IndoMS Journal on Statistics Vol. 1, No. 2 (2013), Page. 23-33
MODEL KATASTROFE CUSP STOKASTIK: PENURUNAN FDP STASIONER Fathin Chamama1, Bevina D Handari2, Hengki Tasman3 1,2,3 Departemen Matematika,Universitas Indonesia Kampus UI Depok, Depok 16424 Email:
[email protected];
[email protected];
[email protected]
Abstract The stochastic cusp catastrophe model has been used in various fields. In finance, this model was used to explain the American stock market crash on October 19, 1987, called Black Monday. The stochastic cusp catastrophe model is a stochastic differential equation that is difficult to solve because the stochastic process lies on both sides. There is an alternative solution using a link between the stochastic cusp catastrophe model and a stationary probability density function (PDF). This paper shows in detail the derivation of the stationary PDF from a stochastic cusp catastrophe model - firstly by determining the transition PDF using Fourier transform, conditional characteristic function, Taylor series and Dirac delta, and secondly, the transition PDF is changed into a stationary PