RPS minggu 11 · 2x50 menit
Simulasi Monte Carlo untuk Permodelan Risiko Permodelan Risiko — Magister Manajemen FEB UNDIP Hari ini kita masuk teknik paling powerful dalam quantitative risk management: simulasi Monte Carlo. Diciptakan oleh Stanislaw Ulam dan John von Neumann di Proyek Manhattan 1946, Monte Carlo adalah teknik untuk menyelesaikan masalah deterministik kompleks melalui sampling random berulang. Untuk permodelan risiko, Monte Carlo menggenerasi ribuan hingga jutaan skenario dari distribusi probabilistik, menghitung outcome tiap skenario, lalu menyusun distribusi hasil. Pertemuan ini mengupas tiga langkah dasar (generasi random, transformasi, agregasi), menghitung VaR Monte Carlo, dan aplikasi untuk pricing derivatif serta op-risk. Topik ini menuntut pemahaman distribusi statistik dan Python atau Excel sederhana. Peta Pembelajaran Hari Ini Sub-CPMK 11: merancang dan menjalankan simulasi Monte Carlo untuk estimasi VaR & pricing.
Sejarah & filosofi Monte Carlo (Ulam 1946) Tiga langkah: random, transform, aggregate Hitung dari nol: VaR Monte Carlo 1 aset Multi-aset dengan Cholesky decomposition Aplikasi: pricing opsi & op-risk LDA Quasi-MC & variance reduction; persiapan P12 Posisi: P11 teknik fundamental; P12 ERM; P13 governance; P14 integrasi.
Empat indikator yang harus Anda kuasai: menjelaskan tiga langkah Monte Carlo, mengimplementasikan simulasi VaR 1 aset, menjelaskan peran Cholesky untuk multi-aset, dan mengidentifikasi aplikasi pricing dan op-risk. Pertemuan ini melibatkan sedikit pemrograman tetapi sangat aplikatif untuk semua area permodelan risiko. Manhattan Project 1946: Lahirnya Monte Carlo Stanislaw Ulam bermain solitaire di rumah sakit, bertanya berapa peluang menang — solusi: simulasi berulang. Kini jadi tulang punggung VaR & pricing derivatif.
Pencipta
Ulam + von Neumann
Proyek Manhattan, Los Alamos 1946; diberi nama Monte Carlo dari kasino Monaco
Aplikasi Awal
Fisika nuklir
Transport neutron di senjata; tidak dapat dipecahkan analitik
Pertanyaan pemantik: bagaimana mungkin teknik dari fisika nuklir menjadi tulang punggung risiko keuangan modern?
Sejarah Monte Carlo dimulai 1946 di Los Alamos National Laboratory. Stanislaw Ulam, matematikawan Polandia-Amerika yang bekerja di Proyek Manhattan, sedang sakit di rumah sakit dan bermain solitaire. Ia bertanya: berapa peluang menang permainan canfield solitaire tertentu? Persoalan analitik kompleks; solusi Ulam adalah main berulang kali dan hitung frekuensi kemenangan. Bersama John von Neumann, ia formalisasi teknik ini untuk transport neutron di senjata nuklir — masalah yang tidak dapat dipecahkan analitik. Diberi nama Monte Carlo dari kasino Monaco karena sifat sampling random yang mirip judi. Aplikasi keuangan dimulai 1960-an untuk pricing opsi; meledak setelah Black-Scholes 1973. Pelajaran: Monte Carlo lahir dari kebutuhan menyelesaikan masalah deterministik kompleks melalui sampling random — paradoks tetapi powerful. Hari ini Monte Carlo adalah tulang punggung quantitative risk management. Bagian 1 · 1/4
Tiga Langkah MC
Diskusi kelas: untuk mengestimasi VaR 1 aset, bagaimana cara menggenerate skenario harga masa depan?
