MAKALAH

RANDOM WALK

Disusun Guna Memenuhi Tugas Mata Kuliah Fisika Ekonomi

Dosen Pengampu: Prof. Dr. Dra. Erna Frida, M.Si.

Oleh:

Mhd. Zaky Daniyal

200801024

DEPARTEMEN FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

2022
 KATA PENGANTAR

Puji syukur Alhamdulillah penulis ucapkan kepada Allah SWT yang telah melimpahkan
rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan makalah Fisika Ekonomi
mengenai “Random Walk” sesuai dengan waktu yang telah ditentukan.

Pada kesempatan ini penulis mengucapkan terima kasih kepada Prof. Dr. Dra. Erna Frida,
M.Si. selaku dosen pembimbing mata kuliah Fisika Ekonomi di jurusan Fisika Universitas
Sumatera Utara.

Penulis menyadari bahwa masih banyak kekurangan dan keterbatasan dalam penyusunan
makalah ini, oleh karena itu penulis mengharapkan kritik dan saran yang bersifat membangun
dari semua pihak untuk memperbaiki makalah ini.

Akhir kata penulis berharap semoga makalah ini dapat memberikan manfaat pada
khususnya bagi penulis dan pembaca pada umumnya.

Medan, 05 Oktober 2022

Penulis,

Mhd. Zaky Daniyal

i
 DAFTAR ISI

KATA PENGANTAR.................................................................................................................i
DAFTAR ISI..............................................................................................................................ii
BAB I PENDAHULUAN...........................................................................................................1
1.1 Latar Belakang..................................................................................................1
1.2 Rumusan Masalah.............................................................................................1
1.3 Tujuan Penulisan...............................................................................................2
BAB II PEMBAHASAN............................................................................................................3
2.1 Kasus Diskrit Satu Dimensi..............................................................................3
2.2 Limit Kontinu....................................................................................................4
2.3 Teorema Limit Pusat (Central Limit Theorem)................................................6
2.4 Kecepatan Konvergensi....................................................................................8
2.4.1 Teorema 1 Berry–Esséene.....................................................................9
2.4.2 Teorema 2 Berry–Esséene.....................................................................9
2.5 Cekungan Atraksi............................................................................................10
BAB III PENUTUP..................................................................................................................12
3.1 Kesimpulan.....................................................................................................12
DAFTAR PUSTAKA...............................................................................................................13

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Menurut Hughes (1995) dalam bidang Fisika, pengertian dari proses acak tumbuh dari
percobaan untuk menjelaskan suatu proses komplek dalam skala mikroskopik dengan
menggunakan persamaan statistik dari evolusi. Contoh yang nyata adalah gerak Brownian
yang tidak menentu dari partikel debu atau serbuk biji-bijian di dalam larutan yang
disebabkan tabrakan dengan molekul-molekul yang terlarut. Walaupun prosesnya
deterministik (bersifat dapat ditentukan), tetapi pergerakan dari setiap partikel cukup tidak
beraturan sehingga dianggap sebagai acak. Definisi dari langkah acak dapat dijelaskan secara
sederhana sebagai suatu teori matematika dimana seorang pemabuk yang berjalan tanpa
tujuan akan berakhir ditempat yang tidak tentu.

Pasar modal efisien yang mempunyai pola pergerakan acak biasa disebut juga berpola
random walk. Dengan kata lain, informasi yang ada di pasar modal sulit untuk diprediksi,
sehingga pasar modal akan mengalami pergerakan (pola) yang sama dan tidak dapat
diprediksi, karena kondisi pasar akan bergerak dengan cepat ketika saat datangnya informasi
yang baru. Pada saat pasar bergerak seiring dengan informasi yang ada pada saat tertentu,
maka pada saat itulah pasar modal dapat memberikan suatu gambaran yang sebenarnya dalam
keadaan ekonomi nasional, bukan bergerak mengikuti bentuk pola yang bisa diprediksi pada
periode sebelumnya.

Pengujian random walk sendiri menunjukkan bahwa perubahan harga itu bersifat
independen dan merupakan variabel random yang didistribusikan secara identik sehingga
harga di masa yang akan datang tidak bisa diprediksi dengan menggunakan perubahan harga
sebelumnya (Gillet, 2005 dalam Meilani, Mardha Tri (2010)). Random walk model
merupakan model untuk menguji hipotesis efisiensi pasar modal bentuk lemah.

1.2 Rumusan Masalah

1. Apa itu teorema limit pusat?
2. Bagaimana sifat penskalaan dari kepadatan probabilitas kenaikan berjalan?

1
 2

3. Bagaimana penyajian konsep konvergensi asimtotik ke penarik di ruang fungsional

kepadatan probabilitas?

