Anda di halaman 1dari 106

Catatan Kuliah

Matematika Keuangan
(preliminary draft, comments welcome)
M. Syamsuddin
Daftar Isi
Pendahuluan v
1 Model Binomial untuk Harga Saham 1
1.1 Model untuk satu periode . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Pergerakan harga saham . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Harga opsi Eropa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Model untuk dua periode . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Pergerakan harga saham . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Notasi formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Harga opsi Eropa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Model untuk n periode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 o-aljabar 13
2.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Aljabar dan o-aljabar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 o-aljabar Borel E(R) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Ukuran dan Integral Lebesque 17
3.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Ukuran Lebesque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Integral Lebesque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Ruang Probabilitas 21
4.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Ruang probabilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3 Variabel acak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.4 Integral pada ruang probabilitas . . . . . . . . . . . . . . . . . . . . . . . 25
4.5 Aproksimasi variabel acak . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.6 Kebebasan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.6.1 Kebebasan o-aljabar . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.6.2 Kebabasan variabel acak . . . . . . . . . . . . . . . . . . . . . . . . 33
5 Ekspektasi Bersyarat 35
5.1 Peluang bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Ekspektasi bersyarat terhadap kejadian . . . . . . . . . . . . . . . . . . . 36
ii
DAFTAR ISI iii
5.3 Ekspektasi bersyarat terhadap variabel acak diskret . . . . . . . . . . . . 37
5.4 Ekspektasi bersyarat terhadap variabel acak . . . . . . . . . . . . . . . . . 41
5.5 Sifat-sifat ekspektasi bersyarat . . . . . . . . . . . . . . . . . . . . . . . . 42
6 Martingales 43
7 Teorema Radon-Nikodym 45
7.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.2 Teorema Radon-Nikodym . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.3 Eksistensi ekspektsi bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . 46
8 Integral Ito 48
8.1 Symmetric random walk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8.1.1 Sifat-sifat dari symmetric random walk '
I

o
I=0
. . . . . . . . . . 49
8.2 Scaled symmetric random walk . . . . . . . . . . . . . . . . . . . . . . . . 49
8.2.1 Kovariansi dari Brownian motion . . . . . . . . . . . . . . . . . . . 51
8.3 Quadratic variation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8.4 Konstruksi Integral Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
8.5 Integral Ito untuk fungsi sederhana . . . . . . . . . . . . . . . . . . . . . . 54
8.6 Integral Ito untuk fungsi yang umum . . . . . . . . . . . . . . . . . . . . . 55
9 Rumus Ito 57
9.1 Rumus Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
9.2 Geometric Brownian motion . . . . . . . . . . . . . . . . . . . . . . . . . . 59
10 Teorema Girsanov 60
10.1 Teorema Girsanov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
10.2 Risk-Neutral measure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
11 Teorema Representasi Martingale 66
12 Rumus Black-Scholes 68
12.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
12.2 Cara pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
12.3 Cara kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
12.3.1 Brownian Motion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
12.3.2 Itos Lemma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
12.3.3 Geometric Brownion Motion . . . . . . . . . . . . . . . . . . . . . 71
12.3.4 Financial portfolio . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
12.3.5 Value of an option . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
12.3.6 Replicating Portfolio . . . . . . . . . . . . . . . . . . . . . . . . . . 72
12.3.7 Solusi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
12.4 Cara ketiga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
12.5 Cara keempat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
12.5.1 Cox-Ross-Rubinstein Model . . . . . . . . . . . . . . . . . . . . . . 86
iv DAFTAR ISI
13 Proses Gauss 92
13.1 Denisi proses Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
14 Obligasi 94
14.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
14.2 Pemodelan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
14.3 Model Hull-White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Daftar Pustaka 99
Indeks 100
Pendahuluan
Catatan Kuliah ini dirancang untuk dipergunakan oleh mahasiswa tingkat sarjana maupun
pasca sarjana serta para peneliti yang akan mempelajari matematika keuangan melalui
teori peluang dengan konsep ukuran. Karena itu pembicaraan konsep ukuran (mea-
sure) akan dipakai sebagai materi pembuka. Pembahasan akan dimulai dengan konsep
o-aljabar dan secara berturut-turut akan dilanjutkan dengan pembahasan tentang fungsi
terukur, variabel acak (random variable), integral, ekspektasi bersyarat (conditional ex-
pectation) dan martingales.
Yang paling utama sebagai titik tolak dalam pembahasan teori peluang adalah pen-
denisian integral
_
A d1 (1)
sebagai ekspektasi dari suatu variabel acak A. Untuk itu mula-mula akan dikonstruksi
integral Lebesque. Setelah itu melalui cara pekonstruksian yang serupa akan dilanjutkan
dengan pendenisian integral di ruang probabilitas.
Sekalipun materi yang akan dicakup pada Catatan ini disesuaikan dengan kebutuhan
seseorang yang akan mempelajari matematika keuangan pada tingkat lanjut, namun
Catatan ini dapat pula digunakan oleh seseorang yang akan mempelajari teori pelu-
ang melalui konsep ukuran untuk keperluan lain. Prasyarat yang diperlukan seseorang
yang akan mempelajari Catatan ini adalah penguasaan teori peluang yang setara dengan
materi di buku Hogg & Craig [5].
Contoh-contoh soal yang akan dipergunakan untuk membantu pemahaman teori
peluang akan disesuaikan dengan permasalahan sederhana yang ada di dalam matem-
atika keuangan. Pada banyak kesempatan akan disajikan contoh dari hasil eksperimen
Bernoulli yang berupa pelantunan sebuah koin untuk pemodelan dinamika pergerakan
harga saham. Model demikian akan diberi nama model Binomial untuk penentuan harga
saham dan akan dibahas pada kesempatan pertama.
v
Kuliah ke 1
Model Binomial untuk Harga
Saham
1.1 Model untuk satu periode
1.1.1 Pergerakan harga saham
Pergerakan harga suatu saham pada suatu selang waktu tertentu adalah suatu proses
stokastik yang rumit untuk dimodelkan. Karena itu pemodelan dinamika pergerakan
harga saham akan membutuhkan matematika yang rumit pula. Namun pada kesempatan
kali ini pergerakan harga saham tersebut akan dimodelkan melalui cara yang paling
sederhana sehingga matematika yang akan dipergunakan juga relatif sederhana. Untuk
keperluan itu akan diasumsikan pergerakan harga sebuah saham pada suatu periode
waktu hanya akan menempati salah satu dari dua keadaan yang mungkin, yaitu naik
atau turun.
Dimisalkan kenaikkan atau penurunan harga sebuah saham o pada setiap periode
akan ditentukan oleh hasil eksperimen acak Bernoulli yang berupa pelantunan sebuah
koin. Bila pelantunan koin tersebut menghasilkan muka (') maka harga saham akan
naik dengan faktor a dan dengan peluang
1 (') = j. (1.1)
Sedangkan bila pelantunan koin menghasilkan belakang (1) maka harga saham akan
turun dengan faktor / dan dengan peluang
1 (1) = 1 j (1.2)
= . (1.3)
Bila harga saham mula-mula dimisalkan sebesar o
0
maka sebagai hasil dari pelantunan
koin yang pertama, harga saham pada akhir periode pertama adalah
o
1
(') = ao
0
(1.4)
o
1
(1) = /o
0
.
1
2 Kuliah ke 1. Model Binomial untuk Harga Saham
Di lain pihak, pada pasar uang berlaku suku bunga deposito bank per periode sebesar
r dan diasumsikan akan berlaku hubungan berikut
/ < 1 +r < a. (1.5)
Bila persyaratan ini dipenuhi maka seseorang akan mempunyai dua pilihan untuk inves-
tasi, yaitu tabungan dalam bentuk deposito di bank atau pembelian saham. Bila kondisi
(1.5) tidak dipenuhi, misalnya
/ 1 +r, (1.6)
maka orang tidak akan pernah menabung di bank. Penjelasannya adalah sebagai berikut.
Bila (1.6) dipenuhi maka lebih baik seseorang membeli saham karena dipastikan keun-
tungan yang akan diperolehnya selalu lebih besar dari pada keuntungan dari tabungan
di bank sekalipun saham sedang dalam kondisi terburuk. Hal ini diperlihatkan oleh
prosentase perubahan harga saham bila saham berada di keadaan terburuk
o
1
(1) o
0
o
0
=
/o
0
o
0
o
0
(1.7)
=
o
0
(/ 1)
o
0
(1.8)
= / 1 r. (1.9)
Hasil (1.9) memperlihatkan bahwa prosentase perubahan dari harga saham selalu lebih
besar dari prosentase perubahan dari nilai tabungan di bank sekalipun sedang berada
dalam keadaan terburuk.
Demikian pula bila
1 +r a (1.10)
maka orang tidak akan pernah membeli saham. Dalam keadaan ini lebih baik baginya
menabung di bank yang selalu akan menghasilkan keuntungan yang lebih besar sekalipun
harga saham sedang dalam kondisi terbaik. Hal ini bisa diperlihatkan oleh prosentase
perubahan harga saham berikut
o
1
(') o
0
o
0
=
ao
0
o
0
o
0
(1.11)
=
o
0
(a 1)
o
0
(1.12)
= a 1 < r. (1.13)
Hasil (1.13) memperlihatkan bahwa prosentasi perubahan harga saham selalu lebih kecil
dari prosentase perubahan nilai tabungan di bank.
Karena itu pada model untuk dinamika pergerakan harga saham perlu dipenuhi
ungkapan (1.5) sehingga orang masih mungkin mempunyai dua buah pilihan investasi
yang berupa tabungan di bank atau pemilikan saham. Bila kondisi (1.5) dilanggar maka
dua keadaan ekstrim akan terjadi, orang hanya akan menabung di bank dalam bentuk
deposito saja atau orang hanya akan memiliki saham saja.
1.1. Model untuk satu periode 3
1.1.2 Harga opsi Eropa
Suatu opsi call Eropa (European call option) adalah suatu kontrak keuangan yang mem-
beri hak kepada pemegangnya untuk membeli suatu saham pada saat jatuh tempo T
(exercise date) dengan harga tertentu 1 (exercise/strike price)
1
. Untuk T = 1 dan bila
perekonomian sedang bagus sehingga o
1
1 maka pemegang opsi call akan menggu-
nakan haknya untuk membeli saham dengan harga 1 dan menjualnya di pasar dengan
harga o
1
sehingga ia mendapat penghasilan sebesar o
1
1. Sebaliknya bila perekono-
mian sedang lesu sehingga o
1
< 1 maka pemegang opsi call tidak akan menggunakan
haknya untuk membeli saham seharga 1 sehingga ia tidak bisa mendapat tambahan
penghasilan.
Dengan perkataan lain, nilai opsi pada saat 1 adalah \
1
= o
1
1 bila o
1
1 0
atau \
1
= 0 bila o
1
1 _ 0 atau
\
1
=
_
o
1
1 bila o
1
1
0 bila o
1
_ 1.
(1.14)
Nilai \
1
pada (1.14) akan disebut nilai intrinsik (intrinsict value) dari opsi call. Ungkapan
(1.14) dapat dinyatakan pula menjadi salah satu dari ungkapan berikut
\
1
= [o
1
1]
+
(1.15)
atau
\
1
= :a/: o
1
1, 0 . (1.16)
Nilai o
1
akan tergantung pada hasil pelantunan koin yang bisa meberikan hasil '
atau 1 sehingga nilai \
1
pun akan tergantung pada hasil tersebut. Dengan demikian
berbagai nilai \
1
yang mungkin adalah
\
1
=
_
\
1
(') = :a/: ao
0
1, 0
\
1
(1) = :a/: /o
0
1, 0
(1.17)
Persamaan (1.17) memperlihatkan besar dana yang menjadi hak bagi pemegang opsi call
untuk berbagai keadaan. Pada saat yang sama persamaan (1.17) merupakan kewajiban
bagi penerbit opsi call untuk menyediakan dana sebesar \
1
(') atau \
1
(1) di akhir
periode 1. Karena hal ini berupa kewajiban bagi penerbit maka ia harus mengusahakan
agar memperoleh dana sebesar itu di akhir periode 1. Cara yang akan ditempuh oleh
penerbit adalah dengan pembentukan portfolio replikasi (replicating portfolio), yaitu su-
atu protfolio yang nilainya di akhir periode akan sama persis dengan kewajiban penerbit
di akhir periode 1, yaitu \
1
(') atau \
1
(1) .
Portfolio replikasi tersebut akan dibentuk dengan cara sebagai berikut. Misalkan
pihak penerbit menjual opsi call di awal periode 1 seharga \
0
(kelak akan ditentukan
nilai \
0
ini). Agar penerbit mempunyai dana yang cukup untuk menutup kewajiban
1
Ada jenis opsi Eropa yang lain, yaitu opsi put Eropa (European put option) yang merupakan suatu
kontrak keuangan yang memberi hak kepada pemegang kontrak tersbut untuk mejual suatu saham pada
saat jatuh tempo T yang disebut exercise date dan dengan harga tertentu K yang disebut exercise/strike
price.
4 Kuliah ke 1. Model Binomial untuk Harga Saham
membayar dana sebesar (1.17) maka sejak awal periode 1 penerbit akan membuat suatu
portfolio keuangan yang terdiri dari saham sebanyak
0
lembar (nilai \
0
dan
0
akan
ditentukan kemudian). Kepemilikan saham tersebut diambil dari penjualan call seharga
\
0
. Bila dana sebesar \
0
tidak mencukupi bagi penerbit opsi call untuk membeli
0
lem-
bar saham maka penerbit berhutang dengan bunga r per periode untuk mencukupinya.
Sebaliknya bila ada kelebihan dana maka sisanya ditabung dengan suku bunga r per pe-
riode. Nilai portfolio ini pada awal periode 1 adalah A
0
= \
0
yang berupa
0
o
0
dalam
bentuk saham dan (\
0

0
o
0
) dalam bentuk tabungan (atau hutang)
A
0
=
0
o
0
+ (\
0

0
o
0
) (1.18)
= \
0
. (1.19)
Pada akhir periode ke 1, nilai portfolio akan menjadi A
1
yang terdiri dari
0
o
1
dalam
bentuk saham dan yang dalam bentuk tabungan (atau hutang) akan tumbuh menjadi
(1 +r) (\
0

0
o
0
)
A
1
=
0
o
1
+ (1 +r) (\
0

0
o
0
) . (1.20)
Nilai portfolio sebesar A
1
di akhir periode 1 diharapkan sama dengan nilai opsi call \
1
di (1.17)
A
1
= \
1
. (1.21)
Jadi tugas penerbit adalah menentukan nilai \
0
dan
0
agar (1.21) terpenuhi.
Namun karena nilai o
1
tergantung dari hasil pelantunan koin maka nilai portfolio
A
1
di (1.20) juga akan tergantung dari hasil pelantunan koin sehingga nilai A
1
yang
mungkin adalah A
1
(') dan A
1
(1)
\
1
= A
1
=
_
A
1
(') =
0
o
1
(') + (1 +r) (A
0

0
o
0
)
A
1
(1) =
0
o
1
(1) + (1 +r) (A
0

0
o
0
)
(1.22)
=
_
A
1
(') =
0
ao
0
+ (1 +r) (A
0

0
o
0
)
A
1
(1) =
0
/o
0
+ (1 +r) (A
0

0
o
0
)
(1.23)
=
_
A
1
(') = (a (1 +r))
0
o
0
+ (1 +r)A
0
A
1
(1) = (/ (1 +r))
0
o
0
+ (1 +r)A
0
(1.24)
Pemilihan
0
dan \
0
yang tepat akan menghasilkan nilai portfolio A
1
pada akhir pe-
riode 1 di persamaan (1.24) sama persis dengan nilai opsi call \
1
pada akhir periode
1 di persamaan (1.17) agar pihak penerbit opsi call bisa memagari risiko yang muncul
berkaitan dengan kewajibannya membayar sejumlah dana di akhir periode 1. Dari kedua
persamaan di (1.22) didapat nilai
0
yang dimaksud, yaitu

0
=
A
1
(') A
1
(1)
o
1
(') o
1
(1)
=
\
1
(') \
1
(1)
o
1
(') o
1
(1)
(1.25)
=
A
1
(') A
1
(1)
ao
0
/o
0
(1.26)
=
A
1
(') A
1
(1)
o
0
(a /)
. (1.27)
1.1. Model untuk satu periode 5
Bila
0
dari (1.27) disubstitusikan lagi ke persamaan pertama dari (1.24) maka akan
didapat
A
1
(') = (a (1 +r))
A
1
(') A
1
(1)
(a /)
+ (1 +r)A
0
(1.28)
=
(a (1 +r))
a /
A
1
(')
(a (1 +r))
a /
A
1
(1) + (1 +r)A
0
(1.29)
atau
A
0
=
1
1 +r
_
(1 +r) /
a /
A
1
(') +
a (1 +r)
a /
A
1
(1)
_
(1.30)
=
1
1 +r
[ jA
1
(') + A
1
(1)] (1.31)
atau
\
0
=
1
1 +r
[ j\
1
(') + \
1
(1)] (1.32)
\
0
ini adalah arbitrage price untuk opsi call dengan payo sebesar \
1
pada akhir
periode 1. Sedangkan j dan adalah risk-neutral probabilities. Persamaan (1.30) dan
(1.32) memperlihatkan bahwa expected rate of return di bawah ( j, ) dari aset yang
berisiko seperti opsi call dan portfolio adalah r, yang tidak lain adalah rate of return
dari asset yang tidak berisiko yang berupa tabungan di bank.
Hasil menarik lainnya dapat diperoleh darii persamaan pertama di (1.22) dan (1.32)
\
1
(') =
0
o
1
(') + (1 +r)((\
0

0
o
0
) (1.33)
=
0
(o
1
(') (1 +r)o
0
) + (1 +r)\
0
(1.34)
=
0
(o
1
(') (1 +r)o
0
) + [ j\
1
(') + \
1
(1)] . (1.35)
dan penyederhanaan lebih lanjut akan menghasilkan

0
(o
1
(') (1 +r)o
0
) + [(1 + j)\
1
(') + \
1
(1)] = 0 (1.36)
\
1
(') \
1
(1)
o
1
(') o
1
(1)
(o
1
(') (1 +r)o
0
) + [ \
1
(') + \
1
(1)] = 0 (1.37)
[\
1
(') \
1
(1)]
(o
1
(') (1 +r)o
0
)
o
1
(') o
1
(1)
[\
1
(') \
1
(1)] = 0 (1.38)
[\
1
(') \
1
(1)]
_
(o
1
(') (1 +r)o
0
)
o
1
(') o
1
(1)

_
= 0. (1.39)
Agar persamaan terakhir berlaku untuk semua state . (yaitu state ' atau 1), maka
persyaratan berikut harus dipenuhi
_
(o
1
(') (1 +r)o
0
)
o
1
(') o
1
(1)

_
= 0
dan dengan sedikit uraian akan diperoleh
o
0
=
1
1 +r
[ jo
1
(') + o
1
(1)] . (1.40)
6 Kuliah ke 1. Model Binomial untuk Harga Saham
Persamaan (1.40) memperlihatkan bahwa expected rate of return di bawah ( j, ) dari
harga saham adalah r. Interpretasi hasil ini serupa dengan interpretasi hasil dari per-
samaan (1.32) sehingga bisa disimpulkan bahwa di bawah ( j, ) expected return dari
seluruh aset keuangan yang berisiko adalah r dan ini sama dengan expected return dari
aset yang tidak berisiko. Karena itulah ( j, ) disebut risk-neutral probabilities.
Contoh 1.1 Misal o
0
= 4, a = 2, / = 1,2, r = 10%. Akan ditentukan harga opsi call
yang jatuh tempo pada akhir periode 1 dan dengan strike price 1 = 5. Untuk itu akan
ditentukan dulu nilai o
1
dan \
1
o
1
=
_
o
1
(') = ao
0
= (2) (4) = 8
o
1
(1) = /o
0
=
_
1
2
_
(4) = 2
(1.41)
\
1
=
_
\
1
(') = :a/: o
1
(') 1, 0 = 3
\
1
(1) = :a/: o
1
(1) 1, 0 = 0
(1.42)
setelah itu akan dihitung ~ j dan ~ dari (1.24) dan (1.66)
~ j =
(1 +r) /
a /
(1.43)
=
(1 + 0.1) 1,2
2 1,2
(1.44)
= 0.4 (1.45)
~ =
a (1 +r)
a /
(1.46)
=
2 (1 + 0.1)
2 1,2
(1.47)
= 0.6 (1.48)
Nilai opsi call dapat diperoleh dari (1.32)
\
0
=
1
1 +r
[ j\
1
(') + \
1
(1)] (1.49)
=
_
1
1 + 0.1
_
(0.34 3 + 0.66 0) (1.50)
= 0.92727. (1.51)
1.2 Model untuk dua periode
1.2.1 Pergerakan harga saham
Sebagai hasil dari pelantunan koin sebanyak dua kali, harga saham pada akhir periode
kedua adalah
o
2
('') = ao
1
(') = a
2
o
0
(1.52)
o
2
('1) = /o
1
(') = /ao
0
(1.53)
o
2
(1') = ao
1
(1) = a/o
0
(1.54)
o
2
(11) = /o
1
(1) = /
2
o
0
. (1.55)
1.2. Model untuk dua periode 7
Pergerakan harga saham dalam dua periode ini digambarkan oleh pohon Binomial pada
Gambar 1 dengan o
0
= 4, a = 2, / = 1,2
Gambar 1 Pohon Binomial
1.2.2 Notasi formal
Secara formal, seluruh kemungkinan hasil eksperimen dari pelantunan sebuah koin se-
banyak dua kali akan dinyatakan dalam suatu ruang sampel
= '', '1, 1', 11 . (1.56)
Setiap unsur dari akan dinyatakan dengan .. Variabel acak o
1
dan o
2
berturut-turut
akan diungkapkan dengan
o
1
(.) =
_
8 bila . '', '1
2 bila . 1', 11
(1.57)
dan
o
2
(.) =
_

_
16 bila . = ''
4 bila . = '1, 1'
1 bila . = 11 .
(1.58)
Bila didenisikan A sebagai variabel acak yang menyatakan jumlah muka ' di dalam
pelantunan sebuah koin sebanyak dua kali maka distribusi dari A adalah Binomial /(2, j)
dengan j adalah peluang muka ' akan keluar dari setiap kali pelantunan koin, lihat
(1.1) . Dengan mudah bisa dipahami bahwa sekalipun A dan o
2
adalah dua buah variabel
8 Kuliah ke 1. Model Binomial untuk Harga Saham
acak yang berbeda namun keduanya memiliki distribusi yang sama
1 (A = 2) = 1 (o
2
= 16) =
_
2
2
_
j
2

22
= j
2
(1.59)
1 (A = 1) = 1 (o
2
= 4) =
_
2
1
_
j
1

21
= 2j (1.60)
1 (A = 0) = 1 (o
2
= 1) =
_
2
0
_
j
0

20
=
2
. (1.61)
1.2.3 Harga opsi Eropa
Kali ini akan dibahas opsi call Eropa yang akan jatuh tempo di akhir periode 2 dengan
strike price 1. Nilai intrinsik dari opsi call ini adalah
\
2
= :a/: o
2
1, 0 (1.62)
yang bisa diurai lebih rinci dengan
\
2
=
_

_
\
2
('') = :a/: o
2
('') 1, 0
\
2
('1) = :a/: o
2
('1) 1, 0
\
2
(1') = :a/: o
2
('1) 1, 0
\
2
(11) = :a/: o
2
(11) 1, 0 .
(1.63)
Nilai \
2
ini merupakan hak bagi pemegang opsi call dan sekaligus kewajiban bagi penerbit
opsi call pada berbagai keadaan.
Agar penerbit bisa memagari dirinya dari risiko yang muncul berkaitan dengan kewa-
jibannya untuk menyediakan dana sebesar \
2
di akhir periode 2 maka ia akan menyusun
portfolio replikasi. Portfolio ini disusun dari penjualan opsi call seharga \
0
dan di-
alokasikan untuk pembelian saham sebanyak
0
sisanya (atau kekurangannya) ditabung
(hutang) ke bank dengan suku bunga r per periode. Jadi pada awal periode 1 nilai
protfolionya adalah
A
0
= \
0
. (1.64)
Tujuan dari pembentukan portfolio ini adalah untuk mendapatkan nilai portfolio di akhir
periode 2 sebesar A
2
yang sama persis dengan nilai opsi call di akhir periode 2
A
2
= \
2
(1.65)
melalui pemilihan komposisi portfolio pada tiap awal periode 1 dan 2. Dengan kata lain
akan dipilih komposisi portfolio yang terdiri dari sejumlah saham dan tabungan (hutang)
di bank dengan
0
lembar saham pada awal periode 1 dan
1
lembar saham pada awal
periode 2 yang memungkinkan persamaan (1.65) terpenuhi.
Pada akhir periode 1 nilai portfolionya adalah A
1
, serupa dengan (1.22)
A
1
=
_
A
1
(') =
0
o
1
(') + (1 +r) (A
0

0
o
0
)
A
1
(1) =
0
o
1
(1) + (1 +r) (A
0

0
o
0
) .
(1.66)
1.2. Model untuk dua periode 9
Posisi portfolio pada akhir periode 1 ini akan di ubah pada awal periode 2 melalui
perubahan komposisi kepemilikan saham dari semula sebanyak
0
lembar menjadi
1
lembar. Kelebihan (kekurangan) dana akan disimpan (hutang) di bank sebesar A
1

