Implementasi Metode Markov Chain Monte Carlo dalam Penentuan Harga Kontrak Berjangka Komoditas.
10/23/2015 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/index 1/4
OPEN JOURNAL SYSTEMS
Journal Help
USER
(2)
10/23/2015 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/index 2/4
Username Password
Remember me
Log In
NO T I FI C AT I O NS
View
Subscribe / Unsubscribe
JO UR NAL C O NT ENT Se a rch
All
Search
Bro ws e
By Issue
By Author By Title Other Journals
FO NT SI ZE
I NFO R MAT I O N
For Readers For Authors For Librarians
(3)
10/23/2015 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/index 3/4
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home
>
E-Jurnal MatematikaE-Jurnal Matematika
E-Jurnal Matematika merupakan salah satu jurnal elektronik yang ada di Universitas Udayana, sebagai media komunikasi antar peminat di bidang ilmu matematika dan terapannya, seperti statistika, matematika finansial, pengajaran matematika dan terapan matematika dibidang ilmu lainnya. Jurnal ini lahir sebagai salah satu bentuk nyata peran serta jurusan Matematika FMIPA UNUD guna mendukung percepatan tercapainya target mutu UNUD, selain itu jurnal ini terbit didorong oleh surat edaran Dirjen DIKTI tentang syarat publikasi karya ilmiah bagi program Sarjana di Jurnal Ilmiah. E-jurnal Matematika juga menerima hasil-hasil penelitian yang tidak secara langsung berkaitan dengan tugas akhir mahasiswa meliputi penelitian atau artikel yang merupakan kajian keilmuan.
Editorial Team
Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si Sekretaris : I Made Eka Dwipayana S.Si. M.Si.
Penyunting :
1. Tjokorda Bagus Oka Ph.D. 2. Komang Dharmawan Ph.D. 3. Drs. GK Gandhiadi MT.
(4)
10/23/2015 E-Jurnal Matematika
http://ojs.unud.ac.id/index.php/mtk/index 4/4
5. Ir. I Putu Eka Nila Kencana MT
(5)
10/23/2015 Vol 4, No 3 (2015)
http://ojs.unud.ac.id/index.php/mtk/issue/current 1/4
OPEN JOURNAL SYSTEMS
Journal Help
USER Username Password
Remember me
Log In
NO T I FI C AT I O NS
View
Subscribe / Unsubscribe
JO UR NAL C O NT ENT Se a rch
All
Search
Bro ws e
By Issue
By Author By Title Other Journals
(6)
10/23/2015 Vol 4, No 3 (2015)
http://ojs.unud.ac.id/index.php/mtk/issue/current 2/4
FO NT SI ZE
I NFO R MAT I O N
For Readers For Authors For Librarians
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home
>
Current>
Vol 4, No 3 (2015)Vol 4, No 3 (2015)
Table of Contents
Articles
A N A L I S I S KO I N T E G RA S I J U M L A H WI S A T A WA N , I N FL A S I , D A N N I L A I T U KA R T E RH A D A P P RO D U K D O M E S T I K RE G I O N A L B RU T O (P D RB ) P RO V I N S I B A L I
P D F
MADE ARISTIAWAN JIWA ATMAJA, I PUTU EKA N. KENCANA, G. K. GANDHIADI 83 - 89
P E RA M A L A N J U M L A H WI S A T A WA N A U S T RA L I A Y A N G B E RKU N J U N G KE B A L I M E N G G U N A KA N M U L T I V A RI A T FU Z Z Y T I M E S E RI E S
P D F
I MADE CANDRA SATRIA, I KOMANG GDE SUKARSA, KETUT JAYANEGARA 90 - 97
A N A L I S I S KE P U A S A N KO N S U M E N RE S T O RA N C E P A T S A J I M E N G G U N A KA N M E T O D E P A RT I A L L E A S T S Q U A RE (S tudi Kas us : B urger King B ali)
(7)
10/23/2015 Vol 4, No 3 (2015)
http://ojs.unud.ac.id/index.php/mtk/issue/current 3/4
MADE SANJIWANI, KETUT JAYANEGARA, I PUTU EKA N. KENCANA 98 - 103
P E M O D E L A N S T RU KT U RA L D A RI E M O S I P O S I T I F S E B A G A I P E M E D I A S I T E RH A D A P P E M B E L I A N T I D A K T E RE N C A N A
P D F
NI WAYAN ARNI YANITA, KETUT JAYANEGARA, I PUTU EKA N. KENCANA 104 - 109
P E M O D E L A N RE G RE S I S P L I N E (S tudi Kas us : H erpindo J aya C abang N galiyan) P D F
I MADE BUDIANTARA PUTRA, I GUSTI AYU MADE SRINADI, I WAYAN SUMARJAYA 110 - 114
I M P L E M E N T A S I M E T O D E B O O T S T RA P D A L A M I N FE RE N S I T I T I K- T I T I K B I P L O T A M M I M O D E L A M M I C A M P U RA N (M I X E D A M M I ) (S tudi Kas us : M enduga S tabilitas G enotipe P adi)
P D F
NI PUTU AYU DINITA TRISNAYANTI, I KOMANG GDE SUKARSA, NI LUH PUTU SUCIPTAWATI
115 - 121
I M P L E M E N T A S I M E T O D E M A RKO V C H A I N M O N T E C A RL O D A L A M P E N E N T U A N H A RG A KO N T RA K B E RJ A N G KA KO M O D I T A S
P D F
PUTU AMANDA SETIAWANI, KOMANG DHARMAWAN, I WAYAN SUMARJAYA 122 - 126
M E N E N T U KA N P O RT O FO L I O O P T I M A L P A D A P A S A R S A H A M Y A N G B E RG E RA K D E N G A N M O D E L G E RA K B RO WN G E O M E T RI M U L T I D I M E N S I
P D F
RISKA YUNITA, KOMANG DHARMAWAN, LUH PUTU IDA HARINI 127 - 134
A N A L I S I S P E RI L A KU M A S Y A RA KA T D A L A M M E M I L I H M E RE K H A N D P H O N E D E N G A N M E N G G U N A KA N A N A L I S I S FA KT O R (S tudi Kas us M ahas is wa U nivers itas U dayana)
P D F
SANG AYU PUTRI INDRIA RANTASARI, NI LUH PUTU SUCIPTAWATI, NI KETUT TARI TASTRAWATI
135 - 140
P E N E RA P A N M O D E L E G A RC H P A D A E S T I M A S I V O L A T I L I T A S H A RG A M I N Y A K KE L A P A S A WI T
(8)
10/23/2015 Vol 4, No 3 (2015)
http://ojs.unud.ac.id/index.php/mtk/issue/current 4/4
YOSEVA AGUNG PRIHANDINI, KOMANG DHARMAWAN, KARTIKA SARI 141 - 145
(9)
E-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp. 122-126 ISSN: 2303-1751
122
IMPLEMENTASI METODE
MARKOV CHAIN MONTE CARLO
DALAM
PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS
Putu Amanda Setiawani§1, Komang Dharmawan2, I Wayan Sumarjaya3
1Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: amandasetiawani7@gmail.com] 2Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: dharmawan.komang@gmail.com] 3Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: sumarjaya@gmail.com]
§
Corresponding Author
ABSTRACT
The aim of the research is to implement Markov Chain Monte Carlo (MCMC) simulation method to price the futures contract of cocoa commodities. The result shows that MCMC is more flexible than Standard Monte Carlo (SMC) simulation method because MCMC method uses hit-and-run sampler algorithm to generate proposal movements that are subsequently accepted or rejected with a probability that depends on the distribution of the target that we want to be achieved. This research shows that MCMC method is suitable to be used to simulate the model of cocoa commodity price movement. The result of this research is a simulation of future contract prices for the next three months and future contract prices that must be paid at the time the contract expires. Pricing future contract by using MCMC method will produce the cheaper contract price if it compares to Standard Monte Carlo simulation.
Keywords: futures contract, Markov Chain Monte Carlo, Standard Monte Carlo, hit-and-run sampler
1. PENDAHULUAN
Saat ini pasar keuangan mengalami perkembangan yang sangat pesat. Hal ini menyebabkan terjadinya perubahan situasi dan kondisi pasar yang cenderung menimbulkan risiko bagi para investor. Pengurangan risiko pasar dapat dilakukan dengan menggunakan kontrak derivatif seperti halnya kontrak berjangka sebagai instrumen lindung nilai. Hal ini dilakukan untuk menurunkan tingkat varians return dari harga suatu komoditas. Perdagangan dengan menggunakan kontrak berjangka (futures contract) akan membantu harga komoditas yang ada di pasaran menjadi lebih stabil.
Markov Chain Monte Carlo (MCMC)
merupakan salah satu metode yang digunakan untuk melakukan pengambilan sampel yang tidak sesuai dengan asumsi dalam sebuah penelitian. Pada penelitian sebelumnya, metode MCMC pernah digunakan oleh Johannes,
Kumar,& Polson [1] dan Eraker, Johannes, & Polson [2] yang membahas tentang kegunaan MCMC sebagai alat dalam penentuan model harga saham. Penelitian oleh Landauskas dan Valakevicius (2011) juga menggunakan metode MCMC untuk memodelkan harga saham. Pendekatan model pada penelitian Landauskas dan Valakevicius dilakukan dengan tujuan untuk menghilangkan semua anggapan atau asumsi dari distribusi harga saham yang ingin dimodelkan (Landauskas & Valakevicius [3]). Metode MCMC merupakan alat analisis data yang dapat digunakan untuk menghasilkan sampel yang tidak saling bebas. Hal ini sesuai dengan sifat data finansial yang merupakan suatu kelompok data tertentu yang terdiri dari urutan kejadian yang saling
dependent. Penelitian ini dilakukan dengan tujuan untuk dapat mengimplementasikan metode MCMC dalam menentukan harga kontrak berjangka suatu komoditas.
