non-kepastian kami menyiratkan bahwa tertentu spesifik hal mungkin atau tidak
mungkin terjadi dalam future. Tapi kunci pertanyaan yang kita akan suka
dibahas adalah, jika certain tertentu hal mungkin atau mungkin tidak terjadi,
apa saja hal-hal yang bisa terjadi?
Dalam banyak kasus, kita mungkin memiliki yang baik ide cantik apa
semua mungkin terjadi di masadepan, bahkan jika tidak ada yang pasti.
Namun dalam beberapa kasus kita mental kognisi atau kita kolektif pengalaman
doesn't memungkinkan bagi kita untuk membayangkan beberapa yang spesifik
hasil yang dapat terjadi. Misalnya, sebuah menghancurkan meteor decimating hidup
sebagai wek pada planet bumi besokkita. Ini membawa kita pada perbedaan
antara
kemungkinan dan kemungkinan. Sebuah menghancurkan meteor kemungkinan,
karena di stretch iMagination satu dapat yakin bahwa itu bisa terjadi. Namun
menugaskan dipercaya probabilitas tidak akan mudah.
kedua puluh abad Ekonom Frank H. Ksatria adalah orang pertama yang
membuat perbedaan antara risiko dan ketidakpastian (49). Mereka masa
depan keluarcomes yang terukur dan mereka sesuai probabilitas dari occurrence
dapat dinilai ex-ante disebut sebagai risiko. Sementara mereka masa depan
non-tertentu kejadian yang hasil hanya dikenal sebagaikemungkinan, dan
mantan-probabilitas ante sulit untuk menilai, didefinisikan sebagai
ketidakpastian. Kemudian ada juga domain undikenal tidakdiketahui. Ini
adalah kejadian masa depan yang kita tidak bahkan mampu mengidentifikasi
sebagai kemungkinan. Kita tidak akan mampu mencurahkan banyak perhatian
ke tia "tidakdiketahui tidak diketahui 'dalamini buku
Risiko.. Kami hanya mendefinisikan risiko sebagai variabilitas yang dapat
dikuantifikasi dalam hal probabilitas. Dengan definisi ini risk, alat-alat
untuk pengelolaan fu mendatang non-certadalamhubungan dapat secara
efektif diterapkan Tapi semua taruhan tidak ketika kita harus berjalan keluar
dari domain risiko ke dalam wilayah uncer taintyini.. di hari ini's semakin
terhubung dan yang duniakompleks, juga dibuktikan dengan baru-baru
krisiskeuangan, ada banyak abu-abu wilayah antara risiko dan un kepastian.
Surprises bermunculan setiap begitu sering, dan kita harus mengakui
kehadiran dan siap untuk menghadapi ketidakpastian. Alat berdasarkan
simulasi membantu kita juga menilai dampak dari ketidakpastian, dan
dengandemikian, memberikan wawasan untuk lebih baik mengelolament
ketidakpastian. kami akan membawa pembaca perhatian ke ini mana pun tepat.
Predominantly, namun, kami akan peduli dengan risiko dalam diskusi kami
mengukur nd pengelolaan non-kepastian masa depan.
Jika risiko adalah variabilitas dalam masa depan kejadianyang dapat dikuantifikasi
dalam hal probabilitas, satu perbedaan yang diperlukan dalam hal subjektif dan
probabilitasobjektif. Masing-masing dari kita, berdasarkan
keyakinankita, historical data dan bukti dapat memiliki subjektif pandangan
dari probabilitas masa hasildepan. Ini adalah jective probabilitassub. obyektif
Probabilitas adalah mereka yang dapat didukung dengan
buktiobservasional, bukan hanya perkiraansubjektif. TheTujuan probabil
ity memberikan kemungkinan untuk suatu peristiwa terjadinya berdasarkan
analisisdicatat pengamatan dan data. Tidak tersedianya yang relevan atau tidak
cukup data dapat sering mengakibatkan batas antara obyektif dan subyektif
probabilitas menjadi datang agak tipis. Kita perlu ini diingatdan mengunjungi
perbedaan ini jika relevan.