1
o
1
. Nilai portfolio pada akhir periode 2 akan menjadi A
2
A
2
=
_

_
A
2
('') =
1
(')o
2
('') + (1 +r)A
1
(')
1
(')o
1
(')
A
2
('1) =
1
(')o
2
('1) + (1 +r)A
1
(')
1
(')o
1
(')
A
2
(1') =
1
(1)o
2
(1') + (1 +r)A
1
(1)
1
(1)o
1
(1)
A
2
(11) =
1
(1)o
2
(11) + (1 +r)A
1
(1)
1
(1)o
1
(1).
(1.67)
Dengan demikian telah diperoleh 6 buah persamaan yang terdiri dari (1.66) dan
(1.67) . Dari keenam persamaan ini akan dicari 6 buah nilai yang masing-masing untuk

0
, A
0
,
1
(') ,
1
(1) , A
1
(') dan A
1
(1) agar persamaan (1.65) terpenuhi.
Dari keempat persamaan di (1.67) ini akan didapat komposisi jumlah kepemilikan
saham pada awal periode 2 sebesar
1

1
(') =
A
2
('') A
2
('1)
o
2
('') o
2
('1)
(1.68)
=
\
2
('') \
2
('1)
o
2
('') o
2
('1)
(1.69)

1
(1) =
A
2
(1') A
2
(11)
o
1
(1') o
1
(11)
(1.70)
=
\
2
(1') \
2
(11)
o
1
(1') o
1
(11)
. (1.71)
Perubahan dari persamaan (1.68) ke persamaan (1.69) dan dari persamaan (1.70) ke
persamaan (1.71) telah mulai digunakan pembatas (1.65) sehingga nilai
1
(') dan

1
(1) yang diperoleh telah menjamin bahwa (1.65) terpenuhi.
Setelah
1
(') dan
1
(1) diperoleh maka dari keempat persamaan (1.67) ini pula
akan didapat A
1
sebagai nilai portfolio pada akhir periode 1
A
1
=
_
A
1
(') =
1
1+v
[ jA
2
('') + A
2
('1)]
A
1
(1) =
1
1+v
[ jA
2
(1') + A
2
(11)] .
(1.72)
Perolehan A
1
(') dan A
1
(1) di (1.72) telah melibatkan penggunaan
1
(') dan
1
(1)
sehingga nilai yang diperoleh turut menjamin bahwa (1.65) terpenuhi.
Dari nilai A
1
ini bisa diperoleh komposisi kemilikan saham pada awal periode 1
sebanyak
0
lembar sesuai dengan (1.27)

0
=
A
1
(') A
1
(1)
o
1
(') o
1
(1)
(1.73)
dan nilai opsi call pada awal periode 1 melalui persamaan (1.31)
\
0
= A
0
(1.74)
=
1
1 +r
[ jA
1
(') + A
1
(1)] . (1.75)
Jadi penyusunan potfolio replikasi pada awal periode 1 dan disesuaikan komposisinya
pada awal periode 2 menghasilkan 6 buah persamaan, yaitu 2 buah persamaan di (1.66)
10 Kuliah ke 1. Model Binomial untuk Harga Saham
dan 4 buah persamaan di (1.67) sehingga bisa diperoleh 6 buah nilai yang masing-masing
untuk
0
, A
0
,
1
(') ,
1
(1) , A
1
(') dan A
1
(1) . Melalui pemilihan komposisi port-
folio replikasi ini akan dijamin (1.65) terpenuhi sehingga penerbit opsi call bisa memagari
dirinya dari risiko yang muncul oleh penerbitan opsi tersebut.
Dengan prosedur yang serupa dengan pembahasan sebelumnya akan diperoleh pula
o
0
=
1
1 +r
[ jo
1
(') + o
1
(1)] (1.76)
o
1
(') =
1
1 +r
[ jo
2
('') + o
2
('1)] (1.77)
o
1
(1) =
1
1 +r
[ jo
2
(1') + o
2
(11)] . (1.78)
Seluruh hasil ini memperlihatkan bahwa aset keuangan yang berisiko atau tidak berisiko
akan menghasilkan expected return yang sama di bahwa risk-neutral world seperti kes-
impulan yang dicapai pada model untuk satu periode.
Contoh 1.2 Misal o
0
= 4, a = 2, / = 1,2, r = 10%. Akan ditentukan harga opsi call
yang jatuh tempo pada akhir periode 2 dan dengan strike price 1 = 5. Untuk itu akan
ditentukan dulu nilai o
2
o
2
('') = ao
1
(') = a
2
o
0
= 2
2
4 = 16 (1.79)
o
2
('1) = /o
1
(') = /ao
0
=
1
2
2 4 = 4 (1.80)
o
2
(1') = ao
1
(1) = a/o
0
= 2
1
2
4 = 4 (1.81)
o
2
(11) = /o
1
(1) = /
2
o
0
=
_
1
2
_
2
4 = 1. (1.82)
dan A
2
= \
2
dari (1.63)
A
2
= \
2
=
_

_
A
2
('') = :a/: o
2
('') 1, 0 = :a/: 16 5, 0 = 11
A
2
('1) = :a/: o
2
('1) 1, 0 = :a/: 4 5, 0 = 0
A
2
(1') = :a/: o
2
('1) 1, 0 = :a/: 4 5, 0 = 0
A
2
(11) = :a/: o
2
(11) 1, 0 = :a/: 1 5, 0 = 0.
(1.83)
Dengan ~ j = 0.4 dan ~ = 0.6 seperti yang diperoleh dari Contoh 1.1, akan didapat nilai
A
1
dari (1.72)
A
1
(') =
1
1 +r
[ jA
2
('') + A
2
('1)] (1.84)
=
_
1
1 + 0.1
_
(0.4 11 + 0.6 0) (1.85)
= 4 (1.86)
A
1
(1) =
1
1 +r
[ jA
2
(1') + A
2
(11)] (1.87)
=
_
1
1 + 0.1
_
(0.4 0 + 0.6 0) (1.88)
= 0. (1.89)
1.3. Model untuk n periode 11
Akhirnya nilai opsi call dapat diperoleh dari (1.75)
\
0
=
1
1 +r
[ jA
1
(') + A
1
(1)] (1.90)
=
_
1
1 + 0.1
_
(0.4 4 + 0.6 0) (1.91)
= 1.4545. (1.92)
1.3 Model untuk n periode
Bila o
a
menyatakan harga saham pada periode ke : dan harga ini tergantung dari hasil
pelantunan koin sebanyak : kali .
1
, .
2
, , .
a
maka hubungan antara o
a
dan o
a1
dinyatakan oleh
o
a
(.
1
, .
2
, , .
a1
, ') = ao
a1
(.
1
, .
2
, , .
a1
) (1.93)
o
a
(.
1
, .
2
, , .
a1
, 1) = /o
a1
(.
1
, .
2
, , .
a1
) (1.94)
dengan a adalah faktor kenaikkan harga saham dan / adalah faktor penurunan harga
saham. Nilai opsi call yang jatuh tempo pada akhir periode : dan dengan exercise price
1 adalah
\
a
(.
1
, .
2
, , .
a
) = :a/: o
a
(.
1
, .
2
, , .
a
) 1, 0 . (1.95)
Portfolio replikasi yang akan dibentuk oleh penerbit opsi call akan memenuhi pembatas
A
a
(.
1
, .
2
, , .
a
) = \
a
(.
1
, .
2
, , .
a
) . (1.96)
Sedangkan hubungan antara nilai portfolio A
a
dan A
a1
dinyatakan oleh
A
a1
(.
1
, .
2
, , .
a1
, ') =
1
1 +r
[ jA
a
(.
1
, .
2
, , .
a1
, ') + A
a
(.
1
, .
2
, , .
a1
, 1)]
(1.97)
dengan r adalah suku bunga tabungan di bank per periode sedangkan j dan adalah
risk-neutral probabilities
~ j =
(1 +r) /
/ a
(1.98)
~ =
a (1 +r)
/ a
. (1.99)
Secara rekursif dari hubungan (1.97) akhirnya akan diperoleh harga opsi call sekarang
\
0
= A
0
=
1
1 +r
[ jA
1
(') + A
1
(1)] . (1.100)
Tentu saja pemodelan pergerakan harga saham dan penentuan harga opsi dengan
cara demikian kelihatannya sangat naif. Namun ternyata pemodelan ini cukup ampuh
dan akan menghasilkan alat yang sering dipakai di dalam matematika keuangan. Model
inilah yang melatarbelakangi sebagian besar contoh soal yang akan menjelaskan teori
peluang dengan ukuran.
12 Kuliah ke 1. Model Binomial untuk Harga Saham
Untuk panjang periode yang sangat pendek t 0 model Binomial ini akan meng-
hasilkan rumus Black-Scholes yang semula diturunkan dari suatu persamaan diferensial
stokastik. Dengan demikian model Binomial ini dapat dipandang sebagai aproksimasi
terhadap suatu model untuk pergerakan harga saham yang diungkapkan melalui per-
samaan diferensial stokastik. Tentu saja model yang terkahir tersebut lebih canggih dari
pada model Binomial. Namun akan ditunda dulu pembicaraan ke arah sana dan sekarang
dimulai saja pembicaraan tentang ukuran dan yang pertama kali akan dibahas adalah
konsep o-aljabar yang menggambarkan tentang informasi hasil eksperiman percobaan
acak.
Kuliah ke 2
-aljabar
2.1 Pendahuluan
Pada pelajaran kali ini akan dijelaskan kosep o-aljabar yang akan dipergunakan sebagai
bahan bangunan bagi teori peluang. Di dalam teori peluang, o-aljabar ini akan diartikan
sebagai informasi tentang hasil eksperimen acak. Setelah itu akan diperkenalkan konsep
kejadian (event), o-aljabar yang dibangkitkan oleh suatu kejadian, dan o-aljabar Borel
E(R) .
2.2 Aljabar dan -aljabar
Denisi 2.1 (aljabar) Misal adalah sebuah himpunan dan T adalah koleksi sub-
himpunan dari . Suatu aljabar pada adalah koleksi himpunan T dengan tiga buah
sifat berikut
1. T
2. Bila T maka
c
T
3. Bila , 1 T maka ' 1 T.
Catatan 2.2 Bila , 1 T maka 1 = (
c
' 1
c
)
c
T sehingga aljabar pada
adalah keluarga sub-himpunan dari yang tertutup oleh sejumlah operasi himpunan '
dan/atau yang terhingga ( nite).
Denisi 2.3 (o-aljabar) Misal adalah sebuah himpunan dan T adalah koleksi sub-
himpunan dari . Koleksi himpunan T disebut o-aljabar pada bila T adalah aljabar
dan bila
1
,
2
, adalah barisan di T maka
o

I=1

I
T.
Catatan 2.4 Sebuah aljabar mempunyai sifat yang tertutup oleh operasi himpunan yang
terhingga ( nite) sedangkan sebuah o-aljabar mempunyai sifat yang tertutup oleh operasi
himpunan yang terhitung ( countable).
13
14 Kuliah ke 2. o-aljabar
Denisi 2.5 (kejadian) Misal adalah suatu ruang sample (sample space), yaitu him-
punan dari seluruh hasil yang mungkin dari suatu eksperimen acak. Bila T adalah him-
punan kuasa dari (ditulis T = kuasa()) maka setiap anggota dari T akan disebut
sebuah kejadian ( event).
Berikut ini akan di bahas sebuah contoh soal tentang ruang sampel dan o-aljabar.
Contoh soal ini akan sering dirujuk pada berbagai pembahasan topik yang akan datang.
Contoh 2.6 Misalkan ada sebuah eksperimen acak yang berupa pelantunan sebuah koin
sebanyak dua kali. Seluruh hasil yang mungkin dari eksperimen ini akan disebut ruang
sampel ( sample space)
= '', '1, 1', 11 (2.1)
dengan ' menyatakan lantunan dengan hasil muka dengan peluang
1 (') = j (2.2)
dan 1 menyatakan lantunan dengan hasil belakang dengan peluang
1 (1) = 1 j (2.3)
= . (2.4)
Lihat kembali Kuliah ke 1.
Tiap unsur . disebut titik sampel ( sample point). Dalam contoh ini . ter-
diri dari dua komponen. Komponen ke / dari . akan dinyatakan dengan .
I
. Sebagai
ilustrasi, . = '1 adalah titik sampel yang menyatakan bahwa lantunan koin yang per-
tama menghasilkan .
1
= ' dan lantunan yang kedua menghasilkan .
2
= 1, kadang .
dituliskan dengan . = (.
1
, .
2
) .
Sebuah o-aljabar yang paling sederhana yang bisa dibangun pada adalah T
0
T
0
= , ? . (2.5)
Sedangkan o-aljabar yang paling kompleks yang bisa dibangun pada adalah T yang
berupa keluarga seluruh sub-himpunan dari atau disebut himpunan kuasa dari
T = kuasa () (2.6)
= , ?, '' , '1 , 1' , 11 ,
'', '1 , '', 1' , '', 11 , '1, 1' , '1, 11 , (2.7)
1', 11 , '', '1, 1' , '', '1, 11 , '1, 1', 11 . (2.8)
Koleksi himpunan T ini adalah sebuah o-aljabar yang berisi seluruh informasi tentang
hasil eksperimen acak dari pelantunan koin sebanyak dua kali. Setiap unsur di T akan
disebut sebagai kejadian ( event). Sebagai ilustrasi, kejadian yang menyatakan bahwa
lantunan pertama menghasilkan muka adalah

A
= '', '1 (2.9)
2.2. Aljabar dan o-aljabar 15
Sedangkan kejadian yang menyatakan bahwa lantunan pertama menghasilkan belakang
adalah

1
= 1', 11 . (2.10)
Bisa diperlihatkan dari denisi o-aljabar bahwa koleksi himpunan T
1
berikut
T
1
= , ?, '', '1 , 1', 11 (2.11)
= , ?,
A
,
1
(2.12)
adalah suatu o-aljabar yang memuat seluruh informasi tentang hasil eksperimen acak
dari pelantunan koin sebanyak satu kali. Demikian pula bisa diperlihatkan bahwa koleksi
himpunan T
2
dan T
3
berikut adalah sebuah o-aljabar
T
2
= , ?, '' , '1 , '', '1 , 1', 11 ,
'1, 1', 11 , '', 1', 11
=
_
, ?, '' , '1 ,
A
,
1
, '1, 1', 11 , '', 1', 11
_
T
3
= , ?, '' , 1' , '', 1' , '1, 11 ,
'', '1, 11 , '1, 1', 11.
Dari contoh ini bisa dilihat bahwa T
0
_ T
1
_ T
2
_ T.
Catatan 2.7 Setiap o-aljabar memuat informasi. Pada Contoh 2.6, o-aljabar T
1
berisi
informasi tentang hasil pelantunan koin yang pertama sedangkan T sendiri berisi infor-
masi tentang hasil pelantunan koin sampai yang kedua kali.
Denisi 2.8 Bila T
1
, T
2
, adalah keluarga sub-o-aljabar dari T dengan sifat T
1
_ T
2
_ _ T
maka keluarga tersebut dinamakan ltrasi (ltration).
Latihan 2.9 Dari Contoh 2.6 dapat disimpulkan bahwa T
0
, T
1
, T
2
, T adalah suatu l-
trasi. Apakah T
0
, T
1
, T
2
, T
3
, T juga suatu ltrasi?
Denisi 2.10 (o (() , o-aljabar yang dibangitkan oleh () Misal ( adalah kelas dari
sub-himpunan dari . Pengertian o-aljabar yang dibangkitkan oleh ( dan dinyatakan
dengan o (() adalah o-aljabar terkecil pada dengan ( _ o (() .
Contoh 2.11 Dari Contoh 2.6 dapat ditarik beberapa kesimpulan berikut
1. Bila ( =
A
= '', '1 maka o (() = T
1
karena T
1
merupakan o-aljabar
terkecil pada dan ( _ T
1
.
2. Tentu saja T
2
bukan o-aljabar yang dibangkitkan oleh ( karena T
2
bukan o-aljabar
terkecil sekalipun ( _ T
2
3. T juga bukan o-aljabar yang dibangkitkan oleh ( sekalipun ( _ T karena T bukan
o-aljabar terkecil pada dengan ( _ T.
4. Misal ( ='' , '1 maka o (() = T
2
karena T
2
merupakan o-aljabar
terkecil pada dan ( _ T
2
.
16 Kuliah ke 2. o-aljabar
2.3 -aljabar Borel E(R)
Denisi 2.12 (o-aljabar Borel E(R)) Misal R adalah himpunan seluruh bilangan riil.
Pengertian o-aljabar Borel pada R adalah o-aljabar yang dibangkitkan oleh famili selang
terbuka pada R dan dinyatakan dengan E(R) atau
E(R) = o (selang-selang buka di R) . (2.13)
Catatan 2.13 Setiap himpunan yang merupakan unsur dari E(R) akan disebut him-
punan Borel.
Konsep o-aljabar Borel E(R) kadang agak sulit dimengerti oleh seseorang. Berikut
ini ada cara lain yang bisa memudahkan untuk menggambarkan konsep o-aljabar Borel.
Mula-mula diperkenalkan dulu (R) dengan
(R) = (, r] : r R (2.14)
dan bisa diperlihatkan bahwa o-aljabar Borel E(R) tidak lain adalah o-aljabar yang
dibangkitkan oleh (R)
E(R) = o ( (R)) . (2.15)
Dari denisi E(R) terlihat bahwa setiap selang (a, /) dengan a, / R adalah himpunan
Borel sehingga gabungan selang-selang tersebut akan merupakan himpunan Borel pula.
Hal ini disebabkan karena E(R) adalah suatu o-aljabar. Sebagai contoh selang (a, )
dan (, a) akan merupakan himpunan Borel karena
(a, ) =
o
_
a=1
(a, a +:) (2.16)
dan
(, a) =
o
_
a=1
(a :, a) . (2.17)
Selang tutup [a, /] dengan a, / R akan merupakan himpunan Borel pula karena
[a, /] = ((, a) ' (/, ))
c
(2.18)
demikian pula a akan merupakan himpunan Borel karena
a =
o

a=1
_
a
1
:
, a +
1
:
_
(2.19)
sehingga setiap himpunan dengan jumlah unsur terhingga dari bilangan riil adalah him-
punan Borel, yaitu bila = a
1
, a
2
, , a
a
maka
=
a
_
I=1
a
I
. (2.20)
Kuliah ke 3
Ukuran dan Integral Lebesque
3.1 Pendahuluan
Setelah diperkenalkan konsep o-aljabar, akan diperkenalkan konsep ukuran dan integral.
Berturut-turut akan diperkenalkan konsep ruang terukur, ukuran, ruang ukuran, ukuran
Lebesque beserta integral Lebesque. Pembicaraan akan ditutup oleh dua buah teorema
yang sangat penting untuk integral Lebesque. Semua konsep ini akan dipergunakan di
dalam teori peluang untuk pembangunan ruang probabilitas, pendenisian variabel acak
dan ekspektasi.
3.2 Ukuran Lebesque
Denisi 3.1 (ruang terukur) (, T) disebut ruang terukur ( measurable space) bila
adalah suatu himpunan dan T adalah o-aljabar pada . Unsur T disebut sub-himpunan
dari yang T-terukur (T-measurable).
Contoh 3.2 Pada Contoh 2.6 kejadian
A
= '', '1 adalah T
1
-terukur dan
A
juga T
2
-terukur akan tetapi kejadian
A
tidak T
3
-terukur karena
A
T
1
dan
A
T
2
akan tetapi
A
, T
3
.
Denisi 3.3 (fungsi himpunan yang aditif ) Misal adalah suatu himpunan dan
T adalah suatu aljabar pada serta j adalah fungsi himpunan ( set function) yang
nonnegatif
j : T (0, ] . (3.1)
Fungsi j disebut aditif ( additive) bila memenuhi sifat berikut
1. j(?) = 0
2. Bila
1
,
2
T dan
1

2
= ? maka j(
1
'
2
) = j(
1
) +j(
2
) .
Denisi 3.4 (fungsi himpuanan aditif yang terhitung) Fungsi j disebut aditif yang
terhitung ( countably additive) bila memiliki sifat-sifat berikut
1. j(?) = 0
17
18 Kuliah ke 3. Ukuran dan Integral Lebesque
2. Bila
1
,
2
, adalah barisan di T dengan
i

)
= ? untuk i ,= , dan
o

I

I
T
maka j
_
o

I

I
_
=
o

I
j(
I
) .
Denisi 3.5 (ukuran, ruang ukuran) Misal (, T) adalah suatu ruang terukur. Fungsi
j yang didenisikan dengan
j : T [0, ) (3.2)
disebut ukuran (measure) pada (, T) bila j adalah aditif yang terhitung dan (, T, j)
akan disebut ruang ukuran (measure space).
Salah satu ukuran yang penting dan terdenisi pada ruang terukur (R,E(R)) adalah
ukuran Lebesque.
Denisi 3.6 (ukuran Lebesque) Misal (R,E(R)) adalah suatu ruang terukur dan =
(a, /) E(R) . Ukuran Lebesque j
0
didenisikan dengan j
0
() = / a.
Catatan 3.7 Tentu saja bisa dimaklumi bahwa j
0
(R) = .
Contoh 3.8 1. Telah diperlihatkan bahwa
a _
_
a
1
:
, a +
1
:
_
(3.3)
sehingga
0 _ j
0
a _ j
0
_
a
1
:
, a +
1
:
_
=
2
:
. (3.4)
Bila : maka
j
0
a = lim
ao
j
0
_
a
1
:
, a +
1
:
_
(3.5)
= lim
ao
2
:
(3.6)
= 0. (3.7)
2. Bila
= a
1
, a
2
, a
3
, ... (3.8)
himpunan dengan unsur yang terhitung maka
j
0
() =
o

I=1
j
0
a
I
= 0. (3.9)
Dengan kata lain setiap himpunan bilangan riil dengan unsur yang terhitung maka
ukuran Lebesque-nya adalah nol.
3.3. Integral Lebesque 19
3.3 Integral Lebesque
Pada pendenisian berikut mula-mula akan didenisikan integral Lebesque untuk fungsi
indikator, kemudian berturut-turut akan didenisikan integral Lebesque untuk fungsi
sederhana, fungsi non-negatif dan akhirnya untuk fungsi yang umum.
Denisi 3.9 1. Misal q : R R adalah fungsi indikator (indicator function)
q (r) =
_
1 bila r
0 bila r
. (3.10)
Himpunan yang didenisikan oleh fungsi q ditulis dengan
= r R; q (r) = 1 . (3.11)
Integral Lebesque untuk fungsi q didenisikan dengan
_
R
q dj
0
= j
0
() . (3.12)
2. Misal / : R R adalah fungsi sederhana (simple function), yaitu fungsi yang dapat
dinyatakan sebagai kombinasi linier dari fungsi indikator
/(r) =
a

I=1
c
I
q
I
(r) (3.13)
dengan
q
I
(r) =
_
1 bila r
I
0 bila r ,
I
(3.14)
c
I
bilangan riil. Integral Lebesque untuk fungsi / didenisikan dengan
_
R
/dj
0
=
_
R
a

I=1
c
I
q
I
dj
0
(3.15)
=
a

I=1
c
I
_
R
q
I
dj
0
(3.16)
=
a

I=1
c
I
j
0
(
I
) (3.17)
3. Misal ) : R R adalah fungsi non-negatif, integral Lebesque untuk fungsi )
didenisikan dengan
_
R
)dj
0
= :nj
__
R
/dj
0
: / fungsi sederhana dan /(r) _ ) (r) , \r R
_
(3.18)
4. Misal ) : R R adalah fungsi yang umum dan akan didenisikan dulu
)
+
(r) = :a/: ) (r) , 0 (3.19)
)

(r) = :a/: ) (r) , 0 . (3.20)


20 Kuliah ke 3. Ukuran dan Integral Lebesque
Integral Lebesque untuk fungsi ) didenisikan dengan
_
R
)dj
0
=
_
R
)
+
dj
0

_
R
)

dj
0
(3.21)
5. Misal _ R, pendenisian integral
_

)dj
0
adalah sebagi berikut
_

)dj
0
=
_
R
).1

dj
0
(3.22)
dengan
1

(r) =
_
1 bila r
0 bila r ,
(3.23)
Catatan 3.10 Bila
_
R
)dj
0
< maka ) akan disebut sebagai fungsi yang dapat diin-
tegralkan.
Dua buah teorema yang sangat penting di dalam konsep integral Lebesque adalah
teorema monotone convergence dan dominated convergence. Teorema ini memudahkan
penghitungan integral untuk fungsi ) yang umum bila ia diaproksimasi oleh barisan
fungsi )
a
yang sederhana dan konvergen ke ).
Teorema 3.11 (monotone convergence) Misal )
a
, : = 1, 2, adalah barisan fungsi
yang konvergen ke fungsi ). Bila
0 _ )
1
(r) _ )
2
(r) _ , \r R (3.24)
maka _
R
) dj
0
= lim
ao
_
R
)
a
dj
0
. (3.25)
Teorema 3.12 (dominated convergence) Misal )
a
, : = 1, 2, adalah barisan fungsi
yang konvergen ke ). Bila ada fungsi non-negatif q yang dapat diintegralkan (yaitu
_
R
q dj
0
< ) sehingga
[)
a
(r)[ _ q (r) \r R, \: N (3.26)
maka _
R
) dj
0
= lim
ao
_
R
)
a
dj
0
. (3.27)
Kuliah ke 4
Ruang Probabilitas
4.1 Pendahuluan
Pada Kuliah kali ini akan dibangun ruang probabilitas sebagai tempat untuk pendenisan
variabel acak. Setelah itu akan didenisikan integral pada ruang probabilitas yang sekali-
gus merupakan pendenisian dari ekspektasi.1 (A) . Dua buah teorema yang berlaku un-
tuk integral Lebesque akan dipergunakan disini untuk penghitungan integral (ekspektasi)
melalui aproksimasi variabel acak.
4.2 Ruang probabilitas
Denisi 4.1 Ukuran 1 disebut ukuran probabilitas (probability measure) bila 1 adalah
suatu ukuran pada ruang terukur (, T) dan 1 () = 1.
Catatan 4.2 Dengan kata lain, 1 adalah suatu ukuran probabilitas pada (, T) yang
mempunyai sifat
1. 1 () = 1
2. Untuk barisan
1
,
2
,
3
, ada di T dengan
i

