BAB III METODE LEAST-SQUARE MONTE CARLO -...
Transcript of BAB III METODE LEAST-SQUARE MONTE CARLO -...
43
BAB III
METODE LEAST-SQUARE MONTE CARLO
Pada bab sebelumnya telah dijelaskan antara lain mengenai simulasi
Monte Carlo dan metode least-square, maka pada bab ini diantaranya akan
dibahas penggunaan kedua metode tersebut didalam metode LSM. Pada bab
ini, akan dijelaskan bagaimana metode LSM digunakan untuk
mengaproksimasi nilai opsi put Amerika. Metode ini terdiri dari tiga tahap
sekuensial, pertama adalah mensimulasikan lintasan dari harga saham,
kemudian menghitung matriks payoff opsi, dan yang terakhir adalah
menentukan harga opsi. Pada akhir bab ini juga akan dijelaskan contoh
sederhana penerapan metode LSM. Namun sebelum contoh penerapan akan
diberikan skema sederhana metode LSM ini.
Lebih jelasnya pada bab 3.1 akan dibahas mengenai ekspektasi
bersyarat dan ruang Hilbert, bab 3.2 mengenai simulasi lintasan harga
saham, bab 3.3 mengenai perhitungan matriks payoff opsi, bab 3.4 mengenai
perhitungan nilai opsi , bab 3.5 berisi skema metode LSM dan bab 3.6
menjelaskan contoh sederhana dari metode LSM.
3.1 Ekspektasi Bersyarat dan Ruang Hilbert
Diberikan sebuah ruang probabilitas ( ), , mPΩ Φ yang complete dan
terbatas pada interval waktu [0,T]. Ruang sampel Ω adalah himpunan tak
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
44
kosong dari semua kemungkinan hasil yang dapat terjadi pada dunia nyata
atau dalam suatu eksperimen, dengan elemen Ω dilambangkan ω. Φ adalah
σ-aljabar dari subset Ω, yaitu himpunan dan semua subset dari Ω. Elemen
dari Φ disebut kejadian.
Probability measure Pm adalah fungsi dari Φ ke bilangan real antara 0
dan 1 yang menyatakan probabilitas masing-masing kejadian. Ruang
probabilitas merupakan ruang terukur dengan measure Pm, yang memenuhi
aksioma probabilitas, yaitu
1. Pm(J) ≥0, untuk setiap J∈Φ
2. Pm(Ω) = 1, dan
3. Pm(J1∪ J2∪…∪ Jn) = 1
( )n
m ii
P J=∑ .
Ruang probabilitas yang complete adalah setiap subset C dari
himpunan null J0 (Pm(J0) = 0) dengan J0∈Φ adalah terukur (Wikipedia, 2008).
Variabel random X adalah fungsi terukur dari ruang sampel Ω ke ruang
terukur lainnya yang disebut state space, X(ω) : Ω→R. Shiryaev (1994)
menyatakan bahwa jika terdapat H yang merupakan ruang variabel random X
dengan mean nol dan momen kedua yang terbatas pada ruang probabilitas
( ), , mPΩ Φ , dengan inner product <X,Y> = E[X.Y], norm 2X E X⎡ ⎤= ⎣ ⎦ dan
fungsi jarak (metric) X Y− , maka H adalah ruang Hilbert.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
45
Pada ruang probabilitas ( ), , mPΩ Φ dimisalkan ( )2 2 , , mL L P= Ω Φ adalah
kelas dari variabel random X yang bernilai real (Φ-measurable), sedemikian
sehingga X terbatas, yaitu ( )2E X⎡ ⎤ < ∞⎣ ⎦ . Ruang L2 dengan definisi
penjumlahan dan perkalian skalar (skalar real) merupakan ruang vektor real.
Untuk setiap X, Y ∈L2, didapat ( )E X < ∞ , ( ) ( )22( )Var X E X E X= − < ∞ ,
dan ( ) ( ) ( )1 1
2 22 2E XY E X E Y≤ < ∞ , dengan ketidaksamaan terakhir
berdasarkan ketidaksamaan Cauchy-Schwartz pada fungsi yang square
integrable 2
, , . ,x y x x y y≤ . Sehingga ( , ) ( ) ( ) ( )Cov X Y E XY E X E Y= −
ada dan terbatas.
Dari struktur square integrable diatas, disimpulkan bahwa L2 dengan
inner product | ( )X Y E XY= dan norm 1 122 2X | ( )X X E X= = juga
merupakan ruang Hilbert.
Selanjutnya akan dijelaskan adanya (existence) ekspektasi bersyarat
pada ruang L2 yang telah dijelaskan diatas, ekspektasi bersyarat tersebut
akan digunakan dalam metode LSM. Namun sebelum itu akan dijelaskan
teorema proyeksi pada ruang Hilbert.
Teorema Proyeksi
Misalkan H adalah ruang Hilbert dan M subruang dari H, dan x
sembarang vektor di H. Jika terdapat vektor m0∈M sedemikian sehingga
0x m x m− ≤ − untuk setiap m∈M, maka m0 unik.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
46
Kondisi perlu dan cukup bahwa m0∈M menjadi vektor unik yang
meminimumkan x m− untuk m∈M adalah 0x m M− ⊥ . Jika M complete
(barisan Cauchy di M konvergen di M), maka vektor unik yang
meminimumkan x m− untuk m∈M ada. m0 disebut juga proyeksi ortogonal
dari x ke M.
