4.1
Implementasi
Pada bab IV ini, akan dibahas implementasi metode Least-Square
Monte Carlo (LSM) untuk menentukan nilai opsi put Amerika dengan
menggunakan software Matlab 7. Listing program dari metode tersebut dapat
dilihat pada lampiran 1. Implementasi dilakukan pada tanggal 11 Juni 2008
menggunakan data observasi berikut :
1. Data historis harga saham (S) Microsoft Corporation (MSFT)
periode 1 Januari 2005 31 Desember 2007. Data ini diambil dari
alamat situs http://finance.yahoo.com/q?s=MSFT. Dari data ini
kemudian dihitung volatilitas harga saham menggunakan
bantuan software MS Excel dan diperoleh = 34,02%.
2. Data historis tingkat diskonto (r) pasar sekunder Treasury Bills
(T-Bills) 3 bulan di negara Amerika Serikat periode 1 Januari 2005
31 Desember 2007. Data ini diambil dari alamat situs
http://www.federalreserve.gov/datadownload/. Agar data ini
memenuhi asumsi kenormalan dan dapat digunakan dalam
perhitungan, maka perlu dilakukan uji kenormalan terhadap
residual dari regresi antara r(t) sebagai variabel independen dan
r(t+1) sebagai variabel dependen. Untuk tujuan tersebut, digunakan
43
72
n
n
n
n Si ri Si ri
i =1
i =1 i =1
n Si 2 Si
i =1
i =1
n
n ri 2 ri
i =1 i =1
n
73
4. Harga opsi put MSFT saat ini (11 Juni 2008), harga eksekusi opsi (E) dan
waktu jatuh tempo opsi tersebut (T), yang diambil dari alamat situs
http://finance.yahoo.com/q/op?s=MSFT. Data yang diperoleh bisa dilihat
pada hasil implementasi.
5. Tingkat suku bunga bebas resiko (r0) yang berlaku saat ini (11 Juni 2008)
yang merujuk pada suku bunga The Fed (Bank Sentral Amerika) yaitu
sebesar 2%.
Output dari program ini adalah nilai estimasi opsi put Amerika berdasarkan
metode LSM. Dari output tersebut akan dibandingkan dengan nilai yang
didapat dari pasar (nilai jual-beli opsi di pasar) untuk waktu jatuh tempo dan
nilai eksekusi yang berbeda, kemudian akan dihitung keakuratan dari metode
LSM. Pasar yang dimaksud adalah pasar dimana opsi put MSFT
diperdagangkan. Semua ini akan dibahas pada subbab berikut.
4.2
74
1 = 1 2 3 + 2 ,
75
2. Harga pasar, yaitu harga jual opsi dipasar apabila pemegang saham
MSFT ingin mendapatkan hak menjual sahamnya sesuai dengan
harga eksekusi yang tertera pada opsi.
3. Estimasi LSM, yaitu hasil aproksimasi harga opsi menggunakan
program metode LSM yang dijalankan pada Matlab 7 terhadap harga
opsi yang berlaku di pasar. Program ini dijalankan menggunakan input
data yang telah dijelaskan.
4. Bias relatif, yaitu error relatif yang dihitung menggunakan rumus
berikut
Bias relatif =
x100% .
Angka pada kolom yang dicetak tebal dan digaris bawahi menyatakan bahwa
opsi put dalam kondisi in the money merujuk harga saham saat ini sebesar
$27.89.
Berikut adalah tabel-tabel hasil perhitungan yang telah dilakukan.
76
Tabel 4.1. Hasil estimasi nilai opsi dengan jatuh tempo Jumat, 20 Juni 2008,
dengan N = 8 hari, dan M = 10000 kali simulasi
Harga eksekusi ($)
24.00
25.00
26.00
27.00
Bias relatif
100%
81%
35%
17%
28.00
29.00
30.00
31.00
32.00
33.00
34.00
35.00
0.53
1.22
1.86
2.96
4.05
5.1
5.9
6.8
0.6229
1.2964
2.1711
3.1382
4.1324
5.1368
6.1348
7.1308
18%
6%
17%
6%
2%
1%
4%
5%
77
Bias relatif
100%
85%
35%
10%
10%
4%
16%
6%
2%
0%
4%
5%
Dari tabel 4.2 terlihat bahwa perubahan jumlah simulasi dari 10000
menjadi 1000 tidak mempengaruhi akurasi hasil estimasi secara signifikan.
Implementasi juga telah dilakukan baik untuk N = 28 hari, 93 hari, dan 150
hari menggunakan jumlah simulasi yang besar misalnya 5000, 2500 dan
1000. Hasilnya menunjukkan bahwa perubahan simulasi dari angka yang
cukup besar, misalnya 10000 menjadi 1000 simulasi, menunjukkan hal yang
sama yaitu perubahan jumlah simulasi tersebut tidak mempengaruhi akurasi
secara signifikan. Hasil implementasi dengan jumlah simulasi yang berbeda
tersebut dapat dilihat pada lampiran 4.