)
= ? untuk \i ,= , akan
berlaku 1
_
o

I=1

I
_
a
=
o

I=1
1 [
I
] .
Denisi 4.3 (ruang probabilitas) Suatu ruang probabilitas ( probability space) (, T, 1)
terdiri dari 3 obyek
1. suatu ruang sample ( sample space)
2. suatu o-aljabar T = kuasa()
3. suatu ukuran probabilitas 1 di suatu ruang terukur (, T) , yaitu 1 () terdenisi
\ T.
Denisi 4.4 (hampir pasti) Suatu kejadian dikatakan akan terjadi hampir pasti
( almost surely) bila
1 () = 1. (4.1)
21
22 Kuliah ke 4. Ruang Probabilitas
4.3 Variabel acak
Denisi 4.5 (Borel-terukur) Misal ) adalah suatu fungsi dari R ke R. Dikatakan
bahwa ) adalah Borel-terukur (Borel-measurable) bila )
1
() = r : )(r) E(R)
untuk \ E(R).
Denisi 4.6 (fungsi T-terukur) Misal (, T) adalah suatu ruang ukuran. Suatu
fungsi ) : R disebut T-terukur (T-measurable) bila )
1
: E(R) T atau )
1
(1) =
. : )(.) 1 T, untuk tiap himpunan Borel 1. Fungsi ) ini dapat digambarkan
dengan

)
R (4.2)
T
)
1
E (R) . (4.3)
Denisi 4.7 (variabel acak) Misal (, T, 1) adalah suatu ruang probabilitas. Suatu
fungsi A : R akan disebut sebagai variabel acak (random variabel) jika dan hanya
jika A
1
(1) = . : A (.) 1 T untuk tiap himpunan Borel 1.
Catatan 4.8 Ada beberapa ungkapan lain yang ekivalen untuk pendenisian variabel
acak, yaitu
1. A : R adalah suatu variabel acak jika dan hanya jika A adalah T-terukur.
2. A : R adalah suatu variabel acak jika dan hanya jika A
1
adalah fungsi dari
E(R) ke T
A
1
: E(R) T. (4.4)
Denisi 4.9 (o (A) : o-aljabar dibangkitkan oleh A ) Misal A adalah suatu vari-
abel acak di (, T, 1) . Istilah o-aljabar yang dibangkitkan oleh A (ditulis o (A)) diden-
isikan dengan koleksi dari semua himpunan yang berbentuk . : A (.) , \ _ R.
Dengan kata lain
o (A) =
_
A
1
(1) : 1 E(R)
_
. (4.5)
Catatan 4.10 o (A) adalah o-aljabar yang memuat seluruh informasi yang terkandung
pada A.
Denisi 4.11 Misal A adalah suatu variabel acak di (, T) dan ( adalah sub-o-aljabar
dari T. Dikatakan A adalah (-terukur bila setiap himpunan di o (A) ada pula di (.
Denisi 4.12 Misal A adalah variabel acak diskret yang terhingga. Atom dari o (A)
didenisikan sebagai koleksi dari himpunan
_
A
1
(A (.)) [ .
_
(4.6)
o (A) terdiri dari atom-atom beserta komplemennya dan hasil operasi himpunan
padanya.
4.3. Variabel acak 23
Denisi 4.13 Variabel acak A disebut sederhana (simple) bila ia dapat dinyatakan den-
gan
A(.) =
n

i=1
a
i
1

i
(.) untuk \a
i
_ 0 (4.7)
dengan
1

1
(.) =
_
1 bila .
i
0 bila . ,
i
.
(4.8)
Contoh 4.14 Misal ruang sampel yang didenisikan pada Contoh 2.6 di halaman 14
= '', '1, 1', 11. (4.9)
Misal variabel acak o
1
menyatakan nilai saham pada akhir periode pertama
o
1
(.) =
_
8 bila . '', '1
2 bila . 1', 11
(4.10)
dan variabel acak o
2
menyatakan nilai saham pada akhir periode kedua (lihat Kuliah ke
1)
o
2
(.) =
_

_
16 bila . ''
4 bila . '1, 1'
1 bila . 11 .
. (4.11)
1. Tentukan o (o
1
) melalui atom-atomnya.
2. Tentukan o (o
1
) melalui atom-atomnya.
3. Tentukan o (o
1
, o
2
) melalui atom-atomnya.
Solusi
1. Atom-atom dari o (o
1
) terdiri dari
_
o
1
1
(8)
_
= . : o
1
(.) = 8 = '', '1 (4.12)
_
o
1
1
(2)
_
= . : o
1
(.) = 2 = 1', 11 (4.13)
sehingga o-aljabar yang dibangkitkan oleh o
1
, yaitu o (o
1
) , dapat dibentuk melalui
operasi himpunan terhadap atom-atom ini
o (o
1
) = ?, , '', '1 , 1', 11 . (4.14)
2. Atom-atom dari o (o
2
) terdiri dari
_
o
1
2
(16)
_
= . : o
2
(.) = 16 = '' (4.15)
_
o
1
2
(4)
_
= . : o
2
(.) = 4 = '1, 1' (4.16)
_
o
1
2
(1)
_
= . : o
2
(.) = 1 = 11 (4.17)
sehingga o-aljabar yang dibankitkan o (o
2
) dapat dibentuk melalui operasi himpunan
terhadap atom-atom ini
o (o
2
) = ?, , '' , '1, 1' , 11 , '', '1, 1' ,
'1, 1', 11 , '', 11.
24 Kuliah ke 4. Ruang Probabilitas
3. Sedangkan o-aljabar yang dibangkitkan oleh o
1
dan o
2
dibangun dari gabungan
atom-atom dari o
1
dan atom-atom dari o
2
dan dilanjutkan dengan operasi him-
punan pada koleksi himpunan atom-atom tersebut
o (o
1
, o
2
) = O, , '', '1 , 1', 11 , '' , '1, 1' ,
11 , '1, 1', 11, '', '1, 1' , '', 11 ,
1', 11, '' , '', '1, 11.
Contoh 4.15 Kelanjutan Contoh 4.14. Tentukan pra-peta di bawah o
2
dari selang
[3, 30] .dan [0, 1] .
Solusi
Pra-peta di bawah o
2
dari selang [3, 30] didenisikan dengan
o
1
2
([3, 30]) = . : o
2
(.) [3, 30] (4.18)
= . : 3 _ o
2
_ 30 (4.19)
= '', '1, 1' . (4.20)
Demikian pula pra-peta di bawah o
2
dari selang [0, 1] adalah
o
1
2
([0, 1]) = . : o
2
(.) [0, 1] (4.21)
= . : 0 _ o
2
_ 1 (4.22)
= '' . (4.23)
Pra-peta untuk selang lainnya dapat diperoleh dengan cara yang sama. Sehingga untuk
hal yang lebih umum, pra-peta di bawah o
2
untuk seluruh selang buka di R adalah
O, , '' , '1, 1' , 11 , '', '1, 1' , '', 11 , '1, 1', 11
Ini tidak lain adalah o-aljabar yang dibangkitkan oleh o
2
, yaitu o (o
2
) Kandungan in-
formasi yang ada di dalam o(o
2
) sama persis dengan informasi yang didapat dengan
pengamatan terhadap o
2
. Namun kandungan informasi di dalam o(o
2
) tidaklah sekaya
dengan informasi yang ada di dalam T = power() . Di dalam T dapat dibedakan antara
kejadian '1 dan kejadian 1' , sedangkan di dalam o(o
2
) tidak bisa dibedakan
antara kejadian '1 dan kejadian 1' .
Contoh 4.16 Kelanjutan Contoh 4.14. Tuliskan
1. o
1
sebagai kombinasi linier dari fungsi indikator
2. o
2
sebagai kombinasi linier dari fungsi indikator.
Solusi
1. Agar cocok dengan notasi di (4.7) , dimisalkan

1
= '', '1 (4.24)

2
= 1', 11 (4.25)
4.4. Integral pada ruang probabilitas 25
sehingga

i

)
= ?, untuk i ,= , (4.26)
_
i

i
= . (4.27)
Misalkan pula
a
1
= 8 (4.28)
a
2
= 2 (4.29)
sehingga o
1
dapat dinyatakan sebagai kombinasi linier dari fungsi indikator
o
1
=
2

i=1
a
i
1

i
(4.30)
= 8.1
AA,A1
(.) + 2.1
1A,11
(.) . (4.31)
2. Agar cocok dengan notasi di (4.7) , dimisalkan
C
1
= '' (4.32)
C
2
= '1, 1' (4.33)
C
3
= 11 (4.34)
sehingga
C
i
C
)
= ?, untuk i ,= , (4.35)
_
i
C
i
= . (4.36)
Misalkan pula
c
1
= 16 (4.37)
c
2
= 4 (4.38)
c
3
= 1 (4.39)
sehingga o
2
dapat dinyatakan sebagai kombinasi linier dari fungsi indikator
o
2
=
3

i=1
c
i
1
C
i
(4.40)
= 16.1
AA
(.) + 4.1
A1,1A
(.) _1.1
11
(.) . (4.41)
4.4 Integral pada ruang probabilitas
Konstruksi integral pada suatu ruang probabilitas (, T, 1) mengikuti langkah-langkah
sebagaimana konstruksi integral Lebesque di halaman 19. Mula-mula akan didenisikan
integral untuk variabel acak A sebagai fungsi indikator, kemudian berturut-turut akan
didenisikan integral untuk A sederhana, A non-negatif dan A yang umum. Penden-
isan integral ini akan sekaligus merupakan pendenisian ekspektasi 1 (A) .
26 Kuliah ke 4. Ruang Probabilitas
Denisi 4.17 (integral di (, T, 1)) Misal (, T, 1) adalah suatu ruang probabilitas
dan misal A adalah suatu variabel acak di (, T, 1)
1. Misal A adalah suatu variabel acak diskret yang berupa fungsi indikator, yaitu
A (.) = 1

(.) (4.42)
=
_
1 bila .
0 bila . ,
(4.43)
untuk T. Integral
_

A d1 akan didenisikan dengan


1 (A) =
_

A d1 = 1 () . (4.44)
2. Misal A suatu variabel acak diskret yang berupa suatu fungsi sederhana, yaitu
A (.) =
a

I=1
c
I
1

k
(.) . (4.45)
dengan c
I
adalah bilangan riil dan
I
T. Integral
_

A d1 akan didenisikan
dengan
1 (A) =
_

A d1 (4.46)
=
_

I=1
c
I
1

k
(.) d1 (4.47)
=
a

I=1
c
I
_

k
(.) d1 (4.48)
=
a

I=1
c
I
1 (
I
) . (4.49)
3. Misal A _ 0 adalah variabel acak. Integral
_

A d1 akan didenisikan dengan


1 (A) =
_

A d1 (4.50)
= sup
__

1 d1 : 1 sederhana dan 1 (.) _ A (.) , a.:. \.


_
.
(4.51)
4. Misal A adalah variabel acak yang umum. Denisikan A
+
dan A

dengan
A
+
(n) = max A (.) , 0 (4.52)
A

(n) = max A (.) , 0 . (4.53)


Misal
_

A
+
d1 < dan
_

A

d1 < (dengan kata lain A
+
dan A

dapat
diintegralkan). Integral
_

A d1 akan didenisikan dengan


1 (A) =
_

A d1 (4.54)
=
_

A
+
d1
_

A

d1 (4.55)
4.4. Integral pada ruang probabilitas 27
5. Untuk T dan A adalah suatu variabel acak, integral
_

A d1 akan diden-
isikan dengan
1 (A.1

) =
_

A d1 (4.56)
=
_

A.1

d1 (4.57)
dengan
1

(.) =
_
1 bila .
0 bila . ,
(4.58)
Ekspektasi 1 (A.1

) dapat dipandang sebagai rata-rata parsial ( partial average)


dari A terhadap himpunan .
Teorema 4.18 (monotone convergence theorem) Misal A
a
, : = 1, 2, adalah
barisan variabel acak yang konvergen hampir pasti (almost surely (a.s.)) ke variabel acak
A dan misalkan 0 _ A
1
_ A
2
_ A
3
_ a.:. maka
_

A d1 = lim
ao
_

A
a
d1 (4.59)
atau dituliskan dengan
1 (A) = lim
ao
1 (A
a
) (4.60)
Teorema 4.19 (dominated convergence theorem) Misal A
a
, : = 1, 2, adalah
barisan variabel acak yang konvergen hampir pasti (almost surely (a.s.)) ke variabel acak
A dan misalkan [A
a
[ _ 1 a.:. \: maka
_

A d1 = lim
ao
_

A
a
d1 (4.61)
atau dituliskan dengan
1 (A) = lim
ao
1 (A
a
) (4.62)
Kedua buah teorema ini sangat membantu untuk penghitungan integral
_

A d1 bila
A adalah variabel acak yang umum karena penghitungan integral
_

A
a
d1 lebih mudah
dilakukan dari pada penghitungan integral
_

A d1 langsung dari denisinya. Melalui


konsep aproksimasi variabel acak yang non-negatif kelak akan diperlihatkan bahwa selalu
bisa dibuat suatu barisan fungsi sederhana A
a
, : = 1, 2, 3, dengan sifat
0 _ A
1
(.) _ A
2
(.) _ A
3
(.) _ a.:. \. (4.63)
dan A (.) sebagai limit dari barisan tersebut
A (.) = lim
ao
A
a
(.) a.:.\. . (4.64)
Sifat barisan yang demikian memenuhi persyaratan yang dituntut oleh Teorema 4.18
maupun Teorema 4.19 sehingga dapat diperoleh hasil berikut
_

A d1 = lim
ao
_

A
a
d1. (4.65)
28 Kuliah ke 4. Ruang Probabilitas
Jadi prosedur penghitungan integral
_

A d1 untuk A yang bersifat umum akan lebih


mudah dilakukan melalui penghitungan integral
_

A
a
d1 untuk A
a
yang sederhana
kemudian diambil limitnya Dengan kata lain untuk setiap variabel acak A selalu dapat
dikonstruksi integral
_

A d1 (4.66)
sebagai ungkapan dari ekspektasi 1 (A) .
4.5 Aproksimasi variabel acak
Mula-mula akan diperkenalkan dulu aproksimasi untuk tiap variable acak kontinu dan
non-negatif A _ 0. Aproksimasi dari variabel acak A yang demikian adalah variabel
acak diskrit A
a
yang didenisikan dengan
A
a
=
a.2
n

i=0
i
2
a
1
(i2
n
A < (i+1)2
n
)
. (4.67)
Dari (4.67) dapat diperlihatkan bahwa aproksimasi tersebut menghasilkan barisan vari-
abel acak diskret A
1
, A
2
, A
3
, dengan sifat
0 _ A
1
(.) _ A
2
(.) _ A
3
(.) _ a.: \. . (4.68)
Bahkan bila variabel acak A (.) terbatas nilainya untuk tiap . maka bisa diperoleh
A
1
(.) _ A
2
(.) _ A
3
(.) _ _ A (.) a.: \. . (4.69)
Sifat lain yang bisa diturunkan dari aproksimasi (4.67) adalah
[A (.) A
a
(.)[ _ 2
a
a.: \. . (4.70)
sehingga bisa disimpulkan bahwa A
a
konvergen ke A
A (.) = lim
ao
A
a
(.) a.:.\. . (4.71)
Dengan demikian sifat barisan variabel acak diskret A
1
, A
2
, A
3
, ini telah memenuhi
persyaratan yang dikehendaki Teorema 4.18 atau Teorema 4.19.
Distribusi dari A
a
dapat dikarakterisasikan oleh hasil berikut
1
_
A
a
=
i
2
a
_
= 1
_
i
2
a
< A <
i + 1
2
a
_
, i = 0, 1, 2, , :.2
a
(4.72)
= 1
_
. :
i
2
a
< A (.) <
i + 1
2
a
_
, i = 0, 1, 2, , :.2
a
(4.73)
=
i
1 (.) , i = 0, 1, 2, , :.2
a
. (4.74)
4.5. Aproksimasi variabel acak 29
Sehingga ekspektasi 1 [A
a
] adalah
1 [A
a
] =
_

A
a
d1 (4.75)
=
a.2
n

i=0
i
2
a
1
_
1
(i2
n
A < (i+1)2
n
)

(4.76)
=
a.2
n

i=0
i
2
a
1
_
i
2
a
< A <
i + 1
2
a
_
(4.77)
=
a.2
n

i=0
i
2
a
1
_
. :
i
2
a
< A (.) <
i + 1
2
a
_
(4.78)
=
a.2
n

i=0
i
2
a

i
1 (.) (4.79)
dengan

i
1 (.) = 1
_
. :
i
2
a
< A (.) <
i + 1
2
a
_
, i = 0, 1, 2, , :.2
a
. (4.80)
Sehingga dari Teorema 4.18 atau Teorema 4.19 diperoleh
1[A] = lim
ao
1[A
a
] (4.81)
atau
_

A d1 = lim
ao
_

A
a
d1 (4.82)
= lim
ao
a.2
n

i=0
i
2
a

i
1 (.) . (4.83)
Karena A
a
nilainya naik bersamaan dengan kenaikkan :, maka limitnya bisa +.
Untuk variabel acak yang lebih umum, yaitu < A < , maka mula-mula A
diurai menjadi A = A
+
A

dengan A
+
= max(A, 0) dan A

= max(A, 0). Karena


A
+
_ 0, dan A

_ 0 maka masing-masing dapat diaproksimasi dengan variabel acak


diskrit A
+
a
dan A

a
sehingga ekspektasinya 1 (A) adalah
1 [A] =
_

A d1 (4.84)
=
_

A
+
d1
_

A

d1 (4.85)
= lim
ao
_

A
+
a
d1 lim
ao
_

a
d1. (4.86)
Contoh 4.20 Kelanjutan Contoh 4.14 dan Contoh 4.16 Hitunglah ekspektasi berikut
1. 1 (o
1
) =
_

o
1
dj
2. 1 (o
2
) =
_

o
2
dj.
30 Kuliah ke 4. Ruang Probabilitas
Solusi
Menurut Denisi 4.17,
1. ekspektasi 1 (o
1
) adalah
1 (o
1
) =
_

o
1
dj (4.87)
=
2

i=1
a
i
1 (
i
) (4.88)
= 8.1 ('', '1) + 2.1 (1', 11) (4.89)
= 8
_
j
2
+j
_
+ 2
_
j +
2
_
(4.90)
= 8j
2
+ 3j +
2
. (4.91)
2. ekspektasi 1 (o
2
) adalah
1 (o
2
) =
_

o
2
dj (4.92)
=
2

i=1
c
i
1 (C
i
) (4.93)
= 16.1 ('') + 4.1 ('1, 1') + 1.1 (11) (4.94)
= 16j
2
+ 4.2j +
2
(4.95)
= 16j
2
+ 8j +
2
. (4.96)
Contoh 4.21 Misal A adalah variabel acak yang berdistribusi seragam l(0, 1). Aproksi-
masilah A dengan suatu barisan A
1
, A
2
, A
3
, yang konvergen ke A dengan sifat
0 _ A
1
(.) _ A
2
(.) _ A
3
(.) _ a.: \. (4.97)
dan hitunglah integral
_

Ad1. (4.98)
Solusi
Untuk : = 1 aproksimasi dari variabel acak A adalah
A
1
=
2

i=0
i
2
1
1
(i2 A < (i+1)2)
(4.99)
= 0.1
(0 A <
1
2
)
+
1
2
1
(
1
2
A < 1)
(4.100)
Sebagai ilustrasi
Bila A = 2,5 maka A
1
= 0 dan [A A
1
[ = 2,5 < 2
1
Bila A = 4,5 maka A
1
= 1,2 dan [A A
1
[ = 1,5 < 2
1
4.5. Aproksimasi variabel acak 31
Untuk : = 2 aproksimasi dari variabel acak A adalah
A
2
=
2.2
2

i=0
i
2
2
1
(i4 A < (i+1)4)
=
0
4
1
(0 A < 14)
+
1
4
1
(14 A < 24)
+
2
4
1
(24 A < 34)
+
3
4
1
(34 A < 44)
+
4
4
1
(44 A < 54)
+
5
4
1
(54 A < 64)
+
6
4
1
(64 A < 74)
+
7
4
1
(74 A < 84)
Sebagi ilustrasi
Bila A = 1,5 maka A
2
= 0 dan [A A
2
[ = 4,20 < 2
2
Bila A = 2,5 maka A
2
= 1,4 dan [A A
2
[ = 3,20 < 2
2
Bila A = 3,5 maka A
2
= 2,4 dan [A A
2
[ = 2,20 < 2
2
Bila A = 4,5 maka A
2
= 3,4 dan [A A
2
[ = 1,20 < 2
2
.
Ekspektasi 1 [A] bisa diperoleh dari (4.81)
1[A] = lim
ao
1[A
a
] (4.101)
= lim
ao
a.2
n

i=0
i
2
a

i
1 (.) (4.102)
dengan

i
1(.) = 1
_
. :
i
2
a
_ A(.) _
i + 1
2
a
_
(4.103)
=
_
(i+1)2
n
i2
n
)
A
(r)dr (4.104)
=
_
(i+1)2
n
i2
n
dr (4.105)
=
i + 1
2
a

i
2
a
(4.106)
=
1
2
a
. (4.107)
Namun karena A ~ l (0, 1) maka

i
1(.) = 0 untuk i 2
a
(4.108)
sehinga

i
1(.) =
_
1
2
n
bila i _ 2
a
0 bila i _ 2
a
+ 1
(4.109)
32 Kuliah ke 4. Ruang Probabilitas
dan (4.102) menjadi
1 [A] = lim
ao
a.2
n

i=0
i
2
a

i
1 (.) (4.110)
= lim
ao
2
n

i=0
i
2
a
1
2
a
+ lim
ao
a.2
n

i=2
n
+1
i
2
a
.0 (4.111)
= lim
ao
1
2
2a
2
n

i=0
i (4.112)
= lim
ao
_
1
2
2a
_
1
2
.2
a
. (2
a
+ 1)
__
(4.113)
=
1
2
. (4.114)
4.6 Kebebasan
4.6.1 Kebebasan -aljabar
Denisi 4.22 Misal G dan H adalah sub o-aljabar dari T. Dikatakan G dan H saling
bebas bila
1 (
1

2
) = 1 (
1
) 1 (
2
) \
1
H dan \
2
G (4.115)
Contoh 4.23 Misal G adalah o-aljabar yang ditentukan oleh hasil lantunan koin yang
pertama dan H adalah o-aljabar yang ditentukan oleh hasil lantunan koin yang kedua.
G = ?, , '', '1 , 1', 11 (4.116)
H = ?, , '', 1' , '1, 11 (4.117)
Misal 1(') = j dan 1 (1) = dan dimisalkan

1
= '', '1 (4.118)

2
= '', 1' (4.119)
Maka diperoleh hasil berikut
1 (
1

2
) = 1 '' = j
2
(4.120)
1 (
1
) .1 (
2
) =
_
j
2
+j
_ _
j
2
+j
_
(4.121)
= j
2
(4.122)
= 1 (
1

2
) (4.123)
Bisa diperlihatkan bahwa untuk setiap
1
G dan
2
H maka berlaku 1 (
1

2
) =
1 (
1
) .1 (
2
) sehingga dapat disimpulkan bahwa oaljabar G dan oaljabar H saling
bebas.
4.6. Kebebasan 33
4.6.2 Kebabasan variabel acak
Denisi 4.24 (kebebasan variabel acak) Dua buah random variables A dan 1 sal-
ing bebas bila o (A) dan o (1 ) adalah dua buah o-aljabar yang saling bebas.
Contoh 4.25 Kelanjutan Contoh 4.14. Misal A = o
1
, 1 = o
2
,o
1
dengan
A (.) = o
1
(.) =
_
8 bila . '', '1
2 bila . 1', 11
(4.124)
dan
o
2
(.) =
_

_
16 bila . ''
4 bila . '1, 1'
1 bila . 11 .
. (4.125)
Dapat diamati bahwa variabel acak 1 hanya tergantung pada lantunan koin yang kedua
saja, yaitu
1 (.) =
o
2
(.)
o
1
(.)
=
_
2 bila . '', 1'
1
2
bila . '1, 11
. (4.126)
Dari hasil di Contoh 4.14.telah diperoleh o-aljabar o (o
1
) yang tidak lain adalah o-aljabar
o (A)
o (A) = ?, , '', '1 , 1', 11 (4.127)
sedangak o-aljabar o (1 ) dapat diperoleh dari atom-atomnya
o (1 ) = , ?, '', 1' , '1, 11 . (4.128)
Dapat diperlihatkan secara langsung bahwa setiap
1
o (A) dan
2
o (1 ) akan
menghasilkan
1 (
1

2
) = 1 (
1
) .1 (
2
) . (4.129)
Sebagai ilustrasi, misal

1
= '', '1 (4.130)