Manajemen risiko, dan untuk itu ketidakpastianmateri, dalam konteks re
quires memahami sumber-sumber untuk ini. risikoSebuah penuh pemahaman dari
sumber-sumber
sayaS
Dipindai DENGAN
CamScanner
Defining
1.1.0.1
Murni Risiko
Setiap dari kita sebagai individu atau sebagai bagian dari yang lebih kelompokbesar,
perusahaan mengidentifikasi modus tertentu operasi
organizasi atau
menjadi kondisinormal. Kami berharap ini menjadi status quo untuk kami
kegiatan hidupnormal, untuk
OIL
OTI
Dipindai DENGAN
CamScanner
Risk Manajemen dan simulatIon
melakukan kami basis tingkat fungsi kehidupan. Ketika kami kembali pulang kerja,
kami berharap untuk menemukan kami rumah lebih atau kurang bagaimana kita
meninggalkannya di pagihari. Ketika kita mengambil penerbangan atau
jalan-perjalanan, kami berharap untuk tiba diyang tujuan utuh dan
roughly dalam beberapa yang durasi waktudiharapkan. ini tidakrmal status quo
Hasil adalah yang terbaik skenario yang memungkinkan kita melakukan
aktivitas kita kehidupan damai dan nyaman.
Namun, kecelakaan dapat terjadi, peristiwa dapat terjadi yang dapat membuat
kita keluar dari normal status quo. Ketika kita mendapatkan terlempar
status quo dalam seperti kasus-kasus itu, karena terjadinya
suatubahagia peristiwa mengakibatkan kerugian. Misalnya, rumah dapat
ditemukan dijarah oleh pencuri, mobil mungkin kerusakan yang
mengakibatkan diperpanjang keterlambatan di tiba di tempat tujuan,
penerbangan mungkin harus dialihkan, atau lebih buruk lagi,
kecelakaan akibat peralatan kerusakan atau yang sangat
cuacakasar. Ini adalah contoh dari variabilitas dalam hasil yang kategoris
mengakibatkan baik normal status quo menjadi mempertahankaned atau
menderita kerugian.
murni Resiko. Kami mendefinisikan murni risiko sebagai variabilitas
diukur segi dari prob kemampuan yang dapat baik mengakibatkan realisasi
Terjadinya kerusakan akibat gempa,
kerugian atau tidak ada kerugian.
banjir, badai, kebakaran, pencurian, sakit, kecelakaan, kematian,
pengangguran, penipuan tindakan dari seorang karyawan, mesin malfunc
tion, dan hackingkomputer, merupakan contoh kerugian peristiwa yang akan
memenuhi syarat untuk risikomurni.
OTS
1.1.0.2 Speculatitelah
Risiko memilikin integral hubungan dengan harapan untuk
hadiah. ini Linkage merupakan inti dari definisi risikospekulatif. Setiap
resiko kita memilih untuk mantan berpose diri untuk yang dapat menghasilkan
kedua yangmenarik, menguntungkan hasil serta kerugian hasil spekulatif di
alam. Individu, perusahaan, dan pemerintah secara sukarela mengekspos
diri mereka untuk spekulatif risiko dalam upaya untuk membuat pos
tanggung yang membantu meningkatkan kondisimereka, sementara pada saat
yangsama mendaftar untuk kemungkinan mereka bisa berakhir menjadi lebih
buruk. Tapi sekali lagi, tidak ada keuntungan tanpa rasasakit.
spekulatif Risiko. Kami mendefinisikanspekulatif risiko seperti variabilitas
diukur segi dari probabilitas yang dapat mengakibatkan realisasi kedua
keuntungan dan kerugian. Perusahaan meluncurkan baru produk dan
layanan dengan harapan menarik baru cus tomers dan meningkatkan penjualan,
tetapi terus-menerus menghadapi risiko melemahnya pesaing
permintaan atau
mengalahkan perusahaan ke pasar. Ini adalah contoh dari risikospekulatif,
karena keduanya keuntungan dan kerugian hasil dapat terjadi. harus
Perusahaan memilih dan manusia usia risiko bijaksana sehingga hasil dan
mereka kemungkinan yang paling menguntungkan.
Individu harus memutuskan untuk mengalokasikan mereka tabungan di
kendaraaninvestasi, seperti, saham, reksa dana, tabungan, realestate, dll.
Semua ini dalam jubah dapat bekerja untuk memberikan yang tinggi
pengembalian untuk investor, tetapi dapat juga menderita kerugian karena
berbagai alasan. Ini adalah mendasar spekulatif yang risiko. sayaNvestors harus
memilihmereka risiko eksposur yang menghasilkan yang tingkat diinginkan
hadiah untuk yang tepat tingkat dari risiko.
