Catatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
|
|
- Yohanes Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung
2 Tentang AK5161 Matematika Keuangan Aktuaria Jadwal kuliah: Senin, 13- (R. Sem 5.4); Rabu, 7- (R. Sem 5.4 ; Jumat, 7- (R. Aktuaria) Penilaian: Ujian: 30/08/17; 29/09/17; 27/10/17; 24/11/17 (@ 20%) Kuis (20%) Minggu Tanggal Pertemuan Kuliah M ,2,-3 Kuliah M Kuliah Ujian 1 M ,-3 Kuliah M ,2 Kuliah Ujian 2 M ,-3 Kuliah M Kuliah M ,-3 Kuliah Ujian 3 M ,3 Kuliah M ,2 Kuliah Ujian 4 Buku teks: Sheldon Ross, 2011, Introduction to Mathematical Finance - 2
3 Risiko versus Nilai Uang: Matematika versus Stokastik Keuangan Risiko adalah sistem yang dapat dikendalikan. Salah satu kegiatan penting dalam (men)transfer risiko adalah berasuransi; pemegang polis (insured) menitipkan atau memindahkan risiko kepada pihak lain yaitu perusahaan asuransi (insurer) dan sebaliknya. Kedua subyek memiliki risiko, pemegang polis membayar premi sedangkan perusahaan asuransi membayar klaim. Kegiatan lain yang juga berisiko adalah investasi atau bermain uang. Jika kita ingin menggandakan uang untuk mendapatkan nilai yang lebih besar maka kita dapat melakukan kegiatan investasi baik kepada individu atau institusi. Adakah hubungan antara investasi dan asuransi dan investasi? Saat ini praktik asuransi mulai digabungkan dengan investasi. Hal ini dimaksudkan untuk menumbuhkan iklim (atau minat) asuransi dengan keuntungan dari investasi. Kuliah Matematika Keuangan Aktuaria mengajak kita untuk memahami konsep dan menghitung nilai uang, opsi dan, secara umum, bermain peluang (memahami kejadian dan peubah acak serta menghitung peluang atas keduanya) menjadi sangat krusial. Return Nilai Uang: Matematik vs Stokastik Misalkan saya meminjamkan uang kepada Laila, pada waktu t 0, sebesar U. Saya ingin Laila mengembalikan, pada waktu t 1, sebesar U + ru, dengan r suku bunga per waktu t 1, atau U(t 1 ) = U(t 0 ) + r U(t 0 ) = U(t 0 ) (1 + r). Perhatikan: r = U(t 1) U(t 0 ) 1 = U(t 1) U(t 0 ), U(t 0 ) yang sering dikatakan sebagai imbal hasil (return). Adakah formula imbal hasil yang lain? Dapatkah imbal hasil berubah menurut waktu? 3
4 Latihan 1. Tentukan imbal hasil atau rate of return (tahunan) jika saya melakukan investasi: 100, 110 (setelah dua tahun) 2. Tentukan ekspektasi dari imbal hasil (tahunan) jika saya melakukan investasi: 100, 120 atau 100 (setelah dua tahun) 3. Saya mempertimbangkan membayar pinjaman di bank dengan dua cara. Pertama, membayar lunas 16 (juta). Kedua, membayar 10 sekarang dan 10 lagi di akhir tahun kesepuluh (suku bunga 10%). Tentukan pilihan cicilan yang baik. Apakah konsep imbal hasil dapat digunakan? Solusi-1: Nilai imbal hasil (atau return atau rate of return) adalah 110 = 100 r (1 + r) 2 Solusi-2: Ekpektasi imbal hasilnya adalah 120 = 100 r , (1 + r) = 100 r = 0. (1 + r) 2 Jadi, E(R) = (1/2)(0.0954) + (1/2)(0) = Solusi-3: Cicilan yang baik ditentukan oleh nilai saat ini (Present Value): P V = (e 0.1 ) 10 = < 16. Bagaimana jika suku bunga r = 0.01, 0.05? Perhatikan formula PV sebagai kebalikan imbal hasil 4
