Forecasting Dan Simulasi

Forecasting dan simulasi harga
Aldin Ardian
Phd candidate, Mining engineering, McGill University

Dosen, Teknik Pertambangan, UPN “Veteran” Yogyakarta
Definisi
• Forecasting adalah teknik untuk memprediksi nilai suatu random variabel di masa depan.
• Contoh metode forecasting, Moving average, exponential smooting, autoregression,
ARIMA-GARCH, dll.
• Pada time series forecasting, variabel yang akan kita prediksi memiliki ketergantungan
dengan waktu sebagai variabel bebasnya.
• Simulasi adalah usaha untuk memperkirakan nilai suatu random variabel dengan batasan
tertentu. Batasan tersebut dapat berupa distribusi probabilitias, radom process, dll.
• Contoh metode simulasi, Monte-Carlo, Geometric brownian motion, mean reversion,
wienner process, dll.
Aldin Ardian - Forecasting dan simulasi harga-
2
aldin.ardian@upnyk.ac.id
Analisis Regresi (regression analysis)
• Adalah teknik forecasting dengan mengkorelasikan suatu variabel

yang diprediksi dengan variabel lainnya atau dengan variabel yang
diprediksi itu sendiri (autoregression).
• Pada regression ada 2 jenis variabel. Variabel terikat dan variabel
bebas.
• Untuk melihat korelasi antar variabel, biasa digunakan metode
korelasi Pearson (ρ).
3
∑ 𝑥% − 𝑥̅ 𝑦% − 𝑦)
ρ=
∑ 𝑥% − 𝑥̅ + ∑ 𝑦% − 𝑦) +
Atau =CORREL (array1, array1)
Korelasi Pearson
Aldin Ardian - Forecasting dan simulasi harga- aldin.ardian@upnyk.ac.id 4
Persamaan regresi linear
-% = 𝑉𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑡𝑒𝑟𝑖𝑘𝑎𝑡 (dependent, explained var., regressand, left-hand side var.)

𝑌
𝑋% = 𝑉𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑏𝑎𝑠 (independent, explanatory var., regressor, right-hand side var.)
QP 𝑆𝑙𝑜𝑝𝑒 𝑐𝑜𝑒𝑓𝑓 = WXY
𝑏
Z,[
\]^ Z
Q_ (𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡) = 𝑌) − 𝑏
𝑏 QP 𝑋)
𝑌) = 𝑁𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑡𝑒𝑟𝑖𝑘𝑎𝑡

𝑋) = 𝑁𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑏𝑎𝑠

5
Regression equation ρ = 0.92
Coefficient of
determination
Actual value of Y
Unexplained
variation in Y
QP ) = 74.65
Slope (𝑏
Predicted
value of Y
Q_ ) = 702.49
Intercept (𝑏 Aldin Ardian - Forecasting dan simulasi harga-
6
Moving average (MA)
• Pada Forecasting, kadang variabel random memiliki tren. MA salah satu
teknik yang digunakan untuk mendeteksi tren. Meskipun MA memiliki
smoothing effect, pada forecasting long-term, MA masih sering diandalkan.
• Sedikitnya terdapat 2 jenis MA. Simpe MA di mana nilai didapat dari nilai
rata-rata sama besar. Weighthed MA di mana nilainya di dapat dengan
memberi pemboboton pada nilai terakhir yang paling besar.
∑i
hjk [h
• 𝑆𝑖𝑚𝑝𝑙𝑒 𝑀𝐴 → 𝑌 =
l
∑i
hjk qh [h
• 𝑊𝑒𝑖𝑔ℎ𝑡𝑒𝑑 𝑀𝐴 → 𝑌 =
∑i
hjk qr
7
Exponential smoothing
• Mirip dengan MA, namun membebani nilai masa lalu dengan nilai konstan.
• Single parameter (α), cocok untuk data yang tidak memiliki tren atau seasonality.
𝑌s = 𝛼𝑌suP + 1 − 𝛼 𝑌Q suP
• Two-parameter (α and β) (Holt’s linear trend model). Memiliki tren (changes in 𝑏_ and 𝑏P ) in its data.
𝑌s = 𝑙suP + 𝑔suP
𝑙s = 𝛼𝑌s + 1 − 𝛼 𝑙suP + 𝑔suP
𝑔s = 𝛽 𝑙s − 𝑙suP + 1 − 𝛽 𝑔suP
• Three-parameter (α, β , γ) (Holt-Winter’s model). It has trend and seasonality. The crucial aspect in this
model is the period. If the series is quarterly data or monthly, the the period are 4 or 12.
𝑌s = 𝑙suP + 𝑔suP 𝑔s = 𝛽 𝑙s − 𝑙suP + 1 − 𝛽 𝑔suP
[r [r
𝑙s = 𝛼 + 1 − 𝛼 𝑙suP + 𝑔suP 𝑆s = 𝛾 + 1 − 𝛾 𝑆su~
yrz{ }r