Blok pertama menjelaskan tiga langkah dasar Monte Carlo. Pertanyaan diskusi tadi membuka intuisi: kita mulai dari harga saat ini, model perubahan harga sebagai random walk dengan distribusi tertentu, generate ribuan path harga masa depan. Setiap path adalah satu skenario; distribusi harga akhir memberikan VaR. Tiga Langkah Dasar Monte Carlo 1. GENERATE Random uniform [0,1] N = 10.000 sample via PRNG/Mersenne 2. TRANSFORM Distribusi target Inverse CDF atau Box-Muller Normal, lognormal, t, dll 3. AGGREGATE Hitung outcome tiap skenario Susun distribusi hasil Hitung VaR/ES: quantile 95/99% Generate → Transform → Aggregate = Monte Carlo pipeline Tiga langkah: generate random uniform, transform ke distribusi target, aggregate hasil untuk estimasi statistik.
Tiga langkah dasar Monte Carlo adalah pipeline fundamental. Pertama, generate random uniform di rentang nol sampai satu menggunakan Pseudo-Random Number Generator seperti Mersenne Twister. Jumlah sample biasanya 10.000 atau lebih untuk konvergensi. Kedua, transform sample uniform ke distribusi target — normal, lognormal, Student-t, dll. Teknik transformasi: inverse CDF untuk distribusi yang punya inverse analitik, atau Box-Muller untuk normal. Ketiga, aggregate: hitung outcome tiap skenario, susun distribusi hasil, dan ekstrak statistik yang diinginkan seperti quantile untuk VaR atau rata-rata ekor untuk ES. Diagram menunjukkan pipeline linear ini. Pelajaran: kekuatan Monte Carlo adalah fleksibilitas — distribusi target dapat apa saja, model dapat multi-faktor dengan korelasi. Kekuatannya adalah fleksibilitas; kelemahannya adalah computational cost. Coba Sendiri: 100 Jalur GBM Aset — Kipas Dispersi Atur drift, volatilitas, dan horizon. Lihat 100 jalur Geometris Brownian membentuk kipas dispersi — semakin tinggi σ semakin lebar kipas, semakin besar ketidakpastian.
Widget ini memvisualkan pipeline Monte Carlo untuk harga aset. 100 jalur disintesa dengan GBM: setiap hari, harga baru dihitung dari harga lama dikali eksponensial drift plus sigma dikali shock Gaussian. Setelah horizon, distribusi terminal diambil persentil 5 persen untuk VaR. Pelajaran: drift menentukan pusat kipas, volatilitas menentukan lebar. Untuk horizon panjang, lebar kipas tumbuh sebagai akar-waktu. Peringatan: GBM adalah asumsi paling sederhana; pasar sungguhan menunjukkan volatility clustering yang tidak ditangkap GBM — perlu GARCH-MC atau jump-diffusion. Menghasilkan Bilangan Acak: PRNG & Mersenne Twister Random Number Generator adalah pondasi Monte Carlo. Pilihan yang salah dapat menghasilkan estimasi bias.
PRNG Periode Penggunaan Linear Congruential (LCG) $2^{32}$ Sederhana; Excel RAND() Mersenne Twister (MT19937) $2^{19937}-1$ Standar Python numpy; default scientific PCG (Permuted Congruential) $2^{64}+$ Modern; statistik superior True Random (hardware) ~ Atmospheric noise; crypto-grade
PRNG deterministik — "random" adalah ilusi. Untuk crypto/security gunakan true random (CSPRNG).
Pseudo-Random Number Generator atau PRNG adalah algoritma deterministik yang menghasilkan urutan bilangan yang tampak random. Pilihan PRNG memengaruhi kualitas Monte Carlo. Linear Congruential Generator paling sederhana dengan periode 2 pangkat 32 — dipakai Excel RAND. Mersenne Twister MT19937 adalah standar modern dengan periode 2 pangkat 19937 minus 1 — sangat panjang. Dipakai Python numpy secara default. PCG atau Permuted Congruential Generator adalah generator modern dengan kualitas statistik superior. True Random Generator menggunakan sumber fisik seperti atmospheric noise atau quantum phenomenon — crypto-grade. Pelajaran penting: PRNG adalah deterministik — "random" adalah ilusi. Untuk simulasi ilmiah, Mersenne Twister sudah cukup. Tetapi untuk cryptography atau security, perlu true random atau Cryptographically Secure PRNG. Salah pilih untuk security dapat menyebabkan kerentanan eksploitasi. Transformasi: Inverse CDF & Box-Muller Dua teknik umum mengubah random uniform menjadi distribusi target.