5 Bab 1 - Peluang Nilai Uang Apa yang dapat kita lakukan terhadap perilaku nilai uang? Dapatkah kajian peluang atau stokastik membantu kita memahami hal tersebut? Misalkan X peubah acak. Kita dapat menghitung peluang nilai peubah acak secara (i) langsung atau (ii) melalui kejadian. Perhatikan contoh berikut: Ayo berjudi! Saya bertaruh 1 untuk Merah (yang akan muncul dengan peluang 18/38). Jika Merah muncul, saya dapat 1 dan berhenti. Atau, Saya tambah 1 untuk Merah untuk dua putaran/taruhan berikutnya lalu berhenti. Misalkan X nilai kemenangan saya saat saya berhenti. Tentukan nilai X yang mungkin dan peluangnya. Hitung P (X > 0). 5
6 Bab 2 - Peubah acak normal Peubah acak normal merupakan salah satu kajian menarik dalam berbagai bidang, termasuk keuangan, karena pola yang dikenal dan dianggap dapat dipahami dengan mudah. Suatu peubah acak X dikatakan normal apabila memiliki fungsi peluang f(x) = ( ) 1 exp (x µ)2, < x <. 2πσ 2 2σ 2 Catatan: Untuk µ = 0 dan σ 2 = 1, peubah acak X dikatakan sebagai peubah acak normal standar/unit; fungsi peluangnya dinotasikan ϕ(x) sedangkan fungsi distribusinya Φ(x). Perhatikan pertaksamaan berikut yang merupakan salah satu hasil teoritis penting untuk peubah acak normal: ( 1 1 2π x 1 ) exp( x 2 /2) < 1 Φ(x) < 1 1 x 3 2π x exp( x2 /2), x > 0. Akibatnya, untuk x yang besar, 1 Φ(x) 1 x 2π exp( x2 /2). Diskusi: Bagaimana untuk x (relatif) kecil? Formula pendekatan apa yang dapat digunakan? (lihat butir (iii) dibawah) Apa yang dapat kita lakukan terhadap X atau f(x) tersebut? (i) membuat plot f untuk berbagai nilai µ dan σ 2 (ii) menentukan sifat-sifat statistik peubah acak normal (iii) menghitung peluang; termasuk dengan akurasi yang lebih tinggi (hal 25-26) (iv) mengkaji hubungan dengan peubah acak lognormal: Y = exp(x) Latihan: 1. Misalkan X peubah acak normal dengan parameter (µ, σ 2 ). Misalkan Y = exp(x). Tentukan mean dan variansi Y. 2. Lakukan simulasi data berdistribusi normal dan lognormal. Plot kedua data. Tepatkah perilaku harga aset dimodelkan dengan distribusi normal/lognormal? 6
7 Misalkan X 1, X 2,..., X n sampel acak normal dengan parameter (µ, σ 2 ). Misalkan S n = n X i. i=1 Apakah yang kita dapat dapatkan (perilaku S n ) untuk n besar? Adakah ukuran/statistik lain selain S n? Dapatkah kita melakukan hal yang sama diatas untuk peubah acak lain yang berdistribusi Binomial? Poisson? tanpa asumsi distribusi? (Jelaskan!) Latihan: 1. Suatu model pergerakan harga aset harian memiliki perilaku sebagai berikut. Jika harga aset saat ini adalah s maka setelah satu periode waktu akan menjadi τs dengan peluang p atau λs dengan peluang 1 p. Misalkan pergerakan harga saling bebas. Diketahui τ = 1.012, λ = 0.990, p = Tentukan peluang bahwa harga aset akan naik setidaknya 30% setelah 1000 hari. 2. Nilai penjualan mingguan di suatu perusahaan adalah peubah acak normal dengan mean 2200 dan deviasi standar 230. Hitung peluang bahwa total penjualan pada 2 minggu kedepan melampaui Hitung peluang bahwa penjualan mingguan melampaui 2000 pada setidaknya 2 dari 3 minggu kedepan. 3. Sebagai pedagang baru dibidang valas, Yeni dan Yena bersaing dalam mendapatkan poin penjualan. Poin Yeni adalah peubah acak normal dengan mean 170 dan variansi 400; Poin Yena adalah peubah acak normal dengan mean 160 dan deviasi standar 15. Jika pada hari ini keduanya sama-sama berjualan valas (asumsikan kedua poin saling bebas), hitung peluang (a) nilai Yena lebih tinggi (b) poin total keduanya lebih dari