Penjelasan dan bukti teorema diatas dapat dilihat pada (Luenberger,
1969).
Sekarang akan dibahas adanya ekspektasi bersyarat pada ruang
Hilbert yang telah dijelaskan Rogers (1997). Misalkan Σ adalah sub σ-aljabar
dari Φ, dan misalkan X menyatakan variabel random yang integrable pada
( ), , mPΩ Φ . Rogers (1997) menyatakan adanya variabel random [ ]|E X Σ ,
disebut ekspektasi bersyarat dari X diberikan Σ, yang memiliki sifat-sifat
berikut
i) [ ]|E X Σ Σ-measurable dan integrable,
ii) [ ]| ,= Σ∫ ∫A A
XdP E X dP untuk setiap ∈ΣA .
Selanjutnya akan diaplikasikan teorema proyeksi untuk memastikan
adanya ekspektasi bersyarat untuk variabel-variabel random yang square
integrable. Diasumsikan X square integrable, yaitu X ∈ ( )2 , , mL PΩ Φ dan
misalkan ( )2 , , mL PΩ Σ menyatakan ruang variabel-variabel random yang
memenuhi Σ-measurable dan square integrable. Seperti ditulis sebelumnya
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
47
(pada halaman 45), ruang variabel random ( )2 , , mL PΩ Σ adalah ruang Hilbert,
sehingga untuk Y0 ∈ ( )2 , , mL PΩ Σ merupakan subruang yang complete pada
( )2 , , mL PΩ Φ . Maka berdasarkan teorema proyeksi, terdapat elemen
Y0 ∈ ( )2 , ,L PΩ Σ sedemikian sehingga
a) ( )( ) ( ){ }2 22 20 0 inf : , , mX Y E X Y x Z Z L P− = − = − ∈ Ω Σ .
b) 0 | 0,− =X Y Z untuk semua ( )2 , ,∈ Ω ΣZ L P .
Karena Y0 ∈ ( )2 , , mL PΩ Σ , Y0 adalah Σ-measurable dan square integrable,
sehingga memenuhi kondisi i) diatas. Jika A∈Σ, maka AZ I= (fungsi indikator
dari himpunan A) adalah elemen dari ( )2 , , mL PΩ Σ dan poin b) menyatakan
bahwa
( )( )0 ( )A A A
E X Y Z X Y dP XdP YdP= − = − = −∫ ∫ ∫ .
Dengan merujuk ke ii), maka Y0 adalah [ ]|E X Σ . Dengan kata lain,
ekspektasi bersyarat dari X diberikan Σ adalah proyeksi ortogonal dari X pada
( )2 , , mL PΩ Σ . Jadi Y0 = [ ]|E X Σ adalah anggota ruang ( )2 , , mL PΩ Σ yang
merupakan ruang Hilbert. Karena ekspektasi bersyarat merupakan anggota
ruang Hilbert sehingga kita dapat menggunakan teori yang yang berlaku
pada ruang Hilbert untuk menentukan aproksimasi fungsi ekspektasi
bersyarat yang nanti dijelaskan kembali pada subbab 3.3.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
48
Pada skripsi ini ruang probabilitas ( ), , mPΩ Φ dapat dijelaskan sebagai
berikut: Ω merupakan himpunan semua kemungkinan proses stokastik harga
saham dan suku bunga yang terjadi antara waktu 0 dan T, Ω memiliki elemen
ω, yaitu sampel lintasan harga saham dan suku bunga, Φ merupakan
σ-aljabar dari semua lintasan harga saham dan suku bunga subset dari Ω,
dan Pm merupakan probability measure yang didefinisikan pada Φ. Sehingga
fungsi ekspektasi bersyarat dinyatakan dengan [ ]|E X Φ . X yang dimaksud
adalah ekspektasi besar payoff P yang didapat ketika kondisi harga saham
saat ini S dan suku bunga saat ini r elemen dari Φ, maka dapat juga
dinyatakan dengan [ ]| ( , )E P S r .
3.2 Simulasi Lintasan Harga Saham
Pada subbab ini akan dijelaskan tahap pertama dalam metode LSM.
Tahap pertama adalah mensimulasikan lintasan aset induk dari opsi put
Amerika yaitu harga saham.
Setiap opsi memiliki jangka waktu dan jumlah waktu eksekusi yang
berbeda. Misalkan suatu opsi dapat dieksekusi pada harga E dengan aset
induk S yang memiliki N buah kesempatan waktu eksekusi dengan interval
waktu sebesar tδ dan simulasi akan dilakukan sebanyak M kali. Simulasi
dilakukan menggunakan persamaan (2.20) yang telah dibahas di bab dua
yaitu
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
49
22
1 3 2( ) ( ).exp 1 , 0,1,..., 1.2i iS t S t r D dt dt i Nσ σ ρ ε ρε+
⎡ ⎤⎛ ⎞ ⎡ ⎤= − − + − + = −⎢ ⎥⎜ ⎟ ⎣ ⎦⎝ ⎠⎣ ⎦
Nilai short rate r pada persamaan (2.20) tidak lagi nilai yang konstan namun
merupakan faktor stokastik pembentuk harga saham. Dengan demikian
sebelum kita mensimulasikan lintasan harga saham terlebih dahulu kita
simulasikan lintasan untuk short rate, yang sebelumnya telah dibahas pada
bab II dengan menggunakan persamaan (2.15) berikut
( )2
1 21( ) ( ). 1 .