Teknik Formula Cocok untuk Inverse CDF X = F⁻¹(U) Distribusi dengan inverse analitik (eksponensial, Cauchy) Box-Muller Z₁ = √(-2 ln U₁) cos(2π U₂) Normal standar dari 2 uniform Polar Marsaglia Variasi Box-Muller Lebih cepat; tanpa trigonometri Rejection Sample & reject Distribusi kompleks (beta, gamma)
Box-Muller: $Z_1 = \sqrt{-2 \ln U_1} \cdot \cos(2\pi U_2) \;;\quad Z_2 = \sqrt{-2 \ln U_1} \cdot \sin(2\pi U_2)$
Box-Muller menghasilkan 2 normal dari 2 uniform — efisien dan populer di Monte Carlo.
Empat teknik umum untuk transformasi random uniform ke distribusi target. Inverse CDF: X sama dengan inverse dari CDF dievaluasi di uniform. Cocok untuk distribusi dengan inverse analitik seperti eksponensial dan Cauchy. Box-Muller menghasilkan dua normal dari dua uniform menggunakan formula dengan logaritma dan trigonometri — efisien dan populer. Polar Marsaglia adalah variasi Box-Muller tanpa trigonometri, lebih cepat secara komputasi. Rejection sampling untuk distribusi kompleks seperti beta atau gamma. Pelajaran: pilihan teknik tergantung distribusi target. Untuk normal yang dominan dalam permodelan risiko, Box-Muller atau Polar Marsaglia adalah pilihan standar. Untuk distribusi tail-heavy seperti Student-t atau lognormal, kombinasi teknik diperlukan. Library modern seperti numpy atau scipy sudah mengimplementasikan semua teknik dengan baik — tidak perlu menulis dari awal. Hitung dari Nol: VaR Monte Carlo 1 Aset Skenario: Saham harga S₀ = Rp 1.000; return tahunan μ = 10%, σ = 30%. Hitung VaR 95% horizon 1 tahun via Monte Carlo (ilustratif dengan 5 sample).
Sample Z (normal) return = μ + σZ $S_1 = S_0 \times e^{\text{return}}$ 1 -1,65 -39,5% Rp 675 2 -0,50 -5,0% Rp 951 3 +0,30 +19,0% Rp 1.197 4 +1,20 +46,0% Rp 1.460 5 +2,00 +70,0% Rp 1.725 Sort & quantile 5% worst ~Rp 675
Kesimpulan (ilustratif 5 sample)
VaR ≈ Rp 325
Dari S₀ Rp 1.000 ke S₁ Rp 675 = loss 32,5%; sample real 10.000+ untuk konvergensi
Hitungan ini mengilustrasikan Monte Carlo VaR untuk 1 aset. Harga awal S nol Rp 1.000, return tahunan mu 10 persen, sigma 30 persen. Lima sample random normal Z: minus 1,65; minus 0,5; plus 0,3; plus 1,2; plus 2,0. Untuk setiap sample, hitung return sama dengan mu plus sigma kali Z. Kemudian harga S1 sama dengan S nol kali e pangkat return. Hasil lima harga S1: 675, 951, 1197, 1460, 1725. Sortir dan ambil quantile 5 persen — dengan lima sample, worst case adalah Rp 675, sehingga VaR kira-kira Rp 325 atau loss 32,5 persen. Pelajaran: dengan lima sample, estimasi sangat noisy. Sample real biasanya 10.000 atau lebih untuk konvergensi. Standard error estimasi VaR menurun sebagai akar dari N — empat kali sample hanya separuh error. Inilah mengapa computational cost Monte Carlo tinggi untuk akurasi tinggi. Bagian 2 · 2/4
Multi-Aset
Diskusi kelas: bagaimana mensimulasikan 2 saham dengan korelasi 0,5? Apakah cukup generate random independen?