8 Bab 3 - Gerak Brown and GB Geometrik Sebelum kita membahas Gerak Brown (GB) lebih jauh, perhatikan kembali definisi koleksi peubah acak {X t } atau lebih dikenal dengan proses stokastik. Proses atau model stokastik melibatkan beberapa peubah acak dengan indeks waktu. Kalau kita mempunyai satu peubah acak, maka nilai yang mungkin dari peubah acak tersebut akan mengikuti distribusi peluang yang bersesuaian. Kini, kita akan melihat peubah acak setiap waktu. Akibatnya, tingkat kesulitan akan menjadi lebih tinggi. Misalkan kita punyai proses stokastik {X t, t 0}. Proses stokastik atau deret waktu (sederhana) yang bergantung pada observasi sebelumnya adalah: X t = α X t 1 + ε t, dengan asumsi-asumsi yang ditentukan. Catatan: Proses ini dikenal dengan nama Autoregressive (AR) Pada Bab ini, proses stokastik diatas kita sederhanakan sebagai berikut: X t i.i.d. N(0, 1) Jelaskan! Kita dapat menuliskan proses ini sebagai X t = ε t, dengan {ε t } barisan peubah acak saling bebas dan berdistribusi identik (normal/gauss) dengan mean nol dan variansi satu; atau dikenal dengan proses Gaussian WN (white noise) X t N(0, σt 2 ). Apa perbedaan dengan model sebelumnya? Jika X 1, X 2,... dari proses ini saling (tidak) bebas, dapatkah kita menentukan fungsi peluang bersamanya? Mungkinkah X t dan X t+s X s yang bersifat saling bebas? Pandang koleksi peubah acak {X t, t 0} dengan sifat-sifat: (i) X 0 = 0 (atau konstanta tidak nol ) (ii) t > 0, X t berdistribusi normal dengan mean µt dan variansi σ 2 t 8
9 (iii) X tn X tn 1, X tn 1 X tn 2,..., X t2 X t1, X t1 saling bebas (memiliki kenaikan bebas atau independent increments) (iv) X t+s X t tidak bergantung pada t (memiliki kenaikan stasioner atau stationary increments). Proses stokastik tersebut dikatakan sebagai Gerak Brown atau GB dengan parameter drift µ dan parameter variansi σ 2. Misalkan dipunyai proses stokastik GB dengan µ = 0, σ 2 = 1 atau dikenal dengan GB standar. Perhatikan kasus t = 1, 2. Fungsi peluang X t adalah f Xt (x t ) = 1 ( exp 1 ) 2πt 2t x2 t, < x t <. Fungsi peluang bersama dari X 1 dan X 2 adalah... Fungsi peluang bersama dari X 1 X 0 dan X 2 X 1 adalah f X1 0,X 2 X 1 (x 1 0, x 2 x 1 ) = f(x 1 )f(x 2 x 1 ), (1) karena sifat kenaikan saling bebas. Persamaan (1) tersebut sama dengan ( 1 exp 1 ( x 2 1 (2π) 2/2 ((1 0)(2 1)) 1/ (x )) 2 x 1 ) 2, 2 1 dengan t 1 = 1, t 2 = 2 dan sifat kenaikan stasioner X 2 X 1 N(0, 2 1). Kita dapat menentukan fungsi peluang bersyarat dengan memanfaatkan fungsi peluang bersama diatas. Untuk t 1 = 1 < t 2 = 2 diatas, fungsi peluang bersyarat X t1, diberikan X t2 = x t2 adalah... f X1 X 2 (x 1 x 2 ) = f X 1,X 2 X 1 (x 1, x 2 x 1 ) f X2 (x 2 ) = f X 1 (x 1 ) f X2 X 1 (x 2 x 1 ) f X2 (x 2 ) = Dengan kata lain, distribusi dari X 1 X 2 = x 2 adalah normal dengan mean dan variansi E(X 1 X 2 = x 2 ) = ; V ar(x 1 X 2 = x 2 ) = 9