2
adtadt adt
i ier t r t e b ea
ν ε−
− −+
−= + − + , 0,1,..., 1.i N= −
Sehingga persamaan (2.20) menjadi
22
1 1 3 2( ) ( ).exp ( ) 1 , 0,1,..., 1.2i i iS t S t r t D dt dt i Nσ σ ρ ε ρε+ +
⎡ ⎤⎛ ⎞ ⎡ ⎤= − − + − + = −⎢ ⎥⎜ ⎟ ⎣ ⎦⎝ ⎠⎣ ⎦(3.1)
Harga saham dan short rate akan disimulasikan sebanyak M kali, sehingga
harga saham pada lintasan ke-j dan di waktu eksekusi ke-ti disebut ( )j iS t
dan short rate disebut dengan ( )j ir t dengan j = 1, 2, …, M dan i = 1, 2, …, N.
Dari simulasi (2.15) kita akan dapatkan matriks short rate ukuran
M x N, yaitu
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
50
Waktu Eksekusi t1 t2 . . . . . . tN
Sim
ulas
i
1 1 1( )r t 1 2( )r t 1( )Nr t
2 2 1( )r t 2 2( )r t 2( )Nr t
3 3 1( )r t 3 2( )r t 3( )Nr t
4 4 1( )r t 4 2( )r t 4( )Nr t
.
.
.
M 1( )Mr t 2( )Mr t . . . . . . ( )M Nr t
Gambar 3.1. Matriks short rate
Nilai ( )j ir t akan digunakan untuk mendapatkan ( )j iS t pada
persamaan (3.1). Nilai 1( )jr t didapat dari persamaan (2.15) dengan nilai awal
short rate 0( )r t yang sama untuk masing-masing simulasi. Hal ini juga berlaku
untuk harga saham pada (3.1), nilai awal harga saham 0( )S t sama untuk
masing-masing simulasi. Hasil simulasi (3.1), yaitu harga saham yang didapat
di tiap waktu eksekusi disusun sedemikian sehingga kita mendapatkan
matriks saham berukuran M x N berikut
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
51
Waktu Eksekusi t1 t2 . . . . . . tN
Sim
ulas
i
1 1 1( )S t 1 2( )S t 1( )NS t
2 2 1( )S t 2 2( )S t 2( )NS t
3 3 1( )S t 3 2( )S t 3( )NS t
4 4 1( )S t 4 2( )S t 4( )NS t
.
.
.
.
M 1( )MS t 2( )MS t . . . . . . ( )M NS t
Gambar 3.2. Matriks harga saham.
Pada Gambar 3.2, masing-masing baris disebut satu lintasan harga
saham.
Setelah membangkitkan lintasan harga saham dan kita dapatkan
matriks harga saham seperti Gambar 3.2, selanjutnya akan dibahas
bagaimana menentukan matriks payoff dari matriks harga saham.
3.3 Menghitung matriks payoff
Misalkan ( ( ))j iF S t menyatakan payoff opsi yang didapat jika pada
waktu ti opsi dieksekusi pada lintasan j, dimana j = 1, 2, …, M, dan i = 1, 2,
…, N. Maka ( ( ))j iF S t = ( )j iE S t− dengan E adalah harga eksekusi. ( ( ))j iF S t
disebut juga payoff segera.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
52
Misalkan P menyatakan matriks payoff yang berdimensi M x N dengan
elemen ,j if . Pada saat T (waktu jatuh tempo opsi), payoff pada masing-
masing lintasan adalah nilai maksimum dari nol dan nilai opsi yang
sebenarnya pada waktu T, yaitu
( ), max 0, ( )j N jf F S T⎡ ⎤= ⎣ ⎦ , 1 ≤ j ≤ M.
Untuk menentukan keputusan apakah kita harus mengeksekusi
segera atau menunda dan mengeksekusi pada waktu mendatang, kita perlu
membandingkan dua nilai berikut, yaitu nilai payoff saat ti (payoff segera
( ( ))j iF S t ) dan nilai ekspektasi payoff dimasa mendatang yang bersyarat
harga saham dan short rate saat ti yang dinyatakan dengan ⎡ ⎤⎣ ⎦| ( ), ( ) .j i j iE P S t r t
Untuk membandingkan dua nilai tersebut, kita bekerja mundur dimulai
dari waktu jatuh tempo opsi T ke waktu ti dimana 0 < i < N pada setiap
lintasan yang in the money. Dalam hal ini hanya digunakan lintasan yang in
the money karena keputusan eksekusi hanya relevan ketika opsi dalam
kondisi in the money (Longstaff dan Schwartz,2001).
Untuk sembarang waktu ti, 0 < i < N, ekspektasi bersyarat payoff opsi
dimasa mendatang pada saat harga saham saat ti sebesar Sj(ti) dan short
rate saat ti sebesar rj(ti),yaitu ⎡ ⎤⎣ ⎦| ( ), ( )j i j iE P S t r t , seperti yang telah dijelaskan
pada subbab 3.1, ⎡ ⎤⎣ ⎦| ( ), ( )j i j iE P S t r t merupakan anggota ruang Hilbert L2,
sehingga kita dapat mengaproksimasi fungsi tersebut menggunakan teori
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
53
yang berlaku pada ruang Hilbert. Misalkan ⎡ ⎤⎣ ⎦| ( ), ( )j i j iE P S t r t berkaitan
dengan sebuah fungsi yang tidak diketahui, kita sebut sebagai g(x).