(10)
Setiawani, P.A., K. Dharmawan, I W. Sumarjaya Implementasi Metode Markov Chain Monte Carlo dalam…
123 Penggunaan metode MCMC tersebut
selanjutnya dibandingkan dengan metode
Standard Monte Carlo untuk mengetahui hasil yang terbaik. Data yang digunakan dalam penelitian ini adalah data historis harga komoditas kakao (International Cocoa Organization) selama 1 Februari 2012 sampai 1 Februari 2015.
Kontrak Berjangka Komoditas
Definisikan harga kontrak pada waktu dan harga komoditas dengan adalah risk free rate dan biaya asuransi komoditas sebesar . Dalam kondisi ini, nilai dari futures contract adalah
. (1) Model Pergerakan Harga Komoditas
Model pergerakan harga komoditas mengikuti bentuk persamaan model geometric Brownian motion,
( ) √ (2) dengan adalah harga komoditas pada saat mendatang , merupakan volatilitas, adalah ekspektasi tingkat pengembalian (return).
Barisan Bilangan Acak
Misalkan { } menjadi barisan variabel acak yang independen dan berdistribusi identik diperoleh
∑
dan
∑ .
Misalkan menyatakan nilai mean dan menyatakan nilai varians, dengan demikian didefinisikan sebagai
√ [∑ ]. (3)
Teorema limit pusat menyatakan bahwa ketika mendekati tak terhingga, variabel acak konvergen pada arah distribusi Gauss dengan nilai rata-rata nol dan varians unit.
Metode Markov Chain Monte Carlo
Markov Chain Monte Carlo (MCMC)
adalah metode untuk membangkitkan peubah-peubah acak yang didasarkan pada rantai
Markov. Untuk sebarang titik awal, rantai Markov akan konvergen ke suatu distribusi invarian (Andrieu, et. al. [4]). Dalam hal ini MCMC adalah metode yang dapat digunakan untuk memenuhi tujuan pengambilan sampel yang diperlukan. Gagasan utamanya adalah untuk membangun rantai Markov { } sehingga
. (4)
Langkah-langkah yang dilakukan untuk membangkitkan sampel dalam metode ini menggunakan algoritma hit-and-run sampler
(Kroese, et. al. [5]) adalah sebagai berikut: (a) Diberikan kondisi awal dan t = 1.
(b) Bangkitkan bilangan acak menurut distribusi seragam pada unit hypersphere
dimensi .
(c) Bangkitkan dari densitas proposal
(proposal density) | yang
memenuhi kondisi keseimbangan sebagai proposal yang layak, sehingga pada iterasi
diperoleh
{ } (d) Ambil dan misalkan
{
dengan merupakan peluang penerimaan (acceptance probability)
{ | || | || } (e) Jika kriteria konvergensi | |
terpenuhi, maka algoritma selesai. Jika tidak, maka naikkan dan ulangi dari langkah (b).
2. METODE PENELITIAN
Analisis data dalam penelitian ini dilakukan dengan metode Markov Chain Monte Carlo. Penelitian dilakukan dengan menggunakan bantuan program Matlab 7.8 melalui tahap-tahap sebagai berikut: (1) Menghitung tingkat pengembalian (return) dari harga penutupan (close) komoditas dengan menggunakan bantuan program Matlab; (2) Menghitung nilai statistik deskriptif rata-rata data (mean), ragam data (variance), kepencongan data (skewness), dan kurtosis dari data tingkat pengembalian
(11)
E-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp. 122-126 ISSN: 2303-1751
124 harga (return) komoditas; (3) Menghitung nilai
parameter yang terdiri dari suku bunga bebas risiko ( ), standar deviasi ( ), harga saham awal ( ), waktu jatuh tempo ( ) dan waktu dalam tahun ( ) dari data historis harga komoditas; (4) Melakukan simulasi harga komoditas menggunakan metode Markov Chain Monte Carlo dengan algoritma hit-and-run sampler; (5) Menghitung nilai rata-rata dari harga komoditas yang diperoleh dari hasil simulasi; (6) Mengestimasi harga kontrak berjangka komoditas dengan menghitung nilai rata-rata dari ; (7) Melakukan simulasi dengan menggunakan metode Standard Monte Carlo; (8) Bandingkan harga kontrak yang diperoleh dari metode Markov Chain Monte Carlo dengan harga kontrak yang diperoleh dari hasil simulasi Standard Monte Carlo.
3. HASIL DAN PEMBAHASAN Karakteristik Data Penelitian
Data historis harga bulanan dari komoditas kakao (International Cocoa Organization) periode 1 Februari 2012 sampai 1 Februari 2015 disajikan dalam bentuk grafik pada Gambar 1.
Gambar 1. Grafik Harga Komoditas Kakao Periode 1 Feb 2012 - 1 Feb 2015
Berdasarkan grafik pada Gambar 1 dapat diamati bahwa terjadi fluktuasi harga komoditas kakao pada bulan tertentu. Plot data historis harga komoditas kakao (International Cocoa Organization, 2012-2015) selama tiga tahun terakhir terlihat juga memiliki tren harga yang cenderung naik.