10 Latihan: 1. Dapatkah kita menentukan distribusi dari X 2 X 1 = x 1? Jelaskan! 2. Pandang {X t, 0 t 1} sebagai proses stokastik yang mengikuti GB dengan parameter variansi σ 2. Misalkan X t menyatakan lama (detik) kompetitor 1 memimpin saat 100t persen dari suatu kompetisi telah diselesaikan. Jika kompetitor 1 memimpin σ detik di tengah kompetisi, berapa peluang dia adalah pemenang? Jika kompetitor 1 memenangkan kompetisi dengan margin σ detik, berapa peluang dia memimpin di tengah kompetisi? Proses stokastik GB dapat bernilai negatif yang dianggap tidak tepat untuk memodelkan harga saham. Untuk itu, diusulkan model stokastik S t = S 0 e Xt, dengan nilai awal S 0 ; S t berdistribusi lognormal. Tentu saja ln S t ln S 0 = X t berdistribusi normal dengan mean µt dan variansi σ 2 t. Model ini dikenal sebagai GB geometrik. Sifat mean dan variansi dari S t dapat diturunkan dengan memanfaatkan sifat distribusi lognormal. Kita dapatkan E(S t ) = V ar(s t ) = Latihan: 1. Pandang GB dengan µ = 3, σ 2 = 9. Diketahui X 0 = 10. Hitung E(X 2 ), V ar(x 2 ), P (X 2 > 20), P (X 0.5 > 10). 2. Pandang GB geometrik {S t, t 0} dengan µ = 0.1, σ 2 = 0.4. Hitung P (S 1 > S 0 ), P (S 3 < S 1 > S 0 ). 3. Pandang GB geometrik {S t, t 0}; µ = 0.1, σ 2 = 0.16, S 0 = 2. Tentukan E(S 3 ) dan V ar(s 3 ). 10
11 Pandang proses stokastik GB, {X t }. Misalkan n = 2. Vektor peubah acak (X 1, X 2 ) berdistribusi normal bivariat dalam versi yang lain karena kejadian {X 1 = x 1, X 2 = x 2 } dapat dinyatakan dalam kejadian-kejadian kenaikan saling bebas {X 1 = x 1, X 2 X 1 = x 2 x 1 }, sehingga kita peroleh fungsi distribusi bersama f(x 1, x 2 ) = f 1 (x 1 )f 2 1 (x 2 x 1 ). Untuk proses berukuran n, kita dapat memperoleh distribusi multivariat. Dengan demikian, GB adalah Proses Gaussian, proses yang memiliki realisasi kontinu dengan distribusi hingganya adalah normal multivariat. Distribusi normal multivariat ditentukan pula melalui mean dan kovariansinya. Jadi, suatu proses Gaussian juga ditentukan melalui mean dan kovariansinya. Sebagai contoh, untuk proses GB standar, B t, meannya adalah E(B t ) = 0 dan kovariansinya, untuk s < t, Cov(B s, B t ) = Cov(B s, B s + B t B s ) = Cov(B s, B s ) + Cov(B s, B t B s ) yang sama dengan V ar(b s ) = s = min{s, t}. Apakah GB atau GB geometrik merupakan Proses Markov? Misalkan S t+h, yang saling bebas dengan proses {S u, 0 u < t}, diberikan S t, S t+h = S 0 e X t+h = S 0 e X t+x t+h X t = S 0 e X t e X t+h X t = S t e X t+h X t. Jadi, S t+h, diberikan S t, hanya bergantung pada kenaikan X t+h X t. Kita ketahui bahwa GB memiliki kenaikan saling bebas, jadi saling bebas dengan data lampau. Proses {X t+h X t, h 0} merupakan GB dengan parameter drift dan variansi yang sama. Jadi, proses {S t e X t+h X t, h 0} mendefinisikan proses GB geometrik dengan nilai awal S t yang baru. Apakah GB atau GB geometrik merupakan martingale? 11
12 Bab 4 - Return dan PVA (Diskusi-1) Model harga aset memiliki formula S t = f t + g(b t ), dengan {B t } merupakan proses stokastik Gerak Brown standar. Perubahan harga saat t, S t, relatif terhadap saat t 1, S t 1, dapat diperoleh (antara lain) melalui S t S t 1 ; S t S t 1 S t ; ; ln S t S t 1 S t 1 S t 1 yang dapat kita tentukan distribusi dan modelnya. (Diskusi-2) Misalkan S t harga saat t. Harga saat t + 1, S t+1 = S t + r S t, dengan r suatu pengali (yang menyatakan keuntungan) atau sering dikatakan sebagai suku bunga. Formula harga diatas mengasumsikan bahwa harga/nilai aset akan terus naik. Perhatikan S t+1 S t S t+1 = (1 + r) S t S t+1 S t 1 = r = 1 + r S t+1 S t S t = r. Apakah r akan kita pandang sebagai suku bunga (tetap, setiap waktu) atau imbal hasil (return? Mungkinkah return akan bernilai tetap setiap waktu? r t? (Diskusi-3) Pandang kembali masalah nilai aset pada waktu t dan t + 1. Jika kita ingin nilai aset S t+1, yang diperoleh dengan suku bunga r, maka saat ini nilainya adalah S t = S t r = S t+1(1 + r) 1. Bagaimana kita memandang nilai (aset) saat ini atau present value? Dapatkah kita gunakan ini untuk melakukan analisis (prediksi) nilai aset saat ini dan akan datang? 12