Teori dalam ruang Hilbert menyatakan bahwa sembarang fungsi g(x)
anggota ruang tersebut, dapat dinyatakan sebagai kombinasi linear terhitung
dari basis ruang vektornya, sehingga
0( ) ( )k k
kg x xβ φ
∞
=
= ∑ (3.2)
dimana { } 1( )k kxφ ∞
=merupakan himpunan basis didalam ruang Hilbert. Longstaff
dan Schwartz (2001) menyarankan untuk menggunakan monomial { }∞=1
( )ki k
S t
untuk mengestimasi fungsi g(x) tersebut sebagai himpunan basis sehingga
persamaan (3.2) dapat ditulis sebagai β∞
=
= ∑0
( ) ( )k
k ik
g x S t . Teorema
aproksimasi Stone-Weierstrass menyatakan bahwa monomial { }∞=1
( )ki k
S t
membentuk basis ruang L2 (Hassani,1999). { }∞=1
( )ki k
S t merupakan basis yang
tidak ortonormal, tetapi bebas linear. Hassani (1999) menyatakan bahwa jika
ingin mendapatkan kombinasi linear yang ortonormal, dapat digunakan
proses Gram-Schmidt, sedemikian sehingga didapat polinomial yang
ortonormal satu dengan yang lain dan merentang L2.
Secara teori, kita menyatakan g(x) sebagai kombinasi linear atas K
suku yang dapat ditulis sebagai berikut
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
54
β=
= ∑0
( ) ( )K
kK k i
kg x S t .
Aproksimasi dari gK(x) diatas dimisalkan dengan β∧ ∧
=
= ∑0
( ) ( )K
kK k i
kg x S t yang
diselesaikan menggunakan regresi least-square. Dalam skripsi ini dipilih
K = 2, sehingga
β β β∧ ∧ ∧ ∧
= + + 22 0 1 2( ) ( ) ( )i ig x S t S t . (3.3)
Oleh karena ∧
2( )g x digunakan untuk mengaproksimasi fungsi ekspektasi
payoff opsi mendatang yang bersyarat harga saham saat ti ,Sj(ti), dan short
rate saat ti, rj(ti), jadi ada dua variabel independen yang akan digunakan
untuk menaksir besar ekspektasi payoff mendatang ⎡ ⎤⎣ ⎦| ( ), ( )j i j iE P S t r t , maka
merujuk pada sifat regresi polinomial dengan dua variabel yang ditunjukkan
persamaan (2.31), maka persamaan (3.3) menjadi
β β β β β β∧ ∧ ∧ ∧ ∧ ∧ ∧
= + + + + +2 22 0 1 2 11 22 12( ) ( ) ( ) ( ) ( ) ( ) ( )i i i i i ig x S t r t S t r t S t r t . (3.4)
Untuk mendapatkan persamaan (3.4) dengan regresi least-square,
digunakan data cross-section pada observasi-observasi yang dihasilkan oleh
simulasi lintasan yang in the money yaitu ( ){ }( ), ( ), ( )i i ig x S x r x . Data tersebut
digunakan untuk menaksir parameter 0 1 2 11 22 12, , , , ,β β β β β β dengan
menyelesaikan
{ }( )( )
ββ β β β β β
= =
+ + + + + −∑0
22 20 1 2 11 22 12
1min ( ) ( ) ( ) ( ) ( ) ( )
Kk k
Mi
i i i i i ii
S t r t S t r t S t r t g x . (3.5)
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
55
Cara penaksiran parameter tersebut akan dijelaskan dibawah. ( )ig x pada
persamaan (3.5) merupakan besar payoff yang diperoleh jika opsi tidak
dieksekusi pada waktu ti, yaitu payoff pada suatu waktu yang dimisalkan tn
dimana i < n ≤ N , yang nilainya didiskonto ke waktu ti. Sehingga ( )ig x dapat
dinyatakan sebagai
, ,1
( )i n
N
j i j n t tn i
y t f B= +
= ∑ (3.6)
dengan ,i nt tB adalah faktor untuk mendiskontokan nilai payoff pada tn ke
waktu ti dan ,j nf adalah payoff yang diterima pada waktu tn dan lintasan ke-j
dimana j = 1, 2, .., M. Untuk lebih jelasnya perhatikan gambar berikut.
t1 … ti … tn1 tn2 tn3 … tN
linta
san
1 g(xi) = y1(ti) f1,n1 2 g(xi) = y2(ti) f1,n3 : : j g(xi) = yj(ti) fj,n2 :
M
Gambar 3.3. Diskonto payoff masa datang jika opsi tidak dieksekusi
Pada Gambar 3.3, ti < tn1 ≤ tn2 ≤ tn3 ≤ tN.
Untuk menaksir parameter 0 1 2 11 22 12, , , , ,β β β β β β yang telah disebutkan
diatas, digunakan cara yang telah dijelaskan pada subbab 2.6. Kita ingat
pada subbab 2.6 dijelaskan bahwa bentuk persamaan (3.4) dapat ditulis
sebagai
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
56
y X β∧ ∧
= .