2
= '1, 11 (4.131)
sehingga

1

2
= '1 (4.132)
dengan
1 (
1

2
) = 1 ('1) (4.133)
= j (4.134)
34 Kuliah ke 4. Ruang Probabilitas
dan
1 (
1
) = 1 ('', '1) (4.135)
= j
2
+j (4.136)
= j (j +) (4.137)
= j (4.138)
j (
2
) = 1 ('1, 11) (4.139)
= j +
2
(4.140)
= (j +) (4.141)
= . (4.142)
Ilustrasi ini memperlihatkan
1 (
1

2
) = 1 (
1
) .1 (
2
) (4.143)
dan dengan cara yang sama bisa diperlihatkan bahwa hasil (4.143) berlaku untuk setiap

1
o (A) dan
2
o (1 ) .
Kuliah ke 5
Ekspektasi Bersyarat
Ekspektasi bersyarat merupakan alat yang sangat penting didalam matematika keuan-
gan. Karena itu konsep ekspektasi bersyarat ini perlu dipelajari dengan baik agar pema-
haman tentang matematika keuangan bisa dicapai dengan baik pula. Mula-mula akan
dipelajari ekspektasi bersyarat terhadap suatu himpunan kemudian akan dibahas ekspek-
tasi bersyarat terhadap suatu varibel acak yang diskrit lalu akan dipelajari ekspektasi
bersyarat terhadap suatu varibel acak secara umum. Akhirnya akan dibicarakan ek-
spektasi bersyarat terhadap suatu sigma aljabar yang dibangkitkan oleh suatu variabel
acak.
5.1 Peluang bersyarat
Denisi 5.1 (peluang bersyarat) Misal (, T, 1) adalah suatu ruang probabilitas.
Misal pula
1
dan
2
adalah dua buah kejadian (artinya
1
,
2
T) dengan 1 (
2
) ,= 0.
Peluang bersyarat dari
1
bila diberikan
2
(ditulis 1 (
1
[
2
)) didenisikan dengan
1 (
1
[
2
) =
1 (
1

2
)
1 (
2
)
. (5.1)
Contoh 5.2 Misal (, T, 1) adalah ruang probabilitas yang didenisikan pada Contoh
2.6. Bila
1
= '1 dan
2
= '1, 1' adalah dua buah kejadian, tentukan
1 (
1
[
2
) dan 1 (
2
[
1
) .
Solusi
Menurut Denisi 5.1 peluang bersyarat 1 (
2
[
1
) diberikan oleh
1 (
2
[
1
) =
1 (
1

2
)
1 (
1
)
(5.2)
=
1 ('1)
1 ('1)
(5.3)
= 1. (5.4)
35
36 Kuliah ke 5. Ekspektasi Bersyarat
dan 1 (
1
[
2
) diberikan oleh
1 (
1
[
2
) =
1 (
1

2
)
1 (
2
)
(5.5)
=
1 ('1, 1' '1)
1 ('1, 1')
(5.6)
=
1 ('1)
1 ('1, 1')
(5.7)
=
j
2j
(5.8)
=
1
2
. (5.9)
5.2 Ekspektasi bersyarat terhadap kejadian
Denisi 5.3 Misal (, T, 1) adalah suatu ruang probabilitas. Untuk setiap variabel A
yang dapat diintegralkan dan setiap kejadian T sehingga 1 () ,= 0, ekspektasi
bersyarat A diberikan (ditulis 1 (A[)) didenisikan dengan
1 (A[) =
1
1 ()
_

Ad1 (5.10)
=
1
1 ()
_

A1

d1. (5.11)
Contoh 5.4 Misal o
2
adalah variabel acak yang didenisikan pada Contoh 4.14 yang
diungkapkan seperti pada Contoh 4.16
o
2
=
3

i=1
a
i
1

i
. (5.12)
a
1
= 16, a
2
= 4, a
3
= 1 (5.13)

1
= '',
2
= '1, 1',
3
= 11 (5.14)
Misal
= '', 11 . (5.15)
Tentukan 1 (o
2
[) .
Solusi
Menurut Densi 5.3 ekspektasi bersyarat 1 (o
2
[) dapat dinyatakan dengan
1 (o
2
[) =
1
1 ()
_

o
2
d1 (5.16)
=
1
1 ()
_

o
2
1

d1. (5.17)
1 () dan
_

o
2
d1 dinyatakan dengan
1 () = 1 ('', 11) (5.18)
= j
2
+
2
(5.19)
5.3. Ekspektasi bersyarat terhadap variabel acak diskret 37
dan
_

o
2
d1 =
3

i=1
a
i
1 (1

i
.1

) (5.20)
= 16.1 ('') + 4.1 (?) + 1.1 (11) (5.21)
= 16j
2
+ 0 +
2
(5.22)
= 16j
2
+
2
. (5.23)
Sehingga ekspektasi bersyarat 1 (o
2
[) menjadi
1 (o
2
[) =
1
j
2
+
2
_
16j
2
+
2
_
. (5.24)
5.3 Ekspektasi bersyarat terhadap variabel acak diskret
Denisi 5.5 Misal A adalah varabel acak yang dapat diintegralkan dan 1 adalah vari-
abel acak diskret. Misalkan

i
= . : 1 (.) = j
i
, i = 1, 2, (5.25)
adalah atom-atom dari o (
i
) . Ekspektasi bersyarat dari A bila diberikan 1 didenisikan
sebagai variabel acak 1 (A[1 )
1 (A[1 ) (.) =
_

_
1 (A[
1
) bila .
1
1 (A[
2
) bila .
2
.
.
.
.
.
.
.
.
.
. (5.26)
Catatan 5.6 Ekspektasi bersyarat 1 (A[1 ) (.) adalah variabel acak dengan nilai yang
akan konstan untuk setiap .
i
, i = 1, 2, .
Contoh 5.7 Misal o
1
dan o
2
adalah dua buah variabel acak yang didenisikan pada
Contoh 4.14. Tentukan
1. 1 (o
2
[o
1
)
2.
_

1 (o
2
[o
1
) d1
3. 1 (o
1
[o
2
)
4.
_

1 (o
1
[o
2
) d1.
Solusi
1. Menurut 4.14 atom-atom dari o (
1
) adalah
C
1
=
_
o
1
1
(8)
_
= . : o
1
(.) = 8 = '', '1 (5.27)
C
2
=
_
o
1
1
(2)
_
= . : o
1
(.) = 2 = 1', 11 (5.28)
38 Kuliah ke 5. Ekspektasi Bersyarat
dengan
1 (C
1
) = 1 ('', '1) = j
2
+j = j (j +) = j (5.29)
1 (C
2
) = 1 (1', 11) = j +
2
= (j +) = (5.30)
dan
_
C
1
o
2
dj =
3

i=1
a
i
1 (1

i
.1
C
1
) (5.31)
= 16.1 ('') + 4.1 ('1) + 1.1 (?) (5.32)
= 16j
2
+ 4j (5.33)
_
C
2
o
2
dj =
3

i=1
a
i
1 (1

i
.1
C
2
) (5.34)
= 16.1 (?) + 4.1 ('1) + 1.1 (11) (5.35)
= 4j +
2
. (5.36)
sehingga
1 (o
2
[o
1
) (.) =
_
1 (o
2
[C
1
) bila . C
1
1 (o
2
[C
2
) bila . C
2
(5.37)
=
_
1
1(C
1
)
_
C
1
o
2
dj bila . C
1
1
1(C
2
)
_
C
2
o
2
dj bila . C
2
(5.38)
=
_
1
j
_
16j
2
+ 4j
_
bila . C
1
1
q
_
4j +
2
_
bila . C
2
(5.39)
=
_
(16j + 4) bila . C
1
= . : o
1
(.) = 8
(4j +) bila . C
2
= . : o
1
(.) = 2
(5.40)
2. Integral
_

1 (o
2
[o
1
) dj adalah
_

1 (o
2
[o
1
) dj = (16j + 4) .1 (C
1
) + (4j +) 1 (C
2
) (5.41)
= (16j + 4) j + (4j +) (5.42)
= 16j
2
+ 8j +
2
(5.43)
hasil ini sesuai dengan (4.96) , yaitu
_

o
2
d1, sehingga dapat disimpulkan bahwa
_

1 (o
2
[o
1
) dj =
_

o
2
d1. (5.44)
3. Menurut 4.14 atom-atom dari o (
2
) adalah

1
=
_
o
1
2
(16)
_
= . : o
2
(.) = 16 = '' (5.45)

2
=
_
o
1
2
(4)
_
= . : o
2
(.) = 4 = '1, 1' (5.46)

3
=
_
o
1
2
(1)
_
= . : o
2
(.) = 1 = 11 (5.47)
5.3. Ekspektasi bersyarat terhadap variabel acak diskret 39
dengan
1 (
1
) = 1 ('') = j
2
(5.48)
1 (
2
) = 1 ('1, 1') = 2j (5.49)
1 (
3
) = 1 (11) =
2
(5.50)
dan
_

1
o
1
dj =
2

i=1
c
i
1 (1
C
i
.1

1
) (5.51)
= 8.1 ('') + 2.1 (?) (5.52)
= 8j
2
(5.53)
_

2
o
1
dj =
2

i=1
c
i
1 (1
C
i
.1

2
) (5.54)
= 8.1 ('1) + 2.1 (1') (5.55)
= 10j (5.56)
_

3
o
1
dj =
2

i=1
c
i
1 (1
C
i
.1

3
) (5.57)
= 8.1 (?) + 2.1 (11) (5.58)
= 2
2
(5.59)
sehingga
1 (o
1
[o
2
) (.) =
_

_
1 (o
1
[
1
) bila .
1
1 (o
1
[
2
) bila .
2
1 (o
1
[
3
) bila .
3
(5.60)
=
_

_
1
1(
1
)
_

1
o
1
dj bila .
1
1
1(
2
)
_

2
o
1
dj bila .
2
1
1(
3
)
_

3
o
1
dj bila .
3
(5.61)
=
_

_
1
j
2
_
8j
2
_
bila .
1
1
2jq
(10j) bila .
2
1
q
2
_
2
2
_
bila .
3
(5.62)
=
_

_
8 bila .
1
= . : o
2
(.) = 16
5 bila .
2
= . : o
2
(.) = 4
2 bila .
3
= . : o
2
(.) = 1
(5.63)
40 Kuliah ke 5. Ekspektasi Bersyarat
4. Integral
_

1 (o
1
[o
2
) dj adalah
_

1 (o
1
[o
2
) dj = 8.1 (
1
) + 51 (
2
) + 2.1 (
3
) (5.64)
= 8j
2
+ 5.2j + 2
2
(5.65)
= 8j
2
+ 10j + 2
2
(5.66)
= 8j
2
+ 8j + 2j + 2
2
(5.67)
= 8j (j +) + 2 (j +) (5.68)
= 8j + 2. (5.69)
Hasil ini sesuai dengan (4.91) , yaitu
_

o
2
d1, sehingga dapat disimpulkan bahwa
_

1 (o
1
[o
2
) dj =
_

o
1
d1. (5.70)
Catatan 5.8 1. Dari hasil di (5.40) terlihat bahwa ekspektasi bersyarat 1 (o
2
[o
1
) (.)
adalah variabel acak dengan sumber keacakannya muncul dari o
1
. Jadi 1 (o
2
[o
1
)
adalah variabel acak yang merupakan fungsi dari o
1
. Nilai 1 (o
2
[o
1
) akan konstan
untuk . di tiap atom dari o (o
1
) . Dengan kata lain 1 (o
2
[o
1
) adalah variabel acak
yang o (o
1
)-terukur. Kesimpulan lain dari contoh ini adalah
_

1 (o
2
[o
1
) dj =
_

o
2
d1.
2. Kesimpulan serupa bisa diperoleh dari hasil di (5.63) . Terlihat bahwa ekspektasi
bersyarat 1 (o
1
[o
2
) (.) adalah variabel acak dengan keacakannya muncul dari o
2
.
Jadi 1 (o
1
[o
2
) adalah variabel acak yang merupakan fungsi dari o
2
. Nilai 1 (o
1
[o
2
)
akan konstan untuk . di tiap atom dari o (o
2
) . Dengan kata lain 1 (o
1
[o
2
) adalah
variabel acak yang o (o
2
)-terukur. Kesimpulan lain dari contoh ini adalah
_

1 (o
1
[o
2
) dj =
_

o
1
d1.
Apa yang diamati dari contoh soal ini akan dinyatakan dalam suatu Proposisi berikut.
Proposisi 5.9 Bila A adalah variabel acak yang dapat diintegralkan dan 1 adalah vari-
abel acak diskret maka
1. 1 (A[1 ) adalah o (1 )-terukur
2. Untuk tiap kejadian o (1 ) akan berlaku
_

1 (A[1 ) d1 =
_

Adj. (5.71)
Bukti
1. Misal atom-atom dari o (1 ) dinyatakan dengan

i
= . : 1 (.) = j
i
, i = 1, 2, . (5.72)
dan
_
i=1

i
= . (5.73)
5.4. Ekspektasi bersyarat terhadap variabel acak 41
Sebagai pengingat kembali bahwa o (1 ) adalah o-aljabar yang dibangkitkan oleh

i
, i = 1, 2, . Dari Denisi 5.5 dan Catatan 5.6 telah diketahui bahwa ekspektasi
bersyarat 1 (A[1 ) (.) adalah variabel acak dan akan bernilai konstan untuk tiap
.
i
. Dengan demikian 1 (A[1 ) (.) adalah o (1 )-terukur
1 (A[1 ) (.) =
_

_
1 (A[
1
) bila .
1
1 (A[
2
) bila .
2
.
.
.
.
.
.
.
.
.
. (5.74)
2. Telah diketahui bahwa 1 (A[
i
) (.) bernilai konstan untuk .
i
maka hasil
berikut ini bisa dipahami
_

i
1 (A[1 ) d1 =
_

i
1 (A[
i
) d1 (5.75)
= 1 (A[
i
)
_

i
d1 (5.76)
= 1 (A[
i
) 1 (
i
) (5.77)
=
_
1
1 (
i
)
_

i
Ad1
_
1 (
i
) (5.78)
=
_

i
Ad1. (5.79)
5.4 Ekspektasi bersyarat terhadap variabel acak
Denisi 5.10 Misal A adalah suatu variabel acak dan 1 adalah variabel acak yang
umum. Ekspektasi bersyarat A diberikan 1 adalah variabel acak 7 = 1 (A[1 ) (boleh
dituliskan dengan 7 = 1 (A[o (1 ))) sehingga
1. 7 adalah o (1 )-terukur
2. Untuk tiap o (1 )
_

7d1 =
_

Ad1. (5.80)
Apakah eksistensi variabel acak 7 = 1 (A[1 ) pada Denisi 5.10 selalau terjamin?
Ternyata jawabnya ya. Hal ini dijamin oleh Teorema Radon-Nikodym berikut ini.
Teorema 5.11 (Teorema Radon-Nikodym) Misal (, T, 1) adalah suatu ruang prob-
abilitas dan ( adalah sub-o-aljabar dari T. Untuk setiap variabel acak A akan ada vari-
abel acak 7 yang (-terukur sehingga
_

Ad1 =
_

7d1, \ (. (5.81)
Apakah variabel acak 7 ini unik? Lemma 5.12 dan Proposisi 5.9 berikut bisa dipakai
untuk memperlihatkan keunikan 7.
42 Kuliah ke 5. Ekspektasi Bersyarat
Lemma 5.12 Misal (, T, 1) adalah suatu ruang probabilitas dan misalkan ( adalah
sub-o-aljabar dari T. Bila A variabel acak yang (-terukur dan untuk setiap (
memenuhi _

Ad1 = 0 (5.82)
maka A = 0 a.s.
Proposisi berikut dapat dibuktikan dengan Teorema 5.11 dan Lemma 5.12.
Proposisi 5.13 Variabel acak 7 = 1 (A[() ada dan unik dalam arti bahwa A = A
t
a.s. jika dan hanya jika 1 (A[() = 1 (A
t
[() a.s.
5.5 Sifat-sifat ekspektasi bersyarat
Proposisi 5.14 Misal A dan 1 adalah dua buah variabel acak yagn terdenisi pada
suatu ruang probabilitas (, T, 1) , a dan / adalah bilangan riil, dan (, H adalah dua
buah sub-o-aljabar dari T. Ekspektasi bersyarat mempunyai sifat-sifat berikut
1. ( linearity) 1 (aA +/1 [() = 1 (A[() +1 (1 [()
2. 1 (1 (A[()) = 1 (A)
3. Bila 1 adalah ( terukur maka 1 (A1 [() = 1 1 (1 [()
4. Bila A dan ( saling bebas maka 1 (A[() = 1 (A)
5. ( tower property) Bila H _ ( maka 1 (1 (A[() [H) = 1 (A[H)
6. ( positivity) Bila A _ 0 maka 1 (A[() _ 0.
Kuliah ke 6
Martingales
Pada Kuliah kali ini akan diasumsikan bahwa pembicaraan senantiasa berada di ruang
probabilitas (, T, 1) . Mula-mula akan dideniskan suatu proses stokastik, kemudian
akan dikenali proses stokastik yang disebut martingales.
Denisi 6.1 (proses stokastik) Proses stokastik adalah suatu keluarga variabel acak
A (t) dengan t T dan T R. Bila T = 1, 2, maka A (t) adalah proses
stokastik dalam waktu diskret (atau A (t) adalah barisan bilangan acak). Bila T =
[0, ) maka A (t) adalah proses stokastik dalam waktu kontinu.
Denisi 6.2 (proses teradaptasi) Porses stokastik A (t) teradaptasi ( adapted) oleh
ltrasi T (t) bila A (t) adalah T (t)-terukur untuk \t T.
Denisi 6.3 (martingales) Proses stokastik A (t) disebut martingales bila memenuhi
sifat berikut
1. A (t) dapat diintegralkan \t T
2. A (t) teradaptasi oleh ltrasi T (t)
3. 1 (A (t) [T (:)) = A (:) untuk : _ t.
Catatan 6.4 Bila proses stokastik A (t) memenuh (1) dan (2) akan tetapi 1 (A (t) [T (:))
_ A (:) untuk : _ t maka A (t) disebut supermartingales. Bila proses stokastik
A (t) memenuh (1) dan (2) akan tetapi 1 (A (t) [T (:)) _ A (:) untuk : _ t maka
A (t) disebut submartingales.
Contoh 6.5 Misal A (1) , A (2) , A (3) , adalah barisan variabel acak yang saling be-
bas dengan
1 [(A (i))] = 0, i = 1, 2, 3, . (6.1)
Misal
' (:) = A (1) +A (2) +A (3) + +A (:) . (6.2)
Konstruksikan
T (:) = o (A (1) , A (2) , A (3) , ) (6.3)
43
44 Kuliah ke 6. Martingales
sebagai o-aljabar yang dibangkitkan oleh A (1) , A (2) , A (3) , . Akan diperlihatkan
bahwa ' (:) adalah martingales
1. Persyaratan (1) dipenuhi karena 1 [(A (i))] = 0, i = 1, 2, 3, .
2. Persyaratan (2) dipenuhi karena konstruksi T (:) sebagai o-aljabar yang dibangk-
itkan oleh A (1) , A (2) , A (3) , .
3. Persyaratan (3) dipenuhi karena A (: + 1) dan T (:) saling bebas sehingga
1 [A (: + 1) [T (:)] = 1 [A (: + 1)] (6.4)
dan
1 [' (: + 1) [T (:)] = 1 [A (1) +A (2) +A (3) + A (:) [T (:)] (6.5)
= A (1) +A (2) +A (3) + +1 [A (: + 1) [T (:)] (6.6)
= ' (:) +1 [A (: + 1)] (6.7)
= ' (:) . (6.8)
Kuliah ke 7
Teorema Radon-Nikodym
7.1 Pendahuluan
Pada pembahasan sebelumnya telah dilihat bahwa penghitungan harga suatu opsi diper-
lukan penghitungan ekspektasi di bawah ukuran probabilitas yang risk-neutral (risk-
neutral probability measure). Kali ini akan dipelajari hubungan antara ukuran proba-
bilitas pasar (market probability measure) 1 dan ukuran probabilitas yang risk-neutral
~
1.
7.2 Teorema Radon-Nikodym
Denisi 7.1 (
~
1 kontinu terhadap 1) Bila \ T dan 1 () = 0 sehingga
~
1 () =
0 maka dikatakan
~
1 kontinu terhadap 1.
Denisi 7.2 (1 ekivalen dengan
~
1) Bila 1 kontinu terhadap
~
1 dan sekaligus
~
1 kon-
tinu terhadap 1 maka dikatakan 1 ekivalen dengan
~
1.
Teorema 7.3 (Radon-Nikodym) Misal 1 dan
~
1 adalah dua buah ukuran probabilitas
di ruang terukur (, T) . Bila
~
1 kontinu terhadap 1 maka ada suatu variabel acak 7
_ 0 sehingga
~
1 () =
_

7 d1 \ T (7.1)
variabel acak 7 disebut turunan Radon-Nikodym dari
~
1 terhadap 1.
Catatan 7.4 Ungkapan bahwa 7 disebut turunan Radon-Nikodym derivative dari
~
1
terhadap 1 dapat dinyatakan dengan notasi
7 =
d
~
1
d1
(7.2)
atau
d
~
1 = 7d1 (7.3)
45
46 Kuliah ke 7. Teorema Radon-Nikodym
sehingga
~
1 [A] =
_

Ad
~
1 (7.4)
=
_

A7d1 (7.5)
= 1 [A7] . (7.6)
Dengan demikian kadang ungkapan yang menghubungkan antara 1 dan
~
1 pada (7.1)
~
1 () =
_

7 d1 \ T (7.7)
akan dinyatakan dengan (7.6)
~
1 [A] = 1 [A7] (7.8)
asalkan
1 [A7] < . (7.9)
7.3 Eksistensi ekspektsi bersyarat
Misal
1. (.T, Q) adalah suatu ruang probabilitas
2. ( adalah suatu sub-o-algebra dari T
3. A _ 0 adalah variabel acak dengan
_

A dQ = 1
Akan dikonstruksi 1
Q
(A [() , yaitu ekspektasi bersyarat di bawah Q dari A bila
diberikan (. Pada (, denisikan dua buah ukuran probabilitas 1 dan
~
1 dengan
1 () = Q() \ ( (7.10)
~
1 () =
_

AdQ \ (. (7.11)
Mula-mula akan diperlihatkan bahwa bila 1 adalah variabel yang (-terukur maka
_

1 d1 =
_

1 dQ. (7.12)
Hal ini dapat diperlihatkan dengan ilustrasi berikut, bila 1 = 1

untuk ( maka
_

1 d1 =
_
1

d1 = 1 () (7.13)
_

1 dQ =
_

dQ = Q() (7.14)
dan karena variabel acak 1 dapat diaproksimasi dengan variabel acak sederhana maka
hasil di atas dapat diperluas dari 1 = 1

dengan sembarang variabel acak 1.


