi hasil ini serupa dengan interpretasi hasil dari persamaan (1:32) sehingga bisa disimpulkan bahwa di bawah (e p; qe) expected return dari seluruh aset keuangan yang berisiko adalah r dan ini sama dengan expected return dari aset yang tidak berisiko. Karena itulah (e p; qe) disebut risk-neutral probabilities. Contoh 1.1 Misal S0 = 4; a = 2; b = 1=2; r = 10%: Akan ditentukan harga opsi call yang jatuh tempo pada akhir periode 1 dan dengan strike price K = 5: Untuk itu akan ditentukan dulu nilai S1 dan V1 ( S1 (M ) = aS0 = (2) (4) = 8 S1 = (1.41) S1 (B) = bS0 = 21 (4) = 2 ( V1 (M ) = maks fS1 (M ) K; 0g = 3 V1 = (1.42) V1 (B) = maks fS1 (B) K; 0g = 0
setelah itu akan dihitung p~ dan q~ dari (1:24) dan (1:66) (1 + r) b a b (1 + 0:1) 1=2 = 2 1=2
p~ =
(1.43) (1.44)
= 0:4
(1.45)
(1 + r) a b 2 (1 + 0:1) = 2 1=2
q~ =
a
(1.46) (1.47)
= 0:6
(1.48)
Nilai opsi call dapat diperoleh dari (1:32) 1 [e pV1 (M ) + qeV1 (B)] 1+r 1 = (0:34 3 + 0:66 1 + 0:1
V0 =
= 0:92727:
1.2 1.2.1
(1.49) 0)
(1.50) (1.51)
Model untuk dua periode Pergerakan harga saham
Sebagai hasil dari pelantunan koin sebanyak dua kali, harga saham pada akhir periode kedua adalah S2 (M M ) = aS1 (M ) = a2 S0
(1.52)
S2 (M B) = bS1 (M ) = baS0
(1.53)
S2 (BM ) = aS1 (B) = abS0
(1.54)
2
S2 (BB) = bS1 (B) = b S0 :
(1.55)
1.2. Model untuk dua periode
7
Pergerakan harga saham dalam dua periode ini digambarkan oleh pohon Binomial pada Gambar 1 dengan S0 = 4; a = 2; b = 1=2
Gambar 1 Pohon Binomial
1.2.2
Notasi formal
Secara formal, seluruh kemungkinan hasil eksperimen dari pelantunan sebuah koin sebanyak dua kali akan dinyatakan dalam suatu ruang sampel = fM M; M B; BM; BBg :
(1.56)
Setiap unsur dari akan dinyatakan dengan !: Variabel acak S1 dan S2 berturut-turut akan diungkapkan dengan
S1 (!) =
dan
(
8 bila ! 2 fM M; M Bg 2 bila ! 2 fBM; BBg
8 > < 16 bila ! = fM M g S2 (!) = 4 bila ! = fM B; BM g > : 1 bila ! = fBBg :
(1.57)
(1.58)
Bila dide…nisikan X sebagai variabel acak yang menyatakan jumlah muka M di dalam pelantunan sebuah koin sebanyak dua kali maka distribusi dari X adalah Binomial b(2; p) dengan p adalah peluang muka M akan keluar dari setiap kali pelantunan koin, lihat (1:1) : Dengan mudah bisa dipahami bahwa sekalipun X dan S2 adalah dua buah variabel
8
Kuliah ke 1. Model Binomial untuk Harga Saham
acak yang berbeda namun keduanya memiliki distribusi yang sama ! 2 P (X = 2) = P (S2 = 16) = p 2 q 2 2 = p2 2 ! 2 P (X = 1) = P (S2 = 4) = p1 q 2 1 = 2pq 1 ! 2 P (X = 0) = P (S2 = 1) = p0 q 2 0 = q 2 : 0
1.2.3
(1.59) (1.60) (1.61)
Harga opsi Eropa
Kali ini akan dibahas opsi call Eropa yang akan jatuh tempo di akhir periode 2 dengan strike price K: Nilai intrinsik dari opsi call ini adalah V2 = maks fS2
K; 0g
yang bisa diurai lebih rinci dengan 8 > V2 (M M ) = maks fS2 (M M ) K; 0g > > < V (M B) = maks fS (M B) K; 0g 2 2 V2 = > V2 (BM ) = maks fS2 (M B) K; 0g > > : V2 (BB) = maks fS2 (BB) K; 0g :
(1.62)
(1.63)
Nilai V2 ini merupakan hak bagi pemegang opsi call dan sekaligus kewajiban bagi penerbit opsi call pada berbagai keadaan. Agar penerbit bisa memagari dirinya dari risiko yang muncul berkaitan dengan kewajibannya untuk menyediakan dana sebesar V2 di akhir periode 2 maka ia akan menyusun portfolio replikasi. Portfolio ini disusun dari penjualan opsi call seharga V0 dan dialokasikan untuk pembelian saham sebanyak 0 sisanya (atau kekurangannya) ditabung (hutang) ke bank dengan suku bunga r per periode. Jadi pada awal periode 1 nilai protfolionya adalah X 0 = V0 : (1.64) Tujuan dari pembentukan portfolio ini adalah untuk mendapatkan nilai portfolio di akhir periode 2 sebesar X2 yang sama persis dengan nilai opsi call di akhir periode 2 X 2 = V2
(1.65)
melalui pemilihan komposisi portfolio pada tiap awal periode 1 dan 2: Dengan kata lain akan dipilih komposisi portfolio yang terdiri dari sejumlah saham dan tabungan (hutang) di bank dengan 0 lembar saham pada awal periode 1 dan 1 lembar saham pada awal periode 2 yang memungkinkan persamaan (1:65) terpenuhi. Pada akhir periode 1 nilai portfolionya adalah X1 ; serupa dengan (1:22) ( X1 (M ) = 0 S1 (M ) + (1 + r) (X0 0 S0 ) X1 = (1.66) X1 (B) = 0 S1 (B) + (1 + r) (X0 0 S0 ) :
1.2. Model untuk dua periode
9
Posisi portfolio pada akhir periode 1 ini akan di ubah pada awal periode 2 melalui perubahan komposisi kepemilikan saham dari semula sebanyak 0 lembar menjadi 1 lembar. Kelebihan (kekurangan) dana akan disimpan (hutang) di bank sebesar X1 1 S1 : Nilai portfolio pada akhir periode 2 akan menjadi X2 8 > 1 (M )S1 (M )g > X2 (M M ) = 1 (M )S2 (M M ) + (1 + r)fX1 (M ) > < X (M B) = 2 1 (M )S2 (M B) + (1 + r)fX1 (M ) 1 (M )S1 (M )g X2 = (1.67) > X (BM ) = (B)S (BM ) + (1 + r)fX (B) (B)S 2 1 2 1 1 1 (B)g > > : X2 (BB) = 1 (B)S2 (BB) + (1 + r)fX1 (B) 1 (B)S1 (B)g:
Dengan demikian telah diperoleh 6 buah persamaan yang terdiri dari (1:66) dan (1:67) : Dari keenam persamaan ini akan dicari 6 buah nilai yang masing-masing untuk 0 ; X0 ; 1 (M ) ; 1 (B) ; X1 (M ) dan X1 (B) agar persamaan (1:65) terpenuhi. Dari keempat persamaan di (1:67) ini akan didapat komposisi jumlah kepemilikan saham pada awal periode 2 sebesar 1 X2 (M M ) S2 (M M ) V2 (M M ) = S2 (M M ) X2 (BM ) 1 (B) = S1 (BM ) V2 (BM ) = S1 (BM )
1 (M )
=
X2 (M B) S2 (M B) V2 (M B) S2 (M B) X2 (BB) S1 (BB) V2 (BB) : S1 (BB)
(1.68) (1.69) (1.70) (1.71)
Perubahan dari persamaan (1:68) ke persamaan (1:69) dan dari persamaan (1:70) ke persamaan (1:71) telah mulai digunakan pembatas (1:65) sehingga nilai 1 (M ) dan 1 (B) yang diperoleh telah menjamin bahwa (1:65) terpenuhi. Setelah 1 (M ) dan 1 (B) diperoleh maka dari keempat persamaan (1:67) ini pula akan didapat X1 sebagai nilai portfolio pada akhir periode 1 ( 1 [e pX2 (M M ) + qeX2 (M B)] X1 (M ) = 1+r (1.72) X1 = 1 X1 (B) = 1+r [e pX2 (BM ) + qeX2 (BB)] : Perolehan X1 (M ) dan X1 (B) di (1:72) telah melibatkan penggunaan 1 (M ) dan 1 (B) sehingga nilai yang diperoleh turut menjamin bahwa (1:65) terpenuhi. Dari nilai X1 ini bisa diperoleh komposisi kemilikan saham pada awal periode 1 sebanyak 0 lembar sesuai dengan (1:27) 0
=
X1 (M ) S1 (M )
X1 (B) S1 (B)
(1.73)
dan nilai opsi call pada awal periode 1 melalui persamaan (1:31) V0 = X 0 1 [e pX1 (M ) + qeX1 (B)] : = 1+r
(1.74) (1.75)
Jadi penyusunan potfolio replikasi pada awal periode 1 dan disesuaikan komposisinya pada awal periode 2 menghasilkan 6 buah persamaan, yaitu 2 buah persamaan di (1:66)
10
Kuliah ke 1. Model Binomial untuk Harga Saham
dan 4 buah persamaan di (1:67) sehingga bisa diperoleh 6 buah nilai yang masing-masing untuk 0 ; X0 ; 1 (M ) ; 1 (B) ; X1 (M ) dan X1 (B) : Melalui pemilihan komposisi portfolio replikasi ini akan dijamin (1:65) terpenuhi sehingga penerbit opsi call bisa memagari dirinya dari risiko yang muncul oleh penerbitan opsi tersebut. Dengan prosedur yang serupa dengan pembahasan sebelumnya akan diperoleh pula 1 [e pS1 (M ) + qeS1 (B)] 1+r 1 S1 (M ) = [e pS2 (M M ) + qeS2 (M B)] 1+r 1 S1 (B) = [e pS2 (BM ) + qeS2 (BB)] : 1+r S0 =
(1.76) (1.77) (1.78)
Seluruh hasil ini memperlihatkan bahwa aset keuangan yang berisiko atau tidak berisiko akan menghasilkan expected return yang sama di bahwa risk-neutral world seperti kesimpulan yang dicapai pada model untuk satu periode. Contoh 1.2 Misal S0 = 4; a = 2; b = 1=2; r = 10%: Akan ditentukan harga opsi call yang jatuh tempo pada akhir periode 2 dan dengan strike price K = 5: Untuk itu akan ditentukan dulu nilai S2 S2 (M M ) = aS1 (M ) = a2 S0 = 22 4 = 16 1 S2 (M B) = bS1 (M ) = baS0 = 2 4=4 2 1 S2 (BM ) = aS1 (B) = abS0 = 2 4=4 2 1 2 2 S2 (BB) = bS1 (B) = b S0 = 4 = 1: 2 dan X2 = V2 dari (1:63) 8 > X2 (M M ) = maks fS2 (M M ) K; 0g = maks f16 5; 0g = 11 > > < X (M B) = maks fS (M B) K; 0g = maks f4 5; 0g = 0 2 2 X 2 = V2 = > X (BM ) = maks fS K; 0g = maks f4 5; 0g = 0 2 2 (M B) > > : X2 (BB) = maks fS2 (BB) K; 0g = maks f1 5; 0g = 0:
(1.79) (1.80) (1.81) (1.82)
(1.83)
Dengan p~ = 0:4 dan q~ = 0:6 seperti yang diperoleh dari Contoh 1.1; akan didapat nilai X1 dari (1:72) 1 [e pX2 (M M ) + qeX2 (M B)] 1+r 1 = (0:4 11 + 0:6 0) 1 + 0:1
X1 (M ) =
=4 1 [e pX2 (BM ) + qeX2 (BB)] 1+r 1 = (0:4 0 + 0:6 0) 1 + 0:1
X1 (B) =
= 0:
(1.84) (1.85) (1.86) (1.87) (1.88) (1.89)
1.3. Model untuk n periode
11
Akhirnya nilai opsi call dapat diperoleh dari (1:75) 1 [e pX1 (M ) + qeX1 (B)] 1+r 1 (0:4 4 + 0:6 = 1 + 0:1
V0 =
(1.90) 0)
(1.91)
= 1:4545:
1.3
(1.92)
Model untuk n periode
Bila Sn menyatakan harga saham pada periode ke n dan harga ini tergantung dari hasil pelantunan koin sebanyak n kali !1 ; !2 ; ; !n maka hubungan antara Sn dan Sn 1 dinyatakan oleh Sn (!1 ; !2 ;
; !n
Sn (!1 ; !2 ;
; !n
1; M )
= aSn
1 (!1 ; !2 ;
; !n
1)
(1.93)
1 ; B)
= bSn
1 (!1 ; !2 ;
; !n
1)
(1.94)
dengan a adalah faktor kenaikkan harga saham dan b adalah faktor penurunan harga saham. Nilai opsi call yang jatuh tempo pada akhir periode n dan dengan exercise price K adalah Vn (!1 ; !2 ; ; !n ) = maks fSn (!1 ; !2 ; ; !n ) K; 0g : (1.95) Portfolio replikasi yang akan dibentuk oleh penerbit opsi call akan memenuhi pembatas Xn (!1 ; !2 ;
; !n ) = Vn (!1 ; !2 ;
Sedangkan hubungan antara nilai portfolio Xn dan Xn Xn
1 (!1 ; !2 ;
; !n
1; M )
=
1 [e pXn (!1 ; !2 ; 1+r
; !n
; !n ) : 1
(1.96)
dinyatakan oleh 1; M )
+ qeXn (!1 ; !2 ;
; !n
1 ; B)]
(1.97) dengan r adalah suku bunga tabungan di bank per periode sedangkan pe dan qe adalah risk-neutral probabilities (1 + r) b b a a (1 + r) q~ = : b a
p~ =
(1.98) (1.99)
Secara rekursif dari hubungan (1:97) akhirnya akan diperoleh harga opsi call sekarang V0 = X 0 =
1 [e pX1 (M ) + qeX1 (B)] : 1+r
(1.100)
Tentu saja pemodelan pergerakan harga saham dan penentuan harga opsi dengan cara demikian kelihatannya sangat naif. Namun ternyata pemodelan ini cukup ampuh dan akan menghasilkan alat yang sering dipakai di dalam matematika keuangan. Model inilah yang melatarbelakangi sebagian besar contoh soal yang akan menjelaskan teori peluang dengan ukuran.
12
Kuliah ke 1. Model Binomial untuk Harga Saham
Untuk panjang periode yang sangat pendek t ! 0 model Binomial ini akan menghasilkan rumus Black-Scholes yang semula diturunkan dari suatu persamaan diferensial stokastik. Dengan demikian model Binomial ini dapat dipandang sebagai aproksimasi terhadap suatu model untuk pergerakan harga saham yang diungkapkan melalui persamaan diferensial stokastik. Tentu saja model yang terkahir tersebut lebih canggih dari pada model Binomial. Namun akan ditunda dulu pembicaraan ke arah sana dan sekarang dimulai saja pembicaraan tentang ukuran dan yang pertama kali akan dibahas adalah konsep -aljabar yang menggambarkan tentang informasi hasil eksperiman percobaan acak.
Kuliah ke 2
-aljabar 2.1
Pendahuluan
Pada pelajaran kali ini akan dijelaskan kosep -aljabar yang akan dipergunakan sebagai bahan bangunan bagi teori peluang. Di dalam teori peluang, -aljabar ini akan diartikan sebagai informasi tentang hasil eksperimen acak. Setelah itu akan diperkenalkan konsep kejadian (event), -aljabar yang dibangkitkan oleh suatu kejadian, dan -aljabar Borel B (R) :
2.2
Aljabar dan -aljabar
De…nisi 2.1 (aljabar) Misal adalah sebuah himpunan dan F adalah koleksi subhimpunan dari : Suatu aljabar pada adalah koleksi himpunan F dengan tiga buah sifat berikut 1.
