AK5161 Matematika Keuangan Aktuaria
|
|
- Fanny Halim
- 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: Rabu, 7-; Kamis; 7- Ujian: 23/9/15; 29/10/15; 3/12/15 30%) Buku teks: Sheldon Ross, Introduction to Mathematical Finance Jadwal Perkuliahan: M1 (24/8): Pengantar: risiko dan nilai uang, Kuis M2 (31/8): Peubah acak, peluang dan ekspektasi M3 (7/9): Ekspektasi dan variansi bersyarat; kovariansi dan korelasi M4 (14/9): Distribusi normal M5 (21/9): Ujian 1, Rabu 23/9 [Kamis 24/9 libur] M6 (28/9): Distribusi normal dan kovariansi M7 (5/10): Model kenaikan harga aset M8 (12/10): Gerak Brown M9 (19/10): GB dan GB geometrik M10 (26/10): Ujian 2, Kamis 29/10 M11(2/11): Model harga, peluang dan ekspektasi bersyarat M12 (9/11): Return and PVA M13 (16/11): Konsep, Jenis dan Menghitung Opsi M14 (23/11): Formula Black-Scholes M15 (30/11): Ujian 3, Kamis 3/12 2
3 Pengantar: Risiko dan Nilai Uang Risiko adalah sistem yang dapat dikendalikan. Salah satu kegiatan penting dalam (men)transfer risiko adalah berasuransi; pemegang polis (insured) menitipkan atau memindahkan risiko kepada pihak lain yaitu perusahaan asuransi (insurer) dan sebaliknya. Kedua subyek memiliki risiko, pemegang polis membayar premi sedangkan perusahaan asuransi membayar klaim. Kegiatan lain yang juga berisiko adalah investasi atau bermain uang. Jika kita ingin menggandakan uang untuk mendapatkan nilai yang lebih besar maka kita dapat melakukan kegiatan investasi baik kepada individu atau institusi. Adakah hubungan antara investasi dan asuransi dan investasi? Saat ini praktik asuransi mulai digabungkan dengan investasi. Hal ini dimaksudkan untuk menumbuhkan iklim (atau minat) asuransi dengan keuntungan dari investasi. Kuliah Matematika Keuangan Aktuaria mengajak kita untuk memahami konsep dan menghitung nilai uang, opsi dan, secara umum, bermain peluang (memahami kejadian dan peubah acak serta menghitung peluang atas keduanya) menjadi sangat krusial. 3
4 Bab 1 - Peubah Acak, Peluang dan Ekspektasi Bersyarat Kegiatan asuransi berkaitan dengan keinginan untuk mengatur dan memindahkan risiko kepada pihak lain. Kegiatan berinvestasi adalah upaya meningkatkan nilai uang. Keduanya memiliki kesamaan yaitu (1) memiliki risiko (besar) dan (ii) bersifat tidak pasti. Untuk itu, belajar dan bermain tentang ketidakpastian merupakan suatu keharusan. Dengan kata lain, memahami konsep dan menghitung peluang (atas kejadian dan/atau nilai peubah acak) menjadi sangat krusial. 1.1 Ruang sampel dan kejadian Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Ruang sampel S adalah himpunan dari semua hasil yang mungkin dari suatu percobaan. Anggota dari S disebut kejadian elementer. Kejadian adalah himpunan bagian dari ruang sampel atau koleksi dari kejadian-kejadian elementer. Peluang kejadian A sesungguhnya adalah P (A) = lim n n(a) n Misalkan S adalah ruang sampel, A adalah kejadian. Peluang kejadian A adalah P (A) = n(a) n(s) Secara formal, peluang atau ukuran peluang P pada lap-σ A adalah suatu pemetaan dari A terhadap selang [0, 1] yang memenuhi tiga aksioma berikut: (i) 0 P (A) 1, untuk setiap A A (ii) P (S) = 1 (iii) Untuk himpunan terhitung kejadian-kejadian saling asing A 1, A 2,..., ( P i=1 A i ) = P (A i ) i=1 4