7.3. Eksistensi ekspektsi bersyarat 47
Dari (7.11) terlihat bahwa
~
1 kontinu terhadap 1 sehingga menurut teorema Radon-
Nikodym ada suatu variabel acak 7 yang (-measurable sehingga
~
1 () =
_

7d1, \ ( (7.15)
di lain pihak denisi
~
1 () dari (7.11) adalah
~
1 () =
_

AdQ, \ ( (7.16)
sehingga dari (7.15) dan (7.16) dapat diperoleh
_

AdQ =
_

7d1 (7.17)
=
_

7dQ, \ ( (7.18)
Dapat diklaim bahwa 7 = 1
Q
(A [() karena
1. 7 = 1
Q
(A [() adalah (-measurable
2. \ ( berlaku sifat rataan parsial
_

7dQ =
_

7d1 (7.19)
=
_

AdQ (7.20)
=
_

1 (A[() dQ. (7.21)


Dari hasil di atas dapat disimpulkan bahwa eksistensi ekspektasi bersyarat adalah
hasil dari teorema Radon-Nikodym.
Kuliah ke 8
Integral Ito
8.1 Symmetric random walk
Lantunkan sebuah koin berkali-kali dan nyatakan hasilnya dengan variabel acak A
)
,
, = 1, 2, 3,
A
)
(.
)
) =
_
1 bila .
)
= '
1 bila .
)
= 1
(8.1)
Hasil lantunan koin yang satu saling bebas terhadap lantunan koin lainnya. Karena itu
A
1
, A
2
, A
3
, dapat diasumsikan saling bebas. Asumsikan pula 1 (') = 1 (1) = 1,2.
Sifat-sifat A
)
1. 1 [A
)
] = 1.1 (') + (1) 1 (1) = 1.
1
2
1.
1
2
= 0
2. var[A
)
] = 1
2
1 (') + (1)
2
1 (1) = 1.
3. Moment generating function dari A
)
adalah
,
A
j
(&)
= 1
_
c
&A
j

(8.2)
= c
&
1 (') +c
&
1 (1) (8.3)
=
1
2
c
&
+
1
2
c
&
. (8.4)
Denisikan '
I
dengan
'
0
= 0 (8.5)
'
1
= A
1
(8.6)
'
2
= A
1
+A
2
(8.7)
'
3
= A
1
+A
2
+A
3
(8.8)
.
.
. (8.9)
'
I
=
I

)=1
A
)
(8.10)
Proses '
I

o
I=0
akan disebut sebagai symmetric random walk.
48
8.2. Scaled symmetric random walk 49
8.1.1 Sifat-sifat dari symmetric random walk M
I

o
I=0
1. 1 ['
I
] = 1
_
I

)=1
A
)
_
=
I

)=1
1 [A
)
] = 0
2. var['
I
] =
I

)=1
var[A
)
] = /.
3. Increments dari '
I
'
1
'
0
= A
1
(8.11)
'
2
'
1
= A
2
(8.12)
.
.
. (8.13)
'
I
'
I1
= A
I
(8.14)
adalah saling bebas.
8.2 Scaled symmetric random walk
Misal : adalah bilangan bulat positif. Bila t =
I
a
atau / = t:, denisikan scaled sym-
metric random walk \
(a)
(t) dengan
\
(a)
(t) =
1
_
:
'
ta
(8.15)
=
1
_
:
'
I
(8.16)
Teorema 8.1 Untuk t _ 0 dan : , distribusi dari \
(a)
(t) akan konvergen ke
distribusi normal dengan mean 0 dan variansi t.
Bukti Moment generating function untuk \
(a)
(t) =
1
_
a
'
at
adalah ,
I
(n)
,
I
(n) = 1
_
c
&W
(n)
(t)
_
(8.17)
= 1
_
c
&.
1
p
n
A
nt
_
(8.18)
= 1
_
_
c
u
p
n
nt
P
j=1
A
j
_
_
(8.19)
= 1
_
c
u
p
n
A
1
.c
u
p
n
A
2
. .c
u
p
n
A
nt
_
(8.20)
=
_
1
2
c
u
p
n
+
1
2
c

u
p
n
_
at
(8.21)
50 Kuliah ke 8. Integral Ito
log ,
I
(n) = :t log
_
1
2
c
u
p
n
+
1
2
c

u
p
n
_
dan dengan mengasumsikan r =
1
_
a
maka diper-
oleh
lim
Io
log ,
I
(n) = t lim
a0
log
_
1
2
c
&a
+
1
2
c
&a
_
r
2
(8.22)
= t lim
a0
_
&
2
c
&a

&
2
c
&a
1
2
c
&a
+
1
2
c
&a
_
.
1
2r
(8.23)
= t lim
a0
_
1
1
2
c
&a
+
1
2
c
&a
_
lim
a0
_
&
2
c
&a

&
2
c
&a
2r
_
(8.24)
= t lim
a0
_
&
2
c
&a

&
2
c
&a
2r
_
(8.25)
= t lim
a0
_
&
2
2
c
&a
+
&
2
2
c
&a
2
_
(8.26)
=
t
2
n
2
(8.27)
Jadi akan diperoleh
,
I
(n) = c
1
2
&
2
t
(8.28)
dan ini adalah moment generating function dari variabel acak yang berdistribusi normal
dengan mean 0 dan variansi t.
Karena itu untuk : proses
_
\
(a)
(t)
_
akan konvergen menjadi proses \ (t)
dengan sifat-sifat
1. \ (0) = 0
2. \ (t) adalah fungsi kontinu di t
3. Bila 0 = t
0
< t
1
< t
2
< < t
a
dan didenisikan increments dari \ (t) dengan
1
1
= \ (t
1
) \ (t
0
) (8.29)
1
2
= \ (t
2
) \ (t
1
) (8.30)
.
.
. (8.31)
1
a
= \ (t
a
) \ (t
a1
) (8.32)
maka
(a) 1
1
, 1
2,`
1
a
saling bebas dan berdistribusi normal
(b) 1 (1
)
) = 0 \,
(c) ar (1
)
) = t
)
t
)1
\,
Proses stokastik \ (t) yang memenuhi sifat-sifat di atas disebut Brownian motion
atau Wiener process. Jadi dalam hal ini scaled symmetric random walk akan meng-
hasilkan Brownian motion asalkan : .
8.3. Quadratic variation 51
8.2.1 Kovariansi dari Brownian motion
Misal 0 _ : _ t , dan telah diperoleh bahwa \ (:) = \ (:) \ (0) dan \ (t) \ (:)
saling bebas sehingga diperoleh hasil-hasil berikut
1 [\ (:)] = 0, var [\ (:)] = : (8.33)
1 [\ (t)] = 0, ar (\ (t)) = t (8.34)
1 [\ (:) .\ (t)] = 1 \ (:) . [\ (t) \ (:) +\ (:)] (8.35)
= 1 \ (:) . [\ (t) \ (:)] +ar (\ (:)) (8.36)
= 0 +: = : . t. (8.37)
Teorema 8.2 Brownian motion adalah suatu martingale
Bukti Misal 0 _ : _ t maka
1
c
[\ (t)] = 1
c
[\(t) \ (:) +\ (:)] (8.38)
= 1
c
[\(t) \ (:)] +\ (:) (8.39)
= 0 +\ (:) (8.40)
8.3 Quadratic variation
Denisi 8.3 Misal = t
1
, t
2
, , t
a
adalah suatu partisi dari [0, T] dengan 0 = t
0
_
t
1
_ _ t
a
= T dan || = :a/:
I=0,1,2, ,a1
(t
I+1
t
I
) . Quadratic variation dari fungsi
) adalah [), )] (T) dan didenisikan dengan
[), )] (T) = lim
||0
a1

I=0
[) (t
I+1
) ) (t
I
)[
2
(8.41)
Dengan penggunaan mean value theorem, suatu Quadratic variation dari suatu fungsi
) yang dierentiable di selang [0, T] adalah
[), )] (T) = lim
||0
a1

I=0
[) (t
I+1
) ) (t
I
)[
2
(8.42)
= lim
||0
a1

I=0

)
t
_
t
+
I+1
_

2
(t
I+1
t
I
)
2
(8.43)
_ lim
||0
||
a1

I=0

)
t
_
t
+
I+1
_

2
(t
I+1
t
I
) (8.44)
_ lim
||0
||
_
T
0
)
t
(t)
2
dt (8.45)
_ 0 (8.46)
Jadi untuk fungsi ) yang dierentiable di selang [0, T] maka quadratic variation-nya
adalah [), )] (T) = 0. Dengan kata lain kalau ada fungsi ) dengan quadratic variation
52 Kuliah ke 8. Integral Ito
tidak 0 maka fungsi tersebut tidak dierentiable, seperti yang terjadi pada Brownian
motion \ (t) berikut ini.
Teorema 8.4 [\, \] (T) = T
Bukti Misal = t
1
, t
2
, , t
a
adalah suatu partisi dari [0, T] . Misal 1
I
= \ (t
I+1
)
\ (t
I
) dan denisikan Q

=
a1

I=0
1
2
I
sehingga Q

T =
a1

I=0
_
1
2
I
(t
I+1
t
I
)
_
. Akan
diperlihatkan bahwa
lim
||0
(Q

T) = 0. (8.47)
Mula-mula perhatikan dulu hasil berikut
1
2
I
(t
I+1
t
I
) = (\ (t
I+1
) \ (t
I
))
2
(t
I+1
t
I
) (8.48)
1
_
1
2
I
(t
I+1
t
I
)

= 1
_
(\ (t
I+1
) \ (t
I
))
2
(t
I+1
t
I
)
_
(8.49)
= (t
I+1
t
I
) (t
I+1
t
I
) (8.50)
= 0. (8.51)
Sehingga
1 (Q

T) = 1
_
a1

I=0
_
1
2
I
(t
I+1
t
I
)
_
_
= 0. (8.52)
Di samping itu
var [Q

T] =
a1

I=0
var
_
1
2
I
(t
I+1
t
I
)

(8.53)
=
a1

I=0
1
_
1
2
I
(t
I+1
t
I
)

2
(8.54)
=
a1

I=0
1
_
1
4
I
21
2
I
(t
I+1
t
I
) + (t
I+1
t
I
)
2
_
(8.55)
=
a1

I=0
3 (t
I+1
t
I
)
2
2 (t
I+1
t
I
)
2
+ (t
I+1
t
I
)
2
(8.56)
=
a1

I=0
2 (t
I+1
t
I
)
2
(8.57)
_ ||
a1

I=0
2 (t
I+1
t
I
) (8.58)
_ 2 || .T (8.59)
Jadi
lim
||0
ar (Q

T) = 0 (8.60)
Dari persamaan (8.52) dan (8.60) dapat disimpulkan bahwa
lim
||0
(Q

T) = 0 (8.61)
8.4. Konstruksi Integral Ito 53
sehingga
[\, \] (T) = T. (8.62)
Hasil ini memperlihatkan bahwa paths dari Brownian motion \ (t) tidak dieren-
tiable.
Catatan 8.5 Dari hasil di (8.51) dan (8.57) diperoleh
1
_
\ (t
I+1
) \ (t
I
)
2
(t
I+1
t
I
)
_
= 0 (8.63)
ar
_
\ (t
I+1
) \ (t
I
)
2
(t
I+1
t
I
)
_
= 2 (t
I+1
t
I
)
2
. (8.64)
Bila (t
I+1
t
I
) kecil sekali maka 2 (t
I+1
t
I
)
2
akan sangat kecil sehingga (8.64) menjadi
ar
_
\ (t
I+1
) \ (t
I
)
2
t
I+1
t
I
_
- 0. (8.65)
Dari (8.63) dan (8.65) dapat disimpulkan bahwa
\ (t
I+1
) \ (t
I
)
2
t
I+1
t
I
= 0 (8.66)
atau
\ (t
I+1
) \ (t
I
)
2
= t
I+1
t
I
(8.67)
yang dapat dinyatakan dengan
d\ (t) .d\ (t) = dt. (8.68)
8.4 Konstruksi Integral Ito
Integral Ito dibangun dengan unsur-unsur:
1. Integrator-nya adalah Brownian motion \ (t) , t _ 0 dan ltration-nya T (t) , t _
0 sehingga
(a) \ (t) adalah T (t)-measurable
(b) \t, t < t
1
< t
2
< < t
a
\ (t
1
) \ (t) , \ (t
2
) \ (t
1
) , , \ (t
a
) \ (t
a1
) (8.69)
saling bebas dari T (t) .
(c) untuk : _ t berlaku T (:) T (t)
2. Integrand-nya adalah fungsi c (t) , c _ 0 dengan sifat
(a) c (t) adalah T (t)-measurable (c (t) adalah adapted to T (t))
(b) 1
_
_
T
0
c
2
(t) dt
_
< 0
54 Kuliah ke 8. Integral Ito
Akan didenisikan Integral Ito
1 (t) =
_
t
0
c (n) d\ (n) , t _ 0 (8.70)
Catatan 8.6 Bila ) fungsi yang dierentiable maka
_
t
0
c (n) d) (n) =
_
c (n) )
t
(n) dn (8.71)
Namun karena \ (n) adalah tidak dierentiable maka kita bisa mendapatkan sesuatu
yang menyerupai persamaan (8.71) dengan \ (n) sebagi integrator-nya. Untuk itu perlu
dibangun konsep integral dengan integratornya adalah \ (n) , yaitu Integral Ito.
8.5 Integral Ito untuk fungsi sederhana
Misal = t
0
, t
1
, t
2
, , t
a
adalah suatu partisi dari [0, T] dengan 0 = t
0
_ t
1
_
_ t
a
= T . Misal c (t
I
) adalah suatu konstanta pada tiap selang [t
I
, t
I+1
). Proses
c (t) yang demikian disebut elementary process. Fungsi \ (t) dan c (t) dapat diartikan
sebagai berikut
1. \ (t) sebagai harga saham
2. t
0
, t
1
, t
2
, , t
a
sebagai tanggal jual beli saham
3. c (t
I
) sebagai jumlah saham yang dimiliki pada saat t
I
sampai saat t
I+1
.
Integral Ito 1 (t) =
_
t
0
c (n) d\ (n) dapat diinterpretasikan sebagai gain/loss yang
diperoleh dari jual beli saham pada saat t.
1 (t) =
_
t
0
c (n) d\ (n) (8.72)
= c (t
0
) [\ (t) \ (t
0
)] bila 0 _ t _ t
1
(8.73)
= c (t
0
) [\ (t
1
) \ (t
0
)] +c (t) [\ (t) \ (t
1
)] bila t
1
_ t _ t
2
(8.74)
= c (t
0
) [\ (t
1
) \ (t
0
)] +c (t
1
) [\ (t
2
) \ (t
1
)] +c (t) [\ (t) \ (t
2
)] bila t
2
_ t _ t
3
(8.75)
Umumnya bila t
I
_ t _ t
I+1
, Integral Ito 1 (t) untuk integrand elementer c didenisikan
dengan
1 (t) =
_
t
0
c (n) d\ (n) =
I1

)=0
c (t
)
) [\ (t
)+1
) \ (t
)
)] +c (t
I
) [\ (t) \ (t
I
)] (8.76)
Sifat-sifat integral Ito:
1. 1 (t) =
_
t
0
c (n) d\ (n) adalah T (t)-measurable
2. 1 (t) =
_
t
0
c (n) d\ (n) adalah suatu martingale
3. Bila 1 (t) =
_
t
0
c (n) d\ (n) dan J (t) =
_
t
0
(n) d\ (n) maka 1 (t) J (t) =
_
t
(c (n) + (n)) d\ (n)
8.6. Integral Ito untuk fungsi yang umum 55
8.6 Integral Ito untuk fungsi yang umum
Tentukan T. Misal c adalah suatu proses (tidak harus elementary process) yang bersifat
1. c (t) adalah T (t)-measurable \t [0, T]
2. 1
_
T
0
c
2
(t) dt < 0
Untuk pendenisian integral
_
T
0
c (t) d\ (t) , fungsi c (t) akan diaproksimasi oleh
fungsi sederhana c
a
(t) . Untuk : proses c
a
(t) akan konvergen ke c (t) dalam arti
lim
ao
1
_
T
0
(c
a
(t) c (t))
2
dt = 0. (8.77)
Untuk elementary process c
a
(t) , integral Ito didenisikan seperti pada (8.85)
1
a
(T) =
_
T
0
c
a
(t) d\ (t) \:. (8.78)
Kemudian denisikan integral Ito 1 (T) ==
_
T
0
c (t) d\ (t) dengan
1 (T) =
_
T
0
c (t) d\ (t) (8.79)
= lim
ao
_
T
0
c
a
(t) d\ (t) (8.80)
Sifat-sifat integral Ito 1 (T)
1. 1 (T) =
_
T
0
c (t) d\ (t) adalah T (t)-measurable
2. 1 (T) =
_
T
0
c (t) d\ (t) adalah suatu martingale
3. [1, 1] (t) =
_
t
0
c
2
(n) dn
Contoh 8.7 Perlihatkan bahwa
_
T
0
\ (n) d\ (n) =
1
2
\ (T)
2

1
2
T, T _ 0.
Bukti Integrand c (t) = \ (t) akan diaproksimasi oleh fungsi sederhana c
a
(t) yang
didenisikan dengan
c
a
(n) =
_

_
\ (0) bila 0 _ n <
T
a
\
_
T
a
_
bila
T
a
_ n <
2T
a
.
.
.
.
.
.
.
.
.
\
_
(a1)T
a
_
bila
(a1)T
a
_ n < T.
(8.81)
Dari denisi c
a
(t) terlihat bahwa persyaratan
lim
ao
1
_
T
0
(c
a
(t) \ (t))
2
dt = 0 (8.82)
56 Kuliah ke 8. Integral Ito
dipenuhi sehingga
_
T
0
\ (n) d\ (n) = lim
ao
_
T
0
c
a
(n) d\ (n) (8.83)
= lim
ao
a1

)=0
\
_
,T
:
__
\
_
(, + 1) T
:
_
\
_
,T
:
__
(8.84)
= lim
ao
a1

)=0
\
)
[\
)+1
\
)
] (8.85)
dengan
\
)
= \
_
,T
:
_
. (8.86)
Integral (8.85) bisa dinyatakan dengan
_
T
0
\ (n) d\ (n) = lim
ao
_
_
1
2
\
2
a

1
2
a1

)=0
(\
)+1
\
)
)
2
_
_
(8.87)
=
1
2
\ (T)
2
lim
ao
1
2
a1

)=0
(\
)+1
\
)
)
2
(8.88)
=
1
2
\ (T)
2

1
2
[\, \] (T) (8.89)
=
1
2
\ (T)
2

1
2
T. (8.90)
Kuliah ke 9
Rumus Ito
9.1 Rumus Ito
Deret Taylor untuk nilai fungsi ) di sekitar r
I
dapat diaproksimasi dengan
) (r
I+1
) = ) (r
I
) +)
t
(r
I
) (r
I
r
I+1
) +
1
2
)
tt
(r
I
) (r
I+1
r
I
) (9.1)
Bila r
a
= \ (t
I
) maka akan didapat
) (\ (t
I+1
)) = ) (\ (t
I
)) +)
t
(\ (t
I
)) [\ (t
I+1
\ (t
I
))] + (9.2)
1
2
)
tt
(\ (t
I
)) [\ (t
I+1
\ (t
I
))]
2
(9.3)
atau
) (\ (t
I+1
)) ) (\ (t
I
)) = )
t
(\ (t
I
)) [\ (t
I+1
\ (t
I
))] + (9.4)
1
2
)
tt
(\ (t
I
)) [\ (t
I+1
\ (t
I
))]
2
(9.5)
Misal = t
0
, t
1
, , t
a
adalah partisi dari [0, t]
) (\ (T)) ) (\ (0)) =
a1

I=0
[) (\ (t
I+1
)) ) (\ (t
I
))] (9.6)
=
a1

I=0
)
t
(\ (t
I
)) [\ (t
I+1
\ (t
I
))] + (9.7)
1
2
a1

I=0
)
tt
(\ (t
I
)) [\ (t
I+1
\ (t
I
))]
2
(9.8)
Untuk || 0
) (\ (T)) ) (\ (0)) =
_
t
0
)
t
(\ (n)) d\ (n) +
1
2
_
t
0
)
tt
(\ (n)) (d\ (n))
2
(9.9)
=
_
t
0
)
t
(\ (n)) d\ (n) +
1
2
_
t
0
)
tt
(\ (n)) dt (9.10)
57
58 Kuliah ke 9. Rumus Ito
Sehingga rumus Ito dalam bentuk integral dapat dinyatakan dengan
) (\ (T)) = ) (\ (0)) +
_
t
0
)
t
(\ (n)) d\ (n) +
1
2
_
t
0
)
tt
(\ (t)) dt (9.11)
Sedangkan Itos formula dalam bentuk diferensial dapat dinyatakan dengan
d) (\ (t)) = )
t
(\ (t)) d\ (t) +
1
2
)
tt
(\ (t)) dt (9.12)
Berbagai variasi dari rumus Ito dapat dikenali dari bentuk fungsi ).
Bila fungsinya berbentuk ) (t, \ (t)) maka rumus Ito-nya adalah
d) (t, \ (t)) = )
t
dt +)
W
d\ (t) +
1
2
)
WW
dt (9.13)
Bila fungsinya berbentuk ) (t, A) dengan A mengikuti
dA = jdt +od\ (9.14)
maka rumus Ito-nya adalah
d) (t, A) = )
t
dt +)
A
dA +
1
2
)
AA
dt (9.15)
= )
t
dt +)
A
[jdt +od\] +
1
2
)
AA
dt (9.16)
=
_
)
t
+j)
A
+
1
2
)
AA
_
dt +o)
A
d\ (9.17)
Bila fungsinya berbentuk ) (t, \
1
(t) , \
2
(t)) dengan d\
1
(t) d\
2
(t) = 0 maka
rumus Ito-nya adalah
d) (t, \
1
(t) , \
2
(t)) = )
t
dt +)
W
1
d\
1
+)
W
2
d\
2
+ (9.18)
1
2
[)
W
1
W
1
d\
1
d\
1
+ 2)
W
1
W
2
d\
1
d\
2
+)
W
1
W
2
d\
1
d\
2
]
(9.19)
Bila fungsinya berbentuk ) (t, A
1
, A
2
) dengan
dA
1
= j
1
dt +o
11
d\
1
+o
12
d\
2
(9.20)
dA
2
= j
2
dt +o
21
d\
1
+o
22
d\
2
(9.21)
maka rumus Ito-nya adalah
d) (t, A
1
, A
2
) = )
t
dt +)
A
1
dA
1
+)
A
2
dA
2
+ (9.22)
1
2
[)
A
1
A
1
dA
1
dA
1
+ 2)
A
1
A
2
dA
1
dA
2
+)
A
2
A
2
dA
2
dA
2
] (9.23)
= )
t
dt +)
A
1
[j
1
dt +o
11
d\
1
+o
12
d\
2
] + (9.24)
)
A
2
[j
2
dt +o
21
d\
1
+o
22
d\
2
] + (9.25)
1
2
_
)
A
1
A
1
(j
1
dt +o
11
d\
1
+o
12
d\
2
)
2
+ (9.26)
)
A
1
A
2
(j
1
dt +o
11
d\
1
+o
12
d\
2
) (j
2
dt +o
21
d\
1
+o
22
d\
2
) +
)
A
2
A
2
(j
2
dt +o
21
d\
1
+o
22
d\
2
)
2
_
(9.27)
9.2. Geometric Brownian motion 59
9.2 Geometric Brownian motion
Harga saham pada saat t, yaitu o (t) , dikatakan mengikuti geometric Brownian motion
bila dapat dinyatakan dengan
o (t) = o (0) . exp
_
o\ (t) +
_
j
1
2
o
2
_
t
_
(9.28)
j dan o adalah konstanta dengan o 0. Dengan penggunaan rumus Ito, maka geometric
Brownian motion dalam bentuk diferensial dapat dinyatakan dengan
d (o (t)) = o (t)
_
j
1
2
o
2
_
dt +o (t) od\ (t) +o (t)
1
2
o
2
dt (9.29)
= jo (t) dt +oo (t) d\ (t) (9.30)
Sedangkan geometric Browniam motion dalam bentuk integral adalah
o (t) = o (0) +
_
t
0
jo (n) dn +
_
t
0
oo (n) d\ (n) (9.31)
Integral yang pertama adalah integral Riemann sedangkan integral yang kedua adalah
integral Ito. Quadratic variation dari o (t) hanya tergantung pada integral Ito-nya, yaitu
do (t) do (t) = o
2
o (t)
2
dt. (9.32)
Kuliah ke 10
Teorema Girsanov
10.1 Teorema Girsanov
Teorema Girsanov sangat penting untuk digunakan agar bisa pindah dari suatu ukuran
probabilitas ke ukuran probabilitas lainnya.
Teorema 10.1 (Teorema Girsanov) Misal \ (t), 0 _ t _ T adalah suatu Brownian
motion di suatu ruang probabilitas (, T, T) dan misalkan T (t) adalah ltrasi yang
dibangkitkan oleh Brownian motion. Misalkan pula 0 (t), 0 _ t _ T adalah suatu proses
yang teradaptasi oleh ltrasi T (t). Untuk 0 _ t _ T denisikan
~
\ (t) dengan
~
\ (t) = \ (t) +
_
t
0
0 (n) dn (10.1)
dan denisikan
~
1 melalui
~
1 () =
_

7 (T) d1 (10.2)
dengan 7 (t) didenisikan oleh
7 (t) = exp
_

_
t
0
0 (n) d\ (n)
1
2
_
t
0
0 (n)
2
dn
_
. (10.3)
Di bawah
~
1, proses
~
\ (t) , 0 _ t _ T adalah suatu Brownian motion.
Catatan 10.2 Berikut ini beberapa sifat yang ditimbulkan oleh 7 (t)
1. 7 (t) adalah suatu martingale. Dengan rumus Ito akan didapat
d7 (t) = 0 (t) 7 (t) d\ (t) +
1
2
0 (t)
2
7 (t) dt
1
2
0 (t)
2
7 (t) dt (10.4)
= 0 (t) 7 (t) d\ (t) (10.5)
atau ditulis dalam bentuk integral Ito
7 (t) 7 (0) =
_
t
0
0 (n) 7 (n) d\ (n) (10.6)
Karena integral Ito adalah suatu martingale maka 7 (t) adalah suatu martingale
pula.
60
10.1. Teorema Girsanov 61
2.
~
1 adalah suatu ukuran probabilitas
3.
~
1A = 1 [7 (T) .A] , karena untuk A = 1

\ T maka
~
1A =
_

d
~
1 (10.7)
=
~
1 () (10.8)
=
_

7 (T) d1 (10.9)
=
_

7 (T) .1

d1 (10.10)
= 1 [7 (T) .A] , (10.11)
kemudian gunakan hasil bahwa setiap variabel acak dapat diaproksimasi dengan
suatu variabel acak sederhana.
4. Bila 0 konstan
7 (T) = exp
_
0\ (T)
1
2
0
2
T
_
(10.12)
~
\ (T) = 0T +\ (T) (10.13)
Di bawah 1, \ (T) ~ (0, T) , sehingga
~
\ (T) ~ (0T, T) .
5. Perubahan uuran probabilitas dari 1 ke
~
1 akan menghilangkan drift dari
~
\ (T)
~
1
_
~
\ (T)
_
= 1 (7 (T) (0T +\ (T))) (10.14)
= 1
_
0T +\ (T) exp
_
0\ (T)
1
2
0
2
T
__
(10.15)
=
1
_
2T
_
o
o
(0T +n) exp
_
0n
1
2
0
2
T
_
exp
_

\
2
2T
_
dn
=
1
_
2T
_
o
o
(0T +n) exp
_

(n +0T)
2
2T
_
dn (10.16)
=
1
_
2T
_
o
o
j exp
_

j
2
2T
_
dj (10.17)
= 0. (10.18)
Perubahan ukuran probabilitas dari 1 ke
~
1 telah menghilangkan drift dari
~
\ (T)
sehingga di bawah
~
1,
~
\ (T) ~ (0, T) sedangkan di bawah 1,
~
\ (T) ~ (0T, T) .
Lemma 10.3 Misal 0 _ t _ T. Bila A adalah T (t)-measurable maka
~
1 (A) = 1 (A.7 (t)) (10.19)
Bukti
~
1 (A) = 1 [A7 (T)] (10.20)
= 1 [1 [A7 (T) [T (t)]] (10.21)
= 1 [A1 [7 (T) [T (t)]] (10.22)
= 1 [A7 (t)] (10.23)
62 Kuliah ke 10. Teorema Girsanov
Lemma 10.4 (aturan Bayes) Bila A adalah T (t)-measurable dan 0 _ : _ t _ T
maka
~
1 (A[T (:)) =
1
7 (:)
1 (A7 (t) [T (:)) (10.24)
Bukti 7 (:) adalah T (:)-measurable. Demikian pula 1 (A7 (t) [T (:)) adalah T (:)-
measurable sehingga
1
Z(c)
1 (A7 (t) [T (:)) adalah T (:)-measurable pula.
Untuk \ T (:) berlaku
_

