Matematik

1
Dampak risiko suku bunga pada sektor perbankan Spanyol
Laura Ballester, Roman´ Ferrer, dan Cristobal´ Gonzalez´
Abstrak.Makalah ini mengkaji eksposur sektor perbankan Spanyol terhadap

risiko suku bunga.Dengan tujuan itu, model GARCH-M univariat, yang
memperhitungkan tidak hanya dampak perubahan tingkat bunga tetapi juga efek
dari volatilitas mereka pada distribusi pengembalian saham bank,
digunakan.Hasilnya menunjukkan bahwa baik perubahan dan volatilitas suku
bunga memiliki dampak negatif dan signifikan terhadap pengembalian saham
industri perbankan Spanyol.Selain itu, tampaknya ada hubungan langsung antara
ukuran perusahaan perbankan dan tingkat sensitivitas suku bunga mereka.
Kata kunci: risiko suku bunga, perusahaan perbankan, saham, volatilitas
1. Perkenalan
Risiko tingkat bunga (IRR) adalah salah satu bentuk kunci dari risiko keuangan
yang dihadapi oleh bank.Risiko ini berasal dari peran mereka sebagai perantara
keuangan dan telah dikaitkan dengan dua alasan utama.Pertama, dalam neraca
mereka, bank-bank memegang aset dan kewajiban finansial utama dalam bentuk
nominal.Kedua, bank secara tradisional melakukan fungsi transformasi matu-rity
menggunakan deposito jangka pendek untuk membiayai pinjaman jangka
panjang.Ketidaksesuaian maturitas yang dihasilkan memperkenalkan volatilitas ke
dalam pendapatan dan kekayaan bersih bank sebagai perubahan suku bunga, dan
ini sering dilihat sebagai sumber utama IRR bank.Dalam beberapa tahun terakhir,
manajemen IRR telah menjadi terkenal di sektor perbankan karena fakta bahwa
suku bunga telah menjadi jauh lebih tidak stabil dan meningkatnya kekhawatiran
tentang topik ini di bawah Basel Capital Accord (Basel II) yang baru.Pendekatan
yang paling umum untuk mengukur eksposur tingkat bunga bank telah terdiri dari
memperkirakan sensitivitas pengembalian saham bank terhadap fluktuasi suku
bunga.Pengetahuan tentang pengaruh variabilitas suku bunga pada saham bank
adalah penting bagi manajer bank untuk mengelola IRR, investor untuk tujuan
lindung nilai dan alokasi aset, dan pengawas perbankan untuk menjamin stabilitas
2
sistem perbankan. Tujuan utama dari makalah ini adalah untuk menyelidiki
eksposur tingkat bunga dari industri perbankan Spanyol pada tingkat portofolio
dengan menggunakan metodologi GARCH (generalized autoregressive condi-
tional heteroskedastisitas). Kontribusi utamanya adalah untuk memeriksa untuk
pertama kalinya dalam kasus Spanyol dampak gabungan dari perubahan suku
bunga dan suku bunga
L. Ballester, R. Ferrer, dan C. Gonzalez´
volatilitas pada distribusi pengembalian saham bank. Sisa kertas diatur sebagai
berikut.Bagian 2 berisi tinjauan literatur yang relevan.Metodologi yang digunakan
dan data yang digunakan dijelaskan dalam Bagian 3 dan 4, masing-masing.Bagian
5 melaporkan hasil empiris.Akhirnya, Bagian 6 menyimpulkan.
2 Tinjauan pustaka
Pengaruh IRR pada saham bank adalah masalah yang ditangani oleh sejumlah
besar literatur.Sebagian besar penelitian telah difokuskan pada model dua-indeks
yang didalilkan oleh [18] dan beberapa temuan umum dapat dinyatakan.Pertama,
sebagian besar makalah mendokumentasikan hubungan negatif yang signifikan
antara pergerakan suku bunga dan pengembalian saham bank.Hasil ini terutama
disebabkan oleh ketidaksesuaian jatuh tempo yang khas antara aset dan kewajiban
bank.Bank biasanya terkena kesenjangan durasi positif karena durasi rata-rata aset
mereka melebihi durasi rata-rata kewajiban mereka.Dengan demikian, pendapatan
bunga bersih dan nilai bank dipengaruhi secara negatif oleh kenaikan suku bunga
dan sebaliknya.Kedua, saham bank cenderung lebih sensitif terhadap perubahan
suku bunga jangka panjang daripada suku bunga jangka pendek.Ketiga, eksposur
tingkat bunga bank telah menurun selama beberapa tahun terakhir, mungkin
karena pengembangan sistem yang lebih baik untuk mengelola IRR.
Studi awal pada IRR bank didasarkan pada teknik regresi standar di bawah
asumsi pembatasan linearitas, kemandirian dan variasi kondisional konstan dari
pengembalian saham (lihat, misalnya, [1, 10]).Kemudian, beberapa penelitian
(lihat, misalnya, [14, 15]) memberikan bukti terhadap varians kondisional
3
konstan.Untai sastra yang lebih baru mencoba untuk menangkap sifat sensitivitas
tingkat suku bunga bank yang bervariasi berdasarkan waktu dengan menggunakan
metodologi tipe GARCH. Secara khusus, [17] memimpin jalan dalam penerapan
metodologi ARCH di perbankan, menunjukkan kesesuaiannya untuk analisis stok
bank. Studi selanjutnya telah menggunakan berbagai jenis proses GARCH untuk
memeriksa eksposur tingkat bunga bank. Sebagai contoh, [5] dan [16] telah
menggunakan model GARCH-M (GARCH in mean) univariat untuk memeriksa
baik efek dari perubahan tingkat suku bunga dan volatilitas mereka terhadap
pengembalian saham bank, sedangkan [6] dan [9] telah menggunakan model
GARCH-M multivariat.
3 Metodologi
Model yang diusulkan dapat model GARCH (1,1) -M serupa dilihat sebagai versi
tambahan dari suatu univariat ke formulasi oleh [5] dan [16]. Itu adalah sebagai
berikut:
Rit = ωi + λi Rmt + θi_It + γi log hit + _it (1)

hit= α0 + α1_2
it−1
+ βhit−1 + δiVCIt−1 (2)
_it |_t−1 ∼N(0, hit ) (3)
dimana Ri t menunjukkan pengembalian saham bank saya pada periode t, Rm t

portofolio pasar pada periode t, Ini perubahan dalam tingkat bunga
tampak risiko suku bunga pada sektor perbankan Spanyol 3
error term dengan mean nol dan conditional variance hi t, yang bergantung pada
informasi yang disetel t −1, dan V C It −1 volatilitas suku bunga pada periode t
−1. Selain itu, ωi, λi, θi, γi, α0, α1, β dan δi adalah parameter yang akan
diestimasi. Secara khusus, λi mendeskripsikan sensitivitas pengembalian pada
simpanan bank ke fluktuasi pasar umum dan dapat dilihat sebagai ukuran risiko
pasar. Pada gilirannya, θi mencerminkan kepekaan pengembalian pada saham
4
bank itu terhadap pergerakan suku bunga yang mengendalikan perubahan dalam
pengembalian pasar. Oleh karena itu, itu adalah ukuran IRR bank IR. Seperti
biasa, untuk menjaga persyaratan non-negatif untuk varian kondisional α0, α 1, β
≥ 0, sedangkan α1 + β <1 untuk stabilitas untuk dipertahankan.
Pendekatan GARCH-M konsisten dengan pola leptokurtosis dan

pengelompokan volatilitas yang sering diamati di pasar saham dan
memungkinkan untuk pertimbangan waktu yang bervariasi risiko premia dan
penilaian empiris dari hubungan antara risiko dan pengembalian.Beberapa fitur
dari model harus disorot.Pertama, menggabungkan variansi kondisional sebagai
variabel penjelas tambahan dalam (1).Spesifikasi volatilitas dalam bentuk
logaritma didasarkan pada [7]. Kedua, struktur khas proses GARCH telah
diperpanjang pada (2) dengan memodelkan varian kondisional sebagai fungsi dari
volatilitas tingkat bunga bersyarat yang tertinggal dalam satu periode. Dalam hal
ini, meskipun efek dari volatilitas tingkat bunga pada pengembalian saham telah
dipertimbangkan dalam literatur pada tingkat yang lebih rendah daripada dampak
perubahan suku bunga, volatilitas suku bunga cukup penting untuk
diperhitungkan.Sebagai [5] menunjukkan, variabel ini menyampaikan informasi
penting tentang volatilitas keseluruhan dari pasar keuangan dan itu mempengaruhi
volatilitas pengembalian saham bank juga di tingkat mikro.
Ada juga beberapa aspek penting mengenai estimasi model.Masalah pertama

berkaitan dengan kemungkinan multikolinieritas antara rangkaian pengembalian
portofolio pasar dan perubahan tingkat bunga, yang dapat menimbulkan masalah
estimasi serius.Karena korelasi negatif yang signifikan biasanya diamati dalam
kasus Spanyol antara dua variabel ini, prosedur orthogonalisation telah digunakan.
Karena tujuan utama dari penelitian ini adalah untuk menganalisis IRR bank,
pengembalian portofolio pasar telah di ortogonalisasi seperti pada [10] atau [11].
Dengan demikian, residu dari regresi tambahan dari seri pengembalian pasar pada
konstanta dan seri fluktuasi tingkat bunga, oleh konstruksi tidak berkorelasi
dengan perubahan tingkat bunga, telah menggantikan pengembalian portofolio
pasar asli dalam (1).
5
Masalah kedua menyangkut pilihan proxy suku bunga yang akan digunakan.
Dalam pengertian ini, suku bunga jangka panjang adalah proxy yang paling
banyak digunakan dalam literatur, karena mereka diasumsikan memiliki pengaruh
besar pada keputusan perusahaan dan kegiatan ekonomi secara
keseluruhan.Namun demikian, untuk meningkatkan kekuatan hasil, suku bunga
jangka pendek dan penyebaran antara suku bunga jangka panjang dan jangka
pendek juga telah digunakan.Berkenaan dengan suku bunga jangka pendek,
tingkat interbank telah dipilih sejak pasar uang telah menjadi referensi utama bagi
bank-bank Spanyol selama beberapa tahun terakhir. Pada gilirannya, spread suku
bunga dianggap sebagai proksi yang baik untuk kemiringan kurva imbal hasil.
4 L. Ballester, R. Ferrer, dan C. Gonzalez´
4 Data
Sampel terdiri dari semua bank komersial yang terdaftar di Bursa Efek Spanyol
selama setidaknya satu tahun selama periode Januari 1993 - Desember 2005 (23
bank secara total). Pengembalian saham bulanan telah diperoleh dari database
Bolsa de Madrid. Portofolio pasar yang digunakan adalah versi modifikasi dari
Indice General de la Bolsa de Madrid (IGBM), indeks pasar saham Spanyol
terluas. Karena relevansi utama saham bank di IGBM, indeks alternatif di mana
bank dikecualikan telah dibangun untuk memperoleh serangkaian pengembalian
pasar sebagai eksogen mungkin. Mar-ket suku bunga telah diproksi dengan hasil
rata-rata bulanan pada obligasi pemerintah Spanyol 10-tahun dan tingkat rata-rata
3 bulan dari pasar antar bank Spanyol, sedangkan spread suku bunga telah
dihitung sebagai perbedaan di antara mereka. Mengikuti [5] dan [16], volatilitas
suku bunga telah diukur oleh varians bersyarat dari suku bunga, yang dihasilkan
menggunakan proses GARCH.
Untuk memeriksa apakah ada hubungan antara ukuran bank dan IRR, saham
bank telah diurutkan berdasarkan ukuran menjadi tiga portofolio - bank besar (L),
menengah (M) dan kecil (S).Klasifikasi ini (lihat Tabel 1) didasarkan pada tiga
kategori bank komersial yang biasanya dibedakan dalam industri perbankan
6
Spanyol.Dengan demikian, portofolio L mencakup bank-bank yang telah

menimbulkan dua konglomerat perbankan Spanyol multinasional saat ini (B.
Santander dan BBVA). Portofolio M terdiri dari sekelompok bank Spanyol
berukuran sedang yang beroperasi di wilayah nasional. Akhirnya, portofolio S
dibentuk oleh sejumlah besar bank kecil yang sebagian besar beroperasi di daerah
Tabel 1. Daftar bank dan komposisi portofolio bank
Portfolios Asset C × 103) Obs. Portfolios Asset C × 103)

Volume ( Volume ( Obs.
Portfolio L
BSCH 396,124,995 81 B. Bilbao 100,026,979 85

Vizcaya
BBVA 297,433,664 71 Argentaria 69,998,972 80
B. 113,404,303 75 B. Central 68,793,146 75

Santander Hispano
Portfolio
M
Banesto 42,332,585 156 Bankinter 15,656,910 156
B. Exterior 32,130,967 51 B. Pastor 8,789,945 156
B. Popular 29,548,620 156 B. Atlantico´ 7,591,378 138
B. 26,686,670 56
Sabadell
Portfolio S
7
B. 4,597,099 130 B. Galicia 1,726,563 156

Zaragozan
o
B. 4,213,420 156 B. de 1,330,458 156

Valencia Vasconia
B. 4,082,463 156 B. de Vitoria 875,974 62

Guipuzcoa
no
B. 3,521,838 156 B. Credito´ 854,972 156

Andaluc´ıa Balear
B. Herrero 2,624,824 95 B. Alicante 835,576 64
B. de 2,151,742 156 B. Simeon´ 686,451 67

Castilla
Tabel ini menampilkan daftar bank komersial Spanyol yang dipertimbangkan dan
distribusinya dalam portofolio sesuai dengan kriteria ukuran (portofolio L, M dan
S).
Dampak risiko suku bunga pada sektor perbankan Spanyol 5
level.1 Pembentukan portofolio memiliki keuntungan ganda. Pertama, ini adalah

cara yang efisien untuk mengondensasi sejumlah besar informasi. Kedua,
membantu memuluskan kebisingan dalam data karena guncangan terhadap saham
individu.Sebaliknya, portofolio dapat menutupi perbedaan di antara bank dalam
setiap portofolio. Dalam hal ini, keuntungan yang disebutkan tampaknya lebih
besar daripada ketidaknyamanan ini, menurut jumlah makalah berdasarkan
portofolio saham bank (lihat, misalnya, [5,6,17]). Pengembalian portofolio
tertimbang nilai bulanan telah diperoleh menggunakan kapitalisasi pasar akhir
tahun sebagai faktor bobot untuk setiap saham bank individu.
8
5 Hasil empiris
Tabel 2 berisi statistik deskriptif pengembalian portofolio saham bank.Mereka

menyarankan bahwa seri data miring dan leptokurtik relatif terhadap distribusi
normal.Selain itu, ada bukti ketergantungan nonlinier, mungkin karena
heteroskedastisitas autoregressive. Secara keseluruhan, diagnostik ini
menunjukkan bahwa proses jenis GARCH sesuai untuk mempelajari IRR saham
bank. Tabel 3 melaporkan parameter model GARCH yang diperkirakan
menggunakan tiga alternatif tingkat bunga alternatif.Koefisien pada pengembalian
pasar, λi, sangat signifikan, positif dan kurang dari satu dalam semua kasus.Lebih
jauh, nilai absolutnya meningkat seiring dengan meningkatnya ukuran portofolio,
yang menunjukkan bahwa risiko pasar terkait langsung dengan ukuran bank.Ini
adalah hasil yang relevan dan tidak ambigu, karena tidak dipengaruhi oleh berat
bank dalam indeks pasar karena mereka secara eksplisit dikeluarkan dari
portofolio pasar.Fakta bahwa λi <1 menunjukkan bahwa portofolio saham bank
memiliki risiko pasar yang lebih kecil daripada pasar saham secara keseluruhan.
Tabel 2. Statistik deskriptif dari pengembalian saham portofolio bank
Mean Variance Kurtosi JB Q(12 Q(2 Q2(12) Q2(24)

Skewness s ) 4)
L 0.01 0.006 0.44∗∗ 5.15∗∗∗ 35.41∗∗∗ 9.63 12.5549.59∗∗∗ 61.6∗∗∗

6 ∗
M 0.01 0.002 − 5.34∗∗∗ 35.82∗∗∗ 9.89 19.5195.92∗∗∗ 109.5∗∗

1 ∗
0.002
S 0.01 0.001 2.20∗∗ 13.42∗∗ 833.6∗∗∗ 29.28∗ 35.63 25.93∗∗ 28.35

3 ∗ ∗ ∗∗ ∗
9
JB adalah statistik uji Jarque-Bera yang menguji hipotesis nol normalitas

pengembalian.Q (n) adalah statistik Ljung-Box pada lag n, yang menguji
keberadaan korelasi serial. Seperti biasa
∗∗∗, ∗∗ dan ∗ menunjukkan signifikansi masing-masing pada tingkat 1%, 5% dan

10%.
1
Komposisi portofolio bank ditetapkan untuk seluruh periode sampel. Sebagai
alternatif, kami juga mempertimbangkan restrukturisasi tahunan portofolio
berdasarkan volume total aset mereka, dan hasil yang diperoleh dalam kasus itu
sangat mirip dengan yang dilaporkan dalam makalah ini.
2
Model terakhir yang akan diestimasi untuk portofolio S tidak termasuk variansi
kondisional dari suku bunga sejak inklusi akan menghasilkan masalah serius
dalam estimasi model karena variabilitas kecil dari pengembalian pada portofolio
tersebut.
Tabel 3. Perkiraan kemungkinan maksimum model GARCH-M yang diperluas
Perubahan suku bunga 3

bulan
ωi λi θi γi α0 α1 β δi
Portfol
io L
0.96 −1.12 0.004∗ 0.0003∗ 0.09 0.82 −15.0

∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 4∗∗∗
−0.01∗∗
10
(4.99) (17. (−0.0 (9.47 (10.22) (5.6 (54. (−8.5

60) 9) ) 7) 94) 6)
Portfol
io M
0.50 −1.31 0.002∗ 0.0004∗ 0.15 0.66 −13.8

∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 8∗∗∗
0.02∗∗∗
(11.04) (10. (−1.1 (8.87 (18.63) (4.7 (27. (−12.

16) 7) ) 4) 83) 98)
Portfol
io S
0.27 1. 0.02∗ 0.00009 0.03 0.89 —

∗∗∗ 31 ∗∗ ∗∗∗ ∗∗∗ ∗∗∗
0.15
∗∗∗
− − −
(−53.7 (5.12) (−58.5 (12.89) (6.3 (148. —

3) (−1.17) 6) 3) 20)
10-year interest rate

changes
α α
ωi λi θi γi 0 1 β δi
Portfol
io L
0.89∗∗∗−6.80 0.003∗ 0.0004∗ 0.14 0.79 −45.3

11
0.03∗∗∗ ∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 4∗∗∗
(9.08) (15. (−7.2 (6.41 (11.02) (6.6 (43. (−8.9

38) 5) ) 5) 33) 7)
Portfol
io M
0.48∗∗∗−3.19 0.005∗ 0.0003∗ 0.11 0.78 −30.4

∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 9∗∗∗
0.04∗∗∗
(14.29) (8.8 (−3.0 (12.18 (19.48) (5.1 (48. (−10.

2) 4) ) 9) 76) 36)
Portfol
io S
0.25∗∗∗−3.28 −0.01∗ 0.00009 0.04 0.87

∗∗∗ ∗∗ ∗∗∗ ∗∗∗ ∗∗∗
−0.11∗∗ —
∗
(−42.0 (4.2 (−3.3 (−46.5 (13.17) (6.8 (138. —

1) 6) 7) 0) 0) 17)
Interest rate
spread
ωi λi θi γi α0 α1 β δi
Portfol
io L
0.95 −0.32 0.018∗ 0.0003∗ 0.10 0.80 −10.0

∗∗∗ ∗∗ ∗∗ ∗∗ ∗∗∗ 0∗∗∗
0.13∗∗∗
12
(3.24) (15. (−0.9 (3.10) (2.17) (2.0 (11. (−3.7

82) 0) 8) 16) 9)
Portfol
io M
0.51 0.03 0.007∗ 0.0001∗ 0.08 0.83 9.1

∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 0∗∗∗
0.05∗∗∗
(18.84) (9.7 (0.18 (16.78 (12.45) (5.3 (66. (−5.4

1) ) ) 9) 60) 0)
Portfol
io S
0.26∗∗∗−0.61 −0.03∗ 0.00008 0.02 0.89

∗∗∗ ∗∗ ∗∗∗ ∗∗∗ ∗∗∗
−0.18∗∗ —
∗
(−66.9 (5.2 (−3.2 (−75.2 (12.67) (5.9 (155. —

3) 0) 3) 3) 0) 75)
Tabel ini menunjukkan estimasi kemungkinan maksimum model GARCH (1,1) -

M yang diperluas untuk proxy suku bunga yang berbeda berdasarkan persamaan
(1) - (3). Nilai t-statistik dalam tanda kurung dan ∗∗∗, ∗∗ dan ∗ menunjukkan
signifikansi statistik pada tingkat 1%, 5% dan 10%, masing-masing.

13
Mengenai dampak perubahan suku bunga, θi selalu negatif dan signifikan

secara statistik ketika tarif jangka panjang digunakan. Suku bunga jangka panjang
memberikan pengaruh paling kuat terhadap pengembalian portofolio saham bank,
konsisten dengan penelitian sebelumnya (lihat, mis., [3, 5, 6]).
IRR industri perbankan Spanyol juga tampaknya terkait langsung dengan

ukuran bank.Temuan ini dapat dikaitkan dengan tiga faktor.Pertama, kebijakan
penetapan harga yang agresif - terutama pada sisi aset - yang diperkenalkan oleh
bank-bank besar selama beberapa tahun terakhir yang bertujuan untuk
meningkatkan pangsa pasar mereka di lingkungan tren penurunan suku bunga
yang tajam dan persaingan yang ketat telah menyebabkan peningkatan yang luar
biasa dari tingkat penyesuaian produk yang terkait dengan harga pasar antar
bank.Kedua, semakin luasnya keterlibatan bank-bank besar dalam posisi
derivatif.Ketiga, bank-bank besar mungkin memiliki insentif untuk menanggung
risiko yang lebih tinggi yang disebabkan oleh masalah moral hazard yang terkait
dengan status mereka yang terlalu besar untuk gagal.Akibatnya, pendapatan dan
kinerja saham bank-bank besar sekarang jauh lebih dipengaruhi oleh kondisi
pasar.Sebaliknya, strategi penetapan harga yang lebih konservatif dari bank-bank
kecil, bersama dengan penggunaan minor derivatif dan faktor idiosynkratik yang
lebih berat (misalnya, desas-desus tentang merger dan akuisisi), dapat
membenarkan eksposur mereka yang lebih rendah terhadap IRR.
Untuk memberikan wawasan yang lebih luas mengenai kepentingan relatif

dari risiko pasar dan IRR untuk menjelaskan variabilitas pengembalian portofolio
bank, analisis komplementer telah dilakukan. Model dua-faktor seperti dalam [18]
adalah titik awal:
Ri t = ωi + λi Rm t + θi Ini + i t (4)
Karena kedua variabel penjelas secara linear independen oleh konstruksi, varians
dari pengembalian masing-masing portofolio saham bank, V ar (Ri t), dapat
ditulis sebagai:
V ar (R λ2 V ar (R m t) θ 2 V ar (I) + V ar () (5)
14
i t) = ˆ i + î t i t
Untuk membandingkan kedua faktor risiko, persamaan (5) telah dibagi oleh V ar
(Ri t). Dengan demikian, kontribusi masing-masing faktor dapat dihitung sebagai
rasio variansnya atas total varians dari pengembalian portofolio bank. Seperti
yang ditunjukkan pada Tabel 4, risiko pasar tidak diragukan lagi merupakan
penentu pengembalian bank yang paling penting.IRR relatif kurang relevan,
tingkat jangka panjang menjadi yang menunjukkan insiden yang lebih besar.
Tabel 4. Pentingnya relatif faktor-faktor risiko
Interest rate
changes
3 months 10 Sprea
years d
R2(% It R
mt Total It R
mt Total It R
m t Tot
) al
Portfolio 0.8 53.84 54.69 2.8 51.77 54.58 1.2 53.47 54.6
L 5 1 2 9
Portfolio R2(% 1.3 34.21 35.52 2.7 32.78 35.52 1.1 34.83 36.0
M ) 0 4 9 2
Portfolio R2(% 1.2 15.19 16.42 5.5 12.40 17.99 1.0 15.35 16.4
S ) 4 9 8 3
Tabel ini menunjukkan kontribusi tingkat bunga dan risiko pasar, diukur melalui
faktor R2 yang diperoleh dari persamaan (5) dalam menjelaskan total varians
pengembalian portofolio bank.
15
Beralih ke persamaan rata-rata dari model GARCH-M, parameter γi biasanya

telah ditafsirkan sebagai kompensasi yang diperlukan untuk berinvestasi dalam
aset berisiko oleh investor yang menghindari risiko. Karena volatilitas yang
diukur dalam model GARCH bukan merupakan ukuran risiko sistematis, tetapi
risiko total, doesi tidak harus selalu positif karena peningkatan risiko total tidak
selalu berarti pengembalian yang lebih tinggi.3 Untuk kasus kami, nilai perkiraan
untuk γi berbeda tanda di seluruh portofolio bank (positif untuk portofolio L dan
M dan negatif untuk portofolio S). Heterogenitas di antara bank-bank ini mungkin
pada dasarnya berasal dari perbedaan dalam spesialisasi produk dan klien, strategi
lindung nilai suku bunga, dll.Tidak adanya hasil konklusif mengenai parameter ini
sejalan dengan kurangnya konsensus yang ditemukan dalam penelitian
sebelumnya. Dalam pengertian ini, sedangkan [12] dan [4] mendeteksi hubungan
positif antara risiko dan pengembalian (γi> 0), [5,9,13] menyarankan hubungan
negatif (γi <0). Pada gilirannya, [2] dan [16] menemukan γi yang tidak signifikan.
Berkenaan dengan persamaan varian kondisional, α1 dan β adalah positif dan

signifikan di sebagian besar kasus.Selain itu, persistensi volatilitas (α1 + β) selalu
kurang dari satu, konsisten dengan kondisi stasioneritas model.Ini menyiratkan
bahwa model penetapan harga aset konstan-varians tradisional tidak pantas untuk
menggambarkan distribusi pengembalian saham bank dalam kasus Spanyol.
Parameter δi, yang mengukur efek dari volatilitas suku bunga pada volatilitas
return portofolio bank, negatif dan signifikan untuk portofolio L dan M.4 Sebuah
penjelasan pos-sible yang disarankan oleh [5] adalah bahwa, dalam menanggapi
peningkatan suku bunga volatilitas, bank L dan M mencari perlindungan dari IRR
dan mampu mengurangi eksposur mereka dalam satu bulan, misalnya, dengan
menahan derivatif dan / atau mengurangi kesenjangan durasi aset dan
liabilitasnya. Oleh karena itu, ini menghasilkan volatilitas saham bank yang lebih
rendah pada periode berikutnya.Selain itu, hubungan langsung tampaknya ada
antara nilai absolut δi, ukuran bank dan jangka waktu hingga tingkat bunga jatuh
16
tempo.Jadi, serupa dengan bukti sebelumnya dengan perubahan suku bunga,

volatilitas suku bunga memiliki efek negatif yang lebih besar pada volatilitas
pengembalian bank seiring dengan meningkatnya ukuran bank.Lebih lanjut,
volatilitas suku bunga memiliki dampak yang lebih besar ketika suku bunga
jangka panjang dipertimbangkan.Singkatnya, dapat disimpulkan bahwa industri
perbankan Spanyol memang menunjukkan eksposur tingkat bunga yang
signifikan, terutama berkenaan dengan suku bunga jangka panjang.
Selain itu, model GARCH yang diusulkan telah ditambah dengan tujuan untuk
memeriksa apakah pengenalan euro sebagai mata uang tunggal dalam Moneter
Uni Eropa sejak 1 Januari 1999 telah secara signifikan mengubah de-gree IRR
bank Spanyol. , model yang diperluas berikut telah menjadi
3
[13] menunjukkan beberapa alasan untuk hubungan antara risiko dan kembali
menjadi negatif.Dalam kerangka sektor keuangan, [5] juga menyarankan
penjelasan untuk mendapatkan koefisien tradeoff negatif antara risiko dan
pengembalian.
4
Ingat bahwa parameter ini tidak muncul dalam model untuk portofolio S.
5
Karena estimasi model GARCH membutuhkan banyak pengamatan, prosedur
variabel dummy telah digunakan daripada memperkirakan model untuk setiap
subperiode.
mated:
Ri t=ωi+λi Rm t+θi It+ηi Dt It+γilog hi t+i t (6)
h
i t =α0+α1i2t−1+βhi t −1+δi V C It −1 (7)
it | t−1∼N(0,hi t) (8)
17
di mana Dt = 1 jika t ≤ Januari 1999 dan Dt = 0 jika t> Januari 1999. Koefisien
yang terkait, ηi, mencerminkan dampak diferensial dalam hal paparan IRR selama
periode pra-euro.Hasilnya dilaporkan pada Tabel 5.
Tabel 5. Perkiraan kemungkinan maksimum model GARCH-M yang diperluas

dengan variabel dummy
Portfolio L Portfolio Portfoli

M oS
3 month 10 Sprea 3 10 Sprea 3 10 years Spre

years d months years d month ad
θ
i 1.94 −3.44 −1.88∗∗ 2.42 2.59 −0.73∗∗ −1.69 −0.67 −0.1
∗ ∗ 7
ηi −6.52∗∗ 1.52∗∗ −4.57∗∗∗ 0.95∗∗∗ 0.13 −3.43∗∗∗

−4.69∗∗ −6.53∗∗∗ −0.61∗∗
Tabel ini menunjukkan parameter estimasi IRR dalam model GARCH-M berikut
(6) - (8).
∗∗∗, ∗∗ dan ∗ menunjukkan signifikansi statistik pada tingkat 1%, 5% dan 10%,
masing-masing.
Koefisien ηi negatif dan signifikan pada tingkat biasa dalam banyak kasus
dengan perubahan suku bunga jangka panjang dan pendek, sedangkan hasilnya
tidak sepenuhnya konklusif dengan seri spread. Temuan ini menunjukkan bahwa
IRR secara substansial lebih tinggi selama periode pra-euro, sejalan dengan bukti
sebelumnya (lihat [15]) dan menunjukkan bahwa sensitivitas tingkat bunga
pengembalian saham bank telah menurun secara signifikan sejak
diperkenalkannya euro.Penurunan IRR bank selama dekade terakhir pada
18
dasarnya dapat dikaitkan dengan penerapan peran yang lebih aktif dalam
manajemen aset-kewajiban oleh bank dalam menanggapi peningkatan volatilitas
di pasar keuangan, yang telah menyebabkan manajemen IRR yang lebih efektif.
6 Kesimpulan
Makalah ini mengkaji eksposur tingkat bunga dari sektor perbankan Spanyol
dalam kerangka GARCH-M. Secara khusus, analisis telah dilakukan pada
portofolio saham bank yang dibangun sesuai dengan kriteria ukuran. Mengikuti
rangkaian penelitian terbaru, penelitian ini menginvestigasi dampak perubahan
suku bunga dan volatilitas suku bunga terhadap distribusi pengembalian saham
bank.
Hasil mengkonfirmasi persepsi umum bahwa risiko suku bunga adalah faktor
yang signifikan untuk menjelaskan variabilitas pengembalian saham bank tetapi,
seperti yang diharapkan, ia memainkan peran sekunder dibandingkan dengan
risiko pasar. Konsisten dengan pekerjaan sebelumnya, pengembalian portofolio
saham bank berkorelasi negatif dengan perubahan suku bunga,
Suku bunga jangka panjang adalah yang memberikan pengaruh lebih

besar.Hubungan-hubungan negatif ini sebagian besar disebabkan oleh
ketidaksesuaian jatuh tempo yang khas antara aset dan liabilitas bank. Penjelasan
lain terkait erat dengan fase ekspansi ekonomi Spanyol sejak pertengahan 1990-
an. Secara khusus, laba bank memang meningkat secara dramatis, mencapai angka
terbesar mereka, dengan efek positif berikutnya pada harga saham, dalam konteks
tingkat bunga rendah historis dalam kerangka booming perumahan Spanyol.
Lebih lanjut, volatilitas suku bunga juga ditemukan sebagai penentu signifikan
dari volatilitas return portofolio bank, dengan efek negatif.
Hasil utama lainnya mengacu pada hubungan langsung yang ditemukan antara
ukuran bank dan sensitivitas tingkat bunga.Perbedaan berdasarkan ukuran ini bisa
menjadi hasil dari perbedaan antara bank-bank besar dan kecil dalam hal
19
kebijakan penetapan harga bank, tingkat penggunaan instrumen derivatif atau

produk dan spesialisasi klien.Dengan demikian, bank yang lebih besar memiliki
kinerja saham pada dasarnya didorong oleh kondisi pasar, sedangkan bank yang
lebih kecil dipengaruhi lebih banyak oleh faktor risiko idiosynkratik.Akhirnya,
penurunan sensitivitas suku bunga bank selama beberapa tahun terakhir telah
didokumentasikan, yang mungkin terkait dengan ketersediaan sistem dan
instrumen yang lebih besar untuk mengelola dan melindungi risiko suku bunga.
Pengakuan.Para penulis berterima kasih atas dukungan keuangan dari

Kementerian Pendidikan dan Sains Spanyol dan Dana FEDER, memberikan
nomor SEJ2005-08931-C02-02 / ECON.
Referensi
1. Bae, S.C .: Perubahan suku bunga dan pengembalian saham umum lembaga
keuangan: direvisi kembali. J. Finan. Res. 13, 71–79 (1990)
2. Baillie, R.T., DeGennaro, R.P .: Return saham dan volatilitas. J. Finan.
Bergalah. Anal. 25, 203-214 (1990)
3. Bartram, S.M .: Eksposur tingkat bunga korporasi non finansial. Eur. Finan.
Wahyu 6, 101–125 (2002)
4. Campbell, J.Y., Hentschel, L .: Tidak ada berita adalah berita baik: Sebuah
model asimetris perubahan volatilitas dalam pengembalian saham. J. Finan.
Econ. 31, 281–318 (1992)
5. Elyasiani, E., Mansur, I .: Sensitivitas dari saham bank mengembalikan
distribusi ke perubahan
6. dalam tingkat dan volatilitas tingkat bunga: Model GARCH-M. J. Perbankan
Finan. 22, 535–563 (1998)
7. Elyasiani, E., Mansur, I .: Kepekaan pengembalian saham bank untuk jangka
panjang dan jangka pendek
8. Suku bunga: Pendekatan GARCH multivariat. Manajerial Finan. 30, 32–45
(2004)
20
9. Engle, R.F., Lilien, D.M., Robins, R.P .: Memperkirakan waktu berbagai

risiko premia dalam jangka waktu
10. struktur: Model ARCH-M. Econometrica 55, 391-407 (1987)
11. Engle, R.F., Ng, V.K .: Mengukur dan menguji dampak berita pada volatilitas.
J. Finan. 48, 1749-1778 (1993)
12. Faff, R.W., Hodgson, A., Kremmer, M.L .: Investigasi tentang dampak suku
bunga dan ketidakstabilan tingkat suku bunga pada distribusi pengembalian
saham sektor keuangan Australia. J. Bus. Finan. Acc. 32, 1001–1032 (2005)
13. Flannery, M.J., James, C.M .: Efek dari perubahan tingkat bunga pada
pengembalian saham umum dari lembaga keuangan. J. Finan. 39, 1141–1153
(1984)
14. Dampak risiko suku bunga pada sektor perbankan Spanyol 11
15. Fraser, D.R., Madura, J., Weigand, R.A .: Sumber risiko suku bunga bank.
Finan. Wahyu 37, 351–368 (2002)
16. Perancis, K.R., Schwert, G.W., Stambaugh, R.F .: Pengembalian dan
volatilitas saham yang diharapkan. J. Finan. Econ. 19, 3–29 (1987)
17. Glosten, L.R., Jagannathan, R., Runkle, D: Pada hubungan antara nilai yang
diharapkan dan volatilitas pada pengembalian kelebihan nominal pada saham.
J. Finan. 48, 1779-1801 (1993)
18. Kane, E.J., Unal, H: Perubahan dalam penilaian pasar terhadap risiko lembaga
deposito. J. Finan. Serv. Res. 2, 201–229 (1988)
19. Kwan, S.H .: Pemeriksaan kembali sensitivitas tingkat bunga dari
pengembalian saham bank komersial menggunakan model koefisien acak. J.
Finan. Serv. Res. 5, 61–76 (1991)
20. Ryan, S.K., Worthington, A.C .: Pasar, suku bunga dan risiko nilai tukar mata
uang asing di
21. Perbankan Australia: Pendekatan GARCH-M. Int. J. Appl. Bis. Econ. Res. 2,
81–103 (2004)
22. Song, F .: Model ARCH dua faktor untuk pengembalian saham lembaga-
deposit. J. Money Credit Banking 26, 323–340 (1994)
21
23. Stone, B.K .: Risiko suku bunga sistematis dalam model pengembalian dua
indeks. J. Finan. Bergalah. Anal. 9, 709–721 (1974)
Kesalahan pelacakan dengan kendala jaminan minimum
Diana Barro dan Elio Canestrelli
Abstrak.Dalam beberapa tahun terakhir, popularitas indeks telah sangat meningkat

di pasar keuangan dan banyak keluarga produk yang berbeda telah
diperkenalkan.Seringkali produk ini juga memiliki jaminan minimum dalam
bentuk tingkat pengembalian minimum pada tanggal yang ditentukan atau tingkat
kekayaan minimum di akhir cakrawala.Periode penurunan pasar saham kembali
bersama dengan tingkat suku bunga rendah pada obligasi Treasury membuatnya
lebih sulit untuk memenuhi kewajiban ini.Kami memformulasikan masalah
alokasi aset dinamis yang mempertimbangkan tujuan yang bertentangan dari
pengembalian minimum yang dijamin dan pengambilan terbalik dari
pengembalian aset berisiko.Untuk menggabungkan tujuan-tujuan ini kami
memformulasikan masalah kesalahan pelacakan ganda menggunakan pengukuran
kesalahan pelacakan asimetris dalam kerangka pemrograman stochastic
multistage.
Kata kunci: jaminan minimum, patokan, kesalahan pelacakan, alokasi aset

dinamis, sce-nario
1. Perkenalan
Kehadiran secara simultan dari suatu patokan dan minimum pengembalian yang
dijamin mempengaruhi banyak produk keuangan terstruktur.Tujuannya adalah
22
untuk menarik calon investor yang menyatakan minatnya terhadap pengembalian

pasar saham yang tinggi tetapi juga tidak mencari risiko yang cukup untuk
sepenuhnya menerima volatilitas investasi ini dan memerlukan bantalan. Masalah
ini juga penting untuk pilihan alokasi aset untuk dana pensiun baik dalam kasus
manfaat yang ditetapkan (yang dapat dikaitkan dengan pengembalian dana) dan
skema kontribusi yang ditetapkan agar dapat menarik anggota ke dana tersebut.
Selain itu, banyak produk asuransi jiwa termasuk opsi pengembalian minimum
yang dijamin dan jumlah minimum dapat dijamin oleh manajer dana untuk alasan
kredibel. Dengan demikian pilihan yang tepat dari model alokasi aset yang
menarik tidak hanya untuk dana investasi atau perusahaan asuransi yang
menawarkan produk dengan komponen investasi, tetapi juga untuk industri dana
pensiun.
Dalam literatur ada kontribusi yang membahas dua komponen secara terpisah,
dan ada kontribusi yang membahas masalah kesalahan pelacakan ketika Value at
Risk (VaR), Conditional Value at Risk (CVaR) atau Maximum Drawdown (MD)
kendala diperkenalkan terutama dalam kerangka statis, tetapi sangat sedikit
kontribusi
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu Pengetahuan
Aktuaria dan Keuangan
© Springer-Verlag Italia 2010
14 D. Barro dan E. Canestrelli
mengatasi masalah manajemen portofolio dinamis ketika baik guaran-tee

minimum dan tujuan kesalahan pelacakan hadir; lihat misalnya [14]. Untuk
bersama-sama memodelkan tujuan-tujuan ini kami bekerja dalam kerangka kerja
pemrograman stokastik karena telah terbukti cukup fleksibel untuk menangani
banyak masalah yang berbeda yang muncul dalam perumusan dan solusi dari
masalah-masalah ini.Kami tidak mempertimbangkan sudut pandang investor yang
ingin memaksimalkan utilitas yang diharapkan dari kekayaannya sepanjang
horison perencanaan atau pada akhir periode investasi. Sebaliknya, kami
23
mempertimbangkan sudut pandang manajer dana, sehingga mewakili kumpulan

investor, yang bertanggung jawab atas pengelolaan portofolio yang terkait dengan
produk keuangan yang menawarkan tidak hanya pengembalian minimum yang
dijamin tetapi juga penangkapan terbalik dari risiko pengembalian portofolio.
Tujuannya dengan demikian bertentangan karena untuk memaksimalkan
penangkapan terbalik ia harus meningkatkan risiko total dari portofolio dan ini
dapat mengakibatkan pelanggaran jaminan pengembalian minimum jika pasar
saham mengalami periode penurunan re-turn atau jika investasi kebijakan tidak
optimal. Di sisi lain, profil risiko rendah pada pilihan investasi dapat menjamin
pencapaian jaminan pengembalian minimum, jika dirancang dengan tepat, tetapi
tidak meninggalkan peluang untuk penangkapan terbalik.
2 Pengembalian dan kendala minimum terjamin pada tingkat kekayaan
Relevansi pengenalan produk-produk pengembalian terjamin minimum telah

tumbuh dalam beberapa tahun terakhir karena ketidakstabilan pasar keuangan dan
rendahnya tingkat suku bunga pada pemerintah (berdaulat) dan obligasi
lainnya.Ini membuat lebih sulit untuk memperbaiki tingkat jaminan untuk
menarik calon investor. Selain itu, ini dapat menciptakan ketidakstabilan
keuangan potensial dan default karena tingginya tingkat jaminan yang ditetapkan
di masa lalu untuk kontrak dengan jangka waktu yang panjang, seperti kontrak
asuransi jiwa atau dana pensiun. Lihat, misalnya, [8, 20, 31].
berbagai fitur jaminan dapat dirancang seperti jaminan tingkat pengembalian,

termasuk jaminan pokok, yaitu, dengan tingkat pengembalian nol, jaminan
manfaat minimum, dan jaminan pokok nyata. Beberapa dari mereka lebih menarik
bagi par-ticipants dalam dana pensiun sementara yang lain lebih relevan untuk
produk asuransi jiwa atau reksadana. Dalam hal jaminan pengembalian minimum,
kami memastikan tingkat pengembalian positif deterministik (mengingat batasan
penerimaan untuk tingkat pengembalian yang dapat dicapai); dalam manfaat
minimum, tingkat pembayaran minimum dijamin, pada tanggal pencerahan
24
kembali, misalnya.Di hadapan jaminan nominal, persentase tetap dari kekayaan

awal biasanya dijamin untuk tanggal tertentu sementara jaminan nyata atau
fleksibel biasanya dihubungkan ke indeks inflasi atau indeks pasar modal.
Batasan jaminan dapat dipilih berkenaan dengan nilai kekayaan terminal atau
sebagai urutan pengembalian yang dijamin (kemungkinan meningkat). Pilihan ini
dapat dipimpin oleh kondisi produk keuangan yang terkait dengan dana tersebut.
Desain jaminan adalah masalah yang krusial dan memiliki dampak yang konsisten
terhadap pilihan strategi manajemen.
Kesalahan pelacakan dengan batasan jaminan minimum 15
Tidak semua nilai jaminan minimum dapat dicapai; argumen arbitrase tidak
dapat diterapkan. Desain optimal jaminan minimum telah dipertimbangkan dan
dibahas dalam konteks manajemen dana pensiun di [14]. Muermann dkk. [26]
menganalisis kesediaan peserta dalam dana pensiun iuran pasti untuk membayar
jaminan dari sudut pandang analisis penyesalan.
Masalah lain yang harus ditangani dalam perumusan adalah kenyataan bahwa
kebijakan yang memberikan jaminan pengembalian minimum biasanya
memberikan kepada pemegang polis juga sejumlah tertentu pengembalian bagian
berisiko dari portofolio yang diinvestasikan di pasar ekuitas. Hal ini mengurangi
kemungkinan penerapan alokasi portofolio berdasarkan obligasi Treasury karena
tidak ada potensi kenaikan yang akan ditangkap. Tujuan utamanya adalah
kombinasi yang tepat dari dua tujuan yang saling bertentangan, yaitu
pengembalian terjamin, yaitu profil risiko rendah, dan setidaknya bagian dari
pengembalian yang lebih tinggi yang dapat diberikan oleh pasar ekuitas dengan
biaya eksposur tinggi untuk risiko tidak memenuhi persyaratan pengembalian
minimum.
Kemungkinan pertama adalah membagi keputusan investasi menjadi dua

langkah.Pada awalnya investor memilih strategi alokasi tanpa memperhatikan
jaminan, sementara pada langkah kedua dia menerapkan strategi asuransi yang
dinamis (lihat misalnya [15]).
25
Consiglio et al. [9] mendiskusikan masalah manajemen aset dan kewajiban

untuk produk asuransi UK dengan jaminan.Produk-produk ini menawarkan
pemilik baik tingkat pengembalian dijamin minimum dan kemungkinan untuk
berpartisipasi dalam pengembalian bagian berisiko dari portofolio yang
diinvestasikan di pasar ekuitas. Jaminan minimum diperlakukan sebagai kendala
dan pengelola dana memaksimalkan kepastian setarakelebihan pengembalian
ekuitas (CEexROE). Pendekatan ini fleksibel dan memungkinkan seseorang untuk
menangani juga dengan kehadiran bonus dan / atau target kekayaan terminal.
Kontribusi yang berbeda dalam literatur telah mengatasi masalah pilihan

portfo-lio yang optimal dengan adanya jaminan minimum baik dalam waktu
kontinu dan diskrit juga dari sudut pandang strategi asuransi portofolio baik untuk
jaminan tipe Eropa dan untuk jaminan tipe Amerika, lihat misalnya [10, 11].
Kami mempertimbangkan masalah merumuskan dan menyelesaikan masalah

alokasi optimal termasuk persyaratan jaminan minimum dan partisipasi dalam
hasil yang dihasilkan dari portofolio berisiko.Tujuan-tujuan ini dapat dicapai baik
mengingat mereka sebagai kendala atau memasukkan mereka dalam fungsi
obyektif. Berikut ini kami akan menganalisis secara lebih rinci kasus kedua dalam
konteks masalah kesalahan pelacakan dinamis, yang menurut kami memberikan
kerangka yang lebih fleksibel.
3 Benchmark dan masalah kesalahan pelacakan
Pengenalan tolok ukur dan produk yang diindeks telah sangat meningkat sejak
Modal Asset Pricing Model (lihat [23,25,28]) mempromosikan basis teoritis untuk
dana indeks. Pernyataan patokan sangat relevan dalam definisi profil risiko dana
dan dalam evaluasi kinerja manajer dana. Analisis keberhasilan dalam mereplikasi
benchmark dilakukan melalui pelacakan kesalahan pengukuran.

26
Mempertimbangkan patokan yang diberikan, berbagai sumber kesalahan

pelacakan dapat dianalisis dan didiskusikan, lihat, misalnya [19].Pengenalan
komponen likuiditas dalam manajemen portofolio, pilihan strategi replikasi
parsial, dan biaya manajemen, antara lain, dapat menyebabkan kesalahan
pelacakan dalam replikasi perilaku indeks yang dirancang sebagai patokan.
Masalah ini sangat relevan dalam strategi pasif murni di mana tujuan dari
pengelola dana adalah untuk mem-mime sempurna hasil benchmark, sementara
itu kurang penting jika kita mempertimbangkan strategi alokasi aset aktif di mana
tujuannya adalah untuk menciptakan kinerja yang berlebihan sehubungan dengan
patokan. Misalnya, pilihan pengukuran kesalahan pelacakan asimetris
memungkinkan kami mengoptimalkan komposisi portofolio untuk mencoba
memaksimalkan penyimpangan positif dari tolok ukur.Untuk penggunaan
pengukuran kesalahan pelacakan asimetris dalam kerangka statis, lihat, misalnya,
[16, 22, 24, 27].
Untuk diskusi tentang manajemen risiko di hadapan pembandingan, lihat

Basak et al. [4].Alexander dan Baptista [1] menganalisis pengaruh kendala
penarikan, memperkenalkan untuk mengendalikan kekurangan sehubungan
dengan patokan, pada optimalitas portofolio dalam kerangka statis.
Kami tertarik untuk mempertimbangkan masalah kesalahan pelacakan dinamis

dengan patokan stokastik.Untuk diskusi tentang masalah kesalahan pelacakan
dinamis, kami mengacu pada [2, 5, 7, 13, 17].
4 Rumusan masalah
Kami mempertimbangkan masalah alokasi aset untuk manajer dana yang

bertujuan memaksimalkan laba atas portofolio berisiko sambil mempertahankan
pengembalian minimum yang dijamin. Memaksimalkan penangkapan terbalik
meningkatkan risiko total portofolio.Ini dapat diimbangi dengan pengenalan
tujuan kedua, yaitu, meminimalkan kekurangan sehubungan dengan tingkat
jaminan minimum.
27
Kami memodelkan bagian pertama dari fungsi obyektif sebagai pemaksimalan

atas kinerja berlebihan sehubungan dengan patokan stokastik tertentu.Jaminan
minimum itu sendiri dapat dimodelkan sebagai patokan, mungkin dinamis.Dengan
demikian masalah dapat diformalkan sebagai masalah kesalahan pelacakan ganda
di mana kami tertarik untuk memaksimalkan penyimpangan positif dari tolok ukur
yang berisiko sambil meminimalkan kerugian sisi negatif dari jaminan
minimum.Pilihan ukuran kesalahan pelacakan asimetris memungkinkan kita untuk
menggabungkan dua sasaran dengan tepat.
Untuk menggambarkan ketidakpastian, dalam konteks masalah pemrograman

stokastik multiperiode, kami menggunakan pohon skenario. Serangkaian skenario
adalah kumpulan jalur dari t = 0 ke T, dengan probabilitas πkt yang terkait dengan
setiap simpul kt di jalur: menurut struktur informasi yang diasumsikan, koleksi ini
dapat direpresentasikan sebagai pohon skenario di mana status saat ini sesuai
dengan akar pohon dan setiap skenario direpresentasikan sebagai jalur dari asal ke
daun dari pohon.
Jika kami memperbaikinya sebagai jaminan pengembalian minimal, tanpa

persyaratan apa pun pada penangkapan terbalik, kami mendapatkan masalah yang
sesuai dengan kerangka asuransi portofolio, lihat, misalnya, [3,6,18,21,29]. Untuk
strategi asuransi portofolio ada pembatasan ketat
Kesalahan pelacakan dengan batasan jaminan minimum 17
pada pilihan tolok ukur, yang tidak dapat melebihi pengembalian pada keamanan
bebas risiko tanpa persyaratan arbitrase.
Biarkan xkt menjadi nilai tolok ukur berisiko pada waktu t di node kt; zt
adalah nilai dari tolok ukur yang lebih rendah, jaminan minimum, yang dapat
diasumsikan konstan atau memiliki dinamika deterministik, sehingga tidak
bergantung pada node kt. Kami menunjukkan dengan ykt nilai portofolio yang
dikelola pada waktu t di node kt. Selain itu, biarkan φkt (ykt, xkt) menjadi ukuran
28
kesalahan pelacakan yang tepat yang menyumbang jarak antara portofolio yang
dikelola dan tolok ukur yang berisiko, dan ψkt (ykt, zt) ukuran jarak antara
portofolio berisiko dan patokan jaminan minimum. Fungsi obyektif dapat ditulis
sebagai
T Kt Kt
ma =+ =+
x
αt φkt (ykt , xkt ) − ψkt (ykt , zt ) (1)
y
βt k K
kt t t t
=0 k K
−1
t t 1
−11
di mana αt dan βt mewakili urutan bobot positif yang dapat menjelaskan baik
untuk kepentingan relatif dari dua tujuan dalam fungsi obyektif dan untuk
preferensi waktu dari manajer. Sebagai contoh, jika kita mempertimbangkan
masalah manajemen portofolio dana pensiun kita dapat mengasumsikan bahwa
tujuan penangkapan terbalik lebih disukai pada tahap awal dari cakrawala
investasi sementara strategi yang lebih konservatif dapat diadopsi pada akhir
periode investasi. Pilihan yang tepat untuk andt dan allowst memungkinkan kita
untuk menentukan masalah kesalahan pelacakan yang berbeda.
Pengukuran kesalahan pelacakan diindeks sepanjang horison perencanaan

sedemikian rupa sehingga kita dapat memantau perilaku portofolio pada setiap
tanggal perdagangan t. For-mulations lainnya adalah mungkin. Sebagai contoh,
kita dapat mengasumsikan bahwa tujuan jaminan minimum hanya relevan pada
tahap terminal di mana kita memerlukan tingkat kekayaan minimum z T
T Kt KT
29
ma =+ =+
x
αt φkt (ykt , xkt ) − βT ψkT (ykT , zT ).
y K
(2)
kt t t
=0 −11
k
t k K
T −11
T
Diusulkan dapat dianggap sebagai generalisasi model kesalahan pelacakan

Dembo dan Rosen [12], yang menganggap sebagai fungsi obyektif, rata-rata
tertimbang positif dan negatif penyimpangan dari patokan.
Dalam model kami, kami mempertimbangkan dua tolok ukur yang berbeda
dan masalah pelacakan dinamis.Model dapat digeneralisasikan untuk
memperhitungkan pemantauan kekurangan lebih sering daripada tanggal
perdagangan, lihat Dempster et al. [14].
Kami mempertimbangkan pembuat keputusan yang harus menyusun dan

mengelola portofolionya menggunakan n = n1 + n 2 aset berisiko dan komponen
likuiditas. Dalam qi kt berikut, = 1,. . . , n1, menunjukkan posisi dalam stok ke-i
dan b j kt, j = 1,. . . , n2 menunjukkan posisi dalam ikatan j sementara ckt
menunjukkan jumlah kas.
Kami melambangkan dengan rkt = (r1 kt,..., rn kt) vektor pengembalian aset
berisiko untuk periode [t - 1, t] dalam simpul kt dan dengan rc kt pengembalian
komponen likuiditas di node kt. Untuk memperhitungkan biaya transaksi dan
komponen likuiditas dalam portofolio kami memperkenalkan dua vektor variabel
akt = (a1kt,..., An kt) dan vkt =

30
(v1kt,..., vn kt) yang menunjukkan nilai setiap aset yang dibeli dan dijual pada
waktu t di node kt, sementara kami menunjukkan dengan κ + dan κ− biaya
transaksi proporsional untuk pembelian dan penjualan.
Pilihan berbeda dari pengukuran kesalahan pelacakan adalah mungkin dan

pertukaran yang berbeda antara tujuan pada sisi jaminan minimum dan pada sisi
kesalahan pelacakan yang ditingkatkan, untuk tolok ukur yang berisiko, juga
mungkin.Dalam kontribusi ini kami tidak menangani masalah membandingkan
pilihan yang berbeda untuk melacak kesalahan pengukuran dan trade-off dalam
tujuan sehubungan dengan sikap risiko investor.Di antara berbagai model yang
mungkin, kami mengusulkan penyimpangan downside mutlak sebagai ukuran
kesalahan pelacakan antara portofolio yang dikelola dan patokan jaminan
minimum, sementara kami hanya mempertimbangkan penyimpangan terbalik
antara portofolio dan tolok ukur yang berisiko.
φ k (y , k ) = [ y − x k ]+ = θ + (3)
t x t t
k kt kt;
t
ψk (yk , zt )= [ yk − zt]− = γ −, (4)
t t t kt
where [ ykt−xkt ]+= max[ − xkt,0] and [ykt − zt]− = − min[ykt − zt,0].
ykt The
di mana [ykt - xkt] + = maks [ykt - xkt, 0] dan [ykt - zt] - = - min [ykt - zt, 0]. Itu
jaminan minimum dapat diasumsikan konstan selama seluruh horizon
perencanaan atau dapat mengikuti dinamika deterministik, yaitu, tidak tergantung
pada skenario. Setelah [14] kita mengasumsikan bahwa ada tingkat pengembalian
tahunan yang dijamin dinotasikan dengan ρ. Kalau yang awalKekayaan adalah W
31
0 = n + 1 x i0, maka nilai jaminan pada akhir perencanaan i = 1 T horizon adalah

W T = 0 (+ ρ). Pada setiap tanggal mulai, nilai jaminan W 1 diberikan oleh zt = eδ
(t, T −t) (T −t) W0 (1 + ρ) T, di mana eδ (t, T −t) (T −t) adalah faktor
diskon,yaitu, harga pada waktu t dari zcb yang membayar 1 pada waktu terminal
T.
Fungsi obyektif menjadi trade-off terbobot antara penyimpangan negatif dari

jaminan minimum dan penyimpangan positif dari tolok ukur yang
berisiko.Mengingat pilihan untuk jaminan minimum, fungsi obyektif menghukum
deviasi negatif dari tolok ukur berisiko hanya ketika penyimpangan ini
sedemikian rupa sehingga nilai portofolio di bawah jaminan minimum dan
menghukum mereka untuk jumlah yang di bawah jaminan minimum.Dengan
demikian, pilihan bobot relatif untuk dua tujuan sangat penting dalam penentuan
tingkat risiko strategi portofolio.
Masalah kesalahan penelusuran dinamis yang diperoleh dalam bentuk

arborensinya adalah
T Kt Kt +
=+ + = −
max α θ −β γ (5)
q ,b ,c
kt t t kt K
t −11 kt t 1 kt
kt kt =1
k K
t t
−1
θ + − θ −= y − x kt (6)
k k
t kt
32
−
kt≤ t − zt (7)
γ− yk
n n
1 2
= ckt +
y
kt i= qi + b
j kt (8)
1 kt
j =1
Tracking error with minimum 19

guarantee constraints
= (1 + ri kt)qi f(kt) + ai f (kt)−vi f (kt)i=1, . . . ,n1 (9)
= (1 + rj kt)bj f(kt) + a j= 1 n (10)
j f(k )−vj f(k )

n1 t t n1 ,..., 2
= (1 + rc kt)cf(kt) − i =1 (κ+ )ai f(kt)+i =1 (κ− )vi

f(kt)
+ jn21 gkt b j f(kt) (11)
(κ+ )aj f(kt)+jn21 (κ− )v j f(kt)+jn21
= = =
≥ 0 vi ≥ 0i = 1, . . . ,n1 (12)
kt
33
≥ 0 v j ≥ 0j = 1, . . . ,n2 (13)
kt
≥ 0 i =1, . . . , n1 (14)
≥ 0 j =1, . . . , n2 (15)
=0 θ− (16)
≥0 0 (17)
kt≥
≥0 (18)
≥0 (19)
= i =1, . . . , n1 (20)
q¯i
= b¯j j =1, . . . , n2 (21)
= (22)
c¯
dimana persamaan (8) mewakili komposisi portofolio di node kt; persamaan (9) -
menggambarkan dinamika jumlah saham, obligasi dan uang tunai dalam
portofolio yang bergerak dari node leluhur f (kt), pada waktu t - 1, ke node
descendent kt, pada waktu t, dengan K0 = 0. Dalam persamaan (11 ), dengan gkt
kami menunjukkan arus masuk dari obligasi dalam portofolio. Persamaan (16)
mewakili kondisi komplementaritas yang mencegah penyimpangan positif dan
negatif menjadi berbeda dari nol pada saat yang sama. Persamaan (20) - (22)
memberikan dana awal untuk saham, obligasi dan uang tunai.
Kita perlu menentukan nilai patokan dan nilai jaminan minimum pada setiap
waktu dan untuk setiap node. Stochastic benchmark ykt dan harga aset berisiko
34
dalam portofolio harus disimulasikan sesuai dengan proses stokastik yang

diberikan untuk membangun pohon skenario yang sesuai. Dinamika lainnya
untukminimum tingkat jaminan terjamin dapat dirancang.Secara khusus, kita
dapat mendiskusikan waktu yang bervariasi atau kembali di sepanjang horison
perencanaan, atau kita dapat memasukkan bonus yang masih harus dibayar seperti
pada [8].
Pendekatan kedua untuk mengatasi masalah jaminan pengembalian minimum

adalah untuk memperkenalkan kendala probabilistik dalam masalah optimasi
dinamis. Denot-ing dengan θ tingkat keyakinan yang diinginkan, kita dapat
merumuskan kekurangan kendala baik pada tingkat kekayaan pada waktu antara t
dan pada kekayaan terminal sebagai
mengikuti
Pr (Wt ≤ zt) ≤ 1 - θ Pr (WT ≤ zT) ≤ 1 - θ
di mana Wt adalah variabel acak yang mewakili tingkat kekayaan. Di bawah

asumsi jumlah yang terbatas dan terbatas, kita dapat menghitung
kekurangannyaprobabilitas menggunakan nilai kekayaan di setiap node W kt = n
+ 1 x i kt. Ini memberi i = 1 naik ke masalah optimisasi stokastik terbatas yang
bisa sangat ekstrim sulit untuk dipecahkan karena non-konveksitas yang mungkin
timbul, lihat [14].
5. Kesimpulan
Kami membahas masalah termasuk dalam perumusan masalah optimisasi

portofolio dinamis baik jaminan pengembalian minimum dan memaksimalkan
potensi pengembalian dari portofolio berisiko.Untuk menggabungkan dua tujuan
yang saling bertentangan ini, kami memformulasikannya dalam kerangka masalah
galat pelacakan dinamis ganda menggunakan pengukuran pelacakan asimetris.
35
Referensi
1. Alexander, G.J., Baptista, A.M .: Pemilihan portofolio dengan batasan

penarikan. J. Bank-ing Finan. 30, 3171–3189 (2006)
2. Barro, D., Canestrelli, E .: Pelacakan kesalahan: model portofolio multistage.
Ann. Oper. Res. 165 (1), 44–66 (2009)
3. Basak, S: Ekuilibrium umum asuransi portofolio. Pdt. Finan. Stud. 8, 1059–
1090 (1995)
4. Basak, S., Shapiro, A., Tepla, L .: Manajemen risiko dengan pembandingan.
Bekerja pa-per seri manajemen aset SC-AM-03-16, Salomon Pusat Studi
Lembaga Keuangan, NYU (2003)
5. Boyle, P., Tian, W .: Portofolio optimal dengan batasan. Matematika. Finan.
17, 319–343 (2007)
6. Brennan, M., Solanki, R .: Asuransi portofolio yang optimal. J. Finan.
Bergalah. Anal. 16, 279–300 (1981)
7. Browne, S .: Mengalahkan target bergerak: strategi portofolio optimal untuk
mengungguli patokan stochastic. Finan. Stochastics 3, 255–271 (1999)
8. Consiglio, A., Cocco, F., Zenios, S.A .: Model Prometeia untuk mengelola
asuransikebijakan dengan jaminan. Dalam: Zenios, S.A. dan Ziemba, W.T.
(Eds.) Handbook of Asset and Liability Management, vol. 2, hal. 663–705.
Belanda Utara (2007)
9. Consiglio, A., Saunders, D., Zenios, S.A .: Manajemen aset dan kewajiban
untuk asuransiproduk dengan jaminan minimum: Kasus Inggris. J. Perbankan
Finan. 30, 645–667 (2006)
10. Deelstra, G., Grasselli, M., Koehl, P.-F .: Strategi investasi yang optimal
dengan adanya jaminan minimum. Ins. Matematika. Econ. 33, 189–207 (2003)
11. Deelstra, G., Grasselli, M., Koehl, P.-F .: Desain optimal dari jaminan untuk
dana kontribusi yang ditetapkan. J. Econ. Dyn. Kontrol 28, 2239–2260 (2004)
12. Dembo, R., Rosen, D .: Praktik replikasi portofolio, gambaran praktis dari
penyelidikan di luar dan di belakang. Ann. Oper. Res. 85, 267–284 (1999)
36
13. Kesalahan pelacakan dengan batasan jaminan minimum 21Dempster, M.H.A.,

Thompson, G.W.P .: Stokastik replikasi portofolio dinamispemrograman.
Dalam: Dempster, M.H.A. (ed.) Manajemen Risiko: Nilai Berisiko dan Lebih
Jauh, hal. 100–128. Cambridge Univeristy Press (2001)
14. Dempster, M.A.H., Germano, M., Medova, E.A., Rietbergen, M.I., Sandrini,
F., dan Scrowston, M .: Merancang dana kembali dijamin minimum. Makalah
Penelitian dalam Studi Manajemen, University of Cambridge, WP 17/2004
(2004)
15. El Karoui, N., Jeanblanc, M., Lacoste, V .: Manajemen portofolio yang
optimal dengan jaminan modal Amerika. J. Econ. Dyn. Kontrol 29, 449–468
(2005)
16. Frank, E.C .: Menargetkan pengembalian kelebihan-benchmark. J. Portfolio
Man. 18, 6–12 (1992)
17. Gaivoronski, A., Krylov, S., van der Vijst, N .: Pemilihan portofolio optimal
dan pelacakan patokan dinamis. Eur. J. Oper. Res. 163, 115–131 (2005)
18. Grossman, S.J., Zhou, Z .: Analisis ekuilibrium asuransi portofolio. J. Finan.
51, 1379– 1403 (1996)
19. Halpern, P., Kirzner, E .: Standar kualitas untuk produk indeks. Makalah
kerja. Rotman School of Management, University of Toronto (2001)
20. Hochreiter, R., Pflug, G., Paulsen, V .: Desain dan manajemen asuransi jiwa
Unit-linkedance Kontrak dengan jaminan. Dalam: Zenios, S.A. dan Ziemba
W.T. (eds.) Buku pegangan manajemen aset dan kewajiban vol. 2, hal. 627–
662. Belanda Utara (2007)
21. Jensen, B.A., Sorensen, C: Membayar untuk jaminan suku bunga minimal:
Siapa yang harus memberi kompensasi kepada siapa? Eur. Finan. Pria. 7, 183-
211 (2001)
22. Konno, H., Yamazaki, H: Berarti model optimasi portofolio deviasi absolut
dan aplikasinya ke pasar saham Tokyo. Pria. Sci. 37, 519-531 (1991)
23. Lintner, J .: Penilaian aset berisiko dan pemilihan investasi berisiko dalam
portofolio saham dan anggaran modal. Pendeta Econ. Stat. 47, 13–37 (1965)
37
24. Michalowski, W., Ogryczak, W .: Memperluas model optimasi portofolio

MAD untuk memasukkan penghindaran risiko downside. Naval Res. Logis.
48, 185–200 (2001)
25. Mossin, J: Ekuilibrium di Pasar Modal Modal. Econ. 34, 768-783 (1966)
26. Muermann, A., Mitchell, O.S., Volkman, J.M .: Penyesalan, pilihan
portofolio, dan jaminan
27. dalam skema kontribusi tertentu. Asuransi: Matematika. Econ. 39, 219–229
(2006)
28. Rudolf, M., Wolter, H.-J., Zimmermann, H .: Sebuah model linier untuk
meminimalkan kesalahan pelacakan. J. Perbankan Finan. 23, 85–103 (1999)
29. Sharpe, W.F .: Harga aset modal: teori pasar yang sama ilibrium dalam
kondisi risiko. J. Finan. 19 (3), 425–442 (1964)
30. Sorensen, C .: Alokasi aset dinamis dan manajemen pendapatan tetap. J.
Finan. Bergalah.Anal. 34, 513-531 (1999)
31. Zenios, S.A., Ziemba, W.T. (eds.): Handbook of Asset and Liability
Management, vol. 2. North-Holland (2007)
32. Ziemba, W.T .: Russel-Yasuda Kasai, InnoALM dan model-model terkait
untuk pensiun, perusahaan asuransi, dan individu dengan kekayaan bersih
yang tinggi. Dalam: Zenios, S.A., Ziemba, W.T. (eds.) Handbook of Asset and
Liability Management, vol. 2, hal. 861–962. Belanda Utara (2007)
Pasar energi: hubungan penting antara harga
Cristina Bencivenga, Giulia Sargenti, dan Rita L. D’Ecclesia
Abstrak.Studi ini menyelidiki hubungan antara harga minyak mentah, gas alam
dan listrik.Mungkin integrasi mungkin ada dan dapat diukur dengan menggunakan
pendekatan kointegrasi.Hubungan antara komoditas energi mungkin memiliki
beberapa implikasi untuk penetapan harga produk derivatif dan untuk tujuan
manajemen risiko.Dengan menggunakan data harga harian untuk minyak mentah
38
Brent, gas alam NBP Inggris dan listrik EEX, kami menganalisis hubungan
jangka pendek dan jangka panjang di antara pasar-pasar ini.Analisis korelasi tanpa
syarat dilakukan untuk mempelajari hubungan jangka pendek, yang tampaknya
sangat tidak stabil dan didominasi oleh kebisingan.Hubungan jangka panjang
dianalisis menggunakan kerangka kerja kointegrasi Engle-Granger.Hasil kami
menunjukkan bahwa pasar gas, minyak dan listrik terintegrasi.Kerangka kerja
yang digunakan memungkinkan kami untuk mengidentifikasi hubungan jangka
pendek.
Kata kunci: komoditas energi, korelasi, kointegrasi, integrasi pasar
1. Perkenalan
Komoditas energi telah menjadi aktor utama di bidang ekonomi dan keuangan
dalam dekade terakhir.Deregulasi pasar listrik dan gas di negara-negara barat
menyebabkan perubahan serius dalam dinamika harga listrik dan gas dan
mengharuskan penerapan strategi manajemen risiko yang memadai.Pasar minyak
mentah juga telah mengalami perubahan serius selama dekade terakhir yang
disebabkan oleh faktor ekonomi dan politik.Deregulasi pasar gas dan listrik harus
menyebabkan, antara lain, pembentukan harga yang lebih efisien dari komoditas
ini.Namun ketergantungan mereka pada harga minyak masih sangat penting.
Analisis tentang bagaimana komoditas ini terkait satu sama lain merupakan
tonggak penting dalam definisi pengukuran risiko dan alat manajemen.
Selama bertahun-tahun gas alam dan produk minyak murni telah digunakan
sebagai pengganti yang dekat dalam pembangkit tenaga listrik dan
industri.Sebagai akibatnya, pergerakan harga gas alam secara umum telah
melacak minyak mentah.Ini membawa akademisi dan praktisi menggunakan
aturan praktis sederhana untuk menghubungkan harga gas alam dengan harga
minyak mentah yang menurutnya fungsi deterministik sederhana mungkin dapat
39
menjelaskan hubungan di antara mereka (lihat, misalnya, [7]). Baru-baru ini

jumlah fasilitas mampu
24 C. Bencivenga, G. Sargenti, dan R.L. D’Ecclesia
Beralih antara gas alam dan sisa bahan bakar minyak telah menurun, sehingga
harga gas tampaknya bergerak lebih independen dari harga minyak. Namun,
sampai batas tertentu, harga minyak diperkirakan akan tetap menjadi pendorong
utama harga energi melalui persaingan antar-bahan bakar dan klausul indeksasi
harga dalam beberapa kontrak gas jangka panjang.
Akhirnya, volatilitas harga tinggi di pasar komoditas energi mendorong

pengembangan instrumen derivatif energi yang sebagian besar digunakan untuk
manajemen risiko.Secara khusus, opsi penyebaran telah banyak digunakan,
mengingat bahwa struktur yang paling berguna dan penting di dunia energi
diwakili oleh penyebaran. Perilaku bersama harga komoditas serta gas, minyak
dan listrik, sangat penting untuk penilaian kontrak spread. Ini membutuhkan
pemahaman nyata tentang sifat volatilitas dan korelasi di pasar energi.
Tujuan dari makalah ini ada dua.Pertama, untuk menyelidiki hubungan jangka
pendek antara minyak, gas alam dan listrik di pasar energi Eropa.Kedua, untuk
mengidentifikasi kemungkinan hubungan keseimbangan jangka panjang antara
komoditas ini.Secara khusus kami menguji tren harga bersama, atau
kecenderungan umum, untuk mendeteksi apakah gas alam dan listrik didorong
oleh sumber unik keacakan, minyak mentah. Dalam konteks keuangan,
keberadaan hubungan kointegrasi tidak menyiratkan peluang arbitrasi antara
pasar-pasar ini serta tidak ada pasar terkemuka dalam proses penemuan harga. Ini
akan menjadi fitur kunci untuk definisi strategi hedging juga untuk pasar energi,
mengingat proses deregulasi baru-baru ini dari gas dan pasar listrik di Eropa.
40
Makalah ini disusun sebagai berikut.Bagian 2 memberikan gambaran umum

tentang literatur rele-vant tentang topik ini. Bagian 3 menjelaskan set data yang
diberikan oleh harga harian listrik, minyak dan gas alam untuk pasar Eropa selama
periode 2001-2007 dan memeriksa volatilitas kuartalan tahunan dari setiap seri
waktu. Dalam Bagian 4 dan 5 kondisi terkini dari metodologi seni digunakan
untuk menganalisis hubungan jangka pendek dan jangka panjang, serta korelasi
bergulir dan pendekatan kointegrasi.Bagian 6 menarik beberapa kesimpulan awal.
2 Literatur yang relevan
Teori ekonomi menunjukkan adanya hubungan antara harga gas alam dan
minyak.Minyak dan gas alam adalah substitusi yang kompetitif dan melengkapi
dalam pembangkitan listrik dan dalam produksi industri.Karena hubungan
asimetris dalam ukuran relatif dari masing-masing pasar, perubahan harga minyak
yang lalu menyebabkan perubahan di pasar gas alam, tetapi sebaliknya tidak
berlaku [17].
Hubungan antara gas alam dan minyak mentah telah banyak diselidiki. .
Dalam [14] harga minyak dan gas UK Inggris selama periode 1996–2003 telah
dianalisis. Dalam [3] tingkat integrasi pasar baik di antara dan antara minyak
mentah, batubara, dan pasar gas alam di AS telah diselidiki. Jangka waktu yang
lebih lama 1989–2005, digunakan di [17] di mana hubungan kointegrasi antara
minyak dan gasalam
1
Penyebaran adalah perbedaan harga antara dua komoditas dan sebagian besar
digunakan untuk menggambarkan kilang pembangkit listrik, fasilitas
penyimpanan, dan jalur transmisi.Untuk deskripsi luas tentang opsi penyebaran
energi, lihat [6].
Energy markets:crucial relationship betweenprices 25
harga telah ditemukan meskipun periode dimana mereka mungkin terlihat

decouple.Cointegration hubungan antara harga dari West Texas Intermediate
41
(WTI)minyak mentah dan Henry Hub (HH) gas alam telah dikaji dalam [4] dan
[9].
Analisis hubungan listrik dan harga bahan bakar fosil telah hanyatelah
dilakukan di tingkat daerah dan terkait set data yang diberikan pengenalan
barupasar spot listrik. Serletis dan Herbert [15] digunakan dinamikaAmerika
Utara gas alam, minyak bahan bakar dan listrik harga dari tahun 1996 sampai
1997 untuk menemukanbahwa harga gas alam HH dan 6 zona Transco dan harga
bahan bakar minyak yang cointegrated,Sedangkan kekuatan harga seri tampaknya
stasioner. [8] keberadaanjangka menengah dan jangka panjang korelasi antara
listrik dan bahan bakar minyak di Eropaditeliti. [2] menyelidiki dinamika gas,
minyak dan listrik selama interimperiode 1995-1998: deregulasi pasar gas Inggris
(1995) dan pembukaanInterconnector (1998). Cointegration antara gas alam,
minyak mentah dan listrikHarga ditemukan dan peran utama minyak mentah juga
dikenali. Baru-baru ini,menggunakan kerangka waktu multivarian seri, [13] antar-
hubungan antara listrikHarga dari dua pasar yang berbeda, Pennsylvania, New
Jersey, Maryland interkoneksi(PJM) dan pertengahan Columbia (pertengahan-C),
dan empat besar sumber harga BBM, alamgas, minyak mentah, batubara dan
uranium, pada periode 2001-2008, diperiksa.
Untuk yang terbaik dari pengetahuan kita tingkat integrasi antara gas,
minyak danpasar listrik di pasar Eropa tidak diselidiki. Tujuanstudi ini adalah
terutama untuk melakukan analisis seperti memverifikasi jika tenaga yang terpadu
pasar dapat dideteksi.
3. Data Set
Deret waktu untuk harga harian ICE Brent minyak mentah, gas alam 2 Nasional
Menyeimbangkan titik (NBP) UK3 dan Eropa energi asing (EEX) adalah
electricity4digunakan untuk periode September 2001 – Desember 2007.
42
Harga minyak yang dinyatakan dalam US$ / barrel per hari (bd), gas di
UK p/therm dan listrikharga di jam e Megawatt (MWh).Kita mengubah seluruh
harga ke e MWh menggunakanfaktor konversi untuk kandungan energi disediakan
oleh administrasi informasi energi (EIA).5 dinamika harga energi diwakili dalam
gambar 1.
Mengikuti standar literatur kami melakukan analisis yang lebih halus

volatilitassetiap seri harga dengan memperkirakan volatilities kuartalan tahunan σi
= σi, N√250,
2. Brent campuran minyak mentah referensi untuk Laut Utara dan merupakan
salah satu dari tiga besar benchmark di pasar minyak internasional [7].
3. NBP adalah gas yang paling likuid trading point di Eropa. Harga NBP adalah
referensiuntuk banyak maju transaksi dan untuk masa depan pertukaran
internasional Perminyakan (IPE)kontrak [7].
4. EEX adalah salah satu Bursa energi terkemuka di Eropa Tengah [7]. Untuk
kamiAnalisis puncak beban harga telah digunakan.
5. menurut EIA faktor konversi, 1 barel minyak mentah sama dengan 1.58
MWh.
43
26 C. Bencivenga,G. Sargenti, andR.L. D’Ecclesia
𝑖 = 1 , … . , 25, 𝑁 = 60, Dimana
𝑖𝑁 2
1 𝑆𝑡 𝑆𝑡
𝜎𝑖, 𝑁 = √ ∑ (𝐼𝑛 − 𝐸 (𝐼𝑛 ))
𝑁−1 𝑆𝑡−1 𝑆𝑡−1
𝑡=(𝑖−1)𝑁+1
Volatilitas harga minyak berayun antara 21% dan 53%, mengkonfirmasikan

bebas-stationaritydata. Sama bebas-stationaritycharacterises data dari gas alam,
berfluktuasi
antara 65% dan 330%. Harga listrik, seperti yang diharapkan, itu jauh lebih
mudah menguap daripadaharga minyak dan gas, 6 dengan serangkaian kuartalan
volatilitas yang berayun antara di sekitar277% dan 868%.
Analisis awal akan dilakukan pada stationarity waktuseri. Sejalan dengan

sebagian besar literatur terbaru kami mengubah serial aslinya dalamlog. Pertama
kita menguji urutan integrasi waktu seri menggunakan Augmented
44
Regresi jenis Dickey-Fuller (ADF):
∆𝑦𝑡 = 𝛼0 + 𝛼1 𝑡 + 𝑦 𝑦𝑡 − 1 + ∑𝑘𝑗=1 𝛽𝑗 ∆𝑦𝑡−𝑗 + ∈𝑡 (1)
6. seasonality dan pengembalian rata-rata adalah fitur umum dalam dinamika

harga komoditas; dalamPenambahan komponen melompat harus disertakan
ketika menggambarkan Harga listrik.
mana∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 dan thelag panjang k otomatis berdasarkan

Scharwzinformationkriteria (SIC). Hasil tes akar unit dilaporkan dalam tabel 1.
Tabel 1. Hasil tes unit akar untuk seri login harga
Seri tγ τ0 τ1 Τd Keputusan
Minyak 1,17 (1) −0.70 (1) −2.73 (1) −43.2 I(1)

(1)
Gas −0.30 (6) −3.37∗ (6) −5.58∗∗ (2) I(1)
−21.1
Memilih −0.06 (14) −3.41 (14) −4.36∗∗ (14) I(1)
(1)
−18.4
(1)
Tingkat kepentingan 5% adalah −1.94 untuk ADF tanpa eksogen variabel, −2.86
untuk ADF dengan konstan dan −3.41 untuk ADF dengan konstan dan tren. (∗)
menunjukkan penerimaan null pada 1%, (∗∗) menunjukkan penolakan null pada
ukuran konvensional tes. SIC berbasis optimal lag panjang berada dalam tanda
kurung.
45
Kami menjalankan tes tanpa setiap variabel eksogen, dengan konstan dan
konstan ditambahlinear waktu tren sebagai eksogen variabel dalam persamaan
(1).Melaporkan t-Statistiktγ, τ0 dan τ1, masing-masing.Τd adalah t-statistik untuk
tes ADF data pertama-differenced.tγ lebih besar dari nilai-nilai kritis namun kami
menolak hipotesis dalam pertama-perbedaan,oleh karena itu kami menyimpulkan
bahwa variabel pertama-perbedaan stasioner (yaitu, semua seriyang I(1)).
4. Hubungan Jangka Pendek

Alexander [1] menyajikan aplikasi analisis korelasi untuk minyak mentah
danpasar gas alam.Mengukur korelasi Co pergerakan harga atau kembali dan
dapatdianggap ukuran jangka pendek.Ini adalah dasarnya ukuran statis, sehingga
tidak bisamengungkapkan hubungan kausal yang dinamis. Selain itu, perkiraan
korelasi dapat
secara signifikan bias atau omong kosong jika variabel yang mendasari polinomial
waktuatau ketika dua variabel non-stasioner [18].
Untuk menganalisis hubungan jangka pendek mungkin antara variabel,

kami memperkirakanberguling korelasi τ j = 100 days7 menurut:
1 𝑠+𝑡𝑗
∑ (𝑥𝑖 −𝑥̂)(𝑦𝑖 −𝑦̂)
𝑡𝑗−1 𝑖=𝑠
𝜌𝑠 [𝑥, 𝑦] = ̂𝜎
, 𝑠 = 1, … . . , 𝑇 − 𝑡𝑗,
𝜎𝑥̂
𝑦
(2)
mana T = 1580 (seluruh periode 2001-2007), dan 𝜎̂𝑥 dan 𝜎̂𝑦 standarpenyimpangan
dari x dan y, diperkirakan pada jendela waktu yang sesuai.
Korelasi berubah seiring waktu, seperti yang diharapkan, diberikan bebas-

stationarity yang mendasariproses.Volatilities harga komoditas bergantung waktu
dan begitu jugakovarians dan korelasi tanpa syarat. Ini berarti bahwa kita hanya
dapat mencoba
46
7. periode jendela ini disarankan di [6]. Kami juga melakukan analisis dengan
jendela yang lebih besar(Τ j = 100, 150, 200 hari), mendapatkan hasil yang
sama.
28 C. Bencivenga,G. Sargenti, andR.L. D’Ecclesia
untuk menangkap perubahan musiman di korelasi ketika interpreting korelasi

bergulirKoefisien. Koefisien korelasi tanpa syarat, ρT 8, bersama dengan
utamaStatistik fitur korelasi bergulir, ρs, s = 1,..., T, antara energy deret harga
dilaporkan dalam Tabel 2. Ianya menarik untuk memperhatikan bahwa
korelasi bergulirantara minyak dan gas menunjukkan beberapa perilaku yang
berlawanan.
Tabel 2. Korelasi tanpa syarat dan bergulir korelasi antara harga log
Matriks ρT E(ρs) σ (ρs) Max(ρs) Min(ρs)
Minyak/umat pilihan 0.537 0.0744 0.260 0.696 -0.567
Gas/umat pilihan 0.515 0.119 0.227 0.657 -0.280
Minyak/Gas 0.590 -0.027 0.426 0.825 -0.827
Hasil ini tidak memberikan wawasan nyata sifat hubungan yang berguna
antara barang dagangan utama pasar energi.