Dipindai DENGAN
CamScanner
Defining
Risiko
Types
Risiko
Risi
ko
Murni
Risiko
Spekulatif Risiko
Pasar
Likuiditas
Pribadi
Kredit
Hukum
Kewajiba
n
Reputasi
Strategis
Operasional
Properti
Bisnis
Bunga
Ekuitas
Komoditi
Mata
1.1.1
KlasifikasiMurni Risiko
Setelah definitipada murni dan risikospekulatif, kita perlu memperluas
klasifikasi lebih lanjut untuk membangun taksonomi risiko. Sebuah
taksonomi adalah penting alat untuk yang efektif risiko management. Ini tetap
benar untuk risikomurni, oleh karena itu kita mempertimbangkan klasifikasi
murni risiko menjadi pribadi, properti, kewajiban, operasional dan
kategorihukum. Ringkasan the taksonomi disediakan pada Gambar 1.1.
Personalrisiko. Ini adalah risiko dari peristiwa yang dapat merugikan satu
orang's. Ini merupakan berbagai risikoindividu. Ini bisa menjadi kehilangan
kesehatan karena sakit atau kecelakaan. Kematian dini dari kepala rumah tangga
dapat menyebabkan penderitaan untuk rumah tangga karena
kewajibanterpenuhi. Kehilangan tetap penghasilan karena pengangguran
bisa menyebabkan gangguan pada kehidupan individu dan nya/
tanggungannya. Ketika individu's tabungan untuk keuangan dukungan
melalui pensiun mulai jatuh pendek, dapat mengakibatkan kesulitan yang
cukupbesar.
properti Risiko. Orang atau perusahaan memiliki properti yang terkena risiko
kerusakan atau kerugian karena berbagai sebab, seperti, kebakaran,
gempabumi, petir, tornado, vandalisme, atau pencurian properti. Hal ini
dapat mengakibatkan langsung kerugian akibat properti yang rusak, dan
tidak langsung kerugian karena properti tidak yang tersedia untuk use oleh
pemilik.
L Risikoiability. Salah satunya adalah hukum bertanggung jawab jika
sesuatu yang kita lakukan hasil tubuh cedera atau properti kerusakan orang
lain. Ini adalah yang sangat nyata resiko bagi indi individu yang terlibat dan
perusahaan. Selainitu, tidak ada batas atas jumlah kerugian untuk
risikokerugian, karena nilai dari orang lain's properti dan membahayakan bisa
ar bitrarily tinggi. Untuk menyelesaikan tekad dan ganti rugi kerugian
sangat yangtinggi hukum biaya juga dapat terjadi sebagai tidak efeklangsung.
Hal ini dapat mengakibatkan
Dipindai DENGAN
CamScanner
Risk Manajemen dan Simulasi
n O1
gadai hak yang ditempatkan pada individu's pendapatan dan keuangan aset untuk
memenuhi keputusanhukum.
OPEration risikoal. Kerugian dapat dikeluarkan oleh perusahaan karena yang tidak
sistemmemadai, kegagalanmanajemen, dan kontrolrusak. Kerugian juga dapat
dikeluarkan oleh organizatipada karena penipuanulent perilaku karyawan, atau
hanya karena selang dalam judgment atau bersenandung error. Di hariini tinggi-
tempat kerjateknologi, komputer sistem kerusakan atau kerusakan dapat mengakibatkan
signifikan termasuk manusia kesalahan oleh penyalahgunaan teknologi, seperti
pushing yang tombolsalah, sengaja menghancurkan file atau memasukkan
yang salah nilai untuk parameter. Akun perbankan ada banyak examples di
mana seorang trader atau seorang karyawan fal sifies atau salah mengartikan
risiko yang timbul in transaksi, yang mengakibatkan yang sangat berat kerusakan
untuk perusahaan, baik moneter dan reputasi
Risikohukum. Sebuah perusahaan atau individu dapat menimbulkan
yang signifikan kerugian karena sadar atau tidak sadar tidak mengikuti aturan hukum
atau peraturan membutuhkan KASIH untuk berbagai alasan. Seorang
pelanggan atau counterparty dapat cukup atau tidak wajar melakukan
hukum tindakan terhadap perusahaan, mengakibatkan yang signifikan
kerugian dari biayahukum. Sebuah counterparty mungkin tidak memiliki
hukum atau peraturan otoritas untuk terlibat dalam transaksi, dan yang
counterparty bisa menuntut untuk menghindari memenuhi kewajibannya
pada kehilangan uang dalam transaksi.