1
7 (:)
1 (A7 (t) [T (:)) d
~
1 =
~
1
_
1

1
7 (:)
1 [A7 (t) [T (:)]
_
(10.25)
= 1
_
1

7 (:)
1
7 (:)
1 [A7 (t) [T (:)]
_
(10.26)
= 1 [1 [1

A7 (t) [T (:)]] (10.27)


= 1 [1

A7 (t)] (10.28)
=
~
1 [1

A] (10.29)
=
_

Ad
~
1 (10.30)
Lemma 10.5 (sifat martingale)
~
1
_
~
\ (t) [T (:)
_
=
~
\ (:) 0 _ : _ t _ T
Bukti Pertama-tama akan diperlihatkan bahwa
~
\ (t) 7 (t) adalah suatu martingale di
bawah 1 dengan pemanfaatan hasil dari rumus Ito untuk multidimensi
d
_
~
\7
_
=
~
\d7 +7d
~
\ +d
~
\d7 (10.31)
Selanjutnya substitusikan (10.1) dalam bentuk dierential d
~
\ (t) = 0 (t) dt +d\ (t) dan
(10.5) ke dalam (10.31)
d
_
~
\7
_
=
~
\07d\ +70dt +7d\ 07dt (10.32)
= (\07 +7) d\ (10.33)
Persamaan ini bisa dituliskan dalam bentuk integral Ito
~
\ (t) 7 (t) =
_
t
0
_

~
\ (n) 0 (n) 7 (n) +7 (n)
_
d\ (n) (10.34)
Sehingga dapat disimpulkan bahwa
~
\ (t) 7 (t) adalah suatu martingale karena integral
Ito adalah suatu martingale.
Sifat ini akan dipakai untuk memperlihatkan hasil berikut
~
1
_
~
\ (t) [T (:)
_
=
1
7 (:)
1
_
~
\ (t) 7 (t) [T (:)
_
(10.35)
=
1
7 (:)
~
\ (:) 7 (:) (10.36)
=
~
\ (:) (10.37)
10.2. Risk-Neutral measure 63
Persamaan (10.2) dipakai untuk membangun ukuran probabilitas
~
1 bila diketahui
ukuran probabilitas 1. Demikian pula sebaliknya, bila diketahui
~
1 maka bisa dibangun
ukuran probabilitas 1 dengan penggunaan hasil dari Lemma di atas bahwa bila A
adalah T (t)-measurable maka
~
1A = 1 [A7 (t)] . Bila T (t) maka
~
A = 1

A adalah
T (t)-measurable sehingga
~
1
~
A = 1
_
~
A7 (t)
_
(10.38)
~
1 [1

A] = 1 [1

A7 (t)] (10.39)
_

Ad
~
1 =
_

A7 (t) d1 (10.40)
Bila t = T dan A =
1
Z(T)
maka didapat
_

1
7 (T)
d
~
1 =
_

d1 = 1 () (10.41)
Jadi 1 bisa diperoleh dari
~
1
1 () =
_

1
7 (T)
d
~
1 (10.42)
demikian pula sebaliknya
~
1 () =
_

7 (T) d1 (10.43)
10.2 Risk-Neutral measure
Misal \ (t) , 0 _ t _ T adalah Brownian motion dan T (t) , 0 _ t _ T adalah ltrasi
yang dibangkitkan oleh Brownian motion. Berikut ini beberapa proses yang akan dipakai
untuk membangun pengertian risk-neutral measure:
Stock price process
Stock price process o (t) memenuhi persamaan diferensial stokastik:
do (t) = j(t) o (t) dt +o (t) o (t) d\ (t) (10.44)
Dari persamaan (10.44) ini terlihat bahwa o (t) bukan martingale terhadap ltrasi T (t)
karena ada faktor j(t) o (t) dt.
Interest rate process
Interest rate process r (t) , 0 _ t _ T adalah suatu proses yang teradaptasi terhadap
T (t) .
Wealth process
64 Kuliah ke 10. Teorema Girsanov
Mulai dengan A (0) = r dan (t) menyatakan jumlah saham yang dimiliki pada
saat t, wealth process A (t) dapat diungkapkan dengan
dA (t) = (t) do (t) +r (t) (A (t) (t) o (t)) dt (10.45)
Faktor pertama di ruas kanan menyatakan capital gain dari saham sedangkan faktor ke-
dua menyatakan kenaikkan pendapatan dari bunga. Persamaan (10.45) memperlihatkan
bahwa A (t) bukanlah martingale terhadap ltrasi T (t) .
Persamaan (10.45) dapat dituliskan dalam bentuk
dA (t) = r (t) A (t) dt +(t) [do (t) r (t) o (t) dt] (10.46)
= r (t) A (t) dt +(t) [j(t) o (t) dt +o (t) o (t) d\ (t) r (t) o (t) dt] (10.47)
= r (t) A (t) dt +(t) [(j(t) r (t)) o (t) dt +o (t) o (t) d\ (t)] (10.48)
= r (t) A (t) dt +(t) o (t) o (t)
__
j(t) r (t)
o (t)
_
dt +d\ (t)
_
(10.49)
= r (t) A (t) dt +(t) o (t) o (t) [0 (t) dt +d\ (t)] (10.50)
dengan 0 (t) menyatakan market price of risk
0 (t) =
j(t) r (t)
o (t)
(10.51)
Bila diasumsikan
d\ (t) = 0 (t) dt +d\ (t) (10.52)
maka persamaan (10.50) dapat dinyatakan dengan
dA (t) = r (t) A (t) dt +(t) o (t) o (t) d\ (t) (10.53)
sedangkan persamaan (10.44) dapat dinyatakan dengan
do (t) = j(t) o (t) dt +o (t) o (t) [d\ (t) 0 (t) dt] (10.54)
= j(t) o (t) dt o (t) 0 (t) o (t) dt +o (t) o (t) d\ (t) (10.55)
= [j(t) o (t) 0 (t)] o (t) dt +o (t) o (t) d\ (t) (10.56)
= r (t) o (t) dt +o (t) o (t) d\ (t) (10.57)
Dari persamaan (10.53) dan (10.57) ternyata o (t) dan \ (t) bukan pula martingale di
bawah
~
1.
Jadi o (t) dan A (t) bukan martingale di bawah 1 maupun di bawah
~
1. Uraian di
bawah akan memperlihatkan bahwa proses yang terdiskonto o
+
(t) dan
~
A (t)
~
o (t) =
o (t)
, (t)
(10.58)
~
A (t) =
A (t)
, (t)
(10.59)
adalah martingale di bawah
~
1, dengan , (t) menyatakan faktor akumulasi
, (t) = c
R
t
0
v(&)o&
(10.60)
10.2. Risk-Neutral measure 65
dan , (t)
1
= 1,, (t) menyatakan faktor diskonto
, (t)
1
=
1
, (t)
= c

R
t
0
v(&)o&
(10.61)
Bentuk diferensial dari , (t) adalah
d, (t) = , (t) r (t) dt (10.62)
sedangkan bentuk diferensial dari , (t)
1
adalah
d, (t)
1
= , (t)
1
r (t) dt (10.63)
Bentuk diferensial dari
~
o (t) adalah
d
~
o (t) = d
_
o (t)
, (t)
_
(10.64)
= , (t)
1
do (t) +o (t) d, (t)
1
(10.65)
= , (t)
1
[r (t) o (t) dt +o (t) o (t) d\ (t)] +o (t)
_
, (t)
1
r (t) dt
_
(10.66)
= , (t)
1
o (t) o (t) d\ (t) (10.67)
=
o (t)
, (t)
o (t) d\ (t) (10.68)
= o (t) o
+
(t) d\ (t) (10.69)
Karena o (t)
~
o (t) adalah adapted process to the ltration T (t) maka dari persamaan
(10.69) dapat dilihat bahwa discounted stock price process
~
o (t) = o (t) ,, (t) adalah
suatu martingale di bawah
~
1.
Bentuk diferensial dari discounted wealth process
~
A (t) adalah
d
~
A (t) = d
_
A (t)
, (t)
_
(10.70)
= , (t)
1
dA (t) +A (t) d, (t)
1
(10.71)
= , (t)
1
[r (t) A (t) dt +(t) o (t) o (t) d\ (t)] +A (t)
_
, (t)
1
r (t) dt
_
(10.72)
= , (t)
1
(t) o (t) o (t) d\ (t) (10.73)
=
o (t)
, (t)
(t) o (t) d\ (t) (10.74)
= (t) o (t) o
+
(t) d\ (t) (10.75)
Karena (t) o (t) o
+
(t) adalah adapted process to the ltration T (t) maka dari per-
samaan (10.75) dapat dilihat bahwa discounted wealth process
~
A (t) = A (t) ,, (t) adalah
suatu martingale di bawah
~
1.
Kuliah ke 11
Teorema Representasi Martingale
Pada bab ini akan dipelajari suau teorema yang akan berguna untuk memperlihatkan
eksistensi dari suatu heging portfolio.
Teorema 11.1 (Teorema representasi martingale) Misal \ (t) , 0 _ t _ T adalah
sutau Brownian motion di (, T, 1) . Misal A (t) , 0 _ t _ T adalah suatu martingale
(di bawah 1) relatif terhadap ltrasi.T (t) yang dibangkitkan oleh \ (t). Maka ada
suatu proses c (t) , 0 _ t _ T yang teradapsi terhadap ltrasi T (t) sehingga
A (t) = A (0) +
_
t
0
c (:) d\ (:) , 0 _ t _ T (11.1)
atau ditulis dalam bentuk diferensial
dA (t) = c (t) d\ (t) (11.2)
Catatan 11.2 Ingat bahwa bila A (t) adalah proses yang memenuhi persamaan (11.2)
maka A (t) adalah martingale.
Teorema ini menyatakan bahwa bila A (t) adalah suatu proses yang martingale dan
teradaptasi terhadap ltrasi yang dibangkitkan oleh \ (t) (dengan kata lain, \ (t)
adalah satu-satunya sumber keacakan bagi A (t)) maka A (t) memenuhi
dA (t) = c (t) d\ (t) (11.3)
untuk suatu c (t) .
Teorema ini dapat dipakai untuk memperlihatkan eksistensi suatu hedging portfolio
(t) , 0 _ t _ T.
Dengan portfolio process (t) , 0 _ t _ T ini dari bab sebelumnya telah diketahui
bahwa the wealth process A (t) , 0 _ t _ T dapat dinyatakan dengan
d
_
A (t)
, (t)
_
= (t) o (t)
o (t)
, (t)
d\ (t) (11.4)
atau
A (t)
, (t)
= A (0) +
_
t
0
(:) o (:)
o (:)
, (:)
d\ (:) , 0 _ t _ T (11.5)
66
67
Misal \ (T) adalah suatu variabel acak yang T (T)-measurable dan meyatakan nilai
dari suatu contingent claim pada saat T. Akan dipilih suatu portfolio process (t) ,
0 _ t _ T dan A (0) sehingga
A (T) = \ (T) (11.6)
Denisikan
1 (t) =
~
1
_
\ (T)
, (T)

T (t)
_
, 0 _ t _ T (11.7)
1 (t) adalah
~
1-martingale sehingga menurut teorema representasi martingale ada suatu
adapted process (t) , 0 _ t _ T sehingga
1 (t) = 1 (0) +
_
t
0
(:) d\ (:) , 0 _ t _ T (11.8)
Dengan pembandingan persamaan (11.5) dan (11.8) maka dapat diilih
A (0) = 1 (0) =
~
1
_
\ (T)
, (T)
_
(11.9)
dan (:) sehingga
(:) o (:)
o (:)
, (:)
= (:) (11.10)
Dengan pilihan-pilihan ini maka
A (t)
, (t)
= 1 (t) =
~
1
_
\ (T)
, (T)

T (t)
_
, 0 _ t _ T (11.11)
Khususnya pada saat T, persamaan (11.11) menjadi
A (T)
, (T)
=
~
1
_
\ (T)
, (T)

T (T)
_
(11.12)
=
\ (T)
, (T)
(11.13)
atau
A (T) = \ (T) (11.14)
Jadi portfolio process (t) , 0 _ t _ T adalah suatu hegding portfolio.
Rumus risk-neutral pricing pun dapat pula diturunkan dari (11.11) :
A (t)
, (t)
=
~
1
_
\ (T)
, (T)

T (t)
_
(11.15)
=
1
7 (t)
1
_
7 (T)
, (T)
\ (T)

T (t)
_
(11.16)
A (t) =
1
7
+
(t)
1 [ 7
+
(T) \ (T)[ T (t)] (11.17)
dengan
7
+
(t) =
7 (t)
, (t)
(11.18)
= exp
_

_
t
0
0 (:) d\ (:)
_
t
0
_
r (:) +
1
2
0
2
(:)
_
d:
_
(11.19)
Kuliah ke 12
Rumus Black-Scholes
12.1 Pendahuluan
Ada banyak cara untuk mendapatkan rumus Black-Scholes. Pada bab ini akan dipela-
jari berbagai cara mendapatkan rumus Black-Scholes dengan metoda yang berbeda-beda.
Tujuannya agar pembaca bisa mempunyai wawasan yang luas tentang berbagai metoda
matematika yang bisa dipergunakan di dalam matematika keuangan. Cara kesatu meng-
gunakan asumsi bahwa harga saham berdistribusi lognormal. Cara kedua menggunakan
persaman diferensial parsial. Cara ketiga menggunakan risk-neutral pricing.
12.2 Cara pertama
Ini adalah cara yang paling sederhana yang bisa dilakukan untuk mendapatkan rumus
Black-Scholes. Dengan metoda ini pemahaman tentang nance sangat minim. Namun
demikian cara ini memuat perhitungan yang kelak akan diulang-ulang dipakai di metoda
lain. Cara ini hanya mengandalkan dua buah asumsi.
Misal harga saham pada saat T dinyatakan dengan o (T) dan diasumsikan bahwa
1. A = ln (o (T) ,o (0)) ~ (jT, o
2
T) (12.1)
2. o (0) = c
vT
1 (o (T)) (12.2)
Dari asumsi pertama, pdf untuk A dapat dituliskan dengan (lihat apeendiks lognormal):
)(r) =
1
o
_
2T
exp
_

1
2
_
r jT
o
_
T
_
2
_
Sedangkan pdf untuk o
T
dapat diperoleh dengan menggunakan tehnik transformasi
peubah acak melalui pdf A dengan [J[ =

oA
oS(T)

1
S(T)

=
1
S(T)
,
)(: (T)) =
1
: (T) o
_
2T
exp
_

1
2
_
ln(: (T) ,: (0)) jT
o
_
T
_
2
_
(12.3)
Expected asset 1 [o
T
] dapat diturunkan dengan memanfaatkan persamaan (12.1),
68
12.2. Cara pertama 69
yaitu
1 [o (T) ,o (0)] = 1
_
c
ln(S(T)S(0))
_
= 1
_
c
A

= c
jT+
1
2
o
2
T
==
1 [o (T)] = o (0) c
jT+
1
2
o
2
T
Dari asumsi kedua pada persamaan (12.2) dapat diperoleh
o (0) = c
vT
1 [o (T)]
= c
vT
o (0) c
jT+
1
2
o
2
T
o (0) = o (0) c
vT + jT +
1
2
o
2
T
==
1 = c
vT + jT +
1
2
o
2
T
== rT + jT +
1
2
o
2
T = 0
) j = r
1
2
o
2
(12.4)
Dengan demikian pdf untuk o
T
dari persamaan (12.3) dapat dituliskan dengan:
)(: (T)) =
1
: (T) o
_
2T
exp
_
_
_

1
2
_
ln(: (T) ,: (0))
_
r
1
2
o
2
_
T
o
_
T
_
2
_
_
_
(12.5)
Pdf inilah yang akan digunakan untuk menurunkan harga call option C, yaitu rumus
1|ac/ oc/o|c:
C = c
vT
1 [:a/: (o (T) 1) , 0] (12.6)
= c
vT
_
o
0
:a/: (: (T) 1, 0) ) (: (T)) d: (T) (12.7)
= c
vT
_
1
0
:a/: (: (T) 1, 0) ) (: (T)) d: (T) +
c
vT
_
o
1
:a/: (: (T) 1, 0) ) (: (T)) d: (T) (12.8)
= c
vT
__
1
0
0.) (: (T)) d: (T) +
_
o
1
(: (T) 1) ) (: (T)) d: (T)
_
(12.9)
= c
vT
_
o
1
(: (T) 1) ) (: (T)) d: (T) (12.10)
= c
vT
_
o
1
(: (T) 1)
: (T) o
_
2T
exp
_
_
_

1
2
_
ln(: (T) ,: (0))
_
r
1
2
o
2
_
T
o
_
T
_
2
_
_
_
d: (T)
(12.11)
Integrasi ini dapat diselesaikan dengan transformasi variabel
. =
ln(:
T
,o
0
)
_
r
1
2
o
2
_
T
o
_
T
== (12.12)
:
T
= o
0
c
:o
_
T+(v
1
2
o
2
)T
(12.13)
d.
d: (T)
=
1
: (T) o
_
T
== d. =
d: (T)
: (T) o
_
T
70 Kuliah ke 12. Rumus Black-Scholes
Batas bawah integrasi untuk : (T) , yaitu 1, diubah menjadi batas bawah integrasi untuk
. menjadi :
=
ln(1,o (0))
_
r
1
2
o
2
_
T
o
_
T
Dengan transformasi . ini maka C di (12.11) dapat dinyatakan dengan:
C = c
vT
1
_
2
_
o

_
o
0
c
:o
_
T+(v
1
2
o
2
)T
1
_
c

1
2
:
2
d. (12.14)
=
1
_
2
_
o

o
0
c
:o
_
T
1
2
o
2
T
1
2
:
2
d.
1c
vT
_
2
_
o

1
2
:
2
d. (12.15)
=
o
0
_
2
_
o

1
2
(:o
_
T)
2
d. 1c
vT
() (12.16)
=
o
0
_
2
_
o
o
_
T
c

1
2
&
2
dn bila dimisalkan n = . o
_
T (12.17)
= o
0

_
+o
_
T
_
1c
vT
() (12.18)
Bila dimisalkan d1 = + o
_
T dan d2 = = d1 o
_
T maka persamaan (12.18)
dapat dinyatakan dengan
C = o
0
(d1) 1c
vT
(d2) dengan (12.19)
d1 = +o
_
T (12.20)
=
ln(1,o
0
)
_
r
1
2
o
2
_
T
o
_
T
+o
_
T
=
ln(o
0
,1) +
_
r +
1
2
o
2
_
T
o
_
T
(12.21)
d2 = d1 o
_
T (12.22)
=
ln(o
0
,1) +
_
r +
1
2
o
2
_
T
o
_
T
o
_
T
=
ln(o
0
,1) +
_
r
1
2
o
2
_
T
o
_
T
(12.23)
12.3 Cara kedua
Cara ini akan menggunakan persamaan diferensial parsial untuk mendapatkan rumus
Black-Scholes. Barangkali inilah cara mendapatkan rumus Black-Scholes yang paling
populer. Untuk itu akan dibahas ringkasan pembicaraan yang sudah dijelaskan sebelum-
nya.
12.3.1 Brownian Motion
Suatu stochastic process \ (t)
o
t=0
disebut standard Brownian motion bila memenuhi
persyaratan berikut
1. \ (0) = 0
12.3. Cara kedua 71
2. \ (t) kontinu terhadap t
3. Bila 0 = t
0
< t
1
< t
2
< < t
a
dan
1
1
= \ (t
1
) \ (t
0
) (12.24)
1
2
= \ (t
2
) \ (t
1
) (12.25)
.
.
. (12.26)
1
a
= \ (t
a
) \ (t
a1
) (12.27)
maka
(a) 1
1
, 1
2
, , 1
a
saling bebas dan berdistribusi normal dengan
(b) 1 (1
)
) = 0 \,
(c) ar (1
)
) = t
)
t
)1
\,.
12.3.2 Itos Lemma
Bila fungsi )(t, \ (t)) merupakan fungsi dari t yang deterministik dan Brownian Motion
\ (t) yang stokastik, maka didapat:
d) =
0)
0t
dt +
0)
0\
d\ +
1
2
0
2
)
0\
2
d\d\ (12.28)
12.3.3 Geometric Brownion Motion
Bila harga saham di waktu o (t) dimodelkan dengan Geometric Brownian Motion maka
dapat dituliskan dengan
o (t) = o (0) c
oW(t)+(j
1
2
o
2
)t
(12.29)
Dengan penggunaan Itos Lemma, o (t) yang dimodelkan dengan Geometric Brown-
ian Motion dapat dituliskan dengan:
do (t) = jo (t) dt +oo (t) d\ (t) (12.30)
12.3.4 Financial portfolio
Misal seorang investor mempunyai kekayaan awal sebesar A (0) dan tiap saat t ia mem-
punyai investasi dalam bentuk kepemilikan saham sebanyak (t) lembar dengan harga
o (t) per lembar. Untuk membiayai investasi ini sang investor meminjam (bila A (0) <
(t) .o (t)) atau menyimpan uang (bila A (0) (t) .o (t)) dengan bunga r per tahun.
Bila A (t) menyatakan kekayaan sang investor pada saat t maka wealth process dari in-
vestor tersebut dapat dinyatakan sebagai penjumlahan dari pertumbuhan (penyusutan)
nilai saham dan pertumbuhan tabungan (hutang)
dA
t
= (t) do (t) +r [A (t) (t) o (t)] dt (12.31)
= (t) [jo (t) dt +oo (t) d\ (t)] +r [A (t) (t) o (t)] dt (12.32)
= [rA (t) + (t) o (t) (j r)] dt + (t) o (t) od\ (t) . (12.33)
72 Kuliah ke 12. Rumus Black-Scholes
12.3.5 Value of an option
Misal \ (t, o (t)) menyatakan nilai option pada saat t bila harga sahamnya o (t) . Bila
dinyatakan dalam bentuk diferensial maka dapat dituliskan dalam bentuk
d\ (o (t) , t) =
0\
0t
dt +
0\
0o (t)
do (t) +
1
2
0
2
\
0o (t)
2
do (t) do (t) (12.34)
=
0\
0t
dt +
0\
0o (t)
(jo (t) dt +oo (t) d\
t
) +
1
2
0
2
\
0o (t)
2
(jo (t) dt +oo (t) d\
t
)
2
(12.35)
=
_
0\
0t
+jo (t)
0\
0o (t)
+
1
2
o
2
o (t)
2
0
2
\
0o (t)
2
_
dt +oo (t)
0\
0o (t)
d\
t
(12.36)
12.3.6 Replicating Portfolio
Portfolio yang akan memagari option dimulai dengan kekayaan awal sebesar A
0
dan
dinvestasikan dalam bentuk saham dan tabungan (pinjaman) sehingga tiap saat t nilai
kekayaan A
t
dapat menutup \ (o (t) , t). Untuk memastikan bahwa A
t
= \ (o (t) , t)
untuk tiap t, koesien pada masing-masing diferensialnya disamakan. Dari koesien
d\
t
diperoleh

t
=
0\
0o (t)
(12.37)
sedangkan dari koesien dt diperoleh
0\
0t
+jo (t)
0\
0o (t)
+
1
2
o
2
o (t)
2
0
2
\
0o
2
t
= rA
t
+
t
o (t) (j r) = r\ +o (t) (j r)
0\
0o (t)
(12.38)
yang dapat dituliskan lagi menjadi the Black-Scholes partial dierential equation:
0\ (o (t) , t)
0t
+ro (t)
0\ (o (t) , t)
0o (t)
+
1
2
o
2
o (t)
2
0
2
\ (o (t) , t)
0o (t)
2
= r\ (o (t) , t) (12.39)
yang memenuhi terminal condition untuk suatu call option dengan exercise price 1 dan
exercise date T
\ (o (T) , T) = max (o (T) 1, 0) (12.40)
Jadi bila sang investor memulai kekayaannya dengan A (0) = \ (o (0) , 0) dan meng-
gunakan alat pemagaran
t
=
0\ (S(t),t)
0S(t)
maka ia akan mempunyai kekayaan yang tepat
bisa menutup nilai option, yaitu A
t
= \ (o (t) , t) untuk tiap t dan khususnya pada saat
jatuh tempo berlaku hubungan A (T) = \ (o (T) , T) yang menjadi terminal condition.
12.3.7 Solusi
Tugas kita sekarang adalah mencari solusi \ yang memenuhi persamaan (12.39) dan
(12.40). Langkah untuk memperoleh solusi \ adalah:
12.3. Cara kedua 73
1. Melakukan serangkaian transformasi pada (12.39) sehingga akhirnya akan didapat
persamaan difusi (diusion equation):
0n
0t
=
0
2
n
0r
2
, < r < , t 0 (12.41)
dengan initial condition
n(r, 0) = )(r) (12.42)
2. Bila persamaan difusi (12.41) dan initial condition (12.42) sudah didapat, langkah
selanjutnya adalah berupa pencarian solusi n(r, t) yang memenuhi (12.41) dan
(12.42) dengan pemanfaatan Fourier Integral.
3. Penggabungan langkah pertama dan kedua akan menghasilkan solusi yang berupa
rumus Black-Scholes.
Langkah pertama
Langkah pertama dimulai dengan (12.39) dan (12.42) melalui transformasi yang terdiri
dari 2 tahap. Tahap pertama transformasinya berupa
o (t) = 1.c
a
(12.43)
t = T
t
+
1
2
o
2
(12.44)
\ (o (t) , t) = 1.C(r, t
+
) (12.45)
Dari transformasi ini diperoleh
0\
0t
=
0
0t
1C(r, t
+
) = 1
0C(r, t
+
)
0t
+
0t
+
0t
(12.46)
= 1
0C(r, t
+
)
0t
+
_