47
5. Hubungan Jangka Panjang

Tabel 1 menegaskan kecenderungan stokastik untuk semua seri harga;
cointegration tersedia hubungan antara harga-harga komoditas energi karena itu
dapat ditangkap (yaitu, kehadiran bersama stokastik tren atau tren umum). Dua
non-stasioner seri
cointegrated jika kombinasi linear dari mereka stasioner. Vektor yang menyadari
seperti Kombinasi linear disebut vektor cointegrating.
Kita mengkaji jumlah vektor cointegrating dengan menggunakan metode

Johansen(Lihat [10] dan [11]).Untuk tujuan ini, kami memperkirakan model
koreksi kesalahan vector (VECM) berdasarkan metode disebut regresi peringkat
berkurang (Lihat [12]). Menganggapbahwa n-vektor non-stasioner I(1) variabel Yt
mengikuti autoregressive vector (VAR) proses order p,
𝑌𝑡 = 𝐷1 ∆𝑌𝑡−1 + 𝐴2 𝑌𝑡−2 + … + 𝐷𝑃 𝑌𝑡−𝑃 +∈𝑡

(3)
dengan t sebagai kebisingan putih n-dimensi sesuai, dan n n × Ai, saya = 1,..., p
matriks coefficients.9 persamaan (3) SBDK ditulis dalam kerangka VECM,
∆𝑌𝑡 = 𝐷1 ∆𝑌𝑡−1 + 𝐷2 ∆𝑌𝑡−2 + ⋯ + 𝐷𝑝 ∆𝑌𝑝+1 + 𝐷𝑌𝑡−1 +∈𝑡

(4)
mana𝐷𝑖 = −(𝐴𝑖 + 1 + ⋯ + 𝐴𝑝 ), 𝑖 = 1, 2, … , 𝑝 − 1dan 𝐷 = (𝐴1 + ⋯ + 𝐴𝑝 − 𝐼𝑛 ).
Granger representasi teorema [5] menegaskan bahwa jika D telah mengurangi

peringkat𝑟 ∈ (0, 𝑛), kemudian 𝑛 × 𝑟 matriks Г dan B ada, masing-masing dengan
peringkat r, sehingga 𝐷 = −Г𝐵′dan 𝐵′𝑌𝑡 adalah𝐼(0).r adalah jumlah cointegrating
hubungan dan koefisien cointegratingvektor yang dilaporkan di kolom B.
Hasil cointegration untuk harga log yang ditunjukkan dalam tabel 3.

48
𝐶𝑂𝐷(𝑥,𝑦)
1. korelasi tanpa syarat untuk tempoh yang diberikan oleh 𝜌𝑇 = ̂𝜎
𝜎𝑥̂
𝑦
2. dalam berikut, untuk VAR(p) model kami mengecualikan kehadiran eksogen

variabel.
Penolakan hubungan null 'tanpa cointegrated' dan ‘r paling banyak 1’ mendukung

‘r paling banyak 2’ pada level signifikan 5% disediakan. Ini memberikan bukti
adanya dua hubungan kointegrasi antara tiga seri harga komoditas. Kerangka Ina
VECM, kehadiran dua vektor kointegrasi, r = 2, pada satu set variabel n = 3
memungkinkan estimasi tren n = r 1 umum (stochastic) [16]. Kecenderungan
umum dapat ditafsirkan sebagai sumber keacakan yang mempengaruhi dinamika
harga komoditas.Dalam hal ini kita dapat menganggap harga minyak mewakili
faktor utama di pasar energi secara keseluruhan.
Untuk menganalisis lebih baik dinamika pasar, kami menggunakan
metodologi Engle-Granger [2] dua langkah.Metode ini terdiri dalam
memperkirakan setiap hubungan kointegrasi secara individual menggunakan
kuadrat terkecil biasa (OLS) dan kemudian termasuk kesalahan dari persamaan
kointegrasi tersebut dalam jangka pendek persamaan penyesuaian dinamis yang
memungkinkan penjelasan penyesuaian untuk ekuilibrium jangka panjang.
Langkah pertama adalah memperkirakan apa yang disebut regresi kointegrasi.
mana y1, t dan y2, t adalah dua seri harga, keduanya diintegrasikan dari memesan
satu, dan zt menunjukkan OLS regresi residu. Kita melakukan tes dua kali untuk
setiap pasangan menggunakan seri waktu sebagai variabel dependen kedua dari
49
seri.Untuk setiap pasangan seri waktu, menggunakan kedua dari seri sebagai
variabel dependen.Hasilnya dilaporkan dalam tabel 4. Hipotesis null cointegration
tidak ditolak di tingkat significance 8% regresi minyak vs listrik, di tingkat 1% di
semua kasus lain. Β coefficients inequation(5), yang mewakili faktor
proporsionalitas untuk tren umum, diperkirakan oleh OLS.
Menurut teorema representasi Granger, jika dua seri cointegrate, dinamika
jangka pendek dapat digambarkan oleh ECM. ECM dasar yang diusulkan di [5]
dapat ditulis sebagai berikut:
mana (y1, t−1−α−βy2, t−1) mewakili termzt−1 koreksi kesalahan dari equation(5),
φ mengukur respon sezaman harga, θ mewakili kecepatan penyesuaian terhadap
hubungan cointegrating, dan t ∼ i.i.d. (0,).
3. Kira-kira 10 φ parameter coefficient korelasi antara pertama perbedaan
harga (yi, t dan yj, t) dan itu akan menjadi dekat to1 ketika dua komoditas
di pasar yang sama. Oleh karena itu, nilai yang lebih tinggi dari φ adalah
tanda integrasi pasar [3].
30 C. Bencivenga,G. Sargenti, andR.L. D’Ecclesi
tβ arethet-statistik untuk coefficients/β inequation (5). Kolom terakhir laporan p-

nilai unit akar pengujian regresi residu.
50
Tes cointegration per se tidak berfokus pada ekonomi menarik parameter α, β, φ

dan θ [3].Lampu tinggi ECM bahwa penyimpangan dari jangka panjang hubungan
cointegrating diperbaiki secara bertahap melalui serangkaian parsial penyesuaian
jangka pendek. Dalam jangka panjang keseimbangan istilah koreksi kesalahan
akan sama dengan nol. Namun, jika variabel y1, t dan y2, t menyimpang dari
kesetimbangan jangka panjang, istilah koreksi kesalahan akan berbeda dari nol
dan masing-masing variabel menyesuaikan untuk mengembalikan keseimbangan
hubungan yang kecepatan penyesuaian diwakili oleh θ.
Hasilnya dilaporkan dalam tabel 5 menyoroti artinya significative bagi
coefficient φ dalam setiap kasus. Oleh karena itu kami menerapkan ECM
menggunakan lag berbeda untuk variabel independen.
Listrik dan gas, significative coefficients φ dan θ ditemukan (φ = 0,25, θ = 0,46)

dengan alag dari dua hari, menunjukkan bahwa selain sepanjang dikelola
hubungan jangka pendek influence ada di antara dua seri. Untuk pasangan listrik /
minyak, mengingat variabel independen dengan lag five-hari, significative
coefficient, φ = 0.68(9% level), ditemukan mana sebagai θ = 0.452; juga dalam
kasus ini, penyesuaian harga dalam jangka pendek terdeteksi dengan lag five hari.
Untuk pasangan gas/minyak significative coefficient φ ditemukan (φ = 0.29) di
tingkat 5% dengan lag enam hari. Θ sama dengan 0,05, menampilkan bahwa
penyesuaian kecepatan untuk keseimbangan jangka panjang sangat rendah. Presen
dikelola oleh ceofashort hubungan antara berbagai komoditas juga dapat
dijelaskan oleh fakta bahwa analisis mengacu pada pasar Eropa yang mana
deregulasi belum sepenuhnya dilakukan belum. Beberapa pasar masih mengalami
kekuatan pasar dan dalam konteks ini harga minyak masih mungkin mewakili
aktor terkemuka untuk
51
Pasar energi: hubungan penting antara harga 31
pembentukan harga listrik dan gas. Misalignment antara minyak dan gas dalam
jangka pendek tergantung pada kekuatan yang berbeda (yaitu, pasokan gas dari
Aljazair atau Rusia) yang mungkin memberikan beberapa sumber independen
keacakan harga gas alam.Ini mungkin menjelaskan mengapa, terutama dalam
periode bergolak, minyak dan gas cenderung memiliki dinamika yang berbeda,
sedangkan harga gas alam mengikuti minyak mentah dalam jangka panjang.
6. Kesimpulan
Makalah ini menganalisis dinamika harga minyak, listrik dan gas alam di pasar
Eropa untuk memperkirakan sifat hubungan yang ada antara mereka.Analisis
sederhana korelasi antara berbagai time series tidak berkesan diberikan bebas-
stationarity data.Pendekatan cointegration dipilih untuk mengukur integrasi yang
mungkin antara pasar.
Cointegration hubungan antara setiap pasangan komoditas ditemukan
menggunakan pendekatan Engle-Granger. Johansen cointegration laporan yang
menguji minyak, harga gas dan listrik semua cointegrated. Persamaan lebih lanjut
mengintegrasikan dua ditemukan, menyiratkan bahwa salah satu tren yang umum
terdapat di pasar energi. Dari ekonomi pandangan ini dapat ditafsirkan sebagai
sumber sederhana risiko (pasar minyak), yang mempengaruhi dinamika dua
komoditas lain (listrik dan gas).
Referensi
1. Alexander, C.: Korelasi dan cointegration di pasar energi. Dalam: Kaminski,
V. (ed.) mengelola risiko harga energi, ms. 291–304.RISK publikasi (1999)
2. Asche, F., Osmundsen, P., Sandsmark, M.: The UK pasar untuk gas alam,
minyak dan listrik: harga yang dipisahkan? Energ. J. 27, 27–40(2006)
3. Bachmeier,L.J., Griffin, J.M.: Pengujian untuk integrasi pasar: minyak
mentah, batu bara, dan gas alam. Jurnal energi 27, 55–72(2006)
52
4. Brown,S.P.A.,YÜcel,M.K.:What drive harga gas alam. Departemen

penelitian makalah yang 0703, Federal Reserve Bankof Dallas (2007)
5. Engle, r, Granger,C.W.J.: Co integrasi dan kesalahan koreksi: representasi,
estimasi, dan pengujian. Econometrica 55, 251–276(1987)
6. Eydeland, A., Wolyniec, K.: Energi dan kekuatan manajemen risiko. Baru
Developmentin pemodelan, harga dan lindung nilai. Wiley (2003)
7. Geman, H.: Komoditi dan komoditas derivatif. Pemodelan dan harga untuk
bergerak, logam dan energi. Wiley (2005)
8. Gjølberg, O.: Ketika (andhow) akan pasar minyak dan listrik menjadi
terpadu? Ekonometrik bukti dan tren 1993–99.DiscussionpaperD:20, (2001)
9. Hartley,P.R.,Medlock,IIIK. B.:, RosthalJ.:There hal yang sanggat menarik
kapal antara harga gas alam crudeoiland. James A. BakerIII Institute for
Public Policy, Universitas (2007) Padi
10. Johansen, S.: Analisis statistik vektor cointegration. J. Econ.Dyn. Kontrol 12,
231-254(1988)
11. Johansen, S.: Peran constantand linear istilah dalam cointegration
nonstationary variabel. Ekonometrik Rev.13, 205–209(1991)
32 C. Bencivenga, G. Sargenti, andR.L. D'Ecclesia
12. Johansen, S.: Berbasis kemungkinan kesimpulan dalam vektor Cointegrated

Autoregressive model. Oxford University Press, Oxford (1995)
13. Mjelde,J.W., Bessler,D.A.: Pasar integrasi antara pasar listrik dan irmajor
bahan bakar sumber pasar. Energi Econ.31,482–491(2009)
14. Panagiotidis, T., Rutledge, E.:O Il dan gas pasar di UK:evidence dari
pendekatan cointegrating. Energi Econ.29,329–347(2006)
15. Serletis, A., Herbert, J.: Pesan dalam harga energi Amerika Utara. Energi
Econ. 21, 471–483(1999)
16. Stock,J.H.,Watson,M.W.:testing untuk tren umum.
J.Am.Stat.Assoc.83,1097–1107 (1988)
53
17. Villar, Ja Joutz,F.L.: Hubungan antara harga minyak mentah dan gas alam.
Administrasi informasi energi, Office dari minyak dan Gas alam.
Washington, DC (2006)
18. Yule, U.: Mengapa kita kadang-kadang mendapatkan omong kosong-korelasi
antara seri waktu? Sebuah studi di sampel dan sifat dari deret waktu. J. R.
Manzanar Soc. 89, 1–63(1926)
54
Distribusi temperedstable dan prosesin fi nance: numericalanalysis
Michele Leonardo Bianchi ∗, Svetlozar T. Rachev, Young ShinKim, dan Frank J.

Fabozzi
Abstrak.Sebagian besar model penting dalam keuangan terletak pada asumsi

bahwa keacakan dijelaskan melalui variabel acak normal.Namun, ada banyak
bukti empiris yang menentang asumsi keabadian, kautreturns adalah tailing
berekor baja, leptokurtis dikukus.Sebagian sebagai tanggapan terhadap
ketidakkonsistenan empiris yang berhubungan dengan sifat distribusi normal,
distribusi alternatif yang sesuai adalah keluarga dari distribusi stabil yang
temper.Secara umum, penggunaan distribusi-distribusi yang tidak dapat dibagi
dengan jelas terhalang oleh kesulitan dalam mengkalibrasi dan mensimulasi
mereka.Dalam makalah ini, kita membahas beberapa contoh yang berasal dari
pemodelan stabil yang temper, dengan pandangan ke arah densityaproductive dan
simulasi.
Kata kunci: distribusi stabil, distribusi stabil temper, Monte Carlo
1. Perkenalan
Sejak Mandelbrot memperkenalkan distribusi α-stabil dalam pemodelan
pengembalian aset keuangan, banyak studi empiris telah dilakukan baik dalam
ilmu alam dan ekonomi. Karya-karya Rachev dan Mittnik [19] dan Rachev et al.
[18] (lihat juga referensi di dalamnya), telah memusatkan perhatian pada kerangka
kerja umum untuk pasar dan manajemen risiko kredit, penentuan harga, dan
portofolio berdasarkan distribusi α-stabil. Meskipun secara umum terbukti tidak
mendukung distribusi normal, hal ini sangat konsisten dengan hipotesa a-
stabledistributional. Seiring waktu yang berubah-ubah yang menunjukkan bahwa
tanda-tanda saat ini terkait dengan distribusi normal dan kemudian menyebabkan
distribusinya. Lebih dari itu, sifat-sifat yang menarik dapat menyebabkan masalah
dalam mengkalibrasi model ke data nyata. Lagi pula, ada konsensus yang luas
55
untuk mengasumsikan kehadiran pola leptokurtik dan miring dalam pengembalian

saham, seperti yang ditunjukkan oleh α-stablemodelling. Sebagai respon terhadap
inkonsistensi empiris di atas, dan untuk mempertahankan sifat yang cocok dari
model stabil, alternatif yang tepat ke distribusi α-stabil adalah distribusi stabil
yang stabil. Distorsi stabil yang temper bisa saja memiliki momen dan momen
eksponensial dari beberapa pesanan. Sifat yang terakhir ini penting dalam
konstruksi yang temperamen
∗ Pandangan-pandangan yang diungkapkan dalam makalah ini adalah milik

penulis dan harus tidak disumbangkan kepada institusi yang menjadi miliknya.
34 M.L. Bianchiet al.
model penetapan harga opsi stabil. Definisi formal dari proses stabil yang temper
telah diusulkan dalam karya seminal Rosiński [21]. KoBol (Koponen,
Boyarchenko, Levendorski˘ı) [4], CGMY (Carr, Geman, Madan, Yor) [5], Inverse
Gaussian (IG) dan stabilnya Tweedie [22] hanyalah beberapa contoh parametrik
di kelas ini yang memiliki parametrisasi tak terbatas-dimensi oleh sebuah keluarga
pengukuran [24]. Ekstensi lebih lanjut atau kasus-kasus pembatas juga diberikan
oleh kerangka stabil fraksional marah [10], gamma bilateral [15] dan distribusi
stabil tempered umum [7 ] dan [16]. Formulasi umum sulit digunakan dalam
aplikasi praktis, tetapi memungkinkan seseorang untuk membuktikan beberapa
hasil yang menarik mengenai kalkulus fungsi karakteristik dan generasi bilangan
acak. Keterbatasan distribusi terbatas dari distribusi ini memungkinkan sone untuk
membangun Lévyprocess dan untuk menganalisis perubahan masalah ukuran dan
perilaku proses juga.
Tujuan dari kertas ini adalah untuk menunjukkan beberapa masalah
numerik yang timbul dari penggunaan kelas ini dalam aplikasi untuk mencari
dengan melihat pendekatan densitas dan pembangkitan bilangan acak untuk
beberapa kasus tertentu, seperti kasus CGMY dan Kim Rachev (KR). Makalah ini
56
terkait dengan beberapa karya penulis sebelumnya [13,14] di mana model

LARGY eksponensial dan model GARCH stabil yang temper telah dipelajari.
Sisa dari paper ini disusun sebagai berikut. Dalam Bagian 2 kami meninjau
definisi distribusi stabil yang temper dan memusatkan perhatian kami pada
distribusi CGMY dan KR. Algoritma untuk evaluasi fungsi kepadatan untuk
distribusi KR disajikan dalam Bagian 3. Akhirnya, Bagian 4 menyajikan metode
pembangkitan bilangan acak umum dan analisis penentuan harga opsi melalui
simulasi Monte Carlo.
2. Definisidasar
Kelas distribusi yang sangat terbatas, memiliki spektrum aplikasi yang besar dan
dalam beberapa tahun terakhir, khususnya dalam keuangan matematika dan
ekonometrik, distribusi non-normal yang tidak dapat dibagi secara luas telah
dipelajari secara luas. Berikut ini, kita akan mengacu pada kebencian L’evy-
Khinchinrep withLévy triplet (ah, σ, ν) seperti pada [16]. Sekarang mari kita
definisikan ukuran Lévy dari distribusi TSa.
Definisi1 Areal bernilai acakvariabel X isTSα ifisin dengan pasti divisiblupa
bagian Gaussian dan memiliki pengukuran Lévy ν yang dapat ditulis dalam
polar terkoordinasi
di mana α ∈ (0,2) dan σ adalah ukuran akhir pada Sd − 1 dan
adalah fungsi Borel sehingga q (·, w) sepenuhnya monoton dengan q (∞, w) = 0

untuk setiap w ∈ Sd − 1. Suatu distribusi TS α disebut distribusi TSα tepat jika
foreach w ∈ Sd − 1.
57
Temperedstable distributions andprocessesin finance:numerical analysis 35
Selanjutnya, dengan teorema 2.3 dalam [21], theL'evymeasure ν dapat juga ditulis
ulang dalam bentuk
di mana R adalah ukuran unik pada Rd sehingga R ({0}) = 0
Kadang-kadang satu-satunya pengetahuan tentang ukuran Lévy tidak cukup

untuk memperoleh sifat analitis dari distribusi stabil temper.Oleh karena itu,
definisi Rosińskimeasure R memungkinkan seseorang mengatasi masalah ini dan
memperoleh rumus analitik eksplisit dan perhitungan yang lebih
eksplisit.Misalnya, fungsi karakteristik dapat ditulis ulang dengan langsung
menggunakan ukuran R insteadof (seetheorem2.9in [21]).Tentu saja, dengan
memberi ukuran R, selalu saja untuk menemukan fungsi tempering yang sesuai
dengan q; Kebalikannya juga benar.Sebagai konsekuensi dari ini, spesifikasi
ukuran R memenuhi kondisi (3), atau spesifikasi dari fungsi monoton sepenuhnya,
secara unik menentukan distribusi TSa.
Sekarang, mari kita definisikan dua contoh parametrik. Pada contoh
pertama, ukuran R adalah penjumlahan dari dua ukuran Dirac dikalikan untuk
konstanta-konstanta yang cocok, sedangkan ukuran spektral R dari contoh kedua
memiliki suatu dukungan terikat trivial. Jika kita menetapkan
Dan ukurannya
kitamendapatkan
Langkah-langkah Q dan R diberikan oleh

58
Dan
di mana δλ adalah ukuran Dirac pada λ (lihat [21] untuk definisi pengukuran Q).
Kemudian eksponen yang khas memiliki bentuk
di mana kita mempertimbangkan rumus évy-Khinchin dengan fungsi kation

traksi h (x) = x. Distribusi ini biasanya disebut sebagai distribusi KoBoL atau
distalisasi umum (GTS). Jika kita mengambil λ + = M, λ− = G , c + = c− = C, α =
Y dan m = b, kita memperoleh bahwa X adalah CGMY didistribusikan dengan
nilai yang diharapkan m. Definisi dari proses yang terkait berikut ini.
Definisi 2Misalkan Xt menjadi proses seperti X0 = 0 dan E [eiuXt] = etψ (u) di

mana
Kami menyebut proses ini proses CGMY dengan parameter (C, G, M, Y, m) di

mana m = E [X1].
Keteladanan yang diberikan oleh distribusi KR [14], dengan Rosi'nskymeasure
dari form berikut
di mana α ∈ (0,2), k +, k−, r +, r−> 0, p +, p− ∈ (−α, ∞) \ {- 1,0}, dan m ∈ R.

Fungsi karakteristik dapat dihitung oleh teorema 2.9 dalam [21] dan diberikan
dalam hasil berikut [14].
59
Definisi3Misalkan Xt menjadi sebuah proses dengan X0 = 0 dan sesuai dengan

ukuran spektral R yang didefinisikan dalam (10) dengan kondisi p? = 0, p? = - 1
dan α? = 1, dan letm = E [X1]. Dengan mempertimbangkan rumus L’evy-
Khinchin dengan fungsi pemotongan (x) = x, kita memiliki E [eiuXt] = etψ (u)
dengan
di mana 2F1 (a, b; c; x) adalah fungsi thehypergeometric [1]. Kita akan

memproses proses KR dengan parameter (k +, k−, r +, r−, p +, p -, α, m).
3 Evaluasi fungsi kerapatan

Untuk mengkalibrasi model pengembalian aset melalui proses Lévy eksponensial
atau model GARCH stabil yang stabil [13,14], seseorang membutuhkan evaluasi
yang benar dari fungsi pdf dan cdf. Dengan fungsi pdf dimungkinkan untuk
membangun sebuah maksimum seperti penaksir kemungkinan (MLE), sementara
cdfungsi memungkinkan seseorang untuk menilai kecocokan.Bahkan jika metode
MLE dapat mengarah ke maksimum lokal daripada global karena multidimensi
pada ality dari masalah optimasi, hasil yang diperoleh tampaknya memuaskan dari
sudut pandang tes goodness-of-fi. Sebenarnya, analisis metode estimasi untuk
distribusi ini akan menarik, tetapi jauh dari tujuan pekerjaan ini. Metode numerik
diperlukan untuk mengevaluasi fungsi pdf. Dengan definisi fungsi karakteristik
sebagai Transformasi Fourier dari fungsi kerapatan [8], kami menganggap inverse
Fourier transformthat adalah
di mana f (x) adalah fungsi kepadatan. Jika fungsi densitas harus dihitung untuk
jumlah besar nilai, algoritme FastFourierTransform (FFT) dapat digunakan
60
sebagaimana dijelaskan dalam [23].Penggunaan algoritma FFT cukup

meningkatkan kecepatan integrasi numerik di atas dan fungsi f dievaluasi pada
grid diskrit dan akhir, interpolasi numeriklalu diperlukan untuk nilai x dari
luar.Karena komputer pribadi tidak dapat berurusan dengan angka tak terbatas,
batas integral (−∞, ∞) ketidaksetaraan (12) diperbandingkan dengan [−M, M], di
mana M adalah nilai yang lebih besar. Kita mengambil M ∼ 216 atau 215 dalam
penelitian kami dan kami juga mencatat bahwa nilai-nilai yang lebih kecil dari M
menghasilkan kesalahan besar dalam evaluasi densitas yang diberikan oleh efek
gelombang pada kedua ekor densitas. Kita harus menunjukkan bahwa integrasi
numerik serta interpolasi dapat menyebabkan beberapa kesalahan
numerik.Metode di atas adalah metode umum yang dapat digunakan jika fungsi
kerapatan tidak diketahui bentuk terlampir.
Fungsi-fungsi mekanis yang berbeda-beda di dalam CGMYang
melibatkan hanya fungsi-fungsi dasar, lebih menarik penilaian tentang fungsi
karakteristik dalam KAP yang terkait dengan fungsi
Gausshypergeometric.Equation (11) impliestheevaluation ofehypergeometric2F1
(a, b; c; z) functionhanya liner langsungdisajikan oleh subset I = {iy | y ∈ R} dari
bidang kompleks C. Kita tidak memerlukan algoritme umum untuk mengevaluasi
fungsi pada seluruh bidang kompleks C, tetapi hanya pada subsetnya. Hal ini
dapat dilakukan dengan cara analitikpontinuation, withouthavingrecourse baik
konformasi tonumerik ke solusi numerik dari diferensialequation [17] (untuk tabel
lengkap dari analitik continuationformulas untuk nilai sewenang-wenang dari z ∈
C dan parameter a, b, c, lihat [ 3] atau [9]). Fungsi hipergeometrik milik kelas
fungsi khusus dan sering terjadi dalam banyak masalah komputasi praktis. Ini
ditentukan oleh rangkaian kekuatan
di mana (a) n: =? (a + n) /? (n) adalah simbol Ponchhammer (lihat [1]). Dengan

[1] hubungan berikut terpenuhi
61
Pertama dengan persamaan terakhir (14), seseorang dapat menentukan nilai-nilai

2F1 (a, b, c; z) hanya untuk subset I + = {iy | y ∈ R +} lalu anggap saja konjugasi
untuk
set I− = {iy | y ∈ R−}, mengingat bahwa 2F1 (a, b, c; 0) = 1. Kedua, untuk

mendapatkan konvergensi deret cepat dari seri (13), kita membagi garis
positifimaginari menjadi tiga subset tanpa batas,
kemudian kita gunakan (13) untuk mengevaluasi 2F1 (a, b, c; z) di I1 +.

Kemudian, yang pertama dan yang kedua (14) bersama dengan (13) cukup untuk
mengevaluasi 2F1 (a, b, c; z) masing-masing dalam I2 + dan I3 +. Subdivisi
inimemungkinkan semuanya menghitung seri (13) ke integerN = 500 dan
memperoleh hasil yang sama dengan Mathematica. Kami menunjukkan bahwa
rentang nilai dalam interval [−M, M].Metode ini, bersama dengan kalkulus vektor
MATLAB, sangat meningkatkan kecepatan sehubungan dengan algoritma
berdasarkan pada solusi numerik dari perbedaan diferensial [17].Metode kami
62
hanya didasarkan pada penjumlahan dan penggandaan dasar.Sebagai hasilnya,

upaya komputasi dalam evaluasi kerapatan KR sebanding dengan yang ada di
CGMY.Fungsi karakteristik KR juga diperlukan untuk opsi harga, tidak hanya
untuk estimasi MLE. Memang, dengan menggunakan pendekatan Carr dan Madan
[6] dan kelanjutan analitik yang sama di atas, risiko-netral parameter dapat secara
langsungdibandingkan dengan harga, tanpa kalibrasi model pasar yang
mendasarinya.
4 Simulasi Proses TSα
Untuk menghasilkan variasi acak dari proses TSα, kita akan mempertimbangkan
representasi noise tembakan umum dari hukum TSα yang tepat yang diberikan
dalam [21]. Ada metode yang berbeda untuk mensimulasikan proses Lévy, tetapi
sebagian besar metode ini tidak cocok untuk thesimulation proses stabil tempering
karena struktur rumit dari ukuran Lévy mereka. Seperti ditekankan pada [21],
metode umum kebalikan dari ukuran Lévy [20] sulit untuk diterapkan, bahkan
jika ukuran spektral R memiliki bentuk yang sederhana. Kami akan menerapkan
teorema 5.1 dari [21] ke contoh parametrik yang sebelumnya dianggap.
Proposisi1Biarkan {Uj} dan {Tj} menjadi i.i.d. urutan uniformrandomvariables di

(0,1) dan (0, T) masing-masing, {Ej} dan {E? j}
i.i.d.sequencesofexponentialvariables ofparameter1and {? j} = E? 1 + ... + E?j,
{Vj} ani.i.d.penerimaan acak diskrit dengan distribusi
konstan positif 0 <Y <2 (dengan Y? = 1), dan σ = σ (Sd − 1) = 2C. Selanjutnya,
{Uj}, {Ej}, {E? j} dan {Vj} saling bergantung satu sama lain. Kemudian
63
Dimana
dan γ adalah konstanta Euler [1, 6.1.3], konvergen a.s. dan seragam dalam t ∈
[0, T] ke CGMYprocess dengan parameter (C, G, M, Y, 0).
Ini merupakan representasi yang belum pernah terjadi sebelumnya, lihat

[2] dan [12].Modulasi itisaslight dari representasi seri distribusi stabil [11], tetapi
di sini lompatan besar dihapus.Representasi suara tembakan untuk jalur distribusi
KR.
Proposisi2Biarkan {Uj} dan {Tj} menjadi i.i.d. urutan uniformrandomvariables di

(0,1) dan (0, T) masing-masing, {Ej} dan {E? j}
i.i.d.sequencesofexponentialvariables parameter 1 dan {? j} = E? 1 + ... + E?j,
dan konstanta α ∈ (0,2) (dengan α? = 1), k +, k−, r +, r−> 0 dan, p +, p − ∈ (−α,
∞) \ {- 1,0 }. Biarkan {Vj} menjadi i.i.d.sequence variabel acak dengan kepadatan
Dimana
64
Selanjutnya, {Uj}, {Ej}, {E? j} dan {Vj} saling bergantung satu sama lain. Jika α
∈ (0,1), orif α ∈ (1,2) withk + = k−, r + = r− dan p + = p−, maka seri
konvergen a.s. dan secara seragam di t ∈ [0, T] ke KR tempered proses yang

stabil dengan parameter (k +, k +, r +, r +, p +, p +, α, 0) dengan
Jika α ∈ (1,2) andk +? = K− (orr +? = R− atau alternatif p +? = P−), maka
konvergen a.s. dan seragam di t ∈ [0, T] ke KR tempered proses yang stabil

dengan parameter (k +, k−, r +, r−, p +, p -, α, 0), di mana kita mengatur
40 M.L. Bianchiet al
Dimana
65
dimana ζ menunjukkan zetafungsi Riemann [1,23,2], γ adalah Eulerconstant

[1,6,1,3].
4.1 Contoh MonteCarlo

Di bagian ini, kami menilai kecukupan generator nomor frandom yang
disebarkan di bagian sebelumnya.Sebuah studi singkat Monte Carlo dilakukan
dan harga putoptsi Eropa dengan berbagai perhitungan dihitung. Kami
mempertimbangkan proses CGMY dengan parameter artifisial yang sama seperti
[16], thatis, C = 0,5, G = 2, M = 3,5, Y = 0,5, interestrate r = 0,04,
initialstockprice S0 = 100 dan maturitas tahunan T = 0,25. Selanjutnya
dipertimbangkan sebagai proses GTS yang didefinisikan oleh eksponen eksteren
(9) dan parameter c + = 0,5, c− = 1, λ + = 3,5, λ− = 2 danα = 0,5, interestrater,
initialstock harga S0 dan maturity T seperti dalam kasus CGMY.
Monte Carlo harga diperoleh melalui 50.000 simulasi. Esscher
transformwithθ = - 1,5 meniadakan pelepasan variabel [12]. Kami ingin
menekankan bahwa transformasi Esscher adalah pemiringan eksponensial [21],
sehingga jika diterapkan pada proses CGMY atau GTS, ia hanya memodifikasi
parameter tetapi bukan bentuk fungsi karakteristik.
Pada Tabel 1 harga simulasi dan harga yang diperoleh dengan
menggunakan metode Transformasi Fourier [6] dibandingkan.Bahkan jika ada
generator nomor acak CGMY kompetitif, di mana waktu berubah gerak Brown
dianggap [16], kami lebih memilih untuk menggunakan algoritma berdasarkan
representasi seri. Bertentangan dengan kasus CGMY, di
66
umum ada noconstructivemethod untuk menemukan proses subordinator yang

mengubah waktu dari Brownianmotion, yaitu kita tidak tahu proses Tt sedemikian
rupa sehingga proses TSα Xt dapat ditulis ulang sebagai WT (t) [7]. Representasi
noise tembakan memungkinkan seseorang untuk menghasilkan proses TSα apa
pun.
5. Kesimpulan
Dalam karya ini, kami telah memfokuskan perhatian kami pada implementasi
praktis dari metode numerik yang melibatkan penggunaan distribusi dan proses
TSα di bidang keuangan. Definisi dasar adalah mungkin untuk mengetahui fungsi
densitas diusulkan.Selain itu, metode Monte Carlo umum dikembangkan dengan
optionatioing lookat.
Referensi
67
1. Abramowitz, M., Stegun, IA: Buku Pegangan Fungsi Matematis, dengan

Rumus, Grafik, dan Tabulasi Satuan. Atas Publikasi, Mineola, NY (1974)
2. Asmussen, S., Glynn, PW: Simulasi Stokastik: Algoritma dan Analisis .
Springer, New York (2007)
3. Becken, W., Schmelcher, P .: Kelanjutan analitik dari fungsi hipergeometrik
Gaussian 2F1 (a, b; c; z) forarbitraryparameters.J.Comp.Appl.Math.126 (1–
2), 449–478 (2000)
4. Boyarchenko, SI, Levendorski˘ı, S.: Non-GaussianMerton-Black-
ScholesTheory.World Scientific, Tepi Sungai, NJ (2002)
5. Carr, P., Geman, H ., Madan, DB, Yor, M .: Struktur Halus Pengembalian
Aset: Investigasi Empiris. Bis. 75 (2), 305–332 (2002)
6. Carr, P., Madan, D: Option valuation menggunakan transformasi Fourier
yang cepat. J. Comput. Finan. 2 (4), 61–73 (1999)
7. Cont, R., Tankov, P .: Pemodelan Keuangan dengan Proses
Langsung.Chapman & Hall / CRC Press, London (2004)
8. Feller, W .: Pengantar Probabilitas Teori dan Penerapannya. Vol. 2. Wiley,
Princeton, edisi ke-3 (1971)
9. Gil, A., Segura, J., Temme, N.M .: Metode Numerik untuk Fungsi Khusus.
Siam, Philadelphia (2007)
10. Houdré, C., Kawai, R .: Pada gerak stabil temporer fraksional. Stoch. Proc.
Appl. 116 (8), 1161–1184 (2006)
11. Janicki, A., Weron, A.: Simulasi dan Perilaku Akustik Stokastik Proses yang
stabil. Marcel Dekker, New York (1994)
12. Kawai, R .: Pentingnya samplingmethodbasedonthe densitytransformasi dari
proses Lévy.Monte Carlo Meth. Appl. 12 (2), 171–186 (2006)
13. Kim, Y.S., Rachev, S.T., Bianchi, M.L., Fabozzi, F.J .: Model pasar
keuangan dengan proses yang mudah dan variasi waktu yang bervariasi. J.
BankingFinan. 32 (7), 1363–1378 (2008)
14. Kim, YS, Rachev, ST, Bianchi, ML, Fabozzi, FJ: Sebuah distibutarkan
distribusi baru dan aplikasi untuk
membiayai.In:Bol.G.,Rachev,ST,Wuerth,R. ( eds.) RiskAssessment:
68
Keputusan di Perbankan dan Keuangan, hal. 77–119. Physika Verlag,

Springer, Heidelberg (2009)
15. K¨chler, U., Tappe, S .: distribusi gamma bilateral dan proses dalam
matematika keuangan. Proc stokastik. Appl. 118,261–283 (2008) 16.
PoirotJ., Tankov, P.: Proses MonteCarloOptionPricingforTemperedStable
(CGMY). Asia Pac. Finan. Pasar 13 (4), 327–344 (2006) 17. Tekan, W.H.,
Teukolsky, S.A., Vetterling, W.T., Flannery, B.P .: Numerical Recipes in C:
Th
69
Estimasi Transformasikernel dari distribusi biaya klaim asuransi
CatalinaBolanc'e, Montserrat Guill'en, dan Jens Perch Nielsen
Abstrak. Kerneldensityestimator atransformation yang sesuai untuk distribusi

berat-berat akan didiskusikan. Jika Anda lupa untuk mendapatkan transformasi,
maka pilihan lebar pita akan menjadi lebih kuat. Aplikasi untuk insurancedata
dan perhitungan nilai-atrisk disajikan.
Kata kunci: statistik non-parametrik, model actuarialloss, teori nilai ekstrim
1. Perkenalan
Tingkat keparahan klaim diukur dalam satuan moneter dan biasanya disebut
sebagai asuransi kerugian atau klaim jumlah uang.Ketidaktanggapan fungsi-fungsi
dari jumlah klaim biasanya benar, menunjukkan sebagian besar klaim kecil dan
beberapa klaim besar yang relatif jarang terjadi.Untuk perusahaan asuransi,
kepadatan ekor karena itu minat khusus karena besarnya ekonomi mereka dan
pengaruh mereka pada perjanjian re-asuransi.Telah diketahui secara luas bahwa
klaim besar sangat tidak dapat diprediksi ketika mereka bertanggung jawab atas
ketidakstabilan keuangan dan karena itu, solvabilitas merupakan perhatian utama
bagi manajer asuransi dan regulator asuransi, ada kebutuhan untuk
memperkirakan kepadatan jumlah biaya klaim dan untuk menyertakan ekstrem
semua analisis.Makalah ini adalah tentang memperkirakan fungsi kerapatan
nonparametrik ketika data berekor berat. Pendekatan lain didasarkan pada
ekstrem, subjek yang telah menerima banyak perhatian dalam literatur ekonomi.
Embrechts dkk., Coles, dan Reiss and Thomas [8, 11, 15] telah mendiskusikan
teori nilai ekstrim (EVT) secara umum. Chavez-Demoulin dan Embrechts [6],
berdasarkan Chavez-Demoulin dan Davison [5], telah membahas model-model
ekstrem yang halus dalam asuransi.Mereka berfokus pada menyoroti tren
70
nonparametrik, karena ketergantungan waktu hadir dalam banyak situasi risiko

bencana (seperti badai atau bencana alam) dan di pasar keuangan.Sebuah karya
terbaru oleh Cooray dan Ananda [9] menggabungkan distribusi lognormal dan
Pareto dan memperoleh distribusi yang memiliki bentuk yang cocok untuk klaim
kecil dan dapat menangani ekor berat. Orang lain telah membahas masalah ini
44 C. Bolancé,M. Guillén, andJ.P. Nielsen
dengan distribusi g-dan-h, seperti Dutta dan Perry [10] untuk analisis risiko
operasi. Distribusi g-dan-h [12] dapat dibentuk oleh dua transformasi nonlinier
dari distribusi normal standar dan memiliki dua parameter, skewness dan
kurtosis.Inpreviouspapers, wehaveanalysedclaimamountsinaone-dimensi
pengaturan dan kami telah membuktikan bahwa pendekatan nonparametrik yang
menyumbang sifat asimetris kepadatan lebih disukai untuk distribusi kerugian
asuransi [2, 4]. Selain itu, kami telah menerapkan metode ini ke set data
perusahaan dan membandingkan nonparametrik
kerneldensityestimationproceduretoclassicalmethods [4]. Beberapa penulis [7]
telah mengabdikansaya tertariktotransformationkernstensityestimation, yang
awalnya diusulkan oleh Wand et al. [21] untuk variabel asimetris dan berdasarkan
pada keluarga transformasi kekuatan yang bergeser.Metode asli memberikan
pendekatan yang baik untuk distribusi berat-ekor.Sifat-sifat statistik dari penduga
kerapatan juga valid ketika memperkirakan fungsi kepadatan kumulatif
(cdf).Transformasi estimasi kernel berubah menjadi pendekatan yang cocok untuk
mengestimasi quantiles menjadi 1 dan oleh karena itu dapat digunakan untuk
memperkirakan Value-at-Risk (VaR) dalam aplikasi keuangan dan
insurancerelated.Buch-Larsen dkk. [4] mengusulkan transformasi alternatif
berdasarkan generalisasi dari distribusi Champernowne, studi simulasi telah
menunjukkan bahwa itu adalah
preferabletoothertransformationdensityestimationapproachesfordistribution yang
71
seperti Pareto di ekor. Dalam kontribusi yang ada, pilihan parameter bandwidth
dalam transformasi densitas kernel masih menjadi masalah. Salah satu cara untuk
menjalankan pita lebar suara adalah untuk menerapkan pendekatan transformasi
sehingga mengarah ke distribusi kata, kemudian menggunakan teori untuk
mengoptimalkan pemilihan parameter media pada distribusi beta dan kembali
mengubah bentuk ke skala semula. Kelemahan utama bahwa distribusi teori
mungkin merupakan domain awal yang sangat sulit, yang menyebabkan
ketidakmampuan numerik ketika fungsi distribusi yang diperlukan adalah
transformasi balik ke belakang.Dalam pekerjaan ini, kita perlu menghapus
distribusi etiket dan menghapus konversi data dari intensitas moderator.Hasil pada
pilihan optimal bandwidth untuk estimasi kepadatan kernel dari kerapatan beta
digunakan dalam versi yang dipotong secara langsung.Dalam studi simulasi kami
melihat bahwa pendekatan kami menghasilkan hasil yang sangat baik untuk data
berekor berat.Hasil kami sangat relevan untuk asuransi aplikasi, di mana jumlah
klaim dianalisis dan biasanya klaim kecil (biaya rendah) hidup berdampingan
dengan hanya beberapa klaim besar (highcost). Biarkan fx
beadensityfunction.TerrellandScott [19] danTerrell [18] analysedseveral
kepadatan keluarga yang meminimalkan fungsionalf ??f (p) x (x)? 2 dx, di mana
superscript (p) mengacu pada turunan pth dari fungsi kepadatan. Kami akan
menggunakan keluarga-keluarga ini dalam konteks estimasi kepadatan kernel
yang berubah. Hasil untuk keluarga-keluarga kepadatan tersebut sangat berguna
untuk meningkatkan sifat dari penduga gravitasi transduser.
Transformation kernelestimation of insuranceclaim cost distributions 45
Dengan memberikan contoh X1, ..., Xn pengamatan terdistribusi

independen dan identik (iid) dengan fungsi densitas fx, kernel densitimator klasik
adalah:
72
di mana b adalah parameter bandwidth atau smoothing dan Kb (t) = K (t / b) / b

adalah kernel. Di Silverman [16] atau Wand dan Jones [20] seseorang dapat
menemukan revisi luas dari kepadatan kerapatan kernel klasik.
Jarak kesalahan antara perkiraan kepadatan ˆ fx dan kerapatan teoritis fx

yang secara luas telah digunakan dalam analisis bandwidth optimal b adalah
kesalahan terintegrasi rata-rata rata-rata (MISE):
Telah ditunjukkan (lihat, misalnya, Silverman [16], bab 3) bahwa MISE secara
asimtotik tidak setara dengan A − MISE:
di mana k2 =? t2K (t) dt. Jika turunan kedua dari fx ada (dan kami
melambangkannya dengan f ?? X), maka ??f ??x (x) 2 dx adalah ukuran derajat
kelancaran karena kelancaran persendian, hal ini adalah salah satu dari dua
dimensi ini. Dari ekspresi untuk A − MISE itu mengikuti yang lebih halus,
semakin kecil nilai A− MISE.
TerrellandScott (1985, Lemma 1) menunjukkan bahwa Beta (3,3)

didefinisikan terbatas (−1 / 2,1 / 2) minimisesthefunctional ?? f ??x (x) 2
dxwithinthesetofbetadensitiesdenganthamesamesupport. Beta (3,3) distribusi akan
digunakan dalam pekerjaan Anda. Itspdf dan cdf adalah:
73
Kami berasumsi bahwa transformasi ada sehingga T (Xi) = Zi (i = 1, ..., n)

diasumsikan dari distribusi Seragam (0,1). Kita dapat kembali mengubah data
sehingga G − 1 (Zi) = Yi adalah sampel acak dari variabel acak y dengan
distribusi Beta (3,3), yang pdf dan cdf masing-masing didefinisikan dalam (4) dan
(5) .
Dalam karya ini, kami menggunakan transformasi aparametricT (·), yaitu

cdf Champernowne yang dimodifikasi, seperti yang diusulkan oleh Buch-Larsen
et al. [4].
Mari kita definisikan pengukur kernel dari fungsi kepadatan untuk variabel
yang diubah:
yang harus sedekat mungkin dengan Beta (3,3). Kita dapat memperoleh nilai yang
tepat untuk parameter bandwidth yang meminimalkan A - MISE dari ˆ g. IfK (t) =
(3/4)! 1 − t2 "1 (| t | ≤1) adalah kernel Epanechnikov, di mana 1 (·) sama dengan
satu ketika kondisi benar dan nol sebaliknya, kemudian kami menunjukkan bahwa
optimal parameter smoothing untuk ˆ g jika y followsa Beta (3,3) adalah:
Akhirnya, untuk memperkirakan fungsi kerapatan dari variabel asli, karena

y = G − 1 (z) = G − 1 {T (x)}, maka densitas densitas modul transformasi adalah:
74
Theestimator in (8) secara asymptotically minimalkan

MISEandthepropertiesofthetransformation kernel density estimation (8) dipelajari
dalam Bolanc'e et al. [3]. Karena kita ingin menghindari kesulitan dari estimator
yang didefinisikan pada (8), kita akan membangun transformasi untuk
menghindari nilai ekstrim dari domain distribusi beta.
2 Prosedur Estimasi
Biarkan z = T (x) menjadi Seragam (0,1); kita mendefinisikan variabel acak baru
dalam interval [1 − l, l], di mana 1/2 <l <1.Nilai-nilai harus harus dekat dengan 1.
Variabel newrandom adalah z ∗ = T ∗ (x) = (1 − l) + (2l −1) T (x). Kami akan
membahas nilai l nanti.
The pdfofthenew variabel y ∗ = G − 1 (z ∗) sebanding dengan Beta (3,3)

pdf, tetapi dalam [−a, a] interval, di mana a = G − 1 (l). Akhirnya, perkiraan
densitas chipkernel yang diusulkan adalah:
Nilai A-MISE terkait dengan estimasi kernel ˆ g (y ∗), di mana variabel

acak y ∗ didefinisikan pada interval yang lebih kecil dari Beta (3,3) domain
adalah:
75
Transformation kernelestimation of insuranceclaim cost distributions 47
Dan akhirnya, bandwidth optikal yang optimaldisandingkan dengan asymmetropis

yangmengintegrasikan ukuran kesalahan kuadrat untuk ˆg (y ∗) adalah:
Rumus yang sesuai ketika implementasi transformasi matrikestasi yang

diekspresikan pada (9) adalah pemilihan nilai dari.Nilai ini dapat disimpulkan
sebagaimana dibahas dalam simulasi yang dihasilkan oleh Bolanc'e et al. [3].
Biarkan Xi, i = 1, ..., n, menjadi
iidobservationsfromarandomvariablewithannotnownnensity fx.Kerapatan
kepadatan kernel dari fx disebut KIBMCE (kernel inverse beta dimodifikasi
Champernowne estimator).
3 estimasi VaR
Dalam keuangan dan asuransi, VaR mewakili besarnya kejadian ekstrem dan oleh
karena itu digunakan sebagai ukuran risiko, tetapi VaR adalah kuantil. Misalkan x
menjadi variabel acak rugi dengan fungsi distribusi Fx; diberikan tingkat
probabilitas p, VaR ofx adalah VaR (x, p) = inf {x, Fx (x) ≥ p}. Karena Fx adalah
fungsi yang berkelanjutan dan nondecreasing, thenVaR (x, p) = F − 1 x (p),
wherep isaprobabilitynear1 (0.95,0.99, ...). OnewayofapproximatingVaR (x, p)
adalahberbedakanfungsi distribusi logistik, tetapi ini sering dikritik karena
estimasi empiris hanya didasarkan pada sejumlah pengamatan terbatas, dan
bahkan np mungkin bukan bilangan bulat. Sebagai alternatif untuk pendekatan
76
distribusi empiris, estimasi kernel klasik dari fungsi distribusi dapat berguna,
tetapi metode ini akan sangat tidak tepat untuk asimetris atau eko-tailedvariable.
Swanepoel dan VanGraan [17] mengusulkannetanonparametrict

transformasi data, yang sama dengan estimasi kernel klasik dari fungsi distribusi.
Kami mengusulkan untuk menggunakan transformasi parametrik berbasis pada
fungsi distribusi.
GivenatransformationfunctionTr (x), itfollowsthat Fx (x) = FTr (x) (Tr

(x)). Jadi, komputasiVaR (x, p) adalahbasedonthekernelestimationofistribusi
distribusi dari variabel yang diubah.
Estimasi Kernel dari fungsi distribusi [1, 14]:
Oleh karena itu, VaR (x, p) dapat ditemukan sebagai:
4 Simulasi studi
Bagian ini menunjukkan perbandingan dari berkas-berkas transformasi dengan

metode yang ditunjukkan oleh Buch-Larsenetal. [4] berdasarkan distribusi yang
sama sekali berbeda. Tujuan kami adalah untuk menunjukkan bahwa transformasi
kedua, yang didasarkan pada kebalikan dari distribusi beta, meningkatkan densitas
densitas.
Inthisworkwe menganalisa sampel simulasi yang sama seperti padaBuch-

Larsen et al. [4], yang ditarik dari berbagai distorsi dengan bunyi yang berbeda
77
dan baur bentuk-bentuk yang mendekati 0: lognormal, lognormal-Pareto,

Weibullandtruncatedlogistic. Distribusi dan parameter yang dipilih tercantum
dalam Tabel 1.
Buch-Larsen dkk. [4] mengevaluasi kinerja estimator KMCE

dibandingkan dengan estimator yang dijelaskan oleh Clements et al. [7], estimator
yang dijelaskan oleh Wand et al. [21] dan estimator yang dijelaskan oleh Bolancé
et al. [2]. The Champernowne transformasi secara
substansialmenyembuhkanpengalamansebagaipengarang asli. Di sini kita melihat
bahwa jika transformasi kedua berdasarkan pada transformasi beta inverse
meningkatkan hasil yang disajikan dalam Buch-Larsen et al. [4], ini berarti bahwa
metode penggandaan ganda yang disajikan di sini adalah keuntungan substansial
sehubungan dengan metode yang ada.
Wemeasure thethe performance oftheestimators bytherormeuresures

berdasarkan norma L1, L2 norma dan WISE. Yang terakhir membebani jarak
antara estimasi dan truedistribution dengan nilai x yang sama. Ini menghasilkan
kesalahan yang menekankan pada ekor distribusi, yang sangat relevan dalam
praktik ketika berhadapan dengan data pendapatan atau pendapatan:
78
Hasil simulasi dapat ditemukan di Tabel 2. Untuk setiap kepadatan simulasi dan
untuk ukuran sampel N = 100 dan N = 1000, hasil yang disajikan di sini sesuai
dengan
Tabel 2. Taksiran ukuran kesalahan (L1, L2 dan W ISE) untuk KMCE dan
KIBMCE l = 0,99
dan l = 0,98 untuk ukuran sampel 100 dan 1000 berdasarkan pada 2000 ulangan
ukuran kesalahan berikut: L1, L2, dan W ISE untuk nilai pemangkasan yang
berbedparameter l = 0,99, 0,98. Hasil patokan diberi label KMCE dan
merekasesuai dengan yang disajikan dalam Buch-Larsen et al. [4].
Secara umum, kita dapat menyimpulkan bahwa setelah transformasi kedua
berdasarkan pada inversedari cdf distribusi beta yang dimodifikasi, ukuran
kesalahan berkurang sehubungan denganKMCEmethod. Dalam beberapa situasi,
kesalahan berkurang secara substansialke pendekatan yang ada.Kita dapat melihat
bahwa ukuran kesalahan yang menunjukkan peningkatan saat
79
menggunakanPenduga KIBMCE adalah W ISE, yang berarti bahwa pendekatan

baru ini sesuai dengan ekordistribusi positif lebih baik daripada alternatif yang
ada. Ukuran kesalahan W ISEselalu lebih kecil untuk KIBMCE daripada untuk
KMCE, setidaknya untuk salah satu dari keduanyanilai yang mungkin dari l yang
telah digunakan dalam studi simulasi ini. Ini akan membuatEstimator KIBMCE
khusus cocok untuk distribusi berat-berat yang positif. Ketikamelihat lebih dekat
pada hasil untuk campuran distribusi lognormal danPareto tail, kita melihat bahwa
nilai l yang lebih besar diperlukan untuk meningkatkan ukuran kesalahanyang
ditemui dengan metode KMCE hanya untuk N = 1000. Untuk N = 100,
akesimpulan kontras berikut.Kita dapat melihat bahwa untuk distribusi logistik
terpotong, distribusi lognormaldan distribusi Weibull, metode yang disajikan di
sini jelas lebih baik daripadaKMCE yang ada. Kita dapat melihat pada Tabel 2
bahwa untuk N = 1000, KIBMCE W ISE adalahsekitar 20% lebih rendah dari
KMCE W ISE untuk distribusi ini. Perilaku serupaditunjukkan oleh ukuran
kesalahan lainnya, L1 dan L2, yang untuk N = 1000, sekitar15% lebih rendah
untuk KIBMCE.Perhatikan bahwa metode KMCE dipelajari di [4] dan studi
simulasi menunjukkanbahwa itu diperbaiki pada langkah-langkah kesalahan untuk
pendekatan metodologis yang ada [7,
21].
5 Studi data
Pada bagian ini, kami menerapkan metode estimasi kami ke kumpulan data yang
berisi mobilklaim biaya dari perusahaan asuransi Spanyol untuk kecelakaan yang
terjadi pada tahun 1997.Set data ini dianalisis secara rinci oleh Bolancé et al. [2].
Ini adalah asuransi tipikaljumlah klaim kumpulan data, yaitu, sampel besar yang
terlihat berat-ekor. Datanya adalahdibagi menjadi dua kelompok umur: klaim dari
pemegang polis yang berusia kurang dari 30 tahundan klaim dari pemegang polis
yang berusia 30 tahun atau lebih. Kelompok pertama terdiridari 1.061 pengamatan
dalam interval [1, 126.000] dengan nilai rata-rata 402.70. Keduakelompok berisi
4061 observasi dalam interval [1; 17,000] dengan nilai rata-rata 243.09.Estimasi
parameter dalam fungsi distribusi Champernowne yang dimodifikasiuntuk dua
80
sampel adalah, untuk pengemudi muda α1 = 1,116, M1 = 66, c1 = 0,000 dan

untukdriver yang lebih tua α2 = 1,145, M2 = 68, c2 = 0,000. Kami melihat bahwa
α1 <α2, yangmenunjukkan bahwa kumpulan data untuk pembalap muda memiliki
ekor yang lebih berat daripada kumpulan datadriver yang lebih tua.Untuk biaya
kecil, kepadatan KIBMCE di puncak kepadatan lebih besar daripadaPendekatan
KMCE diusulkan oleh Buch-Larsen et al. [4] baik untuk yang muda maupun yang
lebih tuadriver. Untuk kedua metode ini, ekor dalam perkiraan kepadatan
pemegang polis muda adalahlebih berat dari ekor kepadatan perkiraan pemegang
polis yang lebih tua. Ini bisa diambil
sebagai bukti bahwa pembalap muda lebih cenderung mengklaim dalam jumlah
besar daripada yang lebih tua
driver. The KIBMCEmethod menghasilkan ekor lebih ringan daripada metode
KMCE. Berbasis
pada hasil dalam studi simulasi yang disajikan dalam Bolancé et al. [3], kami
percaya itumetode KIBMCE meningkatkan estimasi kepadatan dalam klaim
ekstrim
kelas.
Tabel 3 menyajikan VaR pada tingkat 95%, yang diperoleh dari

empirisdistribusiestimasi dan perhitungan yang diperoleh dengan KMCE dan
KIBMCE.Kami percaya bahwa KIBMCEmemberikan perkiraan yang memadai
tentang VaR dan tampaknyapendekatan yang direkomendasikan untuk digunakan
dalam praktik.Pengakuan. Kementerian Pendidikan dan Sains Spanyol
81
mendukung SEJ2007-63298diakui. Kami berterima kasih kepada pengulas atas

komentar yang membantu
Referensi
1. Azzalini, A .: Catatan tentang estimasi fungsi distribusi dan kuantil oleh kernel
metode. Biometrika 68, 326–328 (1981)
2. Bolancé, C., Guill'en, M., Nielsen, J.P.:Dimensi densitas kernel dari fungsi
kerugian aktuaria.
Ins. Matematika. Econ. 32, 19–36 (2003)
3. Bolancé, C., Guill'en, M., Nielsen, J.P .: Inverse Beta transformasi dalam
densitas kernel
perkiraan. Stat. Masalah. Lett. 78, 1757–1764 (2008)
4. Buch-Larsen, T., Guillen, M., Nielsen, J.P., Bolancé, C: estimasi kepadatan
kernel untuk
distribusi heavy-tailed menggunakan transformasi Champernowne. Statistik 39,
503–
518 (2005)
5. Chavez-Demoulin, V., Davison, P: Generalized aditif pemodelan ekstrem
sampel.
Appl. Stat. 54, 207–222 (2005)
6. Chavez-Demoulin, V., Embrechts, P: Menghaluskan model-model ekstrem di
bidang keuangan dan asuransi.
J. Risiko Ins. 71, 183–199 ((2004)
7. Clements, A.E., Hurn, A.S., Lindsay, K.A: Möbius-seperti pemetaan dan
penggunaannya di kernel
estimasi kepadatan. Selai. Stat. Assoc. 98, 993-1000 (2003)
8. Coles, S .: Pengantar Pemodelan Statistik Nilai Ekstrim. Springer, London
(2001)
9. Cooray, K., Ananda, M.M.A .: Pemodelan data aktuaria dengan komposit
lognormal-Pareto
model. Skandal. Bertindak. J. 5, 321–334 (2005)
82
10. Dutta, K., Perry, J.: Sebuah kisah tentang ekor: analisis empiris model
distribusi kerugian untuk memperkirakan
modal risiko operasional. FRB dari BostonWorking PaperNo. 06-13 (2006)
Tersedia
di SSRN: http://ssrn.com/abstract=918880
11. Embrechts, P., Klüppelberg, C., Mikosch, T .: Memodelkan Acara Ekstremal.
Springer, London
(1999)
12. Hoaglin, D.C .: distribusi g-and-h. Di: Kotz, S., Johnson, N.L. (eds.)
Ensiklopedia dari
Ilmu Statistik, hlm 298–301, vol. 3. Wiley, New York (1983)
13. Reiss, R.D .: Nomparametric estimasi fungsi distribusi yang lancar. Skandal.
J. Stat.
8, 116–119 (1981)
14. Reiss, R.D., Thomas, M .: Analisis Statistik Nilai Ekstrim: dengan Aplikasi
untuk
Asuransi, Keuangan, Hidrologi, dan Bidang lainnya, Edisi ke-2. Birkhäuser
(2001)
15. Silverman, B.W .: Estimasi Densitas untuk Statistik dan Analisis Data.
Chapman & Hall,
London (1986)
16. Swanepoel, J.W.H., Van Graan F.C .: Pengukur fungsi distribusi kernel baru
berdasarkan
pada transformasi non-parametrik dari data. Skandal. J. Stat. 32, 551-562 (2005)
17. Terrell, G.R .: Prinsip pemulusan maksimal dalam estimasi kepadatan. Selai.
Stat. Assoc.
85, 270–277 (1990)
18. Terrell, G.R., Scott, D.W .: Oversmoothed perkiraan kepadatan
nonparametrik. Selai. Stat.
Assoc. 80, 209–214 (1985)
83
19. Wand, M.P., Jones, M.C .: Kernel Smoothing. Chapman & Hall, London
(1995)
20. Wand, P., Marron, J.S., Ruppert, D .: Transformasi dalam estimasi kepadatan.
Selai. Stat.
Assoc. 86, 343-361 (1991)
Apa yang dilakukan langkah-langkah risiko distorsi memberitahu kita

tentang kelebihan
reasuransi kerugian dengan pemulihan kembali?
Antonella Campana dan Paola Ferretti
Abstrak. Dalam makalah ini kami memfokuskan perhatian kami pada studi
tentang kelebihan reasuransi kerugiandengan pemulihan, masalah yang
sebelumnya dipelajari oleh Sundt dan, baru-baru ini, oleh Mata danHürlimann.
Telah diketahui bahwa evaluasi premi murni membutuhkan pengetahuan
tentangdistribusi ukuran klaim dari risiko asuransi: untuk menghadapi pertanyaan
ini, pendekatan yang berbedatelah diikuti dalam literatur aktuaria. Dalam situasi
informasi yang tidak lengkap di manahanya beberapa karakteristik dari elemen
yang terlibat yang diketahui, tampaknya khususnyamenarik untuk mengatur
masalah ini dalam rangka premi yang disesuaikan risiko. Itu ditunjukkan bahwa
jikapremi yang disesuaikan risiko memenuhi persamaan nilai harapan umum,
kemudian premi awalmenunjukkan beberapa sifat keteraturan sebagai fungsi dari
persentase pemulihan.Kata kunci: kelebihan reasuransi kerugian, pemulihan,
langkah-langkah risiko distorsi
1. Perkenalan
Dalam beberapa tahun terakhir studi tentang kelebihan reasuransi kerugian dengan
pemulihan telah menjaditopik amajor, khususnya dengan mengacu pada evaluasi
klasik dari premi murni,yang didasarkan pada model kolektif teori
84
risiko.Masalahnya, sebelumnya dipelajari oleh Sundt [5] dan, baru-baru ini, oleh
Mata [4]dan Hürlimann [3], membutuhkan evaluasi premi murni yang diberikan
pengetahuandistribusi ukuran klaim dari risiko asuransi: untuk menghadapi
pertanyaan ini,pendekatan yang berbeda telah diikuti dalam literatur aktuaria.
Sundt [5] berdasarkan
perhitungan pada metode numerik rekursif Panjer dan Hürlimann [3]
disediakanprakiraan bebas distribusi untuk premi murni.Dalam situasi informasi
yang tidak lengkap di mana hanya beberapa karakteristikUnsur-unsur yang terlibat
diketahui, tampaknya sangat menarik untuk mengatur inimasalah dalam rangka
premi yang disesuaikan risiko.Kami mulai dari themetologi yang dikembangkan
oleh Sundt [5] untuk harga kelebihan kerugian reinsurancewithpemulihan kembali
untuk premium murni dan, dengan tujuan untuk melemaskan
dasarhypothesismade olehWalhin dan Paris [6], yang menghitung P premium
awal di bawahprinsip transformpremium proporsionalHazard, kami membahas
analisis kami untukstudi tentang peran yang dimainkan oleh prinsip-prinsip
premium yang disesuaikan dengan risiko. Pilihan khusus
A. Campana dan P. Ferretti

Dalam proposal Walhin dan Paris dari PH-mengubah ukuran risiko memperkuat
kamiminat dalam mempelajari premi yang disesuaikan risiko yang termasuk kelas
distorsilangkah-langkah risiko yang didefinisikan oleh Wang [7].Dalam model
matematika yang kami pelajari (untuk lebih jelasnya lihat Campana [1]),
kapanPengembalian yang dibayar (0 ≤ ci ≤ 1 adalah persentase of dari
pemulihan)total pendapatan premi δ (P) menjadi variabel acak yang berkorelasi
denganagregat klaim S. Karena langkah-langkah risiko memenuhi sifat linearitas
dan
5. Kesimpulan
Dalam literatur aktuarial, kelebihan reasuransi kerugian dengan pemulihan
kembali padadasarnyadikaji dalam rangka kolektivemodel teori risiko untuk yang
klasikevaluasi premi murni membutuhkan pengetahuan tentang distribusi klaim.
Secara umum,dalam prakteknya, ada informasi yang tidak lengkap: beberapa
85
karakteristik dari kelompok agregasiklaim dapat dihitung. Dalam situasi ini, minat
karakterisasi sifat umumpremi yang terlibat terus berkembang.Menetapkan
masalah ini dalam kerangka premi yang disesuaikan risiko, hal ini
ditunjukkanbahwa jika premi yang disesuaikan risiko memenuhi persamaan nilai
harapan umum, makapremium awal menunjukkan beberapa keteraturan properti
sebagai fungsi dari persentasepemulihan kembali. Dengan cara ini adalah
mungkin untuk bersantai dengan pilihan khusus yang dibuat olehWalhin dan Paris
[6] dari ukuran risiko PH-transform dan untuk memperluas analisis
kelebihan reasuransi kerugian dengan pemulihan kembali untuk menutupi kasus
belum tentupemulihan yang sama.Hasil yang diperoleh menunjukkan bahwa
penelitian lebih lanjut dapat ditujukan untuk analisisrencana premium yang
optimal.Pengakuan. Kami berterima kasih kepada beberapa peserta konferensi
MAF2008 untuk komentar yang berhargadan saran pada versi awal makalah.
Referensi
1. Campana, A .: Premi Pembaruan untuk Kontrak Reasuransi Kelebihan Hilang.
Giornale Istituto Italiano degli Attuari LXIX, Roma (2006)
2. Dhaene, J., Vanduffel, S., Tang, Q.H., Goovaerts, M.J., Kaas, R., Vyncke, D:
Solvabilitas
modal, ukuran risiko dan comonotonicity: tinjauan. Laporan Penelitian ATAU
0416, Departemen
Ekonomi Terapan, K.U. Leuven (2004)
3. Hürlimann, W .: Kelebihan kerugian reinsurancewith reinstatements
revisited.ASTIN Bull. 35,
211–238 (2005)
4. Mata, A.J: Penentuan harga kelebihan reasuransi kerugian dengan pemulihan
kembali. ASTIN Bull. 30, 349–
368 (2000)
5. Sundt, B.: Lebih dari kerugian reasuransi dengan pemulihan.
Bull.SwissAssoc.Actuaries,
86
Heft 1, 51–65 (1991)

6. Walhin, J.F., Paris, J.:Kesalahan kerugian reasuransi dengan pemulihan:
premiumcalculation
dan kemungkinan kehancuran dari cedent.Proses dari Kongres IME ketiga,
London (1999)
7. Wang, S: Penghitungan premium dengan mengubah kerapatan lapisan
premium. ASTIN
Banteng. 26, 71–92 (1996)
Beberapa kelas tindakan risiko multivariat

Marta Cardin dan Elisa Pagani
Abstrak. Dalam literatur aktuaria sifat-sifat tindakan risiko atau prinsip-prinsip

premi asuransitelah dipelajari secara ekstensif. Kami mengusulkan jenis baru
transformasi henti-rugi dan aurutan terkait dalam pengaturan multivariasi dan
beberapa kondisi yang setara. Dalam pekerjaan kami adakarakterisasi beberapa
kelas tertentu dari langkah-langkah risiko multivariat dan bivariat dan ahasil
representasi baru dalam kerangka multivariat.Kata-kata kunci: pengukuran risiko,
fungsi distorsi, ukuran konkordansi, pesanan stokastik
1. Perkenalan
Dalam ilmu aktuaria itu cukup umum untuk membandingkan dua variabel acak
yangrisikodengan urutan stokastik didefinisikan menggunakan ketidaksetaraan
pada harapan acakvariabel yang diubah oleh fungsi terukur. Dengan mencirikan
set yang dianggapfungsi beberapa urutan stokastik tertentu dapat diperoleh seperti
stokastikperintah dominasi atau stop-loss. Hubungan urutan stokastik ini bentuk
integral mungkindiperpanjang untuk mencakup juga kasus vektor acak.Kontribusi
utama dari makalah ini menyangkut konstruksi matematikakerangka kerja untuk
representasi beberapa kelas pengukuran risiko multivariat; dikhususnya kami
mempelajari ekstensi untuk kasus multivariat dari pengukuran risiko
87
terdistorsidan kami mengusulkan suatu cara baru dari vektor riskmeasure. Selain
itu, kami memperkenalkan produktransformasi stoploss dari vektor acak untuk
mendapatkan perintah stop-loss produk amultivariate.
2 Casing multivariasi
Kami hanya mempertimbangkan vektor acak non-negatif. Membiarkan menjadi
ruang negaraalam, F menjadi bidang-σ dan P menjadi ukuran probabilitas pada F.
Acak kamivektor adalah fungsi X: → Rn+ sehingga X (ω) mewakili hasil yang
diperolehjika keadaan ω terjadi. Kami juga menentukan beberapa notasi: FX (x):
Rn → [0, 1] adalahfungsi distribusi X, SX (x): Rn → [0, 1] adalah kelangsungan
atau fungsi ekor, dan(X (ω) - a) + = max (X (ω) - a, 0) componentwise.
Ukuran risiko, atau prinsip premium, adalah fungsional R: X → ˜R, di mana
Xadalah seperangkat vektor acak non-negatif dan ˜R adalah garis nyata
diperpanjang.Dalam apa yang berikut ini kami menyajikan beberapa sifat yang
diinginkan P untuk tindakan risiko, yangproposal kami untuk menyamaratakan
properti terkenal untuk kasus skalar:
1. Keterbatasan harapan: R [X] ≥ E [X1. . . Xn] ∀X.
2. Pembebanan tidak berlebihan: R [X] ≤ supω∈
{| X1 (ω) | ,. . . , | Xn (ω) |}.
3. Penerjemahan invarian: R [X + a] = R [X] + ¯a ∀X, ∀a ∈ Rn, di mana a adalah
vektor dari jumlah awal yang pasti dan ¯a adalah produk componentwise dari
elemen
dari a.
4. Positif homogenitas order n: R [cX] = cn R [X] ∀X, ∀c ≥ 0.
5. Monotonicity: R [X] ≤ R [Y] ∀X, Y seperti ituX Y dalam beberapa pengertian
stokastik.
6. Constancy: R [b] = ¯b ∀b ∈ Rn. Kasus khusus adalah R [0] = 0, yang disebut
properti normalisasi.
7. Subadditivity: R [X + Y] ≤ R [X] + R [Y] ∀X, Y, yang mencerminkan gagasan
bahwa
risiko dapat dikurangi dengan diversifikasi.
8. Convexity: R [λX + (1 - λ) Y] ≤ λR [X] + (1 - λ) R [Y], ∀X, Y dan λ ∈
88
[0, 1]; properti ini menyiratkan efek diversifikasi sebagai subaddivitas tidak.
Kami ingat di sini juga beberapa notasi tentang urutan stokastik acak
formultivariatevariabel: X SD Yindicates dominasi stokastik biasa, X UO
YindicatesUrutan orthant atas, X LO Y menunjukkan tatanan orthant rendah, XC
Y menunjukkann urutan konkordansi dan X SM Y menunjukkan urutan
supermodular. Untukdefinisi, lihat mereka, misalnya, [5].Sekarang mari kita
cirikan formulasi lain untuk transformasi stop-loss dalam multivariatpengaturan.
Definisi 1. Transformasi henti-rugi produk dari vektor acak X ∈ X didefinisikan
oleh πX (t) = E
(X1 - t1) +. . . (Xn

- tn) +
∀t ∈ Rn.
Seperti dalam kasus univariat, kita dapat menggunakan instrumen ini untuk
memperoleh stochastic multivariat
memesan:
Definisi 2. Biarkan X, Y ∈ X menjadi dua vektor acak. Kami mengatakan bahwa
X mendahului Y di
urutan stop-loss produk multivariat
!
X SLn Y
"
jika memegang:
πX (t) ≤ πY (t) ∀t ∈ Rn.
Mungkin menarik untuk memberikan beberapa ekstensi pada teori risiko dalam
multivariatkasus, tetapi terkadang itu tidak mungkin dan kami akan puas jika
generalisasi bekerja setidaknya dalam dua dimensi. Seperti diketahui, gagasan
yang berbeda adalah setaradalam kasus bivariat untuk risiko dengan distribusi
89
marjinal univariat yang sama [11], tetapiini tidak lagi berlaku untuk risiko n-
variate dengan n ≥ 3 [8].Kami sekarang memperkenalkan konsep ruang Fréchet:
R menandakan ruang Fréchetdiberikan margin, yaitu R (F1, F2) adalah kelas dari
semua distribusi bivariat dengandiberikan margin F1, F2. Semakin rendah
Fréchet X terikat X ditentukan oleh FX (t): =maks {F1 (t1) + F2 (t2) - 1, 0} dan
batas Fréchet atas X, X,ditentukan olehFX (t): = mini {Fi (ti)}, di mana t = (t1,
t2) ∈ R2 dan i = 1, 2. Teorema berikutmengumpulkan beberapa hasil yang
diketahui tentang pesanan stokastik. Untuk pembaca yang lebih tertarik,kami
mengutip [5].
Teorema 1. LetX, Ybe variabel acak bivariat, di mana X, Y ∈ R (F1, F2).
Kemudian:
X UOY ⇔ Y LOX ⇔ X SMY ⇔ X CY.
Hasil ini tidak lagi benar ketika variabel acak multivariat dipertimbangkan dengan
n ≥ 3.
Teorema 2. Misalkan X, Y menjadi variabel acak bivariat dalam R (F1, F2).
Pengikut
kondisinya setara:
i) X SMY;
ii) E [f (X)] ≤ E [f (Y)] untuk setiap peningkatan fungsi supermodular f;
iii) E [f1 (X1) f2 (X2)] ≤ E [f1 (Y1) f2 (Y2)] untuk semua fungsi yang bertambah
f1, f2;
iv) πX (t) ≤ πY (t) ∀t ∈ R2.
3 Langkah-langkah risiko terdistorsi multivariat

Probabilitas terdistorsi telah dikembangkan dalam teori risiko untuk
mempertimbangkanhipotesis bahwa probabilitas awal tidak cukup untuk
menggambarkan distribusi(misalnya untuk melindungi kita dari beberapa
kejadian). Probabilitas ini menghasilkan barulangkah-langkah risiko, yang disebut
pengukuran risiko terdistorsi, lihat misalnya [4,12,13].Pada bagian ini
kamimencoba untuk memperdalam pengetahuan kami tentang langkah-langkah
90
risiko terdistorsikasus multidimensional. Sesuatu tentang topik ini dibahas dalam