13 Latihan: 1. Tentukan rate of return (tahunan) jika saya melakukan investasi: 100, 110 (setelah dua tahun) 2. Tentukan ekspektasi dari rate of return (tahunan) jika saya melakukan investasi: 100, 120 atau 100 (setelah dua tahun) 3. Perhatikan barisan return berikut: 20, 20, 20, 15, 10, 5; 10, 10, 15, 20, 20, 20. Tentukan barisan return yang baik jika suku bunga majemuk tahunan-nya 5%. 4. Saya membeli HP yang dijual dengan harga 4.2 (juta). Saya memberi uang muka 1 dan mencicil selama 24 bulan dengan cicilan 0.16 setiap bulannya (terhitung mulai awal bulan depan). Tentukan suku bunga efektif-nya. 5. Saya mempertimbangkan membayar pinjaman di bank dengan dua cara. Pertama, membayar lunas 16 (juta). Kedua, membayar 10 sekarang dan 10 lagi di akhir tahun kesepuluh (suku bunga 10%). Tentukan pilihan cicilan yang baik. 6. Untuk investasi awal 100, diperoleh return X i pada akhir periode i, untuk i = 1, 2. Diketahui X 1 dan X 2 peubah acak normal saling bebas dengan mean 60 dan variansi 25. Tentukan peluang bahwa rate of return dari investasi ini lebih dari 10 prosen? 7. Saya mau membeli mesin cuci baru untuk lima tahun ke depan. Saat ini saya punya mesin cuci juga sih, bernilai 6, tapi kemudian berkurang 2 setiap tahun untuk tiga tahun ke depan. Biaya operasional mesin cuci 9, naik 1 setiap tahun. Mesin cuci baru yang akan dibeli harganya 22 dengan masa hidup 6 tahun. Nilai mesin cuci baru akan berkurang 3 setiap tahun untuk dua tahun ke depan, lalu berkurang 4 setiap tahunnya. Biaya operasional 6, naik 1 setiap tahunnya. Kapan sebaiknya saya membeli mesin cuci baru? 13
Catatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciMA6281 PREDIKSI DERET WAKTU DAN COPULA. Forger The Past(?), Do Forecasting
Catatan Kuliah MA6281 PREDIKSI DERET WAKTU DAN COPULA Forger The Past(?), Do Forecasting disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinci/ /16 =
Kuis Selamat Datang MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Tanggal 22 Agustus 2017, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD. 1. Widya (akan) memenangkan
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik A. Jadwal kuliah:
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po
MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Poisson: Suatu Pengantar Orang Pintar Belajar Stokastik Tentang Kuliah Proses Stokastik Bab 1 : Tentang Peluang Bab 2 : Peluang dan Ekspektasi Bersyarat*
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Salah satu instrumen derivatif yang mempunyai potensi untuk dikembangkan adalah opsi. Opsi adalah suatu kontrak antara dua pihak, salah satu pihak (sebagai pembeli) mempunyai hak
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciAK6083 Manajemen Risiko Kuantitatif. Referensi: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools.