Variabel X yang dimaksud adalah matriks X berikut
2 21 1 1 1 1 1
2 22 2 2 2 2 2
2 23 3 3 33 3
2 2
1 ( ) ( ) ( ) ( ) ( ) ( )1 ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )1 ( ) ( ): : : : : :1 ( ) ( ) ( ) ( ) ( ) ( )
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
i i i i i i
i i i i i i
i i i ii i
n i n i n i n i n i n i
S t r t S t r t S t r tS t r t S t r t S t r tS t r t S t r tS t r t
S t r t S t r t S t r t
,
dengan
( ) 1( ) ( )' ( ) ( )' ( )β∧ −
=i i i i it X t X t X t y t . (3.7)
yang kemudian digunakan pada persamaan (3.4) untuk mendapatkan
estimasi fungsi ekspektasi payoff opsi 2( )g x sebenarnya yaitu
⎡ ⎤= ⎣ ⎦2( ) ( ) | ( ), ( )j i j i j ig x E y t S t r t .
Kembali kepada permasalahan bagaimana membandingkan dua nilai
berikut, yaitu nilai payoff saat ti (payoff segera ( ( ))j iF S t ) dan nilai ekspektasi
payoff dimasa mendatang yang bersyarat harga saham dan short rate saat ti
yang dinyatakan dengan ⎡ ⎤⎣ ⎦| ( ), ( ) .j i j iE P S t r t
Nilai estimasi dari regresi, yaitu ( ) ( ) ( )∧ ∧
= βi i iy t X t t kemudian digunakan
untuk menentukan apakah saat ti memang waktu yang optimal untuk
mengeksekusi opsi. Waktu optimal tersebut ditentukan dengan cara
membandingkan∧
( )iy t yang merupakan ekspektasi payoff mendatang jika
opsi tidak dieksekusi, dengan nilai payoff segera ( ( ))j iF S t . Jika
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
57
∧
( )iy t < ( ( ))j iF S t , maka ,j if diberikan nilai ( ( ))j iF S t dan semua nilai ,j nf pada
matriks payoff P dengan i < n ≤ N, diberi nilai nol. Hal ini karena opsi hanya
bisa dieksekusi paling banyak satu kali sepanjang lintasan atau selama opsi
tersebut berlaku. Pada kasus yang lain yaitu ∧
( )iy t ≥ ( ( ))j iF S t , maka ,j if diberi
nilai nol.
Pemberian nilai ,j if secara matematis dapat dinyatakan sebagai berikut.
( ) ( )( )
~j,
,
j
( ) dan 0, jika ( ) ( ) ,
0 jika ( ) ( )
j i j n j i i
j i
j i i
F S t f i n N F S t y tf j M
F S t y t
∧
∧
⎧ = < ≤ >⎪= ∈⎨⎪ ≤⎩
Setelah kita dapatkan matriks payoff opsi P langkah selanjutnya
adalah menghitung nilai opsi menggunakan matriks tersebut.
3.4 Menghitung nilai opsi
Setelah didapat matriks payoff opsi, selanjutnya estimasi nilai opsi P∧
pada waktu t0 didapat dengan mendiskonto seluruh payoff di tiap-tiap
lintasan ke waktu t0 dan merata-ratakannya dengan pembagi M yaitu
banyaknya lintasan
, 0,1 1
1 .i
M N
j i tj i
P f BM
∧
= =
= ∑∑
Tiga langkah sekuensial yang telah dijelaskan diatas selanjutnya akan
digunakan dalam implementasi penentuan nilai opsi put Amerika yang akan
dibahas pada bab IV. Namun sebelumnya, skema metode LSM dan
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
58
penerapan sederhana dari metode LSM ini akan dijelaskan pada subbab-
subbab selanjutnya.
3.5 Skema Metode LSM
Berikut adalah skema metode LSM yang telah dijelaskan
Gambar 3.4. Skema LSM
3.6 Contoh Penerapan
Pada subbab ini akan diberikan contoh penerapan metode LSM yang
telah dijelaskan. Misalkan terdapat sebuah opsi put Amerika dengan aset
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
59
induk berupa saham. Diketahui harga saat ini dari saham tersebut yaitu S0 =
$100. Saham ini memiliki volatilitas sebesar 25% dan tingkat hasil dividen
sebesar 1,5%. Opsi tersebut dapat dieksekusi pada harga $110 pada saat
t1, t2, dan t3, dimana saat t3 adalah masa berakhirnya hak opsi. Sehingga
panjang intervalnya adalah 1/3.
Diketahui pula bahwa tingkat suku bunga bebas risiko saat ini adalah
sebesar 3% ,memiliki volatilitas sebesar 3% dan kecepatan mean reversion
sebesar 2 dan reversion level 5%. Simulasi akan dilakukan sebanyak 8 kali.
Dan koefisien korelasi antara proses Wiener harga saham dW dan short rate
dZ dipilih sebesar ρ = -0,5, dengan kata lain dWdZ = -0.5dt.
Berikut ini langkah demi langkah bagaimana metode LSM menentukan
harga opsi dari data parameter yang diketahui.
Langkah 1 : Simulasi harga saham
Seperti telah dijelaskan sebelumnya, simulasi harga saham akan
menggunakan persamaan (3.1) dan short rate dengan persamaan (2.15).