78
Bias relatif
100%
100%
18%
36%
45%
18%
29%
15%
9%
6%
8%
8%
79
Tabel 4.4. Hasil estimasi nilai opsi dengan jatuh tempo Jumat, 20 Juni
2008, dengan N = 8 hari, dan M = 25 kali simulasi
Harga eksekusi ($)
24.00
25.00
26.00
27.00
28.00
29.00
30.00
31.00
32.00
33.00
34.00
35.00
Bias relatif
100%
100%
49%
140%
83%
51%
49%
27%
18%
13%
15%
14%
Dari tabel 4.2 tabel 4.4, terlihat bahwa jumlah simulasi yang makin
sedikit, bias relatif semakin besar. Hal ini disebabkan tidak terwakilinya
seluruh kemungkinan lintasan harga saham yang terjadi. Hal ini juga
menjawab tujuan implementasi ke-2.
Berikut ini akan dibahas hasil implementasi untuk menjawab tujuan
implementasi ke-3 dan ke-4.
80
Tabel 4.5. Perbandingan hasil estimasi LSM pada opsi dengan harga
eksekusi dan waktu jatuh tempo yang berbeda dengan M = 1000
kali simulasi
18-Jul-08
20-Jun-08
$25
Harga eksekusi
$30
$35
Harga pasar
0.04
1.86
6.8
Estimasi LSM
0.006
2.1561
7.1326
Bias relatif
85%
16%
5%
Harga pasar
0.3
2.2
7.75
Estimasi LSM
0.1609
2.4817
7.2611
Bias relatif
46%
13%
6%
Harga pasar
0.87
3.05
7.5
Estimasi LSM
0.7335
3.2529
7.4155
Bias relatif
16%
7%
1%
Harga pasar
1.36
3.45
7.65
Estimasi LSM
1.1750
3.8223
7.8229
Bias relatif
14%
11%
2%
Harga pasar
2.82
5.1
8.55
Estimasi LSM
2.4029
5.0663
8.4630
Bias relatif
15%
1%
1%
Dari tabel 4.5, terlihat bahwa makin besar harga eksekusi, bias relatif
yang didapat cenderung mengecil. Hal ini menjawab tujuan implementasi
yang ke-3. Pada opsi dengan harga eksekusinya berada pada kondisi out of
the money yaitu $25, bias relatif yang diperoleh cenderung besar, berbeda
dengan bias relatif pada harga eksekusi $30 dan $35 yang berada pada
kondisi in the money. Hal ini mungkin terjadi karena kebanyakan investor
81
mengharapkan harga yang tinggi pada saham yang ia pegang ketika harga
saham dipasar turun. Sehingga banyak investor bertransaksi pada harga
eksekusi yang in the money atau cukup jauh dari harga saham saat ini.
Banyaknya investor yang bertransaksi pada opsi tersebut menyebabkan
terciptanya harga yang wajar, dan bukan permainan dari beberapa investor.
Dari tabel 4.5, juga terlihat bahwa harga eksekusi yang sama, untuk
tiap-tiap waktu jatuh tempo yang berbeda, makin lama waktu jatuh tempo,
bias relatif cenderung mengecil. Hal ini menjawab tujuan implementasi yang
ke-4. Hasil yang terjadi cukup dimungkinkan, mengingat makin lama waktu
jatuh tempo, prediksi dengan mengandalkan seluruh informasi yang dapat
mempengaruhi harga saham akan cukup sulit, sehingga prediksi
menggunakan numerik menjadi pilihan utama. Sedangkan untuk periode
waktu yang lebih pendek, informasi atau faktor-faktor yang mempengaruhi
harga saham yang tidak bisa diwakili oleh metode numerik, akan mudah
mencerminkan harga saham yang tebentuk di pasar. Sehingga metode LSM
bukan menjadi pilihan utama untuk menentukan harga dalam jangka waktu
yang pendek.
Estimasi menggunakan sampel yang cukup (1000 lintasan) yang
telah dilakukan ada sebanyak 111 kali estimasi, didalamnya termasuk harga
eksekusi yang sama namun dengan jumlah simulasi berbeda. Dari 111
estimasi tersebut, 63 (56,75%) diantaranya adalah estimasi untuk opsi put
yang in the money. Dari keseluruhan estimasi terhadap opsi put yang in the
82
money, seluruhnya memiliki bias relatif < 25%, dan 85,71% diantaranya
memiliki bias relatif 10% yang artinya jika harga opsi sekitar $1, maka
estimasi hanya terpaut maksimal sekitar $0.1 yang relatif cukup kecil.
Dari seluruh hasil estimasi yang dilakukan, kemudian diambil
kesimpulan sebagai berikut.
1. Dari keseluruhan estimasi terhadap opsi put yang in the money,
hasil estimasi yang didapat relatif cukup baik.
2. Jumlah simulasi yang dilakukan hendaknya tidak terlalu besar
sehingga membutuhkan computational cost yang tinggi, dan juga
tidak terlalu sedikit sehingga tidak mewakili semua kemungkinan
lintasan harga saham.
3. Semakin besar harga eksekusi, bias relatif akan cenderung
mengecil.
4. Dengan harga eksekusi yang sama, untuk tiap-tiap waktu jatuh
tempo yang berbeda, makin lama waktu jatuh tempo, bias relatif
cenderung mengecil.