Blok ini mengupas simulasi multi-aset dengan korelasi. Pertanyaan diskusi tadi membuka masalah kritis: random independen akan menghasilkan korelasi nol. Untuk menghasilkan korelasi tertentu, perlu transformasi khusus — Cholesky decomposition adalah standar industri. Cholesky Decomposition untuk Multi-Aset Berkorelasi Cholesky decomposition mengurai matriks korelasi menjadi matriks segitiga bawah L sehingga Σ = LL'. Random independen Z dikalikan L menghasilkan random berkorelasi.
$Z_{\text{corr}} = L \times Z_{\text{indep}} \quad \text{di mana} \quad \Sigma = LL^{\top}$
Langkah Operasi 1. Define correlation matrix Σ Σ = [[1, ρ], [ρ, 1]] untuk 2 aset 2. Cholesky: Σ = LL' $L = \begin{bmatrix} 1 & 0 \\ \rho & \sqrt{1-\rho^2} \end{bmatrix}$ 3. Generate Z₁, Z₂ ~ N(0,1) indep Box-Muller 4. Multiply Z_corr = L × Z_indep 2-vector berkorelasi ρ 5. Apply drift & vol per aset $\text{return}_i = \mu_i + \sigma_i \times Z_{\text{corr},i}$
Cholesky adalah kunci simulasi multi-aset — tanpa ini, portofolio simulasi tidak realistis.
Cholesky decomposition adalah kunci simulasi multi-aset dengan korelasi. Lima langkah. Pertama, define correlation matrix Sigma untuk 2 aset — matriks 2x2 dengan 1 di diagonal dan rho off-diagonal. Kedua, Cholesky decomposition mengurai Sigma menjadi L kali L transpose — untuk matriks 2x2, L adalah matriks segitiga bawah dengan 1, 0 di baris pertama dan rho, akar dari 1 minus rho kuadrat di baris kedua. Ketiga, generate dua sample normal standar independen menggunakan Box-Muller. Keempat, multiply Z korelasi sama dengan L kali Z independen — menghasilkan vektor 2 dimensi dengan korelasi rho. Kelima, apply drift dan volatilitas per aset untuk menghasilkan return. Pelajaran: tanpa Cholesky, simulasi portofolio akan menghasilkan korelasi nol — sangat tidak realistis. Dengan Cholesky, kita dapat simulasi portofolio dengan struktur dependensi yang sesuai data historis. Library numpy.linalg.cholesky mengimplementasikan ini dengan baik. Konvergensi & Standard Error Monte Carlo Estimasi Monte Carlo konvergen sebagai 1/√N — empat kali sample hanya separuh error.
N sample Standard error (relatif) Waktu komputasi (ilustratif) 1.000 3,16% ~1 detik 10.000 1,00% ~10 detik 100.000 0,32% ~100 detik 1.000.000 0,10% ~17 menit 10.000.000 0,03% ~3 jam
Diminishing returns: 10x sample hanya mengurangi error 1/√10 = 0,316x. Trade-off precision vs cost harus eksplisit.