AK6083 Manajemen Risiko Kuantitatif Referensi: Silabus: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools Seputar risiko dan volatilitas Peubah acak dan fungsi
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciMinggu 1 Review Peubah Acak; Karakteristik Time Series. Minggu 4-6 Model Moving Average (MA), Autoregressive (AR)
CNH4S3 Analisis Time Series [Dosen] Aniq A Rohmawati, M.Si [Jadwal] Need to reschedule? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciBAB I PENDAHULUAN. yang telah go public. Perusahaan yang tergolong perusahan go public ialah
BAB I PENDAHULUAN 1.1 Latar Belakang Saham merupakan surat berharga sebagai bukti penyertaan atau pemilikan individu maupun badan hukum dalam suatu perusahaan, khususnya perusahaan yang telah go public.
Lebih terperinciMA3081 STATISTIKA MATEMATIKA We love Statistics
Catatan Kuliah MA3081 STATISTIKA MATEMATIKA We love Statistics disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Daftar Isi 1 Peubah Acak
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Dalam pembahasan ini dikaji mengenai nilai ekspektasi saham pada jatuh tempo, persamaan nilai portofolio, penentuan model Black-Scholes harga opsi beli tipe Eropa,
Lebih terperinciBab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean
MA38 Teori Peluang - Khreshna Syuhada Bab 7 Bab 7 Ekspektasi dan Fungsi Pembangkit Momen: Cintailah Mean Ilustrasi 7. Seorang peserta kuis diberi dua buah pertanyaan (P-, P-2), yang harus dijawab dengan
Lebih terperinciDefinisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah
BAB 1 Peluang dan Ekspektasi Bersyarat 1.1 EKSPEKTASI Definisi: Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit/kontinu X adalah E(X) x x p X (x) dan E(X)
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciBab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat
MA38 Teori Peluang - Khreshna Syuhada Bab 9 Bab 9 Peluang dan Ekspektasi Bersyarat: Harapan Tanpa Syarat Ilustrasi 9. Misalkan banyaknya kecelakaan kerja rata-rata per minggu di suatu pabrik adalah empat.
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciKuis 1 MA5181 Proses Stokastik Precise. Prospective. Tanggal 24 Agustus 2016, Waktu: suka-suka menit Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Kuis Selamat Datang MA5181 Proses Stokastik Precise. Prospective. Tanggal 23 Agustus 2016, Waktu: suka-suka menit 1. Mahasiswa yang datang ke ruang kuliah mengikuti suatu proses dengan laju kedatangan
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA4181 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4181 Model Risiko A. Jadwal
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciBAB II LANDASAN TEORI
15 BAB II LANDASAN TEORI Pada bab ini diberikan tinjauan pustaka, teori penunjang dan kerangka pemikiran. Tinjauan pustaka terdiri dari penelitian-penelitian sebelumnya yang mendasari skripsi ini, teori
Lebih terperinciTEORI DASAR DERET WAKTU M A T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R
TEORI DASAR DERET WAKTU M A 5 2 8 3 T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R DERET WAKTU Deret waktu sendiri tidak lain adalah himpunan pengamatan
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciMA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan
MA4183 MODEL RISIKO Bab 5 Teori Kebangkrutan Control your risk! Konsep Surplus 1 Perusahaan asuransi memiliki modal awal atau initial surplus 2 Perusahaan menerima premi dan membayarkan klaim 3 Premi bersifat
Lebih terperinciMA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson
MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC Pengantar Seperti sudah disampaikan sebelumnya, analog
Lebih terperinciMA2081 Statistika Dasar