1.3 Tujuan Penulisan

1. Membahas teorema limit pusat.
2. Mempertimbangkan sifat penskalaan dari kepadatan probabilitas kenaikan berjalan.
3. Menyajikan konsep konvergensi asimtotik ke penarik di ruang fungsional
kepadatan probabilitas.
3
 BAB II
PEMBAHASAN

Dalam bab ini kita membahas beberapa sifat statistik dari random walk. Secara khusus, (i)
kita membahas teorema limit pusat, (ii) kita mempertimbangkan sifat penskalaan dari
kepadatan probabilitas kenaikan berjalan, dan (iii) kita menyajikan konsep konvergensi
asimtotik ke penarik di ruang fungsional kepadatan probabilitas.

2.1 Kasus Diskrit Satu Dimensi

Pertimbangkan jumlah n variabel acak independent identically distributed (i.i.d) atau
independen yang terdistribusi identik x i,

(2.1)

Di sini Sn ≡ x ( n Δ t )dapat dianggap sebagai jumlah dari n variabel acak atau sebagai posisi
pejalan kaki tunggal pada waktu t = n Δ t , di mana n adalah jumlah langkah yang dilakukan,
dan pada interval waktu yang diperlukan untuk melakukan satu langkah. Variabel acak
terdistribusi identik \{ x i \} dicirikan oleh momen E \{ x ni \} yang tidak bergantung pada i .
Contoh paling sederhana adalah jalan yang dilakukan dengan mengambil langkah acak
berukuran s , sehingga x i secara acak mengambil nilai ± s. Momen pertama dan kedua untuk
proses tersebut adalah

dan (2.2)

Untuk langkah acak ini

(2.3)

Dari (2.1)-(2.3), maka

(2.4)

dan

(2.5)

4
 5

Untuk random walk, varians dari proses bertambah secara linier dengan jumlah langkah n.
Mulai dari random walk diskrit, limit kontinu dapat dibangun, seperti yang dijelaskan pada
bagian berikutnya.

2.2 Limit Kontinu

Limit kontinu dari random walk dapat dicapai dengan mempertimbangkan limit n → ∞ dan
Δ t → 0 sedemikian rupa t ≡ n Δ t berhingga. Kemudian

(2.6)

Untuk memiliki konsistensi dalam limit-limit n → ∞ atau Δ t → 0 dengan s 2 = DΔ t , maka

(2.7)

Ketergantungan linier dari varians x2 ( t ) pada t adalah karakteristik dari proses difusi, dan D
disebut konstanta difusi.

Proses stokastik ini disebut proses Wiener. Biasanya secara implisit diasumsikan bahwa
untuk n → ∞ atau Δ t → 0 , proses stokastik x(t) adalah proses Gaussian. Kesetaraan

'
'random walk ≡ Gaussian walk'

berlaku hanya jika n → ∞ dan umumnya tidak benar dalam kasus diskrit ketika n berhingga,
karena Sn dicirikan oleh probability density function (pdf) atau fungsi kerapatan probabilitas,
yang secara umum, non-Gaussian dan yang mengasumsikan bentuk Gaussian hanya asimtotik
dengan n. Pdf dari proses, P[x(n∆t)]- atau yang setara P ( Sn ) - adalah fungsi dari n, dan
bersifat arbitrer.

Bagaimana bentuk P[x(n∆t)] berubah terhadap waktu? Dengan asumsi independen,

(2.8)
di mana ⨂ menunjukkan konvolusi. Pada Gbr. 2.1 kita menunjukkan empat pdf yang berbeda
P(x): (i) distribusi delta, (ii) distribusi seragam, (iii) distribusi Gaussian, dan (iv) distribusi
Lorentzian (atau Cauchy). Ketika salah satu dari distribusi ini mencirikan variabel acak x i, pdf
P ( Sn ) berubah seiring bertambahnya n (Gbr. 2.2).
 6

Gbr. 2.1. Contoh fungsi kepadatan probabilitas yang berbeda different probability density
functions (pdfs). Dari atas ke bawah ditunjukkan (i) P ( x ) = δ ( x + 1)/2 + δ( x - 1)/2, (ii) pdf
seragam dengan mean nol dan simpangan baku satuan, (iii) pdf Gaussian dengan mean nol
dan simpangan baku satuan, dan (iv) pdf Lorentzian dengan faktor skala satuan.

Gbr. 2.2. Perilaku P( Sn) untuk i.i.d. variabel acak dengan n = 1,2 untuk pdf dari Gbr. 2.1.

Sedangkan semua distribusi berubah sebagai fungsi dari n, perbedaan diamati antara dua
yang pertama dan distribusi Gaussian dan Lorentzian. Fungsi P( Sn) untuk delta dan untuk
distribusi seragam berubah baik dalam skala dan dalam bentuk fungsional dengan
bertambahnya n, sedangkan distribusi Gaussian dan Lorentzian tidak berubah dalam bentuk
tetapi hanya dalam skala (mereka menjadi lebih luas ketika n meningkat). Ketika bentuk
fungsional P( Sn) sama dengan bentuk fungsional P(x i ), proses stokastik dikatakan stabil. Jadi
proses Gaussian dan Lorentzian stabil tetapi, secara umum, proses stokastik tidak.
 7

2.3 Teorema Limit Pusat (Central Limit Theorem)

n
Misalkan variabel acak Sn terdiri dari banyak bagian x i, Sn = ∑ x i, sedemikian rupa sehingga
i =1

setiap x i, bebas dan dengan varians berhingga , dan

(2.9)

Misalkan lebih lanjut bahwa, ketika σ → ∞, kondisi Lindeberg [94] berlaku,

(2.10)

di mana, untuk setiap ϵ > 0 , U i adalah variabel acak terpotong yang sama dengan x i ketika
|x i| ≤ ϵ σn dan nol sebaliknya. Maka central limit theorem (CLT) menyatakan bahwa

(2.11)

dicirikan oleh pdf Gaussian dengan varians satuan

(2.12)

Bukti formal CLT diberikan dalam teks probabilitas seperti Feller [56].

Dengan menggunakan dua contoh konkret, kita 'mengilustrasikan' titik utama teorema,
konvergensi bertahap P(Sn) ke bentuk Gaussian ketika n meningkat. Dalam contoh, kita
mensimulasikan proses stokastik Sn dengan mengasumsikan bahwa xi dicirikan oleh (i)
segitiga ganda P(xi) (Gbr. 2.3) atau (ii) P(xi) seragam (Gbr. 2.4). Seperti yang diharapkan,
distribusi P(Sn) meluas ketika n meningkat.
 8

Gbr. 2.3. Atas: Simulasi P(Sn) untuk n mulai dari n = 1 hingga n = 250 untuk kasus ketika
P(x) adalah fungsi segitiga ganda (inset). Bawah: Distribusi yang sama menggunakan satuan
skala.

Kita menekankan konvergensi ke distribusi asimtotik Gaussian dengan memplot pdf

menggunakan unit skala, mendefinisikan

(2.13)

dan

(2.14)

Dengan menganalisis pdf skala yang diamati pada nilai n yang besar pada Gbr. 2.3 dan
2.4, kita mencatat bahwa distribusi cepat konvergen ke bentuk fungsional Gaussian varians
satuan (ditampilkan sebagai kurva halus untuk n besar).

Kita menekankan hipotesis mendasar dari CLT. Yang diperlukan adalah independensi
dan varians hingga dari variabel acak xi. Ketika kondisi ini tidak terpenuhi, teorema limit
lainnya harus dipertimbangkan (lihat Bab 4).
 9

Gbr. 2.4. Atas: Simulasi P(Sn) untuk n mulai dari n = 1 sampai n = 50 untuk kasus ketika P(x)
terdistribusi merata. Bawah: Distribusi yang sama dalam satuan skala.

2.4 Kecepatan Konvergensi

Untuk variabel acak independen dengan varians hingga, CLT memastikan bahwa Sn akan
konvergen ke proses stokastik dengan pdf

(2.15)

Seberapa cepat konvergensi ini? Chebyshev menganggap masalah ini sebagai jumlah Sn dari
i.i.d. variabel acak xi. Dia membuktikan [30] bahwa fungsi distribusi berskala yang diberikan
oleh

(2.16)

berbeda dari fungsi distribusi normal berskala asimtotik Φ(S) dengan jumlah

(2.17)

di mana Qj(S) adalah polinomial dalam S, koefisiennya bergantung pada momen j + 2 pertama
dari variabel acak {xi}. Bentuk eksplisit dari polinomial ini dapat ditemukan dalam monografi
Gnedenko dan Kolmogorov tentang distribusi batas [66].
 10

Solusi yang lebih sederhana ditemukan oleh Berry [17] dan Esseen [51]. Hasil mereka
sekarang disebut teorema Berry–Esséen [57]. Teorema Berry–Esséen memberikan
pertidaksamaan sederhana yang mengontrol perbedaan mutlak antara fungsi distribusi
berskala dari proses dan fungsi distribusi normal berskala asimtotik. Namun, ketidaksetaraan
yang diperoleh untuk teorema Berry-Esséen kurang ketat daripada yang diperoleh oleh solusi
Chebyshev dari Persamaan. (3.17).