Akhirnya, murni risiko dapat dari tertentu jenis atau jenis fundamental.
partic ular murni Risiko mempengaruhi satu individu atau sekelompok
kecil orang, sementara mendasar murni risiko memiliki lebih banyak makro-
efektingkat. Sebuah liar serangan di gelap gang dalam perjalanan kembali
dari kerja adalah risikotertentu, sementara genosida karena
'pembersihanetnis' adalah risikofundamental. Sebuah tornado melewati
masyarakat dan menyebabkan kerusakan properti adalah contoh dari
risikotertentu, sementara global pemanasan adalah risikofundamental. ini
penting Perbedaan adalah indicatipada ukuran dan besarnya kerugian,
meriting menyenangkandamenpenghitungan yang berbeda pendekatan untuk
mengelola risiko.
Dipindai DENGAN
CamScanner
10
Risiko Manajemen dan simulation
instrumen dengan yang berbeda jatuh tempo berbeda, dan sebagai hasilnya, dapat
membuat ketidakseimbangan dalam panjang-pendek posisi dalam
portofolio. Risikodasar, yang laki-laki tionedsebelumnya, dapat timbul
ketika instrumen denganjatuh tempo merespon sama untuk bunga suku
yang berbeda menyebabkan ketidakcocokan karena tingkat yang tidak
sempurna berkorelasi. Gap Risiko timbul sebagai akibat dari perbedaan
kepekaan aset dan kewajiban untuk perubahan sukubunga.
asing nilai tukar mata uang Risiko. Semakin banyak perusahaan harus
bertransaksi dalam yang berbeda mata uang karena global operasi atau
pasar untuk barang-barangmereka. Mata uang atau asing valuta risiko
timbul dari terbuka atau tidak sempurna lindung nilai posisi dalam mata
uangtertentu. ini Paparan dapat timbul sebagai alami konsekuensi dari ness
operasibusi, belum tentu karena secara eksplisit mengambil menempatkanion
dalam Rencyskr. Hal ini dapat memiliki cukup drastis IMPACt pada
perusahaan dengan potentially menyapu keuntungan. Hal ini dapat
menempatkan sebuah perusahaan pada kerugiankompetitif, dapat
menghasilkan operasi kerugianbesar, dan pada akhirnya, menghambat
pertumbuhan dan investasi. asing valuta Risiko timbul dari yang tidak
sempurna korelasi antara mata hargauang, bunga sukuinternasional, dan
bunga sukudomestik.
Komoditas risk. Variabilitas dalam harga baku bahan tjampada yang cru resmi
bagi produksi perekonomian merupakan risikoini. harga Risiko dari
commodi ikatan berperilaku berbeda dari bunga-rate dan nilai
risikotukar, karena commodity harga sering dikendalikan oleh beberapa
pemasok, yang dapat memperbesar volatilitas. Funbendunganentals
(atau ilikuiditas),
mempengaruhi commodity harga include pasar likuiditas
tingkat kemudahan, dan tingkat biaya penyimpanan komoditi.
Karena alasanini, commodity harga memiliki yang lebih tinggi volatilitas
dan tampilan sud den besar perubahan atau melompat. Komoditas dapat
diklasifikasikan ke dalam kelompokberikut, berdasarkan beberapa umum
bersamaproperti.
ma
Dipindai DENGAN
CamScanner
Defining
Risiko
m
Dipindai dengan
CamScanner
12
Risiko Manajemen dan Simulasi
1.2.1
Random Variabel dan Probability
random Variabel adalah variabel yang mewakili risiko yang mengambil satu
tertentu set dari nilai-nilai, tapi setiap kali satu membuat evaluasi
(pengamatan variabel, dibutuhkan pada nilai-nilai secaraacak.