Konvergensi Monte Carlo mengikuti hukum akar kuadrat: standard error relatif menurun sebagai 1 per akar N. Tabel menunjukkan trade-off precision versus computational cost. Dengan 1.000 sample, standard error sekitar 3,16 persen; komputasi sekitar 1 detik. Dengan 10.000 sample, error 1 persen; 10 detik. Dengan 100.000, error 0,32 persen; 100 detik. Dengan 1 juta, error 0,1 persen; 17 menit. Dengan 10 juta, error 0,03 persen; 3 jam. Pelajaran: diminishing returns yang signifikan. Sepuluh kali sample hanya mengurangi error sekitar 3 kali. Trade-off precision versus cost harus eksplisit dalam desain simulasi. Untuk estimasi mean, 10.000 sample biasanya cukup. Tetapi untuk estimasi quantile ekstrim seperti VaR 99,9 persen atau tail event, perlu sample lebih banyak karena quantile ekstrim lebih sensitive terhadap noise. Quasi-Monte Carlo dengan low-discrepancy sequences dapat mempercepat konvergensi untuk dimensi tertentu. Coba Sendiri: Konvergensi & Standar Error — Berapa Simulasi Cukup? Geser jumlah simulasi N dari 100 ke 1 juta dan target estimasi (mean, VaR 95%, VaR 99%). Lihat standar error berkurang sebagai 1/√N — dan VaR ekstrim butuh N jauh lebih besar.
Widget ini mengilustrasikan trade-off presiasi vs biaya komputasi. Untuk estimasi mean, 10 ribu simulasi memberi standar error sekitar 0,3 persen — biasanya cukup. Tetapi untuk VaR 99 persen, hanya 1 persen simulasi yang menyumbang ke ekor, sehingga standar error lebih besar dan N yang dibutuhkan jauh lebih besar. Hukum akar: 10 kali simulasi hanya mengurangi error akar 10 atau 3,16 kali. Variance reduction techniques seperti antithetic variates, control variates, dan importance sampling dapat mempercepat konvergensi tanpa menambah N. Quasi-Monte Carlo dengan low-discrepancy sequences (Sobol, Halton) lebih cepat lagi. Hitung dari Nol: VaR Portofolio Monte Carlo 2 Aset Skenario: Portofolio Rp 1.000 juta: 60% saham A (σ=25%), 40% saham B (σ=15%), korelasi 0,4. Estimasi VaR 95% 1 tahun dengan N=10.000 sample (diilustrasikan sebagai langkah logis).
Langkah Operasi 1. Correlation matrix $\Sigma = \begin{bmatrix} 1 & 0{,}4 \\ 0{,}4 & 1 \end{bmatrix}$ 2. Cholesky L $L = \begin{bmatrix} 1 & 0 \\ 0{,}4 & \sqrt{0{,}84} \approx 0{,}917 \end{bmatrix}$ 3. Generate 10.000 pasangan Z₁, Z₂ indep numpy.random.randn(10000, 2) 4. Apply L → Z berkorelasi 0,4 Z_corr = L @ Z.T 5. Apply drift & vol per aset rA = 0,10 + 0,25 × Z_corr[:,0] 6. Apply bobot & hitung port return r_p = 0,6 × rA + 0,4 × rB 7. Quantile 5% dari distribusi r_p np.percentile(r_p, 5) ≈ -22%
Kesimpulan (ilustratif)
VaR ≈ Rp 220 jt
VaR 95% portofolio ≈ -22% × Rp 1.000 juta = Rp 220 juta; angka tepat bervariasi per run
Hitungan ini menggambarkan pipeline lengkap Monte Carlo VaR portofolio 2 aset. Pertama, define correlation matrix 2x2 dengan rho 0,4. Kedua, Cholesky menghasilkan L dengan elemen 1, 0, 0,4, dan akar 0,84 atau 0,917. Ketiga, generate 10.000 pasangan Z independen dengan numpy. Keempat, apply L untuk menghasilkan Z berkorelasi 0,4. Kelima, apply drift dan vol per aset — return saham A sama dengan 0,10 plus 0,25 kali Z berkorelasi pertama. Keenam, apply bobot dan hitung port return sebagai weighted sum. Ketujuh, quantile 5 persen dari distribusi port return — biasanya sekitar minus 22 persen. VaR portofolio sekitar Rp 220 juta. Pelajaran manajerial: Monte Carlo memungkinkan estimasi VaR portofolio kompleks dengan struktur dependensi yang realistis. Angka tepat bervariasi per run karena random seed; untuk konsistensi, set seed sebelum produksi. Dalam praktik, sample 50.000 atau lebih untuk VaR 99 persen yang reliable. Coba Sendiri: Histogram P&L Monte Carlo — VaR & ES Persentil Pilih distribusi (normal, skew kiri, fat tail), confidence level, dan jumlah simulasi. Lihat bagaimana VaR dan ES dibaca langsung dari persentil empiris histogram.