5 Teorema: 1. P (A c ) = 1 P (A) 2. Jika A B maka P (A) P (B) 3. P (A B) = P (A) + P (B) P (A B) 1.2 Peubah acak Peubah acak tidaklah acak dan bukanlah peubah. memetakan anggota S ke bilangan real R. Peubah acak adalah fungsi yang Peubah acak X dikatakan diskrit jika terdapat barisan terhitung dari bilangan {a i, i = 1, 2,... } sedemikian hingga P ( {X = a i } ) = i i P (X = a i ) = 1. Catatan: Sebuah peubah acak diskrit tidak selalu berasal ruang sampel diskrit. F X disebut fungsi distribusi (diskrit) dari X jika terdapat barisan terhitung {a i, i = 1, 2,... } dari bilangan real dan barisan {f i, i = 1, 2,... } dari bilangan positif yang bersesuaian sehingga f i = 1 dan F X (x) = f i. i a i x Jika diberikan himpunan terhitung {a i, i = 1, 2,... } dan bilangan positif {f i, i = 1, 2,... } sehingga i f i = 1, fungsi peluang f X (x) adalah f X (x) = f i = P (X = a i ), dengan x = a i. Sementara itu, fungsi distribusi (kumulatif) nya F (x) = P (X x). Sifat-sifat fungsi distribusi sebagai berikut: (a) F fungsi tidak turun (b) lim F (x) = 1 x (c) lim F (x) = 0 x (d) F fungsi kontinu kanan 5
6 Jika X adalah peubah acak sehingga fungsi peluangnya ada (turunan dari fungsi distribusi) maka X dikatakan sebagai peubah acak kontinu. Perhatikan: 1 = F X ( ) = f X (t) dt P (a X b) = F X (b) F X (a) = b f X (t) dt P (X = a) = a a f X (t) dt = 0 a 1.3 Ekspektasi Nilai harapan/ekspektasi (expected value/expectation) atau ekspektasi dari peubah acak diskrit dan kontinu X, berturut-turut, adalah E(X) = x x f X (x) dan E(X) = x f X (x) dx, dengan f X adalah fungsi peluang dari X. Catatan: 1. Ekspektasi adalah rata-rata tertimbang (weighted average) dari nilai yang mungkin dari X 2. Ekspektasi = mean = momen pertama 3. Ekspektasi suatu peubah acak adalah nilai rata-rata (long-run average value) dari percobaan bebas yang berulang 3. Apakah ekspektasi harus berhingga? (Diskusi!) Sifat-sifat ekspektasi: 1. E(g(X)) = g(x) f X (x) dx 2. E(a X + b Y ) = a E(X) + b E(Y ) 3. E(XY ) = E(X) E(Y ), jika X dan Y saling bebas. 4. E(X) = P (X > x) dx, untuk X > 0 (*) 0 5. E(X r ) = x r f X (x) dx (momen ke-r) 6
7 6. E((X µ X ) r ) = (x µ X ) r f X (x) dx (momen pusat ke-r) 7. E((X µ X ) 2 ) = V ar(x) = E(X 2 ) (E(X)) 2 Deviasi standar dari X adalah akar kuadrat Variansi dari X. 8. E(e tx ) = e tx f X (x) dx = M X (t) (fungsi pembangkit momen) 9. M X (0) = E(X), M X (0) = E(X2 ) Latihan: 1. SyuCare, perusahaan asuransi kesehatan terbesar di Australia, memiliki polis yang menanggung 100% biaya kesehatan hingga maksimum 1 juta dolar per tahun polis. Diketahui total tagihan kesehatan X (dalam juta dolar) per tahun memiliki fungsi peluang f X (x) = x(4 x), 0 < x < 3. 9 Jika Y adalah total pembayaran yang dilakukan SyuCare, hitung E(Y ). 1.4 Fungsi peluang bersama Misalkan kita punyai dua peubah acak, X dan Y. Kita dapat mengkaji peluang dan ekspektasi bersyarat suatu peubah acak, diberikan peubah acak yang lain. Fungsi peluang (distribusi) atas dua peubah acak dikatakan sebagai fungsi peluang (distribusi) bivariat. Secara umum, sering disebut sebagai fungsi peluang (distribusi) bersama. Misalkan X dan Y ada peubah acak-peubah acak diskrit yang terdefinisi di ruang sampel yang sama. Fungsi peluang bersama dari X dan Y adalah f X,Y (x, y) = P (X = x, Y = y). Kondisi bahwa X dan Y terdefinisi pada ruang sampel yang sama berarti dua peubah acak tsb memberikan informasi secara bersamaan terhadap keluaran (outcome) dari percobaan yang sama. Kejadian X bernilai x dan Y bernilai y, {X = x, Y = y}, adalah irisan kejadian {X = x} dan {Y = y}. Fungsi peluang bersama f X,Y memenuhi sifat-sifat berikut: (i) f X,Y (x, y) 0, (x, y), (ii) (x, y) R 2 : f X,Y (x, y) 0 terhitung, (iii) f X,Y (x, y) = 1. y x 7