Karakteristik data dapat diketahui dengan melihat nilai statistik deskriptif dari data tingkat pengembalian harga komoditas kakao. Nilai statistik deskriptif dalam proses ini diperoleh dengan menghitung nilai mean, variance,
skewness, dan kurtosis menggunakan bantuan perintah program Matlab, sehingga diperoleh hasil yang dapat dilihat pada Tabel 1.
Tabel 1. Nilai Statistik Deskriptif Data Karakteristik Nilai
Mean 0,0072
Variance 0,0016
Skewness -0,1192
Kurtosis 2,2365
Tabel 1 menunjukkan bahwa model data return
harga komoditas ini memiliki bentuk yang tidak simetris. Hal ini ditunjukkan dengan karakteristik data yang memiliki nilai skewness
negatif yang mengakibatkan data mencong (skew) ke kiri. Nilai kurtosis yang diperoleh lebih kecil apabila dibandingkan dengan nilai kurtosis yang berdistribusi normal yaitu sebesar 3, maka model ini juga dapat dikatakan memiliki nilai kurtosis yang tidak normal.
Parameter-parameter dari metode MCMC ditentukan dengan menggunakan nilai yang telah didapat pada Tabel 1. Perhitungan nilai-nilai dari parameter ( , , , , , ) dapat ditulis sebagai berikut :
a. Tingkat suku bunga ( ) pada Februari 2015 sebesar 7,75% (BI,2015).
b. Beban biaya gudang dan asuransi ( ) yang harus ditanggung sebesar 6% per-tahun (Bappepti,2015).
c. Hasil perhitungan nilai volatilitas (σ) dapat ditunjukkan sebagai berikut:
√ √ . Nilai volatilitas yang diperoleh dalam tahun adalah sebesar 0,4836.
d. Nilai pada tanggal 1 Februari 2015 sebesar 2961,94 US$/metric tonne.
e. Penelitian ini mengamati perubahan harga komoditas harian sebanyak 66 amatan.
2012 2013 2014 2015
2000 2200 2400 2600 2800 3000 3200 3400 Waktu (tahun) H a rg a ( U S $ )
(12)
Setiawani, P.A., K. Dharmawan, I W. Sumarjaya Implementasi Metode Markov Chain Monte Carlo dalam…
125 f. Perhitungan waktu jatuh tempo yang
diperlukan dalam penelitian ini adalah .
Implementasi Metode MCMC
Metode Markov Chain Monte Carlo
(MCMC) akan mengikutsertakan pembangkitan bilangan acak dan penggunaan algoritma hit-and-run sampler yang diperlukan untuk melakukan pengulangan (repetisi). Simulasi ini diproses melalui banyak iterasi dengan variabel acak yang berbeda untuk mengestimasi nilai harga komoditas kakao yang akan datang dengan merata-ratakan hasil simulasi yang diperoleh. Simulasi dilakukan dengan memasukkan nilai-nilai dari parameter MCMC ke dalam program Matlab. Hasil simulasi sebanyak lima kali disajikan dalam bentuk grafik pada Gambar 2.
Gambar 2. Grafik Harga Sebanyak Lima Kali Simulasi Selama Tiga Bulan
Selanjutnya harga kontrak berjangka komoditas kakao akan dicari menggunakan harga komoditas kakao yang telah didapatkan melalui simulasi sebelumnya. Nilai yang didapat akan disubstitusikan pada persamaan (2), sehinggga akan diperoleh harga pada Gambar 3. Rata-rata dari seluruh nilai akhir merupakan nilai harga kontrak yang dicari.
Gambar 3. Grafik Harga Sebanyak Lima Kali Simulasi Selama Tiga Bulan
Selanjutnya, berdasarkan hasil simulasi yang telah dilakukan diperoleh harga kontrak berjangka komoditas kakao yang disajikan dalam bentuk tabel sebagai berikut:
Tabel 2. Harga Kontrak Berjangka Menggunakan Simulasi MCMC
Jumlah Simulasi (kali) Waktu Simulasi (detik) 5 3058,5 3187,3 0,0040 10 3045,6 3176,3 0,0049 100 3053,6 3139,7 0,0079 1000 3001,9 3126,2 0,0388 10.000 2968,9 3124,6 0,3476 100.000 2967,4 3121,1 3,4667
Tabel 2 memperlihatkan harga kontrak berjangka menggunakan metode MCMC. Tiap simulasi menghasilkan nilai harga kontrak yang berbeda dengan waktu pelaksanaan simulasi yang juga berbeda. Nilai pada tabel menunjukkan bahwa semakin banyak jumlah simulasi yang dilakukan nilai estimasi yang diperoleh akan konvergen ke suatu nilai yang mendekati nilai pada keadaan yang sebenarnya.