[9], tetapi di sinitidak ada representasi melalui hasil matematis yang lengkap.Kita
dapat mendefinisikan ukuran risiko distorsi dalam kasus multivariat sebagai:
Hanya dikasus bivariat kemudian kita tahu bahwa SX = FX - 1 + SX1 + SX2.
Karena itu jika
FX ≤ mini {pi}, juga FX ≤ 1 - / ni= 1 (1 - pi). Ini memungkinkan kita
mempertimbangkan batasan untukdistribusi bersama, bukan hanya untuk margin.
Akhirnya kami bisa menyajikan yang menarikhasil mengenai representasi dari
langkah-langkah risiko terdistorsi subadditive melaluikombinasi cembung dari
ConditionalValues at Risk.
Teorema 3. Biarkan X ∈ X. Pertimbangkan distorsi multivariat subaditif dalam
Karena tidak setiap hasil tentang dominasi stokastik bekerja dalam pengaturan
multivariat, kamibatasi perhatian kami pada yang bivariat. Namun, ini menarik
karena dibutuhkanmempertimbangkan keberisikoan tidak hanya dari distribusi
marjinal, tetapi juga daridistribusi bersama, menelusuri suatu tindakan untuk
generalisasi multivariat. IniPerlu dicatat bahwa prosedur ini ada hubungannya
dengan ukuran konkordansi (atauukuran ketergantungan), yang akan kami
jelaskan nanti.Kami mengusulkan beberapa pengamatan tentang VaR dan CVaR
yang dirumuskan melalui distorsifungsi ketika X adalah vektor acak dengan nilai
dalam R2+; kita punya:
4 Ukuran konkordansi
Konkordansi antara dua variabel acak muncul jika nilai besar cenderung
terjadinilai-nilai besar dari nilai-nilai kecil dan lainnya terjadi dengan nilai-nilai
kecil yang lain. Begitukonkordansi menganggap asosiasi nonlinear antara variabel
acak korelasi itumungkin ketinggalan. Sekarang, kami ingin mempertimbangkan
karakteristik utama suatu ukurannkonkordansi seharusnya. Kami membatasi
perhatian kami pada kasus bivariat.Pada tahun 1984 Scarsini ([10])
mendefinisikan seperangkat aksioma yang memesan keteraturan bivariatdistribusi
harus memiliki agar pemesanan lebih tinggi berarti lebih positifkonkordansi.
91
Dengan ukuran konkordansi wemean suatu fungsi yang melekat pada setiap
kontinyuvektor acak bivariat bilangan real α (X1, X2) memenuhi sifat berikut:
1. −1 ≤ α (X1, X2) ≤ 1;
2. α (X1, X1) = 1;
3. α (X1, −X1) = −1;
4. α (−X1, X2) = α (X1, −X2) = −α (X1, X2);
5. α (X1, X2) = α (X2, X1);
6. jika X1 dan X2 independen, maka α (X1, X2) = 0;
7. jika (X1, X2) C (Y1, Y2) maka α (X1, X2) ≤ α (Y1, Y2)
8. jika {X} n adalah urutan vektor acak bivariat yang menyatu dalam distribusi ke
X,
kemudian limn → ∞ α (Xn) = α (X).
Sekarang kami mempertimbangkan grup D4 dihedral dari simetri pada kuadrat [0,
1] 2. Kitamemiliki D4 = {e, r, r2, r3, h, hr, hr2, hr3} di mana e adalah identitas, h
adalah pantulansekitar x = 12dan r adalah rotasi 90 derajat berlawanan arah jarum
jam.Ukuran μ pada [0, 1] 2 dikatakanD4-invariant jika nilainya untuk setiap set
BorelA [0, 1] 2 tidak berubah sehubungan dengan kesimetrisan satuan persegi
yang adaμ (A) = μ (d (A)).
Proposisi 2. Jika ukuran D4-invariant terbatas pada [0, 1] 2, ada α, β ∈
Rsedemikian rupa sehingga fungsi didefinisikan oleh
ρ ((X1, X2)) = α
[0,1] 2
F (X1, X2) (x1, x2) dμ (FX1 (x1), FX2 (x2)) – β adalah ukuran konkordansi.
Bukti. Ameasure konkordansi terkait dengan vektor acak bivariat kontinyuhanya
bergantung pada copula yang terkait dengan vektor sejak ukuran
konkordansiinvarian di bawah invariant meningkatkan transformasi dari variabel
acak. Sehinggahasil berikut dari Teorema 3.1 dari [6].
5 Suatu nilai vektor-nilai
92
Dalam Definisi 1 kami telah memperkenalkan konsep produk transformasi stop-

loss untukvektor acak. Kami menggunakan pendekatan ini untuk memberikan
definisi untuk ukuran baru yang kamisebut Product Stop-loss Premium.
Definisi 8. Pertimbangkan vektor acak bivariat X tidak negatif dan hitung
Nilai Berisiko dari komponen tunggal. Product Stop-Loss Premium (PSP)
didefinisikan
sebagai berikut: PSP [X; p] = E
#!
X1 - VaRX1
"
+
!
X2 - VaRX2
"
+
$
.
Tentu saja definisi ini dapat diperpanjang juga dalam kasus umum, menulis:
PSP [X; p] = E
#!
X1 - VaRX1
"
+. . .
!
Xn - VaRXn
"
+
$
,
tetapi beberapa properti akan berbeda, karena tidak semuanya dinyatakan untuk
bivariatcase berfungsi dalam multivariat.Tujuan kami adalah memberikan ukuran
93
multivariat yang dapat mendeteksi risiko ekor gabungan daridistribusi. Dalam

melakukan ini kami juga memiliki representasi risiko marjinal dansehingga
hasilnya adalah ukuran yang menggambarkan risiko bersama dan marginal secara
sederhana dancara intuitif.Kami memeriksa khususnya kasus X1> VaRX1 dan
X2> VaRX2 secara bersamaan,karena nilai-nilai besar dan kecil akan cenderung
lebih sering dikaitkan di bawahdistribusi yang mendominasi yang lain.Variabel
acak adalah konkordan jika mereka cenderung semua besar bersama-sama atau
kecilbersama-sama dan dalam hal ini kita memiliki ukuran dengan nilai-nilai non-
sepele ketika variabelmelebihi ambang batas yang diberikan bersama dan tidak
konstan, jika tidak, kami memilikiPSP [X; p] = 0.
Jelas bahwa konkordansi mempengaruhi ukuran ini, dan secara umum kita tahu
ituperilaku konkordansi mempengaruhi manajemen risiko portofolio besar
asuransikontrak atau aset keuangan. Dalam portofolio ini, risiko utama adalah
terjadinyabanyak kejadian default bersama atau evolusi penurunan harga secara
simultan.PSP untuk distribusi multivariat ditafsirkan sebagai ukuran yang dapat
menyimpanstruktur ketergantungan komponen-komponen dari vektor acak yang
dipertimbangkan, ketika ditentukanambang batas dilampaui oleh masing-masing
komponen dengan probabilitas pi; tapi memang itujuga merupakan ukuran yang
dapat mengevaluasi sendi serta risiko marjinal. Bahkan, kamimemiliki:
Kami dapat menyimpulkan bahwa langkah-langkah risiko ini sama untuk vektor
bivariat dengan
komponen independen, pada kondisi pembatasan ini.Kami mengusulkan di sini
cara untuk membandingkan ketergantungan, memperkenalkan pesanan
stokastikberdasarkan ukuran PSP kami.
Proposisi 3. Jika X, Y ∈ R2, maka X SM Y ⇐⇒ PSP [X; p] ≤ PSP [Y; p]
∀pberlaku.
Bukti. Jika X SM Y maka E [f (X)] ≤ E [f (Y)] untuk setiap fungsi supermodular
f,Oleh karena itu juga untuk fungsi supermodular spesifik yang mendefinisikan
PSP kami dan kemudianmengikuti PSP [X; p] ≤ PSP [Y; p]. Sebaliknya jika
PSP [X; p] ≤ PSP [Y; p] dan X, Y ∈ R2,
kami punya + ∞
94
VaRX2
+∞
VaRX1
SX (t) dt ≤
+∞
VaRY2
+∞
VaRY1
SY (t) dt
dengan VaRX2
= VaRY2 dan VaRX1
= VaRY1. Ini mengikuti bahwa SX (t) ≤ SY (t), yangmengarah ke XC Y. Dari
Teorema 1 mengikuti X SM Y.Tentunya PSP juga konsisten dengan urutan
konkordansi.Properti lain yang dibahas untuk tindakan risiko adalah subadditivity;
langkah-langkah risiko itusubadditive untuk semua struktur ketergantungan vektor
mungkin tidak mencerminkanketergantungan antara (X1 - α1) + dan (X2 - α2)
+.Kami dapat mencatat bahwa PSP kami tidak selalu subadditive; sebenarnya, jika
kita mengambil yang tidak negatifvektor X, Y ∈ X, hubungan berikut tidak selalu
puas:
Setelah memverifikasi semua kemungkinan kombinasi di antara skenario
X1> VaRX1, X1 <VaRX1, X2> VaRX2, X2 <VaRX2,
Y1> VaRY1, Y1 <VaRY1, Y2> VaRY2, Y2 <VaRY2,
kita dapat menyimpulkan bahwa ukurannya tidak subadditif ketika:
• jumlah komponen sesuai dan sedemikian rupa sehingga:
Xi + Yi> VaRXi
+ VaRYi
∀i = 1, 2,
dengan komponen sumbang paling banyak satu vektor;
• jumlah komponen sesuai dan sedemikian rupa sehingga:
Xi + Yi> VaRXi
+ VaRYi
95
∀i = 1, 2,
dengan kedua vektor yang memiliki komponen yang sesuai, tetapi dengan tanda
yang berbeda: yaitu,
Xi> (<) V aRXi dan Yi <(>) VaRYi
∀i;
• Xi> VaRXi dan Yi> VaRYi
∀i secara bersamaan.
Oleh karena itu, dalam kasus ini, ukuran mencerminkan struktur ketergantungan
vektor
terlibat.
6 Kesimpulan
Dalam makalah ini kami telah mengusulkan kerangka matematika untuk
pengenalanmultivariatemungkinan risiko. Setelah mempertimbangkan sifat-sifat
utama ukuran vektorSeharusnya, dan mengingat beberapa pesanan stokastik, kami
telah menggariskan hasil kamilangkah-langkah risiko multivariat. Pertama-tama,
kami telah menyamaratakan teori tentang terdistorsilangkah-langkah risiko untuk
kasus multivariat, memberikan hasil representasi bagi merekalangkah-langkah
yang subadditive dan mendefinisikan vektor VaR dan CVaR. Kemudian, kami
punyamemperkenalkan newriskmeasure, yang disebut Product Stop-Loss
Premium, melalui definisinya,sifat-sifat utamanya dan hubungannya dengan
kerangka kerja dan konkordansi KV.Ukuran ini memungkinkan kami juga
mengusulkan pesanan stokastik baru. Kita dapat mengamati bahwa,
dalamliteratur, ada upaya lain untuk mempelajari langkah-langkah risiko
multivariat, kami mengutip untukcontoh [1–3, 7] dan [9], tetapi mereka semua
mendekati argumen dari berbagai titikmelihat. Memang, [9] adalah karya pertama
yang berurusan dengan langkah-langkah risiko terdistorsi multivariat,tetapi hanya
mewakili garis besar untuk pengembangan lebih lanjut, seperti yang telah kami
lakukan dikerja sekarang.Baru-baru ini, studi tentang langkah-langkah risiko telah
berfokus pada mengecilkan definisi tersebutproperti yang mudah digunakan untuk
pengukuran risiko, untuk mewakili lebih banyak lagisetia, atau pada generalisasi
ruang yang mengumpulkan vektor acak
96
Menilai persepsi risiko dengan menggunakan model ordinal
Paola Cerchiello, Maria Iannario, dan Domenico Piccolo
Abstrak. Makalah ini menyajikan model campuran diskrit sebagai pendekatan

yang cocok untuk analisis
data tentang persepsi risiko, ketika mereka diungkapkan dengan cara skor yang
dipesan
(peringkat). Model, yang merupakan hasil dari perasaan pribadi (persepsi risiko)
terhadap
objek dan ketidakpastian yang melekat dalam pilihan nilai ordinal tanggapan,
mengurangi
informasi kolektif, mensintesis dimensi risiko yang berbeda terkait dengan

domain yang telah dipilih sebelumnya.
Setelah pengantar singkat untuk manajemen risiko, penyajian model CUB dan
terkait
masalah inferensial, kami mengilustrasikan studi kasus tentang persepsi risiko

untuk pekerja a
pabrik percetakan.
Kata kunci: persepsi risiko, model CUB, data ordinal
1. Perkenalan
Selama seperempat abad terakhir, para peneliti telah secara intensif mempelajari
risiko dari
banyak perspektif. Bidang analisis risiko telah berkembang pesat, dengan fokus
pada isu-isu
97
penilaian risiko dan manajemen risiko. Yang pertama melibatkan identifikasi,

kuantifikasi
dan karakterisasi ancaman yang dihadapi di berbagai bidang mulai dari kesehatan
manusia
ke lingkungan melalui berbagai aktivitas kehidupan sehari-hari (yaitu, bank,

asuransi, ITintensif
masyarakat, dll.). Sementara itu, manajemen risiko berfokus pada proses

komunikasi,
mitigasi dan pengambilan keputusan. Dalam penggunaan normal, gagasan "risiko"
memiliki konotasi negatif dan melibatkan aspek yang tidak disengaja dan acak.
Bahkan,
analisis konseptual dari konsep risiko menghilang dari definisi statistik murni
(obyektif) ke gagasan berdasarkan representasi pikiran (subyektif). Pada konteks

ini,
persepsi risiko memainkan peran penting dalam proses keputusan orang, di
merasakan bahwa perilaku yang berbeda tergantung pada evaluasi persepsi risiko
yang berbeda. Kedua
perbedaan individu dan kelompok telah terbukti terkait dengan perbedaan
dalam persepsi risiko relatif opsi pilihan, daripada dengan perbedaan
sikap terhadap (dirasakan) risiko, yaitu, kecenderungan untuk mendekati atau

menghindari opsi
dianggap sebagai berisiko [23, 24]. Risiko secara subjektif ditentukan oleh
individu dan dipengaruhi
oleh beragam faktor psikologis, sosial, kelembagaan dan budaya

98
[22]. Namun, tidak ada konsensus mengenai hubungan antara kepribadian dan
risiko
persepsi [5].
Dimensi fundamental lain yang terkait dengan konsep risiko berkaitan dengan
dikotomi antara persepsi para ahli dan persepsi orang-orang biasa. Peran dari
ahli adalah pusat di beberapa bidang, terutama ketika data kuantitatif tidak cukup
untuk fase penilaian risiko (yaitu, dalam risiko operasional). Biasanya, pendapat
para ahli
dikumpulkan melalui kuesioner pada skala ordinal; dengan demikian beberapa

model telah
diusulkan untuk menguraikan dan mengeksploitasi hasil: agregasi linier [9],

metode fuzzy [2,
25] dan pendekatan Bayesian [4].
Kontribusi kami mengikuti jalur penelitian ini, mengusulkan kelas model statistik
mampu mengukur persepsi yang diekspresikan baik oleh para ahli atau orang
biasa. Di
khususnya kami fokus pada masalah persepsi risiko terkait dengan tempat kerja
salam untuk cedera. Dengan demikian, beberapa penelitian berfokus pada

hubungan antar organisasi
faktor dan perilaku risiko di tempat kerja [21] menunjukkan bahwa kemungkinan
cedera dipengaruhi terutama oleh variabel-variabel berikut: kondisi kerja,

pekerjaan
program pelatihan keselamatan dan kepatuhan keamanan. Rundmo [20]

menunjukkan
99
bagaimana kemungkinan cedera di tempat kerja terkait dengan persepsi frekuensi

risiko
dan eksposur.
2 model CUB: deskripsi dan penyimpulan
Seorang peneliti dihadapkan dengan sejumlah besar data mentah ingin

mensintesisnya dengan cara
yang menjaga informasi penting tanpa terlalu banyak distorsi. Tujuan utama dari
pemodelan statistik adalah untuk meringkas sejumlah besar data dalam struktur
sederhana
dan dengan beberapa parameter. Dengan demikian, penting untuk diingat trade-off
antara
akurasi dan kekikiran. Dalam konteks ini kami menyajikan reduksi data yang
inovatif
teknik dengan cara model statistik (CUB) mampu memetakan hasil yang berbeda
ke dalam
ruang parametrik dan untuk memodelkan pilihan / persepsi yang berbeda dan
berbobot masing-masing
pengambil keputusan.
Model CUB, pada kenyataannya, dikhususkan untuk menghasilkan struktur

probabilitas yang memadai untuk
menafsirkan, menyesuaikan dan meramalkan tingkat persepsi subjek dari

"stimulus" yang diberikan (risiko, sensasi,
opini, persepsi, kesadaran, penghargaan, perasaan, rasa, dll.). Semua saat ini
100
teori pilihan di bawah risiko atau ketidakpastian mengasumsikan bahwa orang

menilai keinginan tersebut
dan kemungkinan hasil yang mungkin dari alternatif pilihan dan mengintegrasikan
informasi ini
melalui beberapa jenis kalkulus berbasis harapan untuk mencapai suatu

keputusan. Sebaliknya, itu
pendekatan model CUB dimotivasi oleh penyelidikan langsung dari psikologis
proses yang menghasilkan pilihan manusia [15].
Umumnya, pilihan - diturunkan oleh persepsi risiko - adalah kualitatif
(kategoris) alam dan model statistik klasik diperkenalkan untuk fenomena

berkelanjutan
tidak cocok atau tidak efektif. Dengan demikian, data kualitatif dan ordinal
membutuhkan
metode khusus untuk menghindari ketidaksesuaian dan / atau hilangnya efisiensi

dalam analisis nyata
data. Dengan struktur ini, kami menyelidiki kemungkinan model yang

menghasilkan interpretable
hasil dan cocok. Ini decode variabel acak diskrit (MUB, diperkenalkan olehD'Elia
dan Piccolo [8]) dan kami menggunakan model CUB ketika kami mengaitkan
tanggapan ke subjek '
kovariat. Kehadiran distribusi Binomial Seragam dan bergeser dan
pengenalan Kovariat membenarkan CUB akronim. Model ini menggabungkan

pribadi
perasaan (kesadaran risiko) terhadap objek dan ketidakpastian yang melekat

dalam pilihan
101
dari nilai ordinal tanggapan ketika orang dihadapkan dengan pilihan yang
berbeda.
Hasil untuk menafsirkan tanggapan penilai adalah model campuran untuk dipesan
data di mana kita berasumsi bahwa peringkat r adalah realisasi dari variabel acak
R itu
adalah campuran dari variabel acak Seragam dan bergeser Binomial (keduanya
didefinisikan pada
supportr = 1, 2, ..., m), dengan distribusi probabilitas:
Pr (R = r) = π (m − 1 r − 1) (1 - ξ) r − 1
ξ m − r + (1 - π)
m, r = 1, 2, ..., m. (1)
Parameter π ∈ (0, 1] dan ξ ∈ [0, 1], dan model didefinisikan dengan baik untuk
diberikan m> 3.
Hipotesis risiko-sebagai-perasaan mendalilkan bahwa tanggapan terhadap situasi

berisiko (termasuk
pengambilan keputusan) menghasilkan bagian dari emosional langsung (yaitu,

tidak dimediasi dengan benar)
pengaruh, termasuk perasaan seperti khawatir, takut, takut, atau cemas. Jadi, itu
komponen pertama, kesadaran perasaan-risiko, dihasilkan oleh variabel acak

kontinu
yang diskretasinya diungkapkan oleh distribusi Binomial bergeser. Pilihan ini

102
dimotivasi oleh kemampuan distribusi diskrit ini untuk mengatasi beberapa yang
berbeda
bentuk (kemiringan, kerataan, simetri, mode menengah, dll.). Apalagi sejak itu
risiko adalah variabel laten kontinu diringkas dengan baik oleh distribusi
Gaussian, yang
bergeser Binomial adalah variabel acak diskrit unimodal nyaman pada dukungan
{1, 2, ..., m}.
Pada saat yang sama, keadaan perasaan didalilkan untuk menanggapi faktor,
seperti
kesegeraan risiko, yang tidak masuk ke evaluasi kognitif risiko dan juga
menanggapi probabilitas dan nilai hasil dengan cara yang berbeda dari jalan
di mana variabel-variabel ini masuk ke dalam evaluasi kognitif. Jadi, komponen

kedua,
ketidakpastian, tergantung pada komponen / nilai spesifik (pengetahuan,

ketidaktahuan,
kepentingan pribadi, keterlibatan, waktu yang dihabiskan untuk memutuskan)

tentang orang-orang. Sebagai konsekuensi,
tampaknya masuk akal untuk mengekspresikannya dengan variabel acak Uniform

diskrit. Dari
Tentu saja, campuran (1) memungkinkan persepsi dari setiap orang untuk
dibebani dengan hormat
ke distribusi ekstrim ini. Memang, hanya jika π = 0 apakah seseorang bertindak

sebagai termotivasi
103
oleh ketidakpastian total; sebaliknya, dalam situasi nyata, kuantitas (1 - π)

mengukur
kecenderungan masing-masing responden terhadap ketidakpastian maksimal.
Karakterisasi penting dari pendekatan ini adalah bahwa kita dapat memetakan satu
set yang diekspresikan
peringkat ke model perkiraan melalui (π, ξ) parameter. Jadi, yang diamati
situasi kompleks preferensi / pilihan mungkin hanya terkait dengan satu titik
ruang parametrik.
Dalam konteks ini, masuk akal untuk menganggap bahwa komponen utama
pilihan
mekanisme berubah dengan karakteristik subyek (kovariat). Dengan demikian,

model CUB
dapat menyertakan variabel penjelas yang merupakan karakteristik subjek dan

yang
mempengaruhi posisi pilihan respons yang berbeda. Sangat menarik untuk

menganalisis
nilai-nilai parameter yang sesuai dikondisikan ke nilai-nilai kovariat.
Bahkan, solusi yang lebih baik diperoleh ketika kami memperkenalkan kovariat
untuk berhubungan
perasaan dan ketidakpastian terhadap karakteristik subjek. Umumnya, kovariat

meningkat
model yang pas, membedakan antar sub populasi dan mampu
untuk membuat prediksi yang lebih akurat. Selain itu, keadaan ini harus
meningkatkan
104
interpretasi estimasi parameter dan diskusi tentang kemungkinan skenario.
Mengikuti paradigma umum [14, 18], kita menghubungkan parameter π dan ξ ke
kovariat subyek melalui fungsi logistik. Pemetaan yang dipilih adalah yang paling
sederhana
salah satu di antara banyak transformasi variabel nyata ke dalam interval unit dan
a
posteriori itu memberikan bukti kemudahan penafsiran untuk masalah yang akan
kita hadapi
berdiskusi.
Ketika kami memperkenalkan kovariat ke dalam variabel acak MU B, kami

mendefinisikan ini
struktur sebagai CUB (p, q) model yang dicirikan oleh vektor parameter umum θ
=
(π, ξ)? melalui pemetaan logistik:
(π | y
saya
)=1
1+e
−yi
β; (ξ | wi) = 1
1 + e − wi γ; i = 1, 2, ..., n. (2)
Di sini, kami menunjukkan dengan yi dan wi kovariat subjek untuk menjelaskan

πi dan ξi,
105
masing-masing. Perhatikan bahwa (2) memungkinkan pertimbangan model tanpa

kovariat
(p = q = 0); Selain itu, rangkaian kovariat yang signifikan mungkin atau tidak
dapat hadir
beberapa tumpang tindih [11, 13, 19].
Akhirnya, masalah inferensial untuk model CUB ditangani oleh kemungkinan

maksimum
(ML) metode, mengeksploitasi algoritma E-M [16, 17]. Inferensi asimtotik terkait
dapat diterapkan menggunakan varians perkiraan dan matriks kovarian dari ML
estimator [14]. Pendekatan ini telah berhasil diterapkan di beberapa bidang,

khususnya
dalam kaitannya dengan evaluasi barang dan jasa [6] dan bidang analisis lainnya
seperti analisis sosial [10, 11], obat [7], studi sensometri [19] dan linguistik
[1].
Model yang kami perkenalkan mampu menyesuaikan dan menjelaskan perilaku a
variabel peringkat univariat sementara kita menyadari bahwa ekspresi peringkat

lengkap
daftar objek m / item / layanan oleh n subyek harus memerlukan pengaturan

multivariat.
Dengan demikian, analisis yang akan dikejar dalam makalah ini harus ditafsirkan
sebagai marginal
jika kita mempelajari distribusi peringkat dari satu item tanpa referensi ke jajaran
diekspresikan terhadap yang tersisa.

106
Kemudian di bagian berikutnya, kami menganalisis berbagai item dan cedera;
setelah itu kami mengusulkan peta kompleks yang merangkum informasi penting
tanpa distorsi atau ketidakakuratan.
3 Menilai persepsi risiko: beberapa bukti empiris
3.1 Analisis data
Sebuah studi cross-sectional dilakukan di sebuah pabrik percetakan di Italia Utara
yang memproduksi katalog, buku, dan reproduksi karya seni. Staf dari
pabrik terdiri dari 700 karyawan (300 pekerja kantor dan 400 pekerja kerah biru).
Studi ini berfokus pada populasi kerah biru dari enam departemen yang berbeda,
masing-masing
berurusan dengan proses industri tertentu. Subjek dalam kelompok didistribusikan
di antara enam unit berikut, yang kegiatan utamanya juga dijelaskan. Di Piring
departemen, pekerja harus mengatur pelat dan silinder yang digunakan selama
operasi pencetakan
dan kemudian dilakukan di departemen Rotogravure dan Offset. Kemasan
departemen bertanggung jawab atas penjilidan buku dan operasi pengemasan,

sedangkan
Departemen tanaman mengoperasikan beberapa sistem (misalnya, listrik dan

hidrolik) dan menyediakan
layanan (misalnya, penyimpanan dan pembuangan limbah) yang mendukung sisi

produksi
perusahaan. Terakhir, pekerja departemen Pemeliharaan melakukan serangkaian

operasi
107
terhubung dengan pemantauan dan memperbaiki fungsi peralatan yang berbeda
tanaman.
Dengan tujuan mempelajari persepsi risiko cedera di antara pekerja perusahaan,
"Kuesioner Persepsi Risiko Kerja yang terstruktur" dikembangkan. Kuesioner
meminta responden untuk menyatakan pendapat mereka tentang serangkaian

faktor risiko
hadir di tempat kerja mereka. Skala Likert 7 poin digunakan untuk memancing
jawaban para pekerja
yang rentangnya ditafsirkan sebagai: 1 = "risiko rendah yang dirasakan"; 7 =

“dianggap tinggi
risiko". Selain itu, kami memberi perhatian khusus pada karakteristik sosio-
demografi
seperti 'jenis kelamin' (variabel dikotomi '0' = pria dan '1 ’= wanita),‘ jumlah kerja
tahun dalam perusahaan (variabel kontinyu mulai dari 1 hingga 30) dan 'jenis
injury ’(variabel dikotomi '0’ = bukan cedera parah dan ’1’ = cedera parah).
Akhirnya,
n = 348 kuesioner divalidasi dikumpulkan.
3.2 Kontrol dan ukur persepsi risiko: sebuah peta
Seperti yang telah dibahas, kami membangun kelas model untuk mengevaluasi,
mengontrol, dan mengukur
persepsi risiko dan, sarana kegiatan pemantauan, untuk menginformasikan para

pemangku kepentingan
arah kebijakan baru. Dalam hal ini kami menampilkan peta sintesis yang
mengandung
108
seluruh informasi terkait dengan dimensi risiko yang berbeda.
Pada Gambar 1 kita merencanakan setiap item reaksi perasaan dan ketidakpastian
yang diekspresikan
oleh orang. Kita dapat mengamati bahwa ketidakpastian terkonsentrasi antara 0

dan 0,6, a
kisaran yang menunjukkan tingkat ketidaktegasan yang tinggi. Ciri khas dari
perasaan, bagaimanapun, adalah
diperpanjang di seluruh ruang parametrik. Kedua aspek mengilustrasikan

bagaimana tanggapannya
berinteraksi untuk menentukan perilaku. Selain itu, kami memperdalam beberapa

aspek spesifik dari risiko terkait
fenomena yang dianggap lebih menarik.
Dalam kasus kontrol, misalnya, kita dapat mengamati perilaku dikotomi:
sensitivitas kurang untuk cedera seperti mata-luka, memukul, bergerak mesin

bentrokan (di ini
kasus orang sepertinya tidak meminta kontrol lebih banyak), dan lebih banyak
untuk cedera lain di mana
orang, pada skala risiko mereka, mempertimbangkan aspek kontrol sebagai

variabel yang masuk akal untuk
memperbaiki kondisi pekerjaan mereka.
Sebaliknya, evaluasi yang menarik disebut sebagai pelatihan, karena dianggap

sebagai
variabel penting dari survei. Kurang bukti muncul untuk barang-barang lainnya
dibagi di antara
109
tingkat yang berbeda dan perkiraan yang tersebar di ruang parametrik.
Fig. 1. Assessing risk perception: a map of items. 1=Structural Collapse (SC),

2=Short Circuit (SH), 3=Moving Machinery Clash (MC), 4=Eye Wound (EW),
5=Collision (CO), 6=Fire/Explosion (FE), 7=Slipping (SL), 8=Strain (ST), 9=Cut
(CU), 10=Hit (HI) 3.3 Perception of fire/explosion risk In this context we analyse
the degree of danger, a principal item in measuring risk perception and we focus
on the responses of samples with respect to fire/explosion risk. More specifically,
we consider the degree of danger that people perceive with respect to fire risk and
we connect it with some covariates. In this kind of analysis, sensible covariates
have to be introduced in the model by means of a stepwise strategy where a
significant increase in the log-likelihoods (difference of deviances) is the criterion
to compare different models. In order to simplify the discussion, we present only
the full model and check it with respect to a model without covariates.
Pada Tabel 1 kami daftar estimasi parameter CUB (0,3) dengan jenis kelamin
(Gen),
tahun kerja (Tahun) dan cedera serius (Serinj) sebagai kovariat yang masuk akal.
Fungsi log-likelihood dari CUB (0,0) dan CUB (0,3) model perkiraan adalah? 00
=
−660.07 dan? 03 = −651.81, masing-masing. Sebagai akibatnya, model dengan

kovariat
menambahkan informasi luar biasa ke mekanisme penghasil data sejak itu
2 ∗ (? 03 -? 00) = 16,52 sangat signifikan jika dibandingkan dengan χ2
0,05 = 7,815
persentil dengan g = 3 derajat kebebasan.
Kami dapat mengekspresikan parameter perasaan sebagai fungsi kovariat di

bawah ini
110
cara:
ξi = 1
1 + e − 1.515−1.029 Geni +0.032 Y eari +0.928 Serinji
, saya = 1, 2, ..., n, (3)
yang mensintesis persepsi bahaya kebakaran / risiko ledakan sehubungan dengan
kovariat terpilih. Lebih khusus lagi, persepsi ini meningkat untuk pria dan bagi
mereka
yang telah bekerja selama bertahun-tahun (proksi pengalaman) dan menurun

untuk bagian tersebut
sampel yang tidak menderita kecelakaan serius. Untuk penafsiran yang benar, itu
harus diingat bahwa jika item diberi skor (sebagai suara, meningkat dari 1 hingga
m sebagai
Menyukai meningkat) maka (1 - ξ) harus dianggap sebagai ukuran preferensi yang

sebenarnya
[10]. Meskipun nilai responsnya bukan metrik (karena berasal dari kualitatif
penilaian), mungkin berguna untuk tujuan komparatif untuk menghitung nilai

yang diharapkan
R, karena ini terkait dengan proxy kontinyu yang menghasilkan persepsi risiko.
Lebih khusus lagi, Gambar 2 menunjukkan harapan dan hubungannya dengan

yang bervariasi
tahun-tahun kerja dan untuk semua profil gender dan cedera serius.
4. Kesimpulan
111
Dalam makalah ini, kami memperoleh beberapa hasil tentang kesimpulan

langsung pada perasaan / risiko
kesadaran dan ketidakpastian parameter melalui model CUB dengan dan tanpa
kovariat. Percobaan menegaskan bahwa pendekatan statistik baru ini memberi

perbedaan
perspektif tentang evaluasi proses dan mekanisme psikologis itu
menghasilkan / mempengaruhi persepsi risiko pada orang. Hasilnya menunjukkan

bahwa model CUB adalah aalat yang cocok dan fleksibel untuk memeriksa dan
mengukur perubahan tanggapan
satu atau lebih kovariat kategorikal dan / atau berkelanjutan, dan mereka
memberikan wawasan yang lebih mendalam
ke dalam jenis dataset ini. Mereka juga mengizinkan ringkasan banyak informasi
dan beberapa evaluasi yang menarik dari poin-poin spesifik yang diselidiki ketika
kovariat berada
keduanya absen dan hadir.
Selain itu, kami menekankan bahwa model yang diusulkan adalah pendekatan
target berlipat ganda: pada kenyataannya,
itu dapat diterapkan secara menguntungkan ke berbagai bidang, mulai dari kredit
dan operasional
risiko [3] terhadap risiko reputasi dan churn. Akhirnya, ini merupakan alat yang
meyakinkan untuk dieksploitasi
pendapat yang diungkapkan oleh para ahli lapangan.
Pengakuan. Masalah metodologis dan perangkat lunak terkait sebagian didukung

oleh
112
2006 PRIN-MIUR proyek penelitian: "Stima e verifica di modelli statistici per

l’analisi della
soddisfazione degli studenti universitari ”.
Referensi
1. Balirano, G., Corduas, M .: Mendeteksi humor semiotika yang diungkapkan

dalam produksi tv diaspora.
Humor: Int. J. Humor Res. 3, 227–251 (2008)
2. Bonafede, E.C., Cerchiello, P., Giudici, P: Sebuah proposal untuk fuzzification

variabel kausal,
dalam manajemen risiko operasional. Quaderni di Dipartimento di Statistica 44

(2007)
3. Bonafede, E.C., Cerchiello, P., Giudici, P .: Model statistik untuk

Kesinambungan Bisnis
Pengelolaan. J. Oper. Man Risiko. 2, 79–96 (2007)
4. Bonafede, E.C., Giudici, P .: Jaringan Bayesian untuk penilaian risiko

perusahaan. Phys. SEBUAH
Stat. Mech. Appl. 382, 22-28 (2007)
5. Bromiley, P., Curley, S.P .: Perbedaan individu dalam pengambilan risiko.

Dalam: Yates, F. (ed.) RiskTaking
Tingkah laku. hlm. 87–132. Wiley, New York (1992)
Menilai risiko perception
6. Corduas, M .: Sebuah studi tentang pendapat mahasiswa tentang kualitas

mengajar: sebuah model
113
berdasarkan pendekatan untuk pengelompokan data. Dalam Proceedings of

DIVAGO Meeting, University of
Palermo (2008)
7. D’Elia, A .: Pendekatan pemodelan statistik untuk analisis data nyeri kronis

TMD.
Stat. Meth. Med. Res. 17, 389–403 (2008)
8. D’Elia, A., Piccolo, D .: Model campuran untuk analisis data preferensi.

Comput. Stat. Data
Anal. 49, 917-934 (2005)
9. Godo, L., Torra, V .: Pada operator agregasi untuk informasi kualitatif ordinal.
Kabur
Syst. 8, 143–154 (2000)
10. Iannario, M .: Pendekatan statistik untuk memodelkan Survei Persepsi Audit

Perkotaan. Quad.
Stat. 9, 149–172 (2007)
11. Iannario, M .: Kelas model untuk variabel ordinal dengan efek kovariat. Quad.
Stat.
10, 53–72 (2008)
12. Iannario, M .: Variabel dummy dalam model CUB. Statistica 2 (2008) di

media cetak
13. Iannario, M., Piccolo, D: Model statistik baru untuk analisis kepuasan
pelanggan.
Teknologi Kualitas dan Manajemen Kuantitatif (2009) di media
14. King, G., Tomz, M., Wittenberg, J .: Membuat analisis statistik: meningkatkan
114
interpretasi dan presentasi. Saya. J. Pol. Sci. 44, 341–355 (2000)
15. Loewenstein, F., Hsee, C.K., Weber, U., Welch, N., Risiko sebagai perasaan.
Psikol. Banteng. 127,
267–286 (2001)
16. McLachlan, G., Krishnan, G.J .: Algoritma EM dan Ekstensi. Wiley, New
York
(1997)
17. McLachlan, G., Peel, G.J .: Model Campuran Terbatas. Wiley, New York
(2000)
18. Piccolo, D: Mengamati matriks informasi untuk model MUB. Quad. Stat. 8,
33-78 (2006)
19. Piccolo, D., D’Elia, A .: Pendekatan baru untuk memodelkan preferensi

konsumen. Makanan
Qual. Pref. 19, 247–259 (2008)
20. Rundmo T .: Persepsi risiko dan keamanan pada platform minyak lepas pantai
Bagian 1: persepsi
risiko. Saf. Sci. 15, 39-52 (1992)
21. Rundmo, T .: Hubungan antara persepsi risiko dan keamanan. Saf. Sci. 24,
197–209 (1996)
22. Slimak, M.W., Dietz, T: Nilai-nilai pribadi, keyakinan, dan persepsi risiko
ekologis. Risiko
Anal. 26, 1689–1705 (2006)
23. Weber, E.U .: Kepribadian dan pengambilan risiko. Dalam: Smelser, N.J.,
Baltes, P.B. (eds.): Internasional
115
Ensiklopedia Ilmu Perilaku Sosial. Oxford, UK: Elsevier Science Limited
11274-11276 (2001)
24. Weber, E.U., Millman, R .: Sikap risiko yang dirasakan: menghubungkan

persepsi risiko dengan pilihan yang berisiko.
Ilmu Manajemen 43, 122–143 (1997)
25. Yu D., Park, W.S .: Kombinasi dan evaluasi pendapat ahli yang dicirikan
dengan istilah
probabilitas fuzzy. Ann. Energ Nuklir. 27, 713–726 (2000)
Analisis keuangan dinamika surplus untuk
skema hidup yang ditangguhkan ∗
Rosa Cocozza, Emilia Di Lorenzo, Albina Orlando, dan Marilena Sibillo
Abstrak. Makalah ini menyelidiki dinamika keuangan evolusi surplus dalam kasus
ini
116
skema kehidupan yang ditangguhkan, untuk mengevaluasi laba terdistribusi dan

yang diharapkan
kejadian terburuk untuk surplus portofolio. Evaluasi didasarkan pada formulasi

yang ringkas
dari surplus asuransi didefinisikan sebagai perbedaan antara aset yang masih harus
dibayar dan nilai sekarang dari
kewajiban yang relevan. Analisis dinamik dilakukan dengan menggunakan

simulasi Monte Carlo
untuk memberikan penilaian dari tahun ke tahun. Analisis ini diterapkan pada
skema kehidupan yang ditangguhkan
contoh, mengingat bahwa kontrak yang dipilih merupakan dasar bagi banyak
asuransi jiwa
kebijakan dan rencana pensiun. Evaluasi dimasukkan ke dalam pengambilan

keputusan manajemen aset dan tanggung jawab
konteks, di mana hubungan antara laba dan risiko dibandingkan secara berurutan
untuk mengevaluasi fitur utama dari seluruh portofolio.
Kata kunci: risiko keuangan, solvabilitas, asuransi jiwa
1. Perkenalan
Makalah ini menyelidiki dinamika keuangan dari analisis surplus dengan tujuan
akhir
melakukan perincian penghasilan yang dapat didistribusikan. Pertanyaannya,

dimasukkan ke dalam
konteks manajemen aset dan kewajiban, ditujukan untuk mengevaluasi dan

membangun semacam
117
anggaran penghasilan yang dapat didistribusikan, mengingat informasi terkini.

Untuk tujuan ini, a
rekonstruksi umum seluruh surplus dilakukan dengan cara analitis
kerusakan sudah sepenuhnya dikembangkan di tempat lain [1], dan karakteristik

utamanya adalah
perhitungan hasil dari portofolio, bahwa aktuaris akan memenuhi syarat sebagai
surplus,
akuntan sebagai pemasukan dan ekonom sebagai laba.
Analisis ini dikembangkan dengan tujuan mengevaluasi berapa bagian setiap

tahun
penghasilan dapat didistribusikan tanpa mengorbankan hasil di masa mendatang.

Bagian ini hanya a
semacam tingkat minimum penghasilan terdistribusi yang dapat berfungsi sebagai

dasar untuk bisnis
keputusan dan yang dapat dengan mudah diperbarui dari tahun ke tahun seiring
dengan perubahan kondisi pasar.
Kemudian model formal diterapkan pada kelompok anuitas hidup dalam konteks
stokastik diuntuk memberi contoh potensi model. Dalam skripsi ini skema yang
ditangguhkan adalah
dipilih mengingat bahwa mereka dapat dianggap sebagai dasar bagi banyak
asuransi jiwa
kebijakan dan rencana pensiun. Kendati demikian, model dapat diterapkan,

mengingat yang diperlukan
penyesuaian, untuk setiap jenis kontrak serta portofolio non-homogen.
Sisa kertas diatur sebagai berikut. Bagian 2 memperkenalkan yang logis

118
latar belakang model itu sendiri, sementara Bagian 3 memisahkan kerangka

matematika
dan aplikasi komputasi. Bagian 4 mengomentari hasil numerik
diperoleh dan Bagian 5 menyimpulkan.
2 Modelnya
Sebagaimana dinyatakan [1], surplus kebijakan diidentifikasi oleh perbedaan

antara
nilai sekarang dari hasil bersih masa depan perusahaan asuransi dan arus (modal)
yang dibayarkan
oleh tertanggung. Kerusakan ini dievaluasi dari tahun ke tahun dengan maksud
untuk mengkompilasi
akun prospektif penuh dari dinamika surplus. Dalam kasus portofolio biasa
analisis, surplus awal diberikan oleh pembebanan yang diterapkan pada premi
murni; dalam
kasus analisis garis bisnis, surplus awal, ditetapkan seperti yang dinyatakan,
didorong oleh
modal awal yang dialokasikan ke lini bisnis atau portofolio produk.
Nilai surplus awal, dalam kedua kasus, dapat dianggap sebagai modal awal yang
tepat
yang dinamisnya harus dieksplorasi dengan tujuan menetapkan skema umum

yang dapat didistribusikan
dan penghasilan yang tidak dapat dibagikan. Lebih khusus, mengingat itu di awal
dari urusan surplus awal ditetapkan sebagai S0, calon t-outcome masa depan,
ditentukan
119
sebagai St, dapat dievaluasi dengan menggunakan hasil simulasi untuk menilai
kasus terburuk yang diberikan a
tingkat probabilitas tertentu atau interval keyakinan.
Membangun hasil ini, dengan menggunakan model yang dipilih dan Monte Carlo
simulasi (lihat Bagian 3), memberikan kita hasil lengkap di masa depan
akhir setiap periode t. Nilai-nilai ini tidak tergantung pada jumlah sebelumnya
penghasilan terdistribusi. Hasil tersebut dengan probabilitas kejadian lebih rendah

dari
nilai ambang (terkait dengan interval keyakinan yang dipilih) memainkan peran
terburuk
skenario kasus dan rata-rata mereka dapat dianggap sebagai kejadian terburuk
yang diharapkan
sesuai dengan tingkat kepercayaan tertentu ketika diperlakukan sebagai Bersyarat
Value-at-Risk (CVaR). Pada akhirnya, untuk setiap periode waktu, kita berakhir
dengan lengkap
penggambaran surplus melalui seperangkat hasil yang lengkap, yang ditentukan

oleh keduanya diharapkan
nilai dan CVaR yang sesuai.
• rasio CVaR St dikurangi St − 1 terhadap hasil t - 1 dapat dianggap sebagai
Return on Surplus (RoS) terburuk yang diharapkan untuk tingkat kepercayaan

yang dipilih.
Kesimpulan analog dapat disimpulkan ketika analisis tersebut mengacu pada lini
bisnis
120
dan surplus ditingkatkan oleh modal yang dialokasikan: interpretasi hasilnya

adalah
serupa dan bahkan lebih jelas, karena rasio terakhir adalah laba atas investasi yang
diharapkan terburuk.
Dari sudut pandang metodologis, kami ingin menekankan bahwa analisis
dan, oleh karena itu, prosedur simulasi dapat dilakukan dengan referensi untuk
semua
faktor-faktor risiko yang relevan dengan evolusi waktu portofolio. Banyak

dinamika bisa
secara bersamaan berkontribusi pada perbedaan yang bergantung pada faktor-

faktor risiko yang terkait
baik aset di mana premi diinvestasikan dan nilai kewajiban untuk yang mana
premi yang dikapitalisasi ditangguhkan. Bersama dengan dinamika demografis,

yang paling penting
faktor penting adalah sifat dari aset: jika ini adalah keuangan, risiko yang dihadapi
akan
terutama keuangan, mereka akan bergantung langsung pada jenis aset dan tidak
akan memilikinya
relevansi otonom. Selain itu, inti masalahnya adalah perbedaan antara
tingkat pengembalian total aset dan tingkat bunga yang awalnya diterapkan dalam
premium
perhitungan, sehingga dapat tepat ditujukan sebagai risiko investasi, untuk

menyoroti
sifat komposit dari driver risiko yang relevan. Pada saat yang sama, faktor-faktor
lain bisa
121
berkontribusi pada perbedaan seperti kualitas proses manajemen risiko, dengan
referensi untuk diversifikasi dan pengumpulan risiko. Ini menyiratkan bahwa

tingkat
hasil dan variabilitasnya sangat bergantung pada masing-masing elemen

perusahaan itu
melibatkan kedua faktor eksogen dan endogen.
Karena fokus kami adalah pada aspek keuangan dari analisis, kami berkonsentrasi
pada
berikut makalah hanya pada pertanyaan tentang tingkat investasi, tidak termasuk
apa pun
komponen demografi dan evaluasi risiko dari analisis kami. Ingat ini
perspektif, tingkat sebenarnya digunakan sebagai dasar untuk prosedur simulasi

harus
konsisten dengan investasi yang mendasarinya dan parameter yang digunakan

untuk menggambarkan tarif
proses harus konsisten dengan fitur portofolio aset backing. Karena itu,
setelah kami memutuskan strategi, evaluasi dikalibrasi ke nilai yang diharapkan
dan perkiraan varians dari pengembalian aset yang tepat sebagaimana ditentukan
oleh portofolio investasi.
Dengan kata lain, jika kita mengadopsi, misalnya, strategi ikatan parameter yang
relevan
akan ditaksir dari pasar obligasi, sedangkan jika kita mengadopsi investasi
ekuitas, maka
122
nilai yang relevan akan berasal dari pasar ekuitas, dan seterusnya, setelah kami
definisikan
komposisi portofolio aset.
3 Analisis surplus
3.1 Kerangka matematis
Berikut ini kami mempertimbangkan skenario stochastic yang melibatkan

keuangan dan
komponen risiko demografis yang mempengaruhi portofolio kebijakan identik

yang dikeluarkan untuk
sekelompok c yang diasuransikan berusia x yang dipermasalahkan.
Kami menunjukkan dengan Xs arus kas stochastic yang dirujuk ke setiap kontrak
pada waktu s dan oleh
Ns jumlah klaim pada waktu s, {Ns} menjadi i.i.d. dan multinomial (c, E [1s]), di
mana
variabel acak 1s mengambil nilai 1 jika kejadian yang diasuransikan terjadi, 0

sebaliknya.
Nilai bisnis pada waktu t diekspresikan oleh surplus portofolio St pada
waktu itu, itulah perbedaan stochastic dari nilai aset dan kewajiban
dinilai pada saat t. Secara umum kita bisa menulis:
St =
Ns Xse
?t
123
s δu du, (1)
dimana δu adalah kekuatan stochastic yang menarik dan Xs adalah perbedaan

antara premi
dan manfaat pada waktunya s.
Dengan asumsi bahwa variabel acak Ns saling independen secara acak
minat dan menunjukkan dengan Ft arus informasi pada saat t,
St = E [St | Ft] =
cXs E [1s] E [e
?t
s δudu]. (2)
Formula (2) dapat dengan mudah terspesialisasi dalam kasus portofolio kehidupan
yang ditunda
anuitas, dengan premi tingkat tahunan P dibayarkan setiap awal tahun untuk a
periode n tahun (n ≤ m) dan angsuran tahunan konstan, R, dibayar pada akhir

masing-masing
tahun, dibayarkan jika tertanggung masih hidup pada tanggal pembayaran yang
sesuai. Ini memegang:
St = E [St] =
cXs s px E [e
?t
124
s δu du] (3)
dimana s px menunjukkan probabilitas bahwa individu berusia x bertahan pada

usia x + s
dan
Xs =
⎪⎨
⎪⎩
P jika s <n
−R if s> m
0 jika n <s <m.
(4)
Sebagaimana dijelaskan secara luas di bagian sebelumnya, analisis surplus

menyediakan alat yang bermanfaat
untuk penilaian ekuilibrium, yang dapat disintesis oleh kasar berikut tetapi
hubungan yang bermakna dan sederhana:
Prob (St> 0) = ε. (5)
Untuk pemahaman yang lebih dalam tentang pilihan ε, lihat [1]. Dari yang lebih
umum
Perspektif, kita dapat memperkirakan Maximun loss Sα dari surplus pada

penilaian tertentu
waktu t dengan tingkat kepercayaan tetap α, didefinisikan sebagai

125
Prob (St> Sα) = α, (6)
itu adalah:
Sα = F − 1
(1 - α), (7)
F menjadi fungsi distribusi kumulatif dari St.
Berikut ini kami akan mengambil keuntungan dari prosedur simulatif untuk
menghitung
kuantil surplus yang terlibat dalam (6), mendasarkan analisis kami pada portofolio
berarti surplus pada
waktu t.
Kami fokus menangkap dampak pada posisi keuangan pada saat t - numerik
diwakili oleh surplus pada tanggal itu - dari ketidakpastian keuangan, yang
merupakan
sumber risiko sistematis, dan dengan demikian tidak bergantung pada ukuran
portofolio. Bahkan dalam hal ini
Kasus efek penyatuan tidak memiliki konsekuensi apa pun, berbeda dengan efek
sumber risiko spesifik, sebagai penyimpangan kematian yang disengaja.
Secara formal, penilaian surplus rata-rata dapat diperoleh dengan mengamati

bahwa itu
adalah mungkin untuk membangun proxy dari fungsi distribusi kumulatif dari St
sejak
(lih. [4])
126
karenanya, ketika jumlah kebijakan cenderung tak terbatas, St / c menyatu dalam

distribusi
ke variabel acak
?t=
XsE [1s] e
?t
s δudu. (8)
Dalam kasus portofolio anuitas hidup m-ditangguhkan yang dijelaskan di atas,

kami menetapkan:
dimana Kxi menandakan masa masa depan masa depan dari jaminan umur x yang
dipermasalahkan dan T
adalah jatuh tempo kontrak (T ≤ ω - x, ω menjadi usia akhir). Kami bisa

menunjukkan itu
istilah kedua di sisi kanan merupakan ketentuan matematika pada waktunya t.
3.2 Aplikasi komputasi
Sebagai aplikasi komputasi dari model sebelumnya, kami mempertimbangkan

portofolio
tahun ke-19 anuitas seumur hidup dengan periode penundaan 10 tahun yang
dikeluarkan untuk sekelompok
1000 pemegang polis laki-laki berusia 40 tahun. Portofolionya homogen, karena

diasumsikan
bahwa pemegang polis memiliki karakteristik risiko yang sama dan masa hidup di
masa depan
127
independen dan terdistribusi secara identik. Sejauh menyangkut premium,
kami membangun pemetaan arus kas mengingat premi dibayar secara berkala
pada awal setiap tahun periode penangguhan. Premium pasar memiliki
persentase pemuatan global sebesar 7% untuk kompensasi biaya, keselamatan,

dan laba. Murni
Premi dihitung dengan menerapkan 2% sebagai tingkat kebijakan dan dengan

menggunakan sebagai jangka waktu
IPS55 Italia.
Karena analisis kami berfokus pada aspek keuangan, sumber lokal tunggal dari
ketidakpastian adalah kurs spot, yang merupakan proses difusi yang dijelaskan
oleh model Vasicek
dr (t) = k (μ - r (t)) dt + σdW (t), r (0) = r0, (10)
di mana k, μ, σ dan r0 adalah konstanta positif dan μ adalah tingkat jangka

panjang. Sebagai informasi
penyaringan, kami menggunakan set informasi yang tersedia pada waktu 0.

Sebagai konsekuensinya, untuk
Misalnya, dalam menghitung arus yang terakumulasi hingga waktu t, nilai awal r0
untuk
lintasan simulasi adalah nilai yang dikenal pada waktu 0. Secara analog, dalam
mendiskon
arus periode berikutnya ke t, nilai awal dari lintasan simulasi adalah
E [rt | F0]. Estimasi parameter didasarkan pada data Euribor-Eonia dengan

kalibrasi
128
ditetapkan pada 11/04/2007 (lih. [2]), karena kami membuat hipotesis bahwa
strategi investasi
didasarkan pada investasi roll-over dalam obligasi jangka pendek, karena kita
menghadapi istilah naik
struktur. Nilai yang diperkirakan adalah μ = 4,10%, σ = 0,5% dan r0 = 3,78%.
Untuk mengevaluasi Surplus yang Diharapkan dan CVaR dalam kerangka kerja
simulasi,
kami mempertimbangkan model Vasicek untuk menggambarkan evolusi pada saat

laju global
laba atas investasi yang diterima oleh portofolio aset. Α-kuantil, qα, dari surplus
distribusi didefinisikan sebagai:
Prob {S (t) <qα} = 1 - α. (11)
Dalam prosedur simulasi kami menetapkan α = 99%. Kasus terburuk yang

diperkirakan (1 - α) adalah
diberikan oleh yang berikut:
E [worst cases (1 - α)] = (1 - α) −1
?1
qpd p, (12)
qp menjadi p-kuantil dari distribusi surplus. Persamaan terakhir adalah kemudian
rata-rata nilai lebih rendah dari α-kuantil, qα.
4 Hasil
Mengingat Bagian 2, hasil simulasi memberi kita nilai yang diharapkan

129
surplus untuk setiap periode, nilai pertama pada saat 0 menjadi perbedaan
portofolio
antara premi murni dan premium pasar. Oleh karena itu, gulir ke bawah
tabel kita dapat dengan mudah melihat evolusi kelebihan dari waktu ke waktu
bersama-sama dengan
CVaR yang sesuai.
Sejauh menyangkut waktu evolusi, surplus menunjukkan kecenderungan yang

meningkat,
yang konsisten dengan efek positif dari leverage keuangan, karena kami
berinvestasiuntuk seluruh periode waktu pada tingkat yang lebih tinggi secara
sistematis (μ = 4,10% dan
r0 = 3,78%) daripada tingkat premi (2%), sehingga menimbulkan pengembalian

aset selalu
lebih tinggi dari rata-rata pembiayaan. Sejauh menyangkut CVaR, itu

menunjukkan a
dinamis yang benar-benar konsisten dengan evolusi waktu penyediaan

matematika, seperti
orang dapat mengharapkan seperti yang telah ditunjukkan di tempat lain [3],
dinamika risiko keuangan
terutama didorong oleh perkembangan waktu penyediaan matematika. Dengan

demikian, waktunya
evolusi RoS, sebagaimana didefinisikan dalam Bagian 2, secara langsung

dipengaruhi oleh matematika
ketentuan dan nilai absolutnya, sebagaimana dapat dilihat dengan mudah,

tergantung pada kepercayaan diri
130
tingkat yang dipilih. Sejauh berkaitan dengan dinamika cadangan, kami
dapat menyatakan bahwa baik DS dan ROE yang diharapkan terburuk terbukti
sepenuhnya konsisten dengan
ide tradisional dan pragmatis bahwa semakin rendah cadangan semakin tinggi
risikonya
bisnis. Oleh karena itu, laba yang dapat didistribusikan dapat dikuantifikasi dan
dikelola, melalui
pendekatan ini, untuk meminimalkan kemungkinan kehancuran atas dasar

keduanya secara umum
strategi investasi dan kondisi pasar khusus yang tersedia pada saat masalah.
5 Kesimpulan dan prospek penelitian masa depan
Model sketsa terbukti menjadi cara untuk mengukur jumlah pendapatan yang
didistribusikan
tahun ke tahun dengan mengacu pada portofolio kebijakan tertentu karena

memberikan peluang
untuk membangun anggaran distribusi yang lengkap. Karena kami hanya

berkonsentrasidinamika keuangan, perluasan pertama adalah dimasukkannya
demografi
komponen dan pemodelan dinamika surplus dengan cara juga stokastik
tingkat demografis, untuk memasukkan, jika perlu, sistematis dan
komponen tidak sistematis. Perluasan lain bisa menjadi evaluasi di seluruh

rangkaian
interval kepercayaan kritis untuk berakhir dengan tabel DS double-entry
di mana definisi tingkatnya dapat diwujudkan melalui berbagai tingkatan

131
probabilitas, untuk mengontrol bagaimana jumlah terdistribusi aktual dapat

mempengaruhi
kinerja masa depan portofolio.
Referensi
1. Cocozza, R., Di Lorenzo, E .: Solvabilitas perusahaan asuransi jiwa:

methodologicalissues.
J. Praktik Aktuaria 13, 81–101 (2006)
2. Cocozza, R., Orlando, A .: Pengambilan keputusan dalam keuangan terstruktur:

kasus risiko yang disesuaikan
evaluasi kinerja. Dalam: Prosiding Konferensi Internasional IV tentang

Komputasi
dan Ilmu Manajemen, 20-22 April 2007, http://www.cms2007.unige.ch/
3. Cocozza, R., Di Lorenzo, E., Sibillo, S .: Nilai saat ini dari ketentuan
matematika:
prospek risiko keuangan. Masalah. Persp. Pria. 5 (2007)
4. Lisenko, N., Parker, G .: Stochastic analisis surplus asuransi jiwa. Prosiding

“AFIR
Kolokium ”, Stockholm 2007
Memeriksa pasar keuangan melalui hukum Benford: the
Casing S & P 500
Marco Corazza, Andrea Ellero, dan Alberto Zorzi
Abstrak. Secara umum, di pasar keuangan tertentu, distribusi probabilitas

signifikan pertama
132
digit harga / pengembalian aset yang tercantum di sini mengikuti hukum Benford,
tetapi tidak
harus mengikuti distribusi ini jika terjadi kejadian yang tidak biasa. Dalam
makalah ini kami menyelidiki
distribusi probabilitas empiris dari digit signifikan pertama dari kutipan saham S
& P 500.
Analisis ini berjalan sepanjang tiga langkah. Pertama, kami mempertimbangkan

distribusi probabilitas keseluruhan
selama periode penyelidikan, memperoleh hasil bahwa pada dasarnya mengikuti

hukum Benford,
yaitu, bahwa pasar telah biasanya bekerja. Kedua, kami mempelajari distribusi
probabilitas dari hari ke hari.
Kami mengamati bahwa sebagian besar distribusi tersebut mengikuti hukum

Benford dan bahwa
Hari-hari non-Benford umumnya terkait dengan peristiwa seperti kecelakaan di

Wall Street pada bulan Februari
27, 2007. Akhirnya, kami mempertimbangkan urutan hari non-Benford berturut-

turut, dan
menemukan bahwa, umumnya, mereka agak pendek.
Kata kunci: Hukum Benford, pasar saham S & P 500, analisis keseluruhan,
analisis harian,
analisis hari penolakan berturut-turut
1. Perkenalan
Ini adalah fakta yang mapan bahwa beberapa peristiwa, tidak harus bersifat
ekonomi,
133
memiliki pengaruh yang kuat di pasar keuangan dalam arti bahwa peristiwa
semacam itu bisa terjadi
menginduksi perilaku anomali dalam kutipan sebagian besar aset yang terdaftar.
Misalnya, ini adalah kasus serangan Menara Kembar pada 11 September 2001.
Tentu saja, tidak semua peristiwa semacam itu begitu (tragis) terbukti. Bahkan,
beberapa kali
pasar keuangan telah dilalui oleh banyak gerakan anomali yang
secara individual tidak jelas dan penyebabnya umumnya tidak dapat diamati.
Dalam makalah ini kami menyelidiki fenomena ini "gerakan anomali dalam
keuangan
pasar ”di pasar saham riil, yaitu S & P 500, dengan menggunakan apa yang
disebut
Hukum Benford. Singkatnya (lihat bagian selanjutnya untuk lebih jelasnya),

hukum Benford adalah
distribusi probabilitas yang terkait dengan digit1 digit pertama yang signifikan
dari angka-angka yang dimiliki
untuk tipologi tertentu dari set. Sebagaimana akan dijelaskan dalam bagian 2, itu
masuk akal untuktebak bahwa angka pertama yang signifikan dari harga /
pengembalian keuangan mengikuti hukum Benford
dalam hal pekerjaan biasa dari pasar keuangan yang dipertimbangkan, dan itu
dilakukan
tidak mengikuti distribusi seperti itu dalam situasi anomali.
Sisa dari makalah ini disusun sebagai berikut. Di bagian selanjutnya kami berikan
134
pengantar singkat tentang hukum Benford dan intuisi yang mendasari pendekatan
kami. Di
Bagian 3 menyajikan tinjauan singkat atas aplikasi keuangan utamanya. Di bagian
4 kami merinci metodologi penyelidikan kami dan memberikan hasil yang berasal
dari itu
aplikasi ke pasar saham S & P 500. Di bagian terakhir kami menyediakan

beberapa final
komentar dan beberapa isyarat untuk penelitian masa depan.
2 Hukum Benford: sebuah pengantar
Awalnya, hukum Benford dideteksi sebagai bukti empiris. Bahkan, beberapa

ilmuwan
memperhatikan bahwa, untuk koleksi ekstensif data numerik heterogen yang

diekspresikan
bentuk desimal, frekuensi angka yang memiliki d sebagai angka signifikan

pertama,
dengan d = 1, 2, ..., 9, bukan 1/9 seperti yang diharapkan, tetapi sangat menurun
seperti d
meningkat; itu sekitar 0,301 jika d = 1, sekitar 0,176 jika d = 2, ..., sekitar 0,051
jika d = 8
dan sekitar 0,046 jika d = 9. Sebagai akibatnya, frekuensi data numerik dengan
digit signifikan pertama sama dengan 1, 2 atau 3 tampaknya sekitar 60%.

Pengamatan pertama
dari fenomena ini menelusuri kembali ke Newcomb pada tahun 1881 (lihat [9]),
tetapi lebih tepat
135
deskripsi itu diberikan oleh Benford pada tahun 1938 (lihat [2]). Setelah
penyelidikan
sejumlah besar data numerik yang heterogen, 2 Benford menebak yang berikut
rumus umum untuk probabilitas bahwa digit signifikan pertama sama dengan d:
Pr (angka signifikan pertama = d) = log10?
1+
, d = 1, ..., 9.
Formula ini sekarang disebut hukum Benford.
Hanya dalam waktu yang lebih baru, hukum Benford memperoleh teori yang baik
fondasi. Kemungkinan, dua penjelasan paling umum untuk munculnya

probabilitas
distribusi yang mengikuti hukum Benford terkait dengan skala invarian dan
proses penggandaan (lihat [11] dan [6]). 3 Dengan memperhatikan penjelasan

terakhir -
yang menarik untuk pendekatan kami - dan tanpa masuk ke rincian teknis, Hill
terbukti, dalam kondisi yang cukup umum, menggunakan ukuran probabilitas

acak, itu? jika
[probabilitas] distribusi dipilih secara acak dan sampel acak diambil
dari masing-masing distribusi ini, digit signifikan dari sampel gabungan akan
136
konvergen ke Benford distribusi? (lihat [6]). Pernyataan ini menawarkan dasar

untuk
intuisi utama yang mendasari karya kami. Bahkan, kami mempertimbangkan

saham S & P 500
pasar sebagai distribusi probabilitas yang dipilih secara acak, dan harga /
pengembalian
masing-masing aset yang berbeda ini sebagai sampel acak yang dihasilkan. Yang
signifikan pertamadigit harga / pengembalian tersebut harus mengikuti distribusi
Benford. Tapi, jika ada yang luar biasa
Peristiwa mempengaruhi saham-saham ini dengan cara yang serupa di antara

mereka, yang terkait
harga / pengembalian aset dapat dianggap "kurang acak" daripada yang

dinyatakan dalam [6], dan
distribusi probabilitas dari digit signifikan pertama mereka harus berangkat dari
Benford
satu. Dalam pengertian ini pas, atau tidak, hukum Benford memberikan indikasi
tentang
kerja biasa, atau tidak, dari pasar keuangan yang bersangkutan.
3 Hukum Benford: aplikasi keuangan
Investigasi yang serupa dengan kami telah dibuat sketsa dalam makalah singkat
oleh Ley (lihat [8]),
yang mempelajari pengembalian harian Indeks Dow Jones Industrial Average

(DJIA) dari
1900 hingga 1993 dan Indeks Standard & Poor's (S & P) dari tahun 1926 hingga
1993. The
137
penulis menemukan bahwa distribusi digit signifikan pertama dari pengembalian

kira-kira
mengikuti hukum Benford. Hasil serupa telah diperoleh untuk harga saham pada
single
hari perdagangan oleh Zhipeng et al. (lihat [12]).
Sebuah ide analog dengan yang ditelusuri pada bagian sebelumnya, yaitu bahwa
deteksi shunt dari hukum Benford mungkin merupakan gejala manipulasi data,
telah digunakan dalam deteksi pajak-penipuan oleh Nigrini (lihat [10]), dan dalam
ekonomi curang
dan data ilmiah oleh Gunnel et al. dan oleh Diekmann, masing-masing (lihat [5]
dan [4]). ¨
Hukum Benford telah digunakan juga untuk mendiskusikan tes tentang

keberadaan
"Hambatan psikologis" dan "tingkat resistensi" di pasar saham. Khususnya
De Ceuster dkk. (lihat [3]) menyatakan bahwa perbedaan distribusi digit dari
keseragaman adalah fenomena alam; sebagai akibatnya mereka tidak menemukan

dukungan untuk
hipotesis hambatan psikologis.
Semua aplikasi keuangan yang berbeda ini mendukung gagasan bahwa di pasar
keuangan
yang tidak "diubah", hukum Benford berlaku.
4 Apakah saham S & P 500 memenuhi hukum Benford?
Set data yang kami pertimbangkan terdiri dari 3067 harga penutupan harian dan
3067 penutupan harian
138
pengembalian logaritmik untuk 361 saham milik S & P 500, 4 dari Agustus
14, 1995 hingga 17 Oktober 2007. Analisis yang kami lakukan berlanjut dengan
tiga langkah:
- dalam yang pertama kami menyelidiki distribusi probabilitas keseluruhan dari

signifikan pertama
digit keduanya di seluruh kumpulan data harga dan seluruh kumpulan data
kembali;
- Pada langkah kedua kami mempelajari distribusi hari-demi-hari dari digit

signifikan pertama
pengembalian;
- Akhirnya, pada langkah ketiga kami menganalisis urutan hari berturut-turut di

mana
distribusi digit signifikan pertama dari pengembalian tidak mengikuti Benford
hukum, yaitu, hari-hari berturut-turut di mana perilaku anomali terjadi.
4.1 Analisis keseluruhan
Di sini kita membandingkan distribusi probabilitas keseluruhan dari digit

signifikan pertama
harga yang dipertimbangkan dan pengembalian terhadap hukum Benford dan

probabilitas seragam
distribusi (lihat Gambar. 1) dengan menggunakan uji goodness-of-fit chi-square.

Seragam
distribusi probabilitas digunakan sebagai alternatif tolok ukur (intuitif) untuk

(counterintuitive)
Hukum Benford.
139
Pada inspeksi visual, kedua distribusi probabilitas empiris tampaknya
agak mirip Benford (khususnya, yang terkait untuk mengembalikan). Namun

demikian, di
kedua perbandingan nol ditolak. Pada Tabel 1 kami melaporkan nilai-nilai dari
terkait tes goodness-of-fit chi-square dengan 8 derajat kebebasan (kita ingat itu
χ2
8,0,95 = 15,51).
Dari sudut pandang kualitatif, hasil kami analog dengan yang diperoleh
oleh Ley (lihat [8]). Secara khusus, penulis itu mengamati bahwa, terlepas dari
fakta bahwa
Uji goodness-of-fit chi-square pada DJIA dan Indeks S & P menyarankan

penolakan terhadap
null, ini disebabkan oleh banyaknya pengamatan yang dipertimbangkan. Padahal,

sama saja
jenis analisis yang dilakukan hanya pada 1983-1993 data menyarankan

penerimaan
batal. Selain itu, penolakan sehubungan dengan distribusi probabilitas seragam
lebih kuat dan lebih kuat dari penolakan sehubungan dengan hukum Benford.
Dengan kata lain,
Dengan mencari dukungan, probabilitas yang dapat dipertanggung-jawabkan

menyebar ke Benford's proksi probabilitas yang sama. Dengan demikian, Leew
(lihat [8]) mengklaim bahwa distribusi harga pertama yang signifikan dan kembali
pada dasarnya mengikuti hukum Benford. Dalam istilah lain, perilaku pasar
saham S & P 500 secara keseluruhan pada periode 14 Agustus 1995 hingga 17
Oktober 2007 dapat dianggap sebagai "biasa". Akhirnya, kami mengamati bahwa
140
distribusi pro- pertanggung jawab secara empiris terkait dengan asset total secara
signifikan menjadi tanggung jawab yang berhubungan dengan tugas andal.
Khususnya, thelatteris19.77 kali lebih jauh dari hukum Benford daripada yang
pertama. Bukti ini secara teoritis koheren dengan yang dinyatakan dalam makalah
Pietronero et al. (lihat [11]), karena pengembalian logaritmik diperoleh dari harga
oleh proses multiplikatif.
4.2 Analisis hari-demi-hari

Di sini, kamimenambahkanresidensipengecilanmenghasilkandistribusi
kemampuanproblabilitas lebih dekat dengan hukum Benford dibandingkan dengan
harga. Kami sehari-hari melakukan jenis analisis yang sama yang
dipertimbangkan dalam publikasi sebelumnya, tetapi hanya dengan menghormati
hukum Benford. Selama diselidiki 3067 hari, nol ditolak 1371 kali, yaitu, sekitar
44,70% dari kasus.
141
Wedeepen ouranal melakukan akuisisi ke tingkat akuntabilitas sama

dengan 1% (kita ingat bahwa χ2 8,0.99 = 20,09); itu hasil yang kemudian ditolak
ditolak 890 kali, yaitu, inabout29,02% dari kasus. Untuk memeriksa apakah
persentase penolakan tersebut masuk akal, kami melakukan eksperimenkomputasi
berikut:
- Pertama, untuk satu sama lain yang dianggap 361 saham kami menghasilkan
serangkaian waktu simulasi yang memiliki durasi yang sama dengan seri waktu
asli, dan distribusi probabilitas yang mengikuti satu Gaussian dengan mean dan
varians sama dengan yang diperkirakan di luar sana5 (theGaussian distribusi
probabilitas dipilih untuk koherensi dengan teori klasik pasar keuangan); - Kedua,
kami melakukan analisis sehari-hari pada pasar keuangan yang dihasilkan dengan
cara yang sama seperti pasar keuangan yang benar.
Mengulangi percobaan 50 kali, kami mendapatkan nilai rata-rata berikut
dari persentase penolakan: 57,92% jika α = 5% (sekitar 1776cases) dan 33,50%
jika α = 1% (sekitar 1027 kasus). Hasil ini tidak harus dianggap sangat
mengherankan.Faktanya, ujung-ujungnya adalah bagian-bagian yang tidak
terpakai, kita menghubungkan jalur distribusi distribusi kemungkinan,
Gaussianone, alih-alih memilih secara acak seperti yang diperlukan untuk
mendapatkan distribusi Benford (lihat bagian 2).
Fakta bahwa ada jection persena gesina pasar yang seperti klasik lebih
besar daripada persentase pusat dalam hal yang telah diketahui sebelumnya
jumlah yang pasti dari penyimpangan dari hukum Benford, yaitu, sejumlah hari di
mana pasar keuangan tidak kerja biasa, adalah fisiologis. Lebih dari itu, perbedaan
desain antara persentase penolakan tentang pasar seperti klasik dan yang benar
dapat diartikan sebagai gejala dari fakta bahwa, setidaknya dari sudut pandang
distribusi, pasar keuangan sejati tidak selalu mengikuti apa yang ditentukan oleh
teori klasik.
Pada Tabel 2 kami melaporkan 45 hari yang paling ditolak pada tingkat
signifikansi 5% dengan nilai-nilai yang sesuai dari tes kebaikan chi-square dengan
8 derajat kebebasan.
142
Kami perhatikan bahwa sebagian dari periode dan periode dilaporkan

kembaliTabel2dikarakterkan oleh orang-orang yang pernah diketahui.
Pendahuluan, theWallStreetcrashonFebruary, 2007 (themost rejectday) dan
masalah hedge fund yang penting sejak itu 2003 (24.44% dari 45paling banyak
sebagian besar hari jatuh pada tahun2003) .Namun demikian, di hari hari
penolakan lainnya dengan peristiwa analog umumnya tidak dapat diamati. Dalam
kasus-kasus seperti itu, analisis sehari-hari dapat digunakan untuk mendeteksi
perilaku yang tidak wajar di pasar keuangan. Pada hari yang lain, mereka
menerima hari pertama bulan September 1995, yang menilai nilai-nilai. Digambar
3 secara grafis membandingkan kelayakan empirisdistribusi dari yang paling
ditolak dan hari-hari yang paling diterima terhadap Benford'sdistribusi
probabilitas hukum dan seragam.
Dalam menghasilkan pasar keuangan simulasi ini, kami tidak
mempertimbangkan struktur korelasi yang ada di antara pengembalian berbagai
saham karena, selama periode investigasi, struktur seperti itu tidak tampak sangat
relevan.Jadi, pasar keuangan yang disimulasikan dapat diperhitungkan sebagai
aproksimasi yang masuk akal dari yang benar.
143
Akhirnya, kami menghabiskan beberapa kata pada hari serangan Twin

Towers, yang telah dipilih sebagai pusat dari kumpulan data. Kami menyatakan
144
bahwa 42,89% dari semua hari yang ditolak jatuh sebelum hari ini dan 57,11%
dari mereka setelahnya. Selain itu, jika kita membatasi perhatian kita pada 45 hari
yang paling ditolak, perbedaan antara persentase tersebut secara signifikan
meningkat menjadi 11,11% sebelum dan 88,89% setelah masing-masing. Hal ini
menunjukkan bahwa S & P500 pasar saham menjadi kegiatan yang sulit setelah
11 September 2001 daripada sebelumnya.
4.3 Analisis hari penolakan berturut-turut

Di sini, menanggapi perhatian kami untuk kembali lagi, kami menganalisis
urutan hari penolakan berturut-turut yang dideteksi menggunakan α = 5%. Pada
Tabel 3 kami melaporkan jumlah urutan yang memiliki panjang dari 1 hari sampai
12 hari, masing-masing (12 hari adalah panjang maksimum yang ditentukan
dalam periode investigasi). Menjaga penyelidikan, kami juga melaporkan hasil
yang diperoleh menggunakan α = 1%.
Kami mengamati bahwa panjang sebagian besar urutan rejectiondays
berturut-turut agak rendah. Fakta ini dapat diartikan sebagai kemampuan pasar
saham S & P 500 untuk "menyerap" peristiwa-peristiwa anomali dalam periode
waktu yang singkat.
Sebaliknya, mengingat kemampuan seperti itu, kehadiran rentetan panjang
hari penolakan berturut-turut adalah indikator malaise pasar. Sebagai contoh, ini
adalah data dari 9-Daysequence (September 20,2001 hingga Oktober 2002) yang
dimulai segera setelahnya pada Twin Towers Attack dan dari urutan 6 hari
(February27,2007to March6,2007) yang dimulai pada hari yang sama dari cetakan
dinding Sampah. Lebih dari itu, secara analog dengan apa yang telah kita amati
pada subbagian sebelumnya, karena peristiwa / sebab yang terkait dengan
kejadian tersebut adalah tidak selalu dapat diamati, analisis rejectiondays berturut-
turut mungkin digunakan secara proaktif untuk mendeteksi perilaku anomali
lanjutan di pasar keuangan.
145
5. Kesimpulan
Sepengetahuan kami, beberapa aspek mengenai penggunaan analisis
hukum Benford di dalam tolok ukur keuangan yang belum diketahui, diselidiki.
Di antara berbagai pertanyaan yang ada, kami mempertimbangkan hal-hal berikut:
- Mengingat beberapa studi yang bersifat thistopic, kemampuan sebenarnya dari
pendekatan untuk mendeteksi perilaku anomali di pasar keuangan harus diperiksa
dan diukur secara hati-hati. Untuk tujuan ini, aplikasi sistematis dari pendekatan
ini ke sejumlah besar pasar keuangan yang berbeda diperlukan; - Dari sudut
pandang metodologis, kami menduga bahwa membatasi analisis yang kami
lakukan di pasar yang berbeda-beda, yang memperumit pasar keuangan dapat
berguna untuk mendeteksi, dalam kasus perilaku anomali pasar secara
keseluruhan, sektor mana yang paling dapat diandalkan; - Kami tebak juga bahwa,
untuk membuat analisis ini lebih hati-hati, kita setidaknya harus
memperhitungkan kemungkinan distribusi dari digit kedua yang signifikan (lihat
[6]), yaitu,
Pr (digit penting kedua = d) =
146
Akhirnya, hasil yang kami sampaikan dalam makalah ini adalah ex post.Saat ini,
kami mulai mengembangkan dan menerapkan pendekatan baru berbasis hukum
Benford untuk memeriksa beberapa kemampuan prediktif.Hasil awal yang sangat
awal tampaknya memberi harapan.
Empiris kemungkinanberbasis nonparametrikuntuk CAPM

Abstrak.TheCapitalAssetPricingModel (CAPM) memprediksikan hubungan linier
antara pengembalian dan betas mereka.Namun, ada bukti empiris bahwa
hubungan semacam itu tidak selalu terjadi, dan dalam beberapa kasus bahkan
mungkin tidak linier.Dalam makalah ini kami mengeksplorasi pendekatan
nonparametrik di mana spesifikasi linier diuji terhadap alternatif
nonparametrik.Metodologi ini diimplementasikan pada S & P500data.
Kata kunci: CAPM, goodness-of-testest, empirik likelihood
1. Perkenalan
Model penentuan harga aset menyediakan metode untuk menilai
keberisikoan arus kas dari sebuah proyek. Model ini menyediakan perkiraan
hubungan antara yang lain dan risiko yang paling penting. Menurut "model
penilaian aset modal" (CAPM), satu-satunya hal yang relevan dari model
perangkat yang dapat digunakan dalam tabel model, dikenal sebagai proyek yang
ada. Dalam CAPM, biaya modal, yaitu, kerugian , isalinearfungsi dari beta proyek
yang sedang dievaluasi. Seorang manajer yang memiliki perkiraan dari proyek
potensial dapat menggunakan CAPM untuk memperkirakan modal untuk proyek
tersebut.Jika Investor CAPMmenangkap investor adalah cukup, maka data historis
harus mengungkapkan hubungan linier positif antara laba atas aset keuangan dan
asetbetasnya.Juga, pengukuran-pengukuran lain dari bagian-bagian tersebut harus
dapat menjelaskan perbedaan-perbedaan dalam rata-rata dari laporan keuangan di
atas yang dijelaskan oleh CAPMbetas.Fakta bahwa teori CAPM memprediksi
keberadaan hubungan linear penampang antara pengembalian dan beta dapat diuji
147
secara empiris. Untuk tujuan ini kami mengusulkan pengujianmethodologi

nonparametrik (lihat [10] dan [3] di antara yang lain).
Tes pertama dari CAPM dijalankan oleh Fama dan MacBeth [7] dan
penelitian mereka divalidasi dengan teori.Uji ini menguji learitas terhadap
beberapa parametrik nonlinear alternatif.Namun analisis empiris berikutnya
menekankan bahwa validitas CAPM dapat bergantung pada periode
pengujian.Ada sejumlah besar literatur tentang thistopic (untuk tinjauan
komprehensif lihat [11]), namun, kesimpulan akhir belum pernah dibuat.
Fama-MacBeth yang terkenal kontribusi (dan berikut ini) menguji
spesifikasi linier terhadap sejumlah spesifikasi parametrik nonlinier.Kontribusi
utama dari makalah ini adalah bahwa kita menguji spesifikasi linear CAPM
terhadap spesifikasi nonparametrik nonparametrik.Dan dengan ini kami tidak
mengukuhkan pengujian ke alternatif nonlinier yang spesifik (membatasi).
Metode pengujian kami didasarkan pada smoothing kernel untuk membentuk
spesifikasi nonparametrik untuk hipotesis nol bahwa hubungan antara
pengembalian dan beta sama dengan hipotesis alternatif bahwa ada penyimpangan
dari thelinearity yang diprediksi oleh CAPM. Kami menerapkan metodologi kami
ke pasar S & P 500. Makalah ini disusun sebagai berikut: kami memperkenalkan
model teoritis, kami memperkenalkan prosedur estimasi parametric dua tahap
Fama dan MacBeth, kami menguraikan metodologi pengujian non parametrik dan
akhirnya meneliti beberapa temuan pembobotan berdasarkan analisis pasar S & P
500.
2 CAPM secara singkat