8 Misalkan X dan Y peubah acak-peubah acak diskrit yang didefinisikan pada ruang sampel yang sama. Maka, f X (x) = f X,Y (x, y), x R dan f Y (y) = f X,Y (x, y), y R adalah, y x berturut-turut, fungsi peluang marginal dari X dan fungsi peluang marginal dari Y. Untuk dua peubah acak kontinu, fungsi peluang dan fungsi distribusi bersama didefinisikan sebagai... ; fungsi peluang marginalnya adalah... Misalkan X dan Y adalah peubah acak-peubah acak, dengan f X (x) > 0. bersyarat dari Y diberikan X = x adalah Fungsi peluang f Y X (y x) = f X,Y (x, y), y R f X (x) Jika f X (x) = 0, kita definiskan f Y X (y x) = 0 namun tidak dikatakan sebagai fungsi peluang bersyarat. Fungsi peluang bersyarat adalah fungsi peluang! Dua peubah acak dikatakan saling bebas jika... Latihan: 1. Perusahaan asuransi menjual dua jenis polis asuransi kendaraan bermotor: Basic dan Deluxe. Misalkan waktu hingga klaim Basic selanjutnya masuk adalah peubah acak eksponensial dengan mean dua. Misalkan waktu hingga klaim Deluxe selanjutnya masuk adalah peubah acak eksponensial dengan mean tiga. Kedua waktu saling bebas. Hitung peluang bahwa klaim yang masuk selanjutnya adalah klaim Deluxe. 2. Dua perusahaan asuransi memberikan penawaran pada perusahaan besar. Nilai tawaran adalah antara 2000 dan Perusahaan akan menerima tawaran terendah jika kedua tawaran berbeda 20 atau lebih. Jika tidak demikian, perusahaan akan mempertimbangkan dua tawaran berikutnya. Asumsikan bahwa kedua tawaran saling bebas dan berdistribusi Uniform pada selang [2000, 2200]. Hitung peluang bahwa perusahaan mempertimbangkan dua tawaran berikutnya. 1.5 Ekspektasi bersyarat Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Jika f X (x) > 0 maka ekspektasi bersyarat dari Y diberikan X = x adalah ekspektasi 8
9 dari Y relatif terhadap distribusi bersyarat Y diberikan X = x, E(Y X = x) = y f X,Y (x, y) f X (x) dy = y f Y X (y x) dy Misalkan X dan Y adalah peubah acak-peubah acak kontinu dengan fungsi peluang bersama f X,Y (x, y). Misalkan ekspektasi dari Y hingga. Maka E(Y ) = E(Y X = x) f X (x) dx atau E(Y ) = E(E(Y X = x)) Latihan: 1. Misalkan X menyatakan usia mobil yang mengalami kecelakaan. Misalkan Y menyatakan lama waktu pemilik mobil mengasuransikan mobilnya saat kecelakaan. Fungsi peluang bersama: f(x, y) = (10 xy 2 )/64, 2 x 10, 0 y 1. Tentukan usia mobil yang diharapkan terlibat dalam kecelakaan. 2. Seorang aktuaris menentukan banyaknya musibah dalam setahun di kota P(0,1,2) dan Q(0,1,2,3) dengan distribusi bersama sbb: 0.12, 0.06, 0.05, 0.02; 0.13, 0.15, 0.12, 0.03; 0.05, 0.15, 0.10, Hitung mean/variansi bersyarat banyak musibah di kota Q, diberikan tidak ada musibah di kota P. 1.6 Kovariansi dan Korelasi Kita ketahui bahwa jika X dan Y saling bebas maka f X,Y (x, y) = f X (x) g Y (y). Akibatnya, E(XY ) = E(X) E(Y ). Konsekuensi ini juga berlaku untuk setiap fungsi g dan h, E ( g(x)h(y ) ) = E ( g(x) ) E ( h(y ) ). 9
10 Kovariansi antara peubah acak X dan Y, dinotasikan Cov(X, Y ), adalah ( (X ) ( ) ) Cov(X, Y ) = E E(X) Y E(Y ) Catatan: Jika X dan Y saling bebas maka Cov(X, Y ) = 0 (implikasi). Sifat-sifat kovariansi 1. Cov(X, Y ) = Cov(Y, X) 2. Cov(X, X) = V ar(x) 3. Cov(a X, Y ) = a Cov(X, Y ) ( ) n 4. Cov X i, m Y j = n m Cov(X i, Y j ) i=1 j=1 i=1 j=1 Perhatikan bahwa: ( n ) ( n ) n V ar X i = Cov X i, X j i=1 i=1 j=1 n n = Cov(X i, X j ) = i=1 j=1 n V ar(x i ) + Cov(X i, X j ). i j j i=1 Korelasi antara peubah acak X dan Y, dinotasikan ρ(x, Y ), didefinisikan sebagai ρ(x, Y ) = Cov(X, Y V ar(x) V ar(y ), asalkan V ar(x) dan V ar(y ) bernilai positif. Dapat ditunjukkan pula bahwa 1 ρ(x, Y ) 1. Koefisien korelasi adalah ukuran dari derajat kelinieran antara X dan Y. Nilai ρ(x, Y ) yang dekat dengan +1 atau 1 menunjukkan derajat kelinieran yang tinggi. Nilai positif korelasi mengindikasikan nilai Y yang cenderung membesar apabila X membesar. Jika ρ(x, Y ) = 0 maka dikatakan X dan Y tidak berkorelasi. 10