0 10 20 30 40 50 60 70
1500 2000 2500 3000 3500 4000 4500 5000 Waktu (hari) H a rg a data1 data2 data3 data4 data5
0 10 20 30 40 50 60 70
1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 Waktu (hari) H a rg a data1 data2 data3 data4 data5
(13)
E-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp. 122-126 ISSN: 2303-1751
126
Metode Standard Monte Carlo
Harga kontrak berjangka komoditas kakao dihitung menggunakan metode Standard Monte Carlo dengan bantuan program Matlab. Tabel 4.5 memperlihatkan harga komoditas, harga kontrak berjangka, dan waktu simulasi yang disajikan dalam bentuk tabel sebagai berikut: Tabel 3 Harga Kontrak Berjangka
Menggunakan Simulasi Standard Monte Carlo Jumlah Simulasi (kali) Waktu Simulasi (detik) 5 2974,3 3081,7 0,00064 10 3013,9 3122,6 0,00072 100 3004,8 3113,2 0,0023 1000 3017,9 3126,8 0,0170 10.000 3019,8 3128,7 0,1639 100.000 3019,6 3128,6 1,3789
Hasil Perbandingan
Harga kontrak berjangka yang diperoleh dengan menggunakan metode Markov Chain Monte Carlo adalah sebesar 3121,1 US$/metric tonne. Sedangkan harga kontrak berjangka yang diperoleh dengan simulasi Standard Monte Carlo adalah sebesar 3128,6 US$/metric tonne. Nilai varians yang dihasilkan dari metode MCMC sebesar 0,0015 sedangkan nilai varians yang dihasilkan dari metode Standard Monte Carlo sebesar 0,1176. Nilai varians yang lebih kecil dapat menunjukkan hasil simulasi yang lebih baik dan juga memiliki standar penyimpangan data yang lebih kecil. Oleh karena itu dapat ditunjukkan bahwa harga yang dicari dengan menggunakan metode MCMC lebih baik jika dibandingkan dengan harga yang dicari menggunakan simulasi Standard Monte Carlo. Hal ini menunjukkan bahwa pendekatan harga yang menggunakan simulasi Markov Chain Monte Carlo dapat dipakai untuk menentukan harga kontrak berjangka
komoditas kakao dalam periode waktu tiga bulan yang akan datang.
4. SIMPULAN DAN SARAN
Penelitian ini menunjukkan bahwa metode
Markov Chain Monte Carlo (MCMC)
menghasilkan harga kontrak berjangka sebesar 3121,1 US$/metric tonne sedangkan simulasi
Standard Monte Carlo sebesar 3128,6
US$/metric tonne. Berdasarkan nilai varians yang diperoleh dari kedua metode, dapat ditunjukkan bahwa simulasi MCMC menunjukkan hasil yang lebih baik apabila dibandingkan dengan metode Standard Monte Carlo.
Adapun saran untuk pengembangan penelitian selanjutnya sebaiknya dapat disertakan tingkat suku bunga yang tidak konstan agar dapat menyesuaikan dengan keadaan pasar berjangka yang sebenarnya.
DAFTAR PUSTAKA
[1] Johannes, Kumar, & Polson. 1999. State Dependent Jump Models, How do US Equity Indicies Jump? Working Paper University of Chicago.
[2] Eraker, Johannes, & Polson. 2003. The Impact of Jumps in Volatility and Returns.
The Journal of Finance Vol. LVII, No. 3, 1269-1300.
[3] Landauskas, M., & Valakevicius, E. 2011. Modelling of Stock Prices by the Markov Chain Monte Carlo Method. Intellectual Economics, 244-256.
[4] Andrieu, C., de Freitas, N., Doucet, A., & Jordan, M. I. 2003. An Introduction to MCMC for Machine Learning. Machine Learning, 50, 5-43.
[5] Kroese, D. P., Taimre, T., & Botev, Z. I. 2011. Handbook of Monte Carlo Methods.
(1)
(2)
IMPLEMENTASI METODE
MARKOV CHAIN MONTE CARLO
DALAM
PENENTUAN HARGA KONTRAK BERJANGKA KOMODITAS
Putu Amanda Setiawani§1, Komang Dharmawan2, I Wayan Sumarjaya3
1Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: amandasetiawani7@gmail.com] 2Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: dharmawan.komang@gmail.com] 3Jurusan Matematika Fakultas MIPA Universitas Udayana [Email: sumarjaya@gmail.com]
§
Corresponding Author
ABSTRACT
The aim of the research is to implement Markov Chain Monte Carlo (MCMC) simulation method to
price the futures contract of cocoa commodities. The result shows that MCMC is more flexible than
Standard Monte Carlo (SMC) simulation method because MCMC method uses hit-and-run sampler algorithm to generate proposal movements that are subsequently accepted or rejected with a probability that depends on the distribution of the target that we want to be achieved. This research
shows that MCMC method is suitable to be used to simulate the model of cocoa commodity price
movement. The result of this research is a simulation of future contract prices for the next three months and future contract prices that must be paid at the time the contract expires. Pricing future contract by using MCMC method will produce the cheaper contract price if it compares to Standard Monte Carlo simulation.
