BAB IV

IMPLEMENTASI METODE LEAST-SQUARE MONTE CARLO

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

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

43

72

analisis regresi dan uji kenormalan terhadap residual yang

keduanya dapat dilakukan menggunakan software SPSS 16.
Hasilnya menunjukkan bahwa data yang diambil berdistribusi
normal. Hasil tersebut dapat dilihat pada lampiran 3.
Dari data r ini, diperoleh kecepatan mean reversion
sebesar 2.0314, reversion level 4,32%, dan volatilitas short rate
sebesar 1,28%, yang dihitung menggunakan software Matlab 7.
Dari data historis harga saham dan data tingkat diskonto,
kemudian dihitung koefisien korelasi antara keduanya
menggunakan formula berikut

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

Dimana n adalah banyaknya data pengamatan. Sehingga dengan

menggunakan bantuan software MS Excel diperoleh koefisien
korelasi sebesar 0,092. Koefisien ini menyatakan relasi antara
proses Wiener pada harga saham dZ dan short rate dW, yaitu dZdW
= 0.092dt.
3. Harga saham (S0), dan dividen yield (D) MSFT saat ini yaitu 11 Juni
2008, diambil dari alamat situs http://finance.yahoo.com/q?s=MSFT.
Diperoleh harga saham saat ini S0 sebesar $ 27.89, dan dividend yield D
sebesar 1,6%.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

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

Proses dan Hasil Implementasi

Implementasi berikut menggunakan input yang telah dijelaskan pada

subbab 4.1. Banyaknya simulasi M yang dilakukan dan jumlah waktu

eksekusi N sesuai dengan jatuh tempo masing-masing opsi. Pada
implementasi, diasumsikan bahwa setiap hari hanya diberikan kesempatan
satu kali eksekusi, sehingga banyaknya N adalah jumlah hari yang tersedia
dari saat ini (11 Juni 2008) hingga jatuh tempo. Misalkan suatu opsi jatuh
tempo pada 20 Juni 2008, maka jumlah hari yang tersedia adalah 8 hari
dihitung dari sekarang, dengan hari libur tidak dimasukkan.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

74

Pada program yang dijalankan, bilangan random berdistribusi normal

standar dibangkitkan dengan menggunakan (state,100) dan (state,1000)
pada Matlab 7. (state,100) adalah pembangkit bilangan random 2 untuk
simulasi short rate, dan (state,1000) adalah pembangkit 3 , sehingga 1
sebagai bilangan random yang digunakan dalam simulasi harga saham
seperti pada persamaan (2.20) memenuhi persamaan

1 = 1 2 3 + 2 ,

dengan sebesar 0,092, sesuai dengan hasil perhitungan koefisien korelasi

yang dijelaskan pada subbab 4.1.
Tujuan implementasi yang dilakukan yaitu :
1. Membandingkan nilai opsi di pasar dengan nilai estimasi LSM.
2. Melihat pengaruh banyaknya simulasi terhadap akurasi hasil estimasi.
3. Melihat pengaruh harga eksekusi terhadap akurasi hasil estimasi.
4. Melihat pengaruh lamanya waktu jatuh tempo terhadap akurasi hasil
estimasi.
Dari tujuan implementasi tersebut, akan disajikan hasil implementasi dalam
bentuk tabel dengan keterangan kolom-kolom yang terdapat pada tabel
sebagai berikut :
1. Harga eksekusi, yaitu harga jual atas saham MSFT apabila seorang
holder mengeksekusi opsi. Karena opsi put, maka seorang holder

haruslah pemegang saham MSFT.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

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 =

Harga pasar - Harga estimasi LSM

Harga pasar

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.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

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

Harga pasar ($)

0.02
0.04
0.08
0.19

Estimasi LSM ($)

0
0.0075
0.0518
0.2228

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%

Hasil estimasi LSM yang ditunjukkan tabel 4.1 menjawab tujuan

implementasi ke-1 dan dapat dijadikan rujukan seorang investor untuk
menentukan apakah membeli opsi put atau tidak. Misalkan jika investor ingin
memiliki opsi put dengan harga eksekusi $33, maka harga pasar sesuai
estimasi yang diperoleh LSM adalah sebesar $5.1368. Apabila harga
dibawah $5.1368, maka investor dianjurkan untuk membeli, karena lebih
murah dibandingkan harga penilaian, dengan kata lain opsi dijual undervalue.
Namun apabila harga dipasar sama atau diatas harga estimasi sebesar 10-2
yang dalam komputasi numerik masih dalam batas toleransi perhitungan,
maka hal ini dikembalikan kepada tujuan investor tersebut dan keputusan

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

77

sepenuhnya diserahkan kepada investor. Jika yang terjadi diatas $5.1368,

maka sebaiknya keinginan untuk membeli dipikirkan kembali.
Tabel 4.2. Hasil estimasi nilai opsi dengan jatuh tempo Jumat, 20 Juni 2008,
dengan N = 8 hari, dan M = 1000 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

Harga pasar ($)

0.02
0.04
0.08
0.19
0.53
1.22
1.86
2.96
4.05
5.1
5.9
6.8

Estimasi LSM ($)

0
0.0060
0.0524
0.2095
0.5829
1.2690
2.1561
3.1359
4.1428
5.1221
6.1334
7.1326

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.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

78

Pada semua hasil estimasi menggunakan 1000 simulasi, diperoleh

hasil yang cukup baik, hal ini menunjukkan sampel dengan 1000 lintasan,
sudah cukup mewakili seluruh kemungkinan yang terjadi pada lintasan harga
saham, sehingga cukup baik untuk digunakan dalam metode LSM dalam
mengestimasi nilai opsi.
Selanjutnya akan dicoba apabila simulasi dilakukan dengan angka
yang cukup kecil yaitu 50 kali dan 25 kali.
Tabel 4.3. Hasil estimasi nilai opsi dengan jatuh tempo Jumat, 20 Juni
2008, dengan N = 8 hari, dan M = 50 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

Harga pasar ($)

0.02
0.04
0.08
0.19
0.53
1.22
1.86
2.96
4.05
5.1
5.9
6.8

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

Estimasi LSM ($)

0
0
0.0653
0.2582
0.7670
1.4404
2.3991
3.3989
4.3987
5.3985
6.3983
7.3648

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

Harga pasar ($)

0.02
0.04
0.08
0.19
0.53
1.22
1.86
2.96
4.05
5.1
5.9
6.8

Estimasi LSM ($)

0
0
0.1191
0.4565
0.9703
1.8468
2.7714
3.7711
4.7708
5.7705
6.7702
7.7698

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.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

80

Tabel 4.5. Perbandingan hasil estimasi LSM pada opsi dengan harga
eksekusi dan waktu jatuh tempo yang berbeda dengan M = 1000
kali simulasi

15-Jan-10 16-Jan-09 17-Okt-08

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

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

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

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008

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.

Implementasi Metode..., Hadi Ismail, FMIPA UI, 2008