2F
2. Bila A 2 F maka Ac 2 F 3. Bila A; B 2 F maka A [ B 2 F: Catatan 2.2 Bila A; B 2 F maka A \ B = (Ac [ B c )c 2 F sehingga aljabar pada adalah keluarga sub-himpunan dari yang tertutup oleh sejumlah operasi himpunan [ dan/atau \ yang terhingga ( …nite). De…nisi 2.3 ( -aljabar) Misal adalah sebuah himpunan dan F adalah koleksi subhimpunan dari : Koleksi himpunan F disebut -aljabar pada bila F adalah aljabar 1 S dan bila A1 ; A2 ; adalah barisan di F maka Ak 2 F: k=1
Catatan 2.4 Sebuah aljabar mempunyai sifat yang tertutup oleh operasi himpunan yang terhingga ( …nite) sedangkan sebuah -aljabar mempunyai sifat yang tertutup oleh operasi himpunan yang terhitung ( countable). 13
14
Kuliah ke 2. -aljabar
De…nisi 2.5 (kejadian) Misal adalah suatu ruang sample (sample space), yaitu himpunan dari seluruh hasil yang mungkin dari suatu eksperimen acak. Bila F adalah himpunan kuasa dari (ditulis F = kuasa( )) maka setiap anggota dari F akan disebut sebuah kejadian ( event). Berikut ini akan di bahas sebuah contoh soal tentang ruang sampel dan -aljabar. Contoh soal ini akan sering dirujuk pada berbagai pembahasan topik yang akan datang. Contoh 2.6 Misalkan ada sebuah eksperimen acak yang berupa pelantunan sebuah koin sebanyak dua kali. Seluruh hasil yang mungkin dari eksperimen ini akan disebut ruang sampel ( sample space) = fM M; M B; BM; BBg (2.1) dengan M menyatakan lantunan dengan hasil muka dengan peluang P (M ) = p
(2.2)
dan B menyatakan lantunan dengan hasil belakang dengan peluang P (B) = 1
p
= q:
(2.3) (2.4)
Lihat kembali Kuliah ke 1. Tiap unsur ! 2 disebut titik sampel ( sample point). Dalam contoh ini ! terdiri dari dua komponen. Komponen ke k dari ! akan dinyatakan dengan !k : Sebagai ilustrasi, ! = M B adalah titik sampel yang menyatakan bahwa lantunan koin yang pertama menghasilkan !1 = M dan lantunan yang kedua menghasilkan !2 = B, kadang ! dituliskan dengan ! = (!1 ; !2 ) : Sebuah -aljabar yang paling sederhana yang bisa dibangun pada adalah F0 F0 = f ; ?g :
(2.5)
Sedangkan -aljabar yang paling kompleks yang bisa dibangun pada adalah F yang berupa keluarga seluruh sub-himpunan dari atau disebut himpunan kuasa dari F = kuasa ( )
(2.6)
= f ; ?; fM M g ; fM Bg ; fBM g ; fBBg ;
fM M; M Bg ; fM M; BM g ; fM M; BBg ; fM B; BM g ; fM B; BBg ;
fBM; BBg ; fM M; M B; BM g ; fM M; M B; BBg ; fM B; BM; BBgg :
(2.7) (2.8)
Koleksi himpunan F ini adalah sebuah -aljabar yang berisi seluruh informasi tentang hasil eksperimen acak dari pelantunan koin sebanyak dua kali. Setiap unsur di F akan disebut sebagai kejadian ( event). Sebagai ilustrasi, kejadian yang menyatakan bahwa lantunan pertama menghasilkan muka adalah AM = fM M; M Bg
(2.9)
2.2. Aljabar dan -aljabar
15
Sedangkan kejadian yang menyatakan bahwa lantunan pertama menghasilkan belakang adalah AB = fBM; BBg : (2.10) Bisa diperlihatkan dari de…nisi -aljabar bahwa koleksi himpunan F1 berikut F1 = f ; ?; fM M; M Bg ; fBM; BBgg
(2.11)
= f ; ?; AM ; AB g
(2.12)
adalah suatu -aljabar yang memuat seluruh informasi tentang hasil eksperimen acak dari pelantunan koin sebanyak satu kali. Demikian pula bisa diperlihatkan bahwa koleksi himpunan F2 dan F3 berikut adalah sebuah -aljabar F2 = f ; ?; fM M g ; fM Bg ; fM M; M Bg ; fBM; BBg ; =
fM B; BM; BBg ; fM M; BM; BBgg
; ?; fM M g ; fM Bg ; AM ; AB ; fM B; BM; BBg ; fM M; BM; BBg
F3 = f ; ?; fM M g ; fBM g ; fM M; BM g ; fM B; BBg ; fM M; M B; BBg ; fM B; BM; BBgg:
Dari contoh ini bisa dilihat bahwa F0
F1
F2
F.
Catatan 2.7 Setiap -aljabar memuat informasi. Pada Contoh 2.6, -aljabar F1 berisi informasi tentang hasil pelantunan koin yang pertama sedangkan F sendiri berisi informasi tentang hasil pelantunan koin sampai yang kedua kali. De…nisi 2.8 Bila F1 ; F2 ; adalah keluarga sub- -aljabar dari F dengan sifat F1 maka keluarga tersebut dinamakan …ltrasi (…ltration).
F2
Latihan 2.9 Dari Contoh 2.6 dapat disimpulkan bahwa F0 ; F1 ; F2 ; F adalah suatu …ltrasi. Apakah F0 ; F1 ; F2 ; F3 ; F juga suatu …ltrasi? De…nisi 2.10 ( (C) ; -aljabar yang dibangitkan oleh C) Misal C adalah kelas dari sub-himpunan dari : Pengertian -aljabar yang dibangkitkan oleh C dan dinyatakan dengan (C) adalah -aljabar terkecil pada dengan C (C) : Contoh 2.11 Dari Contoh 2.6 dapat ditarik beberapa kesimpulan berikut 1. Bila C = AM = fM M; M Bg maka terkecil pada dan C F 1 :
(C) = F1 karena F1 merupakan
-aljabar
2. Tentu saja F2 bukan -aljabar yang dibangkitkan oleh C karena F2 bukan -aljabar terkecil sekalipun C F 2 3. F juga bukan -aljabar yang dibangkitkan oleh C sekalipun C -aljabar terkecil pada dengan C F: 4. Misal C = ffM M g ; fM Bgg maka terkecil pada dan C F 2 :
F karena F bukan
(C) = F2 karena F2 merupakan
-aljabar
F
16
2.3
Kuliah ke 2. -aljabar
-aljabar Borel B (R)
De…nisi 2.12 ( -aljabar Borel B (R)) Misal R adalah himpunan seluruh bilangan riil. Pengertian -aljabar Borel pada R adalah -aljabar yang dibangkitkan oleh famili selang terbuka pada R dan dinyatakan dengan B (R) atau B (R) =
(selang-selang buka di R) :
(2.13)
Catatan 2.13 Setiap himpunan yang merupakan unsur dari B(R) akan disebut himpunan Borel. Konsep -aljabar Borel B(R) kadang agak sulit dimengerti oleh seseorang. Berikut ini ada cara lain yang bisa memudahkan untuk menggambarkan konsep -aljabar Borel. Mula-mula diperkenalkan dulu (R) dengan (R) = f( 1; x] : x 2 Rg dan bisa diperlihatkan bahwa dibangkitkan oleh (R)
-aljabar Borel B(R) tidak lain adalah B(R) =
(2.14) -aljabar yang
( (R)) :
(2.15)
Dari de…nisi B(R) terlihat bahwa setiap selang (a; b) dengan a; b 2 R adalah himpunan Borel sehingga gabungan selang-selang tersebut akan merupakan himpunan Borel pula. Hal ini disebabkan karena B(R) adalah suatu -aljabar. Sebagai contoh selang (a; 1) dan ( 1; a) akan merupakan himpunan Borel karena 1 [
(a; 1) =
(a; a + n)
(2.16)
(a
(2.17)
n=1
dan ( 1; a) =
1 [
n; a) :
n=1
Selang tutup [a; b] dengan a; b 2 R akan merupakan himpunan Borel pula karena [a; b] = (( 1; a) [ (b; 1))c
(2.18)
demikian pula fag akan merupakan himpunan Borel karena fag =
1 \
a
n=1
1 1 ;a + n n
(2.19)
sehingga setiap himpunan dengan jumlah unsur terhingga dari bilangan riil adalah himpunan Borel, yaitu bila A = fa1 ; a2 ; ; an g maka A=
n [
k=1
fak g :
(2.20)
Kuliah ke 3
Ukuran dan Integral Lebesque 3.1
Pendahuluan
Setelah diperkenalkan konsep -aljabar, akan diperkenalkan konsep ukuran dan integral. Berturut-turut akan diperkenalkan konsep ruang terukur, ukuran, ruang ukuran, ukuran Lebesque beserta integral Lebesque. Pembicaraan akan ditutup oleh dua buah teorema yang sangat penting untuk integral Lebesque. Semua konsep ini akan dipergunakan di dalam teori peluang untuk pembangunan ruang probabilitas, pende…nisian variabel acak dan ekspektasi.
3.2
Ukuran Lebesque
De…nisi 3.1 (ruang terukur) ( ; F) disebut ruang terukur ( measurable space) bila adalah suatu himpunan dan F adalah -aljabar pada : Unsur F disebut sub-himpunan dari yang F-terukur (F-measurable). Contoh 3.2 Pada Contoh 2.6 kejadian AM = fM M; M Bg adalah F1 -terukur dan AM juga F2 -terukur akan tetapi kejadian AM tidak F3 -terukur karena AM 2 F1 dan AM 2 F2 akan tetapi AM 62 F3 : De…nisi 3.3 (fungsi himpunan yang aditif ) Misal adalah suatu himpunan dan F adalah suatu aljabar pada serta adalah fungsi himpunan ( set function) yang nonnegatif : F ! (0; 1] : (3.1) Fungsi 1.
disebut aditif ( additive) bila memenuhi sifat berikut (?) = 0
2. Bila A1 ; A2 2 F dan A1 \ A2 = ? maka
(A1 [ A2 ) =
(A1 ) + (A2 ) :
De…nisi 3.4 (fungsi himpuanan aditif yang terhitung) Fungsi terhitung ( countably additive) bila memiliki sifat-sifat berikut 1.
(?) = 0 17
disebut aditif yang
18
Kuliah ke 3. Ukuran dan Integral Lebesque 2. Bila A1 ; A2 ; maka
1 S
adalah barisan di F dengan Ai \Aj = ? untuk i 6= j dan Ak
=
k
1 P
(Ak ) :
1 S k
Ak 2 F
k
De…nisi 3.5 (ukuran, ruang ukuran) Misal ( ; F) adalah suatu ruang terukur: Fungsi yang dide…nisikan dengan : F ! [0; 1)
(3.2)
disebut ukuran (measure) pada ( ; F) bila adalah aditif yang terhitung dan ( ; F; ) akan disebut ruang ukuran (measure space). Salah satu ukuran yang penting dan terde…nisi pada ruang terukur (R;B (R)) adalah ukuran Lebesque. De…nisi 3.6 (ukuran Lebesque) Misal (R;B (R)) adalah suatu ruang terukur dan A = (a; b) 2 B (R) : Ukuran Lebesque 0 dide…nisikan dengan 0 (A) = b a: Catatan 3.7 Tentu saja bisa dimaklumi bahwa Contoh 3.8
0 (R)
= 1:
1. Telah diperlihatkan bahwa fag
1 1 ;a + n n
a
(3.3)
sehingga
0
0 fag
0
a
= lim
0
1 1 ;a + n n
=
2 : n
(3.4)
Bila n ! 1 maka 0 fag
n!1
a
1 1 ;a + n n
2 n!1 n = 0:
= lim
(3.5) (3.6) (3.7)
2. Bila A = fa1 ; a2 ; a3 ; :::g
(3.8)
himpunan dengan unsur yang terhitung maka 0 (A)
=
1 X k=1
0 fak g
= 0:
(3.9)
Dengan kata lain setiap himpunan bilangan riil dengan unsur yang terhitung maka ukuran Lebesque-nya adalah nol.
3.3. Integral Lebesque
3.3
19
Integral Lebesque
Pada pende…nisian berikut mula-mula akan dide…nisikan integral Lebesque untuk fungsi indikator, kemudian berturut-turut akan dide…nisikan integral Lebesque untuk fungsi sederhana, fungsi non-negatif dan akhirnya untuk fungsi yang umum. De…nisi 3.9
1. Misal g : R ! R adalah fungsi indikator (indicator function) ( 1 bila x 2 A g (x) = : (3.10) 0 bila x 2 A
Himpunan A yang dide…nisikan oleh fungsi g ditulis dengan A = fx 2 R; g (x) = 1g : Integral Lebesque untuk fungsi g dide…nisikan dengan Z g d 0 = 0 (A) :
(3.11)
(3.12)
R
2. Misal h : R ! R adalah fungsi sederhana (simple function), yaitu fungsi yang dapat dinyatakan sebagai kombinasi linier dari fungsi indikator h (x) =
n X
ck gk (x)
(3.13)
k=1
dengan gk (x) =
(
1 bila x 2 Ak 0 bila x 2 = Ak
ck bilangan riil. Integral Lebesque untuk fungsi h dide…nisikan dengan Z Z X n hd 0 = ck gk d 0 R
= =
R k=1 Z n X
ck
k=1 n X
gk d
0
(3.14)
(3.15) (3.16)
R
ck
0 (Ak )
(3.17)
k=1
3. Misal f : R ! R adalah fungsi non-negatif, integral Lebesque untuk fungsi f dide…nisikan dengan Z Z f d 0 = sup hd 0 : h fungsi sederhana dan h (x) f (x) ; 8x 2 R R
R
(3.18)
4. Misal f : R ! R adalah fungsi yang umum dan akan dide…nisikan dulu f + (x) = maks ff (x) ; 0g
f (x) = maks f f (x) ; 0g :
(3.19) (3.20)
20
Kuliah ke 3. Ukuran dan Integral Lebesque Integral Lebesque untuk fungsi f dide…nisikan dengan Z Z Z f d f +d 0 fd 0 = 5. Misal A
R, pende…nisian integral Z fd
R
A fd 0
0
=
A
dengan IA (x) = Catatan 3.10 Bila tegralkan.
R
R fd 0
(3.21)
0
R
R
R
Z
adalah sebagi berikut f:IA d
0
(3.22)
R
(
1 bila x 2 A 0 bila x 2 =A
(3.23)
< 1 maka f akan disebut sebagai fungsi yang dapat diin-
Dua buah teorema yang sangat penting di dalam konsep integral Lebesque adalah teorema monotone convergence dan dominated convergence. Teorema ini memudahkan penghitungan integral untuk fungsi f yang umum bila ia diaproksimasi oleh barisan fungsi fn yang sederhana dan konvergen ke f: Teorema 3.11 (monotone convergence) Misal fn ; n = 1; 2; yang konvergen ke fungsi f . Bila 0 maka
f1 (x) Z
f d
f2 (x)
0
R
= lim
; 8x 2 R Z
n!1 R
fn d
0:
adalah barisan fungsi
(3.24)
(3.25)
Teorema 3.12 (dominated convergence) Misal fn ; n = 1; 2; adalah barisan fungsi yang konvergen ke f: Bila ada fungsi non-negatif g yang dapat diintegralkan (yaitu R R g d 0 < 1) sehingga jfn (x)j
maka
Z
R
f d
g (x) 8x 2 R; 8n 2 N 0
= lim
Z
n!1 R
fn d
0:
(3.26)
(3.27)
Kuliah ke 4
Ruang Probabilitas 4.1
Pendahuluan
Pada Kuliah kali ini akan dibangun ruang probabilitas sebagai tempat untuk pende…nisan variabel acak. Setelah itu akan dide…nisikan integral pada ruang probabilitas yang sekaligus merupakan pende…nisian dari ekspektasi.E (X) : Dua buah teorema yang berlaku untuk integral Lebesque akan dipergunakan disini untuk penghitungan integral (ekspektasi) melalui aproksimasi variabel acak.
4.2
Ruang probabilitas
De…nisi 4.1 Ukuran P disebut ukuran probabilitas (probability measure) bila P adalah suatu ukuran pada ruang terukur ( ; F) dan P ( ) = 1: Catatan 4.2 Dengan kata lain, P adalah suatu ukuran probabilitas pada ( ; F) yang mempunyai sifat 1. P ( ) = 1 2. Untuk barisan A1 ; A2 ; A3 ; ada di F dengan Ai \ Aj = ? untuk 8i 6= j akan 1 1 S P berlaku P Ak = P [Ak ] : k=1
n
k=1
De…nisi 4.3 (ruang probabilitas) Suatu ruang probabilitas ( probability space) ( ; F; P ) terdiri dari 3 obyek 1. suatu ruang sample ( sample space) 2. suatu -aljabar F = kuasa( ) 3. suatu ukuran probabilitas P di suatu ruang terukur ( ; F) ; yaitu P (A) terde…nisi 8A 2 F: De…nisi 4.4 (hampir pasti) Suatu kejadian A dikatakan akan terjadi hampir pasti ( almost surely) bila P (A) = 1: (4.1) 21
22
Kuliah ke 4. Ruang Probabilitas
4.3
Variabel acak
De…nisi 4.5 (Borel-terukur) Misal f adalah suatu fungsi dari R ke R: Dikatakan bahwa f adalah Borel-terukur (Borel-measurable) bila f 1 (A) = fx : f (x) 2 Ag 2 B(R) untuk 8A 2 B(R): De…nisi 4.6 (fungsi F-terukur) Misal ( ; F) adalah suatu ruang ukuran. Suatu fungsi f : ! R disebut F-terukur (F-measurable) bila f 1 : B(R) ! F atau f 1 (B) = f! : f (!) 2 Bg 2 F; untuk tiap himpunan Borel B. Fungsi f ini dapat digambarkan dengan f
! R F
f
(4.2)
1
B (R) :
(4.3)
De…nisi 4.7 (variabel acak) Misal ( ; F; P ) adalah suatu ruang probabilitas. Suatu fungsi X : ! R akan disebut sebagai variabel acak (random variabel) jika dan hanya jika X 1 (B) = f! : X (!) 2 Bg 2 F untuk tiap himpunan Borel B: Catatan 4.8 Ada beberapa ungkapan lain yang ekivalen untuk pende…nisian variabel acak, yaitu 1. X :
! R adalah suatu variabel acak jika dan hanya jika X adalah F-terukur.
2. X : ! R adalah suatu variabel acak jika dan hanya jika X B(R) ke F X 1 : B(R) ! F:
1
adalah fungsi dari (4.4)
De…nisi 4.9 ( (X) : -aljabar dibangkitkan oleh X ) Misal X adalah suatu variabel acak di ( ; F; P ) : Istilah -aljabar yang dibangkitkan oleh X (ditulis (X)) dide…nisikan dengan koleksi dari semua himpunan yang berbentuk f! 2: X (!) 2 Ag ; 8A R: Dengan kata lain (X) = X 1 (B) : B 2 B(R) : (4.5) Catatan 4.10 pada X:
(X) adalah -aljabar yang memuat seluruh informasi yang terkandung
De…nisi 4.11 Misal X adalah suatu variabel acak di ( ; F) dan G adalah sub- -aljabar dari F: Dikatakan X adalah G-terukur bila setiap himpunan di (X) ada pula di G: De…nisi 4.12 Misal X adalah variabel acak diskret yang terhingga. Atom dari dide…nisikan sebagai koleksi dari himpunan X
1
(X (!)) j ! 2
(X)
(4.6)
(X) terdiri dari atom-atom beserta komplemennya dan hasil operasi himpunan padanya.