CAPMpertama kali dikembangkan olehSharpe dan Treynor; Mossin,
Lintner dan Blackmembawa analisis lebih lanjut.Untuk memahami pandangan [5]
dan [1] .WrequirrefertoSLB sebagai versi Sharpe-Lintner-Black dari model.
Model SLB didasarkan pada asumsi bahwa ada suatu trade-off positif antara
setiap risiko aset dan pengembalian yang diharapkan. Di model iniengembalian
tak terduga pada anasset ditentukan olehvariabelvariabel: free rate of return,
portofolio return homarke thant yang diharapkan danass beta. Yang terakhir
148
adalah parameter yang mengukur risiko sistematis setiap aset, yaitu, pangsa dari
variabel portofolio pasar yang ditentukan oleh masing-masing aset.
2.1 Model teoritis

CAPMd oleh parameter yang salah dari asumsi yang berbicara secara
singkat. Sebuah blok bangunan penting dari teori CAPM adalah apa yang disebut
hipotesis pasar sempurna. Ini tentang mengasumsikan segala jenis friksi dalam
perdagangan dan memegang aset.Di bawah hipotesis pasar yang sempurna,
penjualan aset berisiko yang tidak terbatas dan aset bebas risiko adalah mungkin.
Pemikiransiapa
yangmendapatbanyakpendidikanuntukmendapatkanfungsidasarfoliosbasedon
(yang mereka suka) dan varians (yang tidak mereka sukai). Asumsi ini berarti
bahwa pendapat orang-orang konsisten dengan aksioma Von-Neumann-
Morgenstern. Semua investor membuat penilaian yang sama tentang distribusi
barang lainnya. Teori ini dianggap sebagai "harapan yang homogen". Implikasi
dari hipotesis ini adalah bahwa kita dapat menggambar batas minimum-varian
yang sama untuk setiap investor. Selanjutnya hipotesis "marketequilibrium"
(yaitu, pasokan aset sama dengan permintaan). Portofolio pasar adalah
pasfansfantas untuk menggunakan pasokan, dibebani oleh modal pasar
mereka.Biasanya diasumsikan bahwa pasokan instrumen dalam zeronet yang
bebas resiko. Sisi yang di atas, kepemilikan yang disetorkan dari semua investor
sama-sama memiliki harga yang sama. Pendapatanastelamabahwa semua harga
dapat dibeli, yaitu, ada pasar untuk setiap asset.
Atas dasar dari asumsi ini adalah model yang cerdas yang menghubungkan
pengembalian yang tak terduga dari aset berisiko dengan tingkat bebas risiko dan
pengembalian portofolio pasar; dalam yang terakhir, semua aset dipegang sesuai
dengan bobot nilai mereka. Kami akan menunjukkan ˜ Rj sebuah randomvariablet
yangmencariterbaikdarijeniskecil jl.Biarkan ˜Rf menjadi freerate lebih cepat dan ˜
RM pengembalian portofolio pasar. Di bawah asumsi di atas dan dengan asumsi
bahwa ekspektasi berikut ada, teori CAPM menyatakan bahwa terdapat hubungan
berikut:
149
Istilah βj dalam persamaan CAPM (1) adalah kunci dari implikasi wholemodel.βj
representstheriskasset j berkontribusi pada portofolio pasar kedua, diukur dengan
variabel variabel pasar:
β adalah ukuran risiko sistematis: karena berkorelasi dengan varians portofolio

pasar dan portofolio pasar yang efisien, investor tidak mungkin dapat
mendiversifikasi dari kerugian. Perhatikan bahwa persamaan CAPM adalah model
satu periode; ini berarti bahwa persamaan ini harus memiliki periode demi
periode. Untuk memperkirakan dan menguji tanggal tanggal perhitungan CAPM,
kita perlu membuat asumsi lebih lanjut untuk mengestimasi beta pertama
2.2 Strategi pengujian

Keindahan teori CAPM adalah bahwa untuk memprediksi pengembalian
aset, kami hanya memerlukan informasi tentang harga dan tidak diperlukan
informasi lebih lanjut.Tes yang dilakukan selama 45 tahun terakhir telah
memunculkan berbagai masalah dan pandangan serta hasil yang kontras.
Sementara tes pertama tidak menemukan bukti empiris untuk teori harga
ekuilibrium, sebuah tes yang sangat terkenal, yang dilakukan pada tahun 1973
oleh Fama dan MacBeth (lihat [7]), memberikan bukti yang mendukung validitas
model SLB-CAPM. Namun, studi selanjutnya (misalnya, Fama dan French [6])
telah menantang hubungan positif dan linier antara beta dan pengembalian (yaitu,
kesimpulan utama teori CAPM) dengan memperkenalkan variabel lain yang
terbukti memiliki kekuatan penjelas yang jauh lebih besar tetapi pada beberapa
biaya.
150
Kontribusi utama dari makalah ini adalah tes nonparametrik tentang

spesifikasi linear CAPM.Pendekatan pengujian nonparametrik kami didasarkan
pada perbandingan antara hasil yang diprediksi yang diperoleh melalui model
linier parametrik yang tersirat oleh CAPM dan pengembalian yang diprediksi oleh
estimator kernel. Strategi pengujian ini menyiratkan dua langkah: langkah
pertama (atau "langkah parametrik") untuk memperkirakan hasil yang diprediksi
berdasarkan persamaan CAPM; langkah kedua (atau langkah nonparametrik)
adalah memprediksi pengembalian berdasarkan regresi kernel. Kami menjelaskan
dua langkah secara detail.
2.3 Langkah parametrik

Kami menyelesaikan langkah pertama dengan menggunakan metodologi
yang sama yang dikembangkan oleh Fama dan MacBeth [7]. Untuk menerapkan
metodologi ini, kita perlu membuat beberapa asumsi lebih lanjut. Kerangka dialog
yang diharapkan dari satu periode ekonomi. Apa yang sebenarnya kita amati,
adalah serangkaian waktu dari harga aset dan variabel lain yang darinya kita dapat
menghitung pengembalian terealisasi selama berbagai periode holding. Kita perlu
berasumsi bahwa investor mengetahui distribusi balik di satu periode investasi
tertentu.Untuk mengestimasi parameter distribusi itu, lebih mudah untuk
mengasumsikan bahwa yang terakhir bersifat stasioner.Selain itu, kami berasumsi
bahwa pengembalian diambil secara independen dari waktu ke waktu.Meskipun
asumsi akhir tampaknya toostrong, beberapa studi empiris membuktikan bahwa
tidak ada yang serius yang pertama-stepestimasi (lihat [7]).Komentar yang
terakhir berlaku khususnya ketika urutan singkat pengembalian harian digunakan
untuk memperkirakan beta (lihat di bawah).
Bagaimana dengan "portofolio pasar"?Dapatkah portofolio pasar mudah
diidentifikasi?Patut diingat bahwa CAPM mencakup semua aset yang dapat
dipasarkan dan tidak membedakan antara berbagai jenis instrumen keuangan.Ini
adalah fokus dari Kritik Roll [14]. Sebagai proxy pasar, kami akan menggunakan
indeks S & P500. CAPM tidak memberikan informasi tentang lamanya periode
151
waktu di mana investor memilih portofolio mereka.Bisa satu hari, sebulan,

setahun atau satu dekade.
Sekarang kami menggambarkan metodologi estimasi Fama-
MacBeth.Kami memiliki serangkaian waktu harga aset yang tercatat di beberapa
pasar keuangan. Mari kita asumsikan bahwa Rj, t adalah log-return pada waktu t
untuk aset j, di mana j1, 2, ..., S dan t1, 2, ..., T. Biarkan RM, t menjadi log-return
pasar pada saat t. Relasi (1) harus bertahan pada setiap t untuk setiap aset. Kami
harus memperkirakan CAPM untuk setiap t. Untuk melakukan yang terakhir kita
membutuhkan serangkaian waktu βs.
Tahap pertama adalah untuk mendapatkan serangkaian perkiraan waktu
beta berdasarkan skema bergulir. Untuk setiap aset j = 1, 2, ..., S, dan untuk tetap
w dan p = 1, 2, ..., T −w + 1, kami mengambil pasangan {Rj, t, RM, t} t = p, p +
1, ..., p + w − 1 dan kami memperkirakan persamaan pasar
di mana {εj, t} t = p, p + 1, ..., p + w − 1 isani.idberikutnya dari ragam acak

dengan variasi yang kaya dan terbatas. The (3) diperkirakan untuk setiap j = 1,2,
..., S, untuk memperoleh βj untuk periode p = 1,2, ..., T − w + 1.Theestimated ˆ βj,
p adalah perkiraan risiko sistemik dari jthasset dalam periode p. Dari regresi
pertama ini, kami juga telah memperkirakan standar deviasi dari istilah kesalahan,
katakanlah ˆ σj, p = 1ˆ Var (ˆ εj, t). Yang terakhir adalah ukuran risiko tidak
sistematis yang terhubung ke jthasset dalam periode p. Penggunaan ˆ σj, p akan
menjadi jelas setelahnya. Pada tahap kedua untuk masing-masing periode p = 1,2,
..., T −w +1 kami memperkirakan linearmodeldisukai oleh CAPMapplyingacross-
section (di j = 1,2, ..., S) regresi linier pengembalian aset pada mereka perkiraan
beta. Untuk setiap periode p = 1,2, ..., T −w + 1 estimasi tahap kedua adalah:
di mana {ξ A j, p} j = 1,2, ..., S adalah i.i.d. urutan variabel acak yang memiliki
mean nol dan varians finite. Perhatikan bahwa kita mundur Rj, p + 1 pada ˆ β j, p;
hal ini karena diasumsikan para investor akan mendapatkan keputusan investasi
152
saat ini yang belum tersedia, yaitu β. Pengujian TheFama-MacBeth telah

diprediksi untuk menguji hubungan linier (4) untuk setiap periode p. Jika
modelelini (4) bertahan dalam periode p, itu berarti bahwa model (1) statistik
dalam periode p.Foralwaktuyangberada pada abad ke-19 ketika kegagalan KAPM
ini disebabkan oleh fakta bahwa risiko tidak sistemik mempengaruhi
pengembalian serta kemungkinan ketidaklinearan dalam beta. Dua persamaan
tahap kedua selanjutnya telah dipertimbangkan untuk memeriksa hal-hal yang
disebutkan sebelumnya. Alternatif pertama untuk (4) adalah:
yang mana yang lebih jauh akan mengalami kemunduran yang menyebabkan
sistem sistematis berubah. Alternatif kedua:
dimana beta masuk dalam regresi kuadrat. Dalam (5) dan (6) kita mengasumsikan
bahwa
kesalahan {ξ B} j = 1,2, ..., S dan {ξ C} j = 1,2, ..., S adalah dua i.i.d. urutan
variabel acak
dengan mean nol dan terbatas varians. Adapun (4), (5) dan (6) juga diperkirakan
untuk setiap periode p 1, 2, ..., T w 1. Model A, B dan C diwakili oleh persamaan
(4), (5) dan (6) diperkirakan dan diuji dalam makalah terkenal oleh Fama dan
MacBeth [7].
3 Sifat nonparametrik-of-fit
Di bagian ini kami menerapkan metode yang diusulkanolehHärdleetal. [8]
untuk menguji linierspesifikasi model CAPM, yaitu, model A, B dan C yang
didefinisikan pada tahap kedua dari langkah sebelumnya. Tes goodness-of-test ini
didasarkan pada kombinasi dua alat nonparametrik: penduga kernel Nadaraya-
Watson dan Likelihood of Owen [13]. Di sini kami secara singkat menjelaskan
pendekatan pengujian, kemudian, di bagian berikutnya, kami akan mengaitkannya
153
dengan CAMPModel CAMP diperkirakan pada S& P500pasar saham. Mari kita
perhatikan model berikut ini yang nonparametrik
di mana Rj, p + 1 adalah log-return periode p untuk aset j, Xj, p ∈ Rd adalah

vektor ofd regresi yang diamati dalam periode p untuk aset j dan ej, p + 1 adalah
theror, untuk mana kita asumsikan bahwa E (ej, p + 1 | Xj, p) = 0 untuk allj. Kami
juga berasumsi bahwa regresi X j, p dan kesalahan e j, p independen untuk js
berbeda, tetapi kami mengijinkan beberapa heteroscedasticity kondisional dalam
model. Minat utama terletak pada pengujian hipotesis berikut
m (x) = mγ (x) = γ Tx versus H1: m (x)? = mγ (x), (8) di mana mγ (x) = γ Tx

adalah parametrik linier model dan γ adalah vektor dari parameter yang tidak
diketahui milik ruang parameter? ∈ Rd + 1.Mari kita tunjukkan denganmˆ γ (x)
perkiraan mγ (x) yang diberikan oleh metode parametrik konsisten di bawah H0.
Penduga Nadaraya-Watson dari fungsi regresi (x) diberikan oleh
di mana Kh (u) h − d K (h − 1u) dan K adalah kernel produk d-dimensi, seperti

yang didefinisikan dalam [8]. Parameter h adalah bandwidth dari estimator, yang
mengatur kelancaran fungsi yang diperkirakan sehubungan dengan semua
regresor.Kami menggunakan bandwidth umum karena kami menganggap bahwa
semua regressor telah distandarisasi.
Ketika diterapkan pada penduga kernel, kemungkinan empiris dapat
didefinisikan sebagai berikut. Untuk x yang diberikan, biarkan pj (x) menjadi
154
bobot nonnegatif yang ditetapkan untuk pasangan (X j, p, Rj, p +1), untuk j 1, ...,
S. Kemungkinan empiris untuk versi m of yang terhaluskan (x )
didefinisikan
di mana maksimalisasi tunduk pada batasan berikut
Sebagaimana jelas dari persamaan (11), perbandingan didasarkan pada versi yang
diperhalus dari fungsi parametrik yang diperkirakan mγˆ (x) (lihat [8] untuk
diskusi), yang diberikan oleh
Dengan menggunakan metode Lagrange, rasio kemungkinan log-likelihood

diberikan oleh
Perhatikan bahwa SS berasal dari maksimalisasi dalam (10), karena maksimum

dicapai pada pj (x) = S − 1.
Teorema 1. Di bawah H0 dan asumsi-asumsi A.1 dalam [8], kita memiliki
Bukti (sketsa) .Penetapan

daripadalayaberjadiberhentiuntukmenghasilkanintivalensi (lihat [4] dan [8])
155
di mana V (x; h) adalah varian kondisional dari Rj, p + 1 diberikan X j, p = x.

Untuk teorema 3.4 dari [2], kuantitas dalam tanda kurung adalah asimtotik N (0,
1). mm
Seperti ditunjukkan dalam teorema 1, rasio log-likehood empiris setara asimtotik
dengan Studentised L 2-jarak antara mγ (x) dan mh (x), sehingga dapat
dibandingkan dengan tes statistik yang digunakan dalam [9] dan [12 ]. Daya tarik
utama dari prosedur pengujian yang dijelaskan di sini adalah kemampuannya
untuk secara otomatis mahasiswa statistik, sehingga kita tidak harus
memperkirakan V (xh), bertentangan dengan apa yang terjadi dengan tes-tes
kebaikan-baik nonparametrik lainnya. Berdasarkan Teorema 1 dan pada
kemandirian yang diasumsikan dari para regressor, kami menggunakan statistik
uji goodness-of-fi t
yang dibangun di atas satu set S ∗<S poin xr, p, dipilih sama spasi dalam
dukungan dari para penyerang. Statistik dalam (16) dibandingkan dengan persentil
dari distribusi χ2 dengan S ∗ derajat kebebasan.
4 Hasil empiris dan kesimpulan

Pada bagian ini kami membahas beberapa hasil yang diperoleh dengan
memperkirakan model A, B dan C yang disajikan dalam persamaan (4), (5) dan
(6) dan kami menerapkan langkah nonparametrik untuk menguji linearitas model
tersebut. Perhatikan bahwa di sini kita mempertimbangkan secara khusus fungsi
linear di bawah nol, tetapi hipotesis yang dinyatakan dalam (8) mungkin merujuk
ke bentuk fungsional lainnya untuk mγ (x).
156
Pengembalian log pasar diberikan oleh indeks S & P500, sedangkan

pengembalian log aset adalah aset S 498 yang termasuk dalam indeks saham S &
P. Rangkaian waktu diamati dari tanggal 3 Januari 2000 hingga 31 Desember
2007, dengan total 1509 observasi waktu. Kami mempertimbangkan tiga panjang
jendela gulung yang berbeda, yaitu w 22, 66 dan 264, yang kira-kira setara dengan
satu, tiga dan dua belas bulan perdagangan. Jumlah total periode dalam analisis
cross-section (tahap kedua dari metode Fama dan MacBeth) adalah 1487 ketika w
= 22, 1443 ketika w = 66 dan 1245 ketika
w = 264. ˆ
Untuk setiap aset, kami memperkirakan koefisien β j, p, j 1, ..., S, p 1, ..., T
w 1 dari persamaan (3). Kami memperoleh matriks perkiraan beta, dimensi (1510
w, 498).Untuk setiap periode yang dihasilkan, kami memperkirakan model
penampang A, B dan C dan kami menerapkan skema pengujian
nonparametrik.Asumsi A.1 pada [8] jelas terpenuhi untuk data yang
ada.Bandwidth yang digunakan dalam kernel smoothing dalam (9), (11) dan (12)
telah dipilih secara otomatis untuk setiap periode p, dengan mempertimbangkan
kriteria optimalitas berdasarkan algoritma cross-validasi umum.Di (16) kami telah
mempertimbangkan S ∗ 30 poin yang sama-sama berjarak.Telah diketahui dengan
baik bahwa estimasi kernel umumnya menderita beberapa bentuk ketidakstabilan
di ekor dari fungsi yang diperkirakan, karena kelangkaan lokal dari pengamatan.
Untuk menghindari masalah seperti itu, kami memilih titik S in di sisi internal
dukungan dari para penyerang, berkisar di pusat 95% dari total dukungan yang
diamati.
157
Pada Tabel 1 kami merangkum hasil dari dua prosedur pengujian (parametrik dan
nonparametrik) yang dijelaskan pada bagian sebelumnya.
Seperti Kasus 1 kami melabeli persentase periode pengujian di mana perkiraan

koefisien lineardeparametrikepanjangsecara persis sama
dengantingkatmemilikitingkat5 = 5%, dan kami tidak menolak hipotesis H0
(misalnya, linearrelationstatisticallyholds) dalam tahap nonparametrik pada
tingkat yang sama. Kasus ini sangat menarik karena periode waktu yang tidak
lama ini tidak ada dalam waktu 43% untukmengontrol semua jendela dan semua
set regressor. Jika kita menggabungkan hasil dari twostages (baik parametrik dan
nonparametrik) ini berarti bahwa dalam hampir setengah dari pengujianperiode
kami memvalidasi linearitas fungsi regresi, tetapi ini mungkin konstan. Seperti
Kasus 2 kami melabeli persentase periode pengujian di mana estimasi koefisien
158
linear dalam langkah parametrik sama dengan nol pada level α = 5%, dan kami
menolak hipotesis H0 dalam tahap nonparametrik pada tingkat yang sama.
Artinya, tidak ada hubungan linier yang dapat dideteksi tetapi ada bukti adanya
struktur busur. Seperti Kasus 3, kami melaporkan persentase periode pengujian di
mana perkiraan koefisien lineardeparametrikepanjangsebagian perbedaan dari 0
levelα = 5%, dan kami tidak menolak hipotesis H0pada tahap nonparametrik pada
tingkat yang sama. Kasus ini mendukung teori CAPM karena di sini kita
mengatakan bahwa koefisien linear yang diperkirakan dalam langkah parametrik
secara bersama berbeda dari nol pada level α = 5%, dan kita tidak menolak
linearityhypothesis (H0) dalam tahap nonparametrik pada saat yang sama. tingkat.
Ini berarti bahwa ketika situasi ini terjadi, kami memvalidasi ide di balik CAPM,
yaitu: informasi historis yang mungkin dapat digunakan untuk menjelaskan
variasi bagian-bagian dari pengembalian aset. Untuk kasus ini yang terbaik terjadi
untuk model B, yang mana orang yang menggunakan para pendahulu (β, σ).
Kesimpulan statistik yang kami berikan dari 3isthatwhenw = 22for26.6% dari
periode pengujian yang kami tetapkan pada hubungan linear antara pengembalian
aset, β dan risiko non-sistematik (σ). Selain itu hasil ini tidak bergantung pada
rolling window (meskipun w = 66 menghasilkan hasil yang sedikit lebih baik).
Akhirnya, seperti Kasus 4 kami melabeli persentase periode pengujian di mana
perkiraan linearkepediappelajaranpelajaran secara
bersamadifferentfromzeroattingkat α = 5%, dan kami menolak hipotesis H0 dalam
tahap nonparametrik pada tingkat yang sama. Artinya, sebuah
hubunganispresentasikan tetapi kemudianberpisahbatasuntukmendukung bukti
untuk efek nonlinier.Patutlah untuk mengamati bahwa untuk semua kasus yang
dipertimbangkan, kesimpulan tampaknya tidak terkait dengan pilihan tertentu dari
jendela yang bergulir.Mereka tetap secara tradisional cenderung untuk beralih ke
arah yang berbeda-beda. Terlepas dari keterbatasan analisis ini, pertanyaan
terbuka tetap apakah beta adalah penentu dari lintas- variasi bagian dari
pengembalian aset sama sekali. Dari studi ini kita tidak dapat menyimpulkan
bahwa model B divalidasi.Namun yang pasti, ini terjadi pada sekitar seperempat
periode pengujian. Hal ini mendorong kita untuk menyelidiki kemungkinan lain
159
yang dapat menghasilkan jalur yang lebih kuat dari yang pernah ada sebelumnya.
Mengetahui nilai-nilai yang akan lebih berharga untuk diteliti lebih lanjut: struktur
ketergantungan, struktur kelompok dalam perilaku sehari-hari dari parameter,
kekokohan, dan ketidakparametrikspesifikasi tahap pertama.
Lee-Cartererrormatrixsimulation: heteroschedasticity berdampak pada

penilaian aktuaria
Baru-baru ini sejumlah pendekatan telah dikembangkan untuk
memperkirakan kematian.Dalam makalah ini, kami mempertimbangkan model
Lee-Carter dan kami menyelidiki secara khusus hipotesis tentang struktur
kesalahan yang secara implisit diasumsikan dalam spesifikasi model, yaitu,
kesalahannya adalah ho-moschedastic. Asumsi homoskedastisitas cukup tidak
realistis, karena pola angka kematian yang diamati menunjukkan variabilitas yang
berbeda pada usia tua daripada usia yang lebih muda. Oleh karena itu, peluang
untuk menganalisis ketangguhan parameter estimasi sedang muncul.Untuk tujuan
ini, kami mengusulkan strategi eksperimental untuk menilai kekuatan model Lee-
Carter dengan menginduksi kesalahan untuk memenuhi hipotesis
homoskedastisitas.Selain itu, kami menerapkannya pada matriks tingkat kematian
Italia.Akhirnya, kami menyoroti hasil melalui aplikasi ke portofolio pensiun
anuitas.
Kata kunci: model Lee-Carter, perkiraan mortalitas, SVD
1. Perkenalan
Latar belakang penelitian ini didasarkan pada metode peramalan mortalitas
bilinear.Metode-metode ini diperhitungkan untuk menggambarkan perbaikan
dalam tren kematian dan untuk memproyeksikan tabel kelangsungan hidup.Kami
fokus pada metode Lee-Carter (selanjutnya LC) untuk memodelkan dan
meramalkan kematian, dijelaskan dalam Bagian 2. Secara khusus, kami fokus
pada isu sensitivitas model ini dan untuk menghadapinya, di Bagian 3, kami
mengilustrasikan penerapan strategi eksperimental untuk menilai ketahanan model
LC. Di Bagian 4, kami menjalankan eksperimen dan menerapkannya pada matriks
160
tingkat kematian Italia. Hasilnya diterapkan pada portofolio pensiun anuitas di

Bagian 5.Akhirnya, Bagian 6 menyimpulkan.
2 Model Lee-Carter: masalah sensitivitas

Metode LC adalah pendekatan yang kuat untuk proyeksi kematian. Ekspresi
analitik model LC tradisional [7] adalah sebagai berikut:
mendeskripsikan log dari deret waktu dari angka kematian spesifik usia mx, t
sebagai penjumlahan dari parameter spesifik usia yang independen dari waktu αx
dan komponen yang diberikan oleh produk dari parameter yang berubah-waktu,
dengan mencerminkan tingkat umum mortalitas dan parameter βx, mewakili
seberapa cepat atau lambatnya mortalitas pada setiap usia bervariasi ketika tingkat
kematian umum berubah. Istilah terakhir Ex, t adalah istilah kesalahan,
diasumsikan sebagai homoschedastic (withmean 0 dan variance σ2?). Atas dasar
persamaan (1), if6 Mx, t adalah matriks yang memegang mean log-mortalityrates
berpusat, model LC dapat dinyatakan sebagai:
Setelah LC [7], parameter βx dan κt dapat diperkirakan sesuai dengan

Dekomposisi Nilai Sinekuler (SVD) dengan batasan normalitas yang sesuai.
Model LC menggabungkan berbagai sumber ketidakpastian, seperti yang dibahas
dalam LC [8], Lampiran B: ketidakpastian dalam model demografi dan
ketidakpastian dalam peramalan. Yang pertama dapat dimasukkan dengan
mempertimbangkan kesalahan dalam menyesuaikan matriks asli tingkat kematian,
sementara ketidakpastian perkiraan muncul dari kesalahan dalam ramalan indeks
kematian.Dalam kontribusi kami, kami berurusan dengan komponen demografi
untuk mempertimbangkan sensitivitas estimasi indeks mortalitas.Secara khusus,
penelitian ini terdiri dalam mendefinisikan strategi eksperimental untuk memaksa
161
pemenuhan hipotesis homosughasticity dan mengevaluasi dampaknya pada

perkiraan κt.
3 Percobaan
Strategi eksperimental yang diperkenalkan di atas, dengan tujuan menginduksi
kesalahan untuk memuaskan hipotesis homoskedastisitas, terdiri dari kalimat-
kalimat berikut [11]. Istilah kesalahan dapat dinyatakan sebagai berikut:
yaitu, sebagai perbedaan antara matriks 6 Mx, t, mengacu pada logmortalitas yang
dipusatkan rata-rata danprodukberbeda antara βx dan κt berasal dari perkiraan
model LC. Langkah berurutanmendapatimenggunakansebuahsebuahsumber daya
dariindikator statistikseperti: rentang, interquartilerange, meanabsolutedeviation
(MAD) dari sampel data, standarddeviation , kotak-plot, dll. Setelah itu, kami
melanjutkan mencari kelompok usia yang menunjukkan variabilitas lebih tinggi
dalam kesalahan. Setelah kita menjelajahi residu? Misalnya, kita dapat
menemukan beberapa kelompok usia yang tidak sesuai. Kami memberi peringkat
sesuai dengan menurunnya ketidaksesuaian, yaitu, dari yang lebih luas ke yang
lebih homogen.Satu kelompok terpilih yang dipilih, itu mungkin bisa mengurangi
keragaman dengan membagi seluruh rentang menjadi beberapa quantiles,
mengesampingkan setiap kali α% yang tetap dari nilai ekstrim. Kami mereplikasi
masing-masing berjalan dalam kondisi yang sama beberapa kali (yaitu, 1000).
Untuk masing-masing kelompok usia dan untuk setiap persentil, kami
mendefinisikanferewerrormatrix.Umumnyaberhasilmenghasilkan lebih banyak
istilah kesalahan yang lebih heterogen. Melalui eksperimen ini, kami menyelidiki
residu heterosupastisitas yang berasal dari berbagai fungsi: risiko kelompok dan
jumlah nilai yang berubah-ubah
di setiap kelompok umur. Secara khusus, kami ingin menentukan pola hipotetis t
dengan meningkatkan homogenitas dalam residu.Dengan demikian, di bawah
asumsi ini, kami menganalisis perubahan pada κt yang dapat diturunkan dari
setiap matriks kesalahan simulasi. Secara khusus, pada setiap menjalankan kami
162
memperoleh matriks kesalahan yang berbeda Ex, t, yang digunakan untuk

menghitung matriks data baru Mx, t, dari mana dimungkinkan untuk memperoleh
koresponden κt. Untuk memperjelas prosedur analitik, mari kita kenalkan
hubungan berikut: 6 6 Mx, t −Ex, t = Mx, t → βxkt, (4) di mana Mx, t adalah
matriks data baru yang diperoleh dengan selisih antara 6 Mx, t
(matrixholdingtherawmeancentredlogmortalityrates) dan Ex, t (thematrixholding
themean ofalterederrors) .Dari Mx, t, ifβx adalah tetap, weobtainthetttktk
koefisien Ordinary least square (OLS) dari model regresi. Kami mereplikasi
prosedur dengan mempertimbangkan kelompok non-homogenous lebih lanjut
dengan hasil mendapatkan setiap langkah κt baru.Kami bermaksud untuk
melakukan analisis dengan menjalankan eksplorasi grafis dari pola κt yang
berbeda.Jadi, kami memplot hasil eksperimen sehingga semua κt dibandingkan
dengan yang biasa.Selain itu, kami membandingkan efek kemiringan dari
eksperimental dengan analisis numerik.
4 Menjalankan eksperimen
Percobaan diterapkan pada matriks data yang memegang logmortalitas
yang berpusat pada Italia yang berpusat pada populasi wanita dari tahun 1950
hingga 2000 [6]. Secara khusus, deretan matriks mewakili 21 kelompok usia [0],
[1-4], [5-9],..., [95–99] dan kolom mengacu pada tahun 1950-2000. Prosedur kami
terdiri dari analisis kemampuan residual yang dapat diubah menjadi bentuk
persendian yang membantu untuk menentukan kelompok usia di mana hipotesis
model tidak berlaku (lihat Tabel 1). Kita dapat melihat bahwa residual dalam
kelompok usia 1–4, 5–9, 15–19 dan 25–29 (ditulis dengan huruf tebal) jauh dari
homogen. Dengan demikian kelompok usia 1–4, 15–19, 5–9, 25–29 akan
berurutan, dan menurut urutan ini, masuk dalam eksperimen. Bersama-sama
dengan penterjemahan, kami menyediakan analisis grafis dengan menampilkan
plak sebelum wagegroup (Gbr.1), di mana -heks-axistheagegroups dilaporkan dan
pada sumbu y variabilitas residual. Jika kita melihat pada kelompok usia 1–4 dan
15–19wiknotis, hal ini menunjukkan bahwa yang paling banyak dibandingkan
dengan yang lain. Khususnya, kami mempersepsikan bahwa untuk kelompok usia
163
tersebut rentangnya mulai dari − 2 hingga 2. Untuk alasan ini, kami

mengeksplorasi sejauh mana perkiraan yang dipengaruhi oleh suatu
variabilitas.Cara mendekati masalah ini dapat ditemukan dengan cara-cara
prosedur replikasi berikut, diimplementasikan dalam rutinitas Matlab. Untuk
masing-masing dari keempat kelompok usia tersebut, kami mengganti nilai residu
ekstrem dengan enam quantiles berikut: 5%, 10%, 15%, 20%, 25%, 30%.
Kemudian kami menghasilkan 1000 replikasi acak (untuk setiap kelompok usia
dan setiap interval). Dari kesalahan yang direplikasi (1000 kali × 4 kelompok
umur × 6 persentil) kami menghitung perkiraan κt (6 × 4 × 1000times) dan
kemudian mengerjakan ulang pencatatan dari 1000 tes.InFigure2 yang direseksi
dari perkiraan 24,000 throughaPlot-Matrix, yang mewakili kelompok usia yang
ditentukan
164
percobaan di empat baris pasir kenaikan ive sukses dalam nilai geofouter persena
yang telah ditransformasikan dalam 6 kolom. Kita dapat membedakan perilaku
yang berbeda dalam empat baris karena lebih banyak kelompok usia dan persentil
dipertimbangkan. Untuk interpretasi yang lebih baik dari hasil ini, kami memiliki
165
pandangan sintetik plotteda dari rata-rata yang dihasilkan dari 1000 kt di bawah
24 kondisi (lihat Gambar. 3) dan membandingkannya dengan seri yang diturunkan
oleh estimasi tradisionalLC
InFigure3, di mana x-axisthere adalah themears from1950to2000andonthe y-axis

ada nilai κt, kami mewakili 24,000 κt dikelompokkan sesuai dengan 24 kondisi
eksperimental yang berbeda. Kita dapat mengamati dampak pada seri κt dari
theagegroupschange dan peningkatan persentase ofrandomvaluesconsidered
dalam kelompok usia yang dipilih. Kita dapat melihat bahwa κt yang diperoleh
dari percobaan (berwarna merah) cenderung lebih lincah daripada yang asli
(digambar dalam warna hitam), yaitu, ada perubahan inhomogeneityonthe untuk
masing-masing kelompok penyusun.Membandingkan yang biasa dengan yang
disimulasikan, kita memperoleh informasi tentang efek dari kurangnya
homoskedastisitas pada perkiraan LC.Sejauh mana hal itu memengaruhi
sensitivitas hasil? Kami mencatat bahwa residu yang lebih homogen adalah,
memantulkan κt adalah.Froman actuarial pointofview, seri ktt mengungkapkan
sebuah hasil penting: ketika kita menggunakan seri ew untuk menghasilkan
kehidupan, kita menemukan probabilitas hidup dari yang asli. Efek dari itu pada
portofolio pensiun anuitas akan diilustrasikan dalam aplikasi berikut.
166
5 Ilustrasi numerik
Pada bagian ini, kami menyediakan aplikasi dari prosedur sebelumnya
untuk menghasilkan kelangsungan
hidupprosesibilitasmenghalangipembelianpembelianpusatnentitas di mana- mana
para ahli waris memasuki masa pensiun pada saat yang bersamaan. Khususnya,
setelah menilai pemutusan hipotesis hipotoksik dalam model Lee-Carter, kami
bermaksud untuk mengukur bahwa hal ini adalah salah satu faktor yang penting
dari pendugaan permukaan optik. Analisis ini menyangkut perilaku dinamis dari
dana keuangan yang diperiksa dari tahun ke tahun yang timbul dari dua aliran
masuk dan keluar dari portofolio, yang pertama terdiri dari meningkatnya efek
duetot yang menarik dari dana yang terkumpul dan yang kedua di dalam arus yang
disajikan oleh pembayaran yang lebih tinggi daripada yang diperlukan oleh orang-
orang yang masih hidup. Mari kita perbaiki salah satu dari tanggal penilaian masa
depan, katakanlah sesuai dengan waktu κ, dan pertimbangkan apa dana portofolio
pada tanggal penilaian ini. Karena menyangkut portfolio fundconsistency pada
waktu κ, kita dapat menulis [2]:
di mana N0 mewakili jumlah orang pada usia yang sama x pada masalah kontrak t
= 0 mencapai keadaan pensiun pada saat yang sama n, yaitu pada agex + n, andi ∗
κ adalah kepentingan finansial acak yang terlambat (k −1, k) .Analognya secara
rujukan mengacu pada fase akumulasi dan annuitisationphase.
5.1 Hipotesis keuangan

Mengacu pada skenario keuangan, kita mengacu pada tingkat bunga
sebagai tingkat pengembalian investasi terkait dengan aset di mana perusahaan
asuransi berinvestasi.Untuk membandingkan, kami mempertimbangkan tingkat
bunga deterministik dan kerangka kerja tingkat bunga stokastik. Berkaitan dengan
yang pertama, kami berasumsi bahwa dana portofolio yang didepositkan
167
menghasilkan suku bunga fiksional yang ditetapkan pada tingkat 3%. Mengenai
yang terakhir, kami mengadopsi model Vasicek [12]. Lingkungan tingkat bunga
stokastik ini tampaknya sangat cocok untuk menggambarkan tingkat
pengembalian global seketika pada aset terkait dengan portofolio yang
dipertimbangkan, karena nilai-nilai negatif yang potensial.Seperti diketahui,
keadaan ini tidak bertolak belakang dengan gagasan untuk mempertimbangkan
tingkat pendek yang mencerminkan strategi investasi global yang terkait dengan
portofolio [9].
5.2 Mortalityhypotheses
Karena menyangkut model kematian, kami mempertimbangkan
probabilitas kelangsungan hidup yang dihasilkan oleh prosedur simulasi yang
dijelaskan di atas (selanjutnya metode simulasi) dan oleh estimasi klasik model
Lee-Carter (metode tradisional). Dalam metodologi sebelumnya, kami
mempertimbangkan seri κt yang muncul dari percobaan. Mengikuti prosedur Box-
Jenkins, kami menemukan bahwa model ARIMA (0,1,0) lebih layak untuk seri
waktu kami. Setelah mendapatkan seri κt yang diproyeksikan, kita membangun
tabel kehidupan yang diproyeksikan dan kemudian kita mengekstrapolasikan
probabilitas yang mengacu pada diasuransikan berusia x 45. Pada Gambar 4 kami
melaporkan distribusi probabilitas kelangsungan hidup sebagai fungsi dari metode
estimasi LC yang berbeda: metode tradisional dan simulasi .Kita dapat melihat
bahwa pola probabilitas simulasi di bawah probabilitas tradisional.Selain itu
perbedaan ini meningkat seiring dengan meningkatnya waktu proyeksi.
Dengan demikian, mengacu pada lingkungan keuangan stochastic dan
demografi yang dijelaskan di atas, kami mengevaluasi dana portofolio periodik.
Mengenai hipotesis perhitungan premium, kami menggunakan dua asumsi yang
berbeda (LC simulasi, LC klasik) dan suku bunga tetap sebesar 4%. Kami
menggunakan asumsi mortalitas yang sama yang dibuat dalam penghitungan
premium bahkan untuk dinamika dana portofolio sejak usia pensiun pada, yaitu,
168
yang berarti menggunakan kualitas homogenitas dalam demografi.
deskripsi, dalam terang hasil utama [2]. Dalam grafik berikut (lihat Gambar 5 dan
6) kami mewakili dana portofolio bersama dengan seluruh kehidupan kontrak
potensial, yaitu, baik ke fase akumulasi dan ke fase annuitisasi. Tren dana
portofolio dihitung berdasarkan portofolio pensiun anuitas mengacu pada
kelompok c 1000 penerima manfaat berusia x 45 pada saat t 0 dan masuk dalam
169
masa pensiun 20 tahun kemudian, yaitu pada usia 65. Arus kas diwakili oleh
konstanta premi P, dibayar pada awal setiap tahun hingga t 20 jika penerima
manfaat masih hidup pada saat itu (akumulasi fasa) dan dengan manfaat konstan
R 100 dibayarkan pada awal setiap tahun setelah t 20 (fase annuitisasi) dalam
kasus penerima manfaat masih hidup pada saat itu. Gambar 5 menunjukkan
bagaimana dana portofolio meningkat dengan
Probabilitas kelangsungan hidup yang lebih baik. Secara khusus, dalam

gambar ini diwakili portofolio dana menghasilkan bunga, jangka waktu, dengan
tingkat pengembalian tetap 3%, dari waktu ke waktu masalah pada. Sebagai hasil
pertama, kami menemukan bahwa jumlah dana portofolio terlalu tinggi ketika
probabilitas kelangsungan hidup dihitung berdasarkan proyeksi dari perkiraan LC
tradisional. Berdasarkan hasil yang dilaporkan di atas, kita dapat melihat
bagaimana kurangnya homoschedasticity mempengaruhi penilaian risiko
portofolio. Akhirnya, kami mengevaluasi konsistensi dana portofolio dari masalah
kontrak pada, mengadopsi model Vasicek untuk menggambarkan tingkat
pengembalian global seketika pada aset terkait dengan portofolio yang
dipertimbangkan. Seperti pada kasus sebelumnya, Gambar 6 menunjukkan bahwa
170
metode perkiraan tradisional meledakkan dana portofolio jumlah keduanya ke

dalam akumulasi dan ke fase annuitisation.
Temuan kami dikonfirmasi juga dalam kasus tingkat pengembalian

stokastik. Untuk alasan ini, kami berikan bukti bahwa kurangnya
homoschedasticity memiliki efek yang kuat pada hasil aktuaria. Kesimpulan
Prosedur simulasi yang diusulkan dalam makalah ini dicirikan oleh eksperimen
strategi untuk menekankan pemenuhan hipotesis homosughasticity dari model
LC. Secara khusus, kami mensimulasikan berbagai kondisi eksperimental untuk
memaksa kesalahan memenuhi hipotesis model dalam seorang yang pas. Selain
itu, kami mengembangkan seri κt untuk menghasilkan probabilitas kelangsungan
hidup yang lebih realistis. Akhirnya kami mengukur dampak dari dua prosedur
berbeda untuk menghasilkan probabilitas kelangsungan hidup, menggunakan
tradisional dan metode simulasi, pada portofolio anuitas pensiun. Aplikasi yang
dimaksud untuk populasi pria, menunjukkan bahwa probabilitas yang dihasilkan
atas dasar prosedur simulasi lebih rendah dari probabilitas yang diperoleh melalui
tradisional metodologi oleh model LC. Khususnya, jika kita menerapkan proyeksi
simulasi untuk penilaian keuangan dana portofolio periodik dari portofolio
pensiun anuitas, kami dapat mengamati nilai yang lebih rendah dari yang
tradisional, di kedua yang disebut akumulasi dan annuitisationphases. Terutama,
kita tidak dapat menemukan yang cukup besar dana portofolio dalam hal
metodologi tradisional. Dengan kata lain, perusahaan asuransi posisi keuangan
akan dibesar-besarkan dengan cara pembandingan metode tradisional dengan
metode simulasi. Hasil penilaian timbul dari perilaku yang berbeda dari residual.
Padahal, dalam metodologi tradisional, kita dapatka heteroschedasticity dalam
residual untuk beberapa kelompok umur yang dapat menyebabkan lebih banyak
proyeksi kelangsungan hidup yang optimis. Di sisi lain, atas dasar simulasi
prosedur, hasil akhir menunjukkan bagaimana matriks residual yang lebih teratur
mengarah ke yang lebih datar seri κt sesuai dengan hipotesis model LC. Keadaan
ini menentukan lebih banyak proyeksi kelangsungan hidup pesimis.
Memperkirakan struktur istilah volatilitas Antonio D´ıaz, Francisco Jareño, dan
171
Eliseo Navarro Abstrak. Dalam makalah ini, kami melanjutkan untuk

memperkirakan struktur jangka volatilitas suku bunga, menemukan bahwa
perkiraan ini sangat bergantung pada model yang digunakan untuk
memperkirakan struktur jangka panjang (Nelson dan Siegel atau Vasicek dan
Fong) dan struktur kesalahan heteroskedastisitas (OLS atau GLS tertimbang oleh
durasi). Kami menyimpulkan dalam analisis empiris kami bahwa ada yang
signifikan perbedaan antara volatilitas ini dalam jangka pendek (kurang dari satu
tahun) dan jangka panjang (lebih dari sepuluh tahun). Akhirnya, kita dapat
mendeteksi bahwa tiga komponen utama menjelaskan 90% perubahan dalam
struktur istilah volatilitas. Komponen-komponen ini terkait dengan tingkat,
kemiringan dan kelengkungan. Kata kunci: struktur istilah volatilitas (VTS),
struktur suku bunga jangka panjang (TSIR), GARCH, komponen utama (PC)
1. Perkenalan
Kami mendefinisikan struktur istilah volatilitas sebagai hubungan antara

volatilitas suku bunga dan jatuh tempo mereka. Pentingnya konsep ini tumbuh
selama beberapa dekade terakhir, khususnya ketika derivatif suku bunga telah
berkembang dan volatilitas suku bunga telah menjadi faktor kunci untuk penilaian
aset semacam itu seperti kaplet, topi, lantai, swaptions, dll. Selain itu, volatilitas
suku bunga adalah salah satunya input yang dibutuhkan untuk menerapkan
beberapa model struktur jangka seperti yang dimiliki Black, Derman dan Toy [4]
atau Hull and White [12], yang sangat populer di kalangan praktisi. Namun, salah
satu masalah utama mengenai estimasi volatilitas struktur istilah (VTS) muncul
dari fakta bahwa tingkat kupon nol tidak dapat diamati. Jadi mereka harus
diperkirakan sebelumnya dan ini membutuhkan adopsi tertentu metodologi.
Masalah estimasi struktur jangka adalah pertanyaan lama yang dianalisis secara
luas dalam literatur dan beberapa prosedur telah disarankan selama yang terakhir
tiga puluh tahun. Di antara metode yang paling populer adalah yang
dikembangkan oleh Nelson dan Siegel [14] dan Vasicek dan Fong [17]. Di
Spanyol, metode ini telah diterapkan di Núñez [15] dan Contreras et al. [7]
masing-masing. Kumpulan literatur yang banyak berfokus pada kemampuan
172
penilaian obligasi dari alternatif ini model tanpa menganalisa dampak dari metode
estimasi struktur jangka pada detik atau lebih tinggi dari tarif nol kupon. Namun
demikian, dalam tulisan ini kami fokus pada momen kedua suku bunga yang
berasal dari struktur istilah alternatif metode. Jadi, tujuan dari makalah ini adalah
untuk menganalisis apakah ada perbedaan yang signifikan antara perkiraan VTS
tergantung pada model yang digunakan untuk memperkirakan struktur jangka
suku bunga (TSIR). Dalam studi ini kita membandingkan Nelson dan Siegel [14],
NSO, Vasicek dan Fong [17], V FO, dan bothmodels menggunakan dua hipotesis
alternatif tentang varians kesalahan. Pertama kami menganggap homoskedastisitas
dalam kesalahan harga obligasi dan begitu juga dengan struktur istilah seperti
yang diperkirakan oleh OLS. Atau, struktur kesalahan heteroskedastis digunakan
memperkirakan dengan kesalahan penentuan harga bobot GLS dengan kebalikan
dari durasinya, NSG dan V FG.
Dalam literatur, untuk meminimalkan kesalahan dalam harga biasa untuk

mengoptimalkan setiap model untuk memperkirakan TSIR. Namun demikian,
prosedur ini cenderung salah mengartikan suku bunga jangka pendek. Ini karena
kesalahan dalam harga obligasi jangka pendek menginduksi kesalahan dalam
estimasi suku bunga jangka pendek lebih besar daripada kesalahan dalam jangka
panjang suku bunga yang dihasilkan oleh kesalahan yang sama dalam harga
obligasi jangka panjang. Untuk menyelesaikannya masalah ini, biasanya terjadi
kesalahan penentuan harga dengan timbal balik bondMacaulay durasi.1 Setelah
perkiraan TSIR diperoleh, kami melanjutkan untuk memperkirakan volatilitas
suku bunga menggunakan conditional volatilitymodels (model GARCH). Selain
itu, kami mencoba mengidentifikasi tiga komponen utama dalam representasi
VTS untuk masing-masing model. Beberapa peneliti telah mempelajari subjek ini,
menemukan bahwa a sejumlah kecil faktor dapat mewakili perilaku TSIR [3, 13,
15]. Namun demikian, analisis ini belum diterapkan, untuk sebagian besar, untuk
VTS (kecuali, mis., [1]).
Kami menerapkan metodologi kami ke VTS dari perkiraan TSIR Spanyol. Itu
Data yang digunakan dalam analisis empiris ini adalah tagihan Treasury Spanyol
173
dan harga obligasi transaksi sebenarnya dari Januari 1994 hingga Desember 2006.
Kami menunjukkan perbedaan yang signifikan secara statistik antara perkiraan
struktur istilah volatilitas suku bunga tergantung pada model yang digunakan
untuk memperkirakan istilah struktur dan struktur heteroskedastisitas kesalahan
(NSO, NSG, V FO dan V FG), terutama dalam jangka pendek (kurang dari satu
tahun) dan dalam jangka panjang (lebih dari sepuluh tahun) keriangan. Inspeksi
ini dapat memiliki konsekuensi signifikan untuk banyak masalah terkait untuk
manajemen risiko di pasar pendapatan tetap. Di sisi lain, kami menemukan tiga
komponen utama (PC) yang dapat diartikan sebagai tingkat, kemiringan dan
kelengkungan dan mereka tidak berbeda secara signifikan di antara delapan model
yang kami usulkan. Bagian selebihnya dari makalah kami diatur sebagai berikut.
Bagian selanjutnya menjelaskan tentang data yang digunakan dalam makalah ini
dan metodologi yang digunakan untuk memperkirakan TSIR: the
Nelson dan Siegel [14], NS, dan Vasicek dan Fong [17], VF, model. Bagian
ketiga menggambarkan model yang digunakan untuk memperkirakan struktur
jangka volatilitas. Yang keempat Bagian menganalisis perbedaan dalam VTS dari
delapan model kami yang berbeda. Akhirnya, dua bagian terakhir termasuk
analisis komponen utama VTS dan, akhirnya,
ringkasan dan kesimpulan. Data Database yang kami gunakan dalam penelitian ini
berisi rata-rata volume-tertimbang harian dari semua harga transaksi spot dan
hasil dari semua obligasi dan obligasi Treasury Spanyol yang diperdagangkan dan
terdaftar di pasar dealer atau sistem entri buku Bank of Spain. Mereka diperoleh
dari file tahunan yang tersedia di situs web "Banco de España". Kami fokus pada
27 jatuh tempo yang berbeda antara 1 hari dan 15 tahun. Sampel kami berjalan
dari Januari 1994 hingga Desember 2006. Pertama-tama, untuk menyempurnakan
data kami, kami telah menghilangkannya dari sampel tersebut aset dengan volume
perdagangan kurang dari 3 juta euro (500 juta peseta) dalam satu hari dan obligasi
dengan jangka waktu kurang dari 15 hari atau lebih dari 15 tahun. Selain, untuk
mendapatkan penyesuaian yang baik dalam akhir singkat kurva imbal hasil, kami
selalu termasuk dalam sampel suku bunga satu minggu dari pasar repo. Dari harga
174
(yang harus bertepatan dengan hasil bagi antara volume efektif dan volume
nominal transaksi) yang disediakan oleh pasar, kami mendapatkan imbal hasilnya
jatuh tempo pada hari pemukiman. Kadang-kadang hasil ini menyimpang dari
hasil yang dilaporkan oleh themarket. Mengontrol konvensi ini, kami menghitung
ulang hasil menggunakan senyawa bunga dan basis tahun ACT / ACT untuk
kedua pasar.3 Kami memperkirakan kurva yield obligasi tanpa kupon
menggunakan dua metode alternatif. Itu yang pertama kita gunakan cocok dengan
model eksponensial Nelson dan Siegel [14] untuk estimasi kurva hasil.4
Metodologi kedua dikembangkan dalam Contreras et al. [7] di mana metode
estimasi struktur jangka Vasicek dan Fong [17] (V FO) diadaptasi ke pasar
Treasury Spanyol. V FO menggunakan metodologi non-parametrik berdasarkan
splines eksponensial untuk memperkirakan fungsi diskon. Simpul variabel unik,
yang terletak di samping jumlah residu kuadrat, digunakan untuk menyesuaikan
splines eksponensial. Sehubungan dengan metodologi estimasi kami menerapkan
OLS dan GLS. Dalam kasus kedua kita menyesuaikan kesalahan harga obligasi
dengan kebalikan dari obligasi Macaulay durasi untuk menghindari hukuman
lebih dari kesalahan tingkat bunga dalam jangka pendek struktur istilah. Pada
Gambar 1 kami mengilustrasikan estimasi hasil dari struktur istilah dalam satu
hari tergantung pada skema theweighting diterapkan ke istilah kesalahan. Itu bisa
dilihat bagaimana caranya asumsi OLS atau GLS mempengaruhi terutama
perkiraan di ujung pendek dan panjang dari TSIR meskipun dalam kedua kasus
kami menggunakan model Nelson dan Siegel Singkatnya, kami menggunakan
empat model estimasi yang berbeda: Nelson dan Siegel [14], NSG, dan Vasicek
dan Fong [17], V FG, yang memperhitungkan penimbangan residu oleh timbal
balik ofmaturity, dan NSO andV FO, yaitu, dengan residu non-weighted. Prosedur
estimasi alternatif ini memberikan masukan fungsional berikutnya analisis
komponen utama. 3 model GARCH VTS merupakan masalah penting dalam
keuangan, jadi penting untuk memiliki prakiraan volatilitas yang baik, yang
didasarkan pada fakta bahwa volatilitas adalah waktu yang bervariasi dalam data
frekuensi tinggi. Di umum, kita dapat mengasumsikan bahwa ada beberapa alasan
untuk memodelkan dan meramalkan volatilitas. Pertama-tama, penting untuk
175
menganalisis risiko memegang aset6 dan nilai opsi yang sangat tergantung pada
volatilitas aset yang mendasarinya. Akhirnya, estimator yang lebih efisien dapat
diperoleh jika heteroskedastisitas dalam kesalahan ditangani tepat. Untuk
mencapai perkiraan ini, literatur sebelumnya yang ekstensif telah menggunakan
autoregressive model conditional heteroscedasticity (ARCH), seperti yang
diperkenalkan oleh Engle [11] dan diperluas ke ARCH umum (GARCH) di
Bollerslev [5]. Model-model ini biasanya meningkatkan perkiraan volatilitas,
untuk sebagian besar, dibandingkan dengan konstanta model varians dan mereka
memberikan perkiraan volatilitas yang baik, sehingga mereka banyak digunakan
dalam berbagai cabang ekonometrik, terutama dalam analisis deret waktu
keuangan. Di Bahkan, biasanya diasumsikan bahwa volatilitas suku bunga dapat
secara akurat dijelaskan oleh model GARCH. Mempertimbangkan berbagai
macam model (GARCH, ARCH-M, TGARCH, EGARCH ...), kami
mengidentifikasi yang terbaik untuk setiap perkiraan TSIR: Nelson dan Siegel
(NSO), Vasicek dan Fong (V FO) dan kedua model tertimbang oleh durasi (NSG
dan V FG), menggunakan Akaike Information Criterion (AIC). Kami memilih
pendekatan HTML untuk memperkirakanGARCHparameters.7 Secara khusus,
GARCHmodels sangat pas saat kami menggunakan NSO dan V FG. Namun
demikian, T-GARCH dan E-GARCH sepertinya yang terbaik model untuk
estimasi V FO dan NSG, masing-masing. 4 Perbedaan dalam volatilitas dari
model yang berbeda Pada bagian ini kami mempelajari perbedaan antara struktur
volatilitas dari yang berbeda model estimasi dari TSIR (NSO, V FO, NSG dan V
FG) dan bersyarat volatilitymodels (model GARCH dalam setiap kasus
sebelumnya). Pada model tipe pertama, kami mendapatkan volatilitas historis
menggunakan jendela bergerak 30-, 60- dan 90-hari dan ukuran standar deviasi.
Kami menunjukkan hasilnya dengan jendela bergerak 30 hari. Secara keseluruhan
kita dapat melihat pola berulang dalam bentuk VTS: awalnya menurun, kemudian
meningkat sampai satu sampai dua tahun dan akhirnya kita bisa mengamati a
volatilitas suku bunga konstan atau sedikit menurun saat kita mendekati jangka
panjang dari kurva. Ini konsisten dengan Campbell et al. [6], yang berpendapat
bahwa punuk VTS dalam jangka menengah dapat dijelaskan dengan mengurangi
176
kemampuan perkiraan minat pergerakan tingkat di cakrawala sekitar satu tahun.

Mereka berpendapat bahwa ada beberapa shortrun perkiraan yang timbul dari
prosedur operasi Federal Reserve, dan juga beberapa ramalan jangka panjang dari
efek siklus bisnis pada tingkat suku bunga. Pada pandangan pertama, perkiraan
volatilitas untuk model yang berbeda digunakan untuk memperkirakan struktur
suku bunga mengungkapkan bagaimana metodologi yang digunakan untuk
memperkirakan nol obligasi kupon mungkin memiliki dampak penting, baik
dalam level dan bentuk, pada yang berikutnya perkiraan VTS. Ini bisa lebih jelas
terlihat pada Gambar 2, di mana kami menunjukkan VTS untuk 8 kasus kami
pada beberapa hari tertentu: Untuk meningkatkan analisis kami, kami melanjutkan
untuk mengukur perbedaan rata-rata antara perkiraan volatilitas menggunakan dua
metode alternatif dan berbeda. Kita dapat mendeteksi bahwa perbedaan ini
tampaknya lebih tinggi dalam jangka pendek (kurang dari satu tahun) dan dalam
jangka panjang (lebih dari sepuluh tahun). Akhirnya, kami menggunakan
beberapa statistik untuk diuji apakah rangkaian volatilitas memiliki mean, median,
dan varians yang sama (Tabel 1). Dalam urutan untuk melakukan analisis ini,
kami memperoleh tes Anova-F untuk analisis rata-rata, Kruskal- Tes Wallis dan
van der Waerden untuk analisis median dan, akhirnya, Levene dan Uji Brown-
Forsy untuk menganalisis signifikansi varians VTS. Di satu sisi, statistik
menawarkan bukti melawan hipotesis nol homogenitas untuk jatuh tempo lebih
pendek (di bawah 1 tahun) dan juga untuk jangka waktu yang lebih lama (lebih
dari 10 tahun), rata-rata dan median. Di sisi lain, statistik untuk diuji apakah
volatilitas yang dihasilkan oleh delapan model memiliki varian yang sama
menunjukkan hasil yang sama dengan rata-rata dan analisis median, yaitu, kami
menemukan bukti terhadap nol hipotesis untuk kematangan yang lebih pendek
dan lebih lama. Untuk meringkas, analisis ini menunjukkan bahwa perkiraan
volatilitas menggunakan model yang berbeda dan teknik menampilkan perbedaan
yang signifikan secara statistik, terutama dalam waktu yang lebih pendek dan
kedewasaan lebih lama, seperti yang diharapkan. 5 Analisis komponen utama
struktur istilah volatilitas (VTS) Pada bagian ini, kami mencoba mengurangi
dimensi vektor dari 27 seri waktu volatilitas historis / kondisional, 8 mengerjakan
177
PC mereka, karena analisis ini sering digunakan untuk mengidentifikasi sumber

informasi yang tidak berkorelasi. Teknik ini menguraikan sampel
covariancematrix atau correlmatrix dihitung untuk seri dalam grup. Baris
bertuliskan "nilai eigen" dalam laporan Tabel 2 nilai eigen dari matriks momen
kedua sampel dalam urutan menurun dari kiri ke kiri kanan.Kita juga
menunjukkan proporsi varians yang dijelaskan oleh masing-masing PC. Akhirnya,
kami kumpulkan jumlah kumulatif dari proporsi varians dari kiri ke kanan, yaitu
variansnya proporsi dijelaskan oleh PC hingga urutan itu. PC pertama dihitung
sebagai kombinasi linear dari seri dalam kelompok yang diberikan oleh
eigenvector pertama. Itu PC kedua adalah kombinasi linear dengan bobot yang
diberikan oleh vektor eigen kedua dan seterusnya. Kami dapat menekankan nilai
terbaik untuk persentase kumulatif yang dijelaskan varians untuk setiap PC: 56%
dalam kasus GV FG (PC pertama), 84% dalam kasus GNSO (PC kedua) dan 93%
(PC ketiga), 97% (PC keempat) dan 99% (PC kelima) dalam kasus NSO. Dengan
demikian, lima faktor pertama menangkap, setidaknya, 97% variasi dalam
volatilitas rangkaian waktu. Di bagian ini, kita dapat menegaskan bahwa tiga PC
pertama sangat mirip di antara yang berbeda model. Khususnya, PC pertama
menyimpan quasi konstan atas seluruh volatilitas struktur istilah (VTS) dan
delapan model. Jadi, kita bisa menafsirkannya sebagai level umum volatilitas
(tingkat atau tren). Sehubungan dengan PC kedua, ia menyajikan koefisien tanda
yang berlawanan dalam jangka pendek dan koefisien dari tanda yang sama dalam
jangka panjang istilah, sehingga komponen ini dapat diartikan sebagai perbedaan
antara level volatilitas antara dua ujung VTS (kemiringan atau kemiringan).
Akhirnya, PC ketiga menunjukkan mengubah tanda-tanda koefisien, jadi PC ini
bisa ditafsirkan sebagai perubahan dalam kelengkungan VTS (kelengkungan).
Jadi, wawasan penting adalah ketiga faktor itu dapat ditafsirkan dalam hal tingkat,
kemiringan dan kelengkungan. Berkenaan dengan PC keempat dan kelima,
mereka menyajikan beberapa perbedaan di antara masing-masing model; Namun
demikian, PC ini dapat dikaitkan dengan punuk lebih tinggi atau lebih rendah dari
VTS. Untuk menyelesaikan analisis ini, kami ingin menguji apakah tiga PC
pertama, yang jelas mencerminkan tingkat, kemiringan dan kelengkungan VTS,
178
dan dua PC terakhir berbeda di antara delapan model kami (volatilitas historis dan
kondisional). Mempertimbangkan hasil dari Tabel 3, kita dapat menyatakan
bahwa statistik terkait dengan perbedaan dalam homogenitas bukti yang berarti
dalam delapan model kami karena kami tidak dapat menolak hipotesis nol. Dalam
kasus perbedaan median, kami menemukan bukti yang menentang hipotesis nol
median yang sama untuk PC kelima. Namun demikian, PC lainnya menawarkan
bukti yang mendukung hipotesis nol. Di sisi lain, statistik untuk menguji apakah
varians PC yang dihasilkan oleh delapan kami modelnya sama atau tidak juga
muncul pada Tabel 3. Untuk semua PC, statistik ini menawarkan bukti kuat
terhadap hipotesis nol. Meringkas, di bagian ini kami telah menyimpulkan bahwa
tiga PC pertama dapat
terkait dengan level, kemiringan dan kelengkungan VTS dan, selain itu, PC ini
tidak secara signifikan berbeda dalam mean dan median di antara delapan model
kami. Namun, PC4 dan PC5 secara signifikan berbeda antara model kami. 6
Kesimpulan Tulisan ini bertujuan untuk memberikan wawasan baru ke dalam
perilaku VTS suku bunga dengan menggunakan perkiraan volatilitas historis dari
empat model yang berbeda dari struktur dasar suku bunga (TSIR) dan menerapkan
spesifikasi volatilitas bersyarat alternatif (menggunakan model GARCH) dari
1994 hingga 2006. Kami telah menggunakan model yang disebutkan, dan kami
telah menyusun rangkaian waktu volatilitas menggunakan gerakan 30-, 60- dan
90-hari jendela untuk membangun VTS. Pertama-tama, hasil analisis kami
menunjukkan bahwa ada signifikan secara statistik perbedaan antara perkiraan
struktur jangka volatilitas suku bunga tergantung pada model yang digunakan
untuk memperkirakan struktur istilah dan struktur heteroskedastisitas kesalahan
(NSO, NSG, V FO dan V FG), terutama dalam jangka pendek (kurang dari satu
tahun) dan dalam jangka panjang (lebih dari sepuluh tahun), tetapi perbedaan-
perbedaan ini tidak tergantung pada prosedur untuk memperkirakan VTS. Kedua,
bukti sebelumnya menunjukkan bahwa dinamika struktur jangka volatilitas dapat
dijelaskan dengan baik secara relatif beberapa komponen umum. Interpretasi yang
mungkin dari komponen-komponen utama ini dalam hal tingkat, kemiringan dan
179
kelengkungan dapat menggambarkan bagaimana VTS bergeser atau berubah

bentuk sebagai respons terhadap kejutan pada PC. Kami menemukan bahwa tiga
PC pertama sangat mirip di antara model yang berbeda dan mereka dapat
diidentifikasi sebagai tren, kemiringan dan kelengkungan. Mengenai PC keempat
dan kelima, mereka dapat dikaitkan dengan punuk lebih tinggi atau lebih rendah
dari VTS. Juga, tiga PC pertama tidak berbeda secara signifikan dalam mean dan
median di antara delapan model kami. Namun, PC4 dan PC5 secara signifikan
berbeda antara model kami. Pengakuan. Kami mengakui dukungan keuangan
yang diberikan oleh Junta de Comunidades de Castilla-La Mancha memberikan
hibah PCI08-0089 dan Ministerio de Educación y Ciencia ECO2008-05551 /
ECON yang sebagian didukung oleh dana FEDER. Penentuan harga opsi yang
tepat dan mendekati dalam stokastik model lonjakan difusi volatilitas Fernanda
D’Ippoliti, Enrico Moretto, Sara Pasquali, dan Barbara Trivellato Abstrak. Kami
mengusulkan model jump-fluktuasi volatilitas stokastik untuk penentuan harga
opsi lompatan kontemporer di kedua titik kembali dan dinamika volatilitas. Model
mengakui, di Semangat Heston, solusi bentuk tertutup untuk opsi gaya Eropa.
Untuk mengevaluasi lebih kompleks derivatif untuk mana tidak ada ekspresi
harga eksplisit, seperti opsi penghalang, numerik metodologi, berdasarkan
"algoritma yang tepat" yang diusulkan oleh Broadie dan Kaya, diterapkan. Ini
teknik disebut tepat karena tidak ada diskretasi dinamika yang diperlukan. Kami
akhirnya menguji kebaikan metodologi kami menggunakan, sebagai data nyata,
harga dan volatilitas tersirat dari DJ Euro Stoxx 50 market dan memberikan
beberapa hasil numerik untuk opsi barrier dan their Greeks. Kata Kunci: model
fluktuasi-lonjakan stokastik stokastik, penetapan harga opsi barrier, pengambilan
sampel penolakan
1. Perkenalan
Dalam beberapa tahun terakhir, banyak penulis telah mencoba mengatasi
pengaturan Heston [11]. Ini adalah karena fakta bahwa kemampuan model
volatilitas stokastik untuk harga waktu singkat pilihan terbatas [1,14]. Dalam
[2], penulis menambahkan (proporsional) log-normal melompat ke dinamika
180
pengembalian spot di theHestonmodel (lihat [10] untuk log-uniformjumps)

dan memperpanjang metodologi penentuan harga Fourier inversion [11, 15]
untuk Eropa dan opsi Amerika. Perbaikan lebih lanjut ini belum cukup untuk
menangkap peningkatan cepat volatilitas yang dialami di pasar keuangan.
Satu didokumentasikan contoh fitur ini diberikan oleh tekanan pasar Fall
1987, ketika volatilitas melompat dari sekitar 20% menjadi lebih dari 50%.
Untuk mengisi celah ini, pengenalan gedebuk masuk volatilitas telah
dianggap sebagai evolusi alami dari stochastic difusif yang ada model
volatilitas dengan lompatan dalam pengembalian. Dalam [9], para penulis
mengakui bahwa “meskipun themotivation untuk lompatan dalam volatilitas
adalah untuk memperbaiki dinamika volatilitas, yang hasil menunjukkan
bahwa lompatan dalam volatilitas juga memiliki dampak cross-sectional yang
penting pada harga opsi ”. Dalam konteks ini, kami memformulasikan model
jump-diffusion volatilitas stochastic yang, dalam semangat Heston, mengakui
solusi bentuk tertutup untuk opsi gaya Eropa. Itu evolusi dari aset yang
mendasari didorong oleh persamaan diferensial stochastic dengan lompatan
yang mengandung twodiffusionterms: yang pertama memiliki volatilitas
konstan, seperti pada Black dan Scholes (B & S) model [4], sedangkan yang
terakhir adalah tipe Heston. Dinamikanya dari volatilitas mengikuti proses
akar kuadrat dengan lompatan. Kita mengira bahwa kedatangan waktu dari
kedua lompatan itu bersamaan, maka kita akan mengacu pada model kita
sebagai stochastic volatilitas dengan model lompatan kontemporer (SVCJ).
Kami mengklaim bahwa dua difusi istilah dalam dinamika pengembalian spot
membuat model kami lebih fleksibel daripada Heston satu. Penilaian opsi
non-Eropa biasanya membutuhkan teknik numerik; di sebagian besar kasus
semacam diskretasi diperlukan sehingga bias harga hadir. Menghindari cacat
ini, kami memilih pendekatan "simulasi pasti" yang dikembangkan oleh
Broadie dan Kaya (B & K) [5, 6] untuk volatilitas stokastik dan model diffus
jump-diffusion lainnya. Ini Metode ini didasarkan pada teknik inversi Fourier
dan beberapa argumen pengkondisian jadi untuk mensimulasikan evolusi
nilai dan varians dari suatu yang mendasarinya aset. Tidak seperti algoritma
181
B & K, untuk menentukan integral dari varians, kami mengganti metode

inverse transform dengan teknik sampling penolakan. Kami kemudian
membandingkan hasil dari ekspresi bentuk tertutup untuk harga opsi gaya
Eropa dengan mereka mitra yang didekati menggunakan data dari pasar
turunan DJ Euro Stoxx 50. Setelah menemukan bahwa algoritme yang
dikodifikasikan mengembalikan nilai yang dapat diandalkan, kami
menentukan harga dan Yunani untuk opsi penghalang yang tidak ada rumus
eksplisit.
2. Stochastic volatility jump-diffusion
model Biarkan (_, F, Q) menjadi ruang probabilitas lengkap di mana Q adalah
probabilitas risiko-netral ukur dan pertimbangkan t ∈ [0, T]. Kami mengira
bahwa Wiener standar bidimensional Kami berasumsi bahwa W1, W2, ZS
dan Zv saling independen. Kami menganggap bahwa dS (t) = S (t−)
di mana S (t) adalah aset yang mendasari,√v (t) adalah proses volatilitas, dan
parameter
r, σS, ξ, k ∗, θ ∗ dan σv adalah konstanta nyata (r adalah tingkat tanpa risiko).
Proses ZS (t) dan Zv (t) memiliki intensitas konstan yang samaλ> 0
(frekuensi lompatan tahunan). Itu proses ZS (t) memiliki distribusi ukuran
lompatan log-normal; jika JS adalah ukuran lompatan relatif, kemudian log (1
+ JS) didistribusikan sesuai denganN
_ log (1 + jS) – 12 δ2S, δ2S_ hukum, di mana jS adalah syarat tidak bersyarat
dari JS. Proses Zv (t) memiliki distribusi eksponensial ukuran lompatan Jv> 0
dengan rata-rata jv. Perhatikan bahwa JS ∈ (−1, + ∞) menyiratkan bahwa stok
harga tetap positif untuk semua t ∈ [0, T]. Varians v (t) adalah proses reversi
amean dengan melompat di mana k ∗, θ ∗ dan σv adalah, masing-masing,
kecepatan penyesuaian, longrun mean dan koefisien variasi. Jika k ∗, θ ∗, σv>
0, 2k ∗ θ ∗ ≥ σ2
v, v (0) ≥ 0 dan
Jv> 0, maka proses v (t) bernilai positif untuk semua t ∈ [0, T] dengan
probabilitas 1 (lihat [12] dalam kasus no-jump) dan menangkap outlier positif
besar dalam volatilitas yang didokumentasikan di [3]. Lonjakan harga aset
182
dan varians terjadi secara bersamaan sesuai dengan proses penghitungan N

(t). Korelasi seketika antara S dan v, ketika lompatan tidak terjadi, adalah ρ
(t) = ξ 1
v (t) /
!
σ2
S
+ ξ 2v (t)
"
, tergantung pada dua parameter dan stokastik karena mengandung tingkat
volatilitas di t. Kami mengklaim bahwa ini meningkatkan Model Heston di
mana korelasi antara yang mendasari dan volatilitas adalah konstan.
Selanjutnya, ξ in ρ (t) mengukur komponen volatilitas B & S yang konstan !
σ2
S
"
dengan yang satu itu digerakkan oleh v (t) (lihat [7]). Terakhir, varians instan
dari pengembalian σ2 S+ ξ 2v (t)
secara seragam dibatasi dari bawah oleh sebuah konstanta positif, dan fakta
ini terbukti
berguna dalam banyak masalah kontrol dan penyaringan (lihat [13]).
3 Formula tertutup
untuk opsi gaya Eropa Dengan analogi dengan B & S dan Heston formulæ,
harga opsi panggilan dengan strike price K dan jatuh tempo T yang ditulis
pada aset dasar S adalah C (S, v, t) = SP1 (S, v, t) - Ke − r (T −t) P2 (S, v, t),
(3) di mana Pj (S, v, t), j = 1, 2, adalah fungsi distribusi kumulatif (cdf).
Khususnya, 6Pj (z): = Pj (ez), z ∈ R, j = 1, 2, adalah probabilitas kondisional
bahwa panggilan opsi kedaluwarsa in-the-money, yaitu, 6Pj (log S, v, t; log
K) = Q {log S (T) ≥ log K | log S (t) = S, v (t) = v}. (4) Dengan menggunakan
metode transformasi Fourier, kita mendapatkan 6Pj (log S, v, t; log K) =
1
183
4 Menghasilkan jalur sampel

Mengikuti [5,6], kami sekarang memberikan estimator simulasi Monte Carlo
untuk menghitung opsi derivatif harga tanpa proses diskresi S dan v. Gagasan
utamanya adalah bahwa, oleh pengkondisian yang tepat pada jalur yang
dihasilkan oleh varians dan proses lompatan, evolusi harga aset dapat
direpresentasikan sebagai serangkaian acak log-normal variabel. Metode ini
disebut Exact Simulation Algorithm (ESA) untuk SVCJ Model. Pada
Langkah 3 dari metode ini, pengambilan sampel dari cdf dilakukan melalui
inverse transformmethod. Karena fungsi invers dari cdf tidak tersedia dalam
bentuk tertutup,penulis menerapkan metode Newton untuk mendapatkan nilai
distribusi. Untuk menghindari inversi cdf, kami menggunakan sampel
penolakan yang ide dasarnya adalah untuk mengambil contoh distribusi
diketahui proporsional dengan cdf nyata (lihat [7]). Modifikasi ini melibatkan
peningkatan efisiensi algoritma, seperti hasil numerik pada Tabel 2
menunjukkan. Untuk menetapkan harga opsi yang bergantung pada jalur,
yang hasilnya adalah fungsi dari harga aset vektor (S (t0),..., S (tM)) (M = 1
untuk opsi jalur-independen), biarkan 0 = t0 <t1 <. . . <tM = T adalah partisi
dari interval [0, T] ke M, segmen yang mungkin tidak seimbang panjang _ti:
= ti - ti − 1, untuk i = 1,. . . , M. Sekarang perhatikan dua kali berturut-turut
langkah ti − 1 dan ti pada kisi waktu dan menganggap v (ti − 1) diketahui.
Algoritme bisa diringkas sebagai berikut: Langkah 1. Hasilkan sebuah
variabel acak Poisson dengan rerata λ_ti dan simulasikan ni, jumlah
lompatan. Biarkan τi, 1 menjadi waktu lompatan pertama setelah ti − 1. Set u:
= ti – 1 dan t: = τi, 1 (u <t). Jika t> ti, lompati Langkah 5. dan 6.
Langkah 2. Hasilkan sampel dari distribusi v (t) diberikan v (u), yaitu,
noncentral
distribusi chi-kuadrat. Langkah 3. Hasilkan sampel dari distribusi_ tu v (q) dq
diberikan v (u) dan v (t): ini dilakukan dengan menulis fungsi karakteristik
kondisional dari integral dan kemudian fungsi kepadatan. Kami
mensimulasikan nilai penerapan integral
184
sampling penolakan. Langkah 4. Pulihkan _ t kamu √v (q) dW2 (q) diberikan

v (u), v (t) dan_ tu v (q) dq.
Langkah 5. Jika t ≤ ti, hasilkan Jv dengan sampling dari distribusi
eksponensial dengan dasar jv. Perbarui nilai varians dengan menetapkan6v (t)
= v (t) + J (1) v, dimana J (1)
v adalah ukuran lompatan pertama dari varians. Langkah 6. Jika t <ti,
tentukan waktu lompatan berikutnya τi, 2 setelah τi, 1. Jika τi, 2 ≤ ti, atur u: =
τi, 1 dan t: = τi, 2. Ulangi iterasi Langkah 2–5. hingga ti. Jika τi, 2> ti atur u:
= τi, 1 dan t: = ti. Ulangi setelah iterasi Langkah 2–4. Langkah 7. Definisikan
varians rata-rata antara ti-1 dan ti sebagai
σ2i=niδ2S+ σ2S_ti_ti, (8)
dan variabel tambahan βi = eni log (1 + jS) −λjS_ti − ξ 22_ titi − 1v (q) dq + ξ
5 Pilihan penghalang dan orang Yunani mereka
Untuk menentukan opsi penghalang harga, kami memilih untuk menerapkan
Monte Carlo (CMC) bersyarat teknik, pertama kali digunakan dalam
keuangan di [16]. Metode ini berlaku untuk path-dependent derivatif yang
harganya memiliki solusi bentuk tertutup dalam pengaturan B & S. Itu
mengeksploitasi properti pengurang variansi berikut dari ekspektasi bersyarat:
untuk sembarang acak variabel X dan Y, var [E [X | Y]] ≤ var [X], dengan
ketimpangan yang ketat dikecualikan dalam hal sepele kasus. Sekarang, kami
mengilustrasikan metode CMC untuk opsi penghalang diskrit. Biarkan C (S
(0), K, r, T, σ) menunjukkan harga B & S dari opsi panggilan Eropa dengan
volatilitas konstan σ, jatuh tempo T, strike K, ditulis pada aset dengan harga
awal S (0). Diskon hasil untuk opsi knock-out diskrit dengan penghalang H>
S (0) diberikan oleh f (X) = e − rT (S (T) - K)+1 {max1≤i≤M S (ti) <H}, (11)
di mana S (ti) adalah harga aset pada waktu ti untuk suatu partisi waktu 0 = t0
<t1 <. . . <tM =T. Dengan menggunakan hukum harapan yang diulang, kami
mendapatkan harga berikut ini dari opsi
di mana σ M dan βM didefinisikan dalam (8) dan (9), masing-masing.
Pendekatan ini juga dapat digunakan untuk menghasilkan estimator yang
tidak bias untuk delta, gamma dan rho, mengeksploitasi metode rasio
185
kemungkinan (LR). Misalkan p ∈ Rn adalah vektor parameter dengan

kepadatan probabilitas gp (X), di mana X adalah vektor acak yang
menentukan fungsi pembayaran diskon f (X) didefinisikan dalam (11). Harga
opsi diberikan oleh α (p) = E [f (X)], (13)
dan kami tertarik untuk menemukan turunan α_ (p). Dari (13), orang
mendapat
gp (x) adalah penduga yang tidak bias dari α_ (p) dan kuantitas g_p (x) gp (x)
adalah disebut fungsi skor. Perhatikan bahwa yang terakhir ini tidak
bergantung pada f (X) dan bahwa the Greek untuk setiap opsi dihitung
berdasarkan kuantitas mana yang dianggap sebagai parameter dalam ekspresi
g. Pertimbangkan opsi penghalang knock-out terpisah yang hasilnya
diberikan oleh (11). Dari (14), berikut bahwa estimator LR untuk opsi Yunani
diberikan oleh produk f (X) dan fungsi skor. Fungsi skor ditentukan dengan
menggunakan ide kunci dari metode CMC: dengan pengkondisian yang tepat
pada jalur yang dihasilkan oleh varians dan proses lompatan, evolusi harga
aset S adalah log-normal variabel acak (lihat (10)), maka kepadatan
bersyaratnya adalah
Sekarang, untuk menemukan penduga delta dan gamma, yaitu, turunan
pertama dan kedua berkenaan dengan harga aset yang mendasari, masing-
masing, kami membiarkan p = S dalam (14) dan hitung turunan g dalam S
(0). Setelah beberapa aljabar, kami punya _
∂g (x)
∂S
_
S = S (0)
= di (x) φ (di (x))
xS (0) σ2i
_ti
. (17)
Membagi yang terakhir ini dengan g (x) dan mengevaluasi ekspresi pada x =
S (t1), kita memiliki berikut fungsi skor untuk estimator delta LR
186
6 Hasil numerik
Pada bagian ini, kami menerapkan model kami ke pasar DJ Euro Stoxx 50
(data disediakan oleh Banca IMI, Milan), menggunakan set parameter yang
dilaporkan pada Tabel 1. Parameter-parameter ini telah dipilih untuk menguji
efisiensi algoritma kami dan memperoleh yang baik perkiraan volatilitas
pasar. Kalibrasi model berada di luar ruang lingkup ini kertas dan dibiarkan
untuk penelitian lebih lanjut. Tabel 1. Nilai parameter model (1) dan (2)
Indeks "blue-chip" DowJones Euro Stoxx 50 (DJ50) mencakup lima puluh
EuroZone pemimpin sektor terbesar yang sahamnya dimiliki oleh
theDowJones Euro Stoxx Index. DJ50 optionmarket sangat likuid dan
berkisar luas di kedua jatuh tempo (dari satu bulan hingga sepuluh tahun) dan
harga strike (uang dari 90% hingga 115%). Perlu dicatat itu indeks membawa
dividen yang dibayarkan oleh perusahaan sehingga hasil dividen d harus
benar dipertimbangkan dengan mengurangkannya dari istilah pergeseran
dalam dinamika S. Volatilitas di Tabel 2 (kolom 2) mewakili istilah tersebut
+ ξ 2v (0) (varians instan dari tempat kembali pada t = 0, dan bukan hanya σS
seperti dalam model B & S), di mana v (0) adalah awal nilai dinamika
volatilitas stokastik. Oleh karena itu kita dapat memperoleh v (0) dari v (0) =
/ ξ 2, di mana σMKT adalah volatilitas pasar. Harga yang tepat versus
perkiraan Kami menyajikan beberapa perbandingan numerik ESA yang
dijelaskan dalam Bagian 4 dan lainnya metode simulasi. Untuk tujuan ini,
kami menggunakan opsi panggilan Eropa pada 23 November, 2006; data
yang relevan ditunjukkan pada Tabel 2. Kami membandingkan harga yang
diturunkan dengan berbeda metode: rumus tertutup (3) (kolom 4), ESA
dimodifikasi dengan penolakan sampling (kolom 5), ESA diusulkan dalam [5,
6] (kolom 6), dan Monte Carlo estimator (lihat (5) dalam [6]) (kolom 7).
Untuk ESA, kami mensimulasikan 100.000 varians jalur dan jalur harga 1000
tergantung pada setiap jalur varians dan lompatan. Harga di Kolom 5 sangat
mirip dengan yang diperoleh dengan rumus tertutup (3) dan ditingkatkan
pendekatan yang diperoleh menggunakan ESA asli. Hasil kami juga
mengkonfirmasi bahwa ESA lebih efisien daripada pendekatan Monte Carlo
187
standar, sebagaimana dinyatakan dalam [5, 6]. Waktu diperlukan untuk

mendapatkan setiap harga dengan ESA di kolom 5 adalah sekitar 545 detik
dengan Kode FORTRAN berjalan pada AMD Athlon MP 2800+, prosesor
2,25 GHz. Ini waktu komputasi lebih pendek dari yang dilaporkan pada [5,6]
untuk jumlah yang sebanding simulasi. Ini adalah hasil yang
menggembirakan karena opsi harga yang tidak memiliki bentuk tertutup
formulæ seperti opsi penghalang dan orang Yunani. Tabel 2. Perbandingan
antara harga opsi Eropa dengan harga spot S (0) = 4116.40, waktu hingga
jatuh tempo 1 tahun, tingkat tanpa risiko r = 3,78% dan hasil dividen d =
3,37% pada 23 November 2006 Moneyness% Strike mkt vol Ditutup ESA
ESA MC Harga K σMKT (3) (penolakan) (B & K)
90.0 3704.76 0.1780 530.43 530.65 531.18 529.42
95.0 3910.58 0.1660 383.14 383.65 383.31 382.38
97.5 4013.49 0.1600 316.19 316.61 316.76 315.50
100.0 4116.40 0,1550 255.95 255.98 256.22 255.29
102.5 4219.31 0.1500 201.77 201.45 201.42 201.07
105.0 4322.22 0.1450 154.22 154.62 153.92 153.43
110.0 4528.04 0.1380 83.71 83.45 83.32 82.60
115.0 4733.86 0.1320 40.13 40.03 38.84 38.59
Penilaian opsi penghalang dan Yunani Kami menyediakan beberapa hasil
numerik pada penilaian penghalang “up-and-out” diskrit opsi panggilan yang
harganya diberikan oleh (12), dengan M = 2 waktu pemantauan, dan dua
hambatan yang berbeda H = {5000; 5500}. Untuk memiliki semacam tolok
ukur, kami menggunakan data yang sama dengan kasus Eropa. Harga opsi
barrier dihitung berdasarkan 1.200 jalur volatilitas dan 40 jalur harga
tergantung pada masing-masing jalur varians dan lompatan. Dengan
membandingkan harga opsi Eropa dan penghalang (H = 5000) dengan uang
yang sama (lihat Tabel 2 dan 3), perubahan relatif dalam rentang harga dari
24% (uang 90%) hingga 70% (uang 115%). Semakin tinggi uang, semakin
sedikit kemungkinan optionwill kedaluwarsa dengan hasil positif, baik karena
hits yang mendasarinya penghalang sebelum jatuh tempo, menjatuhkan
188
pilihan, atau karena opsi ini, pada kedaluwarsa, kehabisan uang. Fitur ini juga
hadir ketika level barrier perubahan, seperti pada Tabel 3. Tabel 3. Harga opsi
penghalang dengan dua hambatan yang berbeda, harga spot S (0) = 4116.40,
waktu hingga jatuh tempo 1 tahun, tingkat tanpa risiko r = 3,78% dan hasil
dividen d = 3,37% pada 23 November 2006
Moneyness% Strike K mkt vol σMKT H = 5000 H = 5500
90.0 3704.76 0.1780 415.0204 519.1443
95.0 3910.58 0.1660 298.2722 374.2468
97,5 4013,49 0,1600 239,5962 308,4141
100.0 4116.40 0,1550 189,5186 249,8215
102.5 4219.31 0.1500 142.6677 196.8798
105.0 4322.22 0.1450 103.9032 149.7763
110.0 4528.04 0.1380 45.5808 79.8648
115.0 4733.86 0.1320 12.1330 35.8308
Akhirnya, Tabel 4 melaporkan delta dan gamma untuk opsi penghalang Eropa
dan pemogokan yang berbeda. Waktu keseluruhan yang diperlukan untuk
mendapatkan setiap opsi harga penghalang (Tabel 3) bersama dengan orang
Yunani (Tabel 4) adalah sekitar 1.600 detik. Tabel 4. Simulasi perkiraan
orang Yunani untuk Eropa dan opsi penghalang dengan yang berikut
parameter pilihan: penghalang H = 5000, harga spot S (0) = 4116.40, waktu
hingga jatuh tempo T - t = 1 (tahun), tingkat tanpa risiko r = 3,78% dan hasil
dividen d = 3,37% pada 23 November 2006 Moneyness Strike Delta Delta
Gamma Gamma % K (Eropa) (penghalang) (Eropa) (penghalang)
97.50 4013.49 0.61919 0.263209 0.00054727 0.0006277
100,00 4116.40 0,56006 0,241053 0,00060312 0,0005138
102.50 4219.31 0.49546 0.210052 0.00065031 0.0003766
105.00 4322.22 0.42850 0.182986 0.00068271 0,0002149
7 Kesimpulan
Model volatilitas lonjakan stokastik stokastik alternatif untuk penentuan
harga opsi diusulkan. Untuk menangkap semua fitur empiris pengembalian
dan volatilitas spot, kami memperkenalkan a komponen lompatan di kedua
189
dinamika dan wesuppose yang melompat terjadi secara bersamaan. Ini model
penetapan harga diakui, dalam semangat Heston, solusi bentuk tertutup untuk
Gaya Eropa pilihan. Untuk mengevaluasi opsi yang bergantung pada jalur,
kami mengusulkan versi modifikasi dari Algoritma numerik dikembangkan di
[5, 6] yang keunggulan utamanya adalah kekurangan bias diskritisasi. Secara
khusus, kami mengganti teknik inversi yang diusulkan oleh penulis dengan
prosedur pengambilan sampel penolakan untuk meningkatkan efisiensi
algoritma. Kita pertama menerapkan metodologi kami untuk opsi harga yang
ditulis pada indeks DJ Euro Stoxx 50, lalu kami membandingkan harga ini
dengan nilai yang diperoleh dengan menerapkan ekspresi bentuk tertutup,
algoritma Broadie andKaya dan simulasi standardMonteCarlo (lihat Meja 2).
Eksperimen numerik mengonfirmasi bahwa harga diturunkan dengan ESA
yang dimodifikasi oleh penolakan sampling memberikan pendekatan yang
paling akurat dengan hormat ke nilai rumus yang tertutup. Atas dasar hasil
ini, kami melakukan penilaian opsi penghalang dan Yunani yang nilainya
tidak dapat diekspresikan oleh ekspresi eksplisit. Model GARCH-type miring
untuk multivarian deret waktu keuangan Cinzia Franceschini dan Nicola
Loperfido Abstrak. Skewness dari vektor acak dapat dievaluasi melalui
cumulant ketiganya, yaitu matriks elemen-elemennya adalah momen sentral
dari pesanan tiga. Dalam kasus umum, pemodelan ketiga kumulans mungkin
memerlukan sejumlah besar parameter, yang dapat secara substansial
dikurangi jika kemiringan-normalitas dari distribusi yang mendasari
diasumsikan. Kami mengusulkan GARCH multivariat model dengan korelasi
kondisional konstan dan goncangan acak multivariate condong-normal.
Aplikasi ini berhubungan dengan deret waktu keuangan multivariat yang
skewnessnya signifikan negatif, menurut tes tanda untuk simetri.
Kata kunci: pengembalian keuangan, distribusi condong-normal, kumulatif
ketiga
1. Perkenalan
Pengembalian keuangan yang diamati sering kali condong negatif, yaitu,
momen sentral ketiga adalah negatif. Temuan empiris ini dibahas dalam [3].
190
[7] mengira itu negatif skewness berasal dari perilaku asimetris pasar
keuangan dengan hormat ke berita yang relevan. [6] menyimpulkan bahwa \
Skewness harus diperhitungkan dalam estimasi pengembalian saham ".
Skewness pengembalian keuangan telah dimodelkan dalam beberapa cara.
[12] ulasan literatur sebelumnya tentang topik ini. [5] model kemiringan
sebagai konsekuensi langsung dari efek umpan balik. [4] memodifikas model
ke kasus multivariat. Semua penulis di atas berurusan dengan ukuran skalar
skalar, bahkan ketika mereka memodelkan pengembalian multivariasi. Dalam
tulisan ini, kita mengukur kemiringan dari vektor acak menggunakan matriks
yang berisi semua momen sentral dari pesanan tiga. Lebih tepatnya, kami
mengukur dan memodelkan kemiringan dari vektor acak menggunakan
kumulant ketiganya dan multivariate condong-distribusi normal [2], masing-
masing. Ini disusun sebagai berikut.
Bagian 2 dan 3 mengingat definisi dan beberapa sifat dasar multivariat
momen ketiga dan distribusi condong-normal multivariat. Bagian 4
memperkenalkan a multivariate GARCH-type model dengan kesalahan
condong-normal. Bagian 5 memperkenalkan a
dataset keuangan yang condong negatif. Bagian 6 menerapkan tes tanda untuk
simetri ke kumpulan data yang sama. Bagian 7 berisi beberapa pernyataan
penutup.
Oleh karena itu E Zi Z j Zk berada di baris ke-i dan di kolom ke-j dari
matriks kk Mk. Ada hubungan sederhana antara momen pusat ketiga dan
momen pertama, kedua dan ketiga dari vektor acak [9, halaman 187]:
Proposisi 5.
Biarkan μ = μ1 (z), μ2 (z), μ3 (z) saat pertama, kedua dan ketigadari
vektor acak z. Maka momen tengah ketiga dari z dapat diwakili oleh μ3 (z) - μ2
(z) ⊗ μT - μT ⊗ μ2 (z) - μ μ2V (z) T + 2μ ⊗ μT ⊗ μT, di mana
AVmenunjukkan vektor yang diperoleh dengan menumpuk kolom dari matriks
A di atas satu sama lain.
191
3. Distribusi multivariate condong-normal

Kami melambangkan dengan z ∼ S N p (, α) sebuah vektor acak
multivariate condong-normal [2] dengan parameter skala dan parameter bentuk
α. Fungsi kepadatan probabilitasnya adalah
f (z;, α) = 2φ p (z;) α T z, z, α ∈ R p, ∈ R p × R p, (1)
dimana (•) adalah fungsi distribusi kumulatif dari variabel normal standar
danp (z;) adalah fungsi kepadatan probabilitas dari distribusi normal p-dimensi
dengan mean 0 p dan matriks korelasi. Ekspektasi, varians, dan mo-ment
sentral ketiga dari z ∼ S Np (, α) (yaitu, tiga cumulant pertama) memiliki
bentuk analitis sederhana [1, 8]:
E (z) = 9 2 δ, V (z) = - 2 δδT, 3 (z) = 9 2 4 - 1 δ ⊗ δ T ⊗ δ T, (2)
di mana δ = 1 + α T α. Sebagai konsekuensi langsung, kumulant ketiga
dari z ∼α /S N p (, α) hanya membutuhkan p parameter untuk diidentifikasi,
dan merupakan matriks dengan entri negatif (nol) jika dan hanya jika semua
komponen δ juga negatif (nol).
Momen kedua dan ketiga dari z ∼ S N p (, α) memiliki bentuk analitis
sederhana
juga:
μ2 (z) = E z zT =,(3)
9 2 δT ⊗ + δV T.
μ3 (z) = + ⊗ δT - δ⊗δT ⊗ δT (4)
Ekspektasi z zT tergantung pada matriks skala saja, karena invariance
prop-erty distribusi condong-normal: jika z ∼ SNp (, α) maka zz T ∼ W (, 1),
yaitu, distribusi Wishart tergantung pada hanya matriks [11]. Sebagai
konsekuensi langsung, distribusi fungsi g (•) dari z memuaskan g (z) = g (−z)
tidak bergantung pada α atau δ.
Fungsi kepadatan probabilitas dari komponen zi z dari ∼ S Np (, α) adalah
f (zi) = 2φ (zi) δi zi, (5)
di mana δ i adalah komponen of dari δ dan φ menunjukkan pdf dari distribusi
normal standar. Momen ketiga dari distribusi standar yang sesuai
192
Oleh karena itu nilai positif (negatif) dari δi mengarah pada kemiringan
positif (negatif). Lebih banyak lagi, nilai positif dari δi mengarah ke Fi (0)> 1
- Fi (0) ketika x> 0, dengan Fi menunjukkan cdf dari zi.
4. Model GARCH-type yang miring

Untuk mendeskripsikan skewness menggunakan sejumlah parameter
yang terbatas, kami akan memperkenalkan model berikut untuk vektor
dimensi-p dari hasil keuangan xt:
xt = Dt εt, εt zt - E (zt),! "
zt ∼ S N p (, α), Dt = d iag σ1t,. . . , σ ptq q + p (7)
σkt2 = ω0k + ωi k xk2, t −i + ω j k σk2, t + q− j, (8)
i=1j=q+1
di mana asumsi stasioneritas biasa berlaku dan {zt} adalah urutan vektor
acak yang saling independen.
Proposisi berikut memberikan momen analitik dari kumulant ketiga μ3
(xt) dari vektor xt milik proses stokastik di atas. Secara khusus ini
menunjukkan bahwa μ3 (xt) adalah negatif (null) ketika semua elemen dalam
vektor δ negatif (nol) juga.
Proposisi 6. Biarkan {xt, t ∈ Z} menjadi proses stokastik yang
memuaskan (10), (11) danE! Σi t σ j t σh t "<+ ∞ untuk i, j, h = 1,..., P.
Kemudian
μ3 (xt) = μ 3 (xt) = - 1μ3 (σt) (⊗), (9)
di mana = d iag! δ1,. . . , δ p "dan σt =! σ1t,..., σ pt" T.
Bukti. Kami akan menulis μ3 (y | w) dan μ3 (y | w) untuk menunjukkan
momen ketiga dan cumulant ketiga dari vektor acak y, kondisional pada
vektor acak w. Dari definisi {xt, t ∈ Z} kami memiliki identitas berikut:
μ3 (xt | σt) = μ3 {Dt [zt - E (zt)] | σt} = 3 (Dt zt | σt). (10)
Terapkan properti sekarang linear dari kumulant ketiga:
μ3 (xt | σt) = Dt 3 (zt) (Dt ⊗ Dt). (11)
Dengan asumsi distribusi zt adalah multivariate condong-normal:
193
μ3 (xt | σt) = 9 - 1 Dt δ ⊗ δT ⊗ δT (Dt ⊗ Dt). (12)
Pertimbangkan sekarang saat-saat campuran berikut dari pesanan tiga:
E X i t X j t X kt σt =9 - 1 (δi σi t)! Δ j σ j t "(δk σkt) i, j, k = 1, ..., p. (13)
Kita dapat menggunakan definisi dan σt untuk menuliskan persamaan di atas

dalam bentuk matriks:
μ3 (xt | σt) = 9 2 4 - 1 (σt) ⊗ (σt) T ⊗ (σt) T. (14)
Sifat-sifat biasa dari produk tensor menyiratkan itu
μ3 (xt | σt) = 9 - 1 σt ⊗ σtT
! "t <+ ∞ untuk i, j, h =
Dengan asumsi E σi t σ j t σh tharapan sehubungan dengan σ:
μ3 (xt) = 9 - 1E σt ⊗ σtT⊗ σtT (⊗). (15)
1,. . . , p, supaya bisa kita ambil⊗ σtT (⊗). (16)
Ekspektasi di sisi kanan persamaan di atas sama dengan μ3 (σt). Bahkan,!

"sejak P (σi t> 0) = 1, asumsi E σi t σ j t σh t <+ ∞ untuk i, j, h = 1,. . . , hal
ini juga menyiratkan bahwa E (σi t) <+ ∞ untuk i = 1,. . . , p dan bahwa
harapan xt samavektor nol. Sebagai konsekuensi langsung, momen ketiga
sama dengan cumulant ketiga xt dan ini melengkapi buktinya.
5 .Analisis data
Bagian ini berurusan dengan log-return persen harian (yaitu,

pengembalian-log harian dikalikan sesuai dengan indeks DAX30 (Jerman),
IBEX35 (Spanyol) dan S & PMIB (Italia) dari 01/01/2001 hingga 30/11/2007.
Vektor rata-rata, matriks kovarians dan matriks korelasi adalah0,0064 1,446
1,268 1,559 1.000 0,847 0,837, −0.030, 1.268 1.549 1.531 dan 0.847 1.000
194
0.794, (17)0,011 1,559 1,531 2,399 0,837 0,794 1.000masing-masing.

Tidakmengherankan, berarti diabaikan sehubungan dengan standar deviasi dan
variabel berkorelasi positif. Gambar 1 menunjukkan histogram dan
scatterplots.
Kami akan mengukur kemiringan menggunakan indeks berikut, yang

didefinisikan sebagai:
195
1 = i 1 s 2 = q3 - q1 3 = s - 2A xi - x, A q1 - 2q2 - q3 dan A 3 (x q), (18)
di mana qi adalah kuartil engan (i = 1, 2, 3). Nilai-nilai mereka untuk tiga

seri dilaporkan pada Tabel 1.
Tabel 1. Koefisien kemiringan
A1 A2 A3
S & PMib −0.227 −1.049 −0.095
Ibex35 −0.046 −1.104 −0.081
Dax30 −0.120 −1.076 −0.089
Semua indeks menunjukkan kemiringan negatif. Untuk menilai

kemiringan multivariat, kita harus mempertimbangkan kumulan ketiga dan
momen ketiga. Cumulant sampel ketiga adalah
3 (X) = (xi - m) ⊗ (xi - m) T ⊗ (xi - m) T, (19)i = 1
di mana xi adalah transpose dari baris ke-i dari matriks data n × p X dan m
adalah vektor rata-rata. Sampel kumulant ketiga dari data di atas adalah
0,394 0,201 0,396 0,201 0,092 0,242 0,396 0,242 0,414- 0,201 0,092 0,242
0,092 0,088 0,146 0,242 0,146 0,216. (20) 0,396 0,242 0,414 0,242 0,146
0,216 0,414 0,216 0,446
Fitur yang paling menarik dari matriks di atas adalah tanda negatif dari
semua elemennya. Momen ketiga memiliki struktur yang serupa, karena
semua entri tetapi yang negatif:
0,422 0,173 0,340 0,173 0,025 0,199 0,340 0,199 0,3940,173 0,025 0,190
0,025 -0,053 0,035 0,199 0,035 0,109. (21)- 0,340 0,190 0,390 0,199 0,035
0,109 0,394 0,109 0,365
196
Kami menemukan pola yang sama dalam rangkaian waktu keuangan

multivariat lainnya dari pasar kecil.
6. Tes tanda untuk simetri
Bagian ini membahas prosedur pengujian formal untuk hipotesis simetri.

Ketika menguji untuk simetri, pilihan default untuk statistik uji adalah momen
stan-dardised ketiga, yang mungkin tidak sesuai untuk data keuangan.
Ketergantungan merekastruktur dan ekornya yang berat membuatnya sulit
untuk memahami sifat samplingnya. Sebaliknya, tes tanda untuk simetri
memiliki prop-sampling yang sangat menarik, ketika parameter lokasi
diasumsikan diketahui [10, halaman 247]. Ketika berurusan dengan
pengembalian keuangan, adalah realistis untuk diasumsikan diketahui dan sama
dengan nol, untuk alasan teoritis maupun untuk empiris. Dari sudut pandang
teoritis, itu mencegah keuntungan atau kerugian sistematis. Dari sudut pandang
empiris, seperti dapat dilihat pada (17), sarana pengembalian yang diamati
sangat dekat dengan nol. Paragraf berikut dalam asumsi model keadaan bagian
ini, uraikan uji tanda untuk simetri dan terapkan pada data yang dijelaskan di
bagian sebelumnya.
Kami akan mengasumsikan model berikut untuk vektor dimensi-p

keuangan
t: x t = D t εt, E (εt) = q t =! q1t p pt "mengembalikan x 0, D d iag σ,. . . , σ dan
ωi k xk2, t −i +σkt2 = ω0k + ω j k σk2, t + q− j, (22)
i = 1 j = q + 1di mana asumsi stasioneritas biasa berlaku dan {εt} adalah urutan
vektor acak yang saling independen. Kami akan menguji hipotesis
H0i j k: Fi j k (0) = 1 - Fi j k (0) versus H1i j k: Fi j k (0) <1 - Fi j k (0) (23)
untuk i, j, k = 1, 2, 3, di mana Fi j k menunjukkan cdf dari εt, i εt, j εt, k.

Banyak hipotesis Hai jk untuk i, j, k = 1, 2, 3 dan a = 0, 1 ekuivalen satu sama
lain dan dapat diekspresikan dalamcara yang lebih sederhana. Misalnya, H0i j j
197
ekuivalen dengan Fi (0) = 1 - Fi (0) danFi (0) <1 - Fi (0), masing-masing, di

mana Fi menunjukkan cdf dari εt, i. Oleh karena itu sudah cukup untuk
menguji sistem hipotesis berikut:
H0i: Fi (0) = 1 - Fi (0) versus H1i: Fi (0) <1 - Fi (0), i = 1, 2, 3 (24)danH0123:

F123 (0) = 1 - F123 (0) versus H1123: F123 (0) <1 - F123 (0). (25)
Biarkan x 1, x 2 dan x 3 menunjukkan vektor kolom pengembalian di

Jerman, Spanyol danPasar Italia. Tes tanda menolak hipotesis nol H0i jk jika
nomor ni jk darielemen positif dalam vektor x i ◦ x j ◦ x k lebih besar dari nilai
yang ditetapkan, di manai j k jika zi j k =“◦” menunjukkan produk Schur (atau
Hadamard). Secara ekivalen, ia menolak H02√ fi j k - 0,5 lebih besar dari nilai
yang ditetapkan, di mana fi j k adalah frekuensi relative elemen positif dalam x
i ◦ x j ◦ x k dan n adalah panjangnya. Di bawah H i j k, n i j k ∼ Bi n 0 5! "0
(,.)dan zi j k ∼ N (0, 1), asimtotik. 1, x 2, x 3 danTabel 2 melaporkan frekuensi
relatif dari komponen positif di xx 1 ◦ x 2 ◦ x 3, bersama dengan statistik uji
yang sesuai dan p-nilai.
Dalam semua empat kasus, ada sedikit bukti yang mendukung hipotesis
nol dari symme-try terhadap hipotesis alternatif asimetri negatif. Hasilnya
konsisten dengan analisis eksplorasi pada bagian sebelumnya dan memotivasi
model yang menggambarkan kemiringan negatif multivariat.
Tabel 2. Tes statistik
Indeks nilai p-nilai statistik
Dax30 0,542 3,579 <0,001
Ibex35 0,561 5,180 <0,001
S & PMib 0,543 3,673 <0,001
Produk 0,544 3,767 <0,001
7. Kesimpulan
198
Kami menganggap kumulant ketiga dari pengembalian keuangan

multivariat, memotivasi melalui contoh data nyata dan memodelkannya melalui
distribusi multivariate condong-normal. Studi awal mengisyaratkan bahwa
kumulatif ketiga negatif mungkin merupakan fakta bergaya dari pengembalian
keuangan multivariat [13], tetapi penelitian lebih lanjut diperlukan untuk
mengkonfirmasi atau menyangkal dugaan ini. Dengan proposisi 2, pengujian
untuk simetri sentral akan menjadi cara alami untuk melakukannya. [14]
memberikan gambaran umum yang bagus tentang literatur tentang topik ini.
Model tipe GARCH multivarian dengan kesalahan miring-normal mungkin
membantu dalam mengendalikan jumlah parameter, tetapi beberapa perhatian
diperlukan saat menggunakan prosedur kemungkinan maksimum, karena sudah
diketahui bahwa terkadang mereka mengarah ke perkiraan garis depan
Pengakuan. Didukung secara finansial oleh Ministero dell’Universita,
`dell'Istruzione e della Ricerca dengan hibah PRIN No. 2006132978.
Referensi
Azzalini, A., Capitanio, A .: Aplikasi statistik dari distribusi condong-normal

multivariat. J. R. Stat. Soc. B 61, 579-602 (1999)
Azzalini, A., Dalla Valle, A .: Distribusi multivariate condong-normal.

Biometrika 83, 715–726 (1996)
Cutler, D.M., Poterba, J.M., Summers, L.H .: Apa yang menggerakkan harga
saham? J. Portfolio Man. 15, 4–12 (1989)
De Luca, G., Genton, M.G., Loperfido, N: Sebuah model skew-garch multivariat.

Di: Terrell,
D. (ed.) Kemajuan dalam Ekonometrika: Analisis Ekonometrik dari Seri Waktu

Ekonomi dan Keuangan, Bagian A (Volume khusus untuk menghormati Robert
Engle dan Clive Granger, pemenang Hadiah Nobel Ekonomi 2003), hal. 33–57.
Elsevier (2006)
199
De Luca, G., Loperfido, N .: Model GARCH yang sangat mirip untuk

pengembalian finansial. In: Gen-
ton, M.G. (ed.) Distribusi Skew-Elliptical dan Aplikasinya: A Journey Beyond

Normalality, pp. 205–222. CRC / Chapman & Hall (2004)
Engle, R.F., Gonzalez Rivera, G .: model ARCH semiparametrik. J. Bus. Econ.

Stat. 9, 345–359 (1991)
French K.R., Schwert W.G., Stambaugh R.F .: Pengembalian dan volatilitas

saham yang diharapkan. J. Fi-nan. Econ. 19, 3–29 (1987)
152 C. Franceschini dan N. Loperfido
Genton, M.G., He, L., Liu, X .: Momen vektor acak-acak-normal dan bentuk
kuadratnya. Stat. Masalah. Lett. 51, 319-235 (2001)
Kollo, T., von Rosen, D.: Statistik Multivariasi Tingkat Lanjut dengan Matriks.
Springer, Dor-drecht, Belanda (2005)
Lehmann, E.L., Romano, J.P: Pengujian Hipotesis Statistik. Springer, New York
(2005)
Loperfido, N: Bentuk kuadrat dari vektor acak condong-normal. Stat. Masalah.

Lett. 54, 381–387 (2001)
McDonald, J.B. Distribusi probabilitas untuk model keuangan. Di: Maddala, G.S.,
Rao,
C.R. (eds.) Handbook of Statistics: Metode Statistik dalam Keuangan.

Amsterdam, Elsevier Science 14, (1996)
Rydberg, T.H: Pemodelan statistik yang realistis dari data keuangan. Int. Stat.
Pny. 68, 233–258 (2000)
200
Serfling, R.J. Simetri dan asimetri multivariat. Dalam: Kotz, S., Baca, C.B.,
Balakrish-nan, N., Vidakovic, B. (eds.) Ensiklopedia Ilmu Statistik, edisi ke-2.
Wiley, New York (2006)
Zuo, Y., Serfling, R: Pada kinerja beberapa pengukuran lokasi nonparametrik

yang kuat relatif terhadap gagasan umum simetri multivariat. J. Stat. Perencanaan
Inferensi 84, 55-79 (2000)
Seri waktu keuangan dan jaringan syaraf dalam konteks permainan minoritas
Luca Grilli, Massimo Alfonso Russo, dan Angelo Sfrecola
Abstrak.
Dalam makalah ini kami mempertimbangkan deret waktu keuangan dari Pasar
Pendapatan Tetap AS, S & P500, DJ Eurostoxx 50, Dow Jones, Mibtel dan Nikkei
225. Telah diketahui bahwa deret waktu keuangan mengungkapkan beberapa
anomali mengenai Hipotesis Pasar Efisien dan beberapa perilaku penskalaan,
seperti sebagai ekor gemuk dan volatilitas bergerombol, jelas. Ini menunjukkan
bahwa deret waktu keuangan dapat dianggap sebagai "pseudo" -random. Untuk
jenis seri waktu ini kekuatan prediksi jaringan saraf telah terbukti cukup [10].
Pada awalnya, kami mempertimbangkan seri waktu keuangan dari sudut pandang
Permainan Minoritas dan kemudian kami menerapkan jaringan saraf dengan
algoritma pembelajaran untuk menganalisis kekuatan prediksinya. Kami
membuktikan bahwa Pasar Pendapatan Tetap menunjukkan banyak perbedaan
dari pasar lain dalam hal prediktabilitas sebagai ukuran efisiensi pasar.
Kata kunci: Permainan Minoritas, algoritma pembelajaran, jaringan syaraf tiruan,

deret waktu keuangan, Hipotesis Pasar Efisien1 Permainan minoritas dan pasar
keuangan.
201
Pada awal abad terakhir, Bachelier [2] memperkenalkan hipotesis bahwa

fluktuasi harga mengikuti jalan acak; ini kemudian menghasilkan apa yang
disebut dengan “Effi-cient Market Hypothesis (EMH)”. Di pasar seperti itu
arbitrage tidak dimungkinkan dan spekulasi tidak menghasilkan keuntungan apa
pun. Kemudian, studi empiris menunjukkan bahwa im-plications EMH terlalu
kuat dan data menunjukkan beberapa anomali. Meskipun anomali ini sering
terjadi, para ekonom mendasarkan Teori Portofolio dengan asumsi bahwa pasar
itu efisien. Salah satu implikasi yang paling penting dari EMH adalah rasionalitas
semua agen yang memperoleh maksimisasi dan mengambil keputusan
mempertimbangkan semua informasi yang tersedia (yang harus diperoleh dengan
mudah dan segera) dan secara umum tidak menghadapi biaya transaksi. Apakah
ini realistis? Literatur besar tentang hal ini menunjukkan bahwa jawaban tidak
mudah tetapi pada umumnya ada beberapa anomali di pasar. Salah satu masalah
utamanya adalah rasionalitas; sebagai aturan, agen membuat pilihan yang
memuaskan daripada yang optimal; mereka tidak deduktif dalam membuat
keputusan tetapi induktif dalam arti bahwa mereka belajar dari pengalaman.
Sebagai akibatnya, hipotesis rasionalitas sering digantikan oleh apa yang disebut
"Rasionalitas Terbatas"; lihat [13] untuk keterangan lebih lanjut. Studi empiris
juga menunjukkan formasi cluster dan anomali lainnya dalam deret waktu
keuangan [3, 9].
Untuk memodelkan perilaku induktif agen keuangan, salah satu contoh

yang paling terkenal adalah permainan Minority Game (MG). MG adalah model
sederhana dari agen yang berinteraksi yang awalnya berasal dari masalah El Farol
Bar Arthur yang terkenal [1]. Sebuah bar populer dengan kapasitas tempat duduk
terbatas menyelenggarakan malam musik Jazz pada hari Kamis dan sejumlah
pelanggan potensial (pemain) harus memutuskan apakah akan pergi atau tidak
pergi ke bar. Jika bar terlalu ramai (katakan lebih dari tingkat kapasitas tetap)
maka tidak ada pelanggan yang akan bersenang-senang dan mereka lebih suka
tinggal di rumah. Oleh karena itu setiap pemain minggu harus memilih satu dari
202
dua kemungkinan tindakan: tinggal di rumah atau pergi ke bar. Para pemain yang
berada di minoritas memenangkan pertandingan.
Sejak diperkenalkannya model MG, ada, hingga saat ini, 200 makalah mengenai
hal ini (ada tinjauan literatur tentang MG di situs web Econophysics).
Masalah MG sangat sederhana, namun itu menunjukkan sifat yang

menarik dan beberapa aplikasi. Gagasan yang mendasari adalah persaingan untuk
sumber daya terbatas dan dapat diterapkan ke berbagai bidang seperti pasar saham
(lihat [5-7] untuk daftar referensi lengkap). Khususnya MG dapat digunakan
untuk memodelkan sistem pasar yang sangat sederhana di mana banyak agen
heterogen berinteraksi melalui sistem harga yang semuanya berkontribusi untuk
menentukan. Di pasar ini setiap pedagang harus mengambil keputusan biner setiap
kali (katakanlah membeli / menjual) dan keuntungan dibuat hanya oleh para
pemain di kelompok minoritas. Misalnya, jika kenaikan harga itu berarti bahwa
minoritas pedagang menjual dan mereka mendapat untung darinya. Ini adalah
pasar sederhana di mana ada sejumlah pemain tetap dan hanya satu aset; mereka
harus mengambil keputusan biner (beli / jual) di setiap langkah waktu t. Ketika
semua pemain telah mengumumkan strategi mereka, harga dibuat sesuai dengan
aturan dasar bahwa jika minoritas memutuskan untuk menjual, maka harga
tumbuh (penjual mendapatkan keuntungan); jika minoritas memutuskan untuk
membeli, maka harga jatuh (pembeli mendapat untung).
Dalam kerjasama model ini tidak diperbolehkan; pemain tidak dapat

berkomunikasi dan sehingga mereka semua mendapatkan informasi dari minoritas
global. Untuk membuat keputusan, pemain menggunakan sejarah global dari
minoritas masa lalu atau, dalam banyak kasus, sejumlah minoritas masa lalu yang
dapat dianggap sebagai jendela waktu yang digunakan oleh pemain. Dalam kasus
kami, sejarah global diberikan oleh deret waktu dari fluktuasi harga. Mari kita
pertimbangkan set pemain i = {1,. . . , N} di mana N ∈ N (aneh dan tetap).
Tunjukkan dengan langkah waktu ketika setiap pemain membuat keputusan. Di
pasar ada satu aset dan keputusan yang memungkinkan dalam setiap langkah
203
waktu adalah membeli atau menjual; sebagai akibatnya pemain saya pada waktu t
memilih σit ∈ {+1, −1} (beli / jual).Di setiap kali langkah t, biarkan pt menjadi
harga aset pada waktu t; minoritas (strategi pemenang) ditentukan olehSt = −log
tanda tangan pt.Akibatnya, rentang waktu fluktuasi harga digantikan oleh deret
waktu yang terdiri dari dua kemungkinan nilai: +1 dan −1 (keputusan
minoritas).Dalam [4] ditunjukkan bahwa sering hasil yang serupa dapat diperoleh
dengan mengganti sejarah nyata dengan yang artifisial.
Poin utamanya adalah bahwa kita mengira bahwa pemain membuat

keputusan mereka sesuai dengan aturan pembelajaran, sebagai konsekuensinya
mereka mengikuti perilaku induktif dan ini mempengaruhi seri waktu dari
keputusan minoritas yang tidak hanya urutan acak −1 dan +1. Jika ini adalah
kasus, rangkaian waktu dapat didefinisikan "pseudo-random" sebagai konsekuensi
dari periodisitas yang berasal dari aturan pembangkit. Periodisitas ini bukan
karena adanya "tren" yang terkubur di bawah kebisingan tetapi itu adalah
konsekuensi dari perilaku induktif pemain dan ini adalah alasan mengapa teknik
klasik seperti analisis autokorelasi sederhana tidak memberi kita informasi,
dengan definisi , pada prosedur pembelajaran. Sebaliknya, jaringan saraf dengan
algoritma pembelajaran yang tepat dapat menangkap "keteraturan" seperti itu
dengan sangat baik dan akibatnya dapat memprediksi deret waktu seperti yang
ditunjukkan pada [10]. Hasil utama yang disajikan dalam [10] adalah bahwa
jaringan saraf dengan algoritma pembelajaran yang tepat dapat memprediksi
"pseudo-random" time series dengan sangat baik apa pun algoritma
pembelajarannya. Di sisi lain jaringan saraf tidak dapat memprediksi deret waktu
yang dihasilkan secara acak. Sebagai konsekuensinya, jika kita menerapkan
analisis yang mirip dengan deret waktu keuangan dalam konteks MG yang
disajikan sebelumnya, kita dapat menguji EMH karena hasil buruk dalam hal
kekuatan prediksi dari jaringan saraf dapat menunjukkan bahwa EMH terpenuhi
dan deret waktu dihasilkan secara acak. . Jika ini tidak terjadi dan kekuatan
prediksi luar biasa maka seri waktu adalah "pseudo-random" sebagai konsekuensi
dari perilaku induktif para pemain. Pendekatan jaringan saraf juga
204
mengungkapkan jendela waktu dari keputusan-keputusan masa lalu yang

dipertimbangkan para pemain untuk membuat pilihan mereka. Seperti yang akan
kita lihat, itu tergantung pada pasar yang kita pertimbangkan.
2. Neural network dan deret waktu keuangan
Masalah utama dari makalah ini adalah untuk menentukan

prediktabilitas waktu keuangan dengan mempertimbangkan ketidaksempurnaan
pasar sebagai konsekuensi dari perilaku agen. Dalam [10] ditunjukkan bahwa,
ketika pemain membuat keputusan mereka sesuai dengan beberapa aturan
pembelajaran, maka time series dari keputusan minoritas bukan hanya urutan
acak −1 dan +1. Rangkaian waktu yang dihasilkan dengan algoritma
pembelajaran dapat didefinisikan sebagai seri waktu "pseudo-acak". Alasannya
adalah bahwa, dengan konstruksi, itu menyajikan semacam periodisitas yang
berasal dari algoritma pembangkit. Periodisitas ini tidak jelas secara langsung
dari rangkaian waktu tetapi jaringan saraf dengan algoritma pembelajaran yang
tepat dapat menangkap "keteraturan" seperti itu dan akibatnya dapat
memprediksi rangkaian waktu. Para penulis menunjukkan bahwa, untuk tiga
rangkaian buatan dari keputusan minoritas yang dihasilkan sesuai dengan
algoritma yang berbeda, kekuatan prediksi jaringan saraf sangat tinggi.
Dalam makalah ini kami mengira bahwa setiap pemain, untuk membuat
keputusannya, diberikan jaringan saraf. Kami mempertimbangkan rangkaian
waktu dari Pasar Pendapatan Tetap AS, S & P500, DJ Eurostoxx 50, Dow
Jones, Mibtel dan Nikkei 225 (semua seri waktu dari Jan 2003 hingga Jan
2008, harga harian, data dari Bursa Efek Italia).
Mengikuti motivasi yang disajikan dalam [10], dalam makalah ini kami
mempertimbangkan jaringan saraf yang menggunakan algoritma Hebbian
Learning untuk memperbarui vektor bobot. Jaringan saraf mampu
menyesuaikan parameternya, di setiap putaran permainan, dan sehingga
perceptron mencoba mempelajari keputusan minoritas. Jika S menunjukkan
minoritas keputusan dan superskrip + menunjukkan nilai parameter yang
205
diperbarui, vektor keputusan minoritas x yang komponen x t ∈ {+1, −1} adalah

entri dari seri waktu pada t instan. Mari kita anggap bahwa setiap pemain
diberikan jaringan saraf seperti itu dan membuat keputusannya sesuai dengan
aturan berikut:
tanda σi = (x • ωi)
ωi + = ωi - tanda (x • ω j) = ωi +x tanda x S,
j = 1di mana ω adalah vektor bobot M-dimensi dari mana keputusan dibuat.
Jadi setiap pemain menggunakan jendela M -bit dari keputusan minoritas
sebelumnya sebagai masukan untuk menyesuaikan bobot dan mencoba
menangkap "keteraturan" dalam rangkaian waktu. Seperti yang bisa kita lihat
nanti, pilihan M sering kali penting untuk menentukan kekuatan prediksi
terbaik. Adalah mungkin untuk menghitung jumlah prediksi sebagai fungsi M
untuk mendapatkan nilai M yang maksimum.
Dalam hal ini parametermenunjukkan berapa banyak fluktuasi harga

masa lalu yang dipertimbangkan oleh agen untuk membuat keputusan.
Parameter η adalah tingkat pembelajaran.Dalam [10] ditunjukkan bahwa sangat
penting untuk memilih jendela entri masa lalu untuk dipertimbangkan sebagai
input untuk keputusan saat ini dengan benar, itu adalah pilihan parameter M.
Para penulis menunjukkan bahwa jumlah prediksi yang dikoreksi adalah
maksimum jika jaringan saraf menggunakan M yang sama dengan generator
urutan. Hal ini menunjukkan bahwa, jika nilai M ada untuk prediksi jaringan
saraf yang maksimum maka adalah mungkin untuk menyimpulkan bahwa
urutan keputusan minoritas dihasilkan oleh algoritma pembelajaran dengan
nilai yang sama persis M. Jika kita menerapkan argumen yang sama ke deret
waktu pasar keuangan, kehadiran nilai M yang jumlah prediksi yang dikoreksi
maksimum menunjukkan bahwa deret waktu dihasilkan oleh algoritme
pembelajaran dengan parameter M, yaitu lamanya waktu jendela yang
digunakan oleh investor, dan ini adalah informasi kunci yang diturunkan secara
eksklusif dengan pendekatan ini.
206
Selain itu, untuk menentukan nilai ini kami menganalisis jumlah

prediksi jaringan syaraf sebagai fungsi M. Angka 1, 2, 4, 5, 6 dan 7
menunjukkan hasil dari simulasi ini. Hasilnya berbeda menurut pasar yang
dipertimbangkan; khususnya kasus Obligasi Negara AS tampaknya yang paling
menarik. Di pasar ini, maksimum tercapai untuk M = 32, yaitu dimensi jendela
waktu dari keputusan minoritas masa lalu untuk dipertimbangkan sebagai
masukan dari jaringan saraf. KasusS & P500, DJ Eurostoxx 50, Dow Jones,
Mibtel dan Nikkei 225 benar-benar berbeda; nilai maksimum untuk M adalah,
secara umum, sangat rendah (M = 3 - 5). Ini dapat menunjukkan bahwa di
pasar-pasar ini para investor melihat masa lalu yang sangat baru untuk
membuat keputusan dan tidak mempertimbangkan apa yang telah terjadi di
masa lalu yang jauh. Di sisi lain, Pasar Pendapatan Tetap menyajikan situasi
yang berbeda dan tampaknya menjadi yang paling dapat diprediksi karena
jumlah entri yang diprediksi adalah yang tertinggi (sekitar 60% dari prediksi
yang dikoreksi). Ini dapat dijelaskan menurut beberapa fitur yang membuat
pasar ini berbeda karena harus mengikuti hukum umum yang ditentukan oleh
variabel makroekonomi. Sebagai akibatnya, data menunjukkan korelasi positif
yang kuat antara obligasi [9]. Alasan lain adalah bahwa biasanya hanya
investor besar (seperti perusahaan asuransi atau reksadana) yang tertarik
207
Gambar 1. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus

Obligasi Pemerintah AS. Maksimum tercapai untuk M = 32
Gambar. 2. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus S &
P500. Maksimum tercapai untuk M = 3dalam obligasi jangka panjang,
sehingga harapan tentang evolusi pasar sangat mirip sehingga perilaku harga
obligasi jangka panjang tidak mencerminkan perbedaan apa pun dalam nilai
yang dirasakan dari aset tersebut [3].
Analisis menunjukkan bahwa jumlah prediksi yang dikoreksi tergantung

pada parameter M; itu tidak sama untuk parameter η karena jumlah prediksi
yang dikoreksi masih cukup konstan (kami melaporkannya pada Gambar 3).
Pendekatan neural network telah menunjukkan adanya nilai M yang

kekuatan prediksinya maksimum dan ini adalah sinyal dalam arah bahwa deret
waktunya adalah "pseudo-random" dan agen menggunakan M sebagai jendela
waktu. Hal ini dapat ditafsirkan dalam hal kurangnya EMH, tetapi ini hanya
sebagian benar karena jaringan saraf tidak dapat memprediksi dengan cara
yang signifikan (dalam hal jumlah prediksi yang dikoreksi) yang
dipertimbangkan oleh time series keuangan dan ini dapat menunjukkan bahwa
rangkaian waktu ini adalah dihasilkan secara acak sehingga pasar ini efisien.
208
Hasil ini tidak mengherankan karena semua pasar yang dipertimbangkan dalam
makalah ini menyajikan sejumlah besar transaksi dan volume besar, dan
informasi yang diberikan kepada agen segera dan mudah tersedia. Jaringan
saraf dapat memprediksi, untuk rangkaian waktu ini, sedikit lebih dari 50%,
yang merupakan nilai prediksi terkoreksi yang diharapkan dalam kasus di mana
pilihan dibuat secara acak, yang merupakan sinyal ke arah bahwa pasar-pasar
ini memenuhi EMH dan hasil di lain arah dapat dianggap "anomali". Analisis
komparatif mengungkapkan bahwa Pasar Pendapatan Tetap tampaknya paling
tidak efisien karena jumlah prediksi adalah maksimal.
3 .Kesimpulan
Dalam [10] penulis menunjukkan bahwa dalam kerangka MG, jaringan

saraf yang menggunakan algoritma Hebbian dapat memprediksi hampir setiap
keputusan minoritas dalam kasus di mana urutan keputusan minoritas
mengikuti distribusi "pseudo" -random. Jaringan saraf dapat menangkap
"periodisitas" dari deret waktu dan kemudian meramalkannya. Di sisi lain
mereka menunjukkan bahwa kekuatan prediksi tidak begitu baik ketika deret
waktu dibuat secara acak. Dalam makalah ini kami mempertimbangkan
rangkaian waktu keuangan dari Pasar Pendapatan Tetap AS, S & P500, DJ
Eurostoxx 50, Dow Jones, Mibtel dan Nikkei 225. Jika agen membuat pilihan
yang memuaskan daripada yang optimal, mereka induktif dalam arti bahwa
mereka belajar dari pengalaman dan MG adalah model yang sangat baik untuk
perilaku induktif agen keuangan. Jika deret waktu keuangan dihasilkan oleh
beberapa prosedur pembelajaran, maka kita dapat mempertimbangkan deret
waktu keuangan sebagai "pseudo" -random time series dan dalam hal ini
prediksi jaringan saraf cukup berarti. Jadi kami mempertimbangkan deret
waktu keuangan dari sudut pandang Permainan Minoritas dan kemudian kami
menerapkan jaringan syaraf dengan algoritme pembelajaran untuk
menganalisis kekuatan prediksinya sebagai ukuran efisiensi pasar.
209
Kami menunjukkan bahwa kasus Obligasi Treasury AS tampaknya

yang paling menarik karena jendela waktu dari minoritas masa lalu yang
dipertimbangkan oleh investor adalah M = 32, yang sangat tinggi sehubungan
dengan pasar lain, dan untuk seri kali ini jaringan saraf dapat memprediksi
sekitar 60% entri. Ini adalah sinyal ke arah bahwa Pasar Pendapatan Tetap
lebih dapat diprediksi sebagai konsekuensi dari fitur yang dibuat
Gambar. 3. Jumlah prediksi yang dikoreksi sebagai fungsi dari η dalam kasus S
& P500. Jumlah prediksi cukup konstan
210
Gambar. 4. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus

Mibtel. Maksimum tercapai untuk M = 5
Gambar. 6. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus DJ

Eurostoxx 50. Maksimum tercapai untuk M = 4
Gbr. 7. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus Nikkei
225. Maksimum tercapai untuk M = 3pasar ini berbeda. Di sisi lain kasus S &
P500, DJ Eurostoxx 50, Dow Jones, Mibtel dan Nikkei 225 benar-benar
berbeda, karena para investor pasar ini hanya mempertimbangkan masa lalu
yang sangat baru sejak M = 2 - 4 dan jaringan saraf dapat memprediksi sedikit
lebih dari 50% dari entri. Hal ini dapat membawa kita untuk
mempertimbangkan rangkaian waktu ini secara acak sehingga
mempertimbangkan pasar ini lebih efisien. Dalam kedua kasus jaringan syaraf
menunjukkan adanya nilai M yang jumlah prediksinya maksimum dan ini
211
adalah jumlah entri sebelumnya yang dipertimbangkan agen untuk membuat

keputusan. Informasi ini berasal langsung dari data.
Referensi
Arthur, W.B .: Induktif penalaran dan rasionalitas dibatasi. Saya. Econ. Pny.
84, 406–411 (1994)
Bachelier, L .: spekulasi Theorie de la. Paris (1900). Diterbitkan ulang oleh

MIT Press, Cambridge (1964)
Bernaschi, M., Grilli, L., Vergni, D: Analisis statistik dari pasar pendapatan
tetap. Phys. Stat. Mech. Appl. 308, 381–390 (2002)
Cavagna A: Tidak relevan memori dalam permainan minoritas. Phys. Pdt. E,

59: R3783 (1999)
Challet, D: Spekulasi antar-pola: di luar minoritas, mayoritas, dan $ -games.

cond-mat / 05021405 (2005)
Challet, D., Chessa, A., Marsili, M., Zhang, Y.-C .: Dari Permainan Minoritas
hingga pasar nyata. cond-mat / 0011042 (2000)
Coolen, A.C.C .: Menghasilkan analisis funcional Permainan Minoritas

dengan pasar real-sejarah. cond-mat / 0410335 (2004)
162 L. Grilli, M.A. Russo, dan A. Sfrecola
Hart, M., Jefferies, P., Johnson, N.F., Hui, P.M .: Model Crowd-anticrowd
dari Permainan Minoritas. cond-mat / 00034860 (2000)
Grilli, L .: Struktur pasar pendapatan jangka panjang tetap. Phys. Stat. Mech.
Appl. 332, 441– 447 (2004)
Grilli, L., Sfrecola, A .: Pendekatan Neural Networks untuk Permainan

Minoritas. Neural Comput. Appl. 18, 109–113 (2009)
212
Kinzel, W., Kanter, I .: Dinamika interaksi jaringan syaraf. J. Phys. A. 33,

L141 – L147 (2000)
Metzler, R., Kinzel, W., Kanter, I. Berinteraksi jaringan saraf. Phys. Pdt. E.
62, 2555 (2000)
Simon, H .: Model Rasionalitas Terikat. MIT Press, Cambridge

(1997)Estimasi yang kuat dari koefisien analisis gaya
Michele La Rocca dan Domenico Vistocco
Abstrak.
Analisis gaya, seperti yang awalnya diusulkan oleh Sharpe, adalah model faktor
aset kelas yang bertujuan memperoleh informasi tentang alokasi internal
portofolio keuangan dan membandingkan portofolio dengan strategi investasi
serupa. Pendekatan klasik didasarkan pada model regresi linier terbatas dan
koefisien biasanya diperkirakan mengeksploitasi prosedur kuadrat terkecil.
Solusi ini jelas menderita dari keberadaan pengamatan yang terluar. Tujuan
makalah ini adalah untuk menyelidiki penggunaan estimator yang kuat untuk
koefisien gaya berdasarkan regresi kuantil dibatasi. Kinerja prosedur baru
dievaluasi dengan menggunakan studi Monte Carlo di mana berbagai set outlier
(baik dalam pengembalian konstituen dan dalam pengembalian portofolio) telah
dipertimbangkan.
Kata kunci: analisis gaya, regresi kuantil, subsampling
1. Perkenalan
Analisis gaya, sebagaimana dijelaskan secara luas oleh Horst et al. [12],
adalah alat yang populer dan penting dalam manajemen portofolio. Pertama,
itu dapat digunakan untuk memperkirakan eksposur faktor yang relevan dari
portofolio keuangan. Kedua, ini bisa menjadi alat yang berharga dalam
pengukuran kinerja karena portofolio gaya dapat digunakan sebagai patokan
dalam mengevaluasi kinerja portofolio. Akhirnya, ini dapat digunakan untuk
213
mendapatkan prediksi laba masa depan yang sangat akurat karena telah
diketahui dengan baik dari studi empiris [12] bahwa eksposur faktor
tampaknya lebih relevan daripada kepemilikan portofolio yang sebenarnya.
Metode, yang awalnya diusulkan oleh Sharpe [25], adalah analisis

berbasis pengembalian yang ditujukan untuk menguraikan kinerja portofolio
sehubungan dengan kontribusi konstituen berbeda yang menyusun portofolio.
Setiap sektor diwakili oleh indeks yang pengembaliannya tersedia. Model
regresi pengembalian portofolio pada pengembalian konstituen untuk
menguraikan kinerja portofolio sehubungan dengan masing-masing
konstituen. Memang, dalam kerangka regresi klasik, koefisien yang
diperkirakan berarti sensitivitas portofolio yang diharapkan kembali ke
konstituen pengembalian. Pendekatan klasik didasarkan pada model regresi
linier, diperkirakan dengan menggunakan kuadrat terkecil, tetapi kendala
yang berbeda dapat dikenakan pada koefisien.
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu

Pengetahuan Aktuaria dan Keuangan© Springer-Verlag Italia 2010164 M. La
Rocca dan D. Vistocco
Mengikuti Horst et al. [12], kami membedakan tiga jenis model gaya:
analisis gaya lemah: koefisien diperkirakan menggunakan model regresi yang

tidak terbatas;analisis gaya semi-kuat: koefisien dikenakan untuk menjadi
positif;analisis gaya yang kuat: koefisien dipaksakan menjadi positif dan
merangkum menjadi satu.
Ketiga jenis model gaya biasanya diperkirakan sebagai regresi

melalui titik asal. Penggunaan kendala ganda (analisis gaya kuat) dan tidak
adanya intercept memungkinkan interpretasi koefisien regresi dalam hal
kuota komposisi dan estimasi komposisi internal portofolio [8, 9]. Meskipun
demikian, prosedur inferensial klasik harus ditafsirkan dengan hati-hati,
karena pengenaan ketidaksetaraan kendala linear [13]. Beberapa hasil umum
214
tersedia untuk model regresi linier normal [11]; pendekatan yang berbeda
berdasarkanInferensi Bayesian dirumuskan dalam [10].
Dalam kerangka analisis gaya, solusi yang umum diterapkan adalah

perkiraan yang diusulkan oleh Lobosco dan Di Bartolomeo [21]. Para penulis
ini memperoleh solusi terdekat untuk interval kepercayaan bobot gaya
menggunakan pendekatan Taylor urutan kedua. Solusi yang diusulkan
bekerja dengan baik kecuali ketika param-eters berada pada batas, yaitu,
ketika satu atau lebih parameter mendekati 0 dan / atau ketika parameter
jatuh dekat 1. Kim et al. mengusulkan dua solusi perkiraan untuk kasus
khusus ini [14] berdasarkan metode Andrews [1] dan pada metode Bayesian
yang diajukan oleh Geweke [11]. Pendekatan Bayesian yang berbeda malah
dibahas oleh Christodoulakis [6, 7].
Karena mereka pada dasarnya didasarkan pada prosedur estimasi

kuadrat-terkecil, solusi umum untuk estimasi koefisien analisis gaya
menderita kehadiran outlier. Dalam makalah ini kami menyelidiki
penggunaan regresi kuantil [18] untuk memperkirakan koefisien gaya. Secara
khusus kami membandingkan solusi klasik untuk model gaya kuat dengan
penduga yang kuat berdasarkan regresi median terbatas. Set outlier yang
berbeda telah disimulasikan baik dalam pengembalian konstituen dan dalam
pengembalian portofolio. Estimator kemudian dibandingkan dengan
memperhatikan efisiensi dan beberapa pertimbangan pada konsistensi
pengukur regresi median disediakan juga. Penggunaan pendekatan regresi
kuantil memungkinkan perolehan lebih lanjut dalam efisiensi sebagai L-
estimator [15, 19] dapat dengan mudah diperoleh dengan menggunakan
kombinasi linear dari estimator kuantil, yaitu, untuk kuantil kondisional yang
berbeda.
Makalah ini disusun sebagai berikut: di bagian berikutnya model gaya

Sharpe klasik diperkenalkan secara singkat bersama dengan notasi dasar.
Dalam Bagian 3 pendekatan regresi kuantitatif untuk analisis gaya dijelaskan.
215
Skema simulasi dan hasil utama dibahas dalam Bagian 4. Akhirnya, beberapa
pernyataan penutup dan kemungkinan pengembangan lebih lanjut diberikan
dalam Bagian 5.2 model regresi Sharpe-styleModel analisis Sharpe-gaya
regresi pengembalian portofolio pada pengembalian berbagai pengembalian
kelas investasi. Metode demikian mengidentifikasi gaya portofolio dalam
rangkaian waktu pengembalian dan pengembalian konstituen [12].
Penggunaan pengembalian di masa lalu adalah pilihan Hobson karena
biasanya tidak ada informasi lain yang tersedia untuk investor eksternal.
Mari kita tunjukkan dengan r vektor acak pengembalian portofolio

sepanjang waktu dan olehRconst matriks yang berisi pengembalian sepanjang
waktu dari itu konstituen portofolio pada kolom itu h (i = 1,.., N). Data
mengacu pada T periode waktu berikutnya. Model analisis gaya regresi
pengembalian portofolio pada pengembalian n konstituen:
r por t = Rconst wconst + e s.t .: wconst ≥ 0, 1T wconst = 1.
Vektor acak e dapat diartikan sebagai kesalahan pelacakan portofolio, di

manaE (Rconst e = 0).
Model-model analisis gaya dapat bervariasi sesuai dengan pilihan

indeks gaya serta sehubungan dengan lokasi spesifik dari respon distribusi
kondisional yang mereka perkirakan. Model analisis gaya klasik didasarkan
pada model regresi linier terbatas yang diperkirakan oleh kuadrat terkecil [25,
26]. Model ini berfokus pada ekspektasi bersyarat dari distribusi
pengembalian portofolio E (r por t | Rconst): komposisi yang diperkirakan
dapat diinterpretasi dalam hal sensitivitas portofolio yang diharapkan kembali
ke pendapatan konstituen.
Kehadiran dua kendala membebankan koefisien untuk menjadi

lengkap dan tidak negatif, sehingga memungkinkan penafsiran mereka dalam
hal data komposisi:
216
koefisien yang diperkirakan berarti kuota konstituen dalam menyusun

portofolio. The Rconst jangka wconst dari persamaan dapat ditafsirkan
sebagai kembalinya tertimbangportofolio: portofolio dengan bobot yang
dioptimalkan adalah portofolio dengan gaya yang sama dengan portofolio
yang diamati. Ini berbeda dari yang pertama karena perkiraan komposisi
internal tersedia [8, 9]. Kami merujuk pembaca yang tertarik ke makalah Kim
et al. [14] untuk asumsi pada pengembalian portofolio dan pengembalian
konstituen yang biasa diadopsi dalam model gaya.
Berikut ini kami membatasi perhatian kami pada model analisis gaya
yang kuat, yaitu, model di mana kedua kendala di atas dipertimbangkan
untuk memperkirakan koefisien gaya. Bahkan jika kendala tersebut
menyebabkan beberapa masalah untuk penyimpulan, model gaya kuat tetap
tersebar luas untuk masalah interpretasi yang disebutkan di atas.
3. Pendekatan yang kuat untuk analisis gaya
Kuantil regresi (QR), seperti yang diperkenalkan oleh Koenker dan

Basset [18], dapat dilihat sebagai perpanjangan dari estimasi kuadrat terkecil
klasik dari model-model rata-rata bersyarat ke estimasi satu set fungsi kuantil
kondisional. Untuk tinjauan komprehensif pemodelan kuantil umum dan
estimasi, lihat [16].
Penggunaan QR dalam konteks analisis gaya pada awalnya diusulkan

dalam [5] dan ditinjau kembali dalam [2] dan [3]. Ini menawarkan pelengkap
yang berguna untuk model standar karena memungkinkan diskriminasi
portofolio yang akan dinyatakan setara [4]. Dalam pendekatan klasik, gaya
portofolio ditentukan dengan memperkirakan pengaruh paparan gaya pada
pengembalian yang diharapkan. Mengekstrak informasi di tempat selain dari
nilai yang diharapkan harus memberikan wawasan yang berguna karena
paparan gaya dapat mempengaruhi pengembalian dengan cara yang berbeda di
lokasi yang berbeda dari distribusi pengembalian portofolio. Dengan
mengeksploitasi QR, perbandingan portofolio keuangan yang lebih rinci dapat
217
dicapai sebagai koefisien QR yang dapat diinterpretasi dalam hal kepekaan

portofolio pengembalian quantit bersyarat terhadap pengembalian konstituen
[5]. Model QR untuk quantile bersyarat yang diberikan θ dapat ditulis sebagai:
θ (r por t | Rconst) = Rconst wconst (θ) s.t .: wconst (θ) ≥ 0, 1T wconst (θ) = 1,
∀θ,
di mana θ (0 <θ <1) menunjukkan jumlah tertentu yang menarik.
Sedangkan untuk model klasik, koefisien wconsti (θ) dari model QR

dapat diartikan sebagai laju perubahan dari kuantil kondisional of dari
pengembalian portofolio, distribusi untuk perubahan unit dalam konstituen
kembali menghasilkan nilai Rconst• j, j = I konstan.
Kuantitas kondisional diperkirakan melalui fungsi optimasi

meminimalkan jumlah deviasi mutlak tertimbang di mana pilihan berat
menentukan quantile kondisional khusus untuk memperkirakan. Kami mengacu
pada Koenker dan Ng [20] untuk menghitung ketidaksetaraan komputasi
regresi kuantitatif.
Penggunaan penyimpangan absolut memastikan bahwa estimasi

quantile bersyarat kuat. Metode ini nonparametrik dalam arti bahwa itu tidak
menganggap distribusi probabilitas spesifik dari pengamatan. Berikut ini kami
menggunakan pendekatan semiparametrik karena kami menganggap model
linier untuk membandingkan perkiraan QR dengan model gaya klasik. Selain
itu kami membatasi perhatian kami pada regresi median dengan menetapkan θ
= 0,5. Seperti yang dinyatakan sebelumnya, adalah layak untuk menyebutkan
bahwa penggunaan nilai-nilai yang berbeda dari θ memungkinkan seperangkat
penaksir kuantifikasi kondisional yang akan diperoleh yang dapat dengan
mudah dikombinasikan secara linier untuk membangun suatu estimator-L,
untuk mendapatkan efisiensi [15, 19].
4. Hasil simulasi
218
Di bagian ini properti sampel terbatas dari prosedur yang diusulkan

diselidiki melalui studi Monte Carlo. Pengembalian dana buatan disimulasikan
menggunakan proses pembuatan data berikut:
rtpor t = rtconst wconst + σ et, t = 1, 2,. . . , T.
Secara khusus, kami mempertimbangkan portofolio dengan 5

konstituen yang dihasilkan dengan menggunakanGARCH (1,1) proses untuk
mensimulasikan perilaku pengembalian seri waktu yang benar. Bobot gaya
sebenarnya telah ditetapkan ke wikon = 0,2, i = 1, 2,. . . , 5, dengan demikian
meniru suatu tipical "beli dan tahan" strategi. Hal ini memungkinkan
interpretasi hasil simulasi yang lebih baik sedangkan perluasan untuk strategi
manajemen yang berbeda tidak menimbulkan kesulitan tertentu. Faktor skala σ
telah diperbaiki agar memiliki R2 mendekati 0,90 sementara et ∼ N (0, 1).
Kami mempertimbangkan pencilan aditif pada posisi yang dipilih secara acak
baik dalam seri konstituen (dalam X) dan dalam pengembalian portofolio
(dalam Y). Posisi pencemaran outlier telah ditetapkan baik untuk 1% dan
sampai 5%. Kami mempertimbangkan regresi median (θ = 0,5) dan kami
menggunakan T = 250, 500, 1000 sebagai ukuran sampel. Kami melakukan
1000 Monte Carlo berjalan untuk setiap simulasi dari set up eksperimental.
Gambar 1 menggambarkan dampak dari pengamatan di luar pada

penduga LS dan QR. Setiap baris grafik panel mengacu pada konstituen
portofolio (i = 1,..., 5) sementara kolom menunjukkan kasus yang berbeda dari
adanya outlier: tidak ada outlier, outlier dalam pengembalian portofolio (dalam
Y), outlier dalam pengembalian konstituen (dalam X), dan outlier baik dalam
pengembalian portofolio dan dalam pengembalian konstituen (dalam X dan Y).
Di setiap panel, kotak kiri mengacu pada penduga LS sementara yang kanan
menggambarkan perilaku penaksir QR. Seperti yang diharapkan, dampak dari
pengamatan di luar bisa sangat serius pada perkiraan LS koefisien gaya,
terutama ketika mempertimbangkan pencilan dalam rangkaian konstituen.
Perlu dicatat bahwa variabilitas perkiraan LS meningkat sangat banyak dan ini
219
dapat memiliki kekurangan praktis yang serius karena koefisien gaya bervariasi
dalam interval unit: variabilitas besar dari perkiraan menginduksi hasil dengan
utilitas praktis yang terbatas. Jelas, ketika tidak ada observasi yang terluar
dalam data, perkiraan LS lebih efisien daripada estimasi kuantil. Namun,
perbedaan antara dua distribusi tidak begitu jelas. Meskipun diketahui bahwa
estimator regresi kuantil hanya kuat dalam Y [16], studi simulasi menunjukkan
lebih banyak bukti kekokohan dalam kasus outlier dalam pengembalian
konstituen (kolom ketiga panel pada Gambar 1). Penjelasan yang mungkin
dapat diberikan dengan mempertimbangkan adanya kendala ganda, yang
memaksa setiap koefisien yang diperkirakan berada di dalam interval unit.
Namun, studi formal yang didasarkan pada fungsi pengaruh dari estimator yang
dibatasi tidak tersedia saat ini. Masalah ini masih dalam penyelidikan.
Untuk mendapatkan informasi tentang konsistensi dari estetika median

yang terbatas, kami menggunakan nilai yang berbeda untuk lamanya waktu
seri. Gambar 2 menggambarkan perilaku penduga QR untuk T = 250 (bilah
kotak kiri di setiap panel), T = 500 (kotak tengah) dan T = 1000 (bilah kotak
kanan). Seperti pada gambar sebelumnya, baris-baris plot mengacu pada
konstituen yang berbeda sementara kolom melaporkan kasus-kasus berbeda
yang dirawat dalam simulasi kami sehubungan dengan keberadaan pengamatan
yang terluar. Jelas bahwa dalam hal apapun, efisiensi meningkat seiring dengan
meningkatnya ukuran sampel.
Angka 1 dan 2 dibangun menggunakan persentase pencemaran pencilan

yang ditetapkan menjadi 1%. Pola serupa telah diperhatikan untuk kasus
kontaminasi 5% dan sehingga plot terkait tidak dilaporkan di sini demi
keringkasan. Dengan menggunakan persentase pencemaran outlier yang
ditetapkan menjadi 5%, seperti yang diharapkan, peningkatan variabilitas
estimator QR diamati, meskipun hanya ada perbedaan yang sangat terbatas
antara kedua kasus. Demi ruang, kami tidak menyertakan hasil apa pun untuk
perbandingan antara kasus-kasus berbeda dari pencemaran pencilan yang
dipertimbangkan. Sangat mudah untuk dicatat, bagaimanapun, bahwa
220
peningkatan variabilitas dari penaksir QR karena peningkatan persentase

pencemaran pencilan yang diimbangi memindahkan jumlah pengamatan dari T
= 250 ke T = 500 dan kemudian ke T = 1000.
Gambar 1. Perbandingan penduga kuadrat-terkecil (LS) dan estimator

median melalui regresi kuantil (QR) untuk T = 250. Subpanel yang berbeda
dari kedua plot mengacu pada konstituen portofolio (baris) dan untuk kasus
yang berbeda. kehadiran outlier (kolom). Khususnya kolom pertama
menggambarkan situasi tanpa observasi yang terluar, kolom kedua dan ketiga
masing-masing mengacu pada keberadaan outlier dalam pengembalian
portofolio dan outlier dalam pengembalian konstituen, sementara kolom
terakhir menggambarkan perilaku LS dan QR perkiraan ketika outlier
dianggap baik dalam pengembalian portofolio dan dalam pengembalian
konstituen. Di setiap panel, kotak kiri menggambarkan distribusi sampling
dari estimator LS sementara yang kanan mengacu pada distribusi sampling
dari penduga QR
5 .Kesimpulan dan masalah lebih lanjut
Analisis gaya secara luas digunakan dalam praktik keuangan untuk

menguraikan kinerja portofolio sehubungan dengan serangkaian indeks yang
mewakili pasar di mana portofolio berinvestasi. Metode Sharpe klasik
umumnya digunakan untuk memperkirakan pur-pose tetapi membutuhkan
koreksi dalam kasus adanya outlier. Dalam makalah ini kami membandingkan
prosedur klasik ini dengan prosedur yang kuat berdasarkan batasan saya
221
Gambar. 2. Perbandingan median estimator melalui regresi kuantil (QR) untuk T

= 250,
= 500 dan T = 1000. Subpanel yang berbeda dari dua plot mengacu pada
konstituen portofolio (baris) dan untuk kasus yang berbeda dari kehadiran
pencilan (kolom). Khususnya, kolom pertama menggambarkan situasi tanpa
pengamatan yang terluar, kolom kedua dan ketiga masing-masing mengacu pada
kehadiran outlier dalam pengembalian portofolio dan outlier dalam pengembalian
konstituen, sementara kolom terakhir menggambarkan kasus ketika outlier
dianggap baik dalam portofolio. Kembali dan kembali konstituen. Kotak kotak
menggambarkan distribusi sampling dari estimator QR untuk T = 250 (bilah kotak
kiri), T = 500 (kotak tengah) dan T = 1000 (bilah kotak kanan)
Dian regresi, menunjukkan beberapa hasil empiris untuk efisiensi dan konsistensi
estimator yang kuat. Hasil dari studi simulasi mendorong kami untuk menyelidiki
lebih lanjut pendekatan ini. Sebuah topik yang layak mendapat perhatian lebih
lanjut adalah studi formal dari kekokohan pengukur regresi median terbatas di
hadapan outlier dalam seri X berdasarkan fungsi pengaruh dari estimator kuat
yang dibatasi.Hal ini berguna untuk menunjukkan bahwa perolehan lebih lanjut
dalam efisiensi estimator dapat diperoleh sebagai regresi median telah
diperkirakan melaluiregresi kuantil. Misalny
Teknik memungkinkan perpanjangan sederhana menuju L-estimators
(didefinisikan sebagai kombinasi linear tertimbang dari kuantil yang berbeda)
untuk mendapatkan peningkatan efisiensi [15, 19]. Selain itu, banyak penduga
kuat lainnya telah diusulkan dan dipelajari untuk model regresi linier. Namun
perbandingan dari manfaat relatif mereka dalam kerangka kerja yang
dipertimbangkan di sini berada di luar cakupan makalah ini.
Perpanjangan lebih lanjut dari pendekatan yang diusulkan menyangkut

penggunaan regresi kuantil untuk menarik kesimpulan tentang koefisien gaya.
Kehadiran kendala ketidaksetaraan dalam model gaya, memang membutuhkan
222
kehati-hatian dalam menarik kesimpulan. Di antara berbagai proposal yang

muncul dalam literatur, Lobosco-Di Bartolomeo kira-kira [21] untuk menghitung
kesalahan standar yang dikoreksi tersebar luas dan bekerja dengan baik untuk
kasus-kasus biasa, yaitu ketika parameter tidak pada batas ruang param-eter .
Proposal ini, memang, adalah metode yang nyaman untuk memperkirakan interval
kepercayaan untuk koefisien gaya berdasarkan ekspansi Taylor. Namun demikian,
karena secara es-sential berdasarkan prosedur estimasi kuadrat-terkecil, solusi
Lobosco-Di Bartolomeo juga menderita dari keberadaan pencilan. Solusi yang
mungkin bisa berhubungan dengan penggunaan bersama regresi kuantil dan teori
subsampling [23]. Subsampling pertama kali diperkenalkan oleh Politis dan
Romano [22] dan dapat dianggap sebagai teori yang paling umum untuk
pembangunan orde pertama atau interval kepercayaan asymptotically orde
pertama yang valid. Ide dasarnya adalah untuk memperkirakan distribusi sampling
dari statistik kepentingan melalui nilai-nilai statistik (sesuai normalisasi) yang
dikomputasi di atas bagian-bagian data yang lebih kecil. Subsampling telah
terbukti valid di bawah asumsi yang sangat lemah dan, jika dibandingkan dengan
skema resampling lain seperti bootstrap, itu tidak mengharuskan distribusi
statistik entah bagaimana secara lokal lancar sebagai fungsi dari model yang tidak
diketahui. Memang, subsampling berlaku bahkan dalam situasi yang mewakili
contoh-contoh berlawanan dengan bootstrap. Masalah-masalah ini masih
merupakan penyelidikan yang tidak masuk akal dan di luar cakupan makalah ini.
Di sini ada baiknya menyoroti bahwa hasil awal tampak menjanjikan dan
mendorong kita untuk menyelidiki lebih lanjut pendekatan ini: interval
kepercayaan berdasarkan penggunaan bersama QR dan subsampling menunjukkan
kinerja yang lebih baik berkenaan dengan kesalahan cakupan dan panjang
interval. Langkah selanjutnya harus menyangkut analisis empiris dengan seri
keuangan nyata.
Pengakuan. Para penulis ingin mengucapkan terima kasih kepada dua wasit
anonim atas komentar dan saran mereka yang membantu pada rancangan makalah
sebelumnya; mereka membantu meningkatkan versi akhir dari pekerjaan.
223
Semua perhitungan dan grafik dilakukan dalam bahasa R [24], menggunakan

paket dasar dan paket tambahan: fgarch [29], ggplot2 [27], mgcv [28] dan
quantreg [17].
Penelitian karya Michele La Rocca mendapat manfaat dari struktur penelitian
STAT-LAB di Departemen Ekonomi dan Statistik, Universitas Salerno dan
CFEPSR, Portici (Na). Pekerjaan penelitian Domenico Vistocco didukung oleh
Laboratorio di Calcolo ed Analisi Kuantitatif, Departemen Ekonomi, Universitas
Cassino.
Andrews, D.W.K .: Estimasi ketika parameter berada di batas. Econometrica 67,

1341–1383
224
(1999)
Attardi, L., Vistocco, D.: Pada memperkirakan portofolio distribusi pengembalian bersyarat melalui
Model analisis gaya. Dalam: Perna, C., Sibillo, M. (eds) Metode Kuantitatif untuk Keuangan dan
Asuransi, hal. 11–17. Springer-Verlag, Milan (2007)
Attardi, L., Vistocco, D: Indeks untuk peringkat portofolio keuangan menurut internal
Pergantian. Dalam: Greenacre, M., Lauro, N.C., Palumbo, F. (eds.) Studi di Klasifikasi, Analisis Data,
dan Organisasi Pengetahuan. Springer, Berlin-Heidelberg (dalam pers)
Basset, G.W., Chen, H.L .: Gaya portofolio: pengaitan berbasis-kembali menggunakan regresi
kuantitatif
Sion. Dalam: Fitzenberger, B., Koenker, R., Machado, J.A.F. (eds.) Aplikasi Ekonomi Kuantitatif
Regresi (Studi di Empirical Economics), hlm 293-305. Physica-Verlag, Heidelberg (2001)
Christodoulakis, G.A .: Sharpe style analysis dalam portofolio sektor msci: pendekatan integrasi
Monte Carlo. Oper. Res. Int. J. 2, 123–137 (2003)
Christodoulakis, G.A .: Sharpe style analysis dalam portofolio sektor msci: Monte Carlo
Pendekatan integrasi. Dalam: Knight, J., Satchell, S. (eds.) Linear Factor Models in Finance, hal. 83–
94. Elsevier (2005)
Conversano, C., Vistocco, D .: Visualisasi model berbasis analisis gaya portofolio. Dalam: Antock, J.
(eds.) Prosiding Konferensi Internasional "COMPSTAT 2004", pp. 815–822. Physica-Verlag (2004)
Conversano, C., Vistocco, D .: Analisis gaya manajemen reksa dana: pemodelan, peringkat dan
pendekatan visualisasi. J. Appl. Stat. (diterima)
Davis, W.W .: Bayesian analisis model linear tunduk pada kendala ketidaksetaraan linier. Selai. Stat.
Assoc. 78, 573–579 (1978)
225
Geweke, J .: Inferensi yang tepat dalam ketidaksetaraan dibatasi model regresi linier normal. J. Appl.
Ekonometrika 1, 127-141 (1986)
Horst, J.R., Nijman, T.E., de Roon, F.A .: Mengevaluasi analisis gaya. J. Finan Empiris. 11, 29-51
(2004)
Hakim, G.G., Takayama, T: Ketimpangan ketimpangan dalam analisis regresi. Selai. Stat. Assoc. 61,
166–181 (1966)
Kim, T.H., White, H., Stone, D: Asymptotic dan bayesian confidence intervals untuk bobot sharpe-
style. J. Finan. Ekonometrika 3, 315–343 (2005)
Koenker R: Catatan tentang L-estimator untuk model linier. Stat. Masalah. Lett. 2, 323–325 (1984)
Koenker, R: Kuantil regresi. Econometric Soc. Monograf (2005)
Koenker, R: Quantreg: regresi kuantitatif. Paket R versi 4.10 (2007) http://www.r-project.org.
Koenker R., Basset, G.W .: Kuoril regresi. Econometrica 46, 33–50 (1978)
Koenker R., Basset, G.W .: L-estimasi untuk model linier. Selai. Stat. Assoc. 82, 851-857 (1987) 20
Koenker R., Ng, P: Ketidakmerataan terkendala regresi kuantitatif. Sankhya Ind. J. Stat. 67, 418–440
(2005) 21
Lobosco, A., Di Bartolomeo, D. Mendekati interval kepercayaan untuk bobot gaya sharpe. Finan.
Anal. J. 80–85 (1997)
Politis, D.N., Romano, J.P: Daerah kepercayaan sampel besar berdasarkan subsamples di bawah
asumsi minimal. Ann. Stat. 22, 2031–2050 (1994)
Politis, D.N., Romano, J.P., Wolf, M .: Subsampling. Springer-Verlag, New York (1999)
226
R Development Core Team .: R: Bahasa dan Lingkungan untuk Komputasi Statistik. Yayasan R untuk
Komputasi Statistik, Wina. Http://www.R-project.org.
Sharpe, W .: Alokasi aset: gaya manajemen dan pengukuran kinerja. J. Port-folio Man. 7-19 (1992)
Sharpe, W .: Menentukan bauran aset yang efektif dana. Menginvestasikan. Pria. Wahyu 2, 59–69
(1998)
Wickham, H .: ggplot2: Implementasi Grammar of Graphics. Paket R versi 0.5.7, (2008)

http://had.co.nz/ggplot2/.
Wood, S.N .: Generalized Additive Models: An Introduction with R. Chapman and Hall, CRC (2006)
Wuertz, D., Chalabi, Y., Miklovic, M. Et al. Fgarch: Rmetrics - Autoregressive Conditional
Heteroschedastic Modeling. Versi paket R 260,72 (2007) http://www.rmetrics.or
227
Mengelola risiko demografi dalam peningkatan pension
Susanna Levantesi dan Massimiliano Menziett
Abstrak. Makalah ini membahas analisis risiko demografis dalam Pensiun