Dalam hal ini, program yang digunakan adalah Matlab. Dari simulasi tersebut
kita dapatkan matriks S berikut
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
60
t1 t2 t3 lintasan 1 102.8710 105.2778 111.8302 lintasan 2 82.0596 89.9346 93.5451
. 94.4672 94.2806 110.6428
. 99.6356 103.1994 93.5245
. 91.3212 112.8858 109.7733
. 125.0385 112.7022 108.6328
. 91.5853 72.7356 88.1050 lintasan 8 75.0553 91.5331 96.6620
Gambar 3.5. Contoh matriks harga saham
yang terkait dengan matriks r berikut
t1 t2 t3
0.0230 0.0364 0.0453
0.0783 0.0516 0.0665
0.0236 0.0415 0.0093
0.0375 0.0436 0.0395
0.0256 0.0159 0.0341
0.0379 0.0453 0.0515
0.0613 0.0804 0.0445
0.0138 0.0241 0.0552
Gambar 3.6. Contoh matriks short rate
Nilai 0.0230 (2,3%) pada baris dan kolom pertama matriks diatas didapat dari
perhitungan berikut
( )2.2.(1/ 3)
2(1/ 3) 2(1/ 3)1 2
1( ) (3%). (5%) 1 (3%) .2.2i
er t e e ε−
− −+
−= + − + .
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
61
Nilai ε2 yang terambil pada perhitungan tersebut adalah -0.6502.
Selanjutnya nilai 0.0230, digunakan untuk mendapatkan nilai 102.8710
pada baris dan kolom pertama matriks harga saham. Yaitu
2
1 1(0.25)( ) 100.exp 0.0230 0.015 (1/ 3) 0.25 1/ 3 .
2iS t ε+
⎡ ⎤⎛ ⎞= − − +⎢ ⎥⎜ ⎟
⎝ ⎠⎣ ⎦
Nilai ε1 yang terambil pada perhitungan tersebut adalah 0.1442.
Langkah 2 : Menghitung matriks payoff
Dari matriks S yang diperoleh, kemudian dihitung matriks payoff yang
didapat apabila opsi dieksekusi segera dimasing-masing waktu yang ada
dengan menggunakan formula ( ( ))j iF S t = ( )j iE S t− dengan E = $110 adalah
harga eksekusi.
t1 t2 t3
7.1290 4.7222 0
27.9404 20.0654 16.4549
15.5328 15.7194 0
10.3644 6.8006 16.4755
18.6788 0 0.2267
0 0 1.3672
18.4147 37.2644 21.8950
34.9447 18.4669 13.3380
Gambar 3.7. Matriks payoff jika opsi dieksekusi segera
Sebagai contoh, nilai 7.1290 pada tabel diatas didapat dari $110 - $102.8710.
Nilai 0 yang muncul pada Gambar 3.7 dikarenakan harga saham lebih besar
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
62
dibandingkan harga eksekusi (S E). Contohnya nilai 0 pada kolom
pertama, $125.0385 > $110. Sehingga pemegang opsi dapat menjual
sahamnya dipasar dan payoff opsi yang diterimanya sebesar 0.
Tujuan yang ingin dicapai pada langkah 2 ini adalah untuk
menemukan waktu yang optimal yang memaksimumkan payoff opsi yang kita
dapatkan di tiap masing-masing lintasan. Untuk tujuan tersebut, metode LSM
bekerja dari belakang (backward), maka perhatikan pada saat t2 dan t3. Jika
opsi put dalam kondisi in the money pada saat t2, pemegang opsi harus
memutuskan apakah mengeksekusi pada saat tersebut atau menunggu
hingga t3.
Perlu diingat bahwa pada langkah ini hanya akan digunakan lintasan
yang in the money karena membuat fungsi ekspektasi bersyarat dapat
diestimasi lebih baik pada waktu-waktu dimana keputusan eksekusi adalah
relevan, dan hal ini juga meningkatkan efisiensi algoritma LSM.
Dari Gambar 3.7 yang merujuk pada matriks harga saham pada
Gambar 3.5 dapat kita simpulkan bahwa terdapat 6 lintasan yang berada
dalam kondisi in the money pada t2. Misalkan S2 menyatakan harga saham
pada t2 dan r2 menyatakan short rate pada t2, kemudian Y2 menyatakan
payoff yang didapat pada t3 yang didiskonto ke t2 apabila opsi tidak
dieksekusi pada t2. Proses diskonto dilakukan menggunakan persamaan
(3.6) berikut
, ,1
( )i n
N
j i j n t tn i
y t f B= +
= ∑ .
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
63
,i nt tB merupakan faktor diskonto antara waktu tn dan ti yaitu ( )n ir t te− − dan fj,n
merupakan payoff yang diterima pada masa datang. Proses ini dilakukan
karena nilai dimasa datang dapat dibandingkan dengan nilai saat ini jika
dipandang pada waktu yang sama. S2 , r2 dan Y2 diberikan oleh tabel berikut
ini.
Tabel 3.1. Data regresi untuk mengaproksimasi fungsi ekspektasi bersyarat
saat t2.