8
Simulasi Monte-Carlo – 1
• Adalah teknik simulasi dengan melakukan random sampling pada
batasan distribusi probabilitas.
• Teknik ini memberi visualisasi lebih baik terhadap kemungkinan –
kemungkinan (skenario) nilai (outcomes).
• Random sampling dilakukan berkali – kali (1000 hingga 100.000
biasanya).
• Hasil random sampling tersebut dijadikan input pada suatu fungsi.
Sehingga, menghasilkan nilai akhir yang memiliki kisaran (range).
9
Simulasi Monte-Carlo – 2
• Contoh disamping adalah distribusi
normal.
• Titik – titik merah adalah

kemungkinan random variabel yang
terambil.
• Expected value = 600, memiliki

kemungkinan terambil paling besar.
10
Wiener process
Dz = e Dt 𝑋s = 𝑋suP + ∆𝑧s
Wiener process (atau biasa disebut standard brownian motion), merupakan proses
stokastik standard secara kontinus dan memiliki 3 sifat:
1. Markov process
2. Peningkatan waktu (t) independen
3. Perubahan dalam proses dalam waktu terbatas memiliki distribusi Normal
dengan varian meningkat secara linear terhadap interval waktu.

11
Geometric Brownian motion (GBM)
• GBM adalah proses stokastik kontinus dengan rumus:
∆𝑋 = 𝜇Δ𝑡𝑋suP + 𝜎𝜀 Δ𝑡𝑋suP
• Jika diperhatikan, pada GBM terdapat komponen wiener process. Bedanya,

GBM memiliki drift (arah).
• Drift pada GBM ditentukan berdasar persentase nilai 𝜇.
• GBM sangat cocok untuk memodelkan harga, karena selalu berada pada
nilai positif.
12
• Gambar disamping adalah Aluminium price
GBM Wiener process
perbedaan hasil simulasi $2,000
Wiener process dan GBM. $1,950
• GBM terlihat mengarah pada $1,900
$1,850
titik yang sudah ditentukan $1,800
dengan nilai 𝜇 dan 𝜎 $1,750
tertentu (konstan). $1,700
$1,650
• Wiener process cenderung 0 10 20 30 40 50 60
acak mengikuti sifat

distribusi Normal (𝜀).
13
Mean reversion model
• MRM adalah proses stokastik di mana perubahan variabel tidak
sepenuhnya random, namun terikat pada drift-term.
𝑑𝑥s = 𝜅 𝜃 − 𝑥s 𝑑𝑡 + 𝜎 𝑥s 𝑑𝑍s
Where:
𝑥_ = Nilai variabel 𝑥 pada waktu t.
𝜅 = Mean-reversion rate.
𝜃 = Long-term mean (Equilibrium or expected value).
𝜎 = Faktor volatilitas.
𝑇 = Durasi untuk proses yang diinginkan.
𝑍 = Std. Brownian motion. (wiener process).
14
𝑑𝑥s = 𝜅 𝜃 − 𝑥s 𝑑𝑡 + 𝜎 𝑥s 𝑑𝑍s
Komponen mean reversion

Perubahan Komponen acak
(drift term)

15
Penjelasan parameter MRM
The mean-reversion rate (𝜿) menentukan tingkat kecepatan menuju
nilai yang diinginkan. Semakin tinggi 𝜅, semakin cepat mencapai nilai
yang diinginkan. Biasanya 𝜿 merepresentasikan kecepatan tahunan, jika
P
𝜿=2 artinya dalam 6 bulan sudah tercapai .
Š
Simulasi harga Simulasi harga
$1,500 S -1 $2,000 S -1
S -2 S -2
$1,500
$1,000 S -3 S -3
S -4 $1,000 S -4
$500 S -5 S -5
$500
S -6 S -6
$0 $0
0 100 200 300 400 Time 0 100 200 300 400 Time
𝜅 Rendah 𝜅 Tinggi
tercapai 𝜃 = 1,400 pada t 240 (lambat) tercapai 𝜃 = 1,400 pada t 60 (cepat)
16
The long-term mean (𝜽) menggambarkan nilai akhir yang diinginkan
(expected mean value).
𝜃 = 2,000 𝜃 = 1,400

$2,200
$1,600
S -1 S -1
$1,800
S -2 S -2
$1,400 $1,200
S -3 S -3
$1,000
S -4 $800 S -4
$600 S -5 S -5
$200 S -6 $400 S -6
-$200
0 100 200 300 400 $0
0 100 200 300 400
Time
Time
17
Faktor volatilitas (𝜎) menggambarkan bagaimana variansi dari hasil
simulasi. Semakin volatil, semakin jauh variansinya.
Volatilitas rendah Volatilitas tinggi