Widget ini mendemonstrasikan keunggulan utama Monte Carlo: tidak perlu asumsi parametrik untuk membaca VaR/ES. Sample disusun jadi histogram, lalu VaR diambil sebagai persentil 5 persen dan ES sebagai rata-rata di bawah VaR. Pada distribusi fat tail, ES jauh lebih dalam dari VaR (rasio lebih dari 1,3) — inilah mengapa FRTB Basel beralih ke ES. Pelajaran: di persentil sangat tinggi seperti 99,9 persen, MC butuh N besar untuk presisi (lihat widget konvergensi). Untuk modal regulatori 99,9 persen, bank sering kombinasikan MC dengan extreme value theory. Eksplorasi Interaktif: Simulasi Permintaan Monte Carlo Geser parameter distribusi untuk merasakan pipeline generate-transform-aggregate Monte Carlo — alat dasar yang sama untuk VaR portofolio.
🧪 Buka kalkulator Monte Carlo permintaan (rumus + contoh + FAQ)
Widget ini mengilustrasikan pipeline Monte Carlo di konteks permintaan — prinsip generate-transform-aggregate yang sama berlaku untuk VaR portofolio. Sebagai manajer risk, geser slider distribusi input dan amati bagaimana distribusi output terbentuk dari sampling berulang. Diskusi: berapa sample yang dibutuhkan untuk konvergensi stabil? Pelajaran: konvergensi Monte Carlo mengikuti 1 per akar N — empat kali sample hanya separuh error. Untuk VaR 99 persen yang reliable, diperlukan sample 50.000 atau lebih. Widget ini menjadi pengantar konkret sebelum Anda menulis kode Python numpy sendiri untuk simulasi portofolio multi-aset. Bagian 3 · 3/4
Aplikasi MC
Diskusi kelas: untuk pricing opsi vs op-risk LDA, apa perbedaan tantangan Monte Carlo?
Blok ini mengupas dua aplikasi utama Monte Carlo. Pertanyaan diskusi tadi membuka perbedaan: pricing opsi relatif straightforward karena payoff known dan distribusi underlying standar; op-risk LDA jauh lebih sulit karena compound distribution dan data loss event jarang. Pilihan teknik harus sesuai dengan masalah. Aplikasi 1: Pricing Opsi (Black-Scholes Cross-Check) Monte Carlo adalah alternatif pricing opsi ketika Black-Scholes tidak dapat dipecahkan analitik (opsi eksotik, path-dependent).
Jenis Opsi BS Analitik? MC Cocok? European call/put Ya (BS 1973) Ya — cross-check BS American exercise Tidak Ya — Longstaff-Schwartz Asian (avg strike) Tidak (umumnya) Ya — natural Barrier (knock-in/out) Sebagian Ya — flexible Lookback (floating strike) Sebagian Ya — flexible Basket (multi-aset) Tidak Ya — Cholesky
MC pricing adalah standar untuk opsi eksotik; cross-check dengan BS untuk European.