S2 r2 Y2
105.2778 0.0364 0 * exp(-0.0453*(1/3)) = 0
89.9346 0.0516 16.4549 * exp(-0.0665*(1/3)) = 16.0942
94.2806 0.0415 0 * exp(-0.0093*(1/3)) = 0
103.1994 0.0436 16.4755 * exp(-0.0395*(1/3)) = 16.2600
- - -
- - -
72.7356 0.0804 21.8950 * exp(-0.0445*(1/3)) = 21.5726
91.5331 0.0241 13.3380 * exp(-0.0552*(1/3)) = 13.0948
Untuk mengestimasi besar ekspektasi payoff | ( ), ( )j i j iE P S t r t⎡ ⎤⎣ ⎦ dimasa
datang yang bersyarat atas harga saham dan short rate pada t2, kita
regresikan data pada tabel 3.1 dengan Y2 sebagai variabel tak bebas dan S2,
r2, S22, r2
2, dan S2r2 sebagai regressor. Matriks X sesuai dengan persamaan
(3.4) pada data regresi tabel adalah
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
64
X
2 2
2 2
2 2
1 *
1 105.2778 0.0364 (105.2778) (0.0364) (105.2778)(0.0364)1 89.9346 0.0516 (89.9346) (0.0516) (89.9346)(0
S r S r S r
=2 2
2 2
2 2
2 2
.0516)1 94.2806 0.0415 (94.2806) (0.0415) (94.2806)(0.0415)1 103.1994 0.0436 (103.1994) (0.0436) (103.1994)(0.0436)1 72.7356 0.0804 (72.7356) (0.0804) (72.7356)(0.0804)1 91.5331 0.0241 (91.5331) (0.0241) (91.5331)(0.0241)
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
Dari matriks X diatas kemudian dapat dihitung koefisien fungsi ekspektasi
bersyarat persamaan (3.4) berikut
β β β β β β∧ ∧ ∧ ∧ ∧ ∧ ∧
= + + + + +2 22 0 1 2 11 22 12( ) ( ) ( ) ( ) ( ) ( ) ( )i i i i i ig x S t r t S t r t S t r t
dengan menggunakan persamaan (3.7)
( ) 1( ) ( )' ( ) ( )' ( )
8086-152
-32195
1-61411
400
i i i i it X t X t X t y tβ∧ −
=
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥
= ⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
Hasilnya, kita mendapatkan aproksimasi fungsi ekspektasi bersyarat berikut
2 22 2 2 2 2 28086 - 152 - 32195 - 61411 400y S r S r S r
∧
= + + (3.8)
Persamaan (3.8) merupakan aproksimasi fungsi ekspektasi bersyarat untuk
keseluruhan kemungkinan lintasan pada t2 menuju t3 dengan menggunakan
sampel data tabel 3.1 yang hanya sebanyak 6 lintasan. Oleh karena itu,
semakin banyak sampel lintasan yang diambil akan semakin akurat hasil
yang diperoleh.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
65
Selanjutnya akan dibandingkan payoff yang didapat jika mengeksekusi
pada t2 (immediate exercise), yang ditunjukkan pada kolom kedua tabel 3.2,
dengan nilai ekspektasi payoff (continuation) yang diberikan pada kolom
ketiga tabel 3.2. Nilai eksekusi yang dilakukan saat t2 adalah payoff yang
didapat, yaitu 110 – S2 untuk tiap lintasan yang in the money. Sementara itu
nilai masa datang atau kelanjutan didapat dengan mensubstitusi S2 dan r2
pada persamaan (3.8).
Tabel 3.2. Perbandingan nilai immediate exercise dan continuation saat t2.
Lintasan immediate continuation keputusan
1 4.7222 0 eksekusi di t2
2 20.0654 16.0943 eksekusi di t2
3 15.7194 0 eksekusi di t2
4 6.8006 16.2601 lanjutkan hak
5 - - -
6 - - -
7 37.2644 21.5730 eksekusi di t2
8 18.4669 13.0950 eksekusi di t2
Pada lintasan pertama, nilai 4.7222 pada kolom kedua adalah hasil dari
$110-$105.2778, sedangkan nilai 0 pada kolom ketiga adalah hasil substitusi
S2 = 105.2778 dan r2 = 0.0364 kedalam persamaan (3.8). Pada lintasan
pertama, nilai ekspektasi masa datang sebesar 0, lebih kecil dibandingkan
nilai 4.7222 yang didapat apabila opsi dieksekusi pada saat t2, sehingga
mengeksekusi opsi pada t2 dilintasan pertama adalah keputusan optimal.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
66
Pada lintasan keempat, nilai ekspektasi sebesar 16.2601 lebih besar
ketimbang 6.8006 yang didapat apabila opsi dieksekusi di t2, maka keputusan
menunda eksekusi dan mengharapkan payoff masa datang adalah lebih
optimal.
Dari tabel 3.2,terlihat bahwa keputusan tidak optimal pada saat t2
hanya terjadi pada lintasan ke-4 saja. Hal ini membuat kita mendapatkan
matriks pada Gambar 3.8. Pada matriks tersebut, opsi yang dieksekusi pada
saat t2, payoff pada t3 harus bernilai 0, karena opsi hanya dapat dieksekusi
satu kali sepanjang masa opsi berlaku.
t1 t2 t3
- 4.7222 0
- 20.0654 0
- 15.7194 0
- 0 16.2601
- 0 0.2267
- 0 1.3672
- 37.2644 0
- 18.4669 0
Gambar 3.8. Matriks payoff hasil perbandingan t2 dan t3.
Langkah selanjutnya, kita lakukan kembali proses metode LSM
langkah kedua yang sama diatas pada waktu t1, untuk menentukan apakah
opsi harus dieksekusi pada waktu t1.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
67
Dari Gambar 3.7 yang merujuk pada matriks harga saham pada
Gambar 3.5 dapat kita simpulkan bahwa terdapat 7 lintasan yang berada
dalam kondisi in the money pada t1. Misalkan S1 menyatakan harga saham
pada t1 dan r1 menyatakan short rate pada t1, kemudian Y1 menyatakan
payoff yang didapat pada masa datang yang didiskonto ke t1 apabila opsi
tidak dieksekusi pada t1. S1 , r1 , dan Y1 diberikan oleh tabel dibawah ini.