11 Latihan: 1. Misalkan (sisa) masa hidup pasangan suami isteri saling bebas dan berdistribusi Uniform pada selang [0, 40]. Perusahaan asuransi menawarkan dua produk: pertama, produk yang membayar nilai klaim saat suami meninggal; kedua, produk yanga membayar nilai klaim saat kedua suami isteri meninggal. Tentukan kovariansi kedua waktu pembayaran tersebut. 2. Misalkan X dan Y harga dua saham pada akhir periode lima tahun. X berdistribusi Uniform pada selang (0, 12). Diberikan X = x, Y berdistribusi Uniform pada selang (0, x). Hitung Cov(X, Y ). 11
12 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. Contoh 2.3d 2. Misalkan X peubah acak normal dengan parameter (µ, σ 2 ). Misalkan Y = exp(x). Tentukan mean dan variansi Y. 3. Lakukan simulasi data berdistribusi normal dan lognormal. Plot kedua data. Tepatkah perilaku harga aset dimodelkan dengan distribusi normal/lognormal? 12
13 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
14 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 (rumit namun menarik kok). 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 14
15 (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 ) = 15
16 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 X t, 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) Solusi: E(X 2 ) = E(X 2 X 0 + X 0 ) = E(X 2 X 0 ) + E(X 0 ) P (X 2 > 20) = P (X 2 X 0 + X 0 > 20) 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 ). 16
17 Solusi: P (S 1 > S 0 ) = P ( ) S1 > 1 S 0 = P (ln S 1 ln S 0 > 0) = P (X 1 X 0 > 0) ( = P Z > 0 (0.1)(1) ) (0.4)(1) = P (Z > 0.25) = Φ(0.25) dengan X 1 X 0 N(0.1 1, ). Catatan: P (S 1 > S 0 ) dapat dinarasikan sebagai peluang harga aset pada akhir waktu pertama lebih besar daripada harga awal (asumsikan bahwa S t menyatakan harga aset). Selanjutnya, untuk menentukan P (S 3 < S 1 > S 0 ), kita dapat lebih dahulu menjabarkan P (S 3 < S 1 > S 0 ) = P (S 3 < S 1, S 1 > S 0 ) = P (S 3 < S 1 )P (S 1 > S 0 ). Kemudian, kita gunakan cara yang sama dengan sebelumnya untuk menentukan kedua peluang tersebut. 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 ). Solusi: Misalkan proses 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 ). E(S 3 ) = 2 e (0.1)(3)+0.5 (0.16)(3), dengan E(S t ) = S 0 e µt+0.5σ2t. Sementara itu, V ar(s 3 ) = 2 2 e (2)(0.1)(3)+0.5 (0.16)(3) (e (0.16)(3) 1). 17
18 Bab 4 - Gerak Brown (Lanjutan) 4.1 Peluang dan Ekspektasi Bersyarat Pada GB Kajian tentang GB, termasuk GB standar dan GB geometrik, menarik untuk dibahas, baik sebagai peubak acak maupun model harga aset. Secara khusus, masalah-masalah yang muncul antara lain: - menentukan peluang bersyarat Contoh-1: Pandang GB dengan parameter drift µ = 2 dan parameter variansi σ 2 = 16. Diketahui X 0 = 8. Hitung P (X 3 > 10). Solusi: P (X 3 > 10 X 0 = 8) = P (X 3 X 0 > 10 8) ( ) (10 8) (2)(3) = P Z > (4)( 3) ( = P Z > 1 ) 3 3 ( ) 1 = Φ 3, 3 dengan X 3 X 0 N(2 3, 16 3). Contoh-2: Harga suatu komoditas bergerak mengikuti GB, X t = µt + σb t ; dengan µ = 5, σ 2 = 4 dan B t adalah GB standar. Diberikan harga bernilai 4 saat t = 8, hitung peluang harga komoditas bernilai kurang dari 1 saat t = 9. Solusi: E(X t ) = µt + σ 0; V ar(x t ) = σ 2 t Jadi, P (X 9 < 1 X 8 = 4) = P (X 9 X 8 < 3) = P karena X 9 X 8 N(9µ 8µ, σ 2 (9 8)). ( Z < 3 µ ) = P (Z < 1), σ 18