Pricing opsi adalah aplikasi klasik Monte Carlo. Black-Scholes 1973 memberikan formula analitik untuk European call dan put standar. Tetapi banyak opsi eksotik tidak punya solusi analitik dan memerlukan Monte Carlo. Tabel menunjukkan beberapa jenis opsi. European call dan put punya BS analitik — Monte Carlo dapat dipakai sebagai cross-check. American exercise memerlukan Longstaff-Schwartz method karena early exercise feature. Asian dengan average strike umumnya tidak punya solusi analitik; Monte Carlo natural karena rata-rata dihitung dari path. Barrier dengan knock-in atau knock-out punya solusi parsial; Monte Carlo fleksibel. Lookback dengan floating strike punya solusi parsial. Basket multi-aset tidak punya solusi analitik; Monte Carlo dengan Cholesky untuk korelasi. Pelajaran: Monte Carlo adalah standar pricing untuk opsi eksotik dan kompleks; cross-check dengan BS untuk European sebagai validasi implementasi. Aplikasi 2: Op-Risk LDA Loss Distribution Approach untuk op-risk adalah aplikasi Monte Carlo compound distribution.
Langkah Distribusi Parameter tipikal 1. Frekuensi N Poisson λ = 50 events/tahun (per kategori) 2. Severity S Lognormal μ = 12; σ = 1,5 (Rp juta) 3. Aggregate L = Σ Sᵢ Compound Compound Poisson-Lognormal 4. Simulasi 100.000 tahun MC 100.000 sample aggregate 5. VaR 99,9% = modal Quantile 0,1% tail
Tail aggregate L sangat tebal — VaR 99,9% bisa 5-10× rata-rata annual loss.
Loss Distribution Approach untuk op-risk adalah aplikasi Monte Carlo compound distribution. Lima langkah. Pertama, model frekuensi N sebagai Poisson dengan parameter lambda — katakan 50 events per tahun per kategori. Kedua, model severity S sebagai lognormal dengan mu 12 dan sigma 1,5 dalam Rp juta. Ketiga, aggregate loss L sama dengan jumlah severity sampai frekuensi N — ini compound distribution Poisson-Lognormal yang tidak punya solusi analitik. Keempat, simulasikan 100.000 tahun synthetic menggunakan Monte Carlo untuk mendapatkan distribusi aggregate loss. Kelima, VaR 99,9 persen dari distribusi aggregate adalah modal AMA. Pelajaran: tail aggregate loss sangat tebal karena kemungkinan compound — banyak event severity tinggi di tahun yang sama. VaR 99,9 persen bisa 5 sampai 10 kali rata-rata annual loss. Inilah mengapa modal op-risk AMA sering kali dominan dibandingkan risk sensitivitas lain. Untuk stabilitas estimasi, simulasi 100.000 tahun atau lebih direkomendasikan. Quasi-Monte Carlo & Variance Reduction Teknik variance reduction mempercepat konvergensi Monte Carlo untuk dimensi tertentu.
Teknik Mekanisme Manfaat Antithetic variates Sample Z dan -Z secara berpasangan Variance berkurang untuk estimator simetris Control variates Pakai variabel dengan nilai known Korelasi tinggi = pengurangan variance Importance sampling Sample lebih banyak di area penting Untuk tail event yang jarang Stratified sampling Bagi domain menjadi strata Cakupan merata; mengurangi clustering Quasi-MC (low discrepancy) Sobol, Halton sequences Konvergensi 1/N (lebih cepat dari 1/√N)
Quasi-MC adalah standar industri untuk pricing derivatif kompleks — konvergensi jauh lebih cepat.
Variance reduction techniques mempercepat konvergensi Monte Carlo. Antithetic variates: sample Z dan minus Z secara berpasangan — variance berkurang untuk estimator simetris seperti harga opsi European. Control variates: pakai variabel dengan nilai known sebagai kontrol; korelasi tinggi dengan target mengurangi variance. Importance sampling: sample lebih banyak di area penting, khususnya untuk tail event yang jarang. Stratified sampling: bagi domain sampling menjadi strata dan sample merata di setiap strata; mengurangi clustering. Quasi-Monte Carlo menggunakan low-discrepancy sequences seperti Sobol atau Halton alih-alih random — konvergensi 1 per N, jauh lebih cepat dari 1 per akar N. Pelajaran: Quasi-MC adalah standar industri modern untuk pricing derivatif kompleks; konvergensi lebih cepat menghemat computational cost. Tetapi untuk multi-dimensi tinggi (mis. 50+ dimensi), Quasi-MC kehilangan keunggulan dan random kembali kompetitif. Pilihan teknik harus sesuai dengan struktur masalah. Bagian 4 · 4/4
Persiapan P12
Diskusi kelas: bagaimana Monte Carlo dapat membantu ERM menggabungkan risiko kredit + pasar + operasional menjadi satu distribusi aggregate?
