Akan dibangun proses Wiener 𝑊(𝑡) yang dikaitkan dengan situasi untuk ℎ → 0. Perhatikan
proses W pada saat 𝑡 = 𝑛ℎ dengan mengambil n langkah waktu dengan lebar selang waktu h
untuk sampai ke saat t . Sehingga 𝑊(𝑡) dihampiri oleh n inkremen acak dengan variansi h :
𝑊𝑛 = 𝑊𝑛−1 + √ℎ 𝑍𝑛−1
= 𝑊0 + ∑𝑛−1
𝑗=0 √ℎ 𝑍𝑗
= 𝑊𝑙 + ∑𝑙+𝑛−1
𝑗=𝑙 √ℎ 𝑍𝑗
Karena ∑𝑙+𝑛−1
𝑗=𝑙 √ℎ 𝑍𝑗 ~ 𝑁(0, 𝑛ℎ) = 𝑁(0, 𝑡) maka
bebas dari 𝑊(𝑡) untuk 𝑡 ≤ 𝑠 . Jadi setelah saat 𝑡 = 𝑠 , perubahan pada proses W dari W(s) tidak
bergantung (bebas) dari W(t) untuk t ≤ s .
Definisi. Proses Wiener atau Gerak Brown, dinotasikan 𝑊(𝑡), memenuhi sifat-sifat berikut :
∗ 𝑊(𝑡) kontinu
∗ 𝑊(0) = 0
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡) untuk 𝑡, 𝑠 ≥ 0
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) bebas dari proses sebelum saat 𝑠
Kontinu tapi tidak diferensiabel
Telah diketahui bahwa 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡). Selanjutnya untuk t yang kecil kita
tuliskan 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) = √𝑡 𝑍𝑡 dengan 𝑍𝑡 ~ 𝑁(0,1). Walaupun 𝑍𝑡 nilainya berubah
terhadap t , tetapi karena berasal dari distribusi normal dengan rataan 0 dan variansi 1, sehingga
bila 𝑡 → 0, maka hampir pasti √𝑡 𝑍𝑡 → 0. Maka juga hampir pasti 𝑊(𝑡 + 𝑠) → 𝑊(𝑠) bila 𝑡 → 0
sehingga W kontinu (hampir pasti).
Selanjutnya akan diberikan ilustrasi bahwa proses Wiener tidak diferensiabel dimana-mana. Jika
suatu fungsi f diferensiabel di titik s, maka 𝑓(𝑡 + 𝑠) − 𝑓(𝑠) ≈ 𝑡𝑓 ′(𝑠) . Jadi 𝑓(𝑡 + 𝑠) − 𝑓(𝑠)
turun secara linear terhadap t . Sementara itu untuk proses Wiener 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) turun
secara lebih lambat mengikuti √𝑡 . Jadi proses Wiener memiliki ‘kemiringan’ garis singgung
yang jauh lebih curam dan lebih ‘berosilasi’ dibandingkan fungsi-fungsi yang diferensiabel.
(Sebagai contoh untuk 𝑓(𝑡) = 𝑒 𝑡 , maka 𝑓(𝑡 + 𝑠) − 𝑓(𝑠) = 𝑒 𝑡+𝑠 − 𝑒 𝑠 = (𝑒 𝑡 − 1)𝑒 𝑠 ≈ 𝑡 𝑒 𝑠 ).
Ini mengindikasikan bahwa proses Wiener memiliki ‘infinite slope’ disetiap titik sehingga tidak
diferensiabel dimana-mana.
Contoh 1. Diberikan 𝑍 ~ 𝑁(0,1) . Selidiki apakah 𝑊(𝑡) = 𝑍√𝑡 suatu proses Wiener ?
∗ 𝑊(𝑡) kontinu ? Ya, jelas dipenuhi.
∗ 𝑊(0) = 0 ? Ya, jelas dipenuhi.
∗ 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) ~ 𝑁(0, 𝑡) untuk 𝑡, 𝑠 ≥ 0 ? Perhatikan 𝑊(𝑡 + 𝑠) − 𝑊(𝑠) =
2
𝑍(√𝑡 + 𝑠 − √𝑠) ; yang memiliki variansi (√𝑡 + 𝑠 − √𝑠) = 𝑡 − 2√𝑠(𝑡 + 𝑠) ≠ 𝑡 sehingga
𝑊(𝑡) tidak memenuhi sifat ke 3.
Jadi walaupun 𝑊(𝑡) = 𝑍√𝑡 ~ 𝑁(0, 𝑡) tetapi karena tidak memenuhi seluruh sifat proses Wiener
maka dia bukan proses Wiener.
Contoh 2. Diberikan 𝑊(𝑡) dan 𝑊 ̃ (𝑡) dua buah proses Wiener yang saling bebas dan bilangan 𝜌
dengan 0 < 𝜌 < 1 . Perlihatkan bahwa kombinasi linear 𝑋(𝑡) = 𝜌 𝑊(𝑡) + √1 − 𝜌2 𝑊 ̃ (𝑡) juga
merupakan suatu proses Wiener.
Berikut ini suatu script simulasi proses Wiener
% Realisasi Proses Wiener (disebut juga Gerak Brown) W(t)
clc
m = 1 ; % satu simulasi lintasan
%m = 3 ; % tiga simulasi lintasan
n = 300 ;
t = linspace(0,1,n+1)' ;
h = diff(t(1:2)) ;
dw = sqrt(h) * randn(n,m) ;
w = cumsum([zeros(1,m) ; dw]) ;
plot(t,w)
xlabel('t')
ylabel('W(t)')
grid on
title ('Realisasi Proses Wiener ( disebut juga Gerak Brown )')
𝑆𝑗+1 = 𝑆𝑗 + 𝜇 𝑆𝑗 ℎ + 𝜎 𝑆𝑗 √ℎ 𝑍𝑗 dengan ℎ = ∆𝑡
Berikut script simulasi nya, dengan mengambil 𝑆0 = 2 , 𝜇 = 2 , 𝜎 = 0.2 , 0.5 dan 1.5
% Simulasi pergerakan harga saham dengan model PDS
% dS = mu.S.dt + sigma.S.dW
%mu = 2 ; sigma = 0.2 ;
mu = 2 ; sigma = 0.5 ;
%mu = 2 ; sigma = 1.5 ;
n = 1000 ; m = 5 ;
t = linspace(0,1,n+1)' ;
h = diff(t(1:2)) ;
s = 2*ones(n+1,m) ;
for j = 1 : n
dw = randn(1,m) * sqrt(h) ;
s(j+1,:) = s(j,:) + mu*s(j,:)*h +sigma*s(j,:).*dw ;
end
plot(t,s)
grid on
xlabel('t')
ylabel('S(t)','rotation',0)
title ('Simulasi gerak Brown eksponensial untuk harga saham ')
yang menghasilkan
𝑋𝑛 − 𝑋0 = 𝜇 (𝑡𝑛 − 𝑡0 ) + 𝜎 (𝑊𝑛 − 𝑊0 )
𝑋𝑛 = 𝑋0 + 𝜇 𝑡𝑛 + 𝜎 𝑊𝑛 karena 𝑡0 = 𝑊0 = 0
Sehingga dengan mengambil 𝑚𝑎𝑘𝑠𝑗 ∆𝑡𝑗 → 0 diperoleh solusi
𝑋(𝑡) = 𝑋0 + 𝜇 𝑡 + 𝜎 𝑊(𝑡) .
Perhatikan
1 2
= (𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 ) − (𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 ) + ⋯
2
1 2 1 2
= 𝜇 ∆𝑡𝑗 + 𝜎 ∆𝑊𝑗 − 𝜇2 (∆𝑡𝑗 ) − 𝜇 𝜎 ∆𝑡𝑗 ∆𝑊𝑗 − 𝜎 2 (∆𝑊𝑗 ) + ⋯
2 2
yang menghasilkan
1
𝑋(𝑡) = 𝑋0 exp [(𝜇 − 𝜎 2 ) 𝑡 + 𝜎 𝑊(𝑡)]
2
∑𝑛−1 𝑛−1 2
𝑗=0 ∆𝑡𝑗 ∆𝑊𝑗 = ℎ ∑𝑗=0 ∆𝑊𝑗 = ℎ 𝑊𝑛 ~ 𝑁(0, ℎ 𝑡) jadi menuju 0 (hampir pasti) bila h → 0.
2 2𝑛−1 2 2
∑𝑛−1 𝑛−1 𝑛−1 𝑛−1
𝑗=0 (∆𝑊𝑗 ) = ∑𝑗=0 (√ℎ𝑍𝑗 ) = ℎ ∑𝑗=0 𝑍𝑗 = ℎ ∑𝑗=0 1 + ℎ ∑𝑗=0 (𝑍𝑗 − 1)
2
= 𝑡𝑛 + 𝑌 dengan 𝑌 = ℎ ∑𝑛−1
𝑗=0 (𝑍𝑗 − 1).
2 2
Khususnya 𝐸[𝑌] = ℎ ∑𝑛−1
𝑗=0 𝐸[𝑍𝑗 − 1] = 0 karena 𝐸[𝑍𝑗 ] = 1.
Sementara itu
2
𝑉𝑎𝑟[𝑌] = ℎ2 ∑𝑛−1
𝑗=0 𝑉𝑎𝑟[𝑍𝑗 − 1] karena 𝑍𝑗 saling bebas
= ℎ2 𝑛 𝐸[𝑍 4 − 2 𝑍 2 + 1] = ℎ2 𝑛 (3 − 2 + 1) = 2 ℎ2 𝑛
= 2 ℎ 𝑡𝑛
→ 0 bila ℎ → 0 untuk seluruh 𝑡𝑛 .
Karena 𝑉𝑎𝑟[𝑌] → 0 dan 𝐸[𝑌] = 0 maka 𝑌 → 0 hampir pasti bila ℎ → 0 .
2
Sehingga ∑𝑛−1
𝑗=0 (∆𝑊𝑗 ) → 𝑡𝑛 hampir pasti .
2 2
Karena ∑𝑛−1 𝑛−1
𝑗=0 (∆𝑊𝑗 ) hampir pasti menuju 𝑡𝑛 = ∑𝑗=0 ∆𝑡𝑗 ini seperti bila " (∆𝑊𝑗 ) = ∆𝑡𝑗 "
𝜕𝑓 𝜕𝑓 𝜕2 𝑓
≈𝑋+ ∆𝑡 + ∆𝑊 + 12 (∆𝑊)2 (dgn "(∆𝑡)2 = ∆𝑡 ∆𝑊 = 0 d an (∆𝑊)2 = ∆𝑡")
𝜕𝑡 𝜕𝑤 𝜕𝑤 2
suatu bentuk khusus dari formula Ito, yang memberikan bentuk diferensial dari proses Ito X yang
bergantung pada suatu proses Wiener.
2
Contoh 1. Tentukan diferensial dari 𝑋(𝑡) = (𝑡 + 𝑊(𝑡)) dan juga PDS untuk 𝑋(𝑡) tersebut.
𝑑𝑋 = [2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊
Contoh 2. Tentukan diferensial dari 𝑋(𝑡) = 𝑐 𝑒𝑥𝑝[𝑎𝑡 + 𝑏𝑊(𝑡)] dan juga PDS untuk 𝑋(𝑡) tsb.