Peningkatan, yaitu, perlindungan asuransi jangka panjang (LTC) untuk pensiunan.
Baik cacat dan risiko umur panjang mempengaruhi penutup tersebut. Secara
khusus, kami berkonsentrasi pada risiko penyimpangan sistematis antara
mortalitas dan disabilitas yang diproyeksikan dan direalisasikan, mengadopsi
pendekatan multi-skenario. Untuk tujuan ini kami mempelajari perilaku cadangan
risiko acak. Selain itu, kami menganalisis efek risiko demografi pada persyaratan
modal berbasis risiko, menjelaskan bagaimana mereka dapat dikurangi melalui
strategi pemuatan aman atau alokasi modal. Analisis laba juga dipertimbangkan.
Kata kunci: jaminan perawatan jangka panjang, peningkatan pensiun, risiko

demografi, cadangan risiko, persyaratan solvabilitas
1. Perkenalan
The "Pensiun Peningkatan" (EP) adalah asuransi jangka panjang (LTC) asuransi
untuk pensiunan. Ini menawarkan anuitas hidup segera yang meningkat setelah
tertanggung menjadi LTC dinonaktifkan dan membutuhkan premi tunggal. EP
dipengaruhi oleh risiko demografi (umur panjang dan risiko cacat) yang timbul
dari ketidakpastian dalam tren mortalitas dan disabilitas di masa depan yang
menyebabkan risiko penyimpangan sistematis dari nilai yang diharapkan.
Beberapa analisis argumen ini telah dilakukan oleh Ferri dan Olivieri [1] dan
Olivieri dan Pitacco [6]. Untuk mengevaluasi risiko seperti itu kami melakukan
analisis dengan mempertimbangkan pendekatan beberapa skenario. Untuk
menentukan serangkaian skenario yang diproyeksikan, kami mempertimbangkan
statistik populasi umum kematian dan kecacatan.
228
Kami pertama menganalisis perilaku cadangan risiko, kemudian kami

mendefinisikan persyaratan modal yang diperlukan untuk menjamin solvabilitas
perusahaan asuransi. Akhirnya kami mempelajari profitabilitas portofolio.
Analisis semacam itu tidak dapat dilakukan dengan alat analisis, tetapi
membutuhkan model simulasi Monte Carlo.
Makalah ini disusun sebagai berikut. Dalam Bagian 2 kami mendefinisikan

kerangka aktuaria untuk EP. Dalam Bagian 3 kami mengembangkan sembilan
skenario demografis dan menjelaskan melalui model yang sesuai bagaimana
mereka dapat berubah seiring waktu. Dalam Bagian 4 kami menyajikan model
teori risiko berdasarkan cadangan risiko portofolio dan persyaratan Modal
Berbasis Risiko yang diperlukan untuk melindungi perusahaan asuransi dari
kegagalan dengan keyakinan tetap.
Tingkat. Bagian 5 membahas analisis laba portofolio sesuai dengan profil laba.
Hasil simulasi dianalisis dalam Bagian 6, sementara beberapa pernyataan penutup
disajikan dalam Bagian 7.
2 Model Aktuaria Untuk Pensiun
Yang Disempurnakan Kerangka kerja probabilistik dari EP didefinisikan secara

konsisten dengan model multi-negara kontinyu dan tidak homogen (lihat
Haberman dan Pitacco [2]).Biarkan S (t) mewakili kembali keadaan acak yang
ditempati oleh tertanggung pada saat t, untuk t ≥ 0, di mana t adalah durasi polis
229
dan 0 waktu masuk. Kemungkinan realisasi S (t) adalah: 1 = "aktif" (atau sehat), 2
= "LTC dinonaktifkan" atau 3 = "mati". Kami mengabaikan kemungkinan
pemulihan dari negara LTC karena sifat kecacatan yang biasanya kronis dan kami
berasumsi S (0) = 1. Mari kita definisikan probabilitas transisi dan intensitas:
EP adalah premi tunggal mencakup penyediaan anuitas dibayarkan pada tingkat

tahunan b1 (t) ketika tertanggung sehat dan anuitas yang ditingkatkan dibayarkan
pada tingkat tahunan b2 (t)> b1 (t) ketika tertanggung LTC dinonaktifkan. Mari
kita anggap semua manfaat menjadi konstan seiring berjalannya waktu. Biarkan ω
menjadi durasi kebijakan maksimum terkait dengan harapan hidup sisa usia
X dan biarkan v (s, t) = t
H = s + 1 v (h - 1, h) menjadi nilai pada waktu unit moneter pada
Nilai pada saat 0 manfaat ini, 0, diberikan oleh:
Waktu t; aktuarial / (, ω)
(0, ω) = b1a11 (0, ω) + b2a12 (0, ω), (3)
U − t −1 Pi j (t, s) v (s, t) untuk semua i, j ∈ 1, 2. Dengan asumsi kesetaraan
Dimana: ai j (t, u) = s = t
= T didefinisikan sebagai:
Prinsipnya, premi tunggal bruto yang dibayarkan dalam t 0,
T = (0, ω) (4)
1 - α - β - γ [a11 (0, ω) + a21 (0, ω)],
Di mana α, β dan γ mewakili pemuatan premium untuk akuisisi, perolehan premi

dan biaya umum, masing-masing.
3 Skenario Demografis
Sampul jangka panjang, seperti EP, dipengaruhi oleh tren demografi (mortalitas
dan kecacatan). Sumber risiko dalam evaluasi aktuaria adalah ketidakpastian
230
dalam kematian dan kecacatan di masa depan; untuk merepresentasikan

ketidakpastian seperti itu, kami mengadopsi berbagai skenario proyeksi yang
berbeda.
Kami memulai dari skenario dasar, HB, yang ditentukan berdasarkan data statistik
terbaru tentang orang yang melaporkan ketidakmampuan (lihat ISTAT [3]) dan,
konsisten dengan data ini,
Life-Table SIM-1999 Italia. Angka kematian aktif μ13 (t) diperkirakan oleh
hukum Weibull, sementara intensitas transisi μ12 (t) diperkirakan oleh hukum
Gompertz (untuk rincian tentang perkiraan intensitas transisi, lihat Levantesi dan
Menzietti [5]). Intensitas kematian cacat μ23 (t) dinyatakan dalam μ13 (t) sesuai
dengan koefisien tergantung waktu K (t), μ23 (t) = K (t) μ13 (t). Nilai K (t), yang
berasal dari data pengalaman dari perusahaan reasuransi yang penting,
diperkirakan dengan baik oleh fungsi exp (c0 + c1 t + c2t 2).
Mortalitas dari skenario yang diproyeksikan telah dimodelkan untuk

mengevaluasi satu set parameter Weibull yang berbeda (α, β) untuk setiap
proyeksi ISTAT (hipis-esis rendah, utama dan tinggi, lihat ISTAT [4]).
Selanjutnya, koefisien K (t) seharusnya sama untuk semua skenario. Mengenai
intensitas transisi, μ12 (t), tiga set parameter Gom-pertz yang berbeda telah
ditentukan mulai dari skenario dasar untuk mewakili penurunan 40% (Hp. A),
penurunan 10% (Hp. B) dan 20% meningkatkan (Hp. C) dalam tren kecacatan,
masing-masing. Dengan menggabungkan proyeksi kematian dan cacat, kami
memperoleh sembilan skenario.
Kami berasumsi bahwa kemungkinan perubahan dalam skenario demografi terjadi

setiap tahun k, misalnya, dalam implementasi numerik 5 tahun dianggap sebagai
231
waktu yang wajar untuk menangkap perubahan demografis. Misalkan H (t) adalah
skenario yang terjadi pada waktu t (t = 0, k, 2k,...).
Ini dimodelkan sebagai proses stokastik waktu-diskrit. Biarkan P ¯ (t) menjadi
vektor skenario
Probabilitas pada waktu t dan M (t) matriks probabilitas transisi skenario antara
+ ¯ (+) = ¯ () • ()
T dan t k. Persamaan berikut berlaku: P t k P t M t.
Kami berasumsi bahwa pada saat awal skenario yang terjadi adalah yang utama.
Kami berasumsi bahwa proses stokastik H (t) adalah waktu homogen (M (t) = M,
∀t) dan skenario
P t, stasioner setelah periode pertama, sehingga P t P,
Distribusi probabilitas, ¯ () ¯ () = ¯
T P adalah vektor eigen kiri dari matriks transisi M yang sesuai
∀ ≥ k. Perhatikan bahwa ¯
Ke nilai eigen 1. Nilai-nilai P¯ ditetapkan dengan asumsi probabilitas terbesar
Kejadian untuk skenario pusat dan koefisien korelasi antara kematian dan
kecacatan sebesar 75%:
¯ = (......).
P 0 01 0 03 0 16 0 03 0 54 0 03 0 16 0 03 0 01
Lebih lanjut, kami mengasumsikan bahwa transisi antara skenario yang sangat
berbeda tidak mungkin dalam satu periode dan konsisten dengan korelasi yang
seharusnya antara kematian dan cacat, beberapa transisi lebih mungkin daripada
yang lain.
Menghasilkan probabilitas transisi skenario dilaporkan dalam matriks di bawah

ini.
0,1650 0,1775 0,0000 0,1775 0,4800 0,0000 0,0000 0,0000 0,0000

0,0492 0,1850 0,0933 0,0592 0,5100 0,1033 0,0000 0,0000 0,0000
232
0,0000 0,0100 0,4250 0,0000 0,5550 0,0100 0,0000 0,0000 0,0000
0,0492 0,0592 0,0000 0,1850 0,5100 0,0000 0,0933 0,1033 0,0000
M 0,0100 0,0300 0,1600 0,0300 0,5400 0,0300 0,1600 0,0300 0,0100
0,0000 0,1033 0,0933 0,0000 0,5100 0,1850 0,0000 0,0592 0,0492

=
0,0000 0,0000 0,0000 0,0100 0,5550 0,0000 0,4250 0,0100 0,0000
0,0000 0,0000 0,0000 0,1033 0,5100 0,0592 0,0933 0,1850 0,0492
0,0000 0,0000 0,0000 0,0000 0,4800 0,1775 0,0000 0,1775 0,1650
4 Model Teori Risiko
Analisis risiko demografi dilakukan pada portofolio EP dengan kontrak Ni (t) di

negara bagian i pada waktu t, tertutup untuk entri baru. Cadangan risiko acak
diadopsi sebagai ukuran risiko. Ini merupakan kemampuan perusahaan asuransi
untuk memenuhi kewajiban, oleh karena itu dapat dianggap sebagai alat yang
valid untuk mengevaluasi solvabilitas perusahaan asuransi dan, lebih umum,
dalam penilaian manajemen risiko. Biarkan U (0) menjadi nilai cadangan risiko
pada saat 0; cadangan risiko pada akhir tahun t didefinisikan sebagai:
U (t) = U (t - 1) + P T (t) + J (t) - E (t) - B (t) - V (t) - K (t), (5)

Dimana:
• P T (t) adalah pendapatan premi tunggal bruto;
233
• J (t) adalah hasil investasi pada aset, A t, di mana aset didefinisikan sebagai
T ()
A (t) = A (t - 1) + P (t) - E (t) - B (t) + J (t) - K (t);
• E (t) adalah biaya: E (t) = i = 1,2 Ni (t - 1) i (t);
• B (t) adalah hasil untuk manfaat: B t Ni (t - 1) bi;
() = i = 1,2
• V (t) adalah kenaikan tahunan dalam ketentuan teknis, V t i 1,2 Ni (t) Vi (t),
() =
Dan Vi (t) adalah ketentuan teknis untuk tertanggung dalam negara i; =
K (t) adalah arus modal; jika K (t)> 0 perusahaan asuransi mendistribusikan divi-
dends dan jika K (t) <0 pemegang saham menginvestasikan modal.
Kami berasumsi bahwa premi, manfaat, pengeluaran dan arus modal dibayarkan
setiap awal setiap tahun. Untuk membandingkan output dari berbagai skenario dan
portofolio, kami menggunakan rasio antara cadangan risiko dan total pendapatan
premi tunggal
U (t)
U (t) = (0, ω) N1 (0).
Analisis risiko dilakukan sesuai dengan beberapa skenario pendekatan yang
mempertimbangkan setiap skenario sebagai keadaan mungkin dari proses
stokastik H (t), menurut
¯
Vektor probabilitas P, memungkinkan evaluasi risiko deviasi sistematis dalam
fungsi biometrik (lihat Olivieri dan Pitacco [6] dan Levantesi dan Menzietti [5]).
Dasar penentuan demografi didefinisikan sesuai dengan skenario sentral dengan

pemuatan keselamatan yang diberikan oleh pengurangan probabilitas kematian.
Kami mengabaikan risiko keuangan, mengadopsi suku bunga deterministik dan
konstan. Kami berasumsi harga dasar keuangan sama dengan yang dunia nyata.
234
Ketentuan teknis ditinjau setiap 5 tahun secara konsisten dengan periode

perubahan skenario. Selanjutnya, perusahaan asuransi melihat perubahan skenario
dengan penundaan satu periode.
Managing demographic risk in

enhanced pensions 177
Distribution. We calculate RBC requirements with different time horizons and

confi-dence levels. Let us define the finite time ruin probability as the probability
of being in a ruin state in at least one of the time points 1, 2. . . , T , for a given
U(0)=u:
U (t )≥0 U (0)=
!U (0, T ) =1−Pr+ T u 8. (6)
T
=1
R BC1−(0, T )= in
f
4.1 Persyaratan modal berbasis risiko
Risk-based capital (RBC) adalah metode untuk menilai solvabilitas perusahaan asuransi; itu terdiri d
komputasi yang mencerminkan ukuran eksposur risiko keseluruhan dari perusahaan asuransi. Mari k
235
RBC berdasarkan cadangan risiko
Mengelola risiko demografi dalam peningkatan pensiun 177
Distribusi. Kami menghitung persyaratan RBC dengan cakrawala waktu dan tingkat konfidensi yang
Mari kita definisikan probabilitas kehancuran waktu terbatas sebagai probabilitas berada dalam kead
setidaknya satu titik waktu 1, 2.. . , T, untuk U yang diberikan (0) = u:
! U (0, T) = 1 - Pr +: 8. (6)
T U (t) ≥ 0 U (0) = u
T=1
Persyaratan RBC untuk horizon waktu (0, T) dengan tingkat kepercayaan (1 -) adalah
Didefinisikan sebagai berikut: U (0) ≥ 0! 0 (0, T) <. (7)
R BC1− (0, T) = dalam f
5 Analisis Laba
Pada bagian ini kami menganalisis laba tahunan, Y (t), yang muncul dari
manajemen portofolio. Untuk menangkap sumber-sumber keuntungan, Y (t) dapat
dipecah menjadi laba asuransi, Y I (t), dan laba yang berasal dari pendapatan
investasi pada dana pemegang saham (yang kita sebut "patrimonial profit"), Y P
(t).
Y I (t) = (1 + i (t - 1, t)) [V (t - 1) + P T (t) - E (t) - B (t)] - V (t) (9)

Y P (t) = U (t - 1) i (t - 1, t) (10)
Hubungan berikut ini berlaku: Y (t) = Y I (t) + Y P (t). Urutan {Y (t)} t ≥1 disebut
profil laba. Biarkan ρ menjadi tingkat pengembalian modal yang dibutuhkan oleh
pemegang saham; nilai sekarang dari laba masa depan didiskon pada tingkat ρ
236
(dengan ρ> i), Y (0, T) diberikan oleh:

6 Hasil Simulasi Portofolio
Mari kita pertimbangkan kohor 1000 pemegang polis, laki-laki, dengan usia yang
sama dalam masalah kebijakan, x = 65, tahun masuk yang sama (waktu 0), durasi
kebijakan maksimum ω = 49, beban pemuatan α = 5%, β = 2 %, γ = 0,7% dan
suku bunga konstan i (0, t) = = 3% ∀t. Jumlah manfaat tahunan didistribusikan
seperti pada Tabel 1
Table 1.Annual benefit amounts distribution (euros)
B1 B2 F r (%)
6,000 12,000 40
9,000 18,000 30
12,00
0 24,000 15
15,00
0 27,000 10
18,00
0 30,000 5
Hasil dari 100.000 simulasi dilaporkan dalam tabel berikut, dengan asumsi
pemuatan keamanan pada dasar penentuan demografis yang diberikan oleh
pengurangan 10% dari probabilitas kematian sehat dan cacat dan modal awal K
(0) = R BC99.5% (0, 1) . Nilai-nilai simulasi dari u (t) ditunjukkan pada Gambar
237
1. Gambar ini menyoroti variabilitas yang kuat dari distribusi cadangan risiko,
terutama ketika t> 5, sebagai konsekuensi dari perubahan skenario demografi.
Meskipun cadangan risiko memiliki tren positif karena pemuatan keamanan,
persentil lebih rendah negatif. Konsekuensi ekonomi dari aspek semacam itu
adalah
Gambar 1.U (t) dengan pemuatan aman = 10% pengurangan probabilitas

kematian, modal awal K (0) = B C99.5% (0, 1)
Tabel 2. Moments of u (t) dan probabilitas kehancuran waktu yang terbatas

dengan modal awal K (0) = R B C99.5% (0, 1), keselamatan loading = 10%
pengurangan probabilitas kematian
U(T ) T =1 T =5 T =10 T =20 T =30
Mean (%) 0.79 1.51 2.75 6.61 10.94
Std Dev (%) 0.37 1.26 4.58 5.27 6.36
0.581
Coeff Var 0.4673 0.8372 1.6614 0.7974 7
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T
)(%) 0.50 15.06 28.98 40.67 40.84
Relevan untuk solvabilitas perusahaan asuransi dan akan dikuantifikasi melalui

persyaratan solvabilitas. Pada Tabel 2 kami melaporkan nilai-nilai dari momen u
(t) dan koefisien variasi serta probabilitas runtuhnya waktu yang terbatas.Dapat
diketahui bahwa nilai yang diharapkan dari u (t) selalu positif dan meningkat
seiring dengan waktu serta standar deviasi. Melihat koefisien variasi kami
238
mengamati peningkatan variabilitas relatif hingga = 10; setelah itu menurun.

Perilaku seperti itu menunjukkan bahwa risiko demografi terutama disebabkan
oleh perubahan skenario (dirasakan dengan penundaan 5 tahun) yang
mempengaruhi evaluasi ketentuan teknis.Ketika ketentuan teknis menurun,
koefisien variasi dari u (t) menjadi stabil.Kecenderungan risiko untuk menjadi
stabil dikonfirmasi oleh waktu probabilitas reruntuhan waktu terbatas yang
meningkat seiring waktu. Seperti yang diharapkan,! U (0, 1) konsisten dengan
ketentuan modal awal, K (0) = R BC99.5% (0, 1). Tabel 3 menunjukkan nilai
persyaratan RBC untuk tiga tingkat kepercayaan yang berbeda: 98%, 99% dan
99,5%. Nilai-nilai RBC meningkat dengan waktu dan menjadi stabil pada T = 20
hanya jika RBC dihitung pada horizon waktu (0, T), daripada pada waktu T. Di
sisi lain, jika kita melihat RBC dihitung berdasarkan var, kita mendapatkan nilai
yang lebih rendah sehubungan dengan yang sebelumnya, terutama untuk T> 10.
Hasil menunjukkan bahwa modal awal harus ditingkatkan sekitar 6% dari
pendapatan premi tunggal untuk menjamin solvabilitas asuransi pada horizon
waktu portofolio
Table 3.Risk-based capital with safety loading = 10% reduction of death

probabilities, initialcapital K(0)=R B C99.5%(0, 1)
T
R bc1−(0, T ) T =1 T =5 T =10 T =20 =30
6.57
= 0.5% 0.67% 1.78% 6.52% 6.57% %
6.24
= 1.0% 0.62% 1.62% 6.20% 6.24% %
239
5.94
= 2.0% 0.55% 1.43% 5.91% 5.94% %
R bc1v−a R(0, T T
) T =1 T =5 T =10 T =20 =30
2.63
= 0.5% 0.67% 1.77% 6.03% 4.07% %
2.12
= 1.0% 0.62% 1.60% 5.75% 3.61% %
1.48
= 2.0% 0.55% 1.39% 5.30% 3.01% %
180 S. Levantesi and M. Menzietti
Gambar. 2. Nilai yang diharapkan dari asuransi tahunan dan keuntungan

240
patrimonial dengan pemuatan keselamatan = 10% pengurangan probabilitas

kematian, modal awal K (0) = R B C99.5% (0, 1)
Tabel 4. Momen-momen u (t) dan probabilitas kehancuran waktu hingga dengan

modal awal K (0) = 0, pemuatan keselamatan = 10% pengurangan probabilitas
kematian
U(T ) T =1 T =5 T =10 T =20 T =30
Mean (%) 0.10 0.73 1.85 5.40 9.31
Std Dev (%) 0.37 1.26 4.58 5.27 6.36
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T )
(%) 42.06 58.42 62.37 67.72 67.79
Gambar 2 menunjukkan nilai yang diharapkan dari komponen laba tahunan

seperti yang dinyatakan dalam Bagian 5. Garis laba asuransi menunjukkan
variabilitas yang lebih besar, dipengaruhi oleh risiko demografis. Sementara itu,
garis keuntungan patrimonial lebih teratur karena tidak adanya risiko keuangan,
dan meningkat seiring waktu, tergantung pada investasi cadangan risiko
(pengembalian yang dihasilkan oleh investasi cadangan risiko).
Untuk mengevaluasi efek dari ketentuan modal awal yang berbeda, kami
memperbaiki K (0) = 0. Lebih lanjut, menurut ISVAP (penulis pengawas asuransi
Italia), yang berbagi batas solvabilitas minimum dalam asuransi jiwa untuk
menghadapi demo-grafik dan risiko keuangan dalam 1% dan 3% dari ketentuan
241
teknis, masing-masing, kami memperbaiki K (0) = 1% V (0+). Saat-saat distribusi

u (t) dan probabilitas kehancuran dilaporkan dalam Tabel 4 dan 5. Mereka dapat
dibandingkan dengan hasil Tabel 2.
Perhatikan bahwa nilai-nilai K (0) tidak mempengaruhi standar deviasi dan

skewness dari distribusi u (t), sementara mereka mempengaruhi u (t) nilai yang
diharapkan, yang meningkat ketika K (0) naik. Sekarang, mari kita pertimbangkan
pembebanan keamanan tertinggi yang diberikan oleh pengurangan 20% dari
probabilitas kematian untuk orang sehat dan orang cacat. Nilai momen-momen u
(t) dan probabilitas kehancuran waktu terbatas dilaporkan dalam Tabel 6. Jika kita
membandingkan nilai-nilai ini dengan yang ada pada Tabel 2 (di mana pemuatan
keselamatan sama dengan pengurangan 10% dari probabilitas kematian), kami
menemukan bahwa pemuatan keamanan sangat mempengaruhi nilai yang
diharapkan dari u (t), tetapi tidak secara signifikan mempengaruhi standar deviasi
dan skewness. Di lain
242
Tabel 5. Saat-saat u (t) dan probabilitas kehancuran waktu hingga dengan modal
awal K (0) = 1% V (0+), pemuatan keselamatan = 10% pengurangan probabilitas
kematian
U(T ) T =1 T =5 T =10 T =20 T =30
Mean (%) 1.13 1.89 3.20 7.21 11.74
Std Dev (%) 0.37 1.26 4.58 5.27 6.36
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T )
(%) 0.00 7.02 24.18 36.69 36.82
Tabel 6. Momen rasio modal dan probabilitas kehancuran waktu hingga dengan
modal awal K (0) = R B C99.5% (0, 1), pemuatan keselamatan = 20%
pengurangan probabilitas kematian
U(T ) T =1 T =5 T =10 T =20 T =30
Mean (%) 0.78 2.07 4.49 12.01 20.39
Std Dev (%) 0.37 1.26 4.50 5.25 6.20
−0.00
Skew 0.4544 0.2892 0.0120 −0.0197 38
243
!U (0, T )
(%) 0.50 7.07 22.21 30.56 30.56
Tabel 7. Modal berbasis risiko dengan pemuatan keselamatan = 20% pengurangan

probabilitas kematian, modal awal K (0) = R B C99.5% (0, 1)
R bc1−(0, T ) T =1 T =5 T =10 T =20 T =30
= 0.5% 0.57% 1.23% 5.39% 5.39% 5.39%
= 1.0% 0.52% 1.09% 5.14% 5.14% 5.14%
= 2.0% 0.46% 0.92% 4.88% 4.88% 4.88%
R bc1v−a R(0, T
) T =1 T =5 T =10 T =20 T =30
−1.52
= 0.5% 0.57% 1.18% 4.52% 0.97% %
−2.02
= 1.0% 0.52% 1.02% 4.24% 0.49% %
−2.65
= 2.0% 0.46% 0.81% 3.78% −0.12% %
Kata-kata, pemuatan keamanan mengurangi kemungkinan cadangan risiko

menjadi negatif (sebagaimana dibuktikan oleh nilai-nilai u (0, T)), tetapi tidak
menurunkan variabilitasnya.Selain itu, modal yang dibutuhkan menurun dengan
peningkatan muatan pengaman (lihat Tabel 7 dibandingkan dengan Tabel 3).
Perhatikan bahwa dalam jangka panjang r bcv a R negatif, oleh karena itu modal
awal tidak diperlukan untuk menjamin solvabilitas asuransi. Meskipun demikian,
pengurangan kebutuhan dibiayai oleh pemegang polis melalui peningkatan premi
- karena pemuatan keselamatan yang lebih tinggi - membuat perusahaan asuransi
kurang kompetitif di pasar.Oleh karena itu, penting untuk menggabungkan target
solvabilitas dengan kebijakan komersial. Sekarang, mari kita pertimbangkan
244
dampak pemuatan keselamatan pada Y (0, T) didiskon dengan tarif = 5%> saya
(lihat (11)). Seperti yang diharapkan, Y (0, T) meningkat dengan peningkatan
pemuatan keselamatan: nilai-nilai - dinyatakan sebagai rasio terhadap total
pendapatan premi tunggal - bergerak dari 6,21% menjadi 11,85% ketika pemuatan
keselamatan meningkat. Perlu dicatat bahwa melihat keuntungan
Tab Present value Future Ratio to Single premium

le 8. of profits as total income,
Y (0, T
)/( (0, ω) N1(0)) with initial capitalK (0) =R B C99.5%(0, 1)
SL = 10% SL = 20% %
Total 6.21% 11.85% 91%
Insuranc
e 3.03% 6.17% 104%
Patrimon
ial 3.18% 5.69% 79%
Sources separately, we have a higher increase in YI(0,T) than in YP(0,T): 104%

compared to 79%
7 Kesimpulan
Makalah ini berfokus pada kecacatan dan risiko umur panjang yang timbul dari
masalah dalam perkiraan harapan hidup sisa orang sehat dan orang cacat.Analisis
245
kami menyoroti bahwa EP dipengaruhi oleh risiko demografis yang signifikan

yang disebabkan oleh penyimpangan sistematis antara skenario demografis yang
diharapkan dan direalisasikan. Hasilnya menegaskan bahwa risiko seperti itu sulit
untuk dikendalikan, tergantung pada ketidakpastian dalam evolusi fungsi
biometrik di masa depan. Distribusi cadangan risiko menunjukkan variabilitas
yang kuat karena perubahan skenario demografis mempengaruhi penilaian
ketentuan teknis.Karena risiko semacam itu bersifat sistematis, variabilitas u (t)
tidak berkurang ketika pemuatan keselamatan atau peningkatan modal
awal.Meskipun demikian, mereka adalah alat yang berguna dalam mengelola
risiko demografi karena mereka secara signifikan mengurangi probabilitas
kehancuran perusahaan asuransi sejauh persyaratan RBC yang diperlukan untuk
memastikan solvabilitas perusahaan asuransi pada tingkat kepercayaan
tetap.Dalam makalah ini kami memperhitungkan modal awal saja, mengurangi
kemungkinan kerugian yang timbul.Namun, risiko penyimpangan sistematis tetap
ada, yang membutuhkan strategi alokasi modal yang tepat. Topik ini akan menjadi
subjek penelitian masa depan bersama dengan strategi reasuransi yang sesuai.
Referensi Ferri, S., Olivieri, A.: Basis teknis untuk penutup LTC termasuk
kematian dan cacat proyeksi Dalam: Prosiding ASTIN 31 Kolokium, Porto Cervo,
Italia (2000) Haberman, S., Pitacco, E.: Model Aktuaria untuk Asuransi Cacat.
Chapman and Hall, London (1999) ISTAT: Kondisi kesehatan dan kebugaran
untuk layanan kesehatan.ISTAT, Roma (2000) ISTAT: Perkiraan populasi
penduduk berdasarkan jenis kelamin dan wilayah 1.1.2001 hingga 1.1.2051.
ISTAT, Roma (2002) Levantesi, S., Menzietti, M.: Longevity and disability risk
analysis dalam peningkatan usia ities. Dalam: Prosiding 1 LIFE Colloquium,
Stockholm (2007) Olivieri, A., Pitacco, E.: Menghadapi risiko LTC. Dalam:
Prosiding ASTIN Colloquium ke-32, Washington (2001)
Menggabungkan reksadana dengan tingkat pengembalian dan risiko

246
Francesco Lisi dan Edoardo Otranto
Abstrak. Klasifikasi dana reksa, sering dibuat oleh lembaga pemeringkat, sangat
umum dan kadang-kadang dikritik. Dalam pekerjaan ini, prosedur statistik tiga
langkah untuk klasifikasi reksa dana diusulkan. Pada tahap pertama, rangkaian
waktu dana dicirikan dalam hal pengembalian. Pada langkah kedua, analisis
pengelompokan dilakukan untuk mendapatkan kelas dana homogen sehubungan
dengan tingkat risiko. Secara khusus, risiko ditentukan mulai dari model
Asymmetric Threshold-GARCH yang bertujuan untuk menggambarkan risiko
minimum, normal dan gejolak. Langkah ketiga menggabungkan dua sebelumnya.
Aplikasi untuk 75 dana Eropa milik 5 kategori yang berbeda disajikan.
Kata kunci: pengelompokan, model GARCH, risiko keuangan
1. Perkenalan
Jumlah reksa dana telah tumbuh secara dramatis selama beberapa tahun terakhir.
Ini telah menyebabkan sejumlah skema klasifikasi yang seharusnya memberikan
informasi yang dapat dipercaya kepada investor tentang fitur dan kinerja dana.
Sebagian besar klasifikasi ini diproduksi oleh lembaga pemeringkat nasional atau
internasional. Misalnya, Morningstar mengelompokkan dana ke dalam kategori
sesuai dengan gaya investasi aktual mereka, komposisi portofolio, kapitulasi,
prospek pertumbuhan, dll. Informasi ini kemudian digunakan, bersama dengan
yang terkait dengan pengembalian, risiko dan biaya, untuk mengatur lebih ringkas
klasifikasi sering disebut sebagai Peringkat Bintang (lihat [11] untuk detailnya).
Sebenarnya, setiap lembaga pemeringkat memiliki metode evaluasi pemilik
247
tertentu dan juga asosiasi nasional manajer reksa dana menyimpan dan
mempublikasikan klasifikasi mereka sendiri.
Masalah muncul karena, secara umum, kelas dari klasifikasi yang berbeda tidak
sesuai. Juga, semua prosedur klasifikasi memiliki beberapa kelemahan; misalnya,
mereka sering didasarkan pada informasi subjektif dan membutuhkan waktu
elaborasi yang panjang (lihat, misalnya, [15]).
Dalam literatur statistik, klasifikasi seri waktu keuangan telah menerima perhatian
yang relatif sedikit. Selain itu, sepengetahuan kami, tidak ada perbandingan antara
berbagai klasifikasi yang diusulkan dan yang dari lembaga pemeringkat. Beberapa
penulis hanya menggunakan pengembalian untuk pengelompokan deret waktu
keuangan. Misalnya, [15] mengusulkan
Skema klasifikasi yang menggabungkan metodologi statistik yang berbeda

(analisis komponen utama, analisis pengelompokan, regresi terbatas Sharpe) yang
diterapkan pada pengembalian masa lalu dari seri waktu.Juga, algoritma
pengelompokan yang diusulkan oleh [9], re-ferring ke berbagai jenis fungsi,
hanya didasarkan pada tingkat pengembalian. Penulis lain berdasarkan klasifikasi
mereka hanya pada risiko dan mengelompokkan aset sesuai dengan perbedaan
antara model volatilitas untuk deret waktu keuangan [2, 8, 12-14]. Pengembalian
yang disesuaikan risiko, yaitu, mengembalikan standar melalui standar deviasi,
digunakan untuk mengelompokkan rangkaian waktu oleh [4].Pendekatan ini
menarik, tetapi menggunakan varian tanpa syarat sebagai ukuran risiko dan
mengabaikan dinamika volatilitas tampaknya terlalu sederhana.Dalam makalah
ini, klasifikasi hanya berdasarkan informasi yang tercantum dalam seri nilai aset
bersih (NAV) dipertimbangkan. Ini bersandar pada gagasan sederhana dan
sebagian besar disepakati bahwa dua hal yang sangat penting dalam evaluasi dana
248
adalah tingkat pengembalian dan risiko. Untuk mengukur tingkat pengembalian,

rata-rata pengembalian periode bersih tahunan dianggap. Mengenai keberisikoan,
dalam literatur seri waktu, biasanya diukur dalam hal variasi kondisional
(volatilitas) dari deret waktu. Seperti diketahui, volatilitas ditandai oleh perilaku
yang berubah-waktu dan efek pengelompokan, yang menyiratkan bahwa periode
diam (volatilitas rendah) dan gejolak (volatilitas tinggi) bergantian. Untuk
memperhitungkan kedua sifat volatilitas yang bervariasi waktu dan untuk perilaku
yang berbeda dalam periode tenang dan gejolak, versi asimetris dari model
Threshold GARCH standar [5, 17], dianggap dalam pekerjaan ini
Sehubungan dengan pengembalian sedangkan kelompok kedua mereka berkenaan

dengan keberisikoan.Secara khusus, seluruh risiko dipecah menjadi risiko
minimum konstan, risiko standar yang bervariasi waktu dan risiko gejolak yang
berubah-ubah. Mengikuti [12,13] dan [14], pengelompokan terkait dengan
volatilitas didasarkan pada jarak antara model GARCH, yang merupakan
perluasan dari metrik AR yang diperkenalkan oleh [16]. Terakhir, langkah ketiga
menggabungkan hasil dari dua langkah pertama untuk mendapatkan klasifikasi
ringkas. Metode ini diterapkan pada 75 dana yang termasuk ke dalam lima
kategori: dana bal-anced agresif, dana seimbang prudential, investasi obligasi
korporasi, dana modal saham isasi besar dan dana moneter. Untuk membuat
perbandingan dengan klasifikasi yang tersirat oleh Morningstar Star Rating, yang
berkisar dari 1 hingga 5 bintang, pengelompokan kami didasarkan pada 5
"bintang" juga. Seperti yang diharapkan, klasifikasi kami tidak bertepatan dengan
Peringkat Morningstar karena hanya sebagian didasarkan pada kriteria yang sama.
Namun demikian, di lebih dari 82% dari dana yang dianggap dua peringkat tidak
berbeda untuk lebih dari satu bintang. Makalah ini disusun sebagai berikut.Bagian
2 menjelaskan bagaimana risiko didefinisikan.Bagian 3 berisi aplikasi dan
perbandingan pengelompokan kami dengan klasifikasi Rating Morn-ingstar.
Bagian 4 menyimpulkan
249
2 Pemodelan Risiko
Pada bagian ini kerangka acuan untuk pemodelan risiko risiko dijelaskan. Biarkan
yt menjadi time series dari NAV dana dan rt waktu log-return yang sesuai
Menggabungkan reksadana dengan tingkat pengembalian dan risiko 185 seri.
Kami menganggap bahwa dinamika pengembalian dapat dijelaskan oleh model
berikut:
Rt=μt+εt=μt+ ht1/2 ut, t =1, . . . , T
(1)
Εt|It−1∼N (0, ht ),
Di mana μt = Et −1 (rt) adalah harapan conditonal dan ut adalah i.i.d. Inovasi

zero-mean dan unit variance. Variabel kondisional ht mengikuti versi asimetris
dari proses Threshold GARCH (1,1) [5, 17], yang menekankan kemungkinan
perilaku volatilitas yang berbeda dalam korespondensi dengan kejutan negatif
yang tinggi. Kami menyebutnya sebagai model Asymmetric Threshold GARCH
250
3 Aplikasi
Sebagai aplikasi dari prosedur yang dijelaskan sebelumnya, seri waktu harian
NAV dari 75 dana kawasan Euro dan milik lima kategori yang berbeda telah
dipertimbangkan. Kelima tipologi tersebut adalah investasi obligasi seimbang,
prudential seimbang, obligasi korporasi, saham kapitalisasi dan dana moneter
yang besar. Data, disediakan oleh Bloomberg, berkisar dari 1/1/2002 hingga
18/2/2008, dengan total 1601 observasi untuk setiap seri. Eksperimen kami terdiri
dalam memberikan klasifikasi dana-dana ini, mencirikan masing-masing
kelompok dalam hal pengembalian dan keberisikoan (mengikuti definisi
minimum konstan, variasi waktu standar dan risiko gejolak yang berubah-ubah)
dan membandingkan klasifikasi kami dengan yang diproduksi oleh bintang
Morningstar.Rating. Untuk setiap dana, seri waktu pengembalian
dipertimbangkan dan untuk setiap tahun kalender, persentase pengembalian bersih
dihitung; akhirnya rata-rata pengembalian satu tahun, r, digunakan untuk
mewakili keuntungan. Untuk menggambarkan keberisikoan, model pertama (1) -
(2) diperkirakan untuk setiap dana. Ketika parameter tidak signifikan pada tingkat
5%, mereka ditetapkan sama dengan nol dan model dibatasi yang sesuai
diperkirakan. Tentu saja, sebelum menerima model tidak adanya efek residu
ARCH dalam residu standar diperiksa. Estimasi parameter memungkinkan kami
untuk menghitung risiko yang didefinisikan sebagai dalam (7), (8) dan (9) dan
untuk mengkarakterisasi dana oleh elemen r, vm, v s, vt atau dengan beberapa
fungsi dari mereka. Dengan vektor-vektor ini, analisis pengelompokan
dilakukan.Dalam pengelompokan, sebuah algoritma hierarki klas-sical dengan
jarak Euclidean digunakan, sedangkan jarak antar klaster dihitung mengikuti
kriteria rata-rata-linkage (lihat, misalnya, [7]). 1 Secara khusus, prosedur
klasifikasi diikuti tiga langkah:
251
Serial ini diklasifikasikan ke dalam tiga kelompok, hanya mengacu pada

tingkat perolehan, yaitu, rendah, sedang, dan tinggi.Seri ini diklasifikasikan
ke dalam tiga kelompok hanya berkenaan dengan tingkat risiko (rendah,
menengah dan tinggi).Untuk meringkas berbagai jenis risiko, rata-rata dari
tiga risiko standar dihitung untuk setiap seri.Standarisasi adalah penting
karena besarnya risiko yang berbeda; misalnya, risiko minimum umumnya
memiliki urutan besarnya lebih rendah daripada dua risiko lainnya. Dua
klasifikasi sebelumnya digabungkan, menggabungkan tingkat atau
keuntungan dan risiko sehingga memperoleh peringkat dari 1 hingga 5
"bintang"; khususnya, yang menunjukkan dengan h, m dan l tingkat tinggi,
sedang dan rendah masing-masing dan dengan pasangan (a, b) tingkat
keuntungan dan risiko (dengan a, b = h, m, l), bintang ditugaskan dengan cara
berikut: 1 bintang untuk (l, h) (keuntungan rendah dan risiko tinggi); 2
bintang untuk (l, m), (l, l) (keuntungan rendah dan risiko sedang, keuntungan
rendah dan risiko rendah); 3 bintang untuk (m, h), (m, m), (h, h) (keuntungan
sedang dan risiko tinggi, keuntungan sedang dan risiko menengah,
keuntungan tinggi dan risiko tinggi)
1
The clustering was performed also using the Manhattan distance and the single-
linkage and complete-linkage criteria. Results are very similar.
Pengelompokan dilakukan juga menggunakan Manhattan distance dan single-

linkage dan complete-linkage criteria.Hasilnya sangat mirip.
arsfor (m,l), (h,m) (medium gain and low risk, high gain and medium risk);
5 stars for (h,l) (high gain and low risk).

252
Of course, this is a subjective definition of stars, nevertheless it seemed

reasonable to us.
As in [13], the quality of the clustering was measured using the C-index [6].
This index assumes values in the interval [0, 1], assuming small values when the
quality of the clustering is good. In our experiments, we always obtained C≤ 0.1.
Table 1 lists the step-by-step results of the classification procedure for the
group of monetary funds. The left part of the table shows the classification based
on the risk evaluation and the global rating provided by Morningstar. The central
part lists the elements characterising the funds (one-year average return, constant
minimum, time-varying standard and time-varying turmoil risks). Note that vm
assumes very small values (due to the small values of γˆ) and that only the last
fund presents a turmoil risk.2 The right part of the table shows the results of the
three-step classification procedure. The Gain column contains the classification in
high, medium and low gain obtained by the clustering of step 1; the Risk column
contains the classification in high, medium and low risk obtained by the grouping
of step 2; lastly, the Stars column shows the five-group classification described in
step 3.
The differences with respect to the Morningstar rating are not large: the
classifi-cation is the same in 8 cases over 15, in 6 cases it does not differ for more
than one star and only in one case (the 14th fund) the two classifications differ for
2 stars.
Bintang untuk (m, l), (h, m) (keuntungan sedang dan risiko rendah, keuntungan
253
tinggi dan risiko sedang); 5 bintang untuk (h, l) (keuntungan tinggi dan risiko
rendah).Tentu saja, ini adalah definisi subjektif dari bintang, namun itu tampaknya
masuk akal bagi kita.Seperti pada [13], kualitas pengelompokan diukur
menggunakan C-index [6].Indeks ini mengasumsikan nilai dalam interval [0, 1],
dengan asumsi nilai-nilai kecil ketika kualitas pengelompokan baik.Dalam
percobaan kami, kami selalu memperoleh C ≤ 0.1. Tabel 1 daftar hasil langkah-
demi-langkah dari prosedur klasifikasi untuk kelompok dana moneter. Bagian kiri
tabel menunjukkan klasifikasi berdasarkan evaluasi risiko dan peringkat global
yang disediakan oleh Morningstar. Bagian pusat mencantumkan unsur-unsur yang
mencirikan dana (pengembalian rata-rata satu tahun, minimum konstan, waktu
standar bervariasi dan risiko gejolak yang berubah-ubah waktu). Perhatikan
bahwa vm mengasumsikan nilai yang sangat kecil (karena nilai-nilai kecil γˆ) dan
bahwa hanya dana terakhir yang menyajikan risiko gejolak. 2 Bagian kanan dari
tabel menunjukkan hasil dari prosedur klasifikasi tiga langkah. Kolom Gain berisi
klasifikasi dalam keuntungan tinggi, sedang dan rendah yang diperoleh dengan
pengelompokan langkah 1; Kolom Risiko berisi klasifikasi dalam risiko tinggi,
sedang dan rendah yang diperoleh oleh pengelompokan langkah 2; terakhir,
kolom Bintang menunjukkan klasifikasi lima kelompok yang dijelaskan pada
langkah 3. Perbedaan sehubungan dengan peringkat Morningstar tidak besar:
klasifikasi sama dalam 8 kasus di atas 15, dalam 6 kasus tidak berbeda untuk lebih
dari satu bintang dan hanya dalam satu kasus (dana ke-14) dua klasifikasi berbeda
untuk 2 bintang.
Prosedur yang sama diterapkan pada empat kategori lainnya dan hasilnya
dirangkum dan dibandingkan dengan klasifikasi Morningstar pada Tabel 2. Jelas,
klasifikasi berbeda karena mereka didasarkan pada kriteria dan definisi
keuntungan dan risiko yang berbeda. Namun, dalam 82,7% kasus, dua klasifikasi
tidak berbeda untuk lebih dari satu bintang. Ini jelas terlihat pada Tabel 3, di mana
fungsi probabilitas empiris dari perbedaan bintang dan fungsi disosiasi kumulatif
yang sesuai ditampilkan. Selain itu, tidak termasuk Investasi Obligasi Korporasi,
yang menyajikan perbedaan terbesar antara dua klasifikasi, persentase perbedaan
254
sama dengan atau kurang dari 1 meningkatkan hingga 90% sementara 10%
sisanya difavorasi oleh dua bintang. Khususnya, klasifikasi relatif terhadap Dana
Perimbangan Agresif dan Dana Moneter tampak sangat mirip antara kedua
metodologi tersebut
4 Beberapa pernyataan penutup
Dalam makalah ini prosedur pengelompokan untuk mengklasifikasikan reksa

dana dalam hal keuntungan dan risiko telah diusulkan. Ini mengacu pada
pendekatan statistik murni, berdasarkan beberapa alat untuk mengkarakterisasi
pengembalian dan risiko. Metode ini berbasis model, dalam arti bahwa
Definisi risiko terkait dengan estimasi model Threshold GARCH tertentu, yang
mencirikan kondisi pasar keuangan yang tenang dan goyah. Risiko dievaluasi
hanya dengan mempertimbangkan rata-rata tertimbang yang sama dari tiga jenis
risiko yang berbeda (risiko minimum konstan, risiko standar beragam waktu dan
risiko gejolak yang berubah-ubah). Bobot yang berbeda juga bisa
dipertimbangkan tetapi dengan biaya memperkenalkan elemen
subjektivitas.Anehnya, dalam aplikasi kami, metode sederhana ini memberikan
klasifikasi yang tidak menunjukkan perbedaan besar sehubungan dengan
klasifikasi Morningstar. Tentu saja, latihan ini dapat diperluas untuk
membandingkan metode pengelompokan kami dengan klasifikasi alternatif lain
dan mempertimbangkan sistem pembobotan yang berbeda. Misalnya, akan
menarik untuk menghubungkan bobot ke beberapa variabel keuangan. Mengenai
aplikasi, sebaliknya, perhatian utama berfokus pada penggunaan pendekatan ini
dalam alokasi aset atau masalah pemilihan portofolio.Pengakuan.Kami berterima
kasih kepada peserta konferensi MAF 2008, khususnya untuk Alessandra
Amendola, Giuseppe Storti dan Umberto Triacca. Karya ini didukung oleh MIUR
255
Italia di bawah Grant 2006137221 001 dan oleh Universitas Padua oleh Grant
CPDA073598.
Referensi
Andersen, T.G., Bollerslev, T .: Menjawab skeptis: ya, model volatilitas standar

memang memberikan perkiraan yang akurat. Int. Econ. Wahyu 39, 885–905
(1998) Caiado, J., Crato, N .: Metode berbasis GARCH untuk pengelompokan seri
waktu keuangan: Bukti pasar saham internasional. MPRA Paper 2074, (2007)
Christensen K., Podolskji M: Realisasi estimasi varians terintegrasi berbasis
jangkauan. J. Econometrics 141, 323–349 (2007) Da Costa, Jr. N., Cunha, S., Da
Silva, S .: Pemilihan saham berdasarkan analisis klaster. Econ.Banteng.13, 1–9
(2005) Glosten, L.R., Jagannathan, R., Runkle, D.E. Pada hubungan antara nilai
yang diharapkan dan pengembalian kelebihan nominal pada saham. J. Finan. 48,
1779-1801 (1993) Hubert, L. Dan Schultz, J .: Penugasan kuadrat sebagai strategi
analisis data umum. Br. J. Math. Stat. Psikol. 29, 190–241 (1976) Johnson, S.C .:
Skema pengelompokan hirarkis. Psychometrika 2, 241–254 (1967) Kalantzis, T.,
Papanastassiou, D: Klasifikasi seri waktu GARCH: penyelidikan empiris. Appl.
Finan. Econ. 18, 1–6 (2008) Lytkin, N.I., Kulikowski, C.A., Muchnik, I.B .:
Kriteria berbasis-varian untuk pengelompokan dan penerapannya pada analisis
gaya manajemen reksa dana berdasarkan rentang waktu pengembalian harian.
DIMACS Laporan Teknis 2008-01 (2008) Martens M., van Dijk D .: Mengukur
volatilitas dengan rentang terealisasi. J. Econ. 138, 181–207 (2007) Morningstar:
Metodologi pemeringkatan Morningstar. Morningstar Metodologi Paper (2007).
Otranto, E .: Mengklasifikasikan volatilitas pasar dengan pengukuran jarak
ARMA. Quad. Stat. 6, 1–19 (2004)
256
Multivariate Variance Gamma and Gaussian dependence: a

study with copulas∗
Elisa Luciano dan Patrizia Semeraro
Abstrak. Makalah ini mengeksplorasi sifat ketergantungan dinamis dari proses

Levy, Variance Gamma, yang memiliki fitur non-Gaussian marginal dan
ketergantungan non-Gaussian. Dengan menghitung jarak antara Gaussian copula
dan yang sebenarnya, kami menunjukkan bahwa bahkan proses non-Gaussian,
seperti Variance Gamma, dapat "menyatu" dengan ketergantungan linear dari
waktu ke waktu. Versi empiris dari ukuran ketergantungan yang berbeda
mengkonfirmasi hasil atas data indeks saham utama.
Kata kunci: multivariate variance Gamma, proses Levy, copulas, ketergantungan

non-linear
Dalam literatur keuangan, proses Levy yang berbeda-beda - mampu menangkap
non-normalitas - telah diterapkan untuk memodelkan return saham (sebagai
referensi untuk proses Levy, lihat misalnya Sato [10]). Ekstensi multivariat
mereka masih dalam penyelidikan dan mewakili bidang penelitian terbuka. Salah
satu proses Levy yang paling populer di bidang Keuangan adalah Variance
Gamma yang diperkenalkan oleh Madan dan Seneta [8]. Ekstensi multivariat telah
diperkenalkan oleh Madan dan Seneta sendiri. Generalisasi proses multivariat ini,
bernama α-VG, telah diperkenalkan oleh Semeraro [11]. Generalisasi mampu
menangkap kemandirian dan menjangkau rentang ketergantungan yang
luas.Untuk margin tetap itu juga memungkinkan berbagai tingkat ketergantungan
untuk dimodelkan.Ini tidak mungkin di bawah model VG sebelumnya.Aplikasi
menyeluruh untuk analisis kredit ada di Fiorani et al. [5]. Proses α-VG bergantung
pada tiga parameter untuk setiap margin (μ j, σ j, α j) dan parameter umum
257
tambahan a. Koefisien korelasi linear dikenal dalam rumus tertutup dan

ekspresinya tidak bergantung pada waktu. Dapat dibuktikan [7] bahwa proses
tersebut juga memiliki ketergantungan non-linear. Bagaimana kita bisa
mempelajari ketergantungan dinamis dari proses α-VG? Alat yang kuat untuk
mempelajari ketergantungan non-linear antara variabel acak adalah
copulas.Dalam makalah seminal, Embrechts dkk. [4] menjalankan penggunaannya
untuk merepresentasikan ketergantungan linier dan non-linear. Copulas, yang
telah diperkenalkan pada akhir 1950-an dalam statistik dan telah digunakan
kebanyakan oleh aktuaris, menjawab kebutuhan representasi ketergantungan
statis. Namun, mereka hampir tidak mencakup semua masalah representasi
dinamis di bidang keuangan. Untuk proses Levy atau distribusi yang
dihasilkannya, alasannya adalah bahwa, untuk margin tak terbatas yang dapat
dibagikan, kondisi yang harus dipenuhi oleh suatu pasangan untuk memberikan
distribusi bersama yang tak terbatas tidak diketahui [3].
Sebaliknya, jika seseorang memulai dari proses stokastik multivariat sebagai

entitas primitif, copula yang bersangkutan jarang ada dalam bentuk tertutup pada
setiap titik waktu. Memang, pengetahuan copula pada satu titik waktu tidak
membantu dalam merepresentasikan ketergantungan pada kematangan kemudian.
Terlepas dari kasus-kasus tertentu, seperti proses Black Scholes tradisional,
copula proses tergantung waktu. Dan merekonstruksinya dari persamaan evolusi
proses yang mendasari bukanlah tugas yang mudah. Untuk menggambarkan
evolusi ketergantungan dari waktu ke waktu kita membutuhkan keluarga copulas
{Ct, t ≥ 0}.Sebagian besar waktu, seperti dalam kasus VG, adalah tidak mungkin
untuk menurunkan Ct dari ekspresi C1 atau mendapatkan C1 dalam bentuk
tertutup. Namun, melalui Sklar's Theorem [12], versi numerik dari copula setiap
saat t dapat diperoleh. Argumen terakhir, bersama-sama dengan fakta bahwa
untuk proses α-VG, korelasi linier konstan dalam waktu, menuntun kita untuk
membandingkan α-VG empirik copula untuk tenur yang berbeda t dengan bentuk
tertutup Gaussian. Kami mempelajari evolusi dari waktu ke waktu jarak antara
258
empiris dan Gaussian copula sebagai ukuran evolusi terkait ketergantungan non-
linear. Makalah ini disusun sebagai berikut: Bagian 2 mengulas model VG dan
ketergantungannya; ini menggambarkan bagaimana kita merekonstruksi
persetubuhan empiris. Bagian 3 membandingkan perkiraan (analitis) dan aktual
(numerik) copula, sementara Bagian4menyimpulkan.
Model VG univariat untuk pengembalian keuangan X (t) telah diperkenalkan

oleh Madan dan Seneta [8]. Ini adalah kandidat alami untuk menjelajahi
ekstensi multivariat proses Levy dan masalah identifikasi copula di luar kasus
Black Scholes karena sejumlah alasan: itu dapat ditulis sebagai proses Wiener
yang berubah waktu: distribusinya pada waktu t dapat diperoleh dengan
pengkondisian; ini adalah salah satu proses Levy paling sederhana yang
menyajikan fitur non-Gaussian pada tingkat marjinal, seperti asimetri dan
kurtosis; ada tradisi implementasi pengukuran risiko yang dikembangkan
dengan baik untuk itu.
Formally, let us recall that the VG is a three-parameter Levy´ process (μ, σ, α)

with characteristic function
Secara formal, mari kita ingat bahwa VG adalah proses tiga parameter Levy (μ, σ,
α) dengan fungsi karakteristik
T
Σ2
ΨxV G(t)(u) =[ψxV G(1)(u)]t= 1 −iuμα+2 αu2 − . (1)
1 Α
259
Proses VG telah digeneralisasikan ke pengaturan multivariat oleh Madan dan

Seneta sendiri [8] dan dikalibrasi pada data oleh Luciano dan Schoutens [7].
Generalisasi multivariat ini memiliki beberapa kelemahan: ia tidak dapat
menghasilkan kemandirian dan memiliki struktur ketergantungan yang ditentukan
oleh parameter marjinal, salah satunya (α) harus umum untuk setiap proses
marginal. Untuk mengatasi masalah ini, proses VG multivariat telah
digeneralisasikan ke proses α-VG [11]. Yang terakhir dapat diperoleh dengan
waktu mengubah gerakan Brown multivariat dengan komponen independen oleh
subordinator multivariat dengan margin gamma
Let Yi,i= 1, . . . ,n and Z be independent real gamma processes with parameters
Respectively 1 1
Multivariate Variance Gamma and Gaussian dependence: studi

dengan copulas∗
Abstrak. Makalah ini mengeksplorasi sifat ketergantungan dinamis dari

proses Levy, Variance Gamma, yang memiliki fitur non-Gaussian marginal
dan ketergantungan non-Gaussian. Dengan menghitung jarak antara
Gaussian copula dan yang sebenarnya, kami menunjukkan bahwa bahkan
proses non-Gaussian, seperti Variance Gamma, dapat "konvergen" ke
ketergantungan linear dari waktu ke waktu. Versi empiris dari ukuran
ketergantungan yang berbeda mengkonfirmasi hasil atas data indeks saham
utama.
Kata kunci: multivariate variance Gamma, proses Levy, copulas,

ketergantungan non-linear
1 Pendahuluan
260
Langkah-langkah risiko dan evolusi pasar keuangan saat ini telah memacu minat
komunitas keuangan terhadap model-model harga aset yang menyajikan perilaku
non-Gaussian marginal dan non-Gaussian, atau non-linear, ketergantungan.
Ketika memilih dari menu yang tersedia dari proses-proses ini, seseorang mencari
parameter parameter yang parsimoni, kecocokan data pasar yang baik dan,
mungkin, kemampuan untuk menangkap ketergantungan mereka dan evolusi
yang terakhir dari waktu ke waktu. Sulit untuk mengenkapsulasi semua fitur ini -
ketergantungan dinamis, khususnya - dalam model tunggal. Makalah ini
mempelajari perluasan dari model Variance Gamma (VG) populer, bernama α-
VG, yang memiliki fitur non-Gaussian baik pada tingkat marjinal dan sendi,
sementara berhasil menjadi baik pelit dan akurat dalam penyesuaian data. Kami
menunjukkan bahwa ketergantungan "konvergen" menuju ketergantungan linear
dari waktu ke waktu. Ini merupakan berita baik untuk aplikasi empiris, karena
selama jangka waktu yang panjang seseorang dapat mengandalkan pengukuran
ketergantungan standar, seperti koefisien korelasi linier, serta pada fungsi analitis
kopula atau ketergantungan, yaitu Gaussian, bahkan mulai dari data yang
melakukan tidak menyajikan fitur standar Gaussian dari Black Scholes atau
model log-normal. Mari kita menempatkan model dalam konteks yang sesuai
pertama dan kemudian menguraikan kesulitan dalam persetubuhan menuju
deskripsi ketergantungan dinamis kemudian.
∗ c 2008 by Elisa Luciano and Patrizia Semeraro. Any opinions expressed here
are those of the authors and not those of Collegio Carlo Alberto.
M. Corazza et al. (eds.), Mathematical and Statistical Methods for Actuarial

Sciences and Finance
261

262
194 E. Luciano and P. Semeraro
Dalam literatur keuangan, proses Levy yang berbeda-beda - mampu

menangkap non-normalitas - telah diterapkan untuk memodelkan return saham
(sebagai referensi untuk proses Levy, lihat misalnya Sato [10]). Ekstensi
multivariat mereka masih dalam penyelidikan dan mewakili bidang penelitian
terbuka. Salah satu proses Levy yang paling populer di bidang Keuangan adalah
Variance Gamma yang diperkenalkan oleh Madan dan Seneta [8]. Ekstensi
multivariat telah diperkenalkan oleh Madan dan Seneta sendiri. Generalisasi
proses multivariat ini, bernama α-VG, telah diperkenalkan oleh Semeraro [11].
Generalisasi mampu menangkap kemandirian dan menjangkau rentang
ketergantungan yang luas. Untuk margin tetap itu juga memungkinkan berbagai
tingkat ketergantungan untuk dimodelkan. Ini tidak mungkin di bawah model VG
sebelumnya. Aplikasi menyeluruh untuk analisis kredit ada di Fiorani et al. [5].
Proses α-VG bergantung pada tiga parameter untuk setiap margin (μ j, σ j, α j) dan
parameter umum tambahan a. Koefisien korelasi linear dikenal dalam rumus
tertutup dan ekspresinya tidak bergantung pada waktu. Dapat dibuktikan [7]
bahwa proses tersebut juga memiliki ketergantungan non-linear.
Bagaimana kita bisa mempelajari ketergantungan dinamis dari proses α-VG?

Alat yang kuat untuk mempelajari ketergantungan non-linear antara variabel acak
adalah copulas. Dalam makalah seminal, Embrechts dkk. [4] menjalankan
penggunaannya untuk merepresentasikan ketergantungan linier dan non-linear.
Copulas, yang telah diperkenalkan pada akhir 1950-an dalam statistik dan telah
digunakan kebanyakan oleh aktuaris, menjawab kebutuhan representasi
ketergantungan statis. Namun, mereka hampir tidak mencakup semua masalah
representasi dinamis di bidang keuangan. Untuk proses Levy atau distribusi yang
dihasilkannya, alasannya adalah bahwa, untuk margin tak terbatas yang dapat
dibagikan, kondisi yang harus dipenuhi oleh suatu pasangan untuk memberikan
distribusi bersama yang tak terbatas tidak diketahui [3].
263
Sebaliknya, jika seseorang memulai dari proses stokastik multivariat sebagai

entitas primitif, copula yang terkait jarang ada dalam bentuk tertutup pada setiap
titik waktu. Memang, pengetahuan copula pada satu titik waktu tidak membantu
dalam merepresentasikan ketergantungan pada kematangan kemudian. Terlepas
dari kasus-kasus tertentu, seperti proses Black Scholes tradisional, copula proses
tergantung waktu. Dan merekonstruksinya dari persamaan evolusi proses yang
mendasari bukanlah tugas yang mudah. Untuk menggambarkan evolusi
ketergantungan dari waktu ke waktu kita membutuhkan keluarga copulas {Ct, t ≥
0}. Sebagian besar waktu, seperti dalam kasus VG, adalah tidak mungkin untuk
menurunkan Ct dari ekspresi C1 atau mendapatkan C1 dalam bentuk tertutup.
Namun, melalui Sklar's Theorem [12], versi numerik dari copula setiap saat t
dapat diperoleh. Argumen terakhir, bersama-sama dengan fakta bahwa untuk
proses α-VG, korelasi linier konstan dalam waktu, menuntun kita untuk
membandingkan α-VG empirik copula untuk tenur berbeda t dengan bentuk
tertutup Gaussian. Kami mempelajari evolusi dari waktu ke waktu jarak antara
empiris dan Gaussian copula sebagai ukuran evolusi terkait ketergantungan non-
linear.
Makalah ini disusun sebagai berikut: Bagian 2 mengulas model VG dan

ketergantungannya; ini menggambarkan bagaimana kita merekonstruksi
persetubuhan empiris. Bagian 3 membandingkan perkiraan (analitis) dan aktual
(numerik) copula, sementara Bagian 4 menyimpulkan.
264

study with copulas 195
2 VG models
Model VG univariat untuk pengembalian keuangan X (t) telah diperkenalkan oleh

Madan dan Seneta [8]. Ini adalah kandidat alami untuk menjelajahi ekstensi
multivariat proses Levy dan masalah identifikasi copula di luar kasus Black
Scholes karena sejumlah alasan:
itu dapat ditulis sebagai proses Wiener yang berubah waktu: distribusinya pada
waktu t dapat diperoleh dengan pengkondisian;
ini adalah salah satu proses Levy paling sederhana yang menyajikan fitur non-
Gaussian pada tingkat marjinal, seperti asimetri dan kurtosis;
ada tradisi implementasi pengukuran risiko yang dikembangkan dengan baik

untuk itu.
Secara formal, mari kita ingat bahwa VG adalah proses tiga parameter Levy
(μ, σ, α) dengan fungsi karakteristik
Proses VG telah digeneralisasikan ke pengaturan multivariat oleh Madan dan

Seneta sendiri [8] dan dikalibrasi pada data oleh Luciano dan Schoutens [7].
Generalisasi multivariat ini memiliki beberapa kelemahan: ia tidak dapat
menghasilkan kemandirian dan memiliki struktur ketergantungan yang
ditentukan oleh parameter marjinal, salah satunya (α) harus umum untuk setiap
proses marginal.
265
Untuk mengatasi masalah ini, proses VG multivariat telah digeneralisasikan ke

proses α-VG [11]. Yang terakhir dapat diperoleh dengan waktu mengubah
gerakan Brown multivariat dengan komponen independen oleh subordinator
multivariat dengan margin gamma.Let Yi, i = 1,. . . , n dan Z menjadi proses
gamma independen yang nyata dengan parameter
Itu tergantung pada tiga parameter marjinal (μ j, σ j, α j) dan parameter umum

tambahan a. Fungsi karakteristiknya adalah sebagai berikut
Karena distribusi marjinal dan sambungan dalam (5) dan (6) tidak dapat ditulis
dalam bentuk tertutup, kopula proses α-VG dan pengukuran ketergantungan non-
linear berikutnya, seperti rho Spearman dan Kendall's tau, tidak dapat diperoleh
secara analitis. .
Satu-satunya ukuran ketergantungan yang dapat ditemukan dalam bentuk tertutup

adalah koefisien korelasi linier:
ρX(t ) = 1 . (10)
(σ12 + μ21α1)(σ22 + μ22 α j )
Koefisien ini tidak bergantung pada waktu, tetapi bergantung pada parameter
marginal dan common a. Untuk parameter marjinal yang diberikan, korelasi
meningkat dalam parameter a jika μ1μ2> 0, seperti halnya dalam sebagian besar
aplikasi keuangan. Sejak
harus memenuhi batasan berikut: 0 a min 1 , 1

korelasi maksimal
266
Namun, dapat dibuktikan linier itu
ketika ρ = 0 komponen dari proses dapat bergantung [7]. Untuk mempelajari

seluruh ketergantungan kita harus mengevaluasi versi empiris dari copula yang
diperoleh dari (9) menggunakan ekspresi integral dari distribusi marjinal dan
sendi di (5) dan (6). Suatu kemungkinan yang terbuka bagi peneliti, untuk
menemukan secara numerik kopula proses pada waktu t, adalah sebagai berikut:
temukan aproksimasi numerik untuk ekspresi integral (6), biarlah ˆt (xi, yi);
temukan nilai perkiraan dari Ct (ui, vi):
ˆ = ˆ ˜t ˜t =
Ct (ui , vi F ((F 1 (ui ), (F 1 )−1(ui )), 1, . . . , N

) )−1 i .
ˆ α
Kami menamai copula Ct numerik, empiris atau aktual copula dari disribusi -
VG pada waktu t.
Untuk membahas perilaku ketergantungan non-linear, kita membandingkan

sopula em-pirical dan Gaussian dengan koefisien korelasi linear yang sama, untuk
tenor yang berbeda t. Kami menggunakan jarak L 1 klasik:
dt (Ct , Ct )
= 01 |Ct (u, v ) − Ct (u, v )|d ud v . (11)
Sangat mudah untuk menunjukkan bahwa jarak d konsisten dengan urutan

konkordansi, yaitu, Ct ≺ Ct ≺ Ct menyiratkan d (Ct, Ct) ≤ d (Ct, Ct) [9]. Ini
berarti bahwa semakin dekat
267
copulas adalah dalam hal konkordansi, semakin dekat mereka dalam hal dt.
Perhatikan bahwa jarak maksimal antara dua copulas adalah 16, yaitu jarak antara
batas Frechet atas dan bawah.
Oleh karena itu untuk setiap t kita:
• fix the marginal parameters and a linear correlation coefficient;

268
19
of the process over the

C prespecified grid;
find the numerical

ˆ
• copula t
hitung jarak antara numerik dan Gaussian copula.1 Harap dicatat bahwa, karena
korelasi linear ρX (t) pada (10) tidak bergantung pada waktu, Gaussian copula
tetap sama juga: (Ct = Ct in (11)).
3 Investigasi Empiris
3.1 Data
Prosedur yang diuraikan di atas telah diterapkan pada sampel tujuh indeks saham
utama: S & P 500, Nasdaq, CAC 40, FTSE 100, Nikkei 225, Dax, dan Hang Seng.
Untuk setiap indeks kami memperkirakan parameter VG marginal di bawah
ukuran netral risiko, menggunakan pengetahuan kami tentang fungsi karakteristik
(marjinal), yaitu (4). Dari fungsi karakteristik, harga teoritis opsi panggilan
diperoleh menggunakan Frac-tional Fast Fourier Transform (FRFT) di Chourdakis
[2], yang lebih efisien daripada Fast Fourier Transform (FFT) standar. Data untuk
harga yang diamati terkait adalah kutipan Bloomberg dari opsi terkait dengan tiga
bulan untuk mantan-piry. Untuk setiap indeks, enam pemogokan (paling dekat
dengan harga awal) dipilih, dan harga opsi terkait dimonitor selama satu hari
seratus hari, dari 7/14/06 hingga 11/30/06.
3.2 Selection of the α-VG parameters

269
Kami memperkirakan parameter marjinal sebagai berikut: menggunakan enam

kutipan dari hari pertama saja, kami memperoleh nilai parameter yang
meminimalkan kesalahan kuadrat rata-rata antara harga teoritis dan diamati, yang
teoritis yang diperoleh oleh FRFT. Kami menggunakan hasil sebagai nilai tebakan
untuk hari kedua, hasil hari kedua sebagai nilai tebakan untuk hari ketiga, dan
seterusnya. Parameter marjinal yang digunakan di sini adalah rata-rata dari
perkiraan selama seluruh periode. Prosedur sebelumnya dimaksudkan untuk
memberikan parameter marjinal yang sebenarnya tidak bergantung pada dugaan
semula dan mewakili harga indeks saham yang sesuai, dengan asumsi bahwa yang
terakhir ini diam sepanjang jendela waktu. Nilai marginal untuk proses VG
dilaporkan pada Tabel 1.
Kami melakukan analisis kami menggunakan parameter marjinal yang dilaporkan

di atas dan korelasi maksimal yang diizinkan oleh model. Idenya memang bahwa
ketergantungan positif dan besar harus dijelaskan dengan baik. Untuk setiap
pasangan aset, Tabel 2 memberikan hasil maksimalpossible value of a, namely a
= min{ 1 , 1
} (lower entry) and the corresponding
α α
1 2
koefisien korelasi ρ (entri atas), diperoleh dengan menggunakan (10) dalam

korespondensi dengan maksimal a.
Karena kita memiliki kopula empiris hanya pada grid kita menggunakan versi
diskrit dari jarak sebelumnya.
270

Table 1. Parameter yang dikalibrasi untuk proses harga α-VG untuk indeks saham
dalam sampel
Asset i μi σi αi
S&P −0.65 0.22 0.10
Nasdaq −0.67 0.11 0.13
CAC 40 −0.46 0.10 0.11
0.03
FTSE −0.59 0.045 1
Nikkei −0.34 0.16 0.10
DAX −0.27 0.13 0.14
Hang Seng −1.68 0.8 0.03
3.3 Hasil copula
Kami menghitung copula empiris C untuk tenor berikut: t = 011, 1, 100.
Kami melaporkan pada Tabel 3 jarak dt yang sesuai dengan setiap pasang
saham dan setiap kali t.
271
Untuk memberikan ide kualitatif dari jarak yang diperoleh, kami juga
menyediakan representasi grafis dari kurva tingkat copula untuk pasangan Nasdaq
dan S & P pada saat t = 1.
Kami mengamati bahwa jarak pada Tabel 3 sangat rendah dan menurun dalam
waktu. Plot (dan yang serupa, yang tidak dilaporkan, untuk pasangan dan tenor
lain) memperkuat kesimpulan. Oleh karena itu, copula Gaussian tampaknya
merupakan pendekatan yang baik dari kopula sejati, setidaknya untuk cakrawala
yang panjang.
3.4 Ukuran ketergantungan
Untuk mengkonfirmasi hasil kami, kami juga membandingkan dua pengukuran

ketergantungan non-linear yang diperoleh mensimulasikan copula dengan yang
sesuai dari kopula Gaussian.
Untuk t = 0,1, 1, 10, 100 kita menghitung nilai simulasi dari rho Spearman, ρ˜S
(t), dan tau Kendall, τ˜ (t), diperoleh dari kopulasi empiris. Metodologi dijelaskan
dalam Lampiran A.
Kami menemukan nilai-nilai analitis dari copula Gaussian yang berhubungan

dengan masing-masing pasangan, dengan cara hubungan:
6 ρ 2
arcsi
ρS = π n 2; τ = π arcsin ρ . (12)
272
Hasil yang diperoleh konsisten sehubungan dengan jarak copula, seperti yang
diharapkan. Mereka mengkonfirmasi "kecenderungan" menuju ketergantungan
Gaussian karena t meningkat. Kami melaporkan di bawah hasil untuk pasangan
indeks pertama, yaitu S & P-Nasdaq. Yang lain berperilaku dengan cara yang
sama.
273

Fig. 1. Kurva Tingkat Gaussian (Gaus) dan empiris (emp) copula dari proses
harga kalibrasi α-VG, S & P - Nasdaq, setelah satu tahun
4 Kesimpulan dan penelitian lebih lanjut
Makalah ini mengukur ketergantungan non-linear dari proses α-VG, dikalibrasi

ke satu set data pasar saham, dengan cara jarak antara kopula empiris pada waktu t
dan Gaussian yang sesuai, yang dicirikan oleh (konstan) koefisien korelasi dari
proses.
Analisis empiris kami menunjukkan bahwa ketergantungan non-linear

"menurun" dalam waktu, karena pendekatan yang diberikan oleh Gaussian copula
meningkat dalam waktu. Seperti yang diharapkan, koefisien ketergantungan non-
linear mengkonfirmasi hasilnya. Con-clusion tentatif adalah bahwa, sama dengan
marginal non-Gaussianity, yang biasanya lebih kuat pada cakrawala pendek
daripada pada pengembalian horizon panjang, ketergantungan non-linear bersama
dan non-Gaussianitas memudar dari waktu ke waktu.
274
Ini merupakan titik keberangkatan yang penting untuk implementasi skala

besar-praktis model α-VG dan subkuasnya, model VG tradisional. Setiap harga
derivatif multivariat atau pengukuran risiko portofolio memang didasarkan pada
pembagian hasil gabungan. Jika kita menggunakan kopula empiris yang berubah
waktu untuk menilai ulang harga dan langkah-langkah risiko dari waktu ke waktu,
dan kami ingin hasil yang dapat diandalkan, ekstensif dan memakan waktu
simulasi diperlukan. Jika, sebaliknya, kita bisa dengan aman
275
mendekati persetubuhan yang sebenarnya dengan Gaussian, setidaknya selama

jangka panjang, hidup menjadi lebih mudah. Formula tertutup atau semi-tertutup
tersedia untuk penetapan harga dan pengukuran risiko di hadapan Gaussian copula
(lihat misalnya [1]). Korelasi linear standar dapat digunakan untuk kalibrasi
bersama model.
Singkatnya, seseorang dapat mengadopsi model yang akurat, non-Gaussian dan

secara aman mengabaikan ketergantungan non-linear (dan non-analitik), dalam
mendukung ketergantungan linear yang direpresentasikan oleh famili Gaussian
yang akrab, asalkan cakrawala cukup panjang. Dalam kasus pasar saham yang
dianalisis di sini, satu tahun cukup memadai untuk ketergantungan non-Gaussian
diabaikan.
Lampiran
Ukuran ketergantungan simulasi
Versi simulasi dari Spearman rho pada waktu t, ρ˜S (t), dapat diperoleh dari
sampel N realisasi proses pada waktu t (x1i (t ), x2i(t )), i = 1, . . . , N
dimana Ri = Rank (x1i (t)) dan Si = Rank (x2i (t)). Demikian pula untuk tau
Kendall, τ˜C (t):
276
dimana c adalah jumlah pasangan konkordansi dari sampel dan d jumlah dari discor-
dant. Sepasang (x1i (t), x2i (t)) dikatakan tidak selaras [konkordan] jika x1i (t) x2i (t)
≤ 0 [x1i (t) x2i (t) ≥ 0]. The N realisasi proses diperoleh sebagai berikut:
Simulasikan N realisasi dari hukum independen L (Y1), L (Y2), L (Z); biarkan

mereka masing-masing y1n, y2n, zn untuk n = 1,. . . , N.
Dapatkan realisasi N (g1n, g2n) dari G melalui relasi G1 = Y1 + Z dan G2 = Y2 + Z.
Hasilkan imbang acak independen dari masing-masing variabel acak independen M1

dan M2 dengan hukum N (0, G1) dan N (0, G2). The menarik untuk M1 pada
gilirannya diperoleh dari N distribusi normal dengan mean nol dan varians g1n, yaitu
M1(n) = N (0,g1n ).
Pengundian untuk M2 berasal dari distribusi normal dengan mean nol dan varians
g2n, yaitu
M2(n) = N (0, g2n ).

277

Dapatkan realisasi N (x1n, x2n) dari X (1) melalui relasi
1
n
= μ1 g1n + σ1 M1(n)
2
n
= μ2 g2n + σ2 M2(n).
Pengakuan. Kami berterima kasih kepada Claudio Patrucco karena telah

memberikan kalibrasi marginal dan Ksenia Rulik untuk bantuan komputasi.
Dukungan keuangan dari MIUR (hibah 20061327131) sangat kami hargai.
References
Cherubini, U., Luciano, E., Vecchiato W .: Metode Copula dalam Keuangan, John
Wiley, Chich-ester (2004) Chourdakis, K. Harga opsi menggunakan FFT
pecahan. J. Comput. Finan. 8, 1–18 (2005) Cont, R., Tankov, P .: Pemodelan
keuangan dengan proses lompatan. Chapman and Hall-CRC financial
mathematics series (2004) Embrechts, P., McNeil, A.J., Straumann, D:
Korelasi dan ketergantungan pada manusia berisiko- agement: properti dan
jebakan. Dalam: Dempster, M.A.H. (ed.) Nilai Berisiko dan Lebih Jauh.
Cambridge University Press (2002) Fiorani, F., Luciano, E., Semeraro, P .:
Tunggal dan gabungan default dalam model struktural dengan harga aset
terputus secara permanen. Bergalah. Finan. (2009) Luciano, E., Schoutens, W
.: Model Aset Keuangan Langsung Berbasis Banyak. Bergalah. Finan. 6, 385–
402 (2005) Luciano, E., Semeraro, P: Memperluas Model Aset Berubah Waktu
278
Levy Melalui Multi-variate Subordinators, kertas kerja, Collegio Carlo Alberto

(2007) Madan, D.B., Seneta, E .: Model VG untuk pengembalian pasar saham.
J. Busin. 63, 511–524 (1990) Nelsen, R.B .: Pengantar untuk copulas. Catatan
Kuliah dalam Statistik 139, Springer (1999) Sato, K.I .: Proses Levy dan
distribusi yang tak terbagi. Studi di Matematika-ematics Lanjutan. Cambridge
University Press (2003) Semeraro, P .: Sebuah model gamma multivariat
varians untuk aplikasi keuangan. J. Theoret. Appl. Finan. 11, 1–18 (2006)
Sklar A .: Fonctions de repartition a`n dimensi et leurs marges. Publikasi.
279
Prosedur pengurangan dimensi sederhana untuk indikator komposit

keuangan perusahaan ∗
Marco Marozzi and Luigi Santamaria
Abstrak. Rasio keuangan memberikan informasi keuangan kuantitatif yang

berguna bagi investor dan analis sehingga mereka dapat menilai perusahaan.
Banyak indikator keuangan dari buku akuntansi diperhitungkan. Alih-alih
memeriksa setiap rasio secara berurutan, kita dapat menganalisis kombinasi
rasio yang berbeda-beda untuk secara simultan memperhitungkan aspek-
aspek yang berbeda. Ini dapat dilakukan dengan menghitung indikator
gabungan. Fokus makalah ini adalah mengurangi dimensi indikator
komposit. Solusi cepat dan ringkas diusulkan, dan aplikasi praktis untuk
keuangan perusahaan disajikan. Khususnya, masalah likuiditas dibahas.
Hasilnya menunjukkan bahwa analis harus mempertimbangkan metode
kami karena metode ini jauh lebih sederhana daripada metode pengurangan
dimensi lain seperti komponen utama atau analisis faktor dan oleh karena
itu lebih mudah digunakan dalam praktik oleh non-statistik (seperti
umumnya analis keuangan). Selain itu, metode yang diusulkan selalu mudah
dipahami dan membutuhkan asumsi yang lebih ringan.
Kata kunci: reduksi dimensi, indikator komposit, rasio keuangan, likuiditas
1 pendahuluan
Rasio keuangan memberikan informasi keuangan kuantitatif yang berguna bagi

investor dan analis sehingga mereka dapat menilai perusahaan. Banyak indikator
280
keuangan dari buku akuntansi diperhitungkan. Secara umum, rasio yang

mengukur profitabilitas, likuiditas, solvabilitas dan efisiensi dipertimbangkan.
Alih-alih memeriksa setiap rasio secara berurutan, kita dapat menganalisis

kombinasi rasio yang berbeda secara bersama-sama untuk secara bersamaan
mempertimbangkan aspek-aspek yang berbeda. Ini dapat dilakukan dengan
menghitung indikator gabungan.
Variabel kompleks dapat diukur dengan menggunakan indikator komposit. Ide

dasarnya adalah memecah variabel kompleks menjadi komponen yang dapat
diukur dengan menggunakan indikator sederhana (sebagian). Indikator parsial
kemudian digabungkan untuk mendapatkan indikator gabungan. Untuk tujuan ini
yang seharusnya
∗ Makalah ini telah ditulis oleh dan metode yang diusulkan adalah karena M.
Marozzi. L. Santa-maria memberikan komentar yang bermanfaat untuk
menyajikan hasil aplikasi.
281
206 M. Marozzi and L. Santamaria
mungkin mengubah data asli menjadi data yang sebanding melalui fungsi T (•)
yang tepat dan memperoleh indikator parsial;
gabungkan indikator parsial untuk mendapatkan indikator gabungan melalui

fungsi tautan (penggabungan) f (•) yang tepat.
Jika X 1,. . . , X K adalah komponen terukur dari variabel kompleks, maka

indikator komposit didefinisikan sebagai
M = f (T1 (X 1), . . . , TK (X K )). (1)
Fayers and Hand [3] melaporkan literatur ekstensif tentang aplikasi praktis dari
indikator com-posite (penulis menyebutnya skala pengukuran multi-item). Dalam
praktiknya, penjumlahan sederhana berbobot atau tidak berbobot umumnya
digunakan sebagai penggabungan fungsi. Lihat Aiello dan Attanasio [1] untuk
ulasan tentang transformasi data yang paling umum digunakan untuk membuat
indikator sederhana.
Tujuan makalah ini adalah untuk mengurangi dimensi indikator gabungan untuk
mempermudah praktik analis keuangan. Di bagian kedua, kita membahas cara
menyusun indikator gabungan. Metode sederhana untuk menyederhanakan
indikator komposit disajikan dalam Bagian 3. Aplikasi praktis untuk masalah
likuiditas perusahaan yang terdaftar dibahas dalam Bagian 4. Bagian 5 ditutup
dengan beberapa pernyataan.
282
2 Composite indicator computation
Misalkan X i k menunjukkan rasio keuangan k (komponen parsial), k = 1,. . . ,

K, untuk perusahaan engan, i = 1,. . . , N. Anggaplah, tanpa kehilangan
keumuman, bahwa komponen parsial berkorelasi positif dengan variabel
kompleks. Untuk menghitung indikator gabungan, pertama-tama orang harus
mengubah data asli menjadi data yang dapat dibandingkan untuk mendapatkan
indikator parsial. Mari kita pertimbangkan transformasi linear. Transformasi
linear LT mengubah asal dan skala data, tetapi tidak mengubah bentuknya
L T (X i k) = a + b X i k, a ∈] - ∞, + ∞ [, b> 0. (2)
Transformasi linear memungkinkan kita mempertahankan rasio yang sama

antara pengamatan (mereka adalah transformasi proporsional).
Empat transformasi linier yang paling banyak digunakan dalam praktik secara
singkat disajikan [4]. Dua transformasi linear pertama didefinisikan sebagai
X
ik
L T1 (X i k ) maxi (X i k
= ) (3)
and
L T (X ) X i k − mini (X i k ) , (4)
i maxi (X i k ) − mini (X i
2 k = k)
283
unit pengukuran dan memaksakan hasil ke dalam rentang yang pendek dan
terdefinisi dengan baik:m i ni (X ik )
≤ L T1(X i k ) ≤ 1 and 0 ≤ L T2 (X i k )≤1
respectively. L T1 and L T2 are
dan b = 1, masing-masing. L T3 (X i k) menunjukkan seberapa jauh X i k

kebohongan dari
mean E (Xk) dalam hal standar deviasi S D (Xk). L T4 mirip dengan L T3 dan
menggunakan median M E D (Xk) bukan mean sebagai ukuran lokasi dan deviasi
absolut median M AD (Xk) bukan standar deviasi sebagai ukuran skala.
Dengan menggunakan L Th (di mana subskrip h = 1, 2, 3 atau 4 menunjukkan

berbagai metode) data asli diubah menjadi data yang sebanding. Indikator
gabungan kemudian ditentukan menggunakan penjumlahan sebagai fungsi
penggabungan, sesuai dengan praktik umum (lihat [1])
Mh,i =L Th (X i k ), h = 1, 2, 3, 4. (7)
k=1
Mh, saya digunakan untuk menentukan peringkat unit. Perhatikan bahwa

metode pertama dan kedua dapat diterapkan juga untuk memesan variabel
kategori, atau ke variabel campuran, sebagian kuantitatif dan sebagian
memerintahkan kategoris, dengan perhatian khusus tentang bagaimana skor
kategori yang diurutkan. Dalam Bagian 4 kami menganalisis kumpulan data
tentang perusahaan yang terdaftar, khususnya kami mempertimbangkan empat
rasio likuiditas yang berbeda. Untuk perusahaan engan kami menunjukkan rasio
ini dengan i1, X i2, X i3, X i4. Perhatikan bahwa T (X i1), T (X i2), T (X i3), T (X
i4) adalah indikator keuangan parsial karena mereka sesuai dengan rasio
keuangan yang unik: T (X ik)> T (X jk) memungkinkan analis menyimpulkan
bahwa perusahaan saya lebih baik daripada perusahaan j untuk apa yang
menyangkut fi- rasio keuangan X k (karena tentu saja T (X i k)> T (X j k) ⇔ X i
k> X j k), sedangkan Mi adalah indikator keuangan gabungan karena secara
simultan mempertimbangkan setiap rasio keuangan. M1,. . . , MN memungkinkan
284
analis untuk menentukan peringkat perusahaan karena M i> M j berarti bahwa

perusahaan saya lebih baik daripada perusahaan j mengenai semua rasio
keuangan bersama-sama. Ada alasan untuk percaya bahwa rasio keuangan
berkorelasi. Pertanyaan sentral ini dibahas di bagian berikutnya: metode
sederhana untuk mengurangi jumlah indikator parsial yang mendasari indikator
gabungan diusulkan. Penting untuk menekankan bahwa dalam makalah ini kami
tidak mempertimbangkan indikator komposit berdasarkan transformasi non-
linear sejak Arboretti dan Marozzi (2005) menunjukkan bahwa indikator
komposit tersebut berkinerja lebih baik daripada yang didasarkan pada
transformasi linear hanya ketika distribusi X1,. . . , Populasi orang tua XK sangat
berat berekor. Analisis awal pada data kami menunjukkan bahwa distribusi induk
berdasarkan contoh pada transformasi peringkat X i k s atau pada Lago dan

Pesarin [6] Nonparametric Combination of Dependent Rankings. Untuk detail
tentang masalah ini, lihat [7] dan [8].
3 Untuk mengurangi dimensi indikator komposit
Misalkan R K (Xk, k ∈ {1,..., K}) = R K menunjukkan vektor peringkat yang

diperoleh setelah indikator keuangan gabungan
X ik − M E
D(X k )
M , (8)
4,i
= M AD(X k )
k=
1
dihitung untuk i = 1,. . . , N, yang menggabungkan semua indikator keuangan

parsial
285
1,. . . , X K. Kami mempertimbangkan metode keempat karena penyimpangan

absolut median adalah estimasi skala tambahan yang paling bermanfaat [5, hal.
107]. Anggaplah sekarang bahwa X h adalah
dikeluarkan dari analisis. Misalkan h R K −1 (X k, k ∈ {1,..., K} - h) = h R K −1

menunjukkan vektor peringkat yang sesuai. Jika RK dan hRK −1 sangat mirip,
maka berarti bahwa
pengecualian Xh tidak mempengaruhi peringkat perusahaan banyak. Sebaliknya,

jika dua vektor peringkat sangat berbeda, dengan meninggalkan X h proses
peringkat sangat dipengaruhi. Untuk memperkirakan pentingnya Xh kita
menghitung koefisien korelasi Spearman antara RK dan h RK −1
6 N ( RK [i] h R K 1[i])2
s R
( K ,h R K −1) = 1 N (N
− i=1 2
− 1) −, (9)
di mana R K [i] dan h R K −1 [i] adalah elemen ke-i dari vektor yang sesuai.
Semakin dekat s ke 1, X h yang kurang penting adalah. Idenya adalah untuk
meninggalkan indikator parsial Xh yang membawa nilai terbesar (RK, hRK −1).
Prosedur ini dapat diulangi untuk- 2 peringkat diperoleh dengan meninggalkan
satu lagi indikator parsial. Biarkan Xl menjadi indikator berikutnya yang
dikeluarkan dari proses peringkat. Kami menghitung l,h R K −2(X k , k ∈ {1, . . . , K
} − {l, h}) =l,h R K −2 and s(h R K −1,l,h R K −2) for l = 1, . . . , K , l =h.
Indikator parsial yang membawa yang terbesar harus dikecualikan, dan
seterusnya.
Bahkan jika seluruh prosedur secara alami berlangsung sampai hanya satu
indikator parsial yang tersisa untuk digunakan oleh analis keuangan, pertanyaan
alam muncul: kapan prosedur pemisahan indiator parsial dihentikan? Artinya,
286
berapa banyak indikator keuangan parsial yang harus dikecualikan? Dalam

kerangka ini, diasumsikan bahwa peringkat terbaik adalah yang didasarkan pada
semua indikator parsial. Tentu saja, ada trade-off antara informasi dan
pengurangan jumlah variabel. Aturan penghentian alami adalah: hentikan
prosedur segera setelah koefisien korelasi kurang dari nilai tetap.
4 Aplikasi praktis
Kami menyajikan aplikasi dari prosedur untuk mengurangi dimensi indikator

komposit keuangan perusahaan. Lebih tepatnya, masalah likuiditas
dipertimbangkan. Tujuannya adalah untuk menilai sejumlah perusahaan
berdasarkan rasio likuiditas berikut.
287
Prosedur pengurangan dimensi sederhana untuk indikator

komposit keuangan perusahaan 209
The current ratio
total current assets
total current
X 1 = liabilities , (10)
menunjukkan kemampuan perusahaan untuk memenuhi kewajiban utang jangka

pendek; semakin tinggi rasio, semakin likuid perusahaan itu. Jika aktiva lancar
suatu perusahaan lebih dari dua kali kewajiban lancar, maka perusahaan tersebut
secara umum dianggap memiliki kekuatan keuangan jangka pendek yang baik.
Jika kewajiban lancar melebihi aktiva lancar, maka perusahaan mungkin
mengalami masalah dalam memenuhi kewajiban jangka pendeknya.
Rasio cepat
total current assets –

inventory
X2
= total current liabilities , (11)
adalah ukuran likuiditas dan kemampuan perusahaan untuk memenuhi

kewajibannya. Ini mengungkapkan hubungan modal kerja yang sebenarnya dari
kas, piutang, prepaids dan wesel bayar yang tersedia untuk memenuhi kewajiban
perusahaan saat ini. Semakin tinggi rasio, semakin kuat secara finansial
288
perusahaan tersebut: rasio cepat 2 berarti bahwa untuk setiap euro dari kewajiban
lancar ada dua euro dari aset yang mudah dikonversi.
Rasio cakupan bunga
earnings before interest and

taxes
X3
= interest expenses . (12)
Semakin rendah rasio cakupan bunga, semakin besar beban utang pada
perusahaan. Ini adalah ukuran kemampuan perusahaan untuk memenuhi
pembayaran bunga utang luar biasa. Perusahaan yang menopang pendapatan jauh
di atas persyaratan bunganya berada dalam posisi yang baik untuk menghadapi
badai keuangan yang mungkin.
Arus kas untuk rasio biaya bunga
cash flow
X 4 interest
= expenses . (13)
Artinya jelas: rasio arus kas terhadap beban bunga 2 berarti bahwa perusahaan
memiliki arus kas yang cukup untuk menutup biaya bunga dua kali lipat dalam
setahun. Rasio ini penting dalam mengukur kemampuan perusahaan untuk
memenuhi kewajiban jangka pendek dan jangka panjangnya. Untuk mengatasi
likuiditas perusahaan, seseorang dapat secara berurutan memeriksa setiap rasio
yang membahas masalah dari sudut pandang (parsial) tertentu. Misalnya, rasio
289
lancar serta rasio cepat dianggap sebagai uji likuiditas untuk perusahaan, tetapi
sementara yang pertama menyatakan hubungan modal kerja dari aset lancar yang
tersedia untuk memenuhi kewajiban perusahaan saat ini, yang kedua menyatakan
yang benar. hubungan modal kerja dari aset lancar tersedia untuk memenuhi
kewajiban saat ini karena menghilangkan persediaan dari aktiva lancar. Ini sangat
penting ketika sebuah perusahaan membawa persediaan berat sebagai bagian dari
asetnya saat ini, yang mungkin sudah usang. Namun, perlu dicatat bahwa dalam
literatur urutan kepentingannya tidak jelas. Untuk lebih jelasnya lihat misalnya
[9]. Dataset sekitar 338 perusahaan yang terdaftar di pasar ekuitas utama Eropa
telah dianalisis. Kami mempertimbangkan perusahaan yang terdaftar karena
mereka harus secara berkala mengirimkan informasi keuangan mengikuti aturan
standar. Pertama
290
X ik − M E
D(X k )
M , i 1, . . . , 338 (14)
i
= M AD(X k ) =
k=
1
dihitung. Ini adalah indikator gabungan dari likuiditas untuk perusahaan i yang
memperhitungkan secara simultan indikator likuiditas parsial X1, X2, X3, X4.
Kemudian, vektor peringkat yang sesuai R4 (X1, X2, X3, X4 ) = R4 dihitung.
Vektor ini telah dibandingkan dengan vektor yang sesuai dengan pertimbangan
tiga parsial
indikator: 4 R3 (X 1, X 2, X 3) = 4 R3, 3 R3 (X 1, X 2, X 4) = 3 R3, 2 R3 (X 1, X

3, X 4) = 2 R3 dan 1 R3 (X 2, X 3, X 4) = 1 R3, melalui koefisien korelasi
Spearman. Pada langkah pertama prosedur, rasio cepat X2 meninggalkan analisis
sejak kami
R R R R
s s 3) =
( 4,4 3 ) = 0.9664, ( 4,3 0.9107,
R R R R
s s 3) =
, ,
( 42 3) = 0.9667, ( 4 1 0.9600.
291
Pada langkah kedua, kita membandingkan 2 R3 (X 1, X 3, X 4) = 2 R3 dengan 4,2

R2 (X 1, X 3) = 4,2 R2, 3,2 R2 (X 1, X 4 ) = 3,2 R2 dan 1,2 R2 (X 3, X 4) = 1,2
R2. Arus kas untuk rasio biaya bunga X4 meninggalkan analisis sejak kami
s(2 R3,4,2 R2) = 0.956, s(2 R3 ,3,2 R2) = 0.909, s(2 R3,1,2 R2) = 0.905.
Pada langkah terakhir, rasio X1 saat ini meninggalkan analisis sejak itu s(4,2
R2,3,4,2 R1) =0.672 dan s(4,2 R2 ,1,4,2 R1 ) = 0.822.
Kami menyimpulkan bahwa peringkat yang diperoleh dengan

mempertimbangkan bersama-sama X1, X2, X3, X4 mirip dengan yang didasarkan
pada interest coverage ratio X3, dan kemudian analis disarankan untuk fokus pada
X3 dalam mengatasi likuiditas masalah perusahaan. Metode kami mengurangi
informasi yang termasuk dalam data asli dengan menjatuhkan data keuangan yang
relatif unim-portant. Namun, data keuangan yang menurun ini mungkin memiliki
informasi penting dalam membandingkan sejumlah perusahaan tertentu. Misalnya,
rasio cepat X2 telah dikeluarkan dalam langkah pertama prosedur, dan kemudian
persediaan belum menjadi aspek bagi analis untuk memutuskan apakah akan
berinvestasi di perusahaan atau tidak. Tetapi tergantung pada Rees [9, hal. 195],
reaksi pasar terhadap pengungkapan laba dari perusahaan kecil sangat bagus. Jika
persediaan menjadi besar, perusahaan-perusahaan yang lebih kecil mungkin
bangkrut karena mereka tidak tahan dengan biayanya, sedangkan perusahaan yang
lebih besar menanggungnya. Selain itu mungkin ada banyak efek musiman pada
penjualan karena penjualan bulanan mungkin sangat berbeda. Ini mempengaruhi
perusahaan kecil secara mendalam; sebenarnya banyak penelitian yang
menyatakan bahwa sebagian besar efek perusahaan kecil terkonsentrasi pada
bulan-bulan tertentu dalam setahun [9, hal. 180]. Oleh karena itu mungkin tidak
mungkin untuk menerapkan hasil makalah ini kepada perusahaan yang lebih kecil
tanpa memperhitungkan masalah persediaan. Selain itu, pentingnya data keuangan
yang tersedia berbeda di antara industri. Misalnya, pentingnya inventaris mungkin
berbeda antara industri manufaktur dan industri keuangan. Secara umum,
292
pentingnya data keuangan dapat bervariasi antara perbandingan antara seluruh

rangkaian perusahaan dan kumpulan perusahaan tertentu yang dipilih. Untuk
analis keuangan perbandingan harus dilakukan untuk set perusahaan yang dipilih.
Analisis varians dapat membantu mengevaluasi bias yang dihasilkan dari metode
ini.
A simple dimension reduction procedure for corporate finance

composite indicators 211
Untuk mengevaluasi apakah hasil kami bergantung pada kapitalisasi perusahaan,

kami membagi perusahaan menjadi dua kelompok: 194 perusahaan dengan
kapitalisasi kurang dari EUR lima miliar dan sisanya 146 dengan kapitalisasi lebih
besar dari EUR lima miliar. Kami mengadopsi kriteria yang sama yang digunakan
oleh perusahaan keuangan anonim yang memberi kami data. Untuk perusahaan
"tutup kecil" kami memperoleh hasil berikut
R R R R R R R R
s 3) = 0.954, 4, 3) = 0.903, 3) = s 4, 3) =
( 4,4 s( 3 s( 4,2 0.969, ( 1 0.953;
R R R R R R
3,4, 2) = 0.944, s 3,3, 2) = s 3,1, 2) =
s (2 2 (2 2 0.909, (2 2 0.907;
R R R R
s 2,3,2 1) = 0.689, s 2,1, 1) =
(2,4 ,4 (2,4 2,4 0.817;
oleh karena itu rasio likuiditas pertama yang dikecualikan adalah rasio cepat X2,
yang kedua adalah arus kas untuk rasio biaya bunga X4 dan akhirnya rasio lancar
X 1. Prosedur menyarankan untuk fokus pada interest coverage ratio X3 ketika
memeringkat perusahaan topi.
293
Untuk perusahaan "topi besar" kami memperoleh hasil sebagai berikut
R R R R R R R R
3) = 0.977, 4, 3) = 0.931, 3) = 3) =
s( 4,4 s ( 3 s ( 4,2 0.974, s ( 4,1 0.967;
R R R R R R
3,3, 2) = 0.781, s 3,2, 2) = s 3,1, 2) =
s (4 4 (4 4 0.967, (4 4 0.959;
s (2,4 R2,3,2,4 R1) = 0.698, s (2,4 R2,1,2,4 R1) =

0.808.
Hasil ini lagi-lagi serupa dengan yang diperoleh sebelumnya, baik untuk semua
perusahaan dan untuk topi kecil. Kesimpulannya adalah bahwa prosedur
pengurangan dimensi tidak banyak dipengaruhi oleh fakta bahwa perusahaan
adalah topi besar atau topi kecil. Harus diperhatikan bahwa hasil ini (serta yang
lain) hanya berlaku untuk kumpulan data yang telah dipertimbangkan dalam
makalah, tetapi analisis tersebut dapat dengan mudah diterapkan pada kumpulan
data lain atau rasio keuangan lainnya (efisiensi, profitabilitas, ...). Selain itu,
perhatian harus diberikan kepada sektor industri milik perusahaan. Sebagai
contoh, seperti yang telah kita catat, peran inventaris mungkin berbeda antara
industri manufaktur dan industri keuangan. Oleh karena itu kami menyarankan
analis keuangan untuk mengelompokkan perusahaan berdasarkan sektor industri
sebelum menerapkan prosedur pengurangan. Pertanyaan ini tidak dibahas di sini
dan membutuhkan penelitian lebih lanjut. Data telah dianalisis ulang melalui
analisis komponen utama, yang merupakan metode pengurangan dimensi yang
paling banyak digunakan. Analisis komponen utama menunjukkan bahwa ada dua
komponen utama, yang pertama menjelaskan 62,9% dan yang kedua 30,2% dari
varians. Komponen pertama adalah rata-rata tertimbang rasio likuiditas dengan
bobot yang serupa sehingga dapat dilihat sebagai semacam indikator umum untuk
likuiditas perusahaan. Pembebanan pada komponen pertama adalah 0,476 untuk X
294
1, 0,488 untuk X 2, 0,480 untuk 3 dan 0,552 untuk X 4. Pembebanan pada

komponen dua masing-masing adalah 0,519, 0,502, −0,565 dan −0,399.
Perhatikan bahwa pemuatan positif untuk X1 dan X2, yang membandingkan aset
dengan kewajiban, sementara mereka negatif untuk X3 dan X4, yang merupakan
ukuran kemampuan perusahaan untuk memenuhi pembayaran bunga atas utang.
Korelasi antara peringkat berdasarkan X 3 dan yang didasarkan pada komponen
utama pertama adalah 0,936. Oleh karena itu, peringkatnya sangat mirip, tetapi
metode yang diusulkan dalam makalah ini lebih mudah dipahami dan
dipekerjakan oleh analis keuangan, yang biasanya tidak memiliki latar belakang
statistik yang kuat.
Dari sudut pandang praktis, metode kami lebih alami karena meniru apa yang
secara implisit dilakukan oleh banyak analis dengan berfokus pada aspek yang
paling penting, membuang yang tersisa. Itu selalu mudah dipahami, sementara
komponen utama sering cukup sulit untuk benar-benar ditafsirkan. Dari sudut
pandang teoritis, asumsi yang unik dan sangat ringan harus dipenuhi untuk
menggunakan metode kami: bahwa rasio keuangan mengikuti aturan yang lebih
besar dan lebih baik. Kita tidak perlu mengasumsikan hipotesis lain, bahwa
sebaliknya harus secara umum diasumsikan dengan metode reduksi dimensi lain
seperti komponen utama (pikirkan misalnya tentang hipotesis linearitas) atau
analisis faktor. Selain itu, penting untuk menekankan bahwa, bila kita
menganggap metode transformasi linear pertama atau kedua, indikator komposit
prosedur menyederhanakan dapat diterapkan juga untuk variabel kategori
memerintahkan, atau yang campuran, sebagian kuantitatif dan sebagian
memerintahkan kategoris, dengan keprihatinan yang unik cara menilai kategori
yang diurutkan.
5 Kesimpulan
295
Ketika seorang analis keuangan menilai suatu perusahaan, banyak rasio keuangan
dari buku-buku akuntansinya dipertimbangkan. Dengan menghitung indikator
gabungan, analis dapat menganalisis kombinasi rasio yang berbeda secara
bersama-sama daripada secara berurutan mempertimbangkan setiap rasio secara
independen dari yang lain. Ini sangat penting karena rasio umumnya berkorelasi.
Prosedur cepat dan ringkas untuk mengurangi jumlah rasio berdasarkan indikator
keuangan gabungan telah diusulkan. Aplikasi praktis untuk masalah likuiditas
telah dibahas. Kami peringkat satu set perusahaan yang terdaftar dengan cara
indikator komposit yang mempertimbangkan rasio likuiditas berikut: rasio lancar,
rasio cepat, rasio cakupan bunga dan arus kas untuk rasio biaya bunga. Hasilnya
menunjukkan bahwa analis harus fokus pada interest coverage ratio dalam
menangani masalah likuiditas perusahaan. Dengan menerapkan juga analisis
komponen utama pada data di tangan kami menunjukkan bahwa metode
pengurangan dimensi kami harus lebih disukai karena selalu mudah dipahami dan
lebih sederhana. Selain itu diperlukan asumsi yang unik dan sangat ringan: bahwa
rasio keuangan mengikuti aturan yang lebih besar dan lebih baik. Namun, analis
keuangan harus memperhatikan sektor industri milik perusahaan. Kami
menyarankan bahwa analis keuangan harus mengelompokkan perusahaan
berdasarkan sektor industri sebelum menerapkan prosedur pengurangan kami.
References
Aiello, F., Attanasio, M .: Bagaimana mengubah sejumlah indikator sederhana

untuk membentuk sebuah yang unik? Dalam: Atti della XLII Riunione
Scientifica della Societa` Italiana di Statistica, Sessioni Plenarie e
Specializzate, CLEUP, Padova, hal. 327–338 (2004) Arboretti Giancristofaro,
R., Marozzi, M .: Perbandingan metode yang berbeda untuk pembangunan
indikator komposit. Dalam: Atti del IV Convegno Modelli Complessi e Metodi
296
Computazionali Intensivi per la Stima e la Previsione, CLEUP, Padova, pp.

109–114 (2005) Fayers, P.M., Hand, D.J .: Variabel kasual, variabel indikator
dan skala pengukuran: contoh dari kualitas hidup. J. R. Stat. Soc. A 165, 233-
261 (2002) Prosedur pengurangan dimensi sederhana untuk indikator
komposit keuangan perusahaan 213 Hoaglin, D.C., Mosteller, F., Tukey, J.W .:
Memahami Analisis Data yang Kuat dan Eksploratif. Wiley, New York (1983)
Huber, P.J .: Statistik Kuat. Wiley, New York (1981) Lago, A., Pesarin, F .:
Non parametrik kombinasi peringkat tergantung dengan aplikasi untuk
penilaian kualitas produk industri. Metron, LVIII 39-52 (2000) Marozzi, M.,
Bolzan, M .: Indeks non-parametrik aksesibilitas layanan untuk rumah- berlaku.
Dalam: Menuju Peningkatan Kualitas Hidup. The Publishing House dari
Wroclaw University of Economics, Wroclaw, pp. 152–167 (2006) Marozzi, M.,
Santamaria, L .: Indikator komposit untuk keuangan. Ital. J. Appl. Stat. 19,
271–278 (2007) Rees, B .: Analisis Keuangan. Prentice Hall, Harlow (1995)
297
298
Hubungan antara volatilitas tersirat dan yang terwujud dalam pasar opsi
indeks DAX
Silvia Muzzioli
Abstrak. Tujuan dari makalah ini adalah untuk menyelidiki hubungan

antara volatilitas tersirat, volatilitas historis-ical dan volatilitas yang
terealisasi dalam pasar opsi indeks DAX. Karena volatilitas yang tersirat
bervariasi di seluruh jenis opsi (panggilan versus put), kami menjalankan
pacuan kuda dengan berbagai perkiraan volatilitas tersirat: panggilan
tersirat dan put yang tersirat. Dua hipotesis diuji dalam pasar opsi indeks
DAX: ketajaman dan efisiensi prakiraan volatilitas yang berbeda. Hasil kami
menunjukkan bahwa baik prakiraan volatilitas yang tersirat bersifat tidak
bias (setelah penyesuaian konstan) dan prakiraan efisien dari volatilitas
terealisasi di masa depan karena mereka memasukkan semua informasi yang
terkandung dalam volatilitas historis.
Kata kunci: prakiraan volatilitas, volatilitas tersirat Black-Scholes, put-call

parity
1 Pendahuluan
Volatilitas adalah variabel kunci dalam model penentuan harga opsi dan teknik
manajemen risiko dan telah menarik perhatian banyak studi teoretis dan empiris
yang bertujuan menilai cara terbaik untuk meramalkannya. Di antara berbagai
model yang diusulkan dalam literatur untuk memprediksi volatilitas, kami
299
membedakan antara perkiraan volatilitas berbasis-opsi dan model-model

volatilitas time series. Model sebelumnya menggunakan harga opsi yang
diperdagangkan untuk membuka ekspektasi volatilitas sementara model yang
terakhir menggunakan informasi historis dalam rangka memprediksi volatilitas
masa depan (mengikuti [17], dalam kumpulan ini kami mengelompokkan prediksi
berdasarkan standar deviasi sebelumnya, ARCH kondisional volatilitas model
dan model volatilitas stokastik). Banyak studi empiris telah menguji kekuatan
perkiraan dari volatilitas tersirat versus model volatilitas time series. Beberapa
kontribusi awal menemukan bukti bahwa volatilitas tersirat (IV) adalah prakiraan
bias yang tidak bias dan tidak efisien di masa depan (lihat misalnya, [2, 6, 14]).
Meskipun hasil dari beberapa penelitian ini (misalnya, [6, 14]) dipengaruhi oleh
sampel yang tumpang tindih, seperti yang diingat oleh [4], atau ketidaksesuaian
kecocokan antara opsi dan volatilitas cakrawala ke depan, mereka merupakan
bukti awal terhadap ketajaman dan efisiensi informasi IV. Baru-baru ini, beberapa
makalah menganalisis kinerja empiris IV di berbagai pasar opsi, mulai dari
indeks, futures atau saham individu dan menemukan bahwa IV tidak bias dan
perkiraan efisien dari volatilitas terealisasi di masa depan. Dalam
M. Corazza et al. (eds.), Mathematical and Statistical Methods for Actuarial

Sciences and Finance
pasar opsi indeks, Christensen dan Prabhala [5] menguji hubungan antara IV dan
volatilitas yang terealisasi menggunakan opsi S & P100, selama periode waktu
1983–1995. Mereka menemukan bahwa IV adalah prediktor yang baik dari
volatilitas realisasi masa depan. Christensen dkk. [4] menggunakan opsi pada S &
P100 dan sampel yang tidak tumpang tindih dan menemukan bukti untuk efisiensi
IV sebagai prediktor volatilitas terealisasi di masa depan. Di pasar opsi berjangka
Ederington dan Guan [8] menganalisis pasar opsi berjangka S & P500 dan
300
menemukan bahwa IV adalah perkiraan efisien dari volatilitas terealisasi di masa

depan. Szakmary et al. [19] pertimbangkan opsi pada 35 kontrak berjangka
berbeda pada berbagai kelas aset. Mereka menemukan bahwa IV, sementara
bukan perkiraan yang benar-benar tidak bias dari volatilitas yang direalisasikan di
masa depan, memiliki kekuatan yang lebih informatif daripada volatilitas realisasi
masa lalu. Di pasar opsi saham, Godbey dan Mahar [10] menganalisis konten
informasi panggilan dan menempatkan IV diekstrak dari opsi pada 460 saham
yang menyusun indeks S & P500. Mereka menemukan bahwa IV berisi beberapa
informasi tentang volatilitas yang direalisasikan di masa depan yang lebih unggul
baik terhadap volatilitas realisasi masa lalu dan perkiraan GARCH (1,1).
Opsi IV berbeda tergantung pada harga strike opsi (efek smile yang disebut),
waktu hingga jatuh tempo opsi (struktur jangka volatilitas) dan jenis opsi
(panggilan versus put). Sebagai akibatnya, dalam literatur ada perdebatan terbuka
tentang kelas opsi mana yang paling mewakili ekspektasi volatilitas pasar.
Adapun dimensi uang, sebagian besar studi menggunakan opsi uang (atau dekat
dengan opsi uang) karena mereka yang paling banyak diperdagangkan dan dengan
demikian yang paling likuid. Sedangkan untuk dimensi waktu hingga jatuh tempo,
mayoritas penelitian menggunakan opsi dengan waktu hingga jatuh tempo satu
bulan untuk membuatnya sama dengan frekuensi sampling dan estimasi horizon
volatilitas yang terealisasi. Sedangkan untuk jenis opsi, opsi panggilan lebih
banyak digunakan daripada opsi put. Sejauh yang kami tahu, hanya ada sedikit
bukti tentang kandungan informasi yang berbeda dari panggilan atau harga yang
dimasukkan. Bahkan jika, secara teoritis, panggilan dan put dihubungkan melalui
hubungan put-call parity, secara empiris, mengingat bahwa harga opsi diamati
dengan kesalahan pengukuran (berasal dari presisi penawaran terbatas, bid-ask
spread, observasi non-sinkron dan kesalahan pengukuran lainnya) , kesalahan
kecil di salah satu input dapat menghasilkan kesalahan besar dalam output (lihat
misalnya, [12]) dan dengan demikian memanggil IV dan menempatkan IV
mungkin berbeda. Selain itu, mengingat bahwa put options sering dibeli untuk
asuransi portofolio, ada permintaan substansial untuk menempatkan yang tidak
301
tersedia untuk opsi panggilan yang sama. Juga, dalam [15] kami telah
membuktikan bahwa penggunaan opsi panggilan dan put meningkatkan kinerja
penetapan harga dari pohon tersirat pilihan, menyarankan bahwa panggilan dan
put dapat memberikan informasi yang berbeda. Fleming [9] menginvestigasi
hubungan volatilitas yang diimplikasikan-realisasi dalam pasar opsi S & P100 dan
menemukan bahwa panggilan IV memiliki kekuatan prediktif yang lebih sedikit
daripada menempatkan IV. Di pasar yang sama, Christensen dan Hansen [3]
menemukan bahwa keduanya memanggil dan menempatkan IV adalah informatif
tentang volatilitas yang terealisasi di masa depan, meskipun panggilan IV
memiliki kinerja yang sedikit lebih baik daripada IV. Kedua studi menggunakan
opsi Amerika dan membutuhkan estimasi hasil dividen. Kedua aspek ini
memengaruhi opsi panggilan dan put dengan cara yang berbeda dan dapat
mengubah perbandingan jika tidak ditangani dengan benar. Tujuan dari makalah
ini adalah untuk mengeksplorasi hubungan antara panggilan IV, menempatkan IV,
volatilitas historis dan realisasi volatilitas di pasar opsi indeks DAX. Pasar dipilih
karena dua alasan utama: (i) pilihannya adalah Eropa, oleh karena itu estimasi
premi awal latihan tidak diperlukan dan tidak dapat mempengaruhi hasil; (ii)
indeks DAX adalah indeks kinerja tertimbang modal yang terdiri dari 30
saham utama Jerman
302
303
Perbedaan pertama X t (dilambangkan dengan r t sebagai berikut) kemudian diplot

pada Gambar 3 di mana itu adalah jelas bahwa perilaku perubahan seri jauh dalam
interval waktu yang diperhitungkan.
Berikut [10], yang selanjutnya menilai non-linear dari proses data
pembangkit r t, kita meneliti rata bersyarat dari r t, mengabaikan
heteroschedasticity bersyarat yang menimbulkan pengelompokan volatilitas yang
dapat terlihat jelas pada Gambar 3.
Mulai dari hasil ini, pertama-tama kami mengevaluasi beberapa fitur dari seri
menggunakan indeks deskriptif yang disajikan pada Tabel 4. Secara khusus, rata-
rata, median, standar deviasi, kemiringan dan kurtosis (diberikan sebagai momen
ketiga dan keempat dari data standar masing-masing) dari r t , comp uted. Seperti
yang diharapkan, distribusi r t memiliki nol median dan menunjukkan skewness
negatif dan ekor berat.
Secara luas diketahui bahwa ketika prediksi tingkat rata-rata dari rangkaian waktu
asimetris perlu dihasilkan, struktur parametrik yang dapat diterapkan dengan tepat
adalah SETAR (2 ; p 1 , p 2) model yang memperlakukan nilai-nilai positif dan
negatif dari r t berbeda. Ini adalah alasan mengapa model SETAR telah diterapkan
secara luas untuk menganalisis dan meramalkan data yang terkait dengan pasar
keuangan (antara lain: [20] untuk presentasi yang luas dari model dan [12] untuk
aplikasinya terhadap data keuangan).
Tabel 3. Indeks deskriptif r t
Berarti Median SD Kecondongan Kurtosis
r
t - 6 . 224e-05 0 0 . 2342 - 0 . 5801 16 .6101
304
Gambar. 3. perbedaan Pertama lemah 90 hari US tingkat T-bill (r t )
Tabel 4. Uji Linieritas LR dari r t
p d Stat
( p- nilai)
rt 4 1 30 . 5996 (1. 9343e-05)
Hasil dari uji LR menunjukkan bahwa struktur linear tampaknya tidak menjadi
capabel dari penangkapan struktur proses pembangkit (ini menjelaskan kinerja
buruk dari perkiraan autoregresif di [10]).Ambang batas model autoregresif yang
cocok untuk data jelas didasarkan pada struktur parametrik yang ketat dari mana
ramalan dihasilkan.
Di sini, kami alternatif mengusulkan prediktor nonparametrik (3), yang lebih
fleksibel daripada yang dihasilkan dari model SETAR, dan yang Markov order
dipilih mengikuti Prosedur 1.
Untuk kedua pendekatan tersebut, kami telah membuat perkiraan satu langkah ke
depan, di luar perkiraan setelah algoritme jendela yang berkembang di atas
305
perkiraan cakrawala L = 26, yang sesuai dengan enam bulan terakhir dari interval
waktu di bawah analisis.
Lebih lanjut, nilai ambang nol telah diperbaiki untuk model SETAR (dengan
penundaan threshold yang diberikan pada Tabel 4) dan pada setiap iterasi model
telah diperkirakan mengikuti
Perkiraan kuadran SETAR dan nonparametrik telah dievaluasi menggunakan
kesalahan kuadrat rata-rata dan kesalahan mutlak L - (X

rata-rata, MSE ( L ) 1 L T saya
2 1L = i=1ˆ + -
T +i ) dan M |ˆ T +i
-
AE( L ) = L i=1- T+ i|
X X X , yang nilainya dibandingkan dalam
MAE) dari (3) di atas MSE (dan MAE) dari SETAR
Tabel 5 di mana MSE (dan
prediksi ditampilkan.
Tabel 5. UMK (dan MAE) dari perkiraan nonparametrik atas MSE (dan MAE)
dari Perkiraan SETAR
MSE ( L ) np [ MSE ( L ) t MAE ( L ) np [ MAE ( L)

jam ]-1 t jam ]-1
rt 0,839081 0,944058
306
Akurasi perkiraan yang lebih baik, dalam hal MSE dan MAE, prediktor (3) dapat
dihargai. Lebih lanjut menegaskan kinerja yang baik dari prosedur yang diusulkan
di hadapan satu langkah prediksi depan.Selain itu, akurasi perkiraan tampaknya
tidak terpengaruh ketika nilai yang berbeda, ukuran sedang, ditetapkan ke m di
Prosedur 2.
5. Kesimpulan
Kami telah mengusulkan prosedur untuk memilih urutan p di hadapan proses
Markov yang ketat stasioner (1). Hal ini didasarkan pada penggunaan satu
langkah prediksi yang dihasilkan dari non-parametrik kernel Nadaraya-Watson
smoothers.
Pemilihan p diperoleh dari minimisasi fungsi kerugian kuadrat yang
memanfaatkan estimasi subsampling dari perkiraan satu langkah di depan seperti
yang ditunjukkan pada Prosedur 1.
Hasil simulasi dan empiris menunjukkan kinerja yang baik dari prosedur yang
diusulkan yang dapat dipertimbangkan, dalam konteks pemilihan model, alternatif
untuk pendekatan yang lebih terkonsolidasi yang diberikan dalam literatur.
Masih banyak yang harus dilakukan: untuk menyelidiki sifat-sifat p; untuk
menggeneralisasi prosedur ke kasus dengan lead time > 1; untuk
mempertimbangkan proses pembuatan data yang lebih kompleks yang termasuk
kelas Markov. Selanjutnya, prosedur dapat diperluas ke parametrik dan / atau
prediktor semiparametrik yang dapat dipertimbangkan dengan benar
ˆ
memperkecil T,b .
Semua tugas ini memerlukan evaluasi yang tepat dari upaya komputasi yang
diminta ketika metode intensif komputer dipilih.
Pengakuan. Para penulis ingin mengucapkan terima kasih kepada dua wasit
anonim yang berguna bagi mereka komentar.
Referensi
307
Barkoulas, JT, Baum CF, Onochie, J .: Investigasi nonparametrik dari tarif T-bill
90 hari. Pdt. Finan. Econ. 6, 187–198 (1997)
࿿࿿Bosq, D .: Statistik Nonparametrik untuk Proses Stokastik. Springer, New York

(1996)
Kotak, GEP, Jenkins, GM: Analisis Rangkaian Waktu: Peramalan dan

Kontrol. Holden-Day, San Francisco (1976)
Brockwell, PJ, Davies, RA: Rangkaian waktu: teori dan metode. Springer-Verlag,
New York (1991)
Karbon, M., Delecroix M .: Non-parametrik vs peramalan parametrik dalam seri

waktu: sebuah sudut pandang komputasi. Appl. Stoch. Model Data Anal. 9,
215–229 (1993)
Chan, KS: Pengujian untuk autoregresi ambang batas. Ann. Stat. 18, 1886–1894
(1990)
Chan, KS, Tong H: Pada tes rasio kemungkinan untuk autoregresi ambang batas,
Statistik JR. Soc.(B) 52, 595–599 (1990)
Clements, MP: Mengevaluasi Prakiraan Ekonometrik Variabel Ekonomi dan

Keuangan. Palgave Macmillan, New York (2005)
Collomb, G .: Proprietés´ de convergence presque complete` du predicteur a`

noyau. Zeitschrift fur¨ Wahrscheinlichkeitstheorie und verwandte Genbeite
66, 441–460 (1984)
De Gooijer, J., Zerom, D: Kernel berbasis prediksi multistep-depan dari suku

bunga jangka pendek AS. J. Prakiraan. 19, 335–353 (2000)
308
Fan, J., Yao, Q .: Nonlinear Time Series. Metode Nonparametrik dan

Parametrik. Springer-Verlag, New York (2003)
Franses PH, van Dijk, D .: Model Seri Waktu Non-Linear dalam Keuangan
Empiris. Cam-bridge University Press, Cambridge (2000)
Fukuchi, J .: Subsampling dan pemilihan model dalam analisis deret

waktu. Biometrika 86, 591-604 (1999)
Hall, P., Jing B .: Pada metode penggunaan kembali sampel untuk data
dependen. Statistik JR. Soc. (B) 58, 727-737 (1996)
Lanne, M., Saikkonen, P .: Memodelkan suku bunga jangka pendek AS dengan

proses campuran autore-gressive. J. Finan. Econ. 1, 96–125 (2003)
Matzner-Løber, E., De Gooijer, J .: Peramalan nonparametrik: perbandingan

tigametode berbasis kernel. Komunike. Stat .: Teori Metode 27, 1593–1617
(1998)
Politis DN, Romano, JP, Wolf, M .: Subsampling. Springer-Verlag, New York

(1999)
Robinson, PM: Nonparametric estimator untuk seri waktu. J. Time Ser. Anal. 4,
185–207 (1983)
Tjøstheim, D., Auestad, H: Nonparametrik identifikasi seri waktu nonlinier:

memilih kelambatan signifikan. Selai. Stat. Assoc. 89, 1410–1419 (1994)
Tong, H: Nonlinier Waktu Seri: Pendekatan Sistem Dinamis. Oxford University

Press, Oxford (1990)
Tong, H., Moeannadin, R .: Pada prediksi multi-lini non-linear kuadrat

terkecil. Statistik 37, 101-110 (1981)
Tsay, R: Pengujian dan pemodelan proses autoregresif ambang

batas. Selai. Stat. Assoc. 84, 231-240 (1989)
309
Vilar-Fernandez, `JM, Cao, R: Peramalan nonparametrik dalam seri

waktu. Komparatifbelajar. Komunike. Stat .: Simul. Comput. 36, 311-334
(2007)
Pada optimalisasi CVaR dan pengukuran risiko komputasi LP terkait untuk

pemilihan portofolio
´ ´
Włodzimierz Ogryczak dan Tomasz Sliwinski
Abstrak. Masalah optimisasi portofolio dimodelkan sebagai masalah optimisme

bikriteria risiko rata-rata di mana pengembalian yang diharapkan dimaksimalkan
dan beberapa (skalar) mengukur risiko diminimalkan. Dalam model Markowitz
asli risiko diukur dengan varians sementara beberapa tindakan risiko polyhedral
310
telah diperkenalkan yang mengarah ke Linear Programming (LP) model optimasi

portofolio com-putable dalam kasus variabel acak diskrit diwakili oleh realisasi
mereka di bawah skenario tertentu. Baru-baru ini, langkah-langkah kuantil kuantil
urutan kedua telah diperkenalkan dan menjadi populer di bidang keuangan dan
perbankan. Ukuran paling sederhana seperti itu, sekarang biasa disebut Nilai
Kondisional Berisiko (CVaR) atau Tail VaR, mewakili kekurangan berarti pada
tingkat kepercayaan yang ditentukan. Model optimasi portofolio yang sesuai dapat
dipecahkan dengan pemecah-pemecah LP tujuan umum. Namun, dalam kasus
model simulasi yang lebih maju yang digunakan untuk pembuatan skenario,
seseorang mungkin mendapatkan beberapa ribu skenario. Ini dapat menyebabkan
model LP dengan sejumlah besar variabel dan kendala, sehingga menurunkan
efisiensi komputasi model. Kami menunjukkan bahwa efisiensi komputasi dapat
secara dramatis ditingkatkan dengan model alternatif mengambil keuntungan dari
dualitas LP. Selain itu, reformulasi serupa dapat diterapkan pada langkah-langkah
risiko kuantil yang lebih kompleks seperti perbedaan rata-rata Gini serta deviasi
absolut rata-rata.
Kata-kata kunci: langkah-langkah risiko, optimasi portofolio, computability,

linear programming
1. Pendahuluan
Dalam model Markowitz asli [12] risiko diukur dengan varians, tetapi berbagai
ukuran risiko polyhedral telah diperkenalkan yang mengarah ke Linear
Programming (LP) computable portfolio optimization models dalam kasus
discrete random vari-ables yang diwakili oleh realisasi mereka di bawah skenario
tertentu. Ukuran risiko terkomputasi LP yang paling sederhana adalah ukuran
dispersi yang mirip dengan varians. Konno dan Yamazaki [6] mempresentasikan
model pemilihan portofolio dengan mean absolute deviation (MAD). Yitzhaki
[25] memperkenalkan model risiko-rerata dengan menggunakan perbedaan rata-
rata Gini (absolut) sebagai ukuran risiko. Perbedaan rata-rata Gini berubah
311
menjadi teknik agregasi khusus dari model LP multi-kriteria [17] berdasarkan

pada perbandingan titik-titik kurva Lorenz absolut. Yang terakhir mengarah ke
kuantilpengukuran risiko shortfall yang lebih umum digunakan dan
diterima. Baru-baru ini, langkah-langkah pengukuran kuantitatif kuantil kedua
telah diperkenalkan dengan cara yang berbeda oleh banyak penulis [2, 5, 15, 16,
22]. Ukuran, biasanya disebut Nilai Kondisional Berisiko (CVaR) atau Tail VaR,
mewakili kekurangan berarti pada tingkat kepercayaan tertentu. Memaksimalkan
ukuran CVaR konsisten dengan dominasi stochastic derajat kedua [19]. Beberapa
analisis empiris mengkonfirmasi penerapannya untuk berbagai masalah optimasi
finan-cial [1, 10]. Makalah ini difokuskan pada efisiensi komputasi CVaR dan
model optimalisasi portofolio komputasi LP terkait.
Untuk pengembalian yang diwakili oleh realisasi mereka di bawah skenario T ,
model LP dasar untuk optimasi portofolio CVaR mengandung variabel
bantu T serta ketimpangan linier T corre-sponding.Sebenarnya, jumlah kendala
struktural dalam model LP (baris matriks) sebanding dengan jumlah skenario T ,
sedangkan jumlah variabel (kolom matriks) sebanding dengan jumlah total
skenario dan jumlah instrumen T + n . Oleh karena itu, dimensi adalah sebanding
dengan jumlah skenario T. Ini tidak menyebabkan kesulitan komputasi untuk
beberapa skenario berhidung seperti dalam analisis komputasional berdasarkan
data historis. Namun, dalam kasus model simulasi yang lebih maju yang
digunakan untuk pembuatan skenario, seseorang mungkin mendapatkan beberapa
ribu skenario [21]. Hal ini dapat menyebabkan model LP dengan sejumlah besar
variabel tambahan dan kendala, sehingga mengurangi efisiensi komputasi
model. Sebenarnya, dalam kasus lima puluh ribu skenario dan seratus instrumen,
model mungkin memerlukan lebih dari setengah jam waktu komputasi [8] dengan
pemindai LP state-of-art (kode CPLEX). Kami menunjukkan bahwa efisiensi
komputasi dapat secara dramatis ditingkatkan dengan formulasi model alternatif
yang memanfaatkan dualisme LP. Dalam model yang diperkenalkan jumlah
kendala struktural sebanding dengan jumlah instrumen n , sementara hanya
jumlah variabel sebanding dengan jumlah skenario T , sehingga tidak
mempengaruhi efisiensi metode sim-plex begitu serius. Memang, waktu
312
komputasi kemudian di bawah 30 detik. Selain itu, reformulasi serupa dapat

diterapkan pada model optimasi portfo-lio LP klasik berdasarkan pada MAD serta
langkah-langkah risiko kuantil yang lebih kompleks termasuk perbedaan rata-rata
Gini [25].
2. model LP Komputasi
Masalah optimasi portofolio yang dibahas dalam makalah ini mengikuti

formulasi Markowitz asli dan didasarkan pada model investasi periode
tunggal. Pada permulaan suatu periode, seorang investor mengalokasikan modal
di antara berbagai sekuritas, dengan demikian menetapkan bobot non-negatif
(bagian dari modal) untuk setiap keamanan. Membiarkan =
{ 1 , 2 ,. . . , n ) menunjukkan seperangkat sekuritas yang dipertimbangkan untuk
investasi. Untuk setiap keamanan j ∈ J , tingkat pengembaliannya diwakili oleh
variabel acakR j dengan rata-rata μ yang diberikan j = E { R j } . Selanjutnya,
biarkan x = ( x j ) j = 1 , 2 , ..., n menunjukkan vektor variabel
keputusan x j mengungkapkan bobot mendefinisikan portofolio. Bobot harus
memenuhi satu set batasan untuk mewakili portofolio. Cara paling sederhana
untuk mendefinisikan set P yang layak adalah dengan persyaratan bahwa bobot
harus dijumlahkan ke satu dan mereka tidak negatif (singkat penjualan tidak
diizinkan) yaitu,
n
xj = 1,xj ≥ 0
P={x : untuk j = 1 ,. . . ,n } . (1)
j=1
Selanjutnya, kami melakukan analisis rinci untuk himpunan P yang diberikan

dengan batasan (1). Namun demikian, hasil yang disajikan dapat dengan mudah
diadaptasikan ke set layak umum LP yang diberikan sebagai sistem persamaan
linear dan ketidaksetaraan, sehingga memungkinkan seseorang untuk
313
memasukkan penjualan pendek, batas atas pada saham tunggal atau pembatasan
struktur portofolio yang mungkin dihadapi oleh investor kehidupan.
Setiap portofolio x mendefinisikan sesuai variabeln
acak R x = j =1 R j x j bahwa
mewakili tingkat pengembalian portofolio sementara nilai yang diharapkan dapat
dihitung sebagai
n
μ (x)=j=1 μ j x j . Kami
=
mempertimbangkan T skenario dengan probabilitas p t (di mana t
1 ,. . . , T ). Kami berasumsi bahwa untuk setiap variabel acak R j realisasinya r jt
di bawah skenario t diketahui. Biasanya, realisasi yang berasal dari data historis
mengobati periode sejarah T sebagai skenario kemungkinan
sama (p t = 1 / T ). Realisasi dariportofolio return Rx diberikan
n
sebagai yt = = rjtxj .j 1
Mari kita pertimbangkan masalah optimisasi portofolio berdasarkan pada
pengukuran CVaR mengukur op-timisasi. Dengan pengembalian keamanan yang
diberikan oleh variabel acak diskrit dengan realisasi berikut [1, 9, 10], model
optimasi portofolio CVaR dapat diformulasikan sebagai masalah LP berikut:
maksimalkan η - β p t d t
t=1
xj = 1,xj ≥ 0
st untuk j = 1 ,. . ., n (2)
j=1 n
dt-η+ r jt x j ≥ 0 , d t ≥ 0 untuk t = 1 ,. . . , T ,
314
࿿࿿࿿ _x0010__x0010_ =1
di mana η adalah variabel tak terbatas. Kecuali untuk kendala portofolio inti (1),
model
mengandung T variabel non-negatif d t ditambah variabel η tunggal dan T yang

sesuai ketidaksetaraan linear. Oleh karena itu, dimensi adalah sebanding dengan
jumlah Scenar-ios T. Tepatnya, model LP mengandung T + n + 1 variabel
dan T + 1 batasan. Untuk beberapa ratus skenario, seperti dalam analisis
komputasional khas berdasarkan data historis [11], model LP tersebut mudah
dipecahkan. Namun, penggunaan model simulasi yang lebih canggih untuk
pembuatan skenario dapat menghasilkan beberapa ribu skenario. Model LP yang
sesuai (2) berisi sejumlah besar variabel dan kendala, sehingga menurunkan
efisiensi komputasinya secara dramatis. Jika kendala portofolio inti hanya
mengandung hubungan linear, seperti (1), maka efisiensi komputasi dapat dengan
mudah dicapai dengan mengambil keuntungan dari model dual LP (2). Itu
Model dual LP mengambil bentuk berikut:
Model LP ganda berisi variabel T u t, tapi kendala T sesuai dengan variabel d t dari
(2) berupa batas atas sederhana (SUB) dari u t sehingga tidak mempengaruhi
kompleksitas masalah (cf, [13]). Sebenarnya, jumlah kendala dalamsebanding
dengan total ukuran portofolio n , sehingga independen dari jumlah
skenario. Tepat, ada T + 1 variabel dan n + 1 batasan. Ini menjamin efisiensi
komputasi yang tinggi dari model ganda bahkan untuk sejumlah besar
skenario. Perhatikan bahwa memperkenalkan batas bawah pada pengembalian
yang diharapkan yang diperlukan dalam model optimasi portofolio primal (2)
hanya menghasilkan satu variabel tambahan dalam model ganda (3). Demikian
pula, persyaratan struktur portofolio lainnya dimodelkan dengan sejumlah kecil
315
kendala, sehingga menghasilkan sejumlah kecil variabel tambahan dalam model

ganda.
Kami telah menjalankan uji komputasional pada 10 contoh pengujian yang dibuat
secara acak oleh Lim et al. [8]. Mereka awalnya dihasilkan dari distribusi normal
multivariat untuk 50 atau 100 sekuritas dengan jumlah skenario 50.000 hanya
menyediakan suatu pendekatan yang memadai untuk mendasari disosiasi harga
tidak jelas yang mendasarinya. Skenario dibuat menggunakan Metode Triangular
Factorization [24] seperti yang direkomendasikan dalam [3]. Semua perhitungan
dilakukan pada PC dengan prosesor Pentium 4 2,6 GHz dan 1 GB RAM
menggunakan kode simpel dari paket CPLEX 9.1.Upaya untuk memecahkan
model primal (2) dengan 50 sekuritas menghasilkan 2600 detik perhitungan (jauh
lebih dari yang dilaporkan dalam [8]). Di sisi lain, model ganda (3) diselesaikan
dalam 14,3-27,7 detik CPU rata-rata, tergantung pada tingkat toleransi (lihat Tabel
1). Untuk 100 sekuritas, waktu pengoptimalan lebih panjang tetapi masih sekitar 1
menit.
Tabel 1. Waktu komputasi (dalam detik) untuk model CVaR ganda (rata-rata 10
instance dengan 50.000 skenario)
Jumlah
sekuritas β = 0. 05 β = 0 . 1 β = 0 . 2 β = 0. 3 β = 0 . 4 β = 0 . 5
n = 50 14,3 18,7 23,6 26,4 27,4 27,7
n = 100 38,1 52,1 67,9 74,8 76,7 76,0
Model konsisten [14] dan koheren [2] MAD SSD dengan ukuran risiko pelengkap
( μ δ ( x ) = E { min { μ ( x ), R x }} ) mengarah ke masalah LP berikut [18]:
n T
316
memaksimalkanμ j x j -p t d t
j=1 t=1
st x j = 1 , x j ≥ 0 untuk j = 1 ,. . . ,n (4)
j=1 n
dt- (μ j - r jt ) x j ≥ 0 , d t ≥ 0 untuk t = 1 ,. . . , T .
࿿࿿࿿ _x0010__x0010_ =1
Formulasi LP di atas menggunakan T + n variabel dan T + 1 kendala sementara

model ganda LP kemudian mengambil bentuk berikut:
minimalkan q
T
st q + (μ j - r jt )ut ≥μj untuk j = 1 ,. . . , n (5)
t=1
0 ≤ kamu
t ≤pt untuk t = 1 ,. . . , T ,
dengan dimensi n × ( T + 1 ) . Oleh karena itu, ada jaminan efisiensi komputasi

yang tinggi bahkan untuk sejumlah besar skenario. Memang, dalam masalah tes
317
dengan 50.000 skenario kami mampu memecahkan model ganda (5) dalam 25,3
detik rata-rata untuk 50 sekuritas dan dalam 77,4 detik untuk 100 instrumen.
Untuk variabel acak diskrit diwakili oleh realisasi y t, berarti Gini ini
T
perbedaan yt ,
ukuran ( x ) t 1 t t 1maksy t 0 p t p t adalah LP computable
= = =- { - }
(bila diminimalkan). Ini membawa kita ke model pengoptimalan portofolio GMD

berikut ini
[25]:
maks - t 1t t p t p td tt
= =
n untuk j = 1,. . . , n
st x j = 1 , x j ≥ 0 (6)
j=1 n n
r jt x j , D tt ≥
d tt ≥ r
jt x j - 0 untuk t , t = 1 ,. . . , T ; t = t ,
j =1j = 1
yang berisi T ( T - 1 ) variabel non-negatif d tt dan T ( T - 1 ) ketidaksetaraan untuk

mendefinisikannya. Ini menghasilkan masalah LP besar bahkan untuk kasus data
318
historis di mana jumlah skenario adalah 100 atau 200. Sebenarnya, seperti yang
ditunjukkan dengan percobaan sebelumnya [7], waktu CPU 7 detik rata-rata
untuk T = 52 telah meningkat hingga di atas 30 detik dengan T = 104 dan bahkan
lebih dari 180 detik untuk T = 156. Namun, mirip dengan model CVaR,
variabel d tt berhubungan dengan kolom koefisien tunggal. Oleh karena itu,
sementara memecahkan ganda bukan primal asli, yang sesuai kendala berupa
batas atas sederhana (SUB) yang ditangani secara implisit di luar matriks
LP. Untuk bentuk paling sederhana dari set layak (1) model GMD ganda
mengambil bentuk berikut:
min v
st v - (r jt - r jt ) u tt ≥ 0 untuk j = 1 ,. . . , n (7)
= =
t 1t t
0 ≤ u tt ≤ p t p t untuk t , t = 1 ,. . . , T ; t = t ,
di mana variabel portofolio asli x j adalah harga ganda untuk

ketidaksetaraan. Model ganda berisi T ( T - 1) variabel u tt namun jumlah kendala
(tidak termasuk struktur SUB) n + 1 sebanding dengan jumlah
sekuritas. Formulasi ganda di atas dapat lebih disederhanakan dengan
memperkenalkan variabel:
u ¯ tt = u tt -
u tt untuk t , t = 1 ,. . . , T; t < t , (8)
yang memungkinkan kita untuk mengurangi jumlah variabel ke T ( T - 1 ) / 2

dengan mengganti (7)
319
dengan yang berikut:

min v
- - ¯ ≥ =
st v (r jt r jt )Tt u 0 untukj 1 ,. . . , n (9)
t 1t > t
=
≤ u ¯ tt ≤ p t p
-pt ptt untuk t , t = 1 ,. . . , T ; t < t .
Pendekatan ganda semacam itu dapat secara dramatis meningkatkan efisiensi

model LP dalam kasus sejumlah besar skenario. Sebenarnya, seperti yang
ditunjukkan dengan percobaan sebelumnya [7], formulasi ganda di atas
memungkinkan kita untuk mengurangi waktu optimal hingga di bawah 10 detik
untuk T = 104 dan T = 156. Namun demikian, kasus sejumlah besar skenario
masih dapat menyebabkan kesulitan komputasi, karena banyaknya variabel
( T ( T - 1 ) / 2). Ini mungkin memerlukan beberapa teknik pembuatan kolom [4]
atau algoritma optimisasi yang tidak berbeda [8].
3 Kesimpulan
Model Markowitz klasik menggunakan varians sebagai ukuran risiko, sehingga

menghasilkan masalah optimasi kuadrat. Beberapa langkah-langkah risiko
alternatif diperkenalkan, yang secara komputasi menarik sebagai (untuk variabel
acak diskrit) mereka menghasilkan pemecahan masalah linear programming
(LP). Solvabilitas LP sangat penting untuk aplikasi untuk keputusan keuangan
kehidupan nyata di mana portofolio yang dibangun harus memenuhi banyak
kendala samping dan memperhitungkan biaya transaksi [10]. Model optimasi
portofolio yang sesuai dapat diselesaikan dengan pemecah-pemecah LP tujuan
umum, seperti ILOG CPLEX yang menyediakan sekumpulan C ++ dan pustaka
320
kelas Java yang memungkinkan programmer untuk menanamkan pengoptimal

CPLEX dalam aplikasi C ++ atau Java.
Sayangnya, dalam kasus model simulasi yang lebih maju yang digunakan untuk
generasi sce-nario, seseorang mungkin mendapatkan beberapa ribu skenario. Ini
dapat mengarah pada model LP dengan sejumlah besar variabel dan kendala,
sehingga menurunkan efisiensi komputasi model. Kami telah menunjukkan bahwa
efisiensi komputasi kemudian dapat ditingkatkan secara dramatis dengan model
alternatif mengambil keuntungan dari dualitas LP. Dalam model yang
diperkenalkan jumlah kendala struktural (baris matriks) sebanding dengan jumlah
instrumen sehingga tidak secara serius mempengaruhi efisiensi metode simpleks
dengan jumlah skenario. Untuk kasus 50.000 skenario, telah menghasilkan
perhitungan waktu di bawah 30 detik untuk 50 sekuritas atau di bawah satu menit
untuk 100 instrumen.Waktu komputasional serupa juga telah dicapai untuk
reformulasi ganda model MAD. Reformasi ganda diterapkan pada model optimasi
portofolio GMD menghasilkan pengurangan ukuran masalah yang dramatis
dengan jumlah kendala yang sama dengan jumlah instrumen, bukan kuadrat dari
jumlah skenario. Meskipun, sisa jumlah variabel yang tinggi (kuadrat dari jumlah
skenario) masih menghasilkan kebutuhan untuk penelitian lebih lanjut pada teknik
generasi kolom atau algoritma optimisasi nondifferentiable untuk model GMD.
Pengakuan. Para penulis berhutang budi kepada Profesor Churlzu Lim dari
Universitas Indonesia North Carolina di Charlotte untuk menyediakan data uji.
Referensi
Andersson, F., Mausser, H., Rosen, D., Uryasev, S .: Pengoptimalan risiko kredit
dengan kriteria nilai-risiko yang kondusional. Matematika. Program. 89,
273–291 (2001)
Artzner, P., Delbaen, F., Eber, J.-M., Heath, D .: Ukuran risiko yang
koheren. Matematika. Keuangan 9, 203–228 (1999)
321
Barr, DR, Slezak, NL: Perbandingan generator normal

multivariat. Komunike. ACM 15, 1048–1049 (1972)
Desrosiers, J., Luebbecke, M .: Primer dalam pembuatan kolom. Dalam:

Desaulniers, G., Desrosiers, J., Solomon, M. (eds.) Generasi Kolom, pp. 1–
32, Springer, Heidelberg (2005)
Embrechts, P., Kluppelberg, ¨ C., Mikosch, T .: Memodelkan Acara Ekstrem

untuk Asuransi dan Keuangan. Springer, New York (1997)
Konno, H., Yamazaki, H: Model optimasi portofolio deviasi mean-absolut dan

penerapannya ke pasar saham Tokyo. Manag. Sci. 37, 519-531 (1991)
Krzemienowski, A., Ogryczak, W .: Memperluas langkah-langkah risiko

terkomputasi LP untuk memperhitungkan risiko
penurunan. Comput. Optim. Appl. 32, 133–160 (2005)
Lim, C., Sherali, HD, Uryasev, S .: Optimalisasi portofolio dengan meminimalkan

nilai-risiko bersyarat melalui optimasi yang tidak dapat
dibedakan. University of North Carolina di Charlotte, Lee College of
Engineering, Working Paper 2007
Mansini, R., Ogryczak, W., Speranza, MG: Pada model terpecahkan LP untuk
pemilihan portofolio. Informatica 14, 37-62 (2003)
Mansini, R., Ogryczak, W., Speranza, MG: Model solvable LP untuk optimasi
portofolio: Klasifikasi dan perbandingan komputasi. IMA J.
Manag. Matematika. 14, 187–220 (2003)
Mansini, R., Ogryczak, W., Speranza, MG: Nilai kondisional berisiko dan model
linear programming terkait untuk optimasi portofolio. Ann. Oper. Res. 152,
227–256 (2007)
Markowitz, HM: Pemilihan portofolio. J. Finan. 7, 77–91 (1952)
Maros, Saya .: Teknik Komputasi Metode Simpleks. Kluwer, Dordrecht (2003)

322
Muller, ¨ A., Stoyan, D. Metode Perbandingan untuk Model Stochastic dan

Risiko. Wiley, Chichester (2002)
Ogryczak, W .: hubungan dominasi stokastik dan pengukuran risiko linier. Dalam:

AMJ Skulimowski (ed.) Pemodelan Keuangan - Proc. Pertemuan ke-23
EURO WG Financial Modelling, Cracow, 1998, pp. 191–212, Progress &
Business Publ., Cracow (1999)
Ogryczak, W .: Pengukuran risiko: Berarti penyimpangan absolut versus

perbedaan rata-rata Gini.
Dalam: WG Wanka (ed.) Teori Keputusan dan Optimasi dalam Teori dan Praktik
- Proc. Workshop ke-9 GOR WG Chemnitz 1999, hlm. 33–51, Shaker
Verlag, Aachen (2000)
Ogryczak, W .: Beberapa kriteria model pemrograman linier untuk pemilihan

portofolio. Ann. Oper. Res. 97, 143–162 (2000)
Ogryczak, W., Ruszczynski, ´ A .: Dari dominasi stokastik menjadi model risiko-

berarti: semide-viations sebagai tindakan risiko. Eur. J. Oper. Res. 116, 33–
50 (1999)
Ogryczak, W., Ruszczynski, ´ A .: Dominasi stokastik ganda dan model risiko-

rerata terkait. SIAM J. Optim. 13, 60–78 (2002)
Pflug, G.Ch .: Beberapa komentar tentang nilai-risiko dan nilai-risiko

bersyarat. Di:S. Uryasev (ed.) Probabilistic Constrained Optimization:
Metodologi dan Aplikasi. pp. 272–281, Kluwer, Dordrecht (2000)
Pflug, G.Ch .: Pembuatan pohon skenario untuk optimasi keuangan multiperiode

dengan diskretisasi yang optimal. Matematika. Program. 89, 251-271 (2001)
Rockafellar, RT, Uryasev, S .: Optimasi nilai-risiko bersyarat. J. Risiko 2, 21–41

(2000)
323
Rothschild, M., Stiglitz, JE: Meningkatkan risiko: I. Definisi. J. Econ. Teori 2,

225–243 (1969)
Scheuer, EM, Stoller, DS: Pada generasi vektor acak normal. Technometrics 4,
278–281 (1962)
Yitzhaki, S. Stochastic dominance, mean variance, dan perbedaan rata-rata

Gini. Saya. Econ. Pny. 72, 178–185 (1982)
Algoritma pengenalan pola untuk keuntungan optimal dalam perdagangan

mata uang
Danilo Pelusi
Abstrak. Masalah utama dalam analisis teknis adalah mendapatkan laba yang
baik dan mungkin stabil. Berbagai aturan perdagangan untuk pasar keuangan
memang ada untuk tugas ini. Makalah ini menjelaskan algoritma pengenalan pola
untuk secara optimal mencocokkan pelatihan dan periode perdagangan untuk
aturan analisis teknis. Di antara teknik filter, kami menggunakan aturan Dual
Moving Average Crossover (DMAC). Teknik ini diterapkan untuk pengamatan
per jam dari nilai tukar Euro-Dollar. Metode pencocokan dilakukan menggunakan
sepuluh pola grafik yang sangat populer dalam analisis teknis. Selain itu, agar
hasilnya memiliki pengertian statistik, kami menggunakan teknik
bootstrap. Hasilnya menunjukkan bahwa algoritma yang diusulkan merupakan
titik awal yang baik untuk memperoleh laba yang positif dan stabil.
Kata kunci: set pelatihan, set perdagangan, analisis teknis, algoritma pengenalan
1. Perkenalan
324
Pilihan aturan perdagangan terbaik untuk keuntungan optimal adalah salah satu
masalah utama dalam penggunaan analisis teknis untuk membeli instrumen
keuangan. Park dan Irwin [31] menjelaskan berbagai jenis aturan filter, misalnya
keluarga Dual Moving Average Crossover, kelompok Momentum aturan dan
Osilator. Untuk masing-masing aturan filter ini kita perlu menemukan aturan yang
menjamin keuntungan tertinggi. Beberapa protokol teknis yang baik, untuk
mendapatkan keuntungan optimal di pasar valuta asing, telah ditemukan oleh
Pelusi et al. [32].
Pedagang atribut untuk beberapa pola grafik properti menilai kondisi pasar (di
pasar keuangan) dan mengantisipasi titik balik. Jenis analisis ini dimulai dengan
yang terkenal [23], yang menghasilkan aliran sastra yang penting. Namun,
popularitas analisis semacam ini telah sering ditantang oleh ekonom keuangan
arus utama [7, 9, 22, 28-30, 35].
Umumnya, keberhasilan aturan dalam perdagangan yang sebenarnya tidak
tergantung pada jenis filter yang digunakan. Ini tergantung pada pilihan apa yang
disebut "set pelatihan", di mana parameter profit maksimum aturan ditemukan,
dan "set perdagangan" independen di mana Anda menerapkan filter yang
dioptimalkan yang ditemukan dalam fase pelatihan. Dengan kata lain, aturan yang
memberikan keuntungan baik dalam satu periode dapat menyebabkan kerugian
dalam periode yang berbeda. Ini karena perbedaan substansial dalam bentuk harga
aset di keduanya. Sehinggamasalah utama untuk keberhasilan penerapan aturan
perdagangan teknis adalah untuk menemukan asosiasi terbaik dari "set pelatihan"
(TN-S) dan "set perdagangan" (TD-S), untuk aliran laba tertinggi dan mungkin
paling stabil.
Dalam makalah ini, kami mengusulkan sintesis dari dua pendekatan tradisional
dalam analisis teknis, diuraikan di atas, dan menggunakan teknik pengenalan pola
grafik untuk asosiasi terbaik dari pelatihan dan fase perdagangan. Beberapa karya
[7,9,22,23,29] berisi studi tentang isi informasi pola grafik.
Target kami adalah untuk menyelidiki keberadaan konfigurasi non-linear dalam
pengamatan per jam dari Euro-Dollar (EUR-USD), Dolar-Yen (USD-JPY) dan
Pound-Dollar (GBP-USD) nilai tukar.Algoritma pengenalan pola kami
325
mengambil ke dalam sepuluh pola grafik ac-count yang secara tradisional

dianalisis dalam literatur [7, 23, 28].
Di Bagian 2 kami menggambarkan algoritma. Hasil algoritma ditunjukkan dalam
Bagian 3, sedangkan Bagian 4 berisi kesimpulan.
2 Algoritma pengenalan pola
Sebagaimana diuraikan di atas, kami mempertimbangkan nilai tukar per

jam. Tugas pertama dalam pembangunan algoritma kami adalah pengakuan
bahwa beberapa pergerakan nilai tukar signifikan dan yang lainnya
tidak. Pergerakan nilai tukar yang paling signifikan menghasilkan pola
tertentu. Biasanya, untuk mengidentifikasi keteraturan dan pola dalam rangkaian
waktu harga aset, perlu untuk mengekstrak pola non-linear dari data yang
berisik. Ekstraksi sinyal ini dapat dilakukan oleh mata manusia, namun dalam
algoritma kami, kami menggunakan estimator penghalus yang sesuai. Oleh karena
itu, untuk melihat pola teknis dengan cara terbaik kami menggunakan regresi
kernel. Hardle [16] menjelaskan metode smoothing ini yang memungkinkan
analisis kurva lebih mudah yang menggambarkan nilai tukar.
Umumnya, berbagai pola grafik cukup sulit untuk dihitung secara analitis (lihat
manual analisis teknis [2, 22, 28]). Namun, untuk mengidentifikasi cara formal
mendeteksi penampilan pola teknis, kami telah memilih definisi yang ditunjukkan
dalam makalah Lo et al. [23]. Dalam definisi ini, pola teknis bergantung pada
ekstrem, yang harus menghormati properti tertentu. Penggunaan regresi kernel
memungkinkan pendeteksian yang mudah dari ekstrema ini karena kurva yang
menggambarkan nilai tukar diperhalus. Untuk mengidentifikasi ekstrem ini kami
menggunakan metode yang sesuai yang dijelaskan oleh Omrane dan Van Oppens
[28].
Untuk mendeteksi keberadaan pola teknis dengan cara terbaik, kami
menggunakan nilai cutoff seperti dalam pekerjaan Osler dan Chang [30]. Dengan
cara ini, jumlah maksimum dan minimum yang diidentifikasi dalam data
berbanding terbalik dengan nilai cutoff. Dengan kata lain, peningkatan atau
penurunan menghasilkan serangkaian maxima dan minima yang berbeda, yang
326
akan menghasilkan serangkaian pola grafik yang berbeda. Untuk setiap nilai
cutoff, algoritma mencari pola grafik HS, IHS, BTOP, BBOT, TTOP, RTOP,
RBOT, DTOP, DBOT berdasarkan definisi mereka [23].Mempertimbangkan pola
tunggal pada suatu waktu, algoritma menghitung jumlah pola dari jenis itu, untuk
setiap nilai cutoff.
Untuk membentuk parameter kesamaan, kita mendefinisikan, untuk setiap j th
pola teknis (j = 1 , 2 , d ot s , 10), koefisien yang mewakili tingkat kesamaan
antaradua periode yang berbeda. Oleh karena itu, algoritma kami mengambil
nomor pola untuk setiap nilai cutoff i dan menghitungnya
1j , -
di, j = ni n 2j , i , saya = 1 , 2 ,. . . ,18 , (1)
dimana d saya , j adalah nilai absolut dari perbedaan antara jumlah pola grafik j-
jenis periode 1 dan periode 2, untuk setiap nilai cutoff. Jadi, kita dapat
mendefinisikan koefisien kesamaan S j as
n
cj 1
d
i=1 2 i,
j
,nc
Sj n
cj j ≥1 (2)
n
0, cj =0.
Koefisien kesamaan mengasumsikan nilai yang terletak antara 0 dan 1

dan n c j adalah jumlah perbandingan yang mungkin. Pada langkah ini, algoritma
kami memberikan sepuluh kesamaan koefisien terhubung ke sepuluh pola teknis
327
yang disebutkan di atas. Langkah selanjutnya terdiri dari menghitung satu nilai
yang memberi informasi konten pada kesamaan antara periode. Kami menyebut
nilai ini sebagai Kesamaan Global (GS) dan kami mendefinisikannya sebagai rata-
rata tertimbang
10
GS = w j S j . (3)
j=1
Bobot w j didefinisikan sebagai rasio antara jumlah perbandingan dari pola dan
jumlah jumlah perbandingan n t dari semua pola (lihat rumus 4).
w j = nc j , n t = n c 1 + n c 2 + . . . + n c 10
n
t
th
(4)
10
w j = 1. (5)
࿿࿿࿿ _x0010__x0010_ =1
328
Selain itu, jumlah bobot w j , dengan j dari 0 hingga 10, sama dengan 1 (lihat
rumus 5). Menghitung kesamaan global GS melalui (3), kami menetapkan bobot
lebih pada koefisien kesamaan dengan jumlah pembandingan yang lebih besar.
Langkah selanjutnya terkait dengan pilihan amplitudo periode waktu untuk
pelatihan dan fase perdagangan. Untuk set perdagangan, kami mempertimbangkan
seri waktu dari tahun tertentu. Oleh karena itu, kami mempertimbangkan nilai
tukar yang dimulai dari akhir seri waktu hingga enam bulan sebelumnya. Dengan
cara ini, kita memperoleh satu semester di tahun yang
dipertimbangkan. Selanjutnya, kami membuat semester kedua, mulai dari akhir
tahun minus sebulan, hingga enam bulan sebelumnya. Dengan demikian, kami
memperoleh sejumlah semester. Oleh karena itu, kami membandingkan semester
perdagangan ini dengan berbagai semester di tahun-tahun
sebelumnya. Selanjutnya, pilihan pelatihan dan pasangan semester perdagangan
tercapai, membagi pasangan dengan lereng positif dan mereka dengan lereng
negatif. Jadi, kami menghitung keuntungan 1 dari semester perdagangan dengan
mempertimbangkan yang dioptimalkan
Untuk menghitung laba, kami menggunakan aturan filter DMAC [32].parameter
(lihat [32]) dari semester pelatihan yang sesuai. Untuk setiap pasangan semester,
kami menghitung koefisien GS melalui rumus 3 dan menentukan kuantitas
berikut:
n
G
S
f GS
= np , (6)
dimana n p adalah jumlah pasangan semester dengan laba positif dan n GS adalah
jumlah semester yang menguntungkan dengan indeks kesamaan GS yang terletak
di antara dua ekstrem. Secara khusus, kami mempertimbangkan rentang GS: 0,0-
0,1, 0,1-0,2, ..., hingga 0,9-1,0. Jadi, kuantitas f GS merupakan ukuran dari
329
frekuensi nilai-nilai kesamaan global berdasarkan keanggotaan mereka di rentang

yang disebutkan di atas.
Agar hasil algoritma memiliki pengertian statistik, kita perlu menerapkan teknik
kami ke banyak sampel yang memiliki kecenderungan serupa dengan nilai tukar
tahun yang dipertimbangkan. Untuk mengatasi masalah ini, kami menggunakan
teknik yang dijelaskan oleh Efron [12], yang disebut metode bootstrap [17,
34]. Gagasan utamanya adalah untuk mengulang dari data asli, baik secara
langsung atau melalui model yang cocok, 2 untuk membuat berbagai set data yang
mereplikasi, dari mana variabilitas jumlah bunga dapat dinilai tanpa perhitungan
analitik yang panjang dan cenderung salah. Dengan cara ini, kami membuat
beberapa seri nilai tukar buatan, yang masing-masing memiliki panjang yang
sama dengan seri aslinya.
3 hasil Eksperimental
Kami menerapkan algoritma kami untuk nilai tukar Euro-Dollar per jam dan
mempertimbangkan tahun 2006 sebagai tahun untuk perdagangan. Untuk
membuat sampel dengan tren yang mirip dengan kurs Euro-Dollar 2006, kami
menggunakan metode bootstrap parametrik [3].
Dalam pengaturan bootstrap parametrik, kami mempertimbangkan distribusi F
yang tidak diketahui untuk menjadi anggota dari beberapa keluarga parametrik
yang ditentukan dan memperoleh distribusi empiris diskrit F n ∗ dengan
memperkirakan parameter keluarga dari data. Dengan menghasilkan urutan acak
iid dari distribusi F n *, kita dapat tiba di perkiraan baru dari berbagai parameter
dari F distribusi asli.
Metode parametrik yang digunakan didasarkan pada asumsi model khusus untuk
data. Setelah memperkirakan model dengan metode yang konsisten, residu adalah
bootstrapped. Dengan cara ini, kami memperoleh set sampel dengan panjang nilai
tukar yang sama seperti tahun 2006.
Tabel 1 menunjukkan hasil dengan 10, 100, 200, 300, 400 dan 500 sampel. Pada
baris, kami memiliki nomor sampel dan pada kolom kami memiliki frekuensi
kesamaan global yang ditentukan dalam rumus (6). Kita dapat mencatat bahwa
330
tidak ada hasil untuk rentang 0,5–0,6, 0,6-0,7, hingga 0,9-1,0 karena mereka
memberikan kontribusi nol, yaitu tidak ada nilai kesamaan global yang termasuk
ke kisaran yang disebutkan di atas. Selain itu, kita dapat mengamati bahwa untuk
10 sampel, rentang dengan frekuensi tertinggi adalah 0,0-0.1, yaitu, kemungkinan
besar bahwa dengan koefisien kesamaan antara 0 dan 0,1 kita memiliki
keuntungan positif daripada rentang lainnya.
Hasil statistik untuk 100 sampel menunjukkan bahwa rentang dengan fre-quency
terbesar adalah 0,1-0,2. Untuk 200, 300, 400, dan 500 sampel yang kami peroleh
kira-kira bernilai sama.
Kami menggunakan model GARCH (lihat [4]).
Tabel 1. Hasil algoritma pengenalan pola
Sampel f GS 1 f
GS 2 f
GS 3 f
GS 4 f
GS 5
10 0,4500 0,4440 0,0920 0,0150 0
100 0,3295 0,4859 0,1633 0,0206 0,0006
200 0,3386 0,4722 0,1671 0,0214 0,0007
300 0,3242 0,4770 0,1778 0,0206 0,0005
400 0,3206 0,4833 0,1774 0,0183 0,0003
500 0,3228 0,4813 0,1768 0,0188 0,0003
Oleh karena itu, kita dapat menyimpulkan bahwa dari 100 hingga 500 sampel
hasilnya tetap stabil. 3 Kemungkinan besar bahwa dengan sejumlah sampel lebih
besar dari 500, distribusi akan lebih luas.
Kami juga melaporkan hasil yang terkait dengan aplikasi algoritme ke kata yang
sebenarnya. Untuk melakukan ini, kami mempertimbangkan nilai tukar Euro-
Dolar tahun 2007. Secara khusus, kami memilih tiga pasangan semester yang
dapat didefinisikan sebagai "serupa" oleh mata manusia. Kami
mempertimbangkan semester kedua tahun 2003 semester pelatihan dan semester
331
kedua tahun 2007 semester perdagangan untuk nilai tukar Euro-Dollar, semester-
semester ini ditunjukkan pada Gambar 1.
Semua gambar mengandung dua grafik: yang pertama menunjukkan tren
setengah-tahun nilai tukar Euro-Dollar, sedangkan yang kedua memiliki grafik
skala ganda. Penggunaan skala ganda diperlukan untuk mempelajari hubungan
antara nilai tukar dan keuntungan dengan penerapan filter teknis. Aturan
perdagangan yang dijelaskan dalam contoh praktis ini adalah strategi jangka
panjang. Selain itu, filter teknis yang digunakan adalah aturan DMAC, yang
didasarkan pada definisi rata-rata bergerak dan parameter Take Profit (TP) dan
Stop Loss (SL).
Grafik skala ganda memiliki waktu pada x- sumbu, bentuk nilai tukar Euro-Dolar
pada y- sumbu kiri dan laba pada y- kanan kanan . Kami menggarisbawahi bahwa
nilai y -axis adalah angka murni, yaitu tanpa unit pengukuran.
Hasil Tabel 2 menunjukkan bahwa ada kerugian sekitar 13% dengan koefisien GS
0,61844. Dari Gambar 1 kita dapat mencatat bahwa ada perbedaan bentuk
substansial di awal dan di akhir semester dan bahwa laba memiliki kecenderungan
menurun selama lebih dari setengah semester.
Gambar 2 menunjukkan semester kedua tahun 2004 (semester pelatihan) dan
semester kedua tahun 2007 (semester perdagangan). Seperti dapat dilihat pada
Tabel 2, kami memperoleh laba sekitar 26% dengan indeks kesamaan global
0,66299. Mengamati Gambar 2, kita dapat melihat bahwa laba pada dasarnya
tumbuh, kecuali pada awal dan di akhir semester perdagangan.
Kami memilih sebagai pasangan ketiga semester pertama tahun 2006 dan
semester kedua tahun 2007 (Gambar 3). Dalam hal ini, kami memiliki kerugian
sebesar 14% dan GS sebesar 0.61634. Kami menyimpulkan bahwa kerugian
mungkin karena perbedaan bentuk substansial dalam berbagai sub-periode
semester (lihat Gambar 3), seperti yang terjadi dalam kasus Gambar 1. Dari
Gambar 3 kami
Untuk melakukan perhitungan, algoritma kami membutuhkan sekitar tiga jam
waktu komputer untuk setiap sampel. Namun, di masa depan kami akan
mempertimbangkan jumlah sampel lebih dari 500.
332
Gambar. 1. Perdagangan frase menggunakan semester kedua tahun 2003 sebagai

periode pelatihan
perhatikan bahwa ada kerugian besar di awal dan di akhir semester perdagangan.
Tabel 2 meringkas hasil aplikasi algoritma ke pasangan semester yang

dipilih. Dari pengamatan hasil ini, kami menyimpulkan bahwa ada ambang
kesamaan global yang terletak antara 0,61844 dan 0,66299.Untuk nilai kesamaan
global yang lebih besar dari ambang ini, kita harus mendapatkan keuntungan.
4 Kesimpulan dan pekerjaan di masa depan
Dalam literatur analisis teknis, beberapa penulis atribut untuk memetakan pola
properti menilai kondisi pasar dan mengantisipasi titik balik. Beberapa karya
mengembangkan dan menganalisis isi informasi dari pola grafik. Makalah lain
telah menunjukkan pentingnya memilih aturan perdagangan terbaik untuk
keuntungan maksimum dan stabil. Sana-
Tabel 2. Profitabilitas dan kemiripan hasil dari pasangan semester
333
Semester Semester
pelatihan perdagangan Keuntungan GS
2 nd 2003 2 nd 2007 - 0 . 1301 0,61844
2 nd 2004 2 nd 2007 0,2592 0,66299
1 st 2006 2 nd 2007 - 0 . 1367 0,61634
Ara. 2. Fase perdagangan menggunakan sebagai periode pelatihan semester kedua

tahun 2004
334
Gambar. 3. Fase perdagangan menggunakan sebagai periode pelatihan semester

pertama tahun 2006
kedepan, ada beberapa filter teknis yang menjamin keuntungan tertinggi. Dengan
cara ini, masalah yang penting adalah pilihan pelatihan dan set perdagangan.
Dalam makalah ini, kami mendeskripsikan algoritme pengenalan pola untuk
secara optimal menyesuaikan periode pelatihan dan periode perdagangan dalam
aturan filter DMAC. Aturan perdagangan yang dijelaskan adalah strategi investasi
jangka pendek dalam nilai tukar mata uang asing. Kami menggambarkan contoh
praktis memilih semester sebagai periode pengujian dan mendapatkan hasil yang
stabil.Stabilitas ini diverifikasi juga untuk periode yang berbeda, seperti periode
bulanan, tahunan, dan dua tahunan. Selain itu, untuk rentang temporal ini, kami
menyadari statistik pada operasi pendek dan panjang secara terpisah. Secara
khusus, kami menghitung rata-rata dan kesalahan standar nomor operasi,
memperoleh beberapa informasi menarik. Mungkin akan lebih mudah juga
335
melaporkan indikator standar seperti rasio kinerja, volatilitas dan Sharpe, tipikal
industri keuangan.
Tujuan dari pekerjaan ini adalah untuk mendapatkan keuntungan positif sesuai
dengan derajat kemiripan antara periode pelatihan dan perdagangan. Metode kami
memberikan indeks kesamaan yang dapat berguna untuk menetapkan bagaimana
satu set pelatihan memiliki informasi berharga untuk satu set perdagangan di masa
depan. Hasilnya menunjukkan bahwa indeks kesamaan adalah titik awal yang baik
untuk jenis penelitian ini. Oleh karena itu, kita perlu menganalisis bagaimana
perbedaan dalam bentuk berdampak pada laba untuk indeks kesamaan global
dengan besaran yang sebanding.
Referensi
࿿࿿ Allen, F., Karjalainen, R .: Menggunakan algoritma genetika untuk

menemukan aturan perdagangan teknis. J. Finan. Econ. 51, 245-271
(1999)
Arnold, C., Rahfeldt, D: Waktu Pasar: Bagaimana Untung di Pasar Bull and Bear
dengan Analisis Teknis. Probus Publishing, Chicago (1986)
Berkowitz, J., Kilian, L .: Perkembangan terbaru dalam seri waktu
bootstrapping. Makalah Diskusi, tidak. 96–45, (1996)
Bollersev, T: Generalized autoregressive conditional heteroskedasticity. J.
Econ. 31, 307–327 (1986)
Brock, W., Lakonishok, J., LeBaron, B .: Aturan perdagangan teknis sederhana
dan sifat stokastik dari pengembalian saham. J. Finan. 47, 1731-1764
(1992)
Brooks, C., Clare, AD, Persand, G .: Sebuah kata peringatan untuk menghitung
persyaratan risiko modal minimum berbasis pasar. J. Bank. Finan. 14,
1557–1574 (2000)
Chang, P., Osler, C .: Kegilaan metodis: analisis teknis dan irasionalitas perkiraan
nilai tukar. Econ. J. 109, 636–661 (1999)
336
Davison, AC: Hinkley, Metode Bootstrap dan Aplikasi Mereka. Cambridge