1
2
o
2
_
(12.47)
=
1
2
o
2
1
0C(r, t
+
)
0t
+
(12.48)
0\
0o (t)
=
0
0r
1C(r, t
+
) = 1
0C(r, t
+
)
0r
0r
0o (t)
(12.49)
= 1
0C(r, t
+
)
0r
1
1c
a
(12.50)
= c
a
0C(r, t
+
)
0r
(12.51)
0
2
\
0o (t)
2
=
0
0o (t)
_
c
a
0C(r, t
+
)
0r
_
=
0
0r
_
c
a
0C(r, t
+
)
0r
_
0r
0o (t)
(12.52)
=
_
c
a
0C(r, t
+
)
0r
+c
a
0
2
C(r, t
+
)
0r
2
_
c
a
1
(12.53)
Bila hasil-hasil ini disubstitusikan ke (12.39) maka akan diperoleh persamaan diferensial
parsial linier
0C(r, t
+
)
0t
+

0C(r, t
+
)
0r
(/ 1)
0
2
C(r, t
+
)
0r
2
+/C(r, t
+
) = 0 (12.54)
74 Kuliah ke 12. Rumus Black-Scholes
dengan
/ =
r
1
2
o
2
. (12.55)
Final condition (12.40) untuk backward equation (12.39)
\ (o (T) , T) = max(o (T) 1, 0) = max(1c
a
1, 0) (12.56)
= 1 max(c
a
1, 0) (12.57)
berubah menjadi initial condition untuk forward equation (12.54) dengan pertimbangan
bahwa hubungan berikut bisa diperoleh melalui (12.44) dan (12.45)
\ (o (T) , T) = 1C(r, 0). (12.58)
Dari (12.57) dan (12.58) diperoleh initial condition untuk (12.54)
C(r, 0) = max(c
a
1, 0). (12.59)
Hasil dari transformasi pada tahap pertama, yaitu (12.54) dengan initial condition
(12.59), akan diubah lagi dengan transformasi tahap kedua agar didapat persamaan
difusi (12.41) dengan initial condition (12.59). Hal ini dilakukan dengan penggunaan
transformasi
C(r, t
+
) = a.n(r, t
+
) (12.60)
a = c

1
2
(I1)a
1
4
(I+1)
2
t

(12.61)
Dari transformasi ini akan diperoleh
0C
0t
+
=
0(a.n(r, t
+
))
0t
+
(12.62)
=
1
4
(/ + 1)
2
.a.n(r.t
+
) +a
0n
0t
+
(12.63)
0C
0r
=
0(a.n(r, t
+
))
0r
(12.64)
=
1
2
(/ 1).a.n(r, t
+
) +a
0n
0r
(12.65)
0
2
C
0r
2
=
0
0r
_

1
2
(/ 1).a.n(r, t
+
) +a
0n
0r
_
(12.66)
=
1
4
(/ 1)
2
.a.n(r, t
+
)
1
2
(/ 1).a.
0n(r, t
+
)
0r
(12.67)

1
2
(/ 1).a.
0n
0r
+a
0
2
n
0r
2
(12.68)
Bila hasil-hasil ini disubstitusikan ke dalam persamaan (12.54) maka akan diperoleh
persamaan difusi
0n(r, t
+
)
0t
+
=
0
2
n(r, t
+
)
0r
2
(12.69)
dengan initial condition
C(r, 0) = c

1
2
(I1)a
n(r, 0)
12.3. Cara kedua 75
atau
n(r, 0) = c
1
2
(I1)a
C(r, 0) (12.70)
= c
1
2
(I1)a
max(c
a
1, 0) (12.71)
= max(c
1
2
(I+1)a
c
1
2
(I1)a
, 0). (12.72)
Langkah kedua
Pada langkah kedua ini akan dipergunakan konsep integral fourier agar didapat solusi
untuk persamaan difusi.
Integral Fourier. Bila )(r) adalah suatu fungsi kontinu yang mempunyai turunan kiri
dan turunan kanan di tiap titik dan bila
_
o
o
[)(r)[ dr ada maka )(r) dapat dinyatakan
dengan suatu Fourier Integral
)(r) =
o
_
0
[(j) cos(jr) +1(j) sin(jr)] dj (12.73)
(j) =
1

o
_
o
)() cos(j)d (12.74)
1(j) =
1

o
_
o
)() sin(j)d (12.75)
Persamaan difusi. Berikut ini akan dicari solusi n(r, t) yang memenuhi persamaan
difusi (diusion equation)
0n
0t
=
0
2
n
0r
2
, < r < , t 0 (12.76)
dengan initial condition
n(r, 0) = )(r). (12.77)
Mula-mula dimisalkan
n(r, t) = 1(r)G(t) (12.78)
sehingga bisa didapat
0n
0t
= 1
0G
0t
(12.79)
0
2
n
0r
2
= G
0
2
1
0r
2
(12.80)
dan persamaan (12.76) dapat dituliskan dengan
1
0G
0t
= G
0
2
1
0r
2
atau
1
G
0G
0t
=
1
1
0
2
1
0r
2
(12.81)
76 Kuliah ke 12. Rumus Black-Scholes
Perhatikan bahwa perubahan t hanya mengubah ruas kiri dari (12.81) tanpa men-
gubah ruas kanannya, sedangkan perubuahan r hanya mengubah ruas kanan dari (12.81)
tanpa mengubah ruas kirinya. Karena itu bisa diklaim bahwa persamaan (12.81) bernilai
tetap sebesar / sehingga (12.81) bisa dituliskan dengan
1
G
0G
0t
=
1
1
0
2
1
0r
2
= / (12.82)
Bila diambil nilai / yang negatif, misalnya / = j
2
, maka (12.82) dapat dinyatakan
dengan
1
G
0G
0t
=
1
1
0
2
1
0r
2
= j
2
. (12.83)
Dari (12.83) akan didapat dua buah persamaan diferensial linier orde satu dan orde dua
0G
0t
+j
2
G = 0 (12.84)
dan
0
2
1
0r
2
+j
2
1 = 0. (12.85)
Solusi untuk persamaan (12.84) adalah
G(t) = c
j
2
t
(12.86)
sedangkan solusi untuk (12.85) adalah
1 (r) = cos(jr) +1sin(jr) (12.87)
Dari (12.86) dan (12.87) akan didapat solusi untuk (12.76), yaitu
n(r, t; j) = 1 (r) G(t) (12.88)
= (cos(jr) +1sin(jr)) c
j
2
t
(12.89)
Karena dan 1 nilainya sembarang maka dapat dipilih (j) dan 1(j) yang merupakan
fungsi dari j. Adapun konstanta / = j
2
haruslah negatif agar nilai n(r, t) konvergen
ke 0 untuk t . Sehingga (12.89) dapat ditulis lagi menjadi
n(r, t; j) = ((j) cos(jr) +1(j) sin(jr)) c
j
2
t
(12.90)
Solusi yang diberikan oleh (12.90) berlaku untuk tiap j yang bernilai antara 0 sam-
pai . Demikian pula superposisi (penjumlahan) solusi dari berbagai nilai j ini tetap
merupakan solusi. Sehingga untuk j antara 0 sampai didapat solusi untuk (12.76)
yang berupa
n(r, t) =
o
_
0
((j) cos(jr) +1(j) sin(jr)) c
j
2
t
dj (12.91)
Dengan pertimbangan initial condition (12.77) maka (/) dan 1(j) dapat ditentukan
dengan cara melihat (12.91) untuk t = 0 sebagai Integral Fourier (12.73)
)(r) = n(r, 0) (12.92)
=
o
_
0
((j) cos(jr) +1(j) sin(jr)) dj (12.93)
12.3. Cara kedua 77
sehingga (j) dan 1(j) dapat dinyatakan dengan (12.74) dan (12.75)
(j) =
1

o
_
o
)() cos(j)d (12.94)
1(j) =
1

o
_
o
)() sin(j)d (12.95)
Bila kedua hasil ini disubstitusikan ke (12.91) akan diperoleh solusi
n(r, t) =
1

o
_
0
_
_
o
_
o
)() cos(j) cos(jr)d +
o
_
o
)() sin(j) sin(jr)d
_
_
c
j
2
t
dj
(12.96)
=
1

o
_
0
o
_
o
)() (cos(j) cos(jr) + sin(j) sin(jr)) c
j
2
t
ddj (12.97)
=
1

o
_
0
o
_
o
)() (cos(j jr))c
j
2
t
ddj (12.98)
=
1

o
_
o
)()
o
_
0
(cos j( r))c
j
2
t
djd (12.99)
Untuk penghitungan
_
o
0
cos j( r)c
j
2
t
dj dari (12.99) akan digunakan hasil yang
menyatakan bahwa
_
o
0
(cos 2/r)c
c
2
d: =
_

2
c
b
2
. (12.100)
Untuk itu digunakan transformasi
j
2
t = :
2
atau : = j
_
t (12.101)
dan
2/: = j( r) atau / =
(r )
2
_
t
(12.102)
sehingga diperoleh
_
o
0
cos j( r)c
j
2
t
dj =
1
_
t
_
o
0
(cos 2/r)c
c
2
d: (12.103)
=
_

2
_
t
c
b
2
(12.104)
=
_

2
_
t
c

(xv)
2
4t
(12.105)
78 Kuliah ke 12. Rumus Black-Scholes
Dengan demikian persamaan (12.99) dapat dituliskan lagi dengan
n(r, t) =
1

o
_
o
)()
o
_
0
(cos j( r))c
j
2
t
djd (12.106)
=
1
2
_
t
o
_
o
)()c

(xv)
2
4t
d (12.107)
dengan ) () didenisikan melalui (12.92)
)() = n(, 0) . (12.108)
Langkah ketiga
Solusi untuk persamaan difusi (12.69) dengan initial condition (12.72) diberikan oleh
(12.107)
n(r, t) =
1
2
_
t
o
_
o
)()c

1
4t
(a)
2
d (12.109)
dengan ) () diberikan oleh (12.108) dan (12.72) , yaitu
) () = n(, 0) (12.110)
= max(c
1
2
(I+1)
c
1
2
(I1)
, 0). (12.111)
Bila (12.111) disubstitusikan ke (12.109) maka akan diperoleh
n(r, t) =
1
2
_
t
o
_
o
)()c

1
4t
(a)
2
d (12.112)
=
1
2
_
t
o
_
o
max(c
1
2
(I+1)
c
1
2
(I1)
, 0)c

1
4t
(a)
2
d (12.113)
=
1
2
_
t
o
_
0
_
c
1
2
(I+1)
c
1
2
(I1)
_
c

1
4t
(a)
2
d (12.114)
=
1
2
_
t
o
_
0
c
1
2
(I+1)
c

1
4t
(a)
2
d (12.115)
1
2
_
t
o
_
0
c
1
2
(I1)
c

1
4t
(a)
2
d (12.116)
= 1
1
1
2
. (12.117)
12.3. Cara kedua 79
dengan
1
1
=
1
2
_
t
o
_
0
c
1
2
(I+1)
c

1
4t
(a)
2
d (12.118)
=
1
2
_
t
o
_
0
c
[
1
2
(I+1)
1
4t
(a)
2
]
d (12.119)
1
2
=
1
2
_
t
o
_
0
c
1
2
(I1)
c

1
4t
(a)
2
d (12.120)
=
1
2
_
t
o
_
0
c
[
1
2
(I1)
1
4t
(a)
2
]
d. (12.121)
Akan dicari dulu penyelesaian untuk 1
1
dengan penyederhanaan eksponen dari inte-
grandnya
1
2
(/ + 1)
1
4t
(r )
2
=
2t (/ + 1)
2
+ 2r r
2
4t
(12.122)
=

2
+ 2 (r +t (/ + 1)) r
2
4t
(12.123)
=
[ (r +t (/ + 1))]
2
+ [r +t (/ + 1)]
2
r
2
4t
(12.124)
=
[ (r +t (/ + 1))]
2
+ 2rt (/ + 1) +t
2
(/ + 1)
2
4t
(12.125)
=
1
2
_
(r +t (/ + 1))
_
2t
_
2
+
2r(/ + 1) +t (/ + 1)
2
4
.
(12.126)
Penyederhanaan eksponen ini akan mengakibatkan 1
1
bisa dituliskan dengan
1
1
=
1
2
_
t
o
_
0
c
[
1
2
(I+1)
1
4t
(a)
2
]
d (12.127)
=
1
2
_
t
o
_
0
c

1
2
h
v(x+t(k+1))
p
2t
i
2
+
2x(k+1)+t(k+1)
2
4
d (12.128)
=
1
2
_
t
c
2x(k+1)+t(k+1)
2
4
o
_
0
c

1
2
h
v(x+t(k+1))
p
2t
i
2
d. (12.129)
Misalkan
. =
(r +t (/ + 1))
_
2t
(12.130)
sehingga
d. =
1
_
2t
d == d =
_
2td. (12.131)
80 Kuliah ke 12. Rumus Black-Scholes
dan 1
1
menjadi
1
1
=
1
2
_
t
c
2x(k+1)+t(k+1)
2
4
o
_
o
c

1
2
:
2
_
2td. (12.132)
= c
2x(k+1)+t(k+1)
2
4
1
_
2
o
_
o
c

1
2
:
2
d. (12.133)
= c
2x(k+1)+t(k+1)
2
4
(a) (12.134)
= c
2x(k+1)+t(k+1)
2
4
(d
1
) (12.135)
dengan
a =
(r +t (/ + 1))
_
2t
(12.136)
d
1
= a (12.137)
=
r +t (/ + 1)
_
2t
. (12.138)
Dengan langkah yang serupa bisa diperoleh 1
2
1
2
= c
2x(k1)+t(k1)
2
4
(d
2
) (12.139)
dengan
d
2
=
r +t (/ 1)
_
2t
. (12.140)
Sehingga dari (12.117) , (12.135) dan (12.139) akan diperoleh
n(r, t) = 1
1
1
2
(12.141)
= c
2x(k+1)+t(k+1)
2
4
(d
1
) c
2x(k1)+t(k1)
2
4
(d
2
) . (12.142)
Bila (12.142) disubstitusikan ke (12.60) maka akan diperoleh
C(r, t) = c

1
2
(I1)a
1
4
(I+1)
2
t
.n(r, t) (12.143)
= c

1
2
(I1)a
1
4
(I+1)
2
t
_
c
2x(k+1)+t(k+1)
2
4
(d
1
) c
2x(k1)+t(k1)
2
4
(d
2
)
_
(12.144)
= c
a
(d
1
) c
It
(d
2
) . (12.145)
dan dengan memanfaatkan (12.43) (12.45) dan (12.55)
o (t) = 1.c
a
(12.146)
t = T
t
+
1
2
o
2
(12.147)
\ (o (t) , t) = 1.C(r, t
+
) (12.148)
/ =
r
1
2
o
2
(12.149)
12.4. Cara ketiga 81
maka akan diperoleh the Black-Scholes formula
\ (o (t) , t) = 1.C(r, t
+
) (12.150)
= 1.c
a
(d
1
) c
It

(d
2
) (12.151)
= o (t) (d
1
) c

r
1
2

2
1
2
o
2
(Tt)
(d
2
) (12.152)
= o (t) (d
1
) c
v(Tt)
(d
2
) (12.153)
dengan
d
1
=
r +t (/ + 1)
_
2t
(12.154)
=
log (o (t) ,1) +
1
2
o
2
(T t)
_
v
1
2
o
2
+ 1
_
_
2
1
2
o
2
(T t)
(12.155)
=
log (o (t) ,1) +
_
r +
1
2
o
2
_
(T t)
o
_
(T t)
(12.156)
d
2
=
r +t (/ 1)
_
2t
(12.157)
=
log (o (t) ,1) +
1
2
o
2
(T t)
_
v
1
2
o
2
1
_
_
2
1
2
o
2
(T t)
(12.158)
=
log (o (t) ,1) +
_
r
1
2
o
2
_
(T t)
o
_
(T t)
. (12.159)
12.4 Cara ketiga
Cara ketiga ini disebut risk-neutral pricing atau disebut pula martigale approach. Ini
adalah cara modern untuk mendapatkan rumus Black-Scholes. Perhatikan bahwa pada
cara ketiga ini tidak dipergunakan persamaan diferensial parsial sama sekali. Sebagian
besar isi buku ini ditulis untuk memberi fasilitas agar cara ketiga ini bisa difahami dengan
baik.
Dari bab sebelumnya telah didapat bahwa risk-neutral pricing untuk suatu European
call option dengan exercise price 1 yang jatuh tempo pada saat T dapat dinyatakan
dengan
A (0) =
~
1
_
\
, (T)
_
(12.160)
=
1
, (T)
~
1 [\ ] (12.161)
=
1
, (T)
~
1 [:a/: o (T) 1, 0] (12.162)
=
1
, (T)
~
1
_
(o (T) 1)
+

(12.163)
82 Kuliah ke 12. Rumus Black-Scholes
Untuk menghitung (12.163) dibutuhkan pengetahuan tentang distribusi o (T) di bawah
~
1. Berikut ini langkah-langkah untuk mencari distribusi o (T) di bawah
~
1. Dari (...)
d
~
o = o
~
o (t) d
~
\ (t) (12.164)
Di lain pihak, dari
~
o (t) =
o (t)
, (t)
= o (t) , (t)
1
(12.165)
, (t) = c
vt
(12.166)
didapat
d
~
o (t) = , (t)
1
do (t) o (t) d, (t)
1
(12.167)
= , (t)
1
do (t) ro (t) , (t)
1
dt (12.168)
Dari (12.164) dan (12.168) didapat
o
~
o (t) d
~
\ (t) = , (t)
1
do (t) o (t) d, (t)
1
(12.169)
oo (t) , (t)
1
d
~
\ (t) = , (t)
1
do (t) ro (t) , (t)
1
dt (12.170)
do (t) = ro (t) dt +oo (t) d
~
\ (t) (12.171)
Dari (12.171) dan ( ) didapat
o (t) = o
0
c
(v
1
2
o
2
t)+o
~
W(t)
(12.172)
Pada saat jatuh tempo harga saham menjadi
o (T) = o
0
c
(v
1
2
o
2
T)+o
~
W(T)
(12.173)
o (T)
o
0
= c
(v
1
2
o
2
T)+o
~
W(T)
(12.174)
ln
_
o (T)
o
0
_
=
_
r
1
2
o
2
T
_
+o
~
\ (T) (12.175)
Karena
~
\ (T) ~ (0, T) dan bila dimisalkan
1 = ln
_
o (T)
o
0
_
(12.176)
maka 1 ~
__
r
1
2
o
2
T
_
, o
2
T
_
dengan pdf-nya
) (j) =
1
o
_
2T
exp
_
_

1
2
_
j
_
r
1
2
o
2
T
_
o
_
T
_
2
_
_
(12.177)
Dengan tehnik transformasi variabel acak, pdf untuk o (T) didapat dengan men-
substitusikan j dari (12.176) ke (12.177) dan mengalikan dengan determinan Jacobian
12.5. Cara keempat 83
[J[
[J[ =

01
0o (T)

(12.178)
=

o (0)
o (T)
1
o (T)

(12.179)
=

1
o (T)

(12.180)
=
1
o (T)
(12.181)
yaitu
) (: (T)) =
1
o
_
2T
exp
_
_

1
2
_
j
_
r
1
2
o
2
T
_
o
_
T
_
2
_
_
[J[ (12.182)
=
1
: (T) o
_
2T
exp
_
_

1
2
_
ln(: (T) ,o
0
)
_
r
1
2
o
2
T
_
o
_
T
_
2
_
_
(12.183)
Jadi (12.183) adalah pdf untuk o (T) di bawah
~
1 yang akan diapakai untuk menghi-
tung (12.163)
A (0) =
1
, (T)
~
1
_
(o (T) 1)
+

(12.184)
= c
vT
~
1 [:a/: (o (T) 1, 0)] (12.185)
= c
vT
_
o
0
:a/: (: (T) 1, 0) ) (: (T)) d: (T) (12.186)
= c
vT
_
o
1
(: (T) 1) ) (: (T)) d: (T) (12.187)
= c
vT
o
_
1
[: (T) 1]
: (T) o
_
2T
exp
_

1
2
_
_
ln
_
c(T)
c(0)
_

_
r
1
2
o
2
T
_
o
_
T
_
_
2
_

_
d: (T) (12.188)
Persamaan (12.188) serupa dengan (12.11) sehingga langkah selanjutnya untuk men-
dapatkan rumus Black-Scholes (12.19) akan serupa pula.
12.5 Cara keempat
Pada pembahasan sebelumnya telah dimodelkan penentuan harga saham dengan model
binomial. Pada model ini untuk setiap perioda harga saham bisa naik dengan faktor a
dan bisa turun dengan faktor /. Pada saat sekarang harga saham sebesar o
0
. Bila '
menyatakan pergerakah harga saham naik ke atas dan 1 menyatakan pergerakan harga
saham turun ke bawah maka harga saham pada akhir periode 1 adalah salah satu dari
berikut ini
o
1
(') = ao
0
(12.189)
o
1
(1) = /o
0
. (12.190)
84 Kuliah ke 12. Rumus Black-Scholes
Sedangkan harga saham untuk akhir periode ke 2 adalah salah satu dari hal berikut
o
2
('') = ao
1
(') = a
2
o
0
(12.191)
o
2
('1) = /o
1
(') = /ao
0
(12.192)
o
2
(1') = ao
1
(1) = a/o
0
(12.193)
o
2
(11) = /o
1
(1) = /
2
o
0
. (12.194)
Misalkan pada money market berlaku tingkat suku bunga sebesar r per periode yang
memenuhi
/ < 1 +r < a (12.195)
yang boleh pula diungkapkan dengan
/ < c
v
< a. (12.196)
Nilai European call option pada akhir periode 1 dengan exercise price 1 didenisikan
oleh
\
1
(.) = (o
0
(.) 1)
+
= maxo
1
(.) 1, 0, . ', 1
dengan masing-masing kemungkinan nilainya adalah
\
1
(') = max (ao
0
1), 0 (12.197)
\
1
(1) = max (/o
0
1), 0 . (12.198)
Dari hasil ini dapat ditentukan harga European call option pada saat sekarang \
0
melalui
penggunaan prinsip replicating portfolio
\
0
= c
v
[ j\
1
(') + \
1
(1)] (12.199)
dengan (~ j, ) menyatakan risk-neutral probability measure atau martingale probability
measure dan didenisikan oleh
~ j =
c
v
/
a /
(12.200)
=
a c
v
a /
. (12.201)
Tentu saja probability measure (~ j, ) ini hanya berlaku untuk penggambaran pergerakan
harga saham di risk-neutral world dan tidak berlaku di real world.
Dengan prosedur yang serupa dapat diperoleh nilai option di akhir periode 1 untuk
model Binomial dengan 2 periode
\
1
(') = c
v
[ j\
2
('') + \
2
('1)] (12.202)
\
1
(1) = c
v
[ j\
2
(1') + \
2
(11)] (12.203)
12.5. Cara keempat 85
sehingga nilai call option sekarang (12.199) dapat dinyatakan dengan
\
0
= c
v
[ j\
1
(') + \
1
(1)] (12.204)
= c
v
_
j
_
c
v
[ j\
2
('') + \
2
('1)]
_
+
_
c
v
[ j\
2
(1') + \
2
(11)]
_
(12.205)
= c
2v
_
j
2
\
2
('') + j \
2
('1) + j \
2
(1') +
2
\
2
(11)

(12.206)
= c
2v
_
j
2
max o
2
('') 1, 0 + j max o
2
('1) 1, 0 + (12.207)
j max o
2
(1') 1, 0 +
2
max o
2
(11) 1, 0

(12.208)
= c
2v
_
j
2
max
_
a
2
o
0
1, 0
_
+ j max a/o
0
1, 0 + (12.209)
j max a/o
0
1, 0 + max
_
/
2
o
0
1, 0
_
(12.210)
= c
2v
_
j
2
max
_
a
2
o
0
1, 0
_
+ 2 j max a/o
0
1, 0 +
2
max
_
/
2
o
0
1, 0
_
.
(12.211)
Persamaani (12.211) dapat disederhanakan penulisannya menjadi
\
0
= c
2v
_
_
2

)=0
_
2
,
_
j
)

2)
max
_
a
)
/
2)
o
0
1, 0
_
_
_
. (12.212)
Hasil ini (12.212) dapat diperluas untuk model Binomial dengan 3 periode sehingga
harga European call option pada saat sekarang adalah
\
0
= c
3v
_
_
3

)=0
_
3
,
_
j
)

3)
max
_
a
)
/
3)
o
0
1, 0
_
_
_
. (12.213)
Secara umum untuk model Binomial dengan : periode akan diperoleh
\
0
= c
av
_
_
a

)=0
_
:
,
_
j
)

a)
max
_
a
)
/
a)
o
0
1, 0
_
_
_
. (12.214)
Variabel acak , pada persamaan (12.214) menyatakan jumlah ' dari : Bernoulli exper-
iment dengan peluang menghasilkan ' adalah j dan peluang menghasilkan 1 adalah
.
Harga call option (12.214) dapat diurai menjadi dua buah penjumlahan
\
0
= c
av
_
_
I1