4.3. Variabel acak
23
De…nisi 4.13 Variabel acak X disebut sederhana (simple) bila ia dapat dinyatakan dengan m X X(!) = ai IAi (!) untuk 8ai 0 (4.7) i=1
dengan
IA1 (!) = Contoh 4.14 Misal
(
1 bila ! 2 Ai 0 bila ! 62 Ai :
(4.8)
ruang sampel yang dide…nisikan pada Contoh 2.6 di halaman 14 = fM M; M B; BM; BBg:
(4.9)
Misal variabel acak S1 menyatakan nilai saham pada akhir periode pertama ( 8 bila ! 2 fM M; M Bg S1 (!) = 2 bila ! 2 fBM; BBg dan variabel acak S2 menyatakan nilai 1) 8 > < 16 S2 (!) = 4 > : 1
(4.10)
saham pada akhir periode kedua (lihat Kuliah ke bila ! 2 fM M g bila ! 2 fM B; BM g : bila ! 2 fBBg :
1. Tentukan
(S1 ) melalui atom-atomnya.
2. Tentukan
(S1 ) melalui atom-atomnya.
3. Tentukan
(S1 ; S2 ) melalui atom-atomnya.
(4.11)
Solusi 1. Atom-atom dari
(S1 ) terdiri dari S1 1 (8) = f! : S1 (!) = 8g = fM M; M Bg
S1 1 (2)
= f! : S1 (!) = 2g = fBM; BBg
sehingga -aljabar yang dibangkitkan oleh S1 ; yaitu operasi himpunan terhadap atom-atom ini
(4.13)
(S1 ) ; dapat dibentuk melalui
(S1 ) = f?; ; fM M; M Bg ; fBM; BBgg : 2. Atom-atom dari
(4.12)
(4.14)
(S2 ) terdiri dari S2 1 (16) = f! : S2 (!) = 16g = fM M g 1
S2 (4) 1
= f! : S2 (!) = 4g = fM B; BM g
S2 (1) = f! : S2 (!) = 1g = fBBg sehingga -aljabar yang dibankitkan terhadap atom-atom ini
(4.15) (4.16) (4.17)
(S2 ) dapat dibentuk melalui operasi himpunan
(S2 ) = f?; ; fM M g ; fM B; BM g ; fBBg ; fM M; M B; BM g ; fM B; BM; BBg ; fM M; BBgg:
24
Kuliah ke 4. Ruang Probabilitas 3. Sedangkan -aljabar yang dibangkitkan oleh S1 dan S2 dibangun dari gabungan atom-atom dari S1 dan atom-atom dari S2 dan dilanjutkan dengan operasi himpunan pada koleksi himpunan atom-atom tersebut (S1 ; S2 ) = f;; ; fM M; M Bg ; fBM; BBg ; fM M g ; fM B; BM g ;
fBBg ; fM B; BM; BBg; fM M; M B; BM g ; fM M; BBg ; fBM; BB; M M g ; fM M; M B; BBgg:
Contoh 4.15 Kelanjutan Contoh 4.14. Tentukan pra-peta di bawah S2 dari selang [3; 30] :dan [0; 1] : Solusi Pra-peta di bawah S2 dari selang [3; 30] dide…nisikan dengan S2 1 ([3; 30]) = f! 2
= f! 2
: S2 (!) 2 [3; 30]g :3
S2
30g
= fM M; M B; BM g :
(4.18) (4.19) (4.20)
Demikian pula pra-peta di bawah S2 dari selang [0; 1] adalah S2 1 ([0; 1]) = f! 2 = f! 2
: S2 (!) 2 [0; 1]g :0
S2
= fM M g :
1g
(4.21) (4.22) (4.23)
Pra-peta untuk selang lainnya dapat diperoleh dengan cara yang sama. Sehingga untuk hal yang lebih umum, pra-peta di bawah S2 untuk seluruh selang buka di R adalah f;; ; fM M g ; fM B; BM g ; fBBg ; fM M; M B; BM g ; fM M; BBg ; fM B; BM; BBgg Ini tidak lain adalah -aljabar yang dibangkitkan oleh S2 ; yaitu (S2 ) Kandungan informasi yang ada di dalam (S2 ) sama persis dengan informasi yang didapat dengan pengamatan terhadap S2 : Namun kandungan informasi di dalam (S2 ) tidaklah sekaya dengan informasi yang ada di dalam F = power( ) : Di dalam F dapat dibedakan antara kejadian fM Bg dan kejadian fBM g ; sedangkan di dalam (S2 ) tidak bisa dibedakan antara kejadian fM Bg dan kejadian fBM g : Contoh 4.16 Kelanjutan Contoh 4.14. Tuliskan 1. S1 sebagai kombinasi linier dari fungsi indikator 2. S2 sebagai kombinasi linier dari fungsi indikator. Solusi 1. Agar cocok dengan notasi di (4:7) ; dimisalkan A1 = fM M; M Bg
A2 = fBM; BBg
(4.24) (4.25)
4.4. Integral pada ruang probabilitas
25
sehingga Ai \ Aj = ?; untuk i 6= j [ Ai = :
(4.26)
a1 = 8
(4.28)
a2 = 2
(4.29)
(4.27)
i
Misalkan pula
sehingga S1 dapat dinyatakan sebagai kombinasi linier dari fungsi indikator S1 =
2 X
ai IAi
(4.30)
i=1
= 8:IfM M;M Bg (!) + 2:IfBM;BBg (!) :
(4.31)
2. Agar cocok dengan notasi di (4:7) ; dimisalkan C1 = fM M g
(4.32)
C2 = fM B; BM g
(4.33)
Ci \ Cj = ?; untuk i 6= j [ Ci = :
(4.35)
c1 = 16
(4.37)
c2 = 4
(4.38)
c3 = 1
(4.39)
C3 = fBBg
(4.34)
sehingga
(4.36)
i
Misalkan pula
sehingga S2 dapat dinyatakan sebagai kombinasi linier dari fungsi indikator S2 =
3 X
ci ICi
(4.40)
i=1
= 16:IfM M g (!) + 4:IfM B;BM g (!) _1:IfBBg (!) :
4.4
(4.41)
Integral pada ruang probabilitas
Konstruksi integral pada suatu ruang probabilitas ( ; F; P ) mengikuti langkah-langkah sebagaimana konstruksi integral Lebesque di halaman 19. Mula-mula akan dide…nisikan integral untuk variabel acak X sebagai fungsi indikator, kemudian berturut-turut akan dide…nisikan integral untuk X sederhana, X non-negatif dan X yang umum. Pende…nisan integral ini akan sekaligus merupakan pende…nisian ekspektasi E (X) :
26
Kuliah ke 4. Ruang Probabilitas
De…nisi 4.17 (integral di ( ; F; P )) Misal ( ; F; P ) adalah suatu ruang probabilitas dan misal X adalah suatu variabel acak di ( ; F; P ) 1. Misal X adalah suatu variabel acak diskret yang berupa fungsi indikator, yaitu
untuk A 2 F: Integral
R
X (!) = IA (!) ( 1 bila ! 2 A = 0 bila ! 2 =A
(4.42) (4.43)
X dP akan dide…nisikan dengan Z X dP = P (A) : E (X) =
(4.44)
2. Misal X suatu variabel acak diskret yang berupa suatu fungsi sederhana, yaitu X (!) =
n X
ck IAk (!) :
k=1
dengan ck adalah bilangan riil dan Ak 2 F: Integral dengan Z X dP E (X) = =
Z X n
(4.45) R
X dP akan dide…nisikan
(4.46)
ck IAk (!) dP
(4.47)
Z
(4.48)
k=1
= =
n X k=1 n X
ck
IAk (!) dP
ck P (Ak ) :
(4.49)
k=1
R 0 adalah variabel acak. Integral X dP akan dide…nisikan dengan Z E (X) = X dP (4.50) Z Y dP : Y sederhana dan Y (!) X (!) ; a:s: 8! 2 : = sup
3. Misal X
(4.51)
4. Misal X adalah variabel acak yang umum. De…nisikan X + dan X X + (w) = max fX (!) ; 0g
dengan (4.52)
X (w) = max f X (!) ; 0g : (4.53) R Misal X + dP < 1 dan X dP < 1 (dengan kata lain X + dan X dapat R diintegralkan). Integral X dP akan dide…nisikan dengan Z E (X) = X dP (4.54) Z Z = X + dP X dP (4.55) R
4.4. Integral pada ruang probabilitas
27
5. Untuk A 2 F dan X adalah suatu variabel acak, integral isikan dengan Z E (X:IA ) = X dP ZA = X:IA dP dengan IA (!) =
(
R
AX
1 bila ! 2 A 0 bila ! 62 A
dP akan dide…n-
(4.56) (4.57)
(4.58)
Ekspektasi E (X:IA ) dapat dipandang sebagai rata-rata parsial ( partial average) dari X terhadap himpunan A: Teorema 4.18 (monotone convergence theorem) Misal Xn ; n = 1; 2; adalah barisan variabel acak yang konvergen hampir pasti (almost surely (a.s.)) ke variabel acak X dan misalkan 0 X1 X2 X3 a:s: maka Z Z X dP = lim Xn dP (4.59) n!1
atau dituliskan dengan E (X) = lim E (Xn )
(4.60)
n!1
Teorema 4.19 (dominated convergence theorem) Misal Xn ; n = 1; 2; adalah barisan variabel acak yang konvergen hampir pasti (almost surely (a.s.)) ke variabel acak X dan misalkan jXn j Y a:s: 8n maka Z Z X dP = lim Xn dP (4.61) n!1
atau dituliskan dengan E (X) = lim E (Xn )
(4.62)
n!1
R Kedua buah teorema ini sangat membantu untuk penghitungan integral X dP bila R X adalah variabel acak yang umum karena penghitungan integral Xn dP lebih mudah R dilakukan dari pada penghitungan integral X dP langsung dari de…nisinya. Melalui konsep aproksimasi variabel acak yang non-negatif kelak akan diperlihatkan bahwa selalu bisa dibuat suatu barisan fungsi sederhana Xn ; n = 1; 2; 3; dengan sifat 0
X1 (!)
X2 (!)
X3 (!)
a:s: 8! 2
(4.63)
dan X (!) sebagai limit dari barisan tersebut X (!) = lim Xn (!) a:s:8! 2 : n!1
(4.64)
Sifat barisan yang demikian memenuhi persyaratan yang dituntut oleh Teorema 4.18 maupun Teorema 4.19 sehingga dapat diperoleh hasil berikut Z Z X dP = lim Xn dP: (4.65) n!1
28
Kuliah ke 4. Ruang Probabilitas
R Jadi prosedur penghitungan integral X dP untuk X yang bersifat umum akan lebih R mudah dilakukan melalui penghitungan integral Xn dP untuk Xn yang sederhana kemudian diambil limitnya Dengan kata lain untuk setiap variabel acak X selalu dapat dikonstruksi integral Z X dP (4.66) sebagai ungkapan dari ekspektasi E (X) :
4.5
Aproksimasi variabel acak
Mula-mula akan diperkenalkan dulu aproksimasi untuk tiap variable acak kontinu dan non-negatif X 0: Aproksimasi dari variabel acak X yang demikian adalah variabel acak diskrit Xn yang dide…nisikan dengan Xn =
n n:2 X
i=0
i I n 2n (i=2
X < (i+1)=2n ) :
(4.67)
Dari (4:67) dapat diperlihatkan bahwa aproksimasi tersebut menghasilkan barisan variabel acak diskret X1 ; X2 ; X3 ; dengan sifat 0
X1 (!)
X2 (!)
X3 (!)
a:s 8! 2 :
Bahkan bila variabel acak X (!) terbatas nilainya untuk tiap ! 2 X1 (!)
X2 (!)
X3 (!)
X (!)
(4.68)
maka bisa diperoleh
a:s 8! 2 :
(4.69)
Sifat lain yang bisa diturunkan dari aproksimasi (4:67) adalah jX (!)
Xn (!)j
2
n
a:s 8! 2 :
(4.70)
sehingga bisa disimpulkan bahwa Xn konvergen ke X X (!) = lim Xn (!) a:s:8! 2 :
(4.71)
n!1
Dengan demikian sifat barisan variabel acak diskret X1 ; X2 ; X3 ; persyaratan yang dikehendaki Teorema 4.18 atau Teorema 4.19. Distribusi dari Xn dapat dikarakterisasikan oleh hasil berikut P
Xn =
i 2n
i i+1 < X < n ; i = 0; 1; 2; ; n:2n 2n 2 i i+1 = P ! 2 : n < X (!) < n ; i = 0; 1; 2; 2 2
ini telah memenuhi
=P
=
iP
(!) ; i = 0; 1; 2;
; n:2n :
(4.72) ; n:2n
(4.73) (4.74)
4.5. Aproksimasi variabel acak
29
Sehingga ekspektasi E [Xn ] adalah Z E [Xn ] = Xn dP =
=
=
=
n n:2 X
i=0 n n:2 X i=0 n n:2 X
i=0 n n:2 X i=0
(4.75)
i E I(i=2n 2n
(4.76)
X < (i+1)=2n )
i i+1 i P n .. .. .. : . . .
(5.26)
Catatan 5.6 Ekspektasi bersyarat E (XjY ) (!) adalah variabel acak dengan nilai yang akan konstan untuk setiap ! 2 Ai ; i = 1; 2; : Contoh 5.7 Misal S1 dan S2 adalah dua buah variabel acak yang dide…nisikan pada Contoh 4.14. Tentukan 1. E (S2 jS1 ) R 2. E (S2 jS1 ) dP
3. E (S1 jS2 ) R 4. E (S1 jS2 ) dP: Solusi
1. Menurut 4.14 atom-atom dari
(A1 ) adalah
C1 = S1 1 (8) = f! : S1 (!) = 8g = fM M; M Bg 1
C2 = S1 (2)
= f! : S1 (!) = 2g = fBM; BBg
(5.27) (5.28)
38
Kuliah ke 5. Ekspektasi Bersyarat dengan P (C1 ) = P (fM M; M Bg) = p2 + pq = p (p + q) = p
(5.29)
P (C2 ) = P (fBM; BBg) = pq + q 2 = q (p + q) = q
(5.30)
Z
(5.31)
dan S2 dp =
C1
3 X
ai P (IAi :IC1 )
i=1
= 16:P (fM M g) + 4:P (fM Bg) + 1:P (?)
(5.33)
ai P (IAi :IC2 )
(5.34)
= 16p + 4pq Z
S2 dp =
C2
3 X
(5.32)
2
i=1
= 16:P (?) + 4:P (fM Bg) + 1:P (fBBg) 2
= 4pq + q :
(5.35) (5.36)
sehingga (
E (S2 jC1 ) bila ! 2 C1 E (S2 jC2 ) bila ! 2 C2 ( R 1 P (C1 ) RC1 S2 dp bila ! 2 C1 = 1 P (C2 ) C2 S2 dp bila ! 2 C2 ( 1 2 bila ! 2 C1 p 16p + 4pq = 1 2 bila ! 2 C2 q 4pq + q ( (16p + 4q) bila ! 2 C1 = f! : S1 (!) = 8g = (4p + q) bila ! 2 C2 = f! : S1 (!) = 2g
E (S2 jS1 ) (!) =
2. Integral
R
E (S2 jS1 ) dp adalah Z E (S2 jS1 ) dp = (16p + 4q) :P (C1 ) + (4p + q) P (C2 ) = (16p + 4q) p + (4p + q) q 2
(5.37) (5.38) (5.39) (5.40)
(5.41) (5.42)
2
= 16p + 8pq + q (5.43) R hasil ini sesuai dengan (4:96) ; yaitu S2 dP; sehingga dapat disimpulkan bahwa Z Z E (S2 jS1 ) dp = S2 dP: (5.44) 3. Menurut 4.14 atom-atom dari
(A2 ) adalah
A1 = S2 1 (16) = f! : S2 (!) = 16g = fM M g 1
A2 = S2 (4) 1
A3 = S2 (1)
= f! : S2 (!) = 4g = fM B; BM g = f! : S2 (!) = 1g = fBBg
(5.45) (5.46) (5.47)
5.3. Ekspektasi bersyarat terhadap variabel acak diskret
39
dengan
P (A1 ) = P (fM M g) = p2
P (A2 ) = P (fM B; BM g) = 2pq
(5.48) (5.49)
2
(5.50)
ci P (ICi :IA1 )
(5.51)
P (A3 ) = P (fBBg) = q
dan Z
S1 dp =
A1
2 X i=1
= 8:P (fM M g) + 2:P (f?g) = 8p
Z
S1 dp =
A2
2
2 X
ci P (ICi :IA2 )
(5.54)
= 10pq
A3
(5.53)
i=1
= 8:P (fM Bg) + 2:P (fBM g) Z
(5.52)
S1 dp =
2 X
ci P (ICi :IA3 )
(5.55) (5.56) (5.57)
i=1
= 8:P (f?g) + 2:P (fBBg)
(5.58)
= 2q 2
(5.59)
sehingga 8 > < E (S1 jA1 ) bila E (S1 jS2 ) (!) = E (S1 jA2 ) bila > : E (S jA ) bila 1 3 8 1 R > < P (A1 ) RA1 S1 dp 1 = P (A2 ) RA2 S1 dp > : 1 P (A3 ) A3 S1 dp 8 1 2 bila > < p2 8p 1 = 2pq (10pq) bila > : 1 2q 2 bila q2 8 > < 8 bila ! 2 A1 = 5 bila ! 2 A2 > : 2 bila ! 2 A 3
! 2 A1 ! 2 A2 ! 2 A3 bila ! 2 A1 bila ! 2 A2 bila ! 2 A3 ! 2 A1 ! 2 A2 ! 2 A3 = f! : S2 (!) = 16g = f! : S2 (!) = 4g = f! : S2 (!) = 1g
(5.60)
(5.61)
(5.62)
(5.63)
40
Kuliah ke 5. Ekspektasi Bersyarat 4. Integral
R
E (S1 jS2 ) dp adalah Z E (S1 jS2 ) dp = 8:P (A1 ) + 5P (A2 ) + 2:P (A3 ) = 8p2 + 5:2pq + 2q 2 = 8p2 + 10pq + 2q 2 2
(5.64) (5.65) (5.66)
2
(5.67)
= 8p (p + q) + 2q (p + q)
(5.68)
= 8p + 8pq + 2pq + 2q
= 8p + 2q: (5.69) R Hasil ini sesuai dengan (4:91) ; yaitu S2 dP; sehingga dapat disimpulkan bahwa Z Z S1 dP: (5.70) E (S1 jS2 ) dp = Catatan 5.8 1. Dari hasil di (5:40) terlihat bahwa ekspektasi bersyarat E (S2 jS1 ) (!) adalah variabel acak dengan sumber keacakannya muncul dari S1 : Jadi E (S2 jS1 ) adalah variabel acak yang merupakan fungsi dari S1 : Nilai E (S2 jS1 ) akan konstan untuk ! di tiap atom dari (S1 ) : Dengan kata lain E (S2 jS1 ) adalah variabel acak R yang (S1 )-terukur. Kesimpulan lain dari contoh ini adalah E (S2 jS1 ) dp = R S2 dP:
2. Kesimpulan serupa bisa diperoleh dari hasil di (5:63) : Terlihat bahwa ekspektasi bersyarat E (S1 jS2 ) (!) adalah variabel acak dengan keacakannya muncul dari S2 : Jadi E (S1 jS2 ) adalah variabel acak yang merupakan fungsi dari S2 : Nilai E (S1 jS2 ) akan konstan untuk ! di tiap atom dari (S2 ) : Dengan kata lain E (S1 jS2 ) adalah R variabel acak yang (S2 )-terukur. Kesimpulan lain dari contoh ini adalah E (S1 jS2 ) dp = R S1 dP: Apa yang diamati dari contoh soal ini akan dinyatakan dalam suatu Proposisi berikut.
Proposisi 5.9 Bila X adalah variabel acak yang dapat diintegralkan dan Y adalah variabel acak diskret maka 1. E (XjY ) adalah
(Y )-terukur
2. Untuk tiap kejadian A 2
(Y ) akan berlaku Z Z E (XjY ) dP = Xdp: A
(5.71)
A
Bukti 1. Misal atom-atom dari
(Y ) dinyatakan dengan Ai = f! : Y (!) = yi g ; i = 1; 2;
dan
[
i=1
Ai = :
:
(5.72)
(5.73)
5.4. Ekspektasi bersyarat terhadap variabel acak
41
Sebagai pengingat kembali bahwa (Y ) adalah -aljabar yang dibangkitkan oleh Ai ; i = 1; 2; : Dari De…nisi 5.5 dan Catatan 5.6 telah diketahui bahwa ekspektasi bersyarat E (XjY ) (!) adalah variabel acak dan akan bernilai konstan untuk tiap ! 2 Ai . Dengan demikian E (XjY ) (!) adalah (Y )-terukur 8 > < E (XjA1 ) bila ! 2 A1 E (XjA2 ) bila ! 2 A2 : E (XjY ) (!) = (5.74) > .. .. .. : . . .
2. Telah diketahui bahwa E (XjAi ) (!) bernilai konstan untuk ! 2 Ai maka hasil berikut ini bisa dipahami Z Z E (XjY ) dP = E (XjAi ) dP (5.75) Ai Ai Z dP (5.76) = E (XjAi ) Ai
= E (XjAi ) P (Ai ) Z 1 = XdP P (Ai ) Ai Z XdP: =
(5.77) P (Ai )
(5.78) (5.79)
Ai
5.4
Ekspektasi bersyarat terhadap variabel acak
De…nisi 5.10 Misal X adalah suatu variabel acak dan Y adalah variabel acak yang umum. Ekspektasi bersyarat X diberikan Y adalah variabel acak Z = E (XjY ) (boleh dituliskan dengan Z = E (Xj (Y ))) sehingga 1. Z adalah
(Y )-terukur
2. Untuk tiap A 2
(Y )
Z
ZdP =
A
Z
XdP:
(5.80)
A
Apakah eksistensi variabel acak Z = E (XjY ) pada De…nisi 5.10 selalau terjamin? Ternyata jawabnya ya. Hal ini dijamin oleh Teorema Radon-Nikodym berikut ini. Teorema 5.11 (Teorema Radon-Nikodym) Misal ( ; F; P ) adalah suatu ruang probabilitas dan G adalah sub- -aljabar dari F: Untuk setiap variabel acak X akan ada variabel acak Z yang G-terukur sehingga Z Z XdP = ZdP; 8A 2 G: (5.81) A
A
Apakah variabel acak Z ini unik? Lemma 5.12 dan Proposisi 5.9 berikut bisa dipakai untuk memperlihatkan keunikan Z:
42
Kuliah ke 5. Ekspektasi Bersyarat
Lemma 5.12 Misal ( ; F; P ) adalah suatu ruang probabilitas dan misalkan G adalah sub- -aljabar dari F: Bila X variabel acak yang G-terukur dan untuk setiap A 2 G memenuhi Z XdP = 0 (5.82) A
maka X = 0 a.s.
Proposisi berikut dapat dibuktikan dengan Teorema 5.11 dan Lemma 5.12. Proposisi 5.13 Variabel acak Z = E (XjG) ada dan unik dalam arti bahwa X = X 0 a.s. jika dan hanya jika E (XjG) = E (X 0 jG) a.s.
5.5
Sifat-sifat ekspektasi bersyarat
Proposisi 5.14 Misal X dan Y adalah dua buah variabel acak yagn terde…nisi pada suatu ruang probabilitas ( ; F; P ) ; a dan b adalah bilangan riil, dan G; H adalah dua buah sub- -aljabar dari F: Ekspektasi bersyarat mempunyai sifat-sifat berikut 1. ( linearity) E (aX + bY jG) = E (XjG) + E (Y jG) 2. E (E (XjG)) = E (X) 3. Bila Y adalah G terukur maka E (XY jG) = Y E (Y jG) 4. Bila X dan G saling bebas maka E (XjG) = E (X) 5. ( tower property) Bila H 6. ( positivity) Bila X
G maka E (E (XjG) jH) = E (XjH)
0 maka E (XjG)
0:
Kuliah ke 6
Martingales Pada Kuliah kali ini akan diasumsikan bahwa pembicaraan senantiasa berada di ruang probabilitas ( ; F; P ) : Mula-mula akan dide…niskan suatu proses stokastik, kemudian akan dikenali proses stokastik yang disebut martingales. De…nisi 6.1 (proses stokastik) Proses stokastik adalah suatu keluarga variabel acak fX (t)g dengan t 2 T dan T R: Bila T = f1; 2; g maka fX (t)g adalah proses stokastik dalam waktu diskret (atau fX (t)g adalah barisan bilangan acak). Bila T = [0; 1) maka fX (t)g adalah proses stokastik dalam waktu kontinu. De…nisi 6.2 (proses teradaptasi) Porses stokastik fX (t)g teradaptasi ( adapted) oleh …ltrasi fF (t)g bila X (t) adalah F (t)-terukur untuk 8t 2 T: De…nisi 6.3 (martingales) Proses stokastik fX (t)g disebut martingales bila memenuhi sifat berikut 1. X (t) dapat diintegralkan 8t 2 T 2. fX (t)g teradaptasi oleh …ltrasi fF (t)g 3. E (X (t) jF (s)) = X (s) untuk s
t:
Catatan 6.4 Bila proses stokastik fX (t)g memenuh (1) dan (2) akan tetapi E (X (t) jF (s)) X (s) untuk s t maka fX (t)g disebut supermartingales. Bila proses stokastik fX (t)g memenuh (1) dan (2) akan tetapi E (X (t) jF (s)) X (s) untuk s t maka fX (t)g disebut submartingales. Contoh 6.5 Misal X (1) ; X (2) ; X (3) ; adalah barisan variabel acak yang saling bebas dengan E [(X (i))] = 0; i = 1; 2; 3; : (6.1) Misal M (n) = X (1) + X (2) + X (3) +
+ X (n) :
(6.2)
Konstruksikan F (n) =
(X (1) ; X (2) ; X (3) ; 43
)
(6.3)
44
Kuliah ke 6. Martingales
sebagai -aljabar yang dibangkitkan oleh X (1) ; X (2) ; X (3) ; bahwa fM (n)g adalah martingales 1. Persyaratan (1) dipenuhi karena E [(X (i))] = 0; i = 1; 2; 3;
: Akan diperlihatkan
:
2. Persyaratan (2) dipenuhi karena konstruksi F (n) sebagai -aljabar yang dibangkitkan oleh X (1) ; X (2) ; X (3) ; : 3. Persyaratan (3) dipenuhi karena X (n + 1) dan F (n) saling bebas sehingga E [X (n + 1) jF (n)] = E [X (n + 1)]
(6.4)
dan E [M (n + 1) jF (n)] = E [X (1) + X (2) + X (3) + = X (1) + X (2) + X (3) +
= M (n) + E [X (n + 1)] = M (n) :
X (n) jF (n)]
+ E [X (n + 1) jF (n)]
(6.5) (6.6) (6.7) (6.8)
Kuliah ke 7
Teorema Radon-Nikodym 7.1
Pendahuluan
Pada pembahasan sebelumnya telah dilihat bahwa penghitungan harga suatu opsi diperlukan penghitungan ekspektasi di bawah ukuran probabilitas yang risk-neutral (riskneutral probability measure). Kali ini akan dipelajari hubungan antara ukuran probabilitas pasar (market probability measure) P dan ukuran probabilitas yang risk-neutral P~ .
7.2
Teorema Radon-Nikodym
De…nisi 7.1 (P~ kontinu terhadap P ) Bila 8A 2 F dan P (A) = 0 sehingga P~ (A) = 0 maka dikatakan P~ kontinu terhadap P: De…nisi 7.2 (P ekivalen dengan P~ ) Bila P kontinu terhadap P~ dan sekaligus P~ kontinu terhadap P maka dikatakan P ekivalen dengan P~ : Teorema 7.3 (Radon-Nikodym) Misal P dan P~ adalah dua buah ukuran probabilitas di ruang terukur ( ; F) : Bila P~ kontinu terhadap P maka ada suatu variabel acak Z 0 sehingga Z ~ P (A) = Z dP 8A 2 F (7.1) A
variabel acak Z disebut turunan Radon-Nikodym dari P~ terhadap P: Catatan 7.4 Ungkapan bahwa Z disebut turunan Radon-Nikodym derivative dari P~ terhadap P dapat dinyatakan dengan notasi Z=
dP~ dP
(7.2)
atau dP~ = ZdP 45
(7.3)
46
Kuliah ke 7. Teorema Radon-Nikodym
sehingga ~ [X] = E =
Z Z
XdP~
(7.4)
XZdP
(7.5)
= E [XZ] :
(7.6)
Dengan demikian kadang ungkapan yang menghubungkan antara P dan P~ pada (7:1) Z ~ P (A) = Z dP 8A 2 F (7.7) A
akan dinyatakan dengan (7:6) ~ [X] = E [XZ] E
(7.8)
E [XZ] < 1:
(7.9)
asalkan
7.3
Eksistensi ekspektsi bersyarat
Misal 1. ( :F; Q) adalah suatu ruang probabilitas 2. G adalah suatu sub- -algebra dari F 3. X
0 adalah variabel acak dengan
R
X dQ = 1
Akan dikonstruksi EQ (X jG) ; yaitu ekspektasi bersyarat di bawah Q dari X bila diberikan G: Pada G; de…nisikan dua buah ukuran probabilitas P dan P~ dengan P (A) = Q (A) 8A 2 G Z ~ P (A) = XdQ 8A 2 G:
(7.10) (7.11)
A
Mula-mula akan diperlihatkan bahwa bila Y adalah variabel yang G-terukur maka Z Z Y dP = Y dQ: (7.12) Hal ini dapat diperlihatkan dengan ilustrasi berikut, bila Y = IA untuk A 2 G maka Z Z Y dP = IA dP = P (A) (7.13) Z Z Y dQ = IA dQ = Q (A) (7.14) dan karena variabel acak Y dapat diaproksimasi dengan variabel acak sederhana maka hasil di atas dapat diperluas dari Y = IA dengan sembarang variabel acak Y:
7.3. Eksistensi ekspektsi bersyarat
47
Dari (7:11) terlihat bahwa P~ kontinu terhadap P sehingga menurut teorema RadonNikodym ada suatu variabel acak Z yang G-measurable sehingga Z ~ P (A) = ZdP; 8A 2 G (7.15) A
di lain pihak de…nisi P~ (A) dari (7:11) adalah Z P~ (A) = XdQ; A
8A 2 G
sehingga dari (7:15) dan (7:16) dapat diperoleh Z Z XdQ = ZdP A A Z = ZdQ; 8A 2 G
(7.16)
(7.17) (7.18)
A
Dapat diklaim bahwa Z = EQ (X jG) karena 1. Z = EQ (X jG) adalah G-measurable 2. 8A 2 G berlaku sifat rataan parsial Z Z ZdQ = ZdP A ZA = XdQ A Z = E (XjG) dQ:
(7.19) (7.20) (7.21)
A
Dari hasil di atas dapat disimpulkan bahwa eksistensi ekspektasi bersyarat adalah hasil dari teorema Radon-Nikodym.
Kuliah ke 8
Integral Ito 8.1
Symmetric random walk
Lantunkan sebuah koin berkali-kali dan nyatakan hasilnya dengan variabel acak Xj ; j = 1; 2; 3; ( 1 bila !j = M Xj (!j ) = (8.1) 1 bila !j = B Hasil lantunan koin yang satu saling bebas terhadap lantunan koin lainnya. Karena itu X1 ; X 2 ; X 3 ; dapat diasumsikan saling bebas. Asumsikan pula P (M ) = P (B) = 1=2: Sifat-sifat Xj 1: 12 = 0
1. E [Xj ] = 1:P (M ) + ( 1) P (B) = 1: 21 2. var[Xj ] = 12 P (M ) + ( 1)2 P (B) = 1:
3. Moment generating function dari Xj adalah 'Xj (u) = E euXj = eu P (M ) + e 1 1 = eu + e u : 2 2
(8.2) u
P (B)
(8.3) (8.4)
De…nisikan Mk dengan M0 = 0
(8.5)
M1 = X 1
(8.6)
M2 = X 1 + X 2
(8.7)
M3 = X 1 + X 2 + X 3 .. .
(8.8)
Mk =
k X
Xj
j=1
Proses fMk g1 k=0 akan disebut sebagai symmetric random walk. 48
(8.9) (8.10)
8.2. Scaled symmetric random walk
8.1.1
49
Sifat-sifat dari symmetric random walk fMk g1 k=0
1. E [Mk ] = E
2. var[Mk ] =
"
k P
#
Xj =
j=1
k P
k P
E [Xj ] = 0
j=1
var[Xj ] = k:
j=1
3. Increments dari Mk M1
M0 = X 1
(8.11)
M2
M1 = X 2 .. .
(8.12)
Mk
Mk
1
(8.13)
= Xk
(8.14)
adalah saling bebas.
8.2
Scaled symmetric random walk
Misal n adalah bilangan bulat positif. Bila t = metric random walk W (n) (t) dengan
k n
atau k = tn, de…nisikan scaled sym-
1 W (n) (t) = p Mtn n 1 = p Mk n
(8.15) (8.16)
Teorema 8.1 Untuk t 0 dan n ! 1; distribusi dari W (n) (t) akan konvergen ke distribusi normal dengan mean 0 dan variansi t: Bukti Moment generating function untuk W (n) (t) =
p1 Mnt n
adalah 'k (u)
h i (n) 'k (u) = E euW (t) h p1 i M u: = E e n nt 2 3 nt P = E 4e
pu n
Xj
j=1
=
(8.18)
5
h pu pu X X = E e n 1 :e n 2 : 1 pun 1 e + e 2 2
(8.17)
pu n
(8.19) :e nt
pu Xnt n
i
(8.20) (8.21)
50
Kuliah ke 8. Integral Ito u
log 'k (u) = nt log oleh
1 pn 2e
+ 12 e
pu n
x!0
= t lim
x!0
= t lim
x!0
u ux 2e
= t lim
= t lim
u2 ux 2 e
x!0
2
+ u2 e 2
ux
maka diper-
(8.22) (8.23) u ux 2e
u ux 2e
2x
x!0
p1 n
1 ux 2e
+ 12 e ux x2 ! u ux u ux e e 1 2 2 : 1 ux 1 ux 2x + 2e 2e ! 1 lim 1 ux + 12 e ux x!0 2e
log
lim log 'k (u) = t lim
k!1
dan dengan mengasumsikan x =
u ux 2e
2x
(8.24) (8.25)
!