2.4.1 Teorema 1 Berry–Esséene

Biarkan xi menjadi variabel independen dengan fungsi distribusi umum F sedemikian rupa
sehingga

(2.18)
(2.19)
(2.20)
Kemudian [57], untuk semua S dan n,

(2.21)

Pertidaksamaan (2.21) memberi tahu kita bahwa kecepatan konvergensi dari fungsi distribusi

ke bentuk Gaussian asimtotiknya pada dasarnya dikendalikan oleh rasio momen ketiga
dari nilai absolut xi terhadap pangkat tiga dari standar deviasi xi.

2.4.2 Teorema 2 Berry–Esséene

Teorema 2 adalah generalisasi yang mempertimbangkan variabel acak yang mungkin tidak
terdistribusi secara identik. Biarkan xi menjadi variabel bebas sehingga

(2.22)
(2.23)
(2.24)
 11

Gbr. 2.5. Representasi bergambar konvergensi ke pdf Gaussian PG(S∞) untuk jumlah i.i.d.
variabel acak varian hingga.

dan tentukan

(2.25)
dan

(2.27)
Kemudian [57] untuk semua S dan n,

(2.27)

2.5 Cekungan Atraksi

Studi teorema limit menggunakan konsep cekungan tarik-menarik dari distribusi probabilitas.
Untuk memperkenalkan konsep ini, kami memfokuskan perhatian kami pada perubahan
bentuk fungsional P(Sn) yang terjadi ketika n berubah. Kami membatasi diskusi kami pada
variabel acak terdistribusi identik xi. P(S1) kemudian bertepatan dengan P(xi) dan dicirikan
oleh pilihan yang dibuat dalam memilih variabel acak xi. Ketika n meningkat, P(Sn) mengubah
bentuk fungsionalnya dan, jika hipotesis CLT diverifikasi, mengasumsikan bentuk fungsional
Gaussian untuk nilai n yang besar secara asimtotik. Pdf Gaussian adalah penarik (atau titik
tetap) dalam ruang fungsional pdf untuk semua pdf yang memenuhi persyaratan CLT.
Himpunan pdf tersebut merupakan cekungan daya tarik dari pdf Gaussian.
 12

Pada Gambar 2.5, kita memberikan representasi bergambar dari gerakan P(Sn) seragam
dan eksponensial dalam ruang fungsional pdf, dan membuat sketsa konvergensi ke penarik
Gaussian dari dua proses stokastik Sn. Kedua proses stokastik diperoleh dengan
menjumlahkan n i.i.d. variabel acak xi dan yi. Kedua proses xi dan yi berbeda dalam pdf-nya,
ditunjukkan dengan dimulainya mereka dari daerah yang berbeda dari ruang fungsional.
Ketika n meningkat, kedua pdf P(Sn) menjadi semakin dekat dengan penarik Gaussian PG(S∞).
Jumlah langkah yang diperlukan untuk mengamati konvergensi P(Sn) ke PG(S∞) memberikan
indikasi kecepatan konvergensi dari dua keluarga proses. Meskipun penarik Gaussian adalah
penarik paling penting dalam ruang fungsional pdf, penarik lain juga ada, dan kita akan
membahasnya di bab berikutnya.
13
 BAB III
PENUTUP

3.1 Kesimpulan
Pengujian random walk sendiri menunjukkan bahwa perubahan harga itu bersifat
independen dan merupakan variabel random yang didistribusikan secara identik sehingga
harga di masa yang akan datang tidak bisa diprediksi dengan menggunakan perubahan harga
sebelumnya. Random walk model merupakan model untuk menguji hipotesis efisiensi pasar
modal bentuk lemah.

14
15
 DAFTAR PUSTAKA

Mantegna, R. N., & Stanley, H. E. (2000). An Introduction to Econophysics: Correlations

and Complexity in Finance. Cambridge: The Press Syndicate of the University of
Cambridge.

Pinilih, F. W. (2014). Makalah Fisika Statistik: Pemanfaatan Persamaan Random Walks.

Surakarta: Universitas Sebelas Maret.

Resmiyanto, R. (2014). Nalar Fisika di Pasar Saham: Pengantar Ekonofisika. Edisi 1.

Yogyakarta: GRE Publishing.

16