19 Contoh-3: Misalkan S t menyatakan harga saham pada waktu t: S t = S 0 exp(µt + σb t ), dengan B t adalah GB standar; µ dan σ diberikan. Hitung peluang S 10 lebih besar dari 15, diberikan S 5 = 10. Solusi: Pandang X t = µt + σb t ; X t N(µt, σ 2 t); {X t } suatu GB; S t = S 0 e X t, {S t } GB geometrik. Jadi, P (S 10 > 15 S 5 = 10) = P ( ) ( S10 > 1.5 = P ln S ) 10 > ln 1.5 S 5 S 5 atau P (X 10 X 5 > ln 1.5) = P karena X 10 X 5 N(5µ, 5σ 2 ). ( Z > ) ln 1.5 5µ σ 5 - menentukan ekspektasi bersyarat dan ekspektasi hasil kali Contoh-1: Pandang pergerakan harga suatu aset yang mengikuti proses stokastik GB standar, B t. Jika harga berada di posisi 1.7 saat t = 2, tentukan nilai yang diharapkan (ekspektasi) saat t = 4. Solusi: E(B 4 B 2 = 1.7) = E(B 4 B 2 + B 2 B 2 = 1.7) = E(B 4 B 2 B 2 = 1.7) + E(B 2 B 2 = 1.7) = E(B 4 B 2 ) = = 1.7 karena B 4 B 2 N(0 (4 2), 1 (4 2)). 19
20 Contoh-2: Tentukan E(X 1 X 2 ), untuk {X t } suatu proses GB. Solusi: ( ) E(X 1 X 2 ) = E X 1 (X 2 X 1 ) + X1 2 ( ) = E X 1 (X 2 X 1 ) + E(X1) 2 = E(X 1 )E(X 2 X 1 ) + E(X 2 1) Contoh-3: Tentukan E(X 1 X 2 X 4 ) pada GB dengan parameter drift µ dan parameter variansi σ 2. Solusi: E(X 1 X 2 X 4 ) = E (X 1 (X 2 X 1 )(X 4 X 2 ) + X 1 X 2 (X 2 X 1 ) + X 21X ) 3 ( ) ( ) = E X 1 (X 2 X 1 )(X 4 X 2 ) + E X 1 X 2 (X 2 X 1 ) + E(X1X 2 3 ), dengan ( ) ( ) E X 1 X 2 (X 2 X 1 ) = E X 1 (X 2 X 1 ) 2 + X1(X 2 2 X 1 ) E(X 2 1X 3 ) = E(X 2 1)E(X 3 X 1 ) + E(X 3 ) 4.2 GB Sebagai Proses Gaussian, Markov dan Martingale 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 }, 20
21 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 ) = V ar(b s ) + 0 = 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 Xt+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? 21
22 Bab 5 - 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 S t 1 ; ; S t S t 1 ; 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? Contoh 4.2a-c (Ross, 2011). 22
23 Bab 6 - GB Sebagai Model Harga Saham dan Menghitung Opsi Pandang model stokastik GB geometrik: S t = S 0 e Xt. Definisikan: L i = S t i S ti 1, 1 i n, 0 = t 0 < t 1 < < t n = t, barisan peubah acak lognormal yang saling bebas. Sebagai contoh, L 1 = S t 1 S t0 = e X t 1, L2 = S t 1 S t0 = e X t 2 X t1, saling bebas karena sifat kenaikan saling bebas dari X t1 dan X t2 X t1. Kita dapat menuliskan S t = L n L n 1 L 2 L 1 S 0 sebagai perkalian (product) saling bebas dari n peubah acak lognormal. Kita ingat kembali model binomial : S n = Y n Y n 1 Y 2 Y 1 S 0, dengan Y i peubah acak bersifat saling bebas dan berdistribusi identik (i.i.d): P (Y = u) = p dan P (Y = d) = 1 p, dengan 0 < d < 1 + r < u, 0 < p < 1. Bagaimana kita dapat mengaitkan ln L i dengan Y i? Dapatkah kita menentukan u, d, p sehingga E(Y ) = E(L) dan E(Y 2 ) = E(L 2 )? Perhatikan bahwa: E(Y ) = up + d(1 p); E(Y 2 ) = u 2 p + d 2 (1 p), dan E(L) = ( ); E(L 2 ) = ( ) 23
24 Kita ingin menyelesaikan kedua persamaan up + d(1 p) = ; u 2 p + d 2 (1 p) = yang solusinya tidak tunggal. Misalkan ud = 1, maka kita peroleh p = u = d = Catatan: Untuk n besar, ln(y n Y 2 Y 1 ) = n ln(y i ) X t N(µt, σ 2 t), i=1 karena Teorema Limit Pusat (TLP). Jadi, S n = Y n Y n 1 Y 2 Y 1 S 0 S 0 e Xt = S t, 24
25 Model Binomial untuk Harga Saham Pandang bentuk rekursif untuk harga saham S n+1 = S n Y n+1, n 0 dengan Y i saling bebas dan memiliki distribusi peluang P (Y = u) = p, P (Y = d) = 1 p. Asumsikan 0 < d < 1 + r < u konstan, r suku bunga bebas risiko (risk-free interest rate). Catatan: (1 + r)x adalah payoff yang kita terima satu waktu mendatang jika kita memiliki aset seharga x pada waktu sekarang. Untuk nilai S n yang diberikan, us n, dengan peluang p; S n+1 = ds n, dengan peluang 1 p. untuk n 0, bebas dengan sebelumnya. Jadi, harga saham akan naik ( u ) atau turun ( d ) setiap waktu. Sifat acak disebabkan nilai peluang naik atau turun tersebut. Bentuk rekursif diatas dapat ditulis S n = Y n Y 1 S 0, n 1 dengan S 0 harga awal, S n harga saat n. Untuk n yang diberikan, S n = u i d n i S 0 untuk suatu i {0,..., n}; artinya harga saham naik sebanyak i kali dan turun n i kali selama periode n. Peluang yang bersesuaian adalah P (S n = u i d n i S 0 ) = C n i p i (1 p) n i, 0 i n. Perhatikan diagram berikut: - 25