(8.26)
t = u2 2
(8.27)
Jadi akan diperoleh 1
'k (u) = e 2 u
2t
(8.28)
dan ini adalah moment generating function dari variabel acak yang berdistribusi normal dengan mean 0 dan variansi t: Karena itu untuk n ! 1 proses W (n) (t) akan konvergen menjadi proses fW (t)g dengan sifat-sifat 1. W (0) = 0 2. W (t) adalah fungsi kontinu di t 3. Bila 0 = t0 < t1 < t2
> >
> > > : W
W (0) W Tn .. . (n 1)T n
bila bila .. .
T n
0
bila
(n 1)T n
u< u< .. .
T n 2T n
n (t)
yang
(8.81)
u < T:
terlihat bahwa persyaratan lim E
n!1
Z
0
T
(
n (t)
W (t))2 dt = 0
(8.82)
56
Kuliah ke 8. Integral Ito
dipenuhi sehingga Z
T
W (u) dW (u) = lim
Z
T
n!1 0 n X1
0
= lim
n!1
= lim
n!1
n (u) dW
(u)
jT n
W
W
j=0
n X1
Wj [Wj+1
(8.83) (j + 1) T n
W
jT n
Wj ]
(8.84)
(8.85)
j=0
dengan Wj = W
jT n
:
(8.86)
Integral (8:85) bisa dinyatakan dengan Z
0
T
2
1 W (u) dW (u) = lim 4 Wn2 n!1 2 1 = W (T )2 2
1 = W (T )2 2 1 = W (T )2 2
1 2
n X1
(Wj+1
j=0
n 1
1X lim (Wj+1 n!1 2
3
Wj )2 5
(8.87)
Wj )2
(8.88)
j=0
1 [W; W ] (T ) 2 1 T: 2
(8.89) (8.90)
Kuliah ke 9
Rumus Ito 9.1
Rumus Ito
Deret Taylor untuk nilai fungsi f di sekitar xk dapat diaproksimasi dengan f (xk+1 ) = f (xk ) + f 0 (xk ) (xk
1 xk+1 ) + f 00 (xk ) (xk+1 2
xk )
(9.1)
W (tk ))] +
(9.2)
Bila xx = W (tk ) maka akan didapat f (W (tk+1 )) = f (W (tk )) + f 0 (W (tk )) [W (tk+1 1 00 f (W (tk )) [W (tk+1 W (tk ))]2 2
(9.3)
atau f (W (tk+1 ))
Misal
= ft0 ; t1 ;
f (W (tk )) = f 0 (W (tk )) [W (tk+1 W (tk ))] + 1 00 f (W (tk )) [W (tk+1 W (tk ))]2 2
f (W (0)) =
= 1 2
f (W (T ))
(9.5)
; tn g adalah partisi dari [0; t]
f (W (T ))
Untuk k k ! 0
(9.4)
Z
n X1
k=0 n X1
[f (W (tk+1 ))
f (W (tk ))]
f 0 (W (tk )) [W (tk+1
k=0 n X1
f 00 (W (tk )) [W (tk+1
W (tk ))] +
(9.7)
W (tk ))]2
(9.8)
k=0
Z 1 t 00 f (W (u)) (dW (u))2 f (W (0)) = f (W (u)) dW (u) + 2 0 0 Z t Z t 1 = f 0 (W (u)) dW (u) + f 00 (W (u)) dt 2 0 0 t
(9.6)
0
57
(9.9) (9.10)
58
Kuliah ke 9. Rumus Ito
Sehingga rumus Ito dalam bentuk integral dapat dinyatakan dengan Z t Z 1 t 00 0 f (W (u)) dW (u) + f (W (t)) dt f (W (T )) = f (W (0)) + 2 0 0
(9.11)
Sedangkan Ito’s formula dalam bentuk diferensial dapat dinyatakan dengan 1 df (W (t)) = f 0 (W (t)) dW (t) + f 00 (W (t)) dt 2 Berbagai variasi dari rumus Ito dapat dikenali dari bentuk fungsi f:
(9.12)
Bila fungsinya berbentuk f (t; W (t)) maka rumus Ito-nya adalah 1 df (t; W (t)) = ft dt + fW dW (t) + fW W dt 2
(9.13)
Bila fungsinya berbentuk f (t; X) dengan X mengikuti dX = dt + dW
(9.14)
maka rumus Ito-nya adalah 1 df (t; X) = ft dt + fX dX + fXX dt 2
(9.15)
1 = ft dt + fX [ dt + dW ] + fXX dt 2 1 = ft + fX + fXX dt + fX dW 2
(9.16) (9.17)
Bila fungsinya berbentuk f (t; W1 (t) ; W2 (t)) dengan dW1 (t) dW2 (t) = 0 maka rumus Ito-nya adalah df (t; W1 (t) ; W2 (t)) = ft dt + fW1 dW1 + fW2 dW2 + (9.18) 1 [fW1 W1 dW1 dW1 + 2fW1 W2 dW1 dW2 + fW1 W2 dW1 dW2 ] 2 (9.19) Bila fungsinya berbentuk f (t; X1 ; X2 ) dengan dX1 =
1 dt
+
11 dW1
+
12 dW2
(9.20)
dX2 =
2 dt
+
21 dW1
+
22 dW2
(9.21)
maka rumus Ito-nya adalah df (t; X1 ; X2 ) = ft dt + fX1 dX1 + fX2 dX2 + 1 [fX1 X1 dX1 dX1 + 2fX1 X2 dX1 dX2 + fX2 X2 dX2 dX2 ] 2 = ft dt + fX1 [ 1 dt + 11 dW1 + 12 dW2 ] + fX2 [ 2 dt + 21 dW1 + 22 dW2 ] + 1h fX1 X1 ( 1 dt + 11 dW1 + 12 dW2 )2 + 2 fX1 X2 ( 1 dt + 11 dW1 + 12 dW2 ) ( 2 dt + i fX2 X2 ( 2 dt + 21 dW1 + 22 dW2 )2
(9.22) (9.23) (9.24) (9.25) (9.26)
21 dW1
+
22 dW2 ) +
(9.27)
9.2. Geometric Brownian motion
9.2
59
Geometric Brownian motion
Harga saham pada saat t; yaitu S (t) ; dikatakan mengikuti geometric Brownian motion bila dapat dinyatakan dengan S (t) = S (0) : exp
1 2
W (t) +
2
t
(9.28)
dan adalah konstanta dengan > 0: Dengan penggunaan rumus Ito, maka geometric Brownian motion dalam bentuk diferensial dapat dinyatakan dengan d (S (t)) = S (t)
1 2
2
dt + S (t) dW (t) + S (t)
1 2
= S (t) dt + S (t) dW (t)
dt
(9.29) (9.30)
Sedangkan geometric Browniam motion dalam bentuk integral adalah Z t Z t S (u) du + S (u) dW (u) S (t) = S (0) + 0
2
(9.31)
0
Integral yang pertama adalah integral Riemann sedangkan integral yang kedua adalah integral Ito. Quadratic variation dari S (t) hanya tergantung pada integral Ito-nya, yaitu dS (t) dS (t) =
2
S (t)2 dt:
(9.32)
Kuliah ke 10
Teorema Girsanov 10.1
Teorema Girsanov
Teorema Girsanov sangat penting untuk digunakan agar bisa pindah dari suatu ukuran probabilitas ke ukuran probabilitas lainnya. Teorema 10.1 (Teorema Girsanov) Misal W (t), 0 t T adalah suatu Brownian motion di suatu ruang probabilitas ( ; F; P) dan misalkan fF (t)g adalah …ltrasi yang dibangkitkan oleh Brownian motion. Misalkan pula (t), 0 t T adalah suatu proses ~ (t) dengan yang teradaptasi oleh …ltrasi fF (t)g. Untuk 0 t T de…nisikan W Z t ~ (t) = W (t) + W (u) du (10.1) 0
dan de…nisikan P~ melalui P~ (A) =
Z
Z (T ) dP
(10.2)
A
dengan Z (t) dide…nisikan oleh Z
Z (t) = exp
t
(u) dW (u)
0
~ (t) ; 0 Di bawah P~ , proses W
t
1 2
Z
t
(u)2 du :
(10.3)
0
T adalah suatu Brownian motion.
Catatan 10.2 Berikut ini beberapa sifat yang ditimbulkan oleh Z (t) 1. Z (t) adalah suatu martingale. Dengan rumus Ito akan didapat dZ (t) = =
(t) Z (t) dW (t) +
1 (t)2 Z (t) dt 2
1 (t)2 Z (t) dt 2
(t) Z (t) dW (t)
(10.4) (10.5)
atau ditulis dalam bentuk integral Ito Z (t)
Z
Z (0) =
t
(u) Z (u) dW (u)
(10.6)
0
Karena integral Ito adalah suatu martingale maka Z (t) adalah suatu martingale pula. 60
10.1. Teorema Girsanov
61
2. P~ adalah suatu ukuran probabilitas ~ = E [Z (T ) :X] ; karena untuk X = IA 8A 2 F maka 3. EX Z ~ IA dP~ EX =
(10.7)
= P~ (A) Z Z (T ) dP = ZA Z (T ) :IA dP =
(10.8) (10.9) (10.10)
= E [Z (T ) :X] ;
(10.11)
kemudian gunakan hasil bahwa setiap variabel acak dapat diaproksimasi dengan suatu variabel acak sederhana. 4. Bila
konstan Z (T ) = exp
W (T )
1 2
2
T
(10.12)
~ (T ) = T + W (T ) W ~ (T ) N (0; T ) ; sehingga W
Di bawah P; W (T )
(10.13) N ( T; T ) :
~ (T ) 5. Perubahan uuran probabilitas dari P ke P~ akan menghilangkan drift dari W ~ W ~ (T ) = E (Z (T ) ( T + W (T ))) E 1 2 = E f T + W (T )g exp W (T ) T 2 Z 1 1 2 1 ( T + w) exp w =p T exp 2 2 T 1 ( ) Z 1 (w + T )2 1 ( T + w) exp =p dw 2T 2 T 1 Z 1 y2 1 =p y exp dy 2T 2 T 1 = 0:
(10.14) (10.15) W2 2T
dw (10.16) (10.17) (10.18)
~ (T ) Perubahan ukuran probabilitas dari P ke P~ telah menghilangkan drift dari W ~ (T ) N (0; T ) sedangkan di bawah P; W ~ (T ) N ( T; T ) : sehingga di bawah P~ ; W Lemma 10.3 Misal 0
t
T: Bila X adalah F (t)-measurable maka ~ (X) = E (X:Z (t)) E
(10.19)
Bukti ~ (X) = E [XZ (T )] E = E [E [XZ (T ) jF (t)]]
= E [XE [Z (T ) jF (t)]]
= E [XZ (t)]
(10.20) (10.21) (10.22) (10.23)
62
Kuliah ke 10. Teorema Girsanov
Lemma 10.4 (aturan Bayes) Bila X adalah F (t)-measurable dan 0 maka ~ (XjF (s)) = 1 E (XZ (t) jF (s)) E Z (s)
s
t
T
(10.24)
Bukti Z (s) adalah F (s)-measurable. Demikian pula E (XZ (t) jF (s)) adalah F (s)1 E (XZ (t) jF (s)) adalah F (s)-measurable pula. measurable sehingga Z(s) Untuk 8A 2 F (s) berlaku Z 1 ~ IA 1 E [XZ (t) jF (s)] E (XZ (t) jF (s)) dP~ = E (10.25) Z (s) A Z (s) 1 = E IA Z (s) E [XZ (t) jF (s)] (10.26) Z (s) = E [E [IA XZ (t) jF (s)]]
(10.27)
= E [IA XZ (t)] ~ [IA X] =E Z = XdP~
(10.28) (10.29) (10.30)
A
h i ~ W ~ (t) jF (s) = W ~ (s) Lemma 10.5 (sifat martingale) E
0
s
t
T
~ (t) Z (t) adalah suatu martingale di Bukti Pertama-tama akan diperlihatkan bahwa W bawah P dengan pemanfaatan hasil dari rumus Ito untuk multidimensi ~Z =W ~ dZ + ZdW ~ + dW ~ dZ d W
(10.31)
~ (t) = (t) dt + dW (t) dan Selanjutnya substitusikan (10:1) dalam bentuk di¤erential dW (10:5) ke dalam (10:31) ~Z = d W
~ ZdW + Z dt + ZdW W
Zdt
= ( W Z + Z) dW Persamaan ini bisa dituliskan dalam bentuk integral Ito Z t ~ ~ (u) (u) Z (u) + Z (u) dW (u) W (t) Z (t) = W
(10.32) (10.33)
(10.34)
0
~ (t) Z (t) adalah suatu martingale karena integral Sehingga dapat disimpulkan bahwa W Ito adalah suatu martingale. Sifat ini akan dipakai untuk memperlihatkan hasil berikut h i h i ~ W ~ (t) jF (s) = 1 E W ~ (t) Z (t) jF (s) E (10.35) Z (s) 1 ~ = W (s) Z (s) (10.36) Z (s) ~ (s) =W (10.37)
10.2. Risk-Neutral measure
63
Persamaan (10:2) dipakai untuk membangun ukuran probabilitas P~ bila diketahui ukuran probabilitas P: Demikian pula sebaliknya, bila diketahui P~ maka bisa dibangun ukuran probabilitas P dengan penggunaan hasil dari Lemma di atas bahwa bila X ~ = E [XZ (t)] : Bila A 2 F (t) maka X ~ = IA X adalah adalah F (t)-measurable maka EX F (t)-measurable sehingga h i ~X ~ = E XZ ~ (t) E
~ [IA X] = E [IA XZ (t)] E Z Z XdP~ = XZ (t) dP A
Bila t = T dan X =
1 Z(T )
(10.38) (10.39) (10.40)
A
maka didapat Z
A
Z
1 dP~ = Z (T )
Jadi P bisa diperoleh dari P~ P (A) =
P~ (A) =
(10.41)
Z
1 dP~ Z (T )
(10.42)
Z
Z (T ) dP
(10.43)
A
demikian pula sebaliknya
dP = P (A)
A
A
10.2
Risk-Neutral measure
Misal W (t) ; 0 t T adalah Brownian motion dan F (t) ; 0 t T adalah …ltrasi yang dibangkitkan oleh Brownian motion. Berikut ini beberapa proses yang akan dipakai untuk membangun pengertian risk-neutral measure: Stock price process Stock price process S (t) memenuhi persamaan diferensial stokastik: dS (t) =
(t) S (t) dt + (t) S (t) dW (t)
(10.44)
Dari persamaan (10:44) ini terlihat bahwa S (t) bukan martingale terhadap …ltrasi fF (t)g karena ada faktor (t) S (t) dt: Interest rate process Interest rate process r (t) ; 0 fF (t)g : Wealth process
t
T adalah suatu proses yang teradaptasi terhadap
64
Kuliah ke 10. Teorema Girsanov
Mulai dengan X (0) = x dan 4 (t) menyatakan jumlah saham yang dimiliki pada saat t; wealth process X (t) dapat diungkapkan dengan dX (t) = 4 (t) dS (t) + r (t) (X (t)
4 (t) S (t)) dt
(10.45)
Faktor pertama di ruas kanan menyatakan capital gain dari saham sedangkan faktor kedua menyatakan kenaikkan pendapatan dari bunga. Persamaan (10:45) memperlihatkan bahwa X (t) bukanlah martingale terhadap …ltrasi fF (t)g : Persamaan (10:45) dapat dituliskan dalam bentuk dX (t) = r (t) X (t) dt + 4 (t) [dS (t)
r (t) S (t) dt]
(10.46)
= r (t) X (t) dt + 4 (t) [ (t) S (t) dt + (t) S (t) dW (t) = r (t) X (t) dt + 4 (t) [( (t)
r (t) S (t) dt]
r (t)) S (t) dt + (t) S (t) dW (t)] (t)
= r (t) X (t) dt + 4 (t) (t) S (t)
r (t) (t)
dt + dW (t)
= r (t) X (t) dt + 4 (t) (t) S (t) [ (t) dt + dW (t)]
(10.47) (10.48) (10.49) (10.50)
dengan (t) menyatakan market price of risk (t) =
(t)
r (t) (t)
(10.51)
Bila diasumsikan dW (t) = (t) dt + dW (t)
(10.52)
maka persamaan (10:50) dapat dinyatakan dengan dX (t) = r (t) X (t) dt + 4 (t) (t) S (t) dW (t)
(10.53)
sedangkan persamaan (10:44) dapat dinyatakan dengan dS (t) = =
(t) S (t) dt + (t) S (t) [dW (t) (t) S (t) dt
= [ (t)
(t) dt]
(t) (t) S (t) dt + (t) S (t) dW (t)