$1,600.00 $1,800.00 S -1
$1,400.00 S -1 $1,600.00
$1,400.00 S -2
$1,200.00 S -2
$1,200.00 S -3
$1,000.00 S -3 $1,000.00
S -4
$800.00 S -4 $800.00
$600.00 S -5
$600.00 S -5
$400.00 $400.00 S -6
S -6 $200.00
$200.00
$-
$- 0 50 100 150 200 250 300 350
0 50 100 150 200 250 300 350
Time Time

18
Parameter estimation
Paramter MRM dapat diestimasi secara Regresi Linear perbedaan (y)
dengan nilai waktu sebelumnya (x). (Blanco & Soronow, 2001).
Year Gold price Changes Previous
%•s•^‘•’s
2010 1,224.5 Y X 𝑥_ = US$1,392.6/troz 𝜃 =
Š
2011 1,571.5 347 1224.52 ^•s“^• ”s]••]^• •^^X^
2012 1,669.0 97.46 1571.52
𝜅 = Negative slope 𝜎 =
–
2013 1,411.2 -257.75 1668.98
2014 1,266.4 -144.83 1411.23 Excel function:
2015 1,160.1 -106.34 1266.4
Slope = SLOPE (array Y, array X)
2016 1,250.8 90.74 1160.06
2017 1,257.2 6.35 1250.8
Intercept = INTERCEPT (array Y, array X)
2018 1,268.5 11.34 1257.15 RSE = STEYX (array Y, array X)
2019 1,392.6 124.11 1268.49
X0 Aldin Ardian - Forecasting dan simulasi harga-
19
Parameter estimation
Contoh mari kita coba mensimulasikan harga emas 5 tahun ke depan
Year Gold price Changes Previous

2010 1,224.5 Y X 𝑥_ = US$1,392.6/troz 𝜃 = US$1,375.83/troz
2011 1,571.5 347 1224.52
𝜅 = 0.55 𝜎 = 0.115
2012 1,669.0 97.46 1571.52
2013 1,411.2 -257.75 1668.98 𝑥_ = US$1,392.6/troz
GP GP GP GP
2014 1,266.4 -144.83 1411.23 𝜅 = 0.55 Year
Sim 1 Sim 2 Sim 3 Sim 4
2015 1,160.1 -106.34 1266.4 𝜃 = US$1,375.83/troz
2020 1,383.9 1,379.3 1,371.5 1,384.4
2016 1,250.8 90.74 1160.06 𝜎 = 0.115 2021 1,380.1 1,373.5 1,361.9 1,380.7
2017 1,257.2 6.35 1250.8 𝑇 = 5 years 2022 1,378.3 1,379.8 1,357.8 1,379.1
— ˜
2018 1,268.5 11.34 1257.15 d𝑡 = = = 1 2023 1,377.6 1,369.7 1,355.9 1,378.4
%•s•^Y]} ˜
2019 1,392.6 124.11 1268.49 2024 1,377.2 1,369.2 1,355.1 1,378.0
d𝑍 = 𝜀 ∆𝑡 = 0.145
X0
20
Daftar pustaka
• Blanco, C., & Soronow, D. (2001). Mean reverting processes-energy
price processes used for derivatives pricing & risk management.
Commodities Now, 5(2), 68-72.
• Kumral, M. (2020). Commodity prices.

21
Terima kasih
atas perhatian
dan
partisipasinya
Questions
Aldin Ardian - Forecasting dan simulasi harga- aldin.ardian@upnyk.ac.id 22

Forecasting Dan Simulasi

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

Forecasting Dan Simulasi

Diunggah oleh

Hak Cipta:

Format Tersedia

Forecasting dan simulasi harga

Phd candidate, Mining engineering, McGill University

• Adalah teknik forecasting dengan mengkorelasikan suatu variabel

-% = 𝑉𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑡𝑒𝑟𝑖𝑘𝑎𝑡 (dependent, explained var., regressand, left-hand side var.)

𝑌) = 𝑁𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑡𝑒𝑟𝑖𝑘𝑎𝑡

Aldin Ardian - Forecasting dan simulasi harga-

Aldin Ardian - Forecasting dan simulasi harga-

• Titik – titik merah adalah

• Expected value = 600, memiliki

Aldin Ardian - Forecasting dan simulasi harga-

• Jika diperhatikan, pada GBM terdapat komponen wiener process. Bedanya,

• GBM terlihat mengarah pada $1,900

tertentu (konstan). $1,700

acak mengikuti sifat

Komponen mean reversion

Aldin Ardian - Forecasting dan simulasi harga-

Simulasi harga Simulasi harga

Volatilitas rendah Volatilitas tinggi

Simulasi harga Simulasi harga

Aldin Ardian - Forecasting dan simulasi harga-

Year Gold price Changes Previous

Aldin Ardian - Forecasting dan simulasi harga-

Anda mungkin juga menyukai