---
title: "Model Volatilitas Stokastik: Varians Acak, Premia Risiko, dan Dinamika Senyum"
description: "Pahami kelompok model volatilitas stokastik, pisahkan dinamika varians fisik dan netral risiko, bandingkan Heston, SABR, dan pilihan volatilitas kasar, dan validasi kalibrasi di luar senyuman statis."
image: "https://wiki.fcontext.com/og.png"
---

> Documentation Index
> Fetch the complete documentation index at: https://wiki.fcontext.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Model Volatilitas Stokastik: Varians Acak, Premia Risiko, dan Dinamika Senyum

> Hanya untuk tujuan edukasi; bukan merupakan nasihat investasi atau rekomendasi investasi. Investasi dapat mengakibatkan kerugian.

<a id="answer"></a>

## Jawaban langsung

**Model volatilitas stokastik** menjadikan varians sesaat suatu aset sebagai variabel keadaan acak, bukan fungsi konstan atau deterministik dari titik dan waktu. Dalam spesifikasi dua faktor berkelanjutan yang umum:

`dS_t = μ_t S_t dt + √v_t S_t dW_t^S`

`dv_t = a(v_t,t)dt + b(v_t,t)dW_t^v`, dengan `dW_t^S dW_t^v = ρ_t dt`

Guncangan varians ekstra dapat menciptakan volatilitas yang bervariasi terhadap waktu, pengelompokan, pengembalian rata-rata, kemiringan, dan dinamika senyuman yang lebih kaya. Model ini tidak menjadikan volatilitas “diketahui”; ini menentukan hukum probabilitas yang parameter dan versi netral risikonya harus diperkirakan atau dikalibrasi.

Ini adalah keluarga model, bukan satu formula. Heston menggunakan proses varians akar kuadrat yang kembali ke rata-rata, SABR mengembangkan forward dan volatilitasnya, model varians forward memodelkan struktur jatuh tempo varians, dan model volatilitas kasar menggunakan memori non-Markovian. Setiap pilihan sesuai untuk fitur yang berbeda dan menimbulkan risiko numerik serta risiko model yang berbeda.

Cakupan: halaman ini membahas mekanika model untuk opsi vanilla dan bergantung lintasan, yang terdaftar maupun over-the-counter, dengan aset dasar saham, valuta asing, suku bunga, dan komoditas. Ini adalah kerangka umum, bukan uraian tentang bursa, broker, akun margin, rezim pajak, atau yurisdiksi tertentu. Contohnya hipotetis dan menggunakan tanggal acuan 2026-08-22; periksa ketentuan produk, konvensi pasar, aturan akun, dan yurisdiksi yang berlaku sebelum menerapkannya. Ini bukan nasihat investasi, hukum, atau pajak individual.

<a id="mechanism"></a>

## Dinamika fisik bukanlah dinamika harga

Pengembalian historis dimodelkan berdasarkan ukuran fisik `P`; penilaian opsi tanpa arbitrase menggunakan ukuran netral risiko `Q`. Dengan guncangan varians yang tidak diperdagangkan, saham dan uang tunai pada umumnya tidak dapat mencakup semua sumber ketidakpastian. Pasarnya tidak lengkap, sehingga tidak adanya arbitrase saja tidak secara unik menentukan premi risiko varians atau penyimpangan varians `Q`.

Secara skematis, keadaan varians yang sama mungkin memiliki:

`dv_t = a_P(v_t,t)dt + b(v_t,t)dW_t^{v,P}`

di bawah `P`, tapi

`dv_t = a_Q(v_t,t)dt + b(v_t,t)dW_t^{v,Q}`

di bawah `Q`. Perbedaan antara `a_P` dan `a_Q` menyematkan kompensasi atas risiko volatilitas. Memperkirakan `P` parameter dari pengembalian dan memasukkannya tanpa perubahan ke dalam harga opsi secara diam-diam menghilangkan perbedaan tersebut.

Korelasi `ρ` menghubungkan imbal hasil dan guncangan varians. Dalam model ekuitas, korelasi negatif yang netral terhadap risiko sering kali membantu menghasilkan sisi bawah opsi jual yang lebih mahal. Volatilitas dari volatilitas mengontrol penyebaran varians di masa depan dan memengaruhi kelengkungan senyum. Pembalikan rata-rata membentuk struktur jangka waktu. Interpretasi ini bersifat kondisional: parameter berinteraksi, dan beberapa set parameter dapat menghasilkan harga vanilla yang serupa.

### Kesesuaian statis versus dinamika

Kalibrasi meminimalkan kesalahan di seluruh teguran dan kedaluwarsa pada satu waktu. Model risiko juga harus menentukan bagaimana permukaan tersebut berubah setelah guncangan spot, waktu, dan volatilitas. Dua model dapat menandingi vanilla saat ini dan menghasilkan nilai penghalang yang berbeda, forward skews, rasio lindung nilai, dan P/L hari berikutnya. Oleh karena itu, dinamika senyuman dan lindung nilai di luar sampel merupakan target validasi yang terpisah dari kesalahan kalibrasi.

<a id="example"></a>

## Contoh: satu varian saat ini, dua ukuran

Asumsikan varians saat ini adalah `v₀ = 0.04`, maka volatilitas sesaat saat ini adalah `√0.04 = 20%`. Sebagai ilustrasi, anggaplah varians adalah pengembalian rata-rata pada setiap ukuran:

`E[v_T] = θ + (v₀ − θ)e^(−κT)`

Gunakan parameter hipotetis berikut:

| Ukur | `κ` | `θ` | Enam bulan `E[v_0.5]` |
| --- | ---: | ---: | ---: |
| Fisik `P` | `1` | `0.04` | `0.04` |
| Netral risiko `Q` | `2` | `0.0625` | `0.05422` |

Di bawah `P`:

`0.04 + (0.04 − 0.04)e^(−1×0.5) = 0.04`

Di bawah `Q`:

`0.0625 + (0.04 − 0.0625)e^(−2×0.5) = 0.05422`

Akar kuadrat masing-masing adalah `20%` dan `23.29%`. Perbedaan ini bukan merupakan perkiraan keuntungan opsi dan tidak mengidentifikasi premi risiko dari satu pengamatan. Hal ini menunjukkan mengapa struktur istilah varians netral risiko yang dikalibrasi dari opsi tidak dapat diberi label ulang sesuai dengan ekspektasi volatilitas terealisasi.

Selain itu, `√E[v_T]` umumnya tidak sama dengan `E[√v_T]`. Contoh ini melaporkan akar kuadrat dari varians yang diharapkan, bukan volatilitas yang diharapkan. Nilai opsi penuh bergantung pada distribusi dan jalur varians, korelasinya dengan keuntungan, dan hasil, bukan hanya rata-ratanya.

<a id="risks"></a>

## Daftar periksa pemilihan dan validasi model

- Menyatakan persamaan stokastik, ukuran, keadaan variabel, satuan parameter, perilaku batas, dan struktur korelasi.
- Pisahkan parameter yang diperkirakan dari pengembalian di bawah `P` dari yang dikalibrasi ke harga opsi di bawah `Q`.
- Gunakan kutipan yang dapat dieksekusi, penerusan, faktor diskon, dividen, dan persyaratan kontrak yang dapat dieksekusi secara tersinkronisasi.
- Timbang kesalahan kalibrasi berdasarkan relevansi ekonomi seperti Bid-Ask atau Vega, dan periksa setiap kadaluarsa dan sayap.
- Jalankan beberapa tebakan awal dan laporkan kumpulan parameter yang hampir setara; satu hasil pengoptimal mungkin tidak dapat diidentifikasi.
- Periksa kepositifan, kondisi momen, bias simulasi, diskritisasi, integrasi transformasi, dan penanganan cabang.
- Harga ulang semua instrumen kalibrasi dan bandingkan kesalahan dengan spread pasar, tidak hanya IV RMSE.
- Validasi pergerakan permukaan di masa depan, lindung nilai P/L, dan stabilitas parameter dari sampel.
- Lonjakan harga yang tertekan, varians peristiwa, pemutusan korelasi, lonjakan volatilitas, dan hilangnya likuiditas.
- Bandingkan Heston, volatilitas lokal, volatilitas stokastik-lokal, lompatan, dan alternatif kasar untuk hasil sebenarnya.
- Perlakukan Amerika exercise, dividen diskrit, hambatan, dan ketergantungan jalur dengan metode numerik yang sesuai.
- Termasuk biaya transaksi, lindung nilai ulang yang terpisah, pendanaan, assignment, dan instrumen lindung nilai yang tidak tersedia.
- Catat risiko mana yang sengaja dihilangkan oleh model; kalibrasi yang tepat tidak mengurangi risiko yang dihilangkan.

<a id="misconceptions"></a>

## Kesalahpahaman umum

- **“Volatilitas stokastik memprediksi volatilitas.”** Ini mendefinisikan dinamika kondisional setelah model dan parameter dipilih.
- **“Opsi harga parameter varians historis.”** Penetapan harga umumnya memerlukan dinamika netral risiko dan premi risiko volatilitas.
- **“Kesesuaian vanilla yang sempurna membuktikan modelnya.”** Kesesuaian statis tidak mengidentifikasi jalur realistis atau perilaku lindung nilai.
- **“Lebih banyak faktor selalu meningkatkan akurasi.”** Fleksibilitas dapat meningkatkan ketidakstabilan, overfitting, dan risiko parameter yang tidak dapat dilindungi nilai.
- **"Volatilitas stokastik mencakup crash."** Model varians yang berkelanjutan masih dapat menghilangkan lonjakan harga dan varians yang terputus-putus.
- **"Varians yang diharapkan netral risiko adalah perkiraan pasar."** Ini adalah objek penetapan harga yang mengandung premi risiko dan bergantung pada konvensi.
- **“Satu parameter yang dikalibrasi mempunyai satu arti ekonomis.”** Parameter saling mengimbangi dan dapat diidentifikasi secara lemah.

<a id="related"></a>

## Topik terkait

- [Model Heston](/id/options/heston-model/)
- [Model volatilitas lokal](/id/options/local-volatility-model/)
- [Dinamika miring](/id/options/skew-dynamics/)
- [Risiko model opsi](/id/options/option-model-risk/)

<a id="sources"></a>

## Sumber akademis

- [Hull and White: Penetapan Harga Opsi pada Aset dengan Volatilitas Stokastik](https://doi.org/10.1111/j.1540-6261.1987.tb02568.x)
- [Heston: Solusi Bentuk Tertutup untuk Opsi dengan Volatilitas Stokastik](https://doi.org/10.1093/rfs/6.2.327)
- [Bergomi: Dinamika Senyuman IV](https://doi.org/10.2139/ssrn.1520443)
- [Hagan dkk.: Mengelola Risiko Senyuman](https://www.math.uchicago.edu/~rl/BFL2008v5.pdf)

Source: https://wiki.fcontext.com/id/options/stochastic-volatility-model/index.mdx