(t) (t)] S (t) dt + (t) S (t) dW (t)
= r (t) S (t) dt + (t) S (t) dW (t)
(10.54) (10.55) (10.56) (10.57)
Dari persamaan (10:53) dan (10:57) ternyata S (t) dan W (t) bukan pula martingale di bawah P~ : Jadi S (t) dan X (t) bukan martingale di bawah P maupun di bawah P~ : Uraian di ~ (t) bawah akan memperlihatkan bahwa proses yang terdiskonto S (t) dan X S (t) S~ (t) = (t) X ~ (t) = (t) X (t) adalah martingale di bawah P~ ; dengan
(10.58) (10.59)
(t) menyatakan faktor akumulasi Rt
(t) = e
0
r(u)du
(10.60)
10.2. Risk-Neutral measure dan
(t)
1
65
= 1= (t) menyatakan faktor diskonto (t)
Bentuk diferensial dari
1
Rt
1 =e (t)
=
0
r(u)du
(10.61)
(t) adalah d (t) =
sedangkan bentuk diferensial dari
(t)
1
1
=
d (t)
(t) r (t) dt
(10.62)
adalah (t)
1
r (t) dt
(10.63)
Bentuk diferensial dari S~ (t) adalah dS~ (t) = d
S (t) (t)
(10.64)
=
(t)
1
=
(t)
1
[r (t) S (t) dt + (t) S (t) dW (t)] + S (t)
=
(t)
1
S (t) (t) dW (t)
=
dS (t) + S (t) d (t)
1
h
(t)
S (t) (t) dW (t) (t)
=
1
r (t) dt
i
(10.65) (10.66) (10.67) (10.68)
(t) S (t) dW (t)
(10.69)
Karena (t) S~ (t) adalah adapted process to the …ltration F (t) maka dari persamaan (10:69) dapat dilihat bahwa discounted stock price process S~ (t) = S (t) = (t) adalah suatu martingale di bawah P~ : ~ (t) adalah Bentuk diferensial dari discounted wealth process X ~ (t) = d dX
X (t) (t)
=
(t)
1
=
(t)
1
(t)
1
= =
dX (t) + X (t) d (t)
(10.70) 1
[r (t) X (t) dt + 4 (t) (t) S (t) dW (t)] + X (t) 4 (t) (t) S (t) dW (t)
S (t) 4 (t) (t) dW (t) (t)
= 4 (t) (t) S (t) dW (t)
h
(10.71) i (t) 1 r (t) dt
(10.72) (10.73)
(10.74) (10.75)
Karena 4 (t) (t) S (t) adalah adapted process to the …ltration F (t) maka dari per~ (t) = X (t) = (t) adalah samaan (10:75) dapat dilihat bahwa discounted wealth process X suatu martingale di bawah P~ :
Kuliah ke 11
Teorema Representasi Martingale Pada bab ini akan dipelajari suau teorema yang akan berguna untuk memperlihatkan eksistensi dari suatu heging portfolio. Teorema 11.1 (Teorema representasi martingale) Misal W (t) ; 0 t T adalah sutau Brownian motion di ( ; F; P ) : Misal X (t) ; 0 t T adalah suatu martingale (di bawah P ) relatif terhadap …ltrasi.fF (t)g yang dibangkitkan oleh W (t). Maka ada suatu proses (t) ; 0 t T yang teradapsi terhadap …ltrasi fF (t)g sehingga X (t) = X (0) +
Z
t
(s) dW (s) ;
0
t
T
(11.1)
0
atau ditulis dalam bentuk diferensial dX (t) = (t) dW (t)
(11.2)
Catatan 11.2 Ingat bahwa bila X (t) adalah proses yang memenuhi persamaan (11:2) maka X (t) adalah martingale. Teorema ini menyatakan bahwa bila X (t) adalah suatu proses yang martingale dan teradaptasi terhadap …ltrasi yang dibangkitkan oleh W (t) (dengan kata lain, W (t) adalah satu-satunya sumber keacakan bagi X (t)) maka X (t) memenuhi dX (t) = (t) dW (t)
(11.3)
untuk suatu (t) : Teorema ini dapat dipakai untuk memperlihatkan eksistensi suatu hedging portfolio (t) ; 0 t T: Dengan portfolio process (t) ; 0 t T ini dari bab sebelumnya telah diketahui bahwa the wealth process X (t) ; 0 t T dapat dinyatakan dengan d
X (t) (t)
atau X (t) = X (0) + (t)
Z
=
(t) (t)
t
(s) (s)
0
66
S (t) dW (t) (t)
S (s) dW (s) ; (s)
(11.4)
0
t
T
(11.5)
67 Misal V (T ) adalah suatu variabel acak yang F (T )-measurable dan meyatakan nilai dari suatu contingent claim pada saat T: Akan dipilih suatu portfolio process (t) ; 0 t T dan X (0) sehingga X (T ) = V (T ) (11.6) De…nisikan ~ Y (t) = E
V (T ) F (t) ; (T )
0
t
T
(11.7)
Y (t) adalah P~ -martingale sehingga menurut teorema representasi martingale ada suatu adapted process (t) ; 0 t T sehingga Z t (s) dW (s) ; 0 t T (11.8) Y (t) = Y (0) + 0
Dengan pembandingan persamaan (11:5) dan (11:8) maka dapat diilih ~ V (T ) X (0) = Y (0) = E (T ) dan
(11.9)
(s) sehingga (s) (s)
S (s) = (s)
(s)
(11.10)
Dengan pilihan-pilihan ini maka X (t) ~ V (T ) F (t) ; = Y (t) = E (t) (T )
0
t
T
(11.11)
Khususnya pada saat T; persamaan (11:11) menjadi X (T ) ~ V (T ) F (T ) =E (T ) (T ) V (T ) = (T )
(11.12) (11.13)
atau X (T ) = V (T )
(11.14)
Jadi portfolio process (t) ; 0 t T adalah suatu hegding portfolio. Rumus risk-neutral pricing pun dapat pula diturunkan dari (11:11) : X (t) ~ V (T ) F (t) =E (t) (T ) 1 Z (T ) = E V (T ) F (t) Z (t) (T ) X (t) =
(11.15) (11.16)
1 E [ Z (T ) V (T )j F (t)] Z (t)
(11.17)
dengan Z (t) =
Z (t) (t)
= exp
(11.18) Z
0
t
(s) dW (s)
Z
0
t
r (s) +
1 2
2
(s)
ds
(11.19)
Kuliah ke 12
Rumus Black-Scholes 12.1
Pendahuluan
Ada banyak cara untuk mendapatkan rumus Black-Scholes. Pada bab ini akan dipelajari berbagai cara mendapatkan rumus Black-Scholes dengan metoda yang berbeda-beda. Tujuannya agar pembaca bisa mempunyai wawasan yang luas tentang berbagai metoda matematika yang bisa dipergunakan di dalam matematika keuangan. Cara kesatu menggunakan asumsi bahwa harga saham berdistribusi lognormal. Cara kedua menggunakan persaman diferensial parsial. Cara ketiga menggunakan risk-neutral pricing.
12.2
Cara pertama
Ini adalah cara yang paling sederhana yang bisa dilakukan untuk mendapatkan rumus Black-Scholes. Dengan metoda ini pemahaman tentang …nance sangat minim. Namun demikian cara ini memuat perhitungan yang kelak akan diulang-ulang dipakai di metoda lain. Cara ini hanya mengandalkan dua buah asumsi. Misal harga saham pada saat T dinyatakan dengan S (T ) dan diasumsikan bahwa 1: X = ln (S (T ) =S (0)) 2: S (0) = e
rT
N ( T;
2
T)
(12.1)
E (S (T ))
(12.2)
Dari asumsi pertama, pdf untuk X dapat dituliskan dengan (lihat apeendiks lognormal): ( ) 1 1 x T 2 p f (x) = p exp 2 2 T T Sedangkan pdf untuk ST dapat diperoleh dengan menggunakan tehnik transformasi dX 1 1 peubah acak melalui pdf X dengan jJj = dS(T ) = S(T ) = S(T ) ; f (s (T )) =
s (T )
1 p
2 T
exp
(
1 2
ln(s (T ) =s (0)) p T
T
2
)
(12.3)
Expected asset E [ST ] dapat diturunkan dengan memanfaatkan persamaan (12.1), 68
12.2. Cara pertama
69
yaitu
h i E [S (T ) =S (0)] = E eln(S(T )=S(0)) = E eX
T + 12
=e
E [S (T )] = S (0) e
2T
=)
T + 12
2T
Dari asumsi kedua pada persamaan (12.2) dapat diperoleh S (0) = e
rT
E [S (T )]
=e
rT
S (0) e
T + 12
S (0) = S (0) e
rT +
rT +
T +
1=e )
=r
1 2
2T
T + 1 2
2T
1 2
2T
=)
=)
rT +
T +
1 2
2
2
T =0 (12.4)
Dengan demikian pdf untuk ST dari persamaan (12.3) dapat dituliskan dengan: 8 !2 9 < 1 2 T = r 2 1 1 ln(s (T ) =s (0)) p p (12.5) f (s (T )) = exp ; : 2 s (T ) 2 T T Pdf inilah yang akan digunakan untuk menurunkan harga call option C, yaitu rumus Black Scholes C=e =e =e e =e =e =e
rT
E [maks (S (T ) K) ; 0] (12.6) Z 1 rT maks (s (T ) K; 0) f (s (T )) ds (T ) (12.7) 0 Z K rT maks (s (T ) K; 0) f (s (T )) ds (T ) + 0 Z 1 rT maks (s (T ) K; 0) f (s (T )) ds (T ) (12.8) K Z K Z 1 rT 0:f (s (T )) ds (T ) + (s (T ) K) f (s (T )) ds (T ) (12.9) 0 K Z 1 rT (s (T ) K) f (s (T )) ds (T ) (12.10) K 8 !2 9 Z 1 < = 1 2 ln(s (T ) =s (0)) r T (s (T ) K) 1 rT 2 p p exp ds (T ) : 2 ; 2 T T K s (T ) (12.11)
Integrasi ini dapat diselesaikan dengan transformasi variabel z=
ln(sT =S0 )
sT = S0 ez
p
T +(r
p
1 2 2
r T
1 2
2
T
=)
)T
dz 1 ds (T ) p =) dz = p = ds (T ) s (T ) T s (T ) T
(12.12) (12.13)
70
Kuliah ke 12. Rumus Black-Scholes
Batas bawah integrasi untuk s (T ) ; yaitu K, diubah menjadi batas bawah integrasi untuk z menjadi A : ln(K=S (0)) r 21 2 T p A= T Dengan transformasi z ini maka C di (12:11) dapat dinyatakan dengan: Z 1h i 1 2 p 1 2 rT 1 p C=e S0 ez T +(r 2 )T K e 2 z dz 2 A Z 1 Z p 1 2 1 Ke rT 1 1 z 2 1 2 p S0 ez T 2 T 2 z dz e 2 dz =p 2 A 2 A Z 1 p 2 1 S0 T) =p e 2 (z dz Ke rT N ( A) 2 A Z 1 p 1 2 S0 u 2 T =p e du bila dimisalkan u = z p 2 A T p = S0 N A+ T Ke rT N ( A) Bila dimisalkan d1 = A + dapat dinyatakan dengan
p
T dan d2 =
A = d1
p
(12.15) (12.16) (12.17) (12.18)
T maka persamaan (12.18)
C = S0 N (d1) KerT N (d2) dengan p d1 = A + T p ln(K=S0 ) r 12 2 T p = + T T ln(S0 =K) + r + 12 2 T p = T p d2 = d1 T p ln(S0 =K) + r + 12 2 T p T = T ln(S0 =K) + r 12 2 T p = T
12.3
(12.14)
(12.19) (12.20)
(12.21) (12.22)
(12.23)
Cara kedua
Cara ini akan menggunakan persamaan diferensial parsial untuk mendapatkan rumus Black-Scholes. Barangkali inilah cara mendapatkan rumus Black-Scholes yang paling populer. Untuk itu akan dibahas ringkasan pembicaraan yang sudah dijelaskan sebelumnya.
12.3.1
Brownian Motion
Suatu stochastic process fW (t)g1 t=0 disebut standard Brownian motion bila memenuhi persyaratan berikut 1. W (0) = 0
12.3. Cara kedua
71
2. W (t) kontinu terhadap t 3. Bila 0 = t0 < t1 < t2
(t) :S (t)) dengan bunga r per tahun. Bila X (t) menyatakan kekayaan sang investor pada saat t maka wealth process dari investor tersebut dapat dinyatakan sebagai penjumlahan dari pertumbuhan (penyusutan) nilai saham dan pertumbuhan tabungan (hutang) dXt = =
(t) dS (t) + r [X (t)
(t) S (t)] dt
(t) [ S (t) dt + S (t) dW (t)] + r [X (t)
= [rX (t) +
(t) S (t) (
r)] dt +
(12.31) (t) S (t)] dt
(t) S (t) dW (t) :
(12.32) (12.33)
72
Kuliah ke 12. Rumus Black-Scholes
12.3.5
Value of an option
Misal V (t; S (t)) menyatakan nilai option pada saat t bila harga sahamnya S (t) : Bila dinyatakan dalam bentuk diferensial maka dapat dituliskan dalam bentuk @V 1 @2V @V dt + dS (t) + dS (t) dS (t) (12.34) @t @S (t) 2 @S (t)2 @V @V 1 @2V = ( S (t) dt + S (t) dWt )2 dt + ( S (t) dt + S (t) dWt ) + @t @S (t) 2 @S (t)2 (12.35)
dV (S (t) ; t) =
=
@V @V 1 + S (t) + @t @S (t) 2
2
S (t)2
@2V @S (t)2
dt + S (t)
@V dWt @S (t) (12.36)
12.3.6
Replicating Portfolio
Portfolio yang akan memagari option dimulai dengan kekayaan awal sebesar X0 dan dinvestasikan dalam bentuk saham dan tabungan (pinjaman) sehingga tiap saat t nilai kekayaan Xt dapat menutup V (S (t) ; t): Untuk memastikan bahwa Xt = V (S (t) ; t) untuk tiap t, koe…sien pada masing-masing diferensialnya disamakan. Dari koe…sien dWt diperoleh @V (12.37) t = @S (t) sedangkan dari koe…sien dt diperoleh @V 1 @V + S (t) + @t @S (t) 2
@2V = rXt + @St2
@V @S (t) (12.38) yang dapat dituliskan lagi menjadi the Black-Scholes partial di¤ erential equation: 2
S (t)2
@V (S (t) ; t) @V (S (t) ; t) 1 + rS (t) + @t @S (t) 2
2
tS
S (t)2
(t) (
r) = rV + S (t) (
@ 2 V (S (t) ; t) = rV (S (t) ; t) @S (t)2
r)
(12.39)
yang memenuhi terminal condition untuk suatu call option dengan exercise price K dan exercise date T V (S (T ) ; T ) = max (S (T )
K; 0)
(12.40)
Jadi bila sang investor memulai kekayaannya dengan X (0) = V (S (0) ; 0) dan meng(S(t);t) gunakan alat pemagaran t = @V@S(t) maka ia akan mempunyai kekayaan yang tepat bisa menutup nilai option, yaitu Xt = V (S (t) ; t) untuk tiap t dan khususnya pada saat jatuh tempo berlaku hubungan X (T ) = V (S (T ) ; T ) yang menjadi terminal condition.