Ruangsampel, 12, seperti yang dijelaskan sebelumnya, adalah colleksi of
possibilidasi karena risiko. Sementara eleKASIH dalam sAMPLe ruang mungkin
tidak numerik, seperti, dua sisi mata uang pada melemparkan koin, kita
ingin acak variabel untuk mengambil numerik nilai-nilai Oleh karenaitu,
kami menunjukkan suatu sampel ruang menjadi lakukanutama untuk
variabelacak, di mana acak variabel memetakan mungkin non-numerik) unsur
dalam 2 sampai satu set nyata nilai (X:. 12 + R). Pertimbangkan papan dart di
sebuah ruangan. Ketika saya melemparkan anakpanah, semua
Dipindai DENGAN
CamScanner
Defining
Risiko
13
Dipindai dengan
CamScanner
14
Risk Management and Simulation
3. P(22) = 1.
Properties 1 and 3 are intuitive in saying that likelihoods of all events should be non-
negative and the event of the entire sample space is a certainty, since the
sample space exhaustively includes everything that can happen for a risk.
Property 2 yields an important characteristic to the probability measure in
terms of likelihoods of events that have nothing in common, in that their
likelihoods can be added to determine the collective likelihood of all the events.
It should be noted that as an implication of the above properties of g algebra
and probability measure, P(0) = 0. By properties 1 and 3 of o-algebra, 12-
12 = 0 and ØE A. The rest can be deciphered from properties 2 and 3 of
probability measure, since On 12 = 0 and PØ 2 ) = P(12) = P(12) + P(Ø).
This allows defining for any event A E A, if P(A) = 1, we say that the
event A occurs almost surely (a.s.) or with probability 1 (w.p. 1). By a
similar derivation, for any event, A EA, P(A) = 1 - P(AC), where A
is called
A-complement, and is defined as Ao = 12 – A.
Dipindai dengan
CamScanner
Defining
Risk
15
E[X] = f(x)da,
(1.1)
= xif(li),
(1.2)
O
E[g(x)] = [ g(x)f(x)da,
(1.3)
g(xi)f(xi),
(1.4)
{Ii} where g(x) is a function of the random
variable, X. One specific function use ful to measure the deviations of the
random variable from its expected value is, g(x) = (x – E[X]). This
defines the variance of the random variable. The square root of the
variance is called standard deviation of the random vari able, often denoted by
the symbol, o. In formulas the variance (and standard deviation, o) of a
random variable are defined by,
O2 = [ (x – E[X])?
f(x)dı,
(1.5)
(Xi – E[X])?
f(xi).
(1.6)
Dipindai dengan
CamScanner
16
Risk Management and Simulation
1.2.1.2
Several Random Variables and
Correlation
In risk management, more often than not, we would need to handle many risk
factors simultaneously, therefore we need to develop the
vocabulary of joint properties of several random variables, Xc; i = 1...n.
To begin with, we will take n = 2, and define joint density function, f(x1,
x2), for the pair of discrete random variables, (X1, X2), as f(x1,x2) = P({Xi(W1)
= x1} ({X2(w2) = x2}). As in the case of single random variable,
definition on the exact same lines for continuous random variable will not work.
Hence, we will need to define the joint cumulative distribution function, F(X1, X2), for a
pair of continuous random variables as,
Xi
X2
F(x1,x2)
=
=
J-00
-00
f(41, 42)dyı
dyz,
[ f(+1(1), 12(j)),
{
(1.7)
(1.8)
{x1(i)<x1}{22(1)<12}
where Eqns. (1.7) and (1.8) are for continuous and discrete random
variables, respectively.
For higher than one-dimensional random variables, some additional prop erties
must be defined. One such measure is a joint centrality measure that
captures how a pair of random variables move relative to each other, i.e., when
one takes higher values than its mean, whether the second tends to take
values higher or lower than its mean. We will call this joint centrality moment
the covariance of the random variables, defined by,
poo
Cov(X1, X2)
=|
(x1 - E[X2])(x2 – E[X2])| (C1,
C2)dxıdx2, (1.9)
J-00
-00
=
(x1(i) – E[X1])(x2(j) –
E[X2])f(x1(i), x2(j)).
(1.10
)
{<1(1)} {12()}
We can also write this in more compact notation as, Cov(X1, X2) =
E(X1 -
Dipindai dengan
CamScanner
Defining Risk
17
1.2.1.3
Conditional Probability
Suppose we know that some event has occurred, perhaps defined in terms
of a random variable, that will affect our judgment on the likelihood of
other events, possibly defined in terms of a set of other random variables.