Tabel 3.3. Data regresi untuk mengaproksimasi fungsi ekspektasi bersyarat
saat t1.
S1 r1 Y1
102.8710 0.0364 4.7222 * exp(-0.0364*(1/3)) = 4.6653
82.0596 0.0516 20.0654 * exp(-0.0516*(1/3)) = 19.7232
94.4672 0.0415 15.7194 * exp(-0.0415*(1/3)) = 15.5034
99.6356 0.0436 16.2601*exp(-0.0436*(1/3)-0.0395*(1/3)) = 15.8159
91.3212 0.0159 0.2267* exp(-0.0159*(1/3)-0.0093*(1/3)) = 0.2248
- - -
91.5853 0.0804 37.2644 * exp(-0.0804*(1/3)) = 36.2790
75.0553 0.0241 18.4669 * exp(-0.0241*(1/3)) = 18.3191
Dari data pada tabel 3.3, dengan menggunakan persamaan (3.7) didapat
koefisien estimasi fungsi fungsi ekspektasi bersyarat seperti berikut.
( ) 1( ) ( ) ' ( ) ( ) ' ( )
-54317
-21277
080052
167
β∧ −
=
⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥
= ⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦
i i i i it X t X t X t y t
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
68
Hasilnya, kita mendapatkan aproksimasi fungsi ekspektasi bersyarat berikut
22 2 2 2 2543 +17 - 21277 80052 167y S r r S r
∧
= − + + (3.9)
Selanjutnya akan dibandingkan payoff yang didapat jika mengeksekusi
pada t1 (immediate exercise), yang ditunjukkan pada kolom kedua tabel 3.4,
dengan nilai ekspektasi payoff (continuation) yang diberikan pada kolom
ketiga tabel 3.4.
Tabel 3.4. Perbandingan nilai immediate exercise dan continuation saat t1.
Lintasan immediate continuation keputusan
1 7.1290 7.1469 lanjutkan hak
2 27.9404 19.0503 eksekusi di t1
3 15.5328 10.8694 eksekusi di t1
4 10.3644 13.2353 lanjutkan hak
5 18.6788 4.1638 eksekusi di t1
6 - - -
7 18.4147 38.0693 lanjutkan hak
8 34.9447 18.1819 eksekusi di t1
Dari tabel 3.4, terlihat bahwa, keputusan optimal terjadi pada lintasan ke 2, 3,
5, dan 8. Hal ini membuat kita mendapatkan matriks payoff berikut.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
69
t1 t2 t3
lintasan 1 0 4.7222 0
lintasan 2 27.9404 0 0
. 15.5328 0 0
. 0 0 16.2601
. 18.6788 0 0
. 0 0 1.3672
. 0 37.2644 0
lintasan 8 34.9447 0 0
Gambar 3.9. Matriks payoff.
Pada Gambar 3.9, dilintasan pertama keputusan optimal untuk
mengeksekusi opsi terjadi pada t2. Sedangkan untuk lintasan kedua terjadi
pada t1. Untuk lintasan keempat dan keenam, keputusan optimal terjadi pada
saat terakhir opsi berlaku yaitu t3.
Langkah 3 : Menentukan nilai opsi
Dari matriks payoff Gambar 3.9 tersebut, kemudian nilai opsi dapat
diperoleh dengan mendiskonto semua payoff ke saat t0 dan merata-
ratakannya dengan banyaknya lintasan seperti pada tabel 3.5 berikut.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008
70
Tabel 3.5. Perhitungan diskonto ditiap-tiap lintasan.
lintasan Nilai diskonto 1 4.7222*exp(-0.0364*(1/3)+(-0.0230*(1/3))) = 4.6296 2 27.9404*exp(-0.0783*(1/3)) = 27.2206 3 15.5328*exp(-0.0236*(1/3)) = 15.4111 4 16.2601*exp(-0.0395*(1/3)+(-0.0436*(1/3))+(-0.0375*(1/3))) = 15.61945 18.6788 *exp(-0.0256*(1/3)) = 18.5201 6 1.3672*exp(-0.0515*(1/3)+(-0.0453*(1/3))+(-0.0379*(1/3))) = 1.3072 7 37.2644*exp(-0.0804*(1/3)+(-0.0613*(1/3))) = 35.5452 8 34.9447*exp(-0.0138*(1/3)) = 34.7843
Pada lintasan pertama, opsi dieksekusi pada t2, sehingga nilai 4.7222 dari
matriks payoff (Gambar 3.9) didiskonto ke t0 (saat ini). Diketahui dari matriks
short rate (Gambar 3.6), nilai short rate lintasan pertama pada t2 adalah
0.0364 (3,64%) dan t1 adalah 0.0230 (2.3%). Nilai saat ini dari 4.7222 adalah
0.0364.(1/ 3) ( 0.0230.(1/ 3))4.7222. 4.6296e− + − = .
Maka estimasi nilai opsi yang diperoleh adalah
4.6296+27.2206+15.4111+15.6194+18.5201+1.3072+35.5452+34.78438
153.03758
19.1297
=
=
=
Dari hasil perhitungan, didapat bahwa estimasi nilai opsi sebesar $19.1297.
Artinya, harga wajar menurut hasil perhitungan metode LSM dari sebuah opsi
dengan data parameter yang telah diberikan adalah sebesar $19.1297.
Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008