12.3.7
Solusi
Tugas kita sekarang adalah mencari solusi V yang memenuhi persamaan (12.39) dan (12.40). Langkah untuk memperoleh solusi V adalah:
12.3. Cara kedua
73
1. Melakukan serangkaian transformasi pada (12.39) sehingga akhirnya akan didapat persamaan difusi (di¤ usion equation): @u @2u ; = @t @x2
1 < x < 1; t > 0
(12.41)
dengan initial condition u(x; 0) = f (x)
(12.42)
2. Bila persamaan difusi (12.41) dan initial condition (12.42) sudah didapat, langkah selanjutnya adalah berupa pencarian solusi u(x; t) yang memenuhi (12.41) dan (12.42) dengan pemanfaatan Fourier Integral. 3. Penggabungan langkah pertama dan kedua akan menghasilkan solusi yang berupa rumus Black-Scholes. Langkah pertama Langkah pertama dimulai dengan (12.39) dan (12.42) melalui transformasi yang terdiri dari 2 tahap. Tahap pertama transformasinya berupa S (t) = K:ex t=T
(12.43) t
(12.44)
1 2 2
V (S (t) ; t) = K:C(x; t )
(12.45)
Dari transformasi ini diperoleh @V @ @C(x; t ) @t = KC(x; t ) = K @t @t @t @t @C(x; t ) 1 2 =K @t 2 1 2 @C(x; t ) = K 2 @t @V @ @C(x; t ) @x = KC(x; t ) = K @S (t) @x @x @S (t) @C(x; t ) 1 =K @x Kex @C(x; t ) =e x @x 2 @ V @ @ @C(x; t ) x @C(x; t ) = e x 2 = @S (t) e @x @x @x @S (t) @C(x; t ) @ 2 C(x; t ) e x = e x +e x @x @x2 K
(12.46) (12.47) (12.48) (12.49) (12.50) (12.51) @x @S (t)
(12.52) (12.53)
Bila hasil-hasil ini disubstitusikan ke (12.39) maka akan diperoleh persamaan diferensial parsial linier @C(x; t ) @t
@C(x; t ) @x
(k
1)
@ 2 C(x; t ) + kC(x; t ) = 0 @x2
(12.54)
74
Kuliah ke 12. Rumus Black-Scholes
dengan k=
r
1 2: 2
(12.55)
Final condition (12.40) untuk backward equation (12.39) K; 0) = max(Kex
V (S (T ) ; T ) = max(S (T ) x
= K max(e
K; 0)
1; 0)
(12.56) (12.57)
berubah menjadi initial condition untuk forward equation (12.54) dengan pertimbangan bahwa hubungan berikut bisa diperoleh melalui (12:44) dan (12:45) V (S (T ) ; T ) = KC(x; 0):
(12.58)
Dari (12:57) dan (12:58) diperoleh initial condition untuk (12:54) C(x; 0) = max(ex
1; 0):
(12.59)
Hasil dari transformasi pada tahap pertama, yaitu (12.54) dengan initial condition (12.59), akan diubah lagi dengan transformasi tahap kedua agar didapat persamaan difusi (12.41) dengan initial condition (12.59). Hal ini dilakukan dengan penggunaan transformasi C(x; t ) = a:u(x; t ) a=e
1 (k 2
1)x
(12.60) 1 (k+1)2 t 4
(12.61)
Dari transformasi ini akan diperoleh @(a:u(x; t )) @C = @t @t 1 @u = (k + 1)2 :a:u(x:t ) + a 4 @t @C @(a:u(x; t )) = @x @x 1 @u = (k 1):a:u(x; t ) + a 2 @x 2 @ C @ 1 @u = (k 1):a:u(x; t ) + a @x2 @x 2 @x 1 1 @u(x; t ) = (k 1)2 :a:u(x; t ) (k 1):a: 4 2 @x 1 @u @2u (k 1):a: +a 2 2 @x @x
(12.62) (12.63) (12.64) (12.65) (12.66) (12.67) (12.68)
Bila hasil-hasil ini disubstitusikan ke dalam persamaan (12.54) maka akan diperoleh persamaan difusi @u(x; t ) @ 2 u(x; t ) = (12.69) @t @x2 dengan initial condition 1 C(x; 0) = e 2 (k 1)x u(x; 0)
12.3. Cara kedua
75
atau u(x; 0) = e 2 (k
1
1)x
C(x; 0)
1 (k 2
1)x
max(ex
=e
= max(e
1 (k+1)x 2
(12.70) 1; 0) e
1 (k 2
1)x
(12.71) ; 0):
(12.72)
Langkah kedua Pada langkah kedua ini akan dipergunakan konsep integral fourier agar didapat solusi untuk persamaan difusi. Integral Fourier. Bila f (x) adalah suatu fungsi kontinu yang mempunyai turunan kiri R1 dan turunan kanan di tiap titik dan bila 1 jf (x)j dx ada maka f (x) dapat dinyatakan dengan suatu Fourier Integral f (x) =
Z1
[A(p) cos(px) + B(p) sin(px)] dp
(12.73)
Z1
f (v) cos(pv)dv
(12.74)
Z1
f (v) sin(pv)dv
(12.75)
0
A(p) =
1
1
B(p) =
1
1
Persamaan difusi. Berikut ini akan dicari solusi u (x; t) yang memenuhi persamaan difusi (di¤ usion equation) @u @2u = ; @t @x2
1 < x < 1; t > 0
(12.76)
dengan initial condition u(x; 0) = f (x):
(12.77)
u(x; t) = F (x)G(t)
(12.78)
Mula-mula dimisalkan sehingga bisa didapat @G @u =F @t @t 2 @ u @2F =G 2 2 @x @x
(12.79) (12.80)
dan persamaan (12.76) dapat dituliskan dengan F atau
@2F @G =G 2 @t @x
1 @G 1 @2F = G @t F @x2
(12.81)
76
Kuliah ke 12. Rumus Black-Scholes
Perhatikan bahwa perubahan t hanya mengubah ruas kiri dari (12.81) tanpa mengubah ruas kanannya, sedangkan perubuahan x hanya mengubah ruas kanan dari (12.81) tanpa mengubah ruas kirinya. Karena itu bisa diklaim bahwa persamaan (12.81) bernilai tetap sebesar k sehingga (12.81) bisa dituliskan dengan 1 @G 1 @2F =k = G @t F @x2
(12.82)
Bila diambil nilai k yang negatif, misalnya k = p2 ; maka (12:82) dapat dinyatakan dengan 1 @G 1 @2F = p2 : (12.83) = G @t F @x2 Dari (12:83) akan didapat dua buah persamaan diferensial linier orde satu dan orde dua @G + p2 G = 0 @t
(12.84)
dan
@2F + p2 F = 0: @x2 Solusi untuk persamaan (12.84) adalah G (t) = e
(12.85)
p2 t
(12.86)
sedangkan solusi untuk (12.85) adalah F (x) = A cos(px) + B sin(px)
(12.87)
Dari (12:86) dan (12:87) akan didapat solusi untuk (12.76), yaitu u(x; t; p) = F (x) G (t) = (A cos(px) + B sin(px)) e
(12.88) p2 t
(12.89)
Karena A dan B nilainya sembarang maka dapat dipilih A (p) dan B (p) yang merupakan fungsi dari p: Adapun konstanta k = p2 haruslah negatif agar nilai u(x; t) konvergen ke 0 untuk t ! 1: Sehingga (12.89) dapat ditulis lagi menjadi u(x; t; p) = (A(p) cos(px) + B(p) sin(px)) e
p2 t
(12.90)
Solusi yang diberikan oleh (12.90) berlaku untuk tiap p yang bernilai antara 0 sampai 1: Demikian pula superposisi (penjumlahan) solusi dari berbagai nilai p ini tetap merupakan solusi. Sehingga untuk p antara 0 sampai 1 didapat solusi untuk (12.76) yang berupa Z1 2 u(x; t) = (A(p) cos(px) + B(p) sin(px)) e p t dp (12.91) 0
Dengan pertimbangan initial condition (12.77) maka A(b) dan B(p) dapat ditentukan dengan cara melihat (12.91) untuk t = 0 sebagai Integral Fourier (12:73) f (x) = u(x; 0) Z1 = (A(p) cos(px) + B(p) sin(px)) dp 0
(12.92) (12.93)
12.3. Cara kedua
77
sehingga A(p) dan B(p) dapat dinyatakan dengan (12:74) dan (12:75) Z1
1
A(p) =
1 Z1
1
B(p) =
f (v) cos(pv)dv
(12.94)
f (v) sin(pv)dv
(12.95)
1
Bila kedua hasil ini disubstitusikan ke (12.91) akan diperoleh solusi
u(x; t) =
1
Z1 0
=
=
1
1
0 @
0 1 Z1 Z1
=
Z1
f (v) cos(pv) cos(px)dv +
1
Z1 Z1
0
1
Z1
Z1 1
1
f (v) sin(pv) sin(px)dv A e
f (v) (cos(pv) cos(px) + sin(pv) sin(px)) e
f (v) (cos(pv
1
f (v)
1
Z1
(cos p(v
px))e
x))e
p2 t
p2 t
p2 t
dvdp
dvdp
p2 t
dp
(12.96) (12.97)
(12.98)
dpdv
(12.99)
0
Untuk penghitungan menyatakan bahwa
R1 0
cos p(v
Z
1
x)e
(cos 2bx)e
p2 t dp
s2
dari (12.99) akan digunakan hasil yang
ds =
p
0
2
e
b2
:
(12.100)
Untuk itu digunakan transformasi p p2 t = s2 atau s = p t
(12.101)
dan 2bs = p(v
x) atau b =
(x v) p 2 t
(12.102)
sehingga diperoleh Z
0
1
cos p(v
x)e
p2 t
Z 1 1 p dp = (cos 2bx)e t p 0 2 = p e b 2 t p (x v)2 4t = p e 2 t
s2
ds
(12.103) (12.104) (12.105)
78
Kuliah ke 12. Rumus Black-Scholes
Dengan demikian persamaan (12.99) dapat dituliskan lagi dengan
u(x; t) =
1
Z1
f (v)
1
Z1
(cos p(v
x))e
p2 t
dpdv
(12.106)
0
Z1
1 = p 2 t
(x v)2 4t
f (v)e
dv
(12.107)
1
dengan f (v) dide…nisikan melalui (12:92) f (v) = u (v; 0) :
(12.108)
Langkah ketiga Solusi untuk persamaan difusi (12:69) dengan initial condition (12:72) diberikan oleh (12:107) Z1 2 1 1 f (v)e 4t (x v) dv (12.109) u(x; t) = p 2 t 1
dengan f (v) diberikan oleh (12:108) dan (12:72) ; yaitu f (v) = u (v; 0)
(12.110)
1
= max(e 2 (k+1)v
1
e 2 (k
1)v
; 0):
(12.111)
Bila (12:111) disubstitusikan ke (12:109) maka akan diperoleh 1 u(x; t) = p 2 t
Z1
f (v)e
1 = p 2 t
Z1
max(e 2 (k+1)v
1 = p 2 t
Z1
e 2 (k+1)v
1 = p 2 t
Z1
e 2 (k+1)v e
2
1 p
t
= I1
Z1
1 (x 4t
v)2
dv
(12.112)
1
1
1
e 2 (k
1)v
; 0)e
1 (x 4t
v)2
dv
(12.113)
1
1
1
e 2 (k
1)v
e
1 (x 4t
v)2
dv
(12.114)
0
1
1 (x 4t
v)2
dv
(12.115)
0
1
e 2 (k
1)v
e
1 (x 4t
v)2
dv
(12.116)
0
I2 :
(12.117)
12.3. Cara kedua
79
dengan 1 I1 = p 2 t
Z1
e 2 (k+1)v e
1 = p 2 t
Z1
1 e[ 2 (k+1)v
1 I2 = p 2 t
Z1
e 2 (k
1 = p 2 t
Z1
1 e[ 2 (k
1
1 (x 4t
v)2
dv
(12.118)
dv
(12.119)
dv
(12.120)
dv:
(12.121)
0
1 (x 4t
v)2 ]
0
1
1)v
e
1 (x 4t
v)2
0
1 (x 4t
1)v
v)2 ]
0
Akan dicari dulu penyelesaian untuk I1 dengan penyederhanaan eksponen dari integrandnya 1 (k + 1)v 2
1 (x 4t
v)2 = = = = =
v 2 + 2vx x2 (12.122) 4t v 2 + 2 (x + t (k + 1)) v x2 (12.123) 4t [v (x + t (k + 1))]2 + [x + t (k + 1)]2 x2 (12.124) 4t [v (x + t (k + 1))]2 + 2xt (k + 1) + t2 (k + 1)2 (12.125) 4t 1 v (x + t (k + 1)) 2 2x (k + 1) + t (k + 1)2 p : + 2 4 2t (12.126)
2t (k + 1) v
Penyederhanaan eksponen ini akan mengakibatkan I1 bisa dituliskan dengan 1 I1 = p 2 t
Z1
1 e[ 2 (k+1)v
1 = p 2 t
Z1
e
1 (x 4t
v)2 ]
dv
(12.127)
0
1 2
h
i v (x+t(k+1)) 2 2x(k+1)+t(k+1)2 p + 4 2t
dv
(12.128)
dv:
(12.129)
0
2x(k+1)+t(k+1)2 1 4 = p e 2 t
Z1
e
1 2
h
i v (x+t(k+1)) 2 p 2t
0
Misalkan z= sehingga
v
(x + t (k + 1)) p 2t
p 1 dz = p dv =) dv = 2tdz 2t
(12.130)
(12.131)
80
Kuliah ke 12. Rumus Black-Scholes
dan I1 menjadi 2x(k+1)+t(k+1)2 1 4 I1 = p e 2 t
=e
2x(k+1)+t(k+1)2 4
=e
2x(k+1)+t(k+1)2 4
=e
2x(k+1)+t(k+1)2 4
1 p 2
Z1
1 2 z 2
e
p
2tdz
(12.132)
a
Z1
e
1 2 z 2
dz
(12.133)
a
N ( a)
(12.134)
N (d1 )
(12.135)
dengan (x + t (k + 1)) p 2t a
a= d1 = =
(12.136) (12.137)
x + t (k + 1) p : 2t
(12.138)
Dengan langkah yang serupa bisa diperoleh I2 I2 = e
2x(k 1)+t(k 1)2 4
N (d2 )
(12.139)
dengan x + t (k 1) p : 2t
d2 =
(12.140)
Sehingga dari (12:117) ; (12:135) dan (12:139) akan diperoleh u (x; t) = I1 =e
I2
(12.141)
2x(k+1)+t(k+1)2 4
N (d1 )
e
2x(k 1)+t(k 1)2 4
N (d2 ) :
(12.142)
Bila (12:142) disubstitusikan ke (12:60) maka akan diperoleh C(x; t) = e =e
1 (k 2 1 (k 2
1)x 1)x
= ex N (d1 )
1 (k+1)2 t 4 1 (k+1)2 t 4
e
kt
:u(x; t) e
(12.143)
2x(k+1)+t(k+1)2 4
N (d1 )
e
2x(k 1)+t(k 1)2 4
N (d2 ) :
dan dengan memanfaatkan (12:43)
N (d2 )
(12.144) (12.145)
(12:45) dan (12:55) S (t) = K:ex t=T
(12.146) t 1 2 2
V (S (t) ; t) = K:C(x; t ) r k= 1 2 2
(12.147) (12.148) (12.149)
12.4. Cara ketiga
81
maka akan diperoleh the Black-Scholes formula V (S (t) ; t) = K:C(x; t ) = K:ex N (d1 )
(12.150) kt
e
N (d2 )
r
= S (t) N (d1 ) = S (t) N (d1 )
e
1 1 2 2 2
r(T t)
e
(12.151)
2 (T
t)
N (d2 )
N (d2 )
(12.152) (12.153)
dengan d1 =
x + t (k + 1) p 2t
(12.154)
log (S (t) =K) + 21 2 (T t) q = 2 12 2 (T t)
log (S (t) =K) + r + 21 p (T t) x + t (k 1) p d2 = 2t
2
=
12.4
2
+1 (12.155)
(T
t)
(12.156) (12.157)
log (S (t) =K) + 21 2 (T t) q = 2 12 2 (T t) log (S (t) =K) + r 21 p = (T t)
r 1 2
2
(T
r 1 2
1
2
(12.158) t)
:
(12.159)
Cara ketiga
Cara ketiga ini disebut risk-neutral pricing atau disebut pula martigale approach. Ini adalah cara modern untuk mendapatkan rumus Black-Scholes. Perhatikan bahwa pada cara ketiga ini tidak dipergunakan persamaan diferensial parsial sama sekali. Sebagian besar isi buku ini ditulis untuk memberi fasilitas agar cara ketiga ini bisa difahami dengan baik. Dari bab sebelumnya telah didapat bahwa risk-neutral pricing untuk suatu European call option dengan exercise price K yang jatuh tempo pada saat T dapat dinyatakan dengan ~ X (0) = E = = =
V (T ) 1 ~ E [V ] (T ) 1 ~ E [maks fS (T ) K; 0g] (T ) 1 ~ E (S (T ) K)+ (T )
(12.160) (12.161) (12.162) (12.163)
82
Kuliah ke 12. Rumus Black-Scholes
Untuk menghitung (12:163) dibutuhkan pengetahuan tentang distribusi S (T ) di bawah P~ : Berikut ini langkah-langkah untuk mencari distribusi S (T ) di bawah P~ : Dari (:::) ~ (t) dS~ = S~ (t) dW
(12.164)
Di lain pihak, dari S (t) S~ (t) = = S (t) (t) (t)
1
(12.165)
(t) = ert
(12.166)
didapat dS~ (t) = =
(t)
1
(t)
1
dS (t) dS (t)
S (t) d (t)
1
rS (t) (t)
1
(12.167) dt
(12.168)
Dari (12:164) dan (12:168) didapat S (t) d (t)
1
rS (t) (t) ~ (t) dS (t) = rS (t) dt + S (t) dW
1
~ (t) = S~ (t) dW ~ (t) = S (t) (t) 1 dW
Dari (12:171) dan (
(t)
1
(t)
1
dS (t) dS (t)
(12.169) dt
(12.170) (12.171)
) didapat 1 2
S (t) = S0 e(r
2t
)+
~ (t) W
(12.172)
Pada saat jatuh tempo harga saham menjadi S (T ) = S0 e(r
ln ~ (T ) Karena W
S (T ) = e(r S0 S (T ) = r S0
N
2T
2T
)+
1 2
2
T
~ (T ) W
)+
(12.173)
~ (T ) W
(12.174)
~ (T ) + W
(12.175)
N (0; T ) dan bila dimisalkan Y = ln
maka Y
1 2
1 2
r
1 2 T 2
;
2T
S (T ) S0
(12.176)
dengan pdf-nya 2
1 1 f (y) = p exp 4 2 2 T
y
r
p
1 2 T 2
T
!2 3 5
(12.177)
Dengan tehnik transformasi variabel acak, pdf untuk S (T ) didapat dengan mensubstitusikan y dari (12:176) ke (12:177) dan mengalikan dengan determinan Jacobian
12.5. Cara keempat
83
jJj @Y @S (T ) S (0) 1 = S (T ) S (T ) 1 = S (T ) 1 = S (T )
jJj =
(12.178) (12.179) (12.180) (12.181)
yaitu 2
1 1 f (s (T )) = p exp 4 2 2 T =
s (T )
1 p
y 2
1 exp 4 2 2 T
r
p
1 2 T 2
T
!2 3
5 jJj
ln (s (T ) =S0 ) p
r
T
(12.182) 1 2 T 2
!2 3 5
(12.183)
Jadi (12:183) adalah pdf untuk S (T ) di bawah P~ yang akan diapakai untuk menghitung (12:163) X (0) = =e =e =e
=e
1 ~ E (S (T ) K)+ (T ) rT ~ E [maks (S (T ) K; 0)] Z 1 rT maks (s (T ) K; 0) f (s (T )) ds (T ) Z0 1 rT (s (T ) K) f (s (T )) ds (T ) K 2 0 s(T ) Z1 r [s (T ) K] 6 1 @ ln s(0) rT p p exp 4 2 s (T ) 2 T T K
(12.184) (12.185) (12.186)
1 2
(12.187) 3 12 2T A 7 5 ds (T ) (12.188)
Persamaan (12:188) serupa dengan (12:11) sehingga langkah selanjutnya untuk mendapatkan rumus Black-Scholes (12:19) akan serupa pula.