Following the dart example, if we know that the dart I threw did land on the
dart board, then the probability assessment of my scores would become
different, hopefully better! The modified probabilities on having extra information are
the conditional probabilities. Let's say B is an event in the o-algebra, A,
Dipindai dengan
CamScanner
18
Risk Management and Simulation
which could be defined in terms of a random variable X1. For example, B could
be that an even number of 'H's show up when 10 coins are tossed. This
will modify our judgment on the probability of the event of getting
2 'H's. In this example the second event is defined in terms of the same
random variable, however in general this may not be the case. The
conditional probability can be computed as follows:
E[X][B] = | 11f
(*1\B)dx1,
(1.15)
Jx1
or
where the event B could be defined in terms of a second random variable X2
in terms of random variable Xı itself. Additionally, the following
properties can be shown for relationship between conditional
expectation and (uncondi tional) expectation.
(1.16
)
E[X1] = E[X1] =
E(X1|B]P(B) + E[X1|
Bo]P(Bo),
E[X1\B:]P(B;) where
USB; = 12,
Dipindai dengan
CamScanner
Defining
Risk
19
1.2.2
Specific Models of Risk
It won't be too much of an exaggeration if we said that normal distribu tion is the most
popular distribution in finance and risk management. It is a distribution with the
familiar symmetric bell-shape, with the tip of the bell defining the mean
of the distribution, and the thinness of the bell defining the degree of
variability summarized in variance. The probability density function of a
normal distribution is given by,
f(x; 4; 0) = loraze
20*
(1.19)
V2704
where -00 < x < 0, u is the mean and o is the standard deviation of the
distribution. The PDF of the normal distribution looks straightforward, however it
should be noted that finding its integral to determine the CDF for normal
distribution cannot be done analytically. For this purpose,
integration must be done computationally in tools like MATLAB.
This distribution is also called the Gaussian distribution, which is good to know
since later in the book we will define a Gaussian process. When the mean is
set to zero, u = 0, and the standard deviation is set to one, o = 1, the
distribution becomes standard normal, denoted by N(0,1). In days when
computing was done in paper-and-pencil, printed tables with CDF values for
for a general
standard normal distribution were used to compute probabilities
normal distribution. This was facilitated by the fact that oX+u has
a general normal distribution, N(u, o), when X ~ N(0,1). Therefore, u can
be considered the location parameter of the distribution and o is the scale
parameter. A plot of PDF and CDF of normal distribution is provided in Figure
1.2, for different choices of u in the PDF.
Due to the symmetry of the distribution about its mean, P(X < x)
=
OL
Dipindai dengan
CamScanner
20
Risk Management and Simulation
Normal Distribution
(b)
ن
Co
5
10
15
20
5
10
15
20
FIGURE 1.2: (a) Probability density function for normal distribution. (b) Cumulative
distribution function for normal distribution.
The uniform distribution is the simplest possible distribution, and as the name
suggests, its density function is a flat-level curve. We can construct a discrete version of
the uniform distribution also, with finite, say n, number of outcomes equally spaced in
an interval. The continuous uniform distribution has a density function given by,
Defining Risk
Uniform Distribution
(b)
4
5
FIGURE 1.3: (a) Probability density function for uniform distribution. (b Cumulative
distribution function for uniform distribution.
1.2.2.3
Central Limit Theorem
have,
(1.22)
N
22
Risk Management and Simulation
(a)
Display of Central Limit Theorem
in
frequency
frequency
0.48
0.5
0.52
0.54
0.48
0.5
0.52
0.54
frequency
frequency
0.46
0.48
0.5
0.52
0.54
0.46
0.48
0.5
0.52
0.54
Defining Risk
23
(a)
Binomial Distribution
(b)
o
5
10
15
o
2
4
6
8
10
FIGURE 1.5: (a) Probability mass function for binomial distribution. (b) Cumulative
distribution function for binomial distribution.
1.2.2.4
Binomial Distribution
This is the first discrete random variable we consider. Binomial distribu tion is built
based on Bernoulli distribution, which describes a Bernoulli trial. Bernoulli trial is any
risk that has only two possible outcomes - marked 'suc cess' and 'failure'. For
example, a bet on a toss of a coin will either make you win when a heads is
realized, or lose when a tails shows up. In a duration of a year, a bond will either
not default (labeled as 'success') or end up defaulting (labeled as 'failure”).