Blok penutup menghubungkan P11 ke P12. Pertanyaan diskusi tadi membuka jembatan: ERM aggregate capital menggabungkan tiga jenis risiko. Monte Carlo adalah teknik ideal karena dapat mensimulasikan dependensi antar kelas risiko. P12 akan mendalami kerangka ERM COSO dan ISO 31000. Limitations & Pitfalls Monte Carlo Monte Carlo powerful tetapi punya limitations — pengguna harus sadar.
Pitfall Implikasi Mitigasi Garbage in, garbage out Distribusi input salah → output bias Validasi distribusi; sensitivity analysis Tail sensitivity Quantile ekstrim tidak reliable dengan N kecil N besar; importance sampling Correlation assumption Asumsi normal/correlation breakdown saat krisis Copula dengan tail dependence Computational cost Dimensi tinggi atau path panjang → slow Variance reduction; GPU/parallel False precision Output "presisi" menyesatkan jika input uncertain Komunikasi uncertainty eksplisit
Monte Carlo bukan magic — output hanya seakurat input dan model asumsi.
Lima pitfalls utama Monte Carlo. Garbage in, garbage out: jika distribusi input salah, output juga bias. Mitigasi dengan validasi distribusi dan sensitivity analysis terhadap asumsi. Tail sensitivity: quantile ekstrim seperti VaR 99,9 persen tidak reliable dengan N kecil. Mitigasi dengan N besar dan importance sampling. Correlation assumption: asumsi korelasi normal bisa breakdown saat krisis — pernah dibahas di P8. Mitigasi dengan copula yang menangkap tail dependence. Computational cost: dimensi tinggi atau path panjang membuat simulasi lambat. Mitigasi dengan variance reduction dan GPU atau parallel computing. False precision: output yang terlihat "presisi" menyesatkan jika input uncertain. Mitigasi dengan komunikasi uncertainty eksplisit ke stakeholder. Pelajaran utama: Monte Carlo bukan magic — output hanya seakurat input dan model asumsi. Manajer yang menggunakan hasil MC harus memahami asumsi di baliknya, bukan menerima angka sebagai kebenaran objektif. Ini adalah jembatan ke P12 tentang model risk dan governance. Ringkasan Kunci Pertemuan 11 3 Langkah MC
Generate · Transform · Aggregate
Multi-Aset
Cholesky untuk korelasi
Aplikasi
Pricing · VaR · op-risk LDA
Bawa tiga lensa ini (pipeline · korelasi · aplikasi) sebagai teknik fundamental untuk seluruh permodelan risiko.
Persiapan P12: baca COSO ERM 2017 & ISO 31000; siapkan aggregate capital modeling lintas kelas risiko.
Sebagai penutup, tiga pesan kunci. Pertama, tiga langkah Monte Carlo — generate, transform, aggregate — adalah pipeline fundamental untuk semua simulasi probabilistik. Kedua, Cholesky decomposition memungkinkan simulasi multi-aset dengan struktur korelasi yang realistis — tanpa ini, simulasi portofolio tidak valid. Ketiga, aplikasi Monte Carlo span dari pricing derivatif, estimasi VaR, hingga op-risk LDA — teknik yang sangat fleksibel. Sampai jumpa di P12 di mana kita akan mendalami Enterprise Risk Management dengan kerangka COSO ERM 2017 dan ISO 31000 — agregasi tiga kelas risiko menjadi satu distribusi aggregate capital yang menjadi pondasi keputusan strategis perusahaan.