12.5
Cara keempat
Pada pembahasan sebelumnya telah dimodelkan penentuan harga saham dengan model binomial. Pada model ini untuk setiap perioda harga saham bisa naik dengan faktor a dan bisa turun dengan faktor b: Pada saat sekarang harga saham sebesar S0 . Bila M menyatakan pergerakah harga saham naik ke atas dan B menyatakan pergerakan harga saham turun ke bawah maka harga saham pada akhir periode 1 adalah salah satu dari berikut ini S1 (M ) = aS0
(12.189)
S1 (B) = bS0 :
(12.190)
84
Kuliah ke 12. Rumus Black-Scholes
Sedangkan harga saham untuk akhir periode ke 2 adalah salah satu dari hal berikut S2 (M M ) = aS1 (M ) = a2 S0
(12.191)
S2 (M B) = bS1 (M ) = baS0
(12.192)
S2 (BM ) = aS1 (B) = abS0
(12.193)
2
S2 (BB) = bS1 (B) = b S0 :
(12.194)
Misalkan pada money market berlaku tingkat suku bunga sebesar r per periode yang memenuhi b
K S0
n ln (b)
ln ln
>
K S0
(12.250)
a b
ln e2 ln >
K S0
p
n ln e
+n p 2 t
p
p
t
(12.251) t
t :
(12.252)
12.5. Cara keempat
89
Bila (12:252) digabung dengan (12:247) hasilnya adalah
P (j
k) = P
! k ne p p ne pqe
z 0
K S0
ln
B =PB @z
(12.253) p
+n p
2
1
t
ne pC C A
pt ne pqe
(12.254)
p p 1 +n t 2 ne p t A p p 2 t ne pqe 1 p t (1 2e p) ln SK0 + n A p 2 n te pqe 1 p) ln SK0 + pT t (1 2e A: p 2 T peqe
0
K S0
ln
= P @z 0
= P @z 0
= p @z Mula-mula akan dihitung dulu
T lim p
t
t!0
lalu dihitung
(1
2e p)
T peqe:
t!0
Untuk itu substitusikan
er t b a b er t e
p~ = =
e
p
t
(12.256)
(12.257)
(12.258)
p
lim 2
(12.255)
(12.259)
(12.260) p
t
p
e
(12.261)
t
ke dalam (12:258) T lim p t!0
t
T = lim p t!0
T = lim p t!0
(1
t
t 2
2e p) 1 2 4
e = lim T 4 p t!0
e
(12.262) 2
p
er e
t
p
t
t
t
t e
2er t p
t
t
p
t
!
2 er
t
p
e p
+e e
t
p
e p
e e
p
p
e
p
t
t
3 5
(12.263) t
e t
p
t
3 5
(12.264)
(12.265)
90
Kuliah ke 12. Rumus Black-Scholes
dengan penggunaan L’Hopital’s rule didapat T lim p t!0
t
(1 2
2e p)
= lim T 4
1 2
= lim T 4
e
t!0
2
t!0
(12.266)
1=2
( t)
e p
t
e
e
p
1 2 p
t p
t
+
p p
e
p
e
4r t
1=2
( t)
t
ter
t
t
e
p
t
+
p
2rer
t
t p
e p
1 2
( t) p
t) e
1=2 p
p
e t
t
1 2
+ ( t)
3
t
+ e
1 2( 1=2
t
5
t
1=2
e
p
(12.267)
penggunaan L’Hopital’s rule sekali lagi akan didapat T lim p t!0
t
(1 2
= lim T 4 t!0
=T =
2e p)
(12.268) p
2e
e
p
t
+ e
p
t
+
t
4rer t p
e
t
8r p
+ e
ter t t
+
+ p
p
2e 1 2
t
t p
e
t
4r + 2 2 4 1 2 r T: 2
1 2
e
p
t
(12.269) (12.270)
Sekarang tinggal penghitungan (12:259). Untuk itu akan dihitung dulu er
lim p~ = lim t!0
t!0
e
p
t
p
e t
p
e
t
(12.271)
t
yang dengan L’Hopital’s rule akan diperoleh rer
lim p~ = lim
t!0 1 2
t!0
= lim
t!0
1=2
( )
rer e
t p
t
+ e
t+ e t
+ e
1 2 p
( t) t p p
+
1 2
1=2
e
( )
p 1=2
t
e
p
t
(12.272)
t t
1 = : 2
(12.273) (12.274)
Sehingga (12:259) nlilainya lim 2 t!0
p p T peqe = T:
(12.275)
Hasil yang diperoleh dari (12:270) dan (12:275) dapat dipergunakan untuk menghi-
3 5
t
3 5
12.5. Cara keempat tung (12:257) untuk
91 t ! 0 agar the central limit theorem bisa dipergunakan P (j
2
ln
2
ln
k) = p 4z = P 4z 2
=N4 =N
"
K S0
K S0
+ pT t (1 p 2 T peqe 2
ln
K S0
2 ln
= N (d2 )
S0 K
r p
+ r p 2 T
r p
2e p)
1 2 2
T
T 1 2 2
T
T 1 2 2
T
#
3 5
3 5
(12.276)
5
(12.277)
3
(12.278)
(12.279) (12.280)
dengan N (d2 ) seperti yang dimaksud oleh persamaan (12:243) : Dengan cara yang serupa bisa pula dibuktikan bahwa N (d1 ) pada persamaan (12:242) akan berlaku. Dengan demikian lengkaplah sudah pembuktian bahwa harga call option yang berangkat model Binomial (12:234) akhirnya bisa menjadi rumus Black-Scholes (12:239) bila n ! 1 atau t ! 0: Dalam praktek melalui penghitungan dengan komputer, untuk n = 256 rumus (12:234) atau (12:220) sudah cukup baik sebagai aproksimasi bagi rumus Black-Scholes (12:239) :
Kuliah ke 13
Proses Gauss 13.1
De…nisi proses Gauss
Suatu proses Gauss, X (t) ; t 0 adalah suatu proses sotkastik dengan sifat bahwa untuk 0 t1 t2 tn maka X (t1 ) ; X (t2 ) ; ; X (tn ) berdistribusi normal multivariate dengan pdf gabungan f (x (t1 ) ; x (t2 ) ;
n=2
; x (tn )) = (2 )
1 2
:j j
exp
1 (x 2
m (t))
1
(x
m (t))0 (13.1)
dengan
adalah matriks variansi-kovariansi = ( (ti ; tj )) (ti ; tj ) = E [X (ti )
i; j = 1; 2;
;n
E (X (ti ))] [X (tj )
(13.2) E (X (tj ))]
(13.3)
dan m (t) adalah moment pertama dari X (t) 0
1 E (X (t1 )) B C .. m (t) = E (X (t)) = @ A . 0
B X (t) = @
1
(13.4)
E (X (tn ))
X (t1 ) C .. A .
(13.5)
X (tn )
Teorema 13.1 Misal B (t) adalah suatu gerak Brown dan maka X (t) =
Z
(t) adalah fungsi non acak
t
(u) dB (u)
(13.6)
0
adalah suatu proses Gauss dengan
m (t) = 0 Z (ti ; tj ) =
(13.7) ti ^tj
0
92
(u)2 du
(13.8)
13.1. De…nisi proses Gauss
93
Teorema 13.2 Misal B (t) adalah suatu gerak Brown dan (t) serta h (u) adalah fungsi non acak. De…nisikan X (t) =
Z
t
(u) dB (u)
(13.9)
h (u) X (u) du
(13.10)
0
Y (t) =
Z
t
0
Maka Y adalah suatu proses Gauss dengan
Y
my (t) = 0 Z (ti ; tj ) =
0
ti ^tj
(u)2
Z
v
t
h (y) dy
Z
v
(13.11) t
h (y) dy dv
(13.12)
Kuliah ke 14
Obligasi 14.1
Pendahuluan
Pada bab ini kita akan mempelajari tentang penentuan harga obligasi. Obligasi adalah surat berharga yang diterbitkan oleh perusahaan atau pemerintah sebagai surat hutang. Pemegang surat berharga pada saat jatuh tempo akan menerima sejumlah uang yang disebut face value.
14.2
Pemodelan
Misal fB (t)g 0 t T adalah suatu gerak Brown di ( ; F; P ) : Misalkan pula harga saham memenuhi persamaan diferensial stokastik dS (t) = r (t) S (t) dt + (t) S (t) dB (t)
(14.1)
dengan r (t) dan (t) adalah adapted processes. Dimislkan kita telah menggunakan P sebagai risk-neutral measure sehingga setiap martingale di bawah P dapat dinyatakan sebagai suatu integral terhadap B (t) : De…nisikan faktor akumulasi (t) dengan Rt
(t) = e
0
r(u)du
(14.2)
Misal P (t; T ) menyatakan nilai dari suatu obligasi pada saat t yang akan jatuh tempo pada saat T dengan face value pada saat T sebesar Rp1,-. Dengan demikian P (T; T ) = 1: Menurut risk-neutral pricing 1 jF (t) (T ) 1 ~ jF (t) P (t; T ) = (t) E (T ) (t) ~ =E jF (t) (T ) Z T ~ = E exp r (u) du jF (t)
P (t; T ) ~ =E (t)
t
94
(14.3) (14.4) (14.5) (14.6)
14.2. Pemodelan
95
Nilai saat ini dari suatu obligasi yang jatuh tempo pada saat T adalah 1 (T )
~ P (0; T ) = E
(14.7)
h i ~ 1 jF (t) adalah Perhatikan persamaan (14:4). Bagian dari persaman itu, yaitu E (T ) suatu martingale di bawah P: Menurut teorema representasi martingale, ada suatu adapted process (u) sedemikian rupa sehingga dengan menggunakan (14:7) didapat Z t 1 1 ~ ~ (u) dB (u) (14.8) E jF (t) = E jF (0) + (T ) (T ) 0 Z t 1 ~ (u) dB (u) (14.9) + =E (T ) 0 Z t (u) dB (u) (14.10) = P (0; T ) + 0
Karena itu persamaan (14:4) dapat dituliskan dengan Z t (u) dB (u) P (t; T ) = (t) P (0; T ) +
(14.11)
0
Bila dipandang persamaan (14:7) sebagai fungsi f (t; B (t)) maka penggunaan rumus Ito akan menghasilkan 1 dP (t; T ) = ft dt + fB dB + fBB dt 2 = r (t) P (t; T ) dt + = r (t) P (t; T ) dt +
(14.12)
1 (t) (t) dB (t) + :0:dt 2 (t) (t) dB (t)
(14.13) (14.14)
Sekarang konstruksikan suatu portfolio yang terdiri dari saham dan tabungan. Bila kekayaan semula adalah X (0) maka perubahan dari nilai kekayaan pada saat t yang diakibatkan dari pembentukan portfolio adalah dX (t) =
(t) dSt + r (t) [X (t)
= r (t) X (t) +
(t) [dS (t)
(t) S (t)]
(14.15)
r (t) S (t) dt]
(14.16)
Dengan menggunakan asumsi (14:1) maka persamaan (14:16) bisa diubah menjadi dX (t) = r (t) X (t) + Bila diambil (t) =
(t) (t) S (t) dB (t) (t) (t) (t) S (t)
(14.17)
(14.18)
maka persamaan (14:16) menjadi dX (t) = r (t) X (t) +
(t) (t) dB (t)
(14.19)
yang bentuknya mirip dengan persamaan (14:14) : Karena itu dapat disimpulkan bahwa X (t) = P (t; T )
(14.20)
96
Kuliah ke 14. Obligasi
dan X (T ) = P (T; T ) = 1 Bila r (t) adalah nonrandom 8t; maka
RT
P (t; T ) = e
r(u)du
t
(14.21)
(14.22)
dP (t; T ) = r (t) P (t; T ) dt
(14.23)
dan dengan membandingkannya dengan persamaan (14:14) maka dapat disimpulkan bahwa (u) = 0 8u; artinya portfolio yang dibentuk hanyalah berupa tabungan, tidak ada sahamnya. Sehingga bila pada saat t kita mempunyai P (t; T ) dan ditabung maka pada saat T tabungan kita akan menjadi Z T P (t; T ) exp r (u) du = 1 (14.24) t
14.3
Model Hull-White
Misal r (t) dpat dimodelkan dengan persamaan diferensial stokastik dr (t) = [ (t) dengan (t) ; Misal
(t) dan
(t) r (t)] r (t) dt + (t) dB (t)
(14.25)
(t) adalah fungsi t yang non acak. K (t) =
Z
t
(u) du
(14.26)
0
Untuk mendapatkan solusi dari (14:25) ; misalkan Y = eK(t) r (t)
(14.27)
dan dengan menggunakan (14:25) didapat dY = d eK(t) r (t)
(14.28)
= eK(t) [ (t) r (t) dt + dr (t)]
(14.29)
= eK(t) [ (t) dt + (t) dB (t)]
(14.30)
Dalam bentuk integral, persamaan terakhir dapat ditulis dengan Z t Z t K(t) K(u) e r (t) = r (0) + e (u) du + eK(u) (u) dB (u) 0
(14.31)
0
Dari persamaan (14:31) solusi dari r (t) bisa didapat Z t Z t K(t) K(u) r (t) = e r (0) + e (u) du + eK(u) (u) dB (u) 0
(14.32)
0
Menurut Teorema 13:1; persamaan (14:31) memperlihatkan bahwa r (t) adalah proses Gauss dengan Z t K(t) mr (t) = e r (0) + eK(u) (u) du (14.33) 0 Z ti ^tj K(ti ) K(tj ) e2K(u) (u)2 du (14.34) r (ti ; tj ) = e v
14.3. Model Hull-White
97 RT
Akan dipelajari sifat
0
r (t) dt dengan pertolongan pemisalan
X (t) =
Z
t
eK(u) (u) dB (u)
(14.35)
0
Y (t) =
Z
T
e
K(t)
X (t) dt
(14.36)
0
Dengan pemisalan ini persamaan (14:31) dapat ditulis dengan
r (t) = e
K(t)
r (0) +
Z
t
eK(u) (u) du + e
K(t)
X (t)
(14.37)
0
dan bentuk integralnya
Z
T
r (t) dt =
0
Z
t
e
K(t)
Z
r (0) +
0
t
eK(u) (u) du dt + Y (T )
normal
(14.38)
0
Jadi
Z
T
r (t) dt
Normal, dengan
(14.39)
0
E
Z
mean :
T
r (t) dt
=
0
var
Z
0
Z
t
e
K(t)
r (0) +
T
r (t) dt
(14.40) t
eK(u) (u) du dt
(14.42)
h i = (T; T ) = E Y (T )2 =
Z
0
(14.41)
0
0
variansi :
Z
T
e2K(v) (v)2
Z
(14.43) 2
T
e
K(y)
dy
dv
(14.44)
0
Dengan mengenali bentuk dari fungsi pembangkit momen untuk peubah acak berdis-
98
Kuliah ke 14. Obligasi
tribusi normal1 maka didapat i h RT P (0; t) = E e 0 r(t)dt Z T Z = exp E r (t) dt + var 0
= exp 1 2
r (0)
Z
T
e
0
Z
T
2K(v)
e
2
(v)
K(t)
Z
0
Z
T
0
=
Z
Bila X
N
0
T
e
K(y)
Z
r (t) dt
0 t
Z
t
e
K(t)+K(u)
T
;
Z
T
u
2
e
K(t)+K(u)
(14.46)
K(t)+K(u)
e
0 2
dy
dv
(u) dudt +
#
(14.47)
A (0; T )] dengan
(14.48) (14.49)
(u) dudt
0
0
1
T
T
0
0
= exp [ r (0) C (0; T ) Z T e K(t) dt C (0; T ) = A (0; T ) =
dt
Z
(14.45)
(u) dtdu
1 2
Z
1 2
T
2K(v)
e
2
(v)
0
2
T
e
K(y)
dy
dv
0
0
Z
Z
T
2K(v)
e
2
(v)
(14.50)
Z
2
T
e
K(y)
dy
dv
0
maka fungsi pembangkit momen-nya adalah mY (t) = E etY = e(
(14.51)
2 2 t+ 1 t ) 2
Daftar Pustaka [1] Bass, Richard F. (2001), Probability Theory, naskah, Department of Mathematics, University of Connecticut [2] — –(2003), The Basic of Financial Mathematics, naskah, Department of Mathematics, University of Connecticut. [3] Brzezniak, Zdzislaw dan Tamsz Zastawniak (1999), Basic Stochastic Process, Springer-Verlag. [4] Capinski, Marek dan Ekkerhard Kopp (2003), Measure, Integral and Probability, Springer-Verlag. [5] Hogg, R.V. dan A.T. Craig (1980), Introduction to Mathematical Statistics, Macmillan. [6] Shreve, Steven E. (1996), Stochastic Calculus and Finance, naskah, Carnegie Mellon University. [7] Williams, David (2001), Probability with Martingales, Cambridge University Press.
99
Indeks , 14 B (R), 16 F-terukur, 22 -aljabar, 13 -aljabar Borel, 16 (X), 22 (C), 15 aljabar, 13 almost surely (a.s), 21 aproksimasi, 28 atom, 22
fungsi himpunan aditif, 17 terhitung, 17 hampir pasti, 21 himpunan Borel, 16 kuasa, 14 integral, 26 Lebesque, 19 intrinsict value, 3
Bernoulli eksperimen, 1 Binomial model, 1 pohon, 7 Borel terukur, 22 bunga suku, 2
jatuh tempo, 3
call, 3 convergence dominated, 20, 27 monotone, 20, 27
opsi, 3 call, 3 option European call, 3
ekspektasi bersyarat, 36 exercise date, 3
peluang bersyarat, 35 persamaan diferensial stokastik, 12 portfolio replikasi, 3 price arbitrage, 5 exercise, 3 strike, 3 probability risk-neutral, 5, 11 proses stokastik, 43
…ltrasi, 15 fungsi F-terukur, 22 himpunan, 17 indikator, 19, 26 sederhana, 19, 26
kebebasan -aljabar, 32 variabel acak, 33 kejadian, 14 martingales, 43 nilai intrinsik, 3
100
INDEKS proses teradaptasi, 43 rata-rata parsial, 27 replicating portfolio, 3 ruang probabilitas, 21 sampel, 14 terukur, 17 ukuran, 18 Teorema Radon-Nikodym, 41 titik sampel, 14 tower property, 42 ukuran, 18 Lebesque, 18 probabilitas, 21 variabel acak, 22
101