Binomial distribution looks at a collection, say of size N, of Bernoulli trials, and measures
Therefore, the range
the number of times success is obtained among the N trials.
of values for a binomial random variable is {0, 1, ...,N}. The probability
mass function for a binomial distribution is given by,
N!
f (Li; N,p) = -M
pi (1 – p)=*i, for xi {0, 1, ..., N},
(1.23)
1.2.2.5
Poisson Distribution
tribution.
The most popular distribution for the study of queues is the Poisson dis
Like binomial distribution, Poisson is a counting distribution, i.e., it
is discrete and takes integral values from 0 to oo. Therefore, while in theory
it can assume an arbitrarily large value, we will observe that the probability
of large values drops sharply. Study of queues is a vast and important
topic, since queues are encountered in numerous contexts where people or
things must wait to get jobs processed or service received. Efficiency of
these pro
(a)
Poisson
Distribution
(b)
-
5
10
15
20
*
5
10
1
5
20
FIGURE 1.6: (a) Probability mass function for Poisson distribution. (b) Cumulative
distribution function for Poisson distribution.
where defines the rate of arrival or occurrence of the event and, as before, x!
denotes x-factorial. ) is a single parameter that defines this distribution, which
also happens to be the mean and the standard deviation of Poisson
distribution, and is stated as a rate. Figure 1.6 displays the probability
mass function and cumulative distribution function for a set of choice of
param eters. We notice that the probability mass function peaks around the
mean value, , and decays rapidly on both sides of the peak. Hence, even
though theoretically there can be infinite outcomes, the probability of the
arbitrarily large values being realized is minuscule.
1.2.2.6
Exponential Distribution
We switch our attention back to continuous random variables, and look at a
distribution that is closely related to the Poisson distribution. Exponential distribution is
a positive valued distribution, and as it turns out, has a simple
Dipindai dengan
CamScanner
Defining
Risk
25
Exponential Distribution
roj
lambda = 1 -lambda = 5
lambda = 10
-
pdf function, f(x)
cdf function, F(x)
+
lambda =
10
6
8
10
5
10
15
20
mean
Dipindai dengan
CamScanner
26
Risk Management and Simulation
Weibull Distribution
(b)
15.
5
10
15
20
1.2.2.7
Weibull Distribution
(1.27)
f(x; B, a) = PE)8-16 (d), for 0 <x<,
= 0, for x < 0.
Defining Risk
27
Lognormal Distribution
(a)
(b)
- sigma = 0.5
sigma = 1.0 sigma = 1.5
pdf function, f(x)
cdf function, F(x)
*
sigma = 0.5
ou
i
į
3
4
5
10
15
20
Y
OTIT
As opposed to the normal distribution, precisely due to the nature of change of variable,
the lognormal distribution is a positive valued random variable. This is a particular
advantage in modeling risks that must be positive in value, such as
equity prices. Moreover, for different choice of parameter o, the
distribution takes different shapes. This is demonstrated in the probability density
plots of Figure 1.9. The mean and standard deviation, expressed in terms of mean
(u) and standard deviation (0) of the underlying normal, are ett; and
(eo? – 1)e2u+o?, respectively.
n
28
Risk Management and Simulation
Chi-square Distribution
(b)
1.5
TENDO
"k=1
k=3 Esk=5
pdf function, f(x)
cdf function, F(x)
----...k=1]
**k
=
1
4
6
8
1
1
2
4
6
8
10
X
FIGURE 1.10: (a) Probability density function for Chi-square distribution. (b)
Cumulative distribution function for Chi-square distribution.
ms
(1.29)
f(x;k) =
=
NUMARŽ-12-3, for 0 < x <, 2k/21 0, for x<0.
The mean and standard deviation of Chi-square distribution is k and v2k
respectively. We display probability density and distribution functions for Chi
square distribution in Figure 1.10. From its nature of construction, Chi-
square distribution is positive valued, and its PDF takes on different
shapes for in creasing value of degrees of freedom.