University Press (1997)
Dempster, M., Jones, C .: Dapatkah perdagangan pola teknis menjadi
menguntungkan otomatis? 2. Kepala & bahu. Pusat Penelitian
Keuangan, Hakim Institute of Management Studies. University of
Cambridge, kertas kerja (1998)
Dempster, MAH, Jones, CM: Sistem perdagangan adaptasi real-time
menggunakan program genetik. Hakim Institute of
Management. University of Cambridge, WP n. 36 (2000)
Edwards, M .: Analisis Teknis Tren Saham, edisi ke-5. John Magee, Boston
(1966)
Efron, B .: Metode Bootstrap: pandangan lain pada pisau lipat. Ann. Stat. 7, 1–26
(1979)
Efron, B .: The Jackknife, Bootstrap, dan Resampling Plans lainnya. Masyarakat
untuk Matematika Industri dan Terapan, Philadelphia (1982)
Fan, J .: Pemodelan lokal, ditulis untuk Encyclopidea of Statistics Science EES
update (1995)
Gebbie, T: toolbox regresi Kernel. Rilis MATLAB R14, Versi 1.0, URL:
http://www.mathworks.com/ (2004)
Hardle, W .: Menerapkan Nonparametric Regression. Cambridge University
Press, Cambridge (1990)
Hardle, W., Horowitz, J., Kreiss, J .: Metode bootstrap untuk seri
waktu. Int. Stat. Rev. 71, 435–459 (2001)
Hardy, CC: Panduan Investor untuk Analisis Teknis. McGraw Hill, New York
(1978)
Hsieh, D .: Implikasi dinamika nonlinier untuk manajemen risiko keuangan. J.
Finan. Bergalah. Anal. 28, 41–64 (1993)
Jones, CM: Perdagangan valuta teknis teknis otomatis dengan data frekuensi
tinggi. Tesis PhD, University of Cambridge (1999)
Kaufman, P .: Sistem dan metode perdagangan komoditi. Ronald Press, New
York (1978)
337
Levy, R: Signifikansi prediktif dari lima pola titik. J. Bus. 41, 316–323 (1971)
Lo, AW, Mamaysky, H., Wang, J .: Yayasan analisis teknis: algoritma komputasi,
inferensi statistik, dan implementasi empiris. J. Finan. 55, 1705–1765
(2000)
Murphy, J .: Analisis Teknis Pasar Masa Depan: Panduan Komprehensif untuk
Metode Perdagangan dan Aplikasi. Prentice Hall, New York (1986)
Murphy, J .: Analisis Teknis Pasar Keuangan. Institute of Finance, New York
(1999)
Nadaraya, EA: Pada memperkirakan regresi. Teori Prob. Appl. 9, 141–142 (1964)
Neely, CJ, Weller, PA, Ditmar, R: Apakah analisis teknis dari pasar valuta asing
menguntungkan? Pendekatan pemrograman genetika. J.
Finan. Bergalah. Anal. 405–426 (1997)
Omrane, WB, Van Oppens, H .: Keberhasilan dan profitabilitas prediksi pola
grafik di pasar valuta asing Euro / Dollar. IGA Working Paper bi, 95–
03 (2003)
Osler, C .: Mengidentifikasi pedagang kebisingan: pola kepala dan bahu dalam
ekuitas AS. Federal Reserve Bank of New York (1998)
Osler, C., Chang, K .: Kepala dan bahu: bukan hanya pola keripik. Laporan Staf
Federal Reserve Bank of New York 4 (1995)
Park, C.-H., Irwin, SH: Keuntungan analisis teknis: ulasan. Laporan Penelitian
Proyek AgMAS No. 2004-04 (2004)
Pelusi, D., Scacciavillani, F., Tivegna, M .: Aturan perdagangan yang optimal
pada frekuensi per jam di pasar valuta asing. Kertas kerja (2007)
Pring, M .: Analisis Teknis Dijelaskan: Panduan Investor Sukses untuk
Mencarikan Tren Investasi dan Titik Balik, edisi ketiga. McGraw-Hill,
New York (1985)
Ruiz, E., Pascual, L: Bootstrapping deret waktu keuangan. J. Econ. Surv. 16,
(2002)
Savin, G., Weller, P., Zvingelis, J .: Kekuatan prediksi pola harga head-and-
shoulders di pasar saham AS. J. Finan. Econ. 5, 243-265 (2007)
338
Sklarew, A .: Teknik Analis Chart Komoditas Profesional. Biro Pencarian Ulang

Komoditas, New York (1980)
Tsay, RS: Analisis Seri Waktu Keuangan. Wiley (2002)
Watson, GS: Analisis regresi yang halus. Ind. J. Stat. A 26, 359-372 (1964)
Zoubir, AM, Iskander DR: Bootstrap matlab toolbox. Curtin University of
Technology. http://www.csp.curtin.edu.au/downloads/bootstrap
toolbox.html (Mei 1998)
Kointegrasi nonlinier dalam deret waktu keuangan
Claudio Pizzi
Abstrak. Dalam tulisan ini, konsep kointegrasi linier seperti yang diperkenalkan
oleh Engle dan Granger [5] digabung menjadi paradigma lokal. Mengadopsi
pendekatan lokal memungkinkan tercapainya model koreksi kesalahan lokal yang
dicirikan oleh parameter dinamis. Hasil penting lainnya yang diperoleh dengan
menggunakan paradigma lokal adalah bahwa mekanisme yang mengarahkan
339
sistem dinamis kembali ke kondisi tunak tidak lagi konstan: itu adalah fungsi yang
tidak didefinisikan a priori tetapi diperkirakan poin demi poin.
Kata kunci: nonlinier, kointegrasi, model polinomial lokal
1. Perkenalan
Salah satu tujuan dari analisis statistik dari serangkaian waktu adalah untuk
memungkinkan peneliti untuk membangun representasi yang disederhanakan dari
proses penghasil data (DGP) dan / atau hubungan antara fenomena yang berbeda
yang diteliti. Metode untuk mengidentifikasi dan memperkirakan model-model ini
didasarkan pada asumsi stasioneritas DGP. Namun demikian, asumsi ini sering
dilanggar ketika mempertimbangkan fenomena keuangan, misalnya harga saham,
suku bunga, nilai tukar, dan sebagainya. Rangkaian waktu keuangan biasanya
menyajikan non-stasioneritas dari orde pertama jika tidak lebih tinggi.
Dalam kasus konstruksi model regresif, kehadiran akar unit dalam deret waktu
berarti perhatian harus diberikan pada kointegrasi yang mungkin di antara
variabel-variabel tersebut.
Ide kointegrasi, yang mencirikan hubungan jangka panjang antara dua (atau
beberapa) rangkaian waktu, dapat diwakili dengan memperkirakan vektor
parameter dan dapat digunakan untuk membangun model dinamis yang
memungkinkan hubungan jangka panjang dan juga beberapa transisi pendek
informasi -run untuk disorot. Hal ini memungkinkan representasi model koreksi
kesalahan yang dapat dianggap sebagai sistem dinamis yang dicirikan oleh fakta
bahwa setiap keberangkatan dari kondisi mantap menghasilkan dinamika jangka
pendek.
Konsep kointegrasi linier yang diperkenalkan oleh Engle dan Granger [5] telah
banyak diperdebatkan dalam literatur dan banyak yang telah dipublikasikan pada
topik ini. Itu Minat peneliti terutama telah disetel untuk masalah memperkirakan
hubungan cointe-gration (perlu disebutkan, antara lain, Johansen [8], Saikko-nen
[18], Stock dan Watson [21] Johansen [9] dan Strachan dan Inder [22]) dan
membangun uji statistik untuk memverifikasi keberadaan hubungan semacam itu.
340
Tes pertama yang disarankan oleh Engle dan Granger [5] diikuti oleh tes yang
diajukan oleh Stock dan Watson [20] untuk mengidentifikasi tren umum dalam
rangkaian waktu yang dinilai. Setelah mereka, Phillips dan Ouliaris [15]
mengembangkan tes berdasarkan pada prinsip utama metode, diikuti oleh tes pada
residual model regresi [14]. Johansen [8] malah mengusulkan tes berdasarkan
rasio kemungkinan.
Ide dari kointegrasi linier kemudian telah diperluas untuk mempertimbangkan
beberapa jenis nonlinier. Beberapa strain penelitian dapat diidentifikasi dengan
latar belakang ini. Satu menunjukkan bahwa mekanisme respon terhadap
keberangkatan dari kondisi mantap mengikuti proses autoregresif ambang (lihat
misalnya pekerjaan oleh Balke dan Fomby [1]). Berkenaan dengan tes statistik
untuk menilai kehadiran kointegrasi ambang, lihat misalnya Hansen dan
Byeongseon [7].
Strain kedua menganggap kointegrasi fraksional: di antara banyak kontribusi,
kami ingin mengingat Cheung dan Lai [3], Robinson dan Marin-ucci [16],
Robinson dan Hualde [17] dan Caporale dan Gil-Alana [2].
Akhirnya, Granger dan Yoon [6] memperkenalkan konsep kointegrasi
tersembunyi yang membayangkan jawaban sistem asimetris, yaitu mekanisme
yang memandu sistem ke kondisi mantap hanya aktif di hadapan guncangan
positif atau negatif, tetapi tidak dari keduanya. . Pekerjaan Schorderet [19]
menindaklanjuti ide ini dan menyarankan prosedur untuk memverifikasi
keberadaan kointegrasi tersembunyi.
Dari sudut pandang yang lebih umum, Park dan Phillips [12] menganggap regresi
non-linear dengan proses yang terintegrasi, sementara Lee et al. [11] menyoroti
keberadaan hubungan nonlinear palsu.Sementara itu perkembangan lebih lanjut
merenungkan mekanisme penyesuaian keseimbangan dipandu oleh kekuatan
lemah yang tidak dapat diamati, di mana bacaan lebih lanjut tersedia, oleh
Pellizzari et al. [13].
Pekerjaan ini adalah bagian dari strain penelitian terakhir dan menyarankan jalan
untuk model linier lokal (LLM) untuk membangun tes untuk kointegrasi
nonlinier. Memang, penggunaan model lokal memiliki keuntungan karena tidak
341
memerlukan definisi a priori dari bentuk fungsional dari hubungan kointegrasi,

memungkinkan konstruksi mekanisme penyesuaian dinamis. Dengan kata lain,
model yang berbeda dapat dipertimbangkan untuk setiap instan (dalam kasus yang
paling sederhana, linear) untuk memandu sistem menuju equi-librium
baru. Residual dari model lokal dapat digunakan untuk mendefinisikan tes
kointegrasi nonlinear. Penggunaan model linear lokal juga memungkinkan
konstruksi Model Koreksi Kesalahan Lokal (LECM) yang mempertimbangkan
mekanisme koreksi yang berubah dalam waktu. Makalah ini disusun sebagai
berikut. Bagian berikutnya memperkenalkan gagasan kointegrasi nonlinier, yang
menyajikan LECM dan Model Koreksi Er-ror Lokal tanpa batas
(uLECM). Bagian 3 menyajikan aplikasi ke data nyata, untuk menguji asumsi
kointegrasi nonlinear. Pasangan deret waktu yang hipotesis nolnya tidak ada
kointegrasi ditolak akan digunakan untuk memperkirakan baik uLECM dan
kecepatan konvergensi ke kesetimbangan. Makalah ini akan diakhiri dengan
beberapa kata penutup.
1. Kesimpulan
Dalam tulisan ini kami mempertimbangkan masalah Alokasi Aset Dinamis
Optimal. Diberikan
serangkaian target menetapkan bahwa investor menginginkan portofolionya tetap
berada di dalam, the
strategi optimal disintesis untuk memaksimalkan probabilitas gabungan
pemenuhan
persyaratan investasi. Pendekatan ini tidak mengasumsikan distribusi spesifik apa
pun
untuk dinamika stokastik kelas aset, sehingga sangat menarik untuk diobati
kelas aset non-Gaussian. Masalah kontrol optimal yang diusulkan telah
dipecahkan oleh
memanfaatkan hasil pada invarian stochastic. Solusi optimal menunjukkan
seorang kontrarian
sikap, sehingga berkinerja sangat baik di pasar berosilasi.
342
Pengakuan. Penulis ingin mengucapkan terima kasih kepada Giordano Pola

(Universitas L'Aquila,
Centre of Excellence DEWS, Italia), Roberto Dopudi dan Sylvie de Laguiche
(Crédit Agricole
AssetManagement) untuk merangsang diskusi tentang topik makalah ini.
Lampiran: Pemodelan Pasar MMGM
Kelas aset yang digunakan dalam studi kasus menyajikan penyimpangan
signifikan terhadap gaussianitas. Ini
Skenario pasar telah dimodelkan oleh 2-negara MMGM. Negara 1 dan 2 dicirikan
oleh statistik univariat berikut: 5
{μ1(i)}i = [0.000611; 0.001373; 0.002340],

{σ1(i)}i = [0.000069; 0.005666; 0.019121],
{μ2(i)}i = [0.000683; −0.016109; −0.017507],
{σ2(i)}i = [0.000062; 0.006168; 0.052513],
C B E
corr to C 1 0.0633 0.0207
corr to B 0.0633 1 −0.0236
corr to E 0.0207 −0.0236 1
Probabilitas transisi adalah seragam dan probabilitas tanpa syarat Negara 1 adalah
98%. Model MMGM di atas benar mewakili statistik univariat dari
kelas aset hingga urutan keempat (seperti yang dijelaskan pada Tabel 1) dan
hingga urutan kedua
mengenai pola korelasi.
Referensi
343
1. Abate, A .: Probabilistic Reachability untuk Stochastic Hybrid Systems: Theory,

Computations,dan Aplikasi. Tesis PhD. Departemen EECS, Universitas
California, Berkeley
(2007)
2. Agarwal, V., Naik, N .: Risiko dan keputusan portofolio yang melibatkan hedge
fund. Ref. Finan.Stud. 17, 63-98 (1990)
3. Amin, G., Kat, H: Saham, obligasi dan hedge fund: bukan makan siang gratis! J.
Portfolio Man. 294, 113–120 (2003)
4. Barberis, N .: Berinvestasi untuk Jangka Panjang ketika Pengembalian dapat
diprediksi. J. Finan. 55,225-264 (2000)
5. Bertrand, P., Prigent, J. L .: Strategi Asuransi Portofolio: OBPI Versus CPPI.
Universitas
Kertas Kerja CERGY No. 2001–30. Kertas GREQAMWorking
6. Bertsekas, D.P: Pemrograman Dinamis dan Kontrol Optimal, 2nd Edn, Vols. 1
dan 2.Athena Scientific, Belmont, MA (2001)
7. Brennan, M. J., Xia, Y: DynamicAssetAllocation di bawah Inflasi. The Journal of
Finan 57 (3), 1201–1238 (2002)
8. Buckley, I., Saunders, D., Seco, L: Optimasi portofolio ketika pengembalian aset
memiliki
Distribusi campuran gaussian. Eur. J. Oper. Res. 185, 1434–1461 (2008)
9. Chan, K. C .: Tentang Strategi Investasi Kontrarian. Jurnal Bisnis 61, 147–163
(1988)
10. Cremers, J. H., Kritzman, M., Page, S .: Alokasi Dana Hedge Optimal: Lakukan
Lebih Tinggi Moments the Matter? The Journal of Portfolio Management 31 (3),
70–81 (2005
11. DeSouza, C., Gokcan, S.:AllocationMethodologies andCustomizingHedge
FundMulti-
Produk ManajerMulti-Strategi. Jurnal Investasi Alternatif 6 (4), 7–21 (2004)
12. Favre-Bulle, A., Pache, S .: Omega Ukur: Pengoptimalan Portofolio Dana Hedge.
Tesis master MBF. University of Lausanne (2003)
344
13. Hwang, S., Satchell, S .: Pemodelan Emerging Risk Premia Menggunakan

HigherMoments. Int. J.Finan. Econ. 4 (4), 271–296 (1999)
14. Lintner, J .: Penilaian Aset Risiko dan Pemilihan Investasi Berisiko dalam Stok
Portofolio dan Anggaran Modal. Pendeta Econ. Stat. 47 (1), 13–37 (1965)
15. Markowitz, H: Pemilihan Portofolio. The Journal of Finance 7 (1), 77–91 (1952)
16. Martellini, L., Ziemann, V .: Memperluas Analisis Black-Litterman Beyond the
Mean Kerangka Varians. The Journal of Portfolio Management 33 (4), 33–44
(2007)
17. Merton, R. C .: Pilihan Portofolio Seumur Hidup di bawah Ketidakpastian:
Waktu-Terus-Menerus Kasus. Tinjauan Ekonomi dan Statistik 51, 247–257
(1969)
18. Pola, G., Lygeros, J., Di Benedetto, M. D: Invarian dalam Sistem Dinamik
Stokastik.
Simposium Internasional ke-17. Teori Sistem dan Jaringan Skematis (MTNS)
2006). Kyoto, Jepang, 24 - 28 Juli (2006)
19. Pola, G., Pola G: Optimal DynamicAssetAllocation: A Stochastic
InvarianceApproach.
Konferensi IEEE ke-45 onDecision andControl (CDC 2006). SanDiego, AS,
Desember
12 - 25, pp. 2589–2594 (2006)
20. Samuelson, P. A .: Pemilihan Portofolio Seumur Hidup oleh Pemrograman
Stochastic Dinamis.
Tinjauan Ekonomi dan Statistik 51, 239–246 (1969
21. Sharpe, W .: Harga Aset Modal: Teori Ekuilibrium Pasar berdasarkan Ketentuan
Risiko. Journal of Finance 19 (3), 425–442 (1964)
22. Sornette, D., Andersen, J. V., Simonetti, P: Teori Portofolio untuk Fat Tails.
Internasional
Journal of Theoretical and Applied Finance 3 (3), 523–535 (2000)
23. Xia, Y .: Belajar tentang Prediktabilitas: efek ketidakpastian parameter
345
Adil biaya jaminan kematian minimum
kontrak François Quittard-Pinon dan Rivo Randrianarivony
Abstrak. Para penulis menawarkan perspektif baru tentang domain jaminan

kematian minimum kontrak manfaat. Produk-produk ini memiliki fitur khusus
yang menawarkan jaminan kepada investor modal atas kematian. Metodologi
lengkap berdasarkan transformasi Fourier umum adalah diusulkan untuk
menyelidiki dampak lompatan dan suku bunga stokastik. Tulisan ini demikian
extendsMilevsky dan Posner (2001).Kata kunci: kontrak asuransi jiwa, anuitas
variabel, jaminan kematian minimum,
suku bunga stochastic, model lompatan difusi, model kematian
1. Perkenalan
Kontrak yang dianalisis dalam artikel ini adalah kontrak Jaminan Hukuman
Minimum Dijamin (GMDB), yang merupakan kontrak asuransi jiwa yang
berkaitan dengan kelas anuitas variabel (VAS). Untuk pengantar subjek ini, lihat
Hardy [4] dan Bauer, Kling dan Russ [2]. Jaminan yang diberikan, yang hanya
berlaku setelah kematian, dibayar dengan terus dikurangi jumlah kecil dari sub
akun pemegang polis. Itu ditunjukkan dalam bab ini bagaimana caranya biaya ini
dapat ditentukan secara endogen. Smallvsky dan Posner [8] menemukan biaya ini
terlalu mahal oleh perusahaan asuransi sehubungan dengan harga wajar model
mereka. Untuk menjawab teka-teki yang terlalu mahal ini, dampak lonjakan harga
finansial, minat stokastik tarif dan mortalitas dipertimbangkan. Untuk tujuan ini,
model baru diusulkan yang mana Generalises Milevsky dan Posner [8].
2. Kerangka umum dan notasi utama
Risiko keuangan dan kematian .Risiko keuangan terkait dengan risiko pasar
terlebih dahulu karena akun pemegang polis terkait dengan aset keuangan atau
indeks, dan kedua melalui tingkat bunga. Kami menunjukkan dengan proses
stokastik memodelkan tingkat bebas risiko seketika. Faktor diskon
Ditulis pada saat ini, kontrak muncul sebagai posisi panjang pada akun pemegang
polis
346
ditambah posisi panjang pada put option yang ditulis pada akun yang
diasuransikan. Ada dua kata sambutan pesanan: pertama, pemegang polis
memiliki jumlah yang sama seolah-olah dia berinvestasi dalam keuangan pasar
(disisihkan biaya), tetapi memiliki asuransi untuk mendapatkan lebih banyak,
karena opsi put.Kedua, karena T adalah r.v., pilihannya bukan vanilla melainkan
opsi yang tanggal latihan itu sendiri acak (kematian pemegang polis). Yang lain
berbeda dengan analogi pilihan terletak pada kenyataan bahwa dalam hal ini ada
.tidak ada pembayaran di muka. Dalam kontrak ini, investor membayar jaminan
dengan angsuran.Biaya yang dibayarkan merupakan apa yang disebut biaya risiko
M & E. Kami menganggap mereka terus menerus dikurangkan dari akun
pemegang polis pada tingkat proporsional kontraktual Lebih tepatnya, kami
menganggap bahwa dalam interval waktu (t, t + dt), asuransi jiwa perusahaan
menerima? St dt sebagai penghasilan instan. Kami menunjukkan dengan F
kumulatif potongan harga. Fτ adalah biaya akumulasi yang didiskon hingga waktu
τ, yang bisa menjadi a menghentikan waktu untuk proses harga subaccount S.
Kontrak juga dapat dirancang
untuk membatasi tingkat g yang dijamin; dalam literatur VA, ini dikenal sebagai
pembatasan lantai naik.
Persamaan Utama Di bawah pilihan ukuran netral risiko Q, harga wajar opsi
GMDB adalah demikian
G (?) = EQ
δT (S0egT - ST)
dan pada kondisi kehidupan masa depan yang diasuransikan,
G (?) = EQ
EQ
δT (S0egT - ST)
+ | T = t
$
, (4)
yang - dengan mempertimbangkan tanggal kadaluwarsa kontrak - memberi:
G (?) = fx (t) EQ
347
δT (S0egT - ST)
+ | T = tdt. (5)
Jika FT menunjukkan nilai diskon dari semua biaya yang dikumpulkan hingga
waktu T, nilai wajar biaya M & E dapat ditulis
ME (?) = EQ [FT],
yang setelah pengkondisian juga memberi:
ME (?) = EQ
?
EQ [FT | T = t]. (6)
Karena perlindungan hanya dipicu oleh kematian pemegang polis, endogen
harga ekuilibrium dari biaya adalah solusi dalam?, jika ada, dari persamaan
berikut
G (?) = ME (?). (7)
Ini adalah persamaan kunci dari artikel ini. Untuk mengatasinya kita harus
mendefinisikan investor
dinamika akun, membuat asumsi pada proses S, dan, tentu saja, pada kematian.
3. Model penetapan harga

Obligasi nol kupon diasumsikan mematuhi persamaan diferensial stokastik berikut
(SDE) di alam semesta beresiko netral:
dP (t, T)
P (t, T)
= rt dt + σP (t, T) dWt, (8)
di mana P (t, T) adalah harga pada saat t dari obligasi tanpa kupon jatuh tempo
pada waktu T, rt adalah
tingkat bebas risiko seketika, σP (t, T) menggambarkan struktur volatilitas dan W
adalah a
gerak Brown standar.
Untuk memperhitungkan ketergantungan antara subaccount dan bunganya
tarif, kami menyarankan pengenalan korelasi antara bagian diffusive dari
proses subaccount dan dinamika ikatan nol kupon. Akun yang mendasarinya
348
4. Quittard-Pinon dan R. Randrianarivony
Tabel 2. Melonjak dampak, pemegang polis perempuan; r = 6%, g = 5%,

batas 200%
Model kematian Gompertz. Dalam setiap kasus, kolom kiri menampilkan

kepentingan relatif dari
Biaya M & E diberikan oleh rasio M E () / S0. Kolom kanan menampilkan
asuransi tahunan
biaya risiko dalam basis poin (bp).
di mana a> 0. Dalam sekuel, kita akan mengambil σP = 0,033333, a = 1
dan korelasi
antara nol-kupon obligasi dan akun yang mendasari akan ditetapkan pada ρ
= 0,35.
Memasukkan (24) ke (15) memungkinkan perhitungan 2
T:
Hasil yang ditampilkan pada Tabel 3 menunjukkan bahwa tingkat suku bunga
stochastic memiliki yang luar biasa
berdampak pada nilai wajar biaya risiko asuransi tahunan di seluruh usia
pembelian.
Tabel 3 menunjukkan bahwa pembeli pria 60 tahun dapat diminta untuk
membayar biaya risiko
349
setinggi 88,65 bp untuk tunjangan kematian dalam lingkungan tingkat bunga

stokastik.
Dengan demikian, efek tingkat bunga stokastik secara signifikan lebih jelas
daripada
efek lompat. Memang, semakin lama waktu kedewasaan, semakin banyak
lompatan cenderung halus
keluar, maka dampaknya lebih kecil. Di sisi lain, sifat stochastic suku bunga
dirasakan secara mendalam untuk waktu yang khas yang terlibat dalam kontrak
asuransi semacam ini.
Perlu dicatat bahwa biaya risiko asuransi tahunan menurun setelah usia 60. Ini
berkurang setelah usia pembelian tertentu akan diverifikasi lagi dengan angka
yang diberikan
di bagian selanjutnya. Memang, mendekati tanggal pengakhiran kontrak,
ditetapkan pada usia 75
seperti sebelumnya, menjelaskan perilaku ini.
Dampak faktor risiko gabungan

Dampak model kematian pada biaya wajar GMDB ditambahkan dalam ayat ini.
Melnikov dan Romaniuk [17] parameter Gompertz dan Makeham, diperkirakan
dari database kematian Manusia 1959-1999 data kematian, digunakan dalam
sekuel.
Seperti yang diberikan pada Tabel 4, tidak ada lagi perbedaan antara perempuan
dan laki-laki
pemegang polis. Sebaliknya, parameternya diperkirakan di AS.
Pada gambar berikut, kurva yang dilingkari sesuai dengan model tanpa lompatan
dengan
suku bunga konstan. Kurva menyilang sesuai dengan pengenalan Kou
melompat tetapi masih dengan struktur suku bunga jangka waktu tetap. Kurva
kuadrat menambahkan
melompat dan suku bunga stochastic ke kasus tidak melompat. Ketiga kurva ini
dibangun
350
dengan model kematian Gompertz. Kurva yang berbintang memperhitungkan

lompatan akun dan
Tabel 3. Stochastic interest rates impact, pemegang polis laki-laki; g = 5%, batas
200%
Model kematian Gompertz. Dalam setiap kasus, kolom kiri menampilkan

kepentingan relatif dariBiaya M & E diberikan oleh rasio M E () / S0. Kolom
kanan menampilkan asuransi tahunanbiaya risiko.
Tabel 4. Parameter model mortalitas Gompertz (G) dan Makeham (M) untuk
Amerika Serikat [7]
Tabel 5. Dampak mortalitas pada biaya risiko asuransi tahunan (bp), AS; g = 5%,
batas 200%
suku bunga stochastic tetapi mengubah model kematian menjadi Makeham.
Gambar 1
menampilkan biaya asuransi risiko tahunan sehubungan dengan usia pembelian di
AS.
Dari usia 30 tahun hingga sekitar 60 tahun, biaya risiko terus meningkat di semua
model. Ini menurun tajam setelah kontrak berakhir.
351
Dua kurva yang lebih rendah ini sangat mirip dengan struktur jangka waktu
tertentu dari bunga tersebutpengaturan tingkat. Efek lompatan kurang diucapkan
daripada efek tingkat bunga stokastikseperti yang diwakili oleh dua kurva atas.
Pita tipis di mana kurva atas inikebohongan menunjukkan bahwa perubahan
model kematian juga memiliki dampak yang jauh lebih kecil daripadasifat
stochastic suku bunga.
Seperti yang dilaporkan pada Tabel 5, dan ditampilkan pada Gambar 1, perilaku
asuransibiaya risiko sehubungan dengan usia adalah jenis yang sama, apa pun
model yang dipertimbangkan.Namun, dalam tipe ini, perbedaan bisa dilihat.
Pertama, efek thejump saja tidakmengubah biaya sangat banyak tetapi ada lebih
banyak perbedaan ketika suku bunga stochastic
Dampak mortalitas −− AS
diperkenalkan. Dalam hal ini, bayarannya lebih tinggi. Kedua, pilihan kematian
model tidak memiliki dampak yang signifikan.
352
5. Kesimpulan
Untuk menganalisis efek dari risiko lonjakan, tingkat bunga dan kematian
stochastic pada GMDB,makalah ini mengasumsikan proses difusi lompatan
tertentu, yaitu proses Kou, untukkembalinya subaccount pemegang polis dan
struktur suku bunga Vasicek,
sedangkan mortalitasnya adalah tipe Gompertz atau Makeham. Nilai wajar
kontrak adalahdiperoleh dengan menggunakan metodologi berdasarkan analisis
Fourier umum. Itu ditunjukkan itudampak terbesar di antara ketiga faktor risiko
pada biaya GMDB adalah karena stokastiksuku bunga. Melompat dan kematian
memiliki pengaruh yang lebih kecil. Risiko asuransi yang adilbiaya ditemukan
secara signifikan lebih tinggi daripada Milevsky dan Posner [8] melaporkan,tetapi
masih di bawah biaya yang dibutuhkan oleh perusahaan asuransi.
Referensi
1. Ballotta, L., Haberman, S: Masalah penilaian wajar dari opsi anuitas terjamin:
kasus lingkungan mortalitas stokastik. Insur. Matematika. Econ. 38, 195–214
(2006)
2. Bauer, D., Kling, A., Russ, J .: Kerangka harga universal untuk jaminan
minimum
manfaat dalam anuitas variabel. ASTIN Bull. 38, 621–651 (2008)
3. Boyarchenko, S., Levendorkiˇı, S .: Teori Non-Gaussian Merton-Black-
Scholes, vol. 9 dariAdvanced Series tentang Ilmu Statistik dan Probabilitas
Terapan. Dunia Ilmiah, London(2002)
4. Hardy, M .: Jaminan Investasi: Pemodelan dan Manajemen Risiko untuk
Hubungan EkuitasAsuransi jiwa. John Wiley, New Jersey (2003)
5. Kou, S.G .: Model jump-diffusion untuk penentuan harga opsi. Manag. Sci. 48,
1086-1101 (2002)
6. Le Courtois, O., Quittard-Pinon, F: Nilai wajar dari kontrak asuransi jiwa yang
berpartisipasidengan risiko lompat. Geneva Risk Insur. Pny. 33, 106–136 (2008)
7. Melnikov, A., Romaniuk, Y .: Mengevaluasi kinerja Gompertz, Makeham dan
Model kematian Lee-Carter untuk manajemen risiko dengan kontrak unit-linked.
Insur. Matematika.Econ. 39, 310–329 (2006)
353
8. Milevsky, M.A., Posner, S.E .: Opsi titanic: penilaian minimum dijamin

manfaat kematian dalam anuitas variabel dan reksa dana. J. Risiko Insur. 68, 91–
126 (2001)Evaluasi solvabilitas dari dana jaminan pada umumnya
koperasi keuanganJean RoyAbstrak. Makalah ini melaporkan proyek konsultasi
yang tujuannya adalah untuk mengevaluasisolvabilitas dana penjamin dari
Mouvement Desjardins, federasi keuangan besarkoperasi yang berbasis di
Quebec, Kanada. Dana penjamin bertindak sebagai asuransi mutual
internalperusahaan; ia mengumpulkan premi dari 570 serikat kredit lokal dari
federasi dan akanmenyediakan dana ke salah satu serikat kredit lokal yang
menghadapi kesulitan keuangan. Pada saat itu
belajar, aset dari serikat kredit yang diasuransikan berjumlah 79 miliar CA $ dan
dana tersebut memiliki modal sebesar523 juta CA $. Tujuan dari penelitian ini
adalah untuk memperkirakan probabilitas kebangkrutanmendanai berbagai
cakrawala mulai dari satu hingga 15 tahun. Dua pendekatan yang sangat berbeda
digunakan untuk mendapatkan beberapa bentuk validasi silang. Pertama, di bawah
pendekatan yang sangat teragregasi,tiga distribusi statistik teoritis dipasang pada
25 tingkat subsidi tahunan historis.Kedua, model simulasi Monte-Carlo sangat
terpilah dibangun untuk mewakilidinamika keuangan masing-masing credit union
dan guaranteey fund itu sendiri, dengan mempertimbangkan beberapa
150 parameter untuk setiap credit union. Kedua pendekatan itu menyatu dengan
probabilitas yang serupakepailitan untuk dana, yang mengindikasikan bahwa dana
tersebut berada dalam peringkat AAA implisit.Penelitian ini memiliki beberapa
dampak keuangan yang signifikan baik secara internal maupun eksternal.
Kata kunci: analisis solvabilitas, koperasi keuangan, guarantee fund, metode
Monte Carlo,resiko kredit
1. Perkenalan
Konteks regulasi yang dibawa oleh kesepakatan Basel II telah memberikan
dorongan baru untukevaluasi solvabilitas lembaga keuangan. Meskipun
internasional aktif
bank komersial telah berada di garis depan, lembaga keuangan lainnya, seperti
besar
354
koperasi keuangan, juga sangat terlibat. Sifat keuangan terdesentralisasi

koperasi membawa tantangan baru pada proses, seperti yang ditunjukkan oleh
studi kasus di siniakan muncul. Secara khusus, makalah ini akan melaporkan
proyek konsultasi yang tujuannyaadalah untuk mengevaluasi solvabilitas dana
jaminan dari Mouvement Desjardins, afederasi serikat kredit besar yang berbasis
di Quebec, Kanada. Kertas akan diproses sebagaimengikuti. Bagian 2 akan
menggambarkan konteks institusional dan teknis dari penelitian.
Bagian 3 akan menyajikan analisis awal yang dilakukan untuk mengidentifikasi
dan
J. Roy
akhirnya pilih metode yang akan diterapkan. Kedua pendekatan kutub dalam hal
agregasidata diimplementasikan untuk mendapatkan beberapa bentuk validasi
silang. Bagian4 akan mendokumentasikan pendekatan agregat, sedangkan Bagian
5 akan menggambarkan sangatpendekatan terpilah diimplementasikan melalui
model simulasi Monte-Carlo. Bagian6 akan membandingkan hasil dari dua
pendekatan, sedangkan Bagian 7 akan melaporkan
pada beberapa dampak penting dari studi untuk organisasi. Bagian 8 akan
berikan kesimpulannya.
2 Konteks penelitian
Konteks penelitian ini memiliki dua dimensi utama, satu internal, yaitu
institusional
konteks, dan eksternal lainnya, yaitu konteks teknis. Keduanya sekarang akan
menjadi
ditangani.Institusi yang terlibat dalam penelitian ini adalah “Fonds de securit ´ e
Desjardins” atau Desjardins Guaranty Fund (DGF), yang merupakan afiliasi yang
dimiliki sepenuhnya dari PT
"Mouvement Desjardins". The Mouvement Desjardins adalah federasi dari
beberapa 570lokal "caisses populaires" atau credit unions. DGF bertindak sebagai
asuransi mutual internalperusahaan. Ini mengumpulkan premi tahunan dari serikat
kredit lokal dan akan menyediakandana ke salah satu serikat kredit ini dalam
situasi kesulitan keuangan. Pada tahun 2004, DGFmemiliki modal sebesar 523
355
juta CA $, sedangkan serikat kredit yang diasuransikan memiliki total aset79

miliar CA $, yang mengarah ke rasio kapitalisasi sebesar 66,2 basis poin. DGF
telah, padatitik itu, target kapitalisasi dari 100 basis poin. Namun, manajemen
menginginkan sebuahevaluasi formal solvabilitas dana untuk mengkonfirmasi
atau meninjau target ini.Untuk melakukan analisis, data untuk 25 tahun operasi
formal dana tersebuttersedia. Ini menunjukkan bahwa dana tersebut telah
memainkan peran utama dalam menjaga lokalpelarut serikat kredit. Memang, 964
subsidi diberikan kepada 372 serikat kredit yang berbeda
dengan total sekitar 220 juta CA $ yang tidak diindeks dari tahun 1980 hingga
2004. Ini juga perludisebutkan bahwa federasi memainkan peran kunci dalam
mengelola konsolidasijaringan, sehingga jumlah total credit unions turun dari
puncaknya 1465
credit unions pada tahun 1982 hingga 570 pada tahun 2004.Pandangan pertama
pada data menunjukkan bahwa tingkat subsidi rata-rata tahunan, total
subsidiuntuk kredit serikat dibagi dengan total aset ini, adalah 3,245 basis poin,
seperti itumodal saat ini setara dengan cadangan 20,4 tahun pada tingkat rata-rata.
Namun,analisis sepintas dari seri waktu menunjukkan volatilitas tinggi (4,75 basis
poin) dan
seri: satu di 20,8 basis poin pada tahun 1982 dan satu lagi pada 5,8 basis poin
pada tahun 1995.Secara keseluruhan, lima nilai tinggi di atas 5 basis poin dapat
diamati selama periode25 tahun. Selain dari data historis dari dana itu sendiri, data
yang luas juga adatersedia pada serikat kredit yang diasuransikan selama periode
tujuh tahun terakhir, memungkinkanperenungan model yang sangat terpilah-pilah.
Pada saat itu, tinjauan literaturdilakukan untuk mensurvei status praktik saat ini
untuk evaluasi solvabilitasorganisasi serupa.DGF adalah organisasi yang memiliki
banyak kesamaan dengan perusahaan asuransi umum.Dengan demikian literatur
tentang evaluasi solvabilitas perusahaan asuransi AS dan KanadaEvaluasi
solvabilitas dana jaminan pada 297 koperasi keuangan besarditinjau: tiga studi
dari Federal Deposit Corporation oleh Sheehan [5],Bennett [1] dan Kuritzkes et al.
[2] dan studi tentang Asuransi Deposit KanadaKorporasi oleh McIntyre [3].
Secara keseluruhan, survei literatur ini menunjukkan bahwapendekatan dominan
356
untuk memperkirakan solvabilitas perusahaan asuransi deposito adalah

penggunaan kreditmodel simulasi risiko dan tampaknya wajar untuk mengikuti
praktik ini. Namun, sebelumnyamelanjutkan, tampaknya tepat untuk
mengidentifikasi opsi metodologis dan membuat
pilihan yang disengaja.
Evaluasi solvabilitas dana jaminan pada 297 koperasi keuangan besar

ditinjau: tiga studi dari Federal Deposit Corporation oleh Sheehan [5],
Bennett [13 Analisis dan pemilihan metodologi
Proses ini terdiri dari identifikasi berbagai kemungkinan pendekatan,
mengevaluasinya
dan akhirnya memilih satu atau beberapa untuk implementasi. Setelah beberapa
analisis, empat
dimensi muncul untuk mengkarakterisasi pendekatan yang mungkin, yaitu, tingkat
agregasi data, teknik estimasi, kedalaman data historis dan
cakrawala dipertimbangkan untuk masa depan. Bagian berikut akan melihat
masing-masing secara bergantian.
Permintaan akan subsidi oleh serikat kredit tergantung pada kerugian yang mereka
alami
dikenakan, yang tergantung pada risiko yang ditimbulkannya. Pengamatan ini
mengarah untuk dipertimbangkan
serikat kredit sebagai satu kesatuan agregat atau untuk melanjutkan ke analisis
terpilah
masing-masing serikat kredit satu per satu. Demikian pula, risiko total dapat
dianalisis sebagai agregat
semua risiko atau risiko dapat dianalisis secara individual (mis., risiko kredit,
risiko pasar, dan
resiko operasional). Akhirnya, risiko kredit itu sendiri dapat dianalisis di
portfoliolevel atau bisa
dianalisis oleh segmen sesuai dengan jenis, ukuran dan risiko pinjaman.] dan
Kuritzkes et al. [2] dan studi tentang Asuransi Deposit Kanada
357
Korporasi oleh McIntyre [3]. Secara keseluruhan, survei literatur ini menunjukkan
bahwa
pendekatan dominan untuk memperkirakan solvabilitas perusahaan asuransi
deposito adalah penggunaan kredit
model simulasi risiko dan tampaknya wajar untuk mengikuti praktik ini. Namun,
sebelumnya
melanjutkan, tampaknya tepat untuk mengidentifikasi opsi metodologis
Untuk memperkirakan distribusi permintaan untuk subsidi oleh serikat kredit, dua
teknik muncul mungkin. Jika data agregat digunakan, itu mungkin untuk
menyesuaikan
distribusi statistik teoritis ke distribusi historis. Namun jika terpilah
data digunakan, model simulasi Monte Carlo akan lebih tepat untuk
memperkirakan distribusi permintaan untuk subsidi.
Jika data agregat digunakan, 25 tahun data akan tersedia. Di sisi lain
tangan, jika data terpilah digunakan, hanya tujuh tahun data akan tersedia.
Jika distribusi statistik teoritis digunakan, model akan statis dan
horison satu tahun secara logis akan mengikuti dari periode pengamatan tahunan
data historis. Jika model simulasi digunakan, dinamika keuangan kredit
serikat pekerja dan dana penjaminan itu sendiri dapat dimodelkan dan lintasan
dari waktu ke waktu
bisa dibangun. Dalam hal ini, cakrawala 15 tahun dianggap relevan
Seperti yang ditunjukkan di atas, meskipun keempat dimensi tidak

independen, beberapa kombinasi pilihan dapat diimplementasikan dan ini bisa
dipandang sebagai pembentuk spektrum terutama sesuai dengan tingkat agregasi
data,
yang tampaknya menjadi dimensi yang memiliki pengaruh paling kuat pada
pengkondisian
pilihan lain. Dalam terang ini, diputuskan untuk bergerak maju dengan
implementasi
358
dua pilihan kutub, yaitu pendekatan yang sangat teragregasi dan sangat terpilah-
pilah
pendekatan. Tabel 1 merangkum karakteristik masing-masing dari dua pendekatan
ini.
Itu dianggap menarik untuk menerapkan dua pendekatan yang sangat berbeda dan
untuk mengamati
apakah mereka akan menyatu atau tidak dengan hasil yang serupa. Jika kesamaan
diperoleh,
maka efek lintas-validasi akan meningkatkan kepercayaan pada hasil. Jika
ketidaksamaan
J. Roy
Tabel 1. Karakterisasi dari dua pendekatan yang dipilih untuk implementasi
diperoleh, maka analisis harus dilakukan untuk memahami sumber

perbedaan dan akhirnya memutuskan pendekatan mana yang tampaknya lebih
dapat diandalkan. Itu
dua bagian berikutnya akan menggambarkan implementasi dan hasil yang
diperoleh di bawah
dua pendekatan.
4 Pendekatan agregat
Di bawah pendekatan ini, permintaan agregat untuk subsidi oleh serikat kredit
akan
359
Diperkirakan menggunakan 25 pengamatan historis dari tingkat agregat dari

subsidi yang didefinisikan sebagai
jumlah subsidi untuk tahun dibagi dengan total aset serikat kredit
di awal tahun. Tiga distribusi teoritis dipilih, yaitu
Weibull, Gamma dan Lognormal. Masing-masing distribusi ini cocok
distribusi kumulatif historis dari tingkat subsidi. Ketiga distribusi ini
memiliki beberapa fitur umum: mereka dicirikan oleh dua parameter dan mereka
mengakomodasi asimetri
Sebelum memberikan hasil proses estimasi, itu tepat untuk disebutkan
bahwa pendekatan ini menyiratkan dua hipotesis kuat. Pertama, orang harus
berasumsi bahwa permintaan
untuk subsidi telah dan akan terus memiliki distribusi yang stabil pada waktunya.
Ini memang asumsi yang kuat baik sebagai kondisi struktural internal maupun
eksternal
telah berkembang secara signifikan. Secara internal, konsolidasi yang kuat dari
serikat kredit telah dilakukan
tempat yang menghasilkan lebih dari separuh jumlah totalnya sehingga semakin
membesar dan
semoga unit lebih kuat. Secara eksternal, kebijakan moneter dari Bank of Canada
telah
berubah selama bertahun-tahun dan penekanan yang kuat sekarang
mengendalikan inflasi
akan menghindari tingginya suku bunga nominal yang terjadi pada awal 1980-an
dan yang mana
menghasilkan masalah kredit besar-besaran. Kedua, pendekatan ini juga
berasumsi secara implisit
bahwa tidak ada korelasi serial, yang kemungkinan besar bertentangan dengan
kenyataan di sana
jelas periode waktu yang baik dan saat-saat buruk yang diperpanjang selama
beberapa tahun.
360
Secara keseluruhan, asumsi pertama menunjukkan perkiraan yang berlebihan dari

permintaan saat ini, sedangkan
yang kedua dapat menyebabkan meremehkan permintaan dalam periode kesulitan
yang panjang.
Orang mungkin berharap bahwa efek bersih dari dua bias kecil. Akhirnya,
kedalaman
data historis memungkinkan dimasukkannya dua periode kesulitan, yang dapat
mewakili
kesulitan lain yang tidak diketahui yang mungkin timbul di masa depan
Dengan pertimbangan ini, kami memperkirakan parameter dari tiga distribusi

menggunakan OLS non-bias; hasilnya ditunjukkan pada Tabel 2 bersama dengan
berbagai
statistik. Secara keseluruhan, statistik tampaknya menunjukkan kecocokan
distribusi yang cukup baik
ke data historis. Dengan distribusi ini di tangan, satu sekarang perlu mengevaluasi
probabilitas bahwa permintaan untuk subsidi lebih rendah daripada tingkat modal
saat ini.
Harus diingat bahwa nilai-nilai historis telah terjadi dalam rentang interval
dari 0 hingga 20,8 basis poin. Di sisi lain, tingkat modal saat ini adalah 66,2
bp. Dengan demikian seseorang harus mengekstrapolasikan distribusi ke titik
yang lebih dari tiga
kali lebih besar dari nilai terbesar yang pernah diamati. Dengan kesadaran akan
fakta ini, kami
melanjutkan untuk mengevaluasi tiga distribusi diperkirakan pada titik yang
sesuai dengan
tingkat modal saat ini. Tabel 3 menyajikan hasil yang diperoleh bersama
dengan peringkat tersirat menurut skala S & P dan Moody's.
361
Tabel 2. Tiga distribusi perkiraan permintaan agregat untuk subsidi
Seperti dapat diamati, distribusi Weibull dan Gamma memberi sangat mirip hasil,
sedangkan distribusi log-normal menunjukkan probabilitas default yang lebih
tinggi dan karenanya peringkat risiko kredit yang lebih rendah. Di bawah dua
distribusi pertama, garansi dana mencapai peringkat triple A yang tersirat dengan
sangat mudah karena probabilitas default kurang dari 1 basis point sudah cukup
untuk mendapatkan rating ini. Dengan demikian, pendekatan agregat telah
memungkinkan estimasi solvabilitas dari dana. Menerima asumsi yang diakui
kuat, dua dari tiga teoritis distribusi menyebabkan evaluasi yang sangat kuat
terhadap solvabilitas dana, yang ketiga distribusi yang menunjukkan posisi dana
yang agak lemah.
5 Pendekatan terpilah
Di bawah pendekatan terpilah, laporan pendapatan dari masing-masing serikat
kredit disimulasikan
menggunakan enam variabel stokastik: yaitu, pendapatan bunga bersih, kerugian
pinjaman, lainnya
362
pendapatan, pengeluaran lain, biaya operasi dan kerugian operasional. Secara

keseluruhan, enam ini
variabel dimaksudkan untuk menangkap risiko suku bunga, risiko pasar, risiko
kredit dan operasional
risiko. Setelah laporan pendapatan disimulasikan, neraca kredit
serikat pekerja dihitung. Jika modal berada di bawah persyaratan peraturan, maka
a
permintaan subsidi pada dana jaminan akan dihasilkan. Setelah total permintaan
subsidi dihitung, laporan keuangan dari dana jaminan disimulasikan.
Lintasan yang mensimulasikan 15 tahun berturut-turut dijalankan menggunakan
50 000 percobaan untuk
mendapatkan distribusi tingkat modal dana dan dengan demikian memperkirakan
solvabilitasnya
selama 15 tahun horison.
Mari kita sekarang meneliti lebih lanjut tentang bagaimana enam variabel
stokastik dimodelkan.Perhatian khusus ditujukan untuk risiko kredit, karena
diyakini menjadi yang paling pentingsumber risiko. Dengan demikian, portofolio
pinjaman masing-masing serikat kredit pada gilirannya dibagi menjadisepuluh
jenis pinjaman, yaitu: pinjaman konsumen, hipotek, pinjaman investasi, komersial
pinjaman, pinjaman pertanian, lembaga pemilihan, jalur kredit untuk perorangan,
komersial
jalur kredit, jalur kredit pertanian dan jalur kredit institusional. Pada gilirannya,
masing-masing
dari sepuluh jenis pinjaman ini dibagi menjadi tiga kategori ukuran, yaitu: di
bawah ini
$ 100 000, antara $ 100 000 dan $ 1 000 000, dan di atas $ 1 000 000. Sekarang,
untuk masing-masing30 segmen kredit ini, lima parameter historis tersedia:
probabilitasdefault (PD), eksposisi pada default (EAD), theloss given default
(LGD), angkapinjaman di segmen (N) dan faktor korelasi dengan ekonomi laten
globalfaktor (ρ). Model tipe Merton kemudian digunakan. Pertama, nilai ekonomi
latenfaktor ditarik dan kemudian PD dari setiap segmen dikondisikan pada
363
nilainya. Kedua,jumlah default (ND) dalam suatu segmen dihasilkan dengan

distribusi binomialmenggunakan jumlah pinjaman di segmen N dan PD bersyarat.
Akhirnya, pinjaman
kerugian diperoleh sebagai produk dari jumlah ND default, eksposur pada
defaultEAD dan kerugian diberikan LGD default. Lima variabel stokastik lainnya
disimulasikanmenggunakan distribusi normal menggunakan nilai yang diharapkan
dan standar deviasi. Dua setasumsi yang digunakan: kasus dasar menggunakan
nilai-nilai historis dan kasus yang ditekankan di manastandar deviasi meningkat
sebesar 50% untuk mewakili risiko yang lebih tinggi. Akhirnya,struktur korelasi
dimodelkan. Faktor korelasi serial diasumsikan untukfaktor ekonomi laten (0,5)
untuk mewakili siklus bisnis / kredit, untuk operasibiaya (0,5) dan untuk
pendapatan bunga bersih (0,5) untuk mewakili inersia ini. SEBUAHfaktor
korelasi silang negatif (−0,55) juga diperkenalkan antara bunga bersihpendapatan
dan kerugian operasional
Mengikuti simulasi laporan keuangan serikat kredit, mereka dari dana
jaminan yang dihasilkan. Dana tersebut memiliki dua jenis pendapatan:
pendapatan diperoleh dari investasi aset dan premi yang dikumpulkan dari serikat
kredit. Saya t memiliki tiga jenis pengeluaran utama: biaya administrasi tetap,
pembayaran subsidi kepada serikat kredit yang membutuhkan dan pajak atas
keuntungannya. Nilai-nilai stokastik dihasilkan untuk pendapatan investasi, yang
berkorelasi dengan faktor ekonomi laten, dan untuk subsidi dibayar melalui
simulasi yang dijelaskan dalam ayat di atas. Akhirnya, Evaluasi solvabilitas dana
jaminan pada koperasi keuangan besar 301 dua kebijakan untuk premi
disimulasikan: kebijakan saat ini yang dinyatakan sebagai 1/14 dari 1% dari aset
berisiko dari serikat kredit yang diasuransikan dan santai hipotetis kebijakan 1/17
dari 1% dari aset berisiko. Kebijakan terakhir disimulasikan karena itu diantisipasi
bahwa mengingat modal yang sangat baik dari dana itu bisa mempertahankan
yang baik tingkat solvabilitas sementara mengurangi bebannya pada anggotanya
yang diasuransikan.
Total empat kombinasi skenario disimulasikan berdasarkan
apakahparameter memiliki nilai dasar atau nilai yang ditekankan dan apakah
364
kebijakan untuk premidimodelkan sebagai dasar atau santai. Tabel 4 di bawah ini
menunjukkan hasil untuk masing-masingempat kasus. Probabilitas diperkirakan
selama 15 tahun horison dikonversike cakrawala satu tahun seperti cakrawala
yang terakhir ini yang digunakan untuk referensi berdasarkan penilaian
lembaga seperti S & P dan Moody’s.Sangat mengejutkan bahwa di bawah dua
skenario kasus dasar, tingkat kepailitan adalahjauh lebih rendah dari satu basis
poin, sehingga memungkinkan peringkat kredit tersirat dari AAA kediberikan
kepada dana. Di bawah dua kasus yang ditekankan, tingkat solvabilitas
dekatambang batas diperlukan untuk mendapatkan peringkat triple A. Secara
keseluruhan, model simulasi mengarah kekeyakinan bahwa solvabilitas dana
memang sangat bagus.
Tabel 4. Estimasi solvabilitas dana penjaminan oleh Monte C
6 Perbandingan kedua pendekatan

Sekarang menarik untuk membandingkan hasil yang diperoleh di bawah agregat
dan terpilah
pendekatan. Tabel 5 merangkum hasil ini. Secara keseluruhan, Tabel 5
menyediakan
analisis sensitivitas dari perkiraan solvabilitas dengan berbagai metode dan
hipotesis
tentang distribusi, parameter, dan kebijakan premium. Tentunya, ada yang lebar
margin antara perkiraan terbaik dan terburuk. Namun, terlepas dari log-normal
365
distribusi, semua hasil lainnya pada dasarnya berada dalam kisaran yang sama.
Satu keuntungan yang jelas
model simulasi adalah memungkinkan analisis kasus hipotetis, seperti yang
dilakukan
dalam tiga skenario terakhir dipertimbangkan. Jadi, untuk membuat perbandingan
yang adil antara
pendekatan distribusi statistik dan pendekatan simulasi harus menggunakan yang
pertama
Tabel 5. Ringkasan perkiraan solvabilitas di bawah dua pendekatan
skenario kasus dasar. Kemudian seseorang mengamati bahwa probabilitas

kebangkrutan diperoleh
(0,08 bp) cukup konsisten dengan nilai yang diperoleh menggunakan Weibull dan
Gamma
distribusi (0,05 bp dan 0,04 bp). Pengamatan ini cukup menghibur saat kami
menafsirkan
karena setiap hasil diperkuat oleh yang lain. Sangat mengejutkan bahwa keduanya
pendekatan yang sangat berbeda ternyata menyatu dengan hasil yang pada
dasarnya sama. Secara keseluruhan, itu
dapat disimpulkan bahwa solvabilitas dana penjaminan sangat baik dan bahwa ini
Kesimpulan bisa diambil dengan tingkat kepercayaan yang tinggi mengingat
duplikasi
366
diperoleh.
7 Dampak keuangan dari penelitian
Studi ini memimpin pengelolaan dana untuk mengambil beberapa tindakan
signifikan. Pertama,
rasio modal target, yang sebelumnya ditetapkan menjadi 1% dari aset agregat dari
credit unions, diturunkan ke interval antara 0,55% dan 0,65%, pada dasarnya
sesuai dengan tingkat modal saat ini 0,62%. Kedua, manajemen memutuskan
untuk menurunkan premi yang dibebankan ke serikat kredit. Akhirnya, setoran
dilakukan pada salah satu
serikat kredit dari Desjardins Asuransi juga dijamin oleh setoran publik
perusahaan asuransi yang dikelola oleh Otoritas Pasar Keuangan Quebec (FMA)
dimana
Mouvement Desjardins harus membayar premi tahunan. Studi solvabilitas yang
kami
telah dijelaskan di atas disajikan kepada FMA untuk meminta pengurangan premi
dan setelah pemeriksaan yang cermat, FMA memberikan pengurangan yang
sangat signifikan. Demikian,
orang dapat membantah bahwa penelitian tersebut mencapai tujuannya. Pertama,
ia menyediakan manajemen
guaranteey fund dengan informasi yang diminta, yang merupakan perkiraan yang
beralasan
solvabilitas dana. Kedua, penilaian solvabilitas yang sangat menguntungkan
manajemen diizinkan untuk mengambil beberapa tindakan untuk menuai manfaat
dari negara yang sangat baik
solvabilitas dana.
8 Kesimpulan Studi ini menghadapi tantangan untuk memperkirakan solvabilitas

dana penjaminan 523 juta CA $ mengasuransikan jaringan 570 credit unions
dengan total sekitar 79 miliar CA $ dalam aset diinvestasikan dalam spektrum
luas pribadi, komersial, pertanian dan pinjaman institusional. Sebagai langkah
367
awal, susunan kemungkinan pendekatan sesuai untuk agregasi data, teknik

estimasi, kedalaman data historis dan cakrawala proyeksi diperiksa. Setelah
analisis, ada dua pendekatan kutub dari agregasi data yang dipilih untuk
implementasi. Di bawah agregat pendekatan tiga distribusi statistik dipasang
untuk dua puluh lima pengamatan tahunan dari total tingkat subsidi. Di bawah
pendekatan terpilah, Monte yang rumit Model simulasi Carlo dibentuk dimana
laporan keuangan masing-masing kredit serikat pekerja dan orang-orang dari dana
jaminan itu sendiri dihasilkan, mengintegrasikan empat jenis risiko dan
menggunakan lebih dari 7500 parameter risiko, terutama mewakili risiko kredit
pada tingkat yang sangat tersegmentasi. Simulasi Monte Carlo juga digunakan
untuk mengevaluasi dampak nilai stres parameter risiko dan relaksasi kebijakan
untuk premi yang dibebankan oleh dana. Secara keseluruhan, kedua pendekatan
itu menyatu menjadi serupa perkiraan solvabilitas dana, sehingga memperkuat
tingkat kepercayaan pada hasil. Dengan demikian, solvabilitas dana dapat
dianggap sangat baik baik dalam peringkat triple A tersirat di bawah skenario base
case, dan masih memenuhi syarat, meskipun sedikit, untuk penilaian ini di bawah
hipotesis yang ditekankan. Analisis terperinci dari solvabilitas dana dan evaluasi
yang baik yang dibawanya tiga signifikan dampak keuangan: rasio modal target
dana direvisi ke bawah, yang premi yang dibebankan kepada serikat kredit
dikurangi dan Mouvement Desjardins itu sendiri diperoleh pengurangan yang
cukup besar dari premi yang dibayarkan kepada firma asuransi publik. Tak perlu
dikatakan, manajemen dana penjaminan cukup puas dengan ini hasil. Akhirnya,
diputuskan untuk memperbarui penelitian setiap lima tahun. Dari ini perspektif,
beberapa perbaikan dan ekstensi, yaitu mengenai yang lebih halus pemodelan
faktor risiko selain risiko kredit dan premi yang lebih adaptif kebijakan, sudah
v dan σ2
d adalah tingkat varians masing-masing dan Zv dan
Zd adalah dua gerak standar Brownian dengan koefisien korelasi ρvd, Margrabe
[7]
dan McDonald dan Siegel [8] menunjukkan bahwa nilai SEEO pada pembayaran
dividen
368
aset, ketika tanggal penilaian adalah t = 0, diberikan oleh:
Pendekatan Monte Carlo terhadap opsi pertukaran nilai menggunakan faktor

stokastik tunggal 307 • N (d) adalah distribusi normal standar kumulatif.
Pendekatan simulasi tipikal adalah harga SEEO sebagai nilai harapan arus kas
yang didiskon di bawah probabilitas risiko-netral Q. Jadi, untuk risiko netral versi
Persamaan (1) dan (2), itu cukup untuk menggantikan tingkat pengembalian yang
diharapkan μi oleh suku bunga bebas risiko r plus risiko premium, yaitu μi = r +
λiσi, di mana λi adalah harga risiko pasar aset, untuk i = V, D. Jadi, kita
mendapatkan netral risiko persamaan stokastik:
Proses Brownian d Z ∗ v ≡ d Zv + λvdt dan d Z ∗ d ≡ d Zd + λd dt adalah yang

baru Gerakan Brown di bawah probabilitas risiko-netralQandCov (d Z ∗ v, d Z ∗
d) = ρvd dt. Dengan menerapkan lemma Ito, kita dapat mencapai persamaan untuk
simulasi rasio harga P = V D di bawah ukuran risiko netral Q:
369
Oleh karena itu, menggunakan Persamaan (8), kita dapat menulis:
G. Villani
dua gerakan Brownian di bawah ukuran probabilitas risiko-netral ∼
Q dan Z adalah
gerakan Brownian di bawah ∼
Q independen dari Zˆ d. Dengan gerakan Brownian didefinisikan
dalam Persamaan (11) dan (12), kita dapat menulis ulang Persamaan (7) untuk P
aset di bawah
probabilitas risiko-netral ∼
T. Jadi hasilnya:
370
G. Villani
Tabel 2. Harga simulasi Opsi Bursa Eropa Majemuk (CEEO)
Kita dapat menyimpulkan bahwa efisiensi Effav = σˆ 2

n / 2n
σˆ 2
av / n dan pengenalan antitetik
variates memiliki efek yang sama pada presisi sebagai penggandaan ukuran
sampel Monte Carlo
simulasi jalur.
371
G. Villani [0,90, 1] dan ukuran sampelnya adalah sekitar 440.000. Kita dapat
mengamati bahwa ini bertingkat sampel dapat menjelaskan peningkatan efisiensi
sekitar 23. 6 Kesimpulan Dalam makalah ini kami telah menunjukkan generalisasi
dari metode antithetic dan asampling prosedur untuk menilai opsi pertukaran
meningkat pada simulasi Monte Carlo. Menggunakan aset pengiriman D sebagai
numeraire, kami telah mengurangi bi-dimensi evaluasi untuk satu variabel
Stochastic P yaitu rasio antara aset V dan D. Tetapi evolusi tertentu dari aset P
membutuhkan prosedur sampling baru untuk berkonsentrasi simulasi dalam
rentang di mana P lebih sensitif untuk mengurangi perbedaan. Kertas dapat
ditingkatkan memilih ∗ untuk meminimalkan varians simulasi melalui proses
endogenik. Untuk mewujudkan tujuan ini, simulasi singkat, untuk memperkirakan
beberapa a yang optimal, dan kemudian ∗ -stratifikasi, dapat digunakan.
Pengakuan. Banyak terima kasih kepada pengulas anonim atas komentar

konstruktif mereka.
372
Referensi 1. Armada, M.R., Kryzanowsky, L., Pereira, P.J .: Pertukaran Amerika

Serikat yang dimodifikasi metodologi pilihan diterapkan pada penilaian opsi
nyata. Global Finan. J. 17, 419–438 (2007) 2. Barraquand, J., Martineau. D:
Numerik penilaian multivariat Amerika dimensi tinggi sekuritas. J. Finan.
Bergalah. Anal. 30, 383–405 (1995) 3. Boyle, P .: Pilihan: pendekatan Monte
Carlo. J. Finan. Econ. 4, 323–338 (1977) 4. Broadie, M., Glasserman, P .: Harga
sekuritas bergaya Amerika menggunakan simulasi. J. Econ. Dyn. Kontrol 21,
1323-1392 (1997) 5. Carr, P .: Penilaian peluang pertukaran berurutan. J. Finan.
43, 1235–1256 (1988) 6. Carr, P: Valuasi opsi pertukaran Amerika dengan
aplikasi ke opsi nyata. Di: Trigeorgis, L. (ed.) Pilihan Nyata dalam Penanaman
Modal: Model, Strategi, dan Aplikasi. Praeger, Westport, CT, London (1995) 7.
Margrabe, W .: Nilai dari opsi pertukaran untuk bertukar satu aset dengan yang
lain. J. Finan. 33, 177–186 (1978) 8. McDonald, R.L., Siegel, D.R .: Investasi dan
penilaian perusahaan ketika ada pilihan untuk ditutup. Int. Econ. Rev. 28, 331–
349 (1985) 9. Raymar, S., Zwecher, M .: Sebuah penilaian Monte Carlo dari opsi
panggilan Amerika secara maksimal dari beberapa saham. J. Derivatif 5, 7–23
(1997) 10. Tilley, J .: Menghargai pilihan Amerika dalam model simulasi lintasan.
Trans. Soc. Aktuaris 45, 83–104 (1993)

Matematik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Matematik

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Dampak risiko suku bunga pada sektor perbankan Spanyol

Laura Ballester, Roman´ Ferrer, dan Cristobal´ Gonzalez´

Abstrak.Makalah ini mengkaji eksposur sektor perbankan Spanyol terhadap

Kata kunci: risiko suku bunga, perusahaan perbankan, saham, volatilitas

L. Ballester, R. Ferrer, dan C. Gonzalez´

Rit = ωi + λi Rmt + θi_It + γi log hit + _it (1)

dimana Ri t menunjukkan pengembalian saham bank saya pada periode t, Rm t

tampak risiko suku bunga pada sektor perbankan Spanyol 3

Pendekatan GARCH-M konsisten dengan pola leptokurtosis dan

Ada juga beberapa aspek penting mengenai estimasi model.Masalah pertama

4 L. Ballester, R. Ferrer, dan C. Gonzalez´

Spanyol.Dengan demikian, portofolio L mencakup bank-bank yang telah

Tabel 1. Daftar bank dan komposisi portofolio bank

Portfolios Asset C × 103) Obs. Portfolios Asset C × 103)

BSCH 396,124,995 81 B. Bilbao 100,026,979 85

BBVA 297,433,664 71 Argentaria 69,998,972 80

B. 113,404,303 75 B. Central 68,793,146 75

Banesto 42,332,585 156 Bankinter 15,656,910 156

B. Exterior 32,130,967 51 B. Pastor 8,789,945 156

B. Popular 29,548,620 156 B. Atlantico´ 7,591,378 138

B. 4,597,099 130 B. Galicia 1,726,563 156

B. 4,213,420 156 B. de 1,330,458 156

B. 4,082,463 156 B. de Vitoria 875,974 62

B. 3,521,838 156 B. Credito´ 854,972 156

B. Herrero 2,624,824 95 B. Alicante 835,576 64

B. de 2,151,742 156 B. Simeon´ 686,451 67

Dampak risiko suku bunga pada sektor perbankan Spanyol 5

level.1 Pembentukan portofolio memiliki keuntungan ganda. Pertama, ini adalah

Tabel 2 berisi statistik deskriptif pengembalian portofolio saham bank.Mereka

Tabel 2. Statistik deskriptif dari pengembalian saham portofolio bank

Mean Variance Kurtosi JB Q(12 Q(2 Q2(12) Q2(24)

L 0.01 0.006 0.44∗∗ 5.15∗∗∗ 35.41∗∗∗ 9.63 12.5549.59∗∗∗ 61.6∗∗∗

M 0.01 0.002 − 5.34∗∗∗ 35.82∗∗∗ 9.89 19.5195.92∗∗∗ 109.5∗∗

S 0.01 0.001 2.20∗∗ 13.42∗∗ 833.6∗∗∗ 29.28∗ 35.63 25.93∗∗ 28.35

JB adalah statistik uji Jarque-Bera yang menguji hipotesis nol normalitas

∗∗∗, ∗∗ dan ∗ menunjukkan signifikansi masing-masing pada tingkat 1%, 5% dan

6 L. Ballester, R. Ferrer, dan C. Gonzalez´

Tabel 3. Perkiraan kemungkinan maksimum model GARCH-M yang diperluas

Perubahan suku bunga 3

0.96 −1.12 0.004∗ 0.0003∗ 0.09 0.82 −15.0

(4.99) (17. (−0.0 (9.47 (10.22) (5.6 (54. (−8.5

0.50 −1.31 0.002∗ 0.0004∗ 0.15 0.66 −13.8

(11.04) (10. (−1.1 (8.87 (18.63) (4.7 (27. (−12.

0.27 1. 0.02∗ 0.00009 0.03 0.89 —

(−53.7 (5.12) (−58.5 (12.89) (6.3 (148. —

10-year interest rate

0.89∗∗∗−6.80 0.003∗ 0.0004∗ 0.14 0.79 −45.3

0.03∗∗∗ ∗∗∗ ∗∗ ∗∗ ∗∗∗ ∗∗∗ 4∗∗∗

(9.08) (15. (−7.2 (6.41 (11.02) (6.6 (43. (−8.9

0.48∗∗∗−3.19 0.005∗ 0.0003∗ 0.11 0.78 −30.4

(14.29) (8.8 (−3.0 (12.18 (19.48) (5.1 (48. (−10.

0.25∗∗∗−3.28 −0.01∗ 0.00009 0.04 0.87

(−42.0 (4.2 (−3.3 (−46.5 (13.17) (6.8 (138. —

0.95 −0.32 0.018∗ 0.0003∗ 0.10 0.80 −10.0

(3.24) (15. (−0.9 (3.10) (2.17) (2.0 (11. (−3.7

0.51 0.03 0.007∗ 0.0001∗ 0.08 0.83 9.1

(18.84) (9.7 (0.18 (16.78 (12.45) (5.3 (66. (−5.4

0.26∗∗∗−0.61 −0.03∗ 0.00008 0.02 0.89

(−66.9 (5.2 (−3.2 (−75.2 (12.67) (5.9 (155. —

Tabel ini menunjukkan estimasi kemungkinan maksimum model GARCH (1,1) -

Dampak risiko suku bunga pada sektor perbankan Spanyol 7

Mengenai dampak perubahan suku bunga, θi selalu negatif dan signifikan