26 Pandang portofolio aset berisiko (saham) dan tidak berisiko, yaitu suatu pasangan (α, β), dengan α menyatakan koefisien banyaknya saham, dan β untuk aset tidak berisiko. Nilai α dan β tidak harus integer dan dapat bernilai negatif. Contoh: (2.3, 7.4), artinya membeli 2.3 unit (shares) saham dan 7.4 (shorted) unit aset tidak berisiko (pinjam 7.4 dengan bunga r). Perhatikan bahwa suatu portofolio selalu memiliki harga yang terdefinisi dengan baik: harga portofolio pada saat t = 0 adalah αs 0 + β, pada saat t = n, n 0 adalah αs n + β(1 + r) n. Pandang opsi call (untuk membeli) Eropa dengan harga eksekusi K waktu habis berlaku t = 1. Payoff untuk pemilik opsi ini, pada saat t = 1, adalah peubah acak C 1 = (S 1 K) +, dimana pembeli berharap harga akan lebih besar dari K. Payoff acak ini memiliki dua kemungkinan C 1 = C u = (us 0 K) + atau C 1 = C d = (ds 0 K) +, jika harga saham, berturut-turut, naik atau turun. Kita ingin menentukan harga yang pantas (fair) untuk opsi ini, notasikan C 0, dengan C 0 S 0 karena C 1 = (S 1 K) + S 1. Catatan: Orang membeli opsi karena harganya lebih murah dari saham, namun memiliki potensi untuk untung atau mendapatkan payoff lebih tinggi. Analog dengan portofolio diatas, kita konstruksikan portofolio dengan payoff C 1, pada saat t = 1, adalah C u (jika harga saham naik) atau C d (jika harga turun). Payoff portofolio adalah αs 1 + β(1 + r). Kita ingin menentukan α dan β sehingga αs 1 + β(1 + r) = C 1 atau, dengan kata lain, menentukan α dan β sehingga αus o + β(1 + r) = C u dan αds o + β(1 + r) = C d. Kita peroleh: α = ; β = C 0 = αs 0 + β = 26
27 Penghargaan Opsi (Option Pricing) untuk GB geometrik: Black-Scholes Misalkan pada opsi call Eropa, t = T ada waktu habis berlaku (expiration date), K harga eksekusi (strike price), C T = (S T K) + payoff. Kita ingin menentukan harga opsi jika harga saham mengikuti model GB geometrik. Perhatikan harga opsi dengan model binomial, dengan waktu habis berlaku t = n, yang diberikan sebagai nilai harapan C 0 = 1 (1 + r) n E (S n K) +, dengan E adalah nilai harapan dibawah peluang tidak berisiko (risk-neutral probability) p untuk gerakan harga saham naik dan turun. Dibawah p, rate of return yang diharapkan dari saham sama dengan suku bunga tidak berisiko r, untuk n = 1: E(S 1 ) = (1 + r)s 0 atau up + d(1 p) = (1 + r). Kita peroleh p = p = 1 + r d u d. Faktanya, dibawah p, harga saham discounted {(1+r) n S n, n 0} adalah fair (membentuk martingale). Jika harga saham mengikuti GB geometrik maka kita mengharapkan C 0 = e rt E (S n K) + Misalkan S t = S 0 e X t dengan X t adalah GB dengan parameter drift dan variansi. Kita tentukan nilai µ dan σ yang baru, sebut µ dan σ, yang mana harga fair yaitu discounted price {e rt S t : t 0} membentuk martingale atau E(S t ) = e rt S 0, t 0 Jadi, kita ingin µ + σ 2 /2 = r 27
28 Ketika menghargai opsi, kita harus menggantikan S t dengan S t = S 0 e X t, dengan X t = µ t + σb t = (r σ 2 /2)t + σb t Jadi, C 0 = e rt E (S T K) + = e rt E(S T K) + = Catatan: Perhatikan bahwa C 0 tidak bergantung pada µ, namun bergantung pada volatilitas σ 2. Formula Black-Scholes Misalkan harga saham mengikuti GB geometrik: S t = S 0 e µt+σb t, t 0, maka harga opsi call Eropa dengan waktu habis berlaku (expiration date) t = T dan harga eksekusi (strike price) K adalah C 0 = S 0 Φ(c + σ T ) e rt KΦ(c), dengan c = ln(s 0/K) + (r σ 2 /2)T σ T dan r suku bunga tidak berisiko (risk-free interest rate). 28