)=0
_
:
,
_
j
)

a)
max
_
a
)
/
a)
o
0
1, 0
_
+
a

)=I
_
:
,
_
j
)

a)
max
_
a
)
/
a)
o
0
1, 0
_
_
_
(12.215)
dengan / menyatakan jumlah ' yang akan menghasilkan
a
I
/
aI
o
0
1 0 (12.216)
sehingga
a

)=I
_
:
,
_
j
)

a)
(12.217)
86 Kuliah ke 12. Rumus Black-Scholes
dapat ditafsirkan sebagai peluang call option akan berakhir in-the-money di dalam risk-
neutral world sehingga porsi dari call option yang akan berakhir out-of-the-money mem-
berikan hasil
_
_
a

)=I1
_
:
,
_
j
)

a)
max
_
a
)
/
a)
o
0
1, 0
_
= 0 (12.218)
dan (12.215) akan menjadi
\
0
= c
av
a

)=I
_
:
,
_
j
)

a)
max
_
a
)
/
a)
o
0
1, 0
_
(12.219)
= c
av
a

)=I
_
:
,
_
j
)

a)
_
a
)
/
a)
o
0
1
_
(12.220)
= c
av
o
0
a

)=I
_
:
,
_
j
)

a)
a
)
/
a)
c
av
1
a

)=I
_
:
,
_
j
)

a)
(12.221)
= o
0
a

)=I
_
:
,
_
_
c
v
ja
_
)
_
c
v
/
_
a)
c
av
1
a

)=I
_
:
,
_
j
)

a)
(12.222)
= o
0
a

)=I
_
:
,
_
(j
+
)
)
(
+
)
a)
c
av
1
a

)=I
_
:
,
_
j
)

a)
(12.223)
dengan
j
+
= c
v
ja (12.224)

+
= c
v
/. (12.225)
12.5.1 Cox-Ross-Rubinstein Model
Hasil-hasil yang diperoleh sampai dengan persamaan (12.223) akan dipergunakan sebgai
metode untuk penghitungan harga suatu European call option yang jatuh tempo dalam
T tahun dengan exercise price 1, harga saham pada saat sekarang o (0) = o
0
dan
risk-free anual interest rate r.
Langkah yang mula-mula akan dilakukan adalah pembuatan partisi untuk selang
[0, T]
0 = t
0
< t
1
< t
2
< < t
a1
< t
a
= T (12.226)
dengan
t = t
)
t
)1
, \, = 1, 2, 3, , : (12.227)
sehingga didapat
t =
T
:
. (12.228)
Dengan kata lain selang waktu [0, T] akan dipecah menjadi : buah anak selang masing-
masing selebar t = T,:. Tiap anak selang ini akan diperlakukan sebagai satu periode
seperti yang dimaksud pada pembahasan model binomial diatas.
12.5. Cara keempat 87
Bila pergerakan harga saham mengikuti model Binomial dengan faktor kenaikkan
harga a dan faktor penurunan harga / pada tiap anak selang yang memenuhi
/ < c
vt
< a (12.229)
maka harga saham pada saat jatuh tempo adalah
o
T
= o
t
n
= a
)
/
a)
o
0
. (12.230)
Variabel , pada persamaan (12.230) adalah variabel acak yang menyatakan jumlah '
(kenaikkan harga saham) dalam : Bernoulli experiments dengan peluang mendapatkan
' untuk tiap selang waktu t dalam risk-neutral world adalah ~ j. Dengan kata lain
variabel acak , berdistribusi Binomial dengan parameter : dan ~ j. Mean dan variansi
dari , adalah
1 (,) = :~ j (12.231)
\ ar (,) = :~ j~ . (12.232)
Dengan ketentuan-ketentuan yang telah digariskan ini maka penentuan harga call
option dapat dilakukan dengan sedikit modikasi persamaan (12.223)
\
0
= o
0
a

)=I
_
:
,
_
(j
+
)
)
(
+
)
a)
c
avt
1
a

)=I
_
:
,
_
j
)

a)
(12.233)
= o
0
a

)=I
_
:
,
_
(j
+
)
)
(
+
)
a)
1c
vT
a

)=I
_
:
,
_
j
)

a)
(12.234)
dengan
~ j =
c
vt
/
a /
, ~ =
a c
vt
a /
(12.235)
j
+
= c
vt
ja,
+
= c
vt
/. (12.236)
Selanjutnya Cox, Ross dan Rubinstein memilih nilai a dan / sedemikian rupa se-
hingga
a = c
ot
(12.237)
/ = c
vt
(12.238)
dengan o adalah volatilitas tahunan dari harga saham. Ide dari pemilihan a dan / yang
demikian adalah bahwa kalau : (atau t 0) maka harga call option (12.234)
dari model Binomial bisa dibuktikan akan menjadi rumus Black-Scholes
\
0
= o
0
(d
1
) 1c
vT
(d
2
) (12.239)
dengan
d
1
=
ln(o
0
,1) +
_
r +
1
2
o
2
_
T
o
_
T
(12.240)
d
2
=
ln(o
0
,1) +
_
r
1
2
o
2
_
T
o
_
T
. (12.241)
88 Kuliah ke 12. Rumus Black-Scholes
Dengan kata lain penentuan harga option melalui model Binomial dapat dipergunakan
sebagai aproksimasi dari rumus Black-Scholes. Tentu saja hasil ini harus dibuktikan dan
memang akan dibuktikan disini dengan pemanfaatan the Central Limit Theorem.
Dengan pembandingan bentuk rumus antara (12.234) dan (12.239) maka langkah
selanjutnya tinggal pembuktian melalui Central Limit Theorem bahwa untuk :
atau t 0 akan diperoleh
(d
1
) =
a

)=I
_
:
,
_
(j
+
)
)
(
+
)
a)
(12.242)
(d
2
) =
a

)=I
_
:
,
_
j
)

a)
. (12.243)
Akan dibuktikan dulu (12.243) dan dengan prosedur yang serupa bisa dibuktikan (12.242) .
Ruas kanan dari (12.243) tidak lain adalah 1 (, _ /)
a

)=I
_
:
,
_
j
)

a)
= 1 (, _ /) . (12.244)
Bila dilakukan transformasi variabel acak
. =
, 1 (,)
_
\ ar (,)
(12.245)
=
, : j
_
: j
(12.246)
maka menurut Central Limit Theorem untuk : variabel acak . berdistribusi normal
baku (0, 1) sehingga (12.244) dapat dinyatakan dengan
1 (, _ /) = 1
_
. _
/ : j
_
: j
_
. (12.247)
Hasil ini bisa disederhanakan dengan pemanfaatan (12.216)
a
I
/
aI
o
0
1 0 (12.248)
atau
_
a
/
_
I

1
o
0
/
a
(12.249)
yang menghasilkan
/
ln
_
1
S
0
_
:ln(/)
ln
_
o
b
_ (12.250)

ln
_
1
S
0
_
:ln
_
c
o
_
t
_
ln
_
c
2o
_
t
_ (12.251)

ln
_
1
S
0
_
+:o
_
t
2o
_
t
. (12.252)
12.5. Cara keempat 89
Bila (12.252) digabung dengan (12.247) hasilnya adalah
1 (, _ /) = 1
_
. _
/ : j
_
: j
_
(12.253)
= 1
_
_
_
_
. _
ln

K
S
0

+ao
_
t
2o
_
t
: j
_
: j
_
_
_
_
(12.254)
= 1
_
_
. _
ln
_
1
S
0
_
+:o
_
t 2o: j
_
t
2o
_
t
_
: j
_
_
(12.255)
= 1
_
_
. _
ln
_
1
S
0
_
+:o
_
t (1 2 j)
2o
_
:t j
_
_
(12.256)
= j
_
_
. _
ln
_
1
S
0
_
+
To
_
t
(1 2 j)
2o
_
T j
_
_
. (12.257)
Mula-mula akan dihitung dulu
lim
t0
To
_
t
(1 2 j) (12.258)
lalu dihitung
lim
t0
2o
_
T j . (12.259)
Untuk itu substitusikan
~ j =
c
vt
/
a /
(12.260)
=
c
vt
c
o
_
t
c
o
_
t
c
o
_
t
(12.261)
ke dalam (12.258)
lim
t0
To
_
t
(1 2 j) (12.262)
= lim
t0
To
_
t
_
1 2
c
vt
c
o
_
t
c
o
_
t
c
o
_
t
_
(12.263)
= lim
t0
To
_
t
_
_
c
o
_
t
c
o
_
t
2
_
c
vt
c
o
_
t
_
c
o
_
t
c
o
_
t
_
_
(12.264)
= lim
t0
To
_
_
c
o
_
t
2c
vt
+c
o
_
t
_
t
_
c
o
_
t
c
o
_
t
_
_
_
(12.265)
90 Kuliah ke 12. Rumus Black-Scholes
dengan penggunaan LHopitals rule didapat
lim
t0
To
_
t
(1 2 j) (12.266)
= lim
t0
To
_
_
1
2
(t)
12
oc
o
_
t
2rc
vt

1
2
(t)
12
oc
o
_
t
1
2
(t)
12
_
c
o
_
t
c
o
_
t
_
+
_
t
_
1
2
(t)
12
oc
o
_
t
+
1
2
(t)
12
oc
o
_
t
_
_
_
= lim
t0
To
_
_
oc
o
_
t
4r
_
tc
vt
oc
o
_
t
c
o
_
t
c
o
_
t
+
_
t
_
oc
o
_
t
+oc
o
_
t
_
_
_
(12.267)
penggunaan LHopitals rule sekali lagi akan didapat
lim
t0
To
_
t
(1 2 j) (12.268)
= lim
t0
To
_
_
o
2
c
o
_
t
4rc
vt
8rtc
vt
+o
2
c
o
_
t
oc
o
_
t
+oc
o
_
t
+
_
oc
o
_
t
+oc
o
_
t
_
+
_
t
_
1
2
oc
o
_
t

1
2
oc
o
_
t
_
_
_
= To
_
4r + 2o
2
4o
_
(12.269)
=
_
r
1
2
o
2
_
T. (12.270)
Sekarang tinggal penghitungan (12.259). Untuk itu akan dihitung dulu
lim
t0
~ j = lim
t0
c
vt
c
o
_
t
c
o
_
t
c
o
_
t
(12.271)
yang dengan LHopitals rule akan diperoleh
lim
t0
~ j = lim
t0
rc
vt
+
1
2
o (t)
12
c
o
_
t
1
2
o ()
12
c
o
_
t
+
1
2
o ()
12
c
o
_
t
(12.272)
= lim
t0
rc
vt
t +oc
o
_
t
oc
o
_
t
+oc
o
_
t
(12.273)
=
1
2
. (12.274)
Sehingga (12.259) nlilainya
lim
t0
2o
_
T j = o
_
T. (12.275)
Hasil yang diperoleh dari (12.270) dan (12.275) dapat dipergunakan untuk menghi-
12.5. Cara keempat 91
tung (12.257) untuk t 0 agar the central limit theorem bisa dipergunakan
1 (, _ /) = j
_
_
. _
ln
_
1
S
0
_
+
To
_
t
(1 2 j)
2o
_
T j
_
_
(12.276)
= 1
_
_
. _
ln
_
1
S
0
_

_
r
1
2
o
2
_
T
2o
_
T
_
_
(12.277)
=
_
_

ln
_
1
S
0
_

_
r
1
2
o
2
_
T
2o
_
T
_
_
(12.278)
=
_
ln
_
S
0
1
_
+
_
r
1
2
o
2
_
T
2o
_
T
_
(12.279)
= (d
2
) (12.280)
dengan (d
2
) seperti yang dimaksud oleh persamaan (12.243) . Dengan cara yang serupa
bisa pula dibuktikan bahwa (d
1
) pada persamaan (12.242) akan berlaku.
Dengan demikian lengkaplah sudah pembuktian bahwa harga call option yang be-
rangkat model Binomial (12.234) akhirnya bisa menjadi rumus Black-Scholes (12.239)
bila : ataut 0. Dalam praktek melalui penghitungan dengan komputer, untuk
: = 256 rumus (12.234) atau (12.220) sudah cukup baik sebagai aproksimasi bagi rumus
Black-Scholes (12.239) .
Kuliah ke 13
Proses Gauss
13.1 Denisi proses Gauss
Suatu proses Gauss, A (t) , t _ 0 adalah suatu proses sotkastik dengan sifat bahwa untuk
0 _ t
1
_ t
2
_ t
a
maka A (t
1
) , A (t
2
) , , A (t
a
) berdistribusi normal multivariate
dengan pdf gabungan
) (r(t
1
) , r(t
2
) , , r(t
a
)) = (2)
a2
. [[

1
2
exp
_

1
2
(r :(t))
1
(r :(t))
t
_
(13.1)
dengan adalah matriks variansi-kovariansi
= (j (t
i
, t
)
)) i, , = 1, 2, , : (13.2)
j (t
i
, t
)
) = 1 [A (t
i
) 1 (A (t
i
))] [A (t
)
) 1 (A (t
)
))] (13.3)
dan :(t) adalah moment pertama dari A (t)
:(t) = 1 (A (t)) =
_
_
_
1 (A (t
1
))
.
.
.
1 (A (t
a
))
_
_
_
(13.4)
A (t) =
_
_
_
A (t
1
)
.
.
.
A (t
a
)
_
_
_
(13.5)
Teorema 13.1 Misal 1(t) adalah suatu gerak Brown dan c (t) adalah fungsi non acak
maka
A (t) =
_
t
0
c (n) d1(n) (13.6)
adalah suatu proses Gauss dengan
:(t) = 0 (13.7)
j (t
i
, t
)
) =
_
t
i
/t
j
0
c (n)
2
dn (13.8)
92
13.1. Denisi proses Gauss 93
Teorema 13.2 Misal 1(t) adalah suatu gerak Brown dan c (t) serta /(n) adalah fungsi
non acak. Denisikan
A (t) =
_
t
0
c (n) d1(n) (13.9)
1 (t) =
_
t
0
/(n) A (n) dn (13.10)
Maka 1 adalah suatu proses Gauss dengan
:
j
(t) = 0 (13.11)
j
Y
(t
i
, t
)
) =
_
t
i
/t
j
0
c (n)
2
__
t

/(j) dj
___
t

/(j) dj
_
d (13.12)
Kuliah ke 14
Obligasi
14.1 Pendahuluan
Pada bab ini kita akan mempelajari tentang penentuan harga obligasi. Obligasi adalah
surat berharga yang diterbitkan oleh perusahaan atau pemerintah sebagai surat hutang.
Pemegang surat berharga pada saat jatuh tempo akan menerima sejumlah uang yang
disebut face value.
14.2 Pemodelan
Misal 1(t) 0 _ t _ T adalah suatu gerak Brown di (, T, 1) . Misalkan pula harga
saham memenuhi persamaan diferensial stokastik
do (t) = r (t) o (t) dt +o (t) o (t) d1(t) (14.1)
dengan r (t) dan o (t) adalah adapted processes. Dimislkan kita telah menggunakan 1
sebagai risk-neutral measure sehingga setiap martingale di bawah 1 dapat dinyatakan
sebagai suatu integral terhadap 1(t) .
Denisikan faktor akumulasi , (t) dengan
, (t) = c
R
t
0
v(&)o&
(14.2)
Misal 1 (t, T) menyatakan nilai dari suatu obligasi pada saat t yang akan jatuh tempo
pada saat T dengan face value pada saat T sebesar Rp1,-. Dengan demikian 1 (T, T) = 1.
Menurut risk-neutral pricing
1 (t, T)
, (t)
=
~
1
_
1
, (T)
[T (t)
_
(14.3)
1 (t, T) = , (t)
~
1
_
1
, (T)
[T (t)
_
(14.4)
=
~
1
_
, (t)
, (T)
[T (t)
_
(14.5)
=
~
1
_
exp
_

_
T
t
r (n) dn
_
[T (t)
_
(14.6)
94
14.2. Pemodelan 95
Nilai saat ini dari suatu obligasi yang jatuh tempo pada saat T adalah
1 (0, T) =
~
1
_
1
, (T)
_
(14.7)
Perhatikan persamaan (14.4). Bagian dari persaman itu, yaitu
~
1
_
1
o(T)
[T (t)
_
adalah
suatu martingale di bawah 1. Menurut teorema representasi martingale, ada suatu
adapted process (n) sedemikian rupa sehingga dengan menggunakan (14.7) didapat
~
1
_
1
, (T)
[T (t)
_
=
~
1
_
1
, (T)
[T (0)
_
+
_
t
0
(n) d1(n) (14.8)
=
~
1
_
1
, (T)
_
+
_
t
0
(n) d1(n) (14.9)
= 1 (0, T) +
_
t
0
(n) d1(n) (14.10)
Karena itu persamaan (14.4) dapat dituliskan dengan
1 (t, T) = , (t)
_
1 (0, T) +
_
t
0
(n) d1(n)
_
(14.11)
Bila dipandang persamaan (14.7) sebagai fungsi ) (t, 1(t)) maka penggunaan rumus Ito
akan menghasilkan
d1 (t, T) = )
t
dt +)
1
d1 +
1
2
)
11
dt (14.12)
= r (t) 1 (t, T) dt +, (t) (t) d1(t) +
1
2
.0.dt (14.13)
= r (t) 1 (t, T) dt +, (t) (t) d1(t) (14.14)
Sekarang konstruksikan suatu portfolio yang terdiri dari saham dan tabungan. Bila
kekayaan semula adalah A (0) maka perubahan dari nilai kekayaan pada saat t yang
diakibatkan dari pembentukan portfolio adalah
dA (t) = (t) dot +r (t) [A (t) (t) o (t)] (14.15)
= r (t) A (t) + (t) [do (t) r (t) o (t) dt] (14.16)
Dengan menggunakan asumsi (14.1) maka persamaan (14.16) bisa diubah menjadi
dA (t) = r (t) A (t) + (t) o (t) o (t) d1(t) (14.17)
Bila diambil
(t) =
, (t) (t)
o (t) o (t)
(14.18)
maka persamaan (14.16) menjadi
dA (t) = r (t) A (t) +, (t) (t) d1(t) (14.19)
yang bentuknya mirip dengan persamaan (14.14) . Karena itu dapat disimpulkan bahwa
A (t) = 1 (t, T) (14.20)
96 Kuliah ke 14. Obligasi
dan
A (T) = 1 (T, T) = 1 (14.21)
Bila r (t) adalah nonrandom \t, maka
1 (t, T) = c

R
T
t
v(&)o&
(14.22)
d1 (t, T) = r (t) 1 (t, T) dt (14.23)
dan dengan membandingkannya dengan persamaan (14.14) maka dapat disimpulkan
bahwa (n) = 0 \n, artinya portfolio yang dibentuk hanyalah berupa tabungan, tidak
ada sahamnya. Sehingga bila pada saat t kita mempunyai 1 (t, T) dan ditabung maka
pada saat T tabungan kita akan menjadi
1 (t, T) exp
__
T
t
r (n) dn
_
= 1 (14.24)
14.3 Model Hull-White
Misal r (t) dpat dimodelkan dengan persamaan diferensial stokastik
dr (t) = [c(t) , (t) r (t)] r (t) dt +o (t) d1(t) (14.25)
dengan c(t) , , (t) dan o (t) adalah fungsi t yang non acak.
Misal
1 (t) =
_
t
0
, (n) dn (14.26)
Untuk mendapatkan solusi dari (14.25) , misalkan
1 = c
1(t)
r (t) (14.27)
dan dengan menggunakan (14.25) didapat
d1 = d
_
c
1(t)
r (t)
_
(14.28)
= c
1(t)
[, (t) r (t) dt +dr (t)] (14.29)
= c
1(t)
[c(t) dt +o (t) d1(t)] (14.30)
Dalam bentuk integral, persamaan terakhir dapat ditulis dengan
c
1(t)
r (t) = r (0) +
_
t
0
c
1(&)
c(n) dn +
_
t
0
c
1(&)
o (n) d1(n) (14.31)
Dari persamaan (14.31) solusi dari r (t) bisa didapat
r (t) = c
1(t)
_
r (0) +
_
t
0
c
1(&)
c(n) dn +
_
t
0
c
1(&)
o (n) d1(n)
_
(14.32)
Menurut Teorema 13.1, persamaan (14.31) memperlihatkan bahwa r (t) adalah proses
Gauss dengan
:
v
(t) = c
1(t)
_
r (0) +
_
t
0
c
1(&)
c(n) dn
_
(14.33)
j
v
(t
i
, t
)
) = c
1(t
i
)1(t
j
)
_
t
i
/t
j

c
21(&)
o (n)
2
dn (14.34)
14.3. Model Hull-White 97
Akan dipelajari sifat
_
T
0
r (t) dt dengan pertolongan pemisalan
A (t) =
_
t
0
c
1(&)
o (n) d1(n) (14.35)
1 (t) =
_
T
0
c
1(t)
A (t) dt (14.36)
Dengan pemisalan ini persamaan (14.31) dapat ditulis dengan
r (t) = c
1(t)
_
r (0) +
_
t
0
c
1(&)
c(n) dn
_
+c
1(t)
A (t) (14.37)
dan bentuk integralnya
_
T
0
r (t) dt =
_
t
0
c
1(t)
_
r (0) +
_
t
0
c
1(&)
c(n) dn
_
dt +1 (T) ~ :or:a| (14.38)
Jadi
_
T
0
r (t) dt ~ Normal, dengan (14.39)
mean : (14.40)
1
__
T
0
r (t) dt
_
=
_
t
0
c
1(t)
_
r (0) +
_
t
0
c
1(&)
c(n) dn
_
dt (14.41)
variansi : (14.42)
ar
__
T
0
r (t) dt
_
= j (T, T) = 1
_
1 (T)
2
_
(14.43)
=
_
T
0
c
21()
o ()
2
__
T
0
c
1(j)
dj
_
2
d (14.44)
Dengan mengenali bentuk dari fungsi pembangkit momen untuk peubah acak berdis-
98 Kuliah ke 14. Obligasi
tribusi normal
1
maka didapat
1 (0, t) = 1
_
c

R
T
0
v(t)ot
_
(14.45)
= exp
_
1
__
T
0
r (t) dt
_
+ar
__
T
0
r (t) dt
__
(14.46)
= exp
_
r (0)
_
T
0
c
1(t)
dt
_
T
0
_
t
0
c
1(t)+1(&)
c(n) dndt +
1
2
_
T
0
c
21()
o ()
2
__
T
0
c
1(j)
dj
_
2
d
_
(14.47)
= exp[r (0) C (0, T) (0, T)] dengan (14.48)
C (0, T) =
_
T
0
c
1(t)
dt (14.49)
(0, T) =
_
T
0
_
t
0
c
1(t)+1(&)
c(n) dndt
1
2
_
T
0
c
21()
o ()
2
__
T
0
c
1(j)
dj
_
2
d
(14.50)
=
_
T
0
_
T
&
c
1(t)+1(&)
c(n) dtdn
1
2
_
T
0
c
21()
o ()
2
__
T
0
c
1(j)
dj
_
2
d
(14.51)
1
Bila X N

;
2

maka fungsi pembangkit momen-nya adalah m


Y
(t) = E

e
tY

= e
(t+
1
2

2
t
2
)
Daftar Pustaka
[1] Bass, Richard F. (2001), Probability Theory, naskah, Department of Mathematics,
University of Connecticut
[2] (2003), The Basic of Financial Mathematics, naskah, Department of Mathemat-
ics, University of Connecticut.
[3] Brze .niak, Zdzislaw dan Tamsz Zastawniak (1999), Basic Stochastic Process,
Springer-Verlag.
[4] Capinski, Marek dan Ekkerhard Kopp (2003), Measure, Integral and Probability,
Springer-Verlag.
[5] Hogg, R.V. dan A.T. Craig (1980), Introduction to Mathematical Statistics, Macmil-
lan.
[6] Shreve, Steven E. (1996), Stochastic Calculus and Finance, naskah, Carnegie Mellon
University.
[7] Williams, David (2001), Probability with Martingales, Cambridge University Press.
99
Indeks
, 14
E(R), 16
T-terukur, 22
o-aljabar, 13
o-aljabar Borel, 16
o (A), 22
o ((), 15
aljabar, 13
almost surely (a.s), 21
aproksimasi, 28
atom, 22
Bernoulli
eksperimen, 1
Binomial
model, 1
pohon, 7
Borel
terukur, 22
bunga
suku, 2
call, 3
convergence
dominated, 20, 27
monotone, 20, 27
ekspektasi
bersyarat, 36
exercise
date, 3
ltrasi, 15
fungsi
T-terukur, 22
himpunan, 17
indikator, 19, 26
sederhana, 19, 26
fungsi himpunan
aditif, 17
terhitung, 17
hampir pasti, 21
himpunan
Borel, 16
kuasa, 14
integral, 26
Lebesque, 19
intrinsict value, 3
jatuh tempo, 3
kebebasan
o-aljabar, 32
variabel acak, 33
kejadian, 14
martingales, 43
nilai intrinsik, 3
opsi, 3
call, 3
option
European call, 3
peluang
bersyarat, 35
persamaan diferensial stokastik, 12
portfolio replikasi, 3
price
arbitrage, 5
exercise, 3
strike, 3
probability
risk-neutral, 5, 11
proses stokastik, 43
100
INDEKS 101
proses teradaptasi, 43
rata-rata parsial, 27
replicating portfolio, 3
ruang
probabilitas, 21
sampel, 14
terukur, 17
ukuran, 18
Teorema Radon-Nikodym, 41
titik sampel, 14
tower property, 42
ukuran, 18
Lebesque, 18
probabilitas, 21
variabel acak, 22