→ Disini 𝑓(𝑡, 𝑤) = 𝑐 𝑒 𝑎𝑡+𝑏𝑤 , sehingga 𝑓𝑡 = 𝑎𝑐 𝑒 𝑎𝑡+𝑏𝑤 , 𝑓𝑤 = 𝑏 𝑐 𝑒 𝑎𝑡+𝑏𝑤 , 𝑓𝑤𝑤 = 𝑏 2 𝑐 𝑒 𝑎𝑡+𝑏𝑤 .
Sehingga dengan formula Ito diatas diperoleh
1
𝑑𝑋 = (𝑎𝑐 𝑒 𝑎𝑡+𝑏𝑤 + 2 𝑏2 𝑐 𝑒 𝑎𝑡+𝑏𝑤) 𝑑𝑡 + 𝑏 𝑐 𝑒 𝑎𝑡+𝑏𝑤 𝑑𝑊
Berikut diberikan bentuk umum dari formula Ito , yang sering dikenal sebagai lemma Ito.
Teorema. (Formula Ito)
Misalkan 𝑓(𝑡, 𝑥) fungsi yang ‘smooth’ dan X suatu proses Ito dengan drift 𝜇(𝑡, 𝑋) dan
volatilitas 𝜎(𝑡, 𝑋) , dengan 𝑑𝑋 = 𝜇 𝑑𝑡 + 𝜎 𝑑𝑊; Maka 𝑌(𝑡) = 𝑓(𝑡, 𝑋(𝑡)) juga suatu proses Ito
dengan bentuk diferensial diberikan oleh :
𝜕𝑓 𝜕𝑓 𝜕2𝑓
𝑑𝑌 = 𝑑𝑡 + 𝑑𝑋 + 12 (𝑑𝑋)2 (∗)
𝜕𝑡 𝜕𝑥 𝜕𝑥 2
Contoh .
2
Telah didapat bahwa bila 𝑋(𝑡) = (𝑡 + 𝑊(𝑡)) , maka 𝑑𝑋 = [2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊 ;
selanjutnya tentukan 𝑑𝑌 untuk 𝑌 = 𝑒 𝑋 .
→ Gunakan formula Ito dengan 𝑓(𝑡, 𝑥) = 𝑒 𝑥 , 𝑓𝑡 = 0 𝑑𝑎𝑛 𝑓𝑥 = 𝑓𝑥𝑥 = 𝑒 𝑥 :
1
𝑑𝑌 = 𝑓𝑥 𝑑𝑋 + 2 𝑓𝑥𝑥 (𝑑𝑋)2
2
= 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊} + 12 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊}
2
= 𝑒 𝑋 {[2 √𝑋 + 1] 𝑑𝑡 + 2 √𝑋 𝑑𝑊 + 1
2
4 (√𝑋) (𝑑𝑊)2 }
= 𝑒 𝑋 {[1 + 2 √𝑋 + 2 𝑋] 𝑑𝑡 + 2 √𝑋 𝑑𝑊}
Catatan
Pada kalkulus diperoleh : 𝑑(𝑓𝑔) = 𝑓 𝑑𝑔 + 𝑔 𝑑𝑓 .
Misalkan 𝑋(𝑡) dan 𝑌(𝑡) dua proses stokastik dengan bentuk diferensial masing-masing
𝑑𝑋 = 𝜇 𝑑𝑡 + 𝜎 𝑑𝑊 dan 𝑑𝑌 = 𝜗 𝑑𝑡 + 𝜌 𝑑𝑊
Maka 𝑑(𝑋𝑌) = (𝑋 + 𝑑𝑋) (𝑌 + 𝑑𝑌) − 𝑋 𝑌
= 𝑋 𝑑𝑌 + 𝑌 𝑑𝑋 + 𝑑𝑋 𝑑𝑌 = 𝑋 𝑑𝑌 + 𝑌 𝑑𝑋 + 𝜎𝜌 𝑑𝑡
dengan mengingat (𝑑𝑊)2 = 𝑑𝑡 , (𝑑𝑡)2 = 0 dan 𝑑𝑡 𝑑𝑊 = 0 .