AK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 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 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. 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 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 2017 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 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. 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! 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 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. 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 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 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 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 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 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. 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 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 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 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 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 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 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 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 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 terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
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 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 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 Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
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 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 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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
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 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 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 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 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 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 terperinciPeubah Acak dan Distribusi
BAB 1 Peubah Acak dan Distribusi 1.1 ILUSTRASI (Ilustrasi 1) B dan G secara bersamaan menembak sasaran tertentu. Peluang tembakan B mengenai sasaran adalah 0.7 sedangkan peluang tembakan G (bebas dari
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 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 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 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 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 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. 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. 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 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 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 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. 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 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 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 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 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 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 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 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 terperinciPENENTUAN HARGA OPSI TIPE EROPA DENGAN METODE BINOMIAL
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 07, No. 2 (2018), hal 127 134. PENENTUAN HARGA OPSI TIPE EROPA DENGAN METODE BINOMIAL Syarifah Nadia, Evy Sulistianingsih, Nurfitri Imro ah INTISARI
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
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 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 terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
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 terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
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 terperinciII. LANDASAN TEORI. Pada bagian ini akan diuraikan beberapa definisi dan teori penunjang yang akan digunakan di dalam pembahasan.
II. LANDASAN TEORI Pada bagian ini akan diuraikan beberapa definisi dan teori penunjang yang akan digunakan di dalam pembahasan. 2.1 Istilah Ekonomi dan Keuangan Definisi 1 (Investasi) Dalam keuangan,
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 terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
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 terperinciBab 6 Minggu ke 10 Lemma Ito & Simulasi Monte Carlo
Bab 6 Minggu ke 10 Lemma Ito & Simulasi Monte Carlo Tujuan Pembelajaran Setelah menyelesaikan perkuliahan minggu ini, mahasiswa bisa : Menjelaskan tentang Model matematis harga Saham Membuat simulasi harga
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 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 II TINJAUAN PUSTAKA. dana tersebut. Umumnya investasi dikategorikan dua jenis yaitu:
BAB II TINJAUAN PUSTAKA 2.1 Teori Investasi Menurut Kamaruddin (2004), investasi adalah menempatkan dana atau uang dengan harapan untuk memperoleh tambahan atau keuntungan tertentu atas uang atau dana
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Cerdas dan Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4081 (Pengantar)
Lebih terperinciBab 7. Minggu 12 Formula Black Scholes untuk Opsi Call
Bab 7. Minggu Formula Black Scholes untuk Opsi Call ujuan Pembelajaran Setelah menyelesaikan perkuliahan minggu ini, mahasiswa bisa : Menjelaskan valuasi opsi call tipe Eropa model Black Scholes Menurunkan
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 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 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 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 terperinciMA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad
Catatan Kuliah MA6281 Topik Lanjut dalam Statistika ANALISIS DATA DENGAN COPULA Dependency is not necessarily bad disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut
Lebih terperinciCatatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4081 PENGANTAR PROSES STOKASTIK Orang Pintar Belajar Stokastik disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Daftar
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 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 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 terperinciLEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK KATA PENGANTAR UCAPAN TERIMA KASIH DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN
DAFTAR ISI LEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... x BAB I PENDAHULUAN...
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 terperinciLEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK KATA PENGANTAR UCAPAN TERIMA KASIH DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN
DAFTAR ISI LEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN...
Lebih terperinciBAB III PENETAPAN HARGA PREMI PADA KONTRAK PARTISIPASI ASURANSI JIWA ENDOWMEN DENGAN OPSI SURRENDER
BAB III PENETAPAN HARGA PREMI PADA KONTRAK PARTISIPASI ASURANSI JIWA ENDOWMEN DENGAN OPSI SURRENDER Pada bab ini akan ditentukan harga premi pada polis partisipasi yang terdapat opsi surrender pada kontraknya.
Lebih terperinci