Catatan Kuliah MA2081 Statistika Dasar Orang Cerdas Belajar Statistika Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA2081 Statistika
Lebih terperinciBAB II KAJIAN TEORI. hasil percobaan yang berbeda dan masing-masing mempunyai. itu menyusun kejadian, maka probabilitas kejadian
BAB II KAJIAN TEORI A. Probabilitas Teorema 2.1 (Walpole, 1992) Probabilitas menunjukan suatu percobaan mempunyai hasil percobaan yang berbeda dan masing-masing mempunyai kemungkinan yang sama untuk terjadi,
Lebih terperinciBab 2. Landasan Teori. 2.1 Fungsi Convex
Bab 2 Landasan Teori Salah satu hal yang menarik dari topik tugas akhir ini adalah penggunaan sebuah ilmu dari dunia insurance (teori comonotonic) ke dunia matematika keuangan. Oleh karena itu untuk memahaminya
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciMA6281 Analisis Data dengan Copula Bab 1: Fungsi distribus. Bab 2: Data dan volatilitas Bab 3: Konsep Copula
MA6281 Analisis Data dengan Copula Bab 1: Fungsi distribusi bivariat Bab 2: Data dan volatilitas Bab 3: Konsep Copula Dependency is not necessarily bad Data risiko operasional Ilustrasi Data risiko operasional
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK We do love uncertainty disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik
Lebih terperinciBAB I PENDAHULUAN. Salah satu formula dalam teori bunga telah diusulkan pada abad
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Salah satu formula dalam teori bunga telah diusulkan pada abad kesembilan belas oleh seorang aktuaris dan ahli matematika Inggris bernama William Makeham.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan bisnis asuransi semakin hari semakin menjanjikan, hal ini dikarenakan hampir semua bidang kehidupan mempunyai resiko, antara lain, kematian,
Lebih terperinciUji Hipotesis dan Aturan Keputusan
Uji Hipotesis dan Aturan Keputusan oleh: Khreshna Syuhada, PhD. 1. Pendahuluan Pada perkuliahan tingkat 2, telah dikenalkan masalah uji hipotesis sebagai berikut: Seorang peneliti memberikan klaim bahwa
Lebih terperinciPengantar Proses Stokastik
Bab 5: Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Waktu Antar Kedatangan Waktu Antar Kedatangan Misalkan T 1 menyatakan waktu dari kejadian/kedatangan pertama. Misalkan
Lebih terperinciMINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALA
MINGGU KE-8 HARGA HARAPAN DAN BEBERAPA KETAKSAMAAN DALAM STATISTIKA HARGA HARAPAN Definisi Misalkan X variabel random. Bila X variabel random kontinu dengan f.k.p. f (x) dan maka harga harapan X adalah
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA48 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2 Tentang MA48 Model Risiko A. Jadwal kuliah:
Lebih terperinciPengantar Proses Stokastik
: Dasar-dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Diskusi 1. Misalkan sebuah koin yang mempunyai peluang muncul muka sebesar.7, dilantunkan tiga kali. Misalkan X menyatakan banyaknya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan diuraikan beberapa teori dasar yang digunakan untuk menetapkan harga premi pada polis partisipasi asuransi jiwa endowmen yang terdapat opsi surrender dalam kontraknya,
Lebih terperinciMA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan
MA6281 Topik Statistika IV: Analisis Deret Waktu Keuangan Referensi: Taylor (2008), Modeling Financial Time Series Tsay (2005), Analysis of Financial Time Series Silabus: Return, volatilitas dan distribusi
Lebih terperinciPENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 28 37 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU NELFA SARI Program Studi Matematika, Fakultas
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciBab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah
MA3181 Teori Peluang - Khreshna Syuhada Bab 8 1 Bab 8 Fungsi Peluang Bersama: Bersama Kita Berpisah Ilustrasi 8.1 Sebuah perusahaan asuransi menduga bahwa setiap orang akan mengalami dan memiliki parameter
Lebih terperinciBAB III PENILAIAN OPSI PUT AMERIKA
BAB III PENILAIAN OPSI PUT AMERIKA Pada bab ini akan disajikan rumusan mengenai penilaian opsi put Amerika. Pada bagian pertama diberikan beberapa asumsi untuk penilaian opsi Amerika. Bentuk nilai intrinsik
Lebih terperinciPENERAPAN KALKULUS STOKASTIK PADA MODEL OPSI
PENERAPAN KALKULUS STOKASTIK PADA MODEL OPSI Nizaruddin Program Studi Pendidikan Matematika FPMIPA IKIP PGRI Semarang Jl. Sidodadi Timur 24 Semarang Abstrak Opsi merupakan salah satu pilihan investasi
Lebih terperinciBAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan
Lebih terperinciMisalkan X peubah acak dengan fungsi distribusi berikut: + x, 0 x < 1. , 1 x < 2. , 2 x < 3. 1, x 3
Kuis Selamat Datang MA4183 Model Risiko Tanggal 22 Agustus 2015, Waktu: suka-suka menit Misalkan X peubah acak dengan fungsi distribusi berikut: 0, x < 0 1 + x, 0 x < 1 3 5 F (x = 3, 1 x < 2 5 9, 2 x
Lebih terperinciBAB I PENDAHULUAN. seseorang atau badan terhadap suatu perusahaan. Jika seseorang memiliki saham
BAB I PENDAHULUAN 1.1 Latar Belakang Saham adalah surat berharga yang merupakan tanda kepemilikan seseorang atau badan terhadap suatu perusahaan. Jika seseorang memiliki saham perusahaan maka dia memiliki
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciBAB 2 PROGRAM STOKASTIK
BAB 2 PROGRAM STOKASTIK 2.1 Pengertian Program Stokastik Banyak persoalan keputusan yang dapat dimodelkan dengan menggunakan program stokastik dengan tujuan menentukan nilai maksimum atau minimum. Tujuan
Lebih terperinciMODEL BLACK-SCHOLES HARGA OPSI BELI TIPE EROPA DENGAN PEMBAGIAN DIVIDEN
MODEL BLACK-SCHOLES HARGA OPSI BELI TIPE EROPA DENGAN PEMBAGIAN DIVIDEN oleh RETNO TRI VULANDARI M0106062 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciBAB V IMPLEMENTASI SIMULASI MONTE CARLO UNTUK PENILAIAN OPSI PUT AMERIKA
BAB V IMPLEMENTASI SIMULASI MONTE CARLO UNTUK PENILAIAN OPSI PUT AMERIKA 5.1 Harga Saham ( ( )) Seperti yang telah diketahui sebelumnya bahwa opsi Amerika dapat dieksekusi kapan saja saat dimulainya kontrak
Lebih terperinciPERSATUAN AKTUARIS INDONESIA
PERSATUAN AKTUARIS INDONESIA Komisi Penguji PERSATUAN AKTUARIS INDONESIA UJIAN PROFESI AKTUARIS MATA UJIAN : A70 Pemodelan dan Teori Risiko TANGGAL : 24 Juni 2014 JAM : 13.30 16.30 WIB LAMA UJIAN : 180
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com t F Parameter adalah karakteristik dari populasi (misal θ) adalah karakteristik
Lebih terperinciAnalisis Deret Waktu Keuangan
Khreshna Syuhada 1 Catatan Kuliah Analisis Deret Waktu Keuangan Khreshna Syuhada 2 Bab 1: Return dan Sifat-sifat Return Misalkan PP tt menyatakan harga aset pada waktu tt. Return atau imbal hasil didefinisikan
Lebih terperinciPeubah Acak dan Distribusi Kontinu
BAB 1 Peubah Acak dan Distribusi Kontinu 1.1 Fungsi distribusi Definisi: Misalkan X peubah acak. Fungsi distribusi (kumulatif) dari X adalah F X (x) = P (X x) Contoh: 1. Misalkan X Bin(3, 0.5), maka fungsi
Lebih terperinciAsuransi Jiwa
Bab 3: Bunga dan Anuitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Bunga Bunga Bunga Macam-macam Bunga Bunga Bunga 1. Bunga Tunggal (Bunga Tidak Mendapat Bunga) Misalkan P menyatakan
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih terperinciSIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. (018), hal 119 16. SIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO Lusiana, Shantika Martha, Setyo Wira Rizki
Lebih terperinci