Chi-square distribution is extensively used in inferential statistics, such as
Defining Risk
29
Gamma Distribution
(b)
............ k = 1, alpha = 2
- k = 3, alpha = 2 Du k = 5, alpha = 1
pdf function, f(x)
cdf function, F(x)
1111k=1, alpha = 2
1
5
10
5
10
15
20
FIGURE 1.11: (a) Probability density function for gamma distribution. (b Cumulative
distribution function for gamma distribution.
in goodness-of-fit tests. If the normal random variables being used to con struct a Chi-
square random variable do not have a zero mean, then the sum of square
of normal random variables has non-central Chi-square distribu tion. Chi-
square and non-central Chi-square distribution are also used for the analysis of
key financial risk factors.
(1.30)
f(x;a,k) = 2k-1 tim, for 0 < x <0
= 0, for x < 0.
ne
I
2
пта |
Defining
Risk
31
Dipindai dengan
CamScanner
32
Risk Management and
Simulation
HT
on
horn
20. How is the Weibull random variable model an extension of the exponen
tial model? What risks is the model used for?
21. How are the Chi-square and the Gamma random variable models con
structed from the simpler distributions? What risks are the models used for?
Latihan
Dipindai dengan
CamScanner
Defining
Risk
33
This is the double-exponential risk model, where we will set p= 0.3 and X= 0.02. All
demands are in thousand (000) its. Use MATLAB to perform the following
computations.
(a) For what value of 'c' is this a legitimate joint density function? (b)
What is the probability of the first risk exceeding
in value than the
second, i.e., P(X >Y)? (c)
Determine P(X+Y > 1).
4. The relation between two risks is summarized in the following joint den
sity function,
Dipindai dengan
CamScanner
34
Risk Management and Simulation
1.4 Summary
Risk is ubiquitous, therefore for living a better life in the personal or pro fessional
realm, one needs to understand the meaning and implication of risk. This
understanding should translate to a smarter management of risk. In this chapter,
we defined risk and developed a typology of risk. The classification of risk helps
isolate properties of risk that will help determine the appropriate tools for
managing the risk. After the classification of risk, formalization for the
quantitative definition of risk was developed. Definition of random vari ables and
the properties of probability measure developed in this chapter are
fundamental to the models for risk management developed in later
chapters. Finally, we introduced certain specific models of risk and
studied their prop erties, as examples of the general concept of
probability distribution. These specific models of risk will be useful in
various risk management applications.
Dipindai dengan
CamScanner
Chapter 1
Defining Risk
The awareness that happenings of the future cannot be determined with cer tainty
must have arrived quite early to prehistoric man. However, completely
grasping the notion of risk remains an ongoing process. The reason for this is
over the millennia, and especially in the past few centuries, we have
created an increasingly complex and interdependent habitat. Man no longer
fends for himself and his small family unit by growing food and building shelter.
In stead we depend on people and their efforts across the globe for every
single and simplest of our needs. Therefore the happenings of the future
at far and wide locations of the globe that cannot be determined with certainty
potential of affecting our happiness, well-being, and even
hold the
subsistence.
The gravity of the situation has not gone unnoticed. Human enquiry has made
significant efforts to grasp the implications of non-certainty
enings of the future. That is, while certainty is unattainable, what can we
comprehend and say about the future happenings that can help improve the
condition. In fact, humanity has thrived through the ages due to its capac ity and
capability to create mechanisms to manage risks. The efforts to un
derstand and tame risk have been nontrivial, defining fields and disciplines
of study that have engaged our energies for centuries. From
mathematician Daniel Bernoulli's pioneering work and contributions in
probability and statis tics [9] to the contributions of some of the eminent
Nobel laureate economists of the 20th century, such as, Harry Markowitz,
Bill Sharpe, Franco Modigliani, Merton Miller, Fischer Black, Myron Scholes, and
Robert Merton – all hav attempted to grasp the implication of risk and significance of
its management in human enterprise.
The non-certainty of future happenings and risk is not all bad. In fact, quite the
contrary. Every new age, every new development, every new technology has
posed, and will continue to pose, a new challenge to humanity of tackling
a new spectrum of risks. Tackling risks and management of risk creates
opportunities for growth and reaching new heights of prosperity. Since risk is
ubiquitous and permanent, humanity's continued success lies in its ability to
develop skills to out-smart the risks and make decisions in light of the risks that
are sustaining and thriving.
From the above discussion, it may appear that we are suggesting the non
certainty of happenings of the future to be the definition of risk. This may
be a workable definition, but to make the definition more effective, we will
choose to make an additional qualification through the definition of risk. By
non
Dipindai dengan
CamScanner