Keywords: futures contract, Markov Chain Monte Carlo, Standard Monte Carlo, hit-and-run
sampler
1. PENDAHULUAN
Saat ini pasar keuangan mengalami perkembangan yang sangat pesat. Hal ini menyebabkan terjadinya perubahan situasi dan kondisi pasar yang cenderung menimbulkan risiko bagi para investor. Pengurangan risiko pasar dapat dilakukan dengan menggunakan kontrak derivatif seperti halnya kontrak berjangka sebagai instrumen lindung nilai. Hal ini dilakukan untuk menurunkan tingkat varians return dari harga suatu komoditas. Perdagangan dengan menggunakan kontrak berjangka (futures contract) akan membantu harga komoditas yang ada di pasaran menjadi lebih stabil.
Markov Chain Monte Carlo (MCMC)
merupakan salah satu metode yang digunakan untuk melakukan pengambilan sampel yang tidak sesuai dengan asumsi dalam sebuah penelitian. Pada penelitian sebelumnya, metode MCMC pernah digunakan oleh Johannes,
Kumar,& Polson [1] dan Eraker, Johannes, & Polson [2] yang membahas tentang kegunaan MCMC sebagai alat dalam penentuan model harga saham. Penelitian oleh Landauskas dan Valakevicius (2011) juga menggunakan metode MCMC untuk memodelkan harga saham. Pendekatan model pada penelitian Landauskas dan Valakevicius dilakukan dengan tujuan untuk menghilangkan semua anggapan atau asumsi dari distribusi harga saham yang ingin dimodelkan (Landauskas & Valakevicius [3]). Metode MCMC merupakan alat analisis data yang dapat digunakan untuk menghasilkan sampel yang tidak saling bebas. Hal ini sesuai dengan sifat data finansial yang merupakan suatu kelompok data tertentu yang terdiri dari urutan kejadian yang saling
dependent. Penelitian ini dilakukan dengan
tujuan untuk dapat mengimplementasikan metode MCMC dalam menentukan harga kontrak berjangka suatu komoditas.
(3)
Penggunaan metode MCMC tersebut selanjutnya dibandingkan dengan metode
Standard Monte Carlo untuk mengetahui hasil
yang terbaik. Data yang digunakan dalam penelitian ini adalah data historis harga komoditas kakao (International Cocoa Organization) selama 1 Februari 2012 sampai 1 Februari 2015.
Kontrak Berjangka Komoditas
Definisikan harga kontrak pada waktu dan harga komoditas dengan adalah risk
free rate dan biaya asuransi komoditas sebesar
. Dalam kondisi ini, nilai dari futures
contract adalah
. (1)
Model Pergerakan Harga Komoditas
Model pergerakan harga komoditas mengikuti bentuk persamaan model geometric
Brownian motion,
( ) √ (2)
dengan adalah harga komoditas pada saat mendatang , merupakan volatilitas, adalah ekspektasi tingkat pengembalian (return). Barisan Bilangan Acak
Misalkan { } menjadi barisan variabel acak yang independen dan berdistribusi identik diperoleh
∑
dan
∑ .
Misalkan menyatakan nilai mean dan menyatakan nilai varians, dengan demikian didefinisikan sebagai
√ [∑ ]. (3)
Teorema limit pusat menyatakan bahwa ketika mendekati tak terhingga, variabel acak konvergen pada arah distribusi Gauss dengan nilai rata-rata nol dan varians unit. Metode Markov Chain Monte Carlo
Markov Chain Monte Carlo (MCMC)
adalah metode untuk membangkitkan peubah-peubah acak yang didasarkan pada rantai
Markov. Untuk sebarang titik awal, rantai Markov akan konvergen ke suatu distribusi invarian (Andrieu, et. al. [4]). Dalam hal ini MCMC adalah metode yang dapat digunakan untuk memenuhi tujuan pengambilan sampel yang diperlukan. Gagasan utamanya adalah untuk membangun rantai Markov { } sehingga
. (4)
Langkah-langkah yang dilakukan untuk membangkitkan sampel dalam metode ini menggunakan algoritma hit-and-run sampler
(Kroese, et. al. [5]) adalah sebagai berikut: (a) Diberikan kondisi awal dan t = 1. (b) Bangkitkan bilangan acak menurut
distribusi seragam pada unit hypersphere
dimensi .
(c) Bangkitkan dari densitas proposal
(proposal density) | yang
memenuhi kondisi keseimbangan sebagai proposal yang layak, sehingga pada iterasi
diperoleh
{ } (d) Ambil dan misalkan
{
dengan merupakan peluang penerimaan (acceptance probability)
{ | || | || } (e) Jika kriteria konvergensi | |
terpenuhi, maka algoritma selesai. Jika tidak, maka naikkan dan ulangi dari langkah (b).
2. METODE PENELITIAN
Analisis data dalam penelitian ini dilakukan dengan metode Markov Chain Monte Carlo. Penelitian dilakukan dengan menggunakan bantuan program Matlab 7.8 melalui tahap-tahap sebagai berikut: (1) Menghitung tingkat pengembalian (return) dari harga penutupan
(close) komoditas dengan menggunakan
bantuan program Matlab; (2) Menghitung nilai statistik deskriptif rata-rata data (mean), ragam data (variance), kepencongan data (skewness), dan kurtosis dari data tingkat pengembalian
(4)
harga (return) komoditas; (3) Menghitung nilai parameter yang terdiri dari suku bunga bebas risiko ( ), standar deviasi ( ), harga saham awal ( ), waktu jatuh tempo ( ) dan waktu dalam tahun ( ) dari data historis harga komoditas; (4) Melakukan simulasi harga komoditas menggunakan metode Markov
Chain Monte Carlo dengan algoritma
hit-and-run sampler; (5) Menghitung nilai rata-rata dari
harga komoditas yang diperoleh dari hasil simulasi; (6) Mengestimasi harga kontrak berjangka komoditas dengan menghitung nilai rata-rata dari ; (7) Melakukan simulasi dengan menggunakan metode Standard Monte
Carlo; (8) Bandingkan harga kontrak yang
diperoleh dari metode Markov Chain Monte
Carlo dengan harga kontrak yang diperoleh
dari hasil simulasi Standard Monte Carlo. 3. HASIL DAN PEMBAHASAN Karakteristik Data Penelitian
Data historis harga bulanan dari komoditas kakao (International Cocoa Organization) periode 1 Februari 2012 sampai 1 Februari 2015 disajikan dalam bentuk grafik pada Gambar 1.
Gambar 1. Grafik Harga Komoditas Kakao Periode 1 Feb 2012 - 1 Feb 2015
Berdasarkan grafik pada Gambar 1 dapat diamati bahwa terjadi fluktuasi harga komoditas kakao pada bulan tertentu. Plot data historis harga komoditas kakao (International Cocoa Organization, 2012-2015) selama tiga tahun terakhir terlihat juga memiliki tren harga yang cenderung naik.
Karakteristik data dapat diketahui dengan melihat nilai statistik deskriptif dari data tingkat pengembalian harga komoditas kakao. Nilai statistik deskriptif dalam proses ini diperoleh dengan menghitung nilai mean, variance,
skewness, dan kurtosis menggunakan bantuan
perintah program Matlab, sehingga diperoleh hasil yang dapat dilihat pada Tabel 1.
Tabel 1. Nilai Statistik Deskriptif Data Karakteristik Nilai
Mean 0,0072
Variance 0,0016
Skewness -0,1192
Kurtosis 2,2365
Tabel 1 menunjukkan bahwa model data return
harga komoditas ini memiliki bentuk yang tidak simetris. Hal ini ditunjukkan dengan karakteristik data yang memiliki nilai skewness
negatif yang mengakibatkan data mencong (skew) ke kiri. Nilai kurtosis yang diperoleh lebih kecil apabila dibandingkan dengan nilai kurtosis yang berdistribusi normal yaitu sebesar 3, maka model ini juga dapat dikatakan memiliki nilai kurtosis yang tidak normal.
Parameter-parameter dari metode MCMC ditentukan dengan menggunakan nilai yang telah didapat pada Tabel 1. Perhitungan nilai-nilai dari parameter ( , , , , , ) dapat ditulis sebagai berikut :
a. Tingkat suku bunga ( ) pada Februari 2015 sebesar 7,75% (BI,2015).
b. Beban biaya gudang dan asuransi ( ) yang harus ditanggung sebesar 6% per-tahun (Bappepti,2015).
c. Hasil perhitungan nilai volatilitas (σ) dapat ditunjukkan sebagai berikut:
√ √ . Nilai volatilitas yang diperoleh dalam tahun adalah sebesar 0,4836.
d. Nilai pada tanggal 1 Februari 2015 sebesar 2961,94 US$/metric tonne.
e. Penelitian ini mengamati perubahan harga komoditas harian sebanyak 66 amatan.
2012 2013 2014 2015
2000 2200 2400 2600 2800 3000 3200 3400
Waktu (tahun)
H
a
rg
a
(
U
S
$
(5)
f. Perhitungan waktu jatuh tempo yang diperlukan dalam penelitian ini adalah
. Implementasi Metode MCMC
Metode Markov Chain Monte Carlo
(MCMC) akan mengikutsertakan pembangkitan bilangan acak dan penggunaan algoritma
hit-and-run sampler yang diperlukan untuk
melakukan pengulangan (repetisi). Simulasi ini diproses melalui banyak iterasi dengan variabel acak yang berbeda untuk mengestimasi nilai harga komoditas kakao yang akan datang dengan merata-ratakan hasil simulasi yang diperoleh. Simulasi dilakukan dengan memasukkan nilai-nilai dari parameter MCMC ke dalam program Matlab. Hasil simulasi sebanyak lima kali disajikan dalam bentuk grafik pada Gambar 2.
Gambar 2. Grafik Harga Sebanyak
Lima Kali Simulasi Selama Tiga Bulan
Selanjutnya harga kontrak berjangka komoditas kakao akan dicari menggunakan harga komoditas kakao yang telah didapatkan melalui simulasi sebelumnya. Nilai yang didapat akan disubstitusikan pada persamaan (2), sehinggga akan diperoleh harga pada Gambar 3. Rata-rata dari seluruh nilai akhir merupakan nilai harga kontrak yang dicari.
Gambar 3. Grafik Harga Sebanyak
Lima Kali Simulasi Selama Tiga Bulan
Selanjutnya, berdasarkan hasil simulasi yang telah dilakukan diperoleh harga kontrak berjangka komoditas kakao yang disajikan dalam bentuk tabel sebagai berikut:
Tabel 2. Harga Kontrak Berjangka Menggunakan Simulasi MCMC
Jumlah Simulasi
(kali)
Waktu Simulasi
(detik) 5 3058,5 3187,3 0,0040 10 3045,6 3176,3 0,0049 100 3053,6 3139,7 0,0079 1000 3001,9 3126,2 0,0388 10.000 2968,9 3124,6 0,3476 100.000 2967,4 3121,1 3,4667
Tabel 2 memperlihatkan harga kontrak berjangka menggunakan metode MCMC. Tiap simulasi menghasilkan nilai harga kontrak yang berbeda dengan waktu pelaksanaan simulasi yang juga berbeda. Nilai pada tabel menunjukkan bahwa semakin banyak jumlah simulasi yang dilakukan nilai estimasi yang diperoleh akan konvergen ke suatu nilai yang mendekati nilai pada keadaan yang sebenarnya.
0 10 20 30 40 50 60 70
1500 2000 2500 3000 3500 4000 4500 5000
Waktu (hari)
H
a
rg
a
data1 data2 data3 data4 data5
0 10 20 30 40 50 60 70
1500 2000 2500 3000 3500 4000 4500 5000 5500 6000
Waktu (hari)
H
a
rg
a
data1 data2 data3 data4 data5
(6)
Metode Standard Monte Carlo
Harga kontrak berjangka komoditas kakao dihitung menggunakan metode Standard Monte
Carlo dengan bantuan program Matlab. Tabel
4.5 memperlihatkan harga komoditas, harga kontrak berjangka, dan waktu simulasi yang disajikan dalam bentuk tabel sebagai berikut: Tabel 3 Harga Kontrak Berjangka
Menggunakan Simulasi Standard Monte Carlo
Jumlah Simulasi
(kali)
Waktu Simulasi
(detik) 5 2974,3 3081,7 0,00064 10 3013,9 3122,6 0,00072 100 3004,8 3113,2 0,0023 1000 3017,9 3126,8 0,0170 10.000 3019,8 3128,7 0,1639 100.000 3019,6 3128,6 1,3789
Hasil Perbandingan
Harga kontrak berjangka yang diperoleh dengan menggunakan metode Markov Chain
Monte Carlo adalah sebesar 3121,1 US$/metric
tonne. Sedangkan harga kontrak berjangka
yang diperoleh dengan simulasi Standard
Monte Carlo adalah sebesar 3128,6 US$/metric
tonne. Nilai varians yang dihasilkan dari
metode MCMC sebesar 0,0015 sedangkan nilai varians yang dihasilkan dari metode Standard
Monte Carlo sebesar 0,1176. Nilai varians yang
lebih kecil dapat menunjukkan hasil simulasi yang lebih baik dan juga memiliki standar penyimpangan data yang lebih kecil. Oleh karena itu dapat ditunjukkan bahwa harga yang dicari dengan menggunakan metode MCMC lebih baik jika dibandingkan dengan harga yang dicari menggunakan simulasi Standard Monte
Carlo. Hal ini menunjukkan bahwa pendekatan
harga yang menggunakan simulasi Markov
Chain Monte Carlo dapat dipakai untuk
menentukan harga kontrak berjangka
komoditas kakao dalam periode waktu tiga bulan yang akan datang.
4. SIMPULAN DAN SARAN
Penelitian ini menunjukkan bahwa metode
Markov Chain Monte Carlo (MCMC)
menghasilkan harga kontrak berjangka sebesar 3121,1 US$/metric tonne sedangkan simulasi
Standard Monte Carlo sebesar 3128,6
US$/metric tonne. Berdasarkan nilai varians
yang diperoleh dari kedua metode, dapat ditunjukkan bahwa simulasi MCMC menunjukkan hasil yang lebih baik apabila dibandingkan dengan metode Standard Monte Carlo.
Adapun saran untuk pengembangan penelitian selanjutnya sebaiknya dapat disertakan tingkat suku bunga yang tidak konstan agar dapat menyesuaikan dengan keadaan pasar berjangka yang sebenarnya. DAFTAR PUSTAKA
[1] Johannes, Kumar, & Polson. 1999. State Dependent Jump Models, How do US Equity Indicies Jump? Working Paper
University of Chicago.
[2] Eraker, Johannes, & Polson. 2003. The Impact of Jumps in Volatility and Returns.
The Journal of Finance Vol. LVII, No. 3, 1269-1300.
[3] Landauskas, M., & Valakevicius, E. 2011. Modelling of Stock Prices by the Markov Chain Monte Carlo Method. Intellectual
Economics, 244-256.
[4] Andrieu, C., de Freitas, N., Doucet, A., & Jordan, M. I. 2003. An Introduction to MCMC for Machine Learning. Machine
Learning, 50, 5-43.
[5] Kroese, D. P., Taimre, T., & Botev, Z. I. 2011. Handbook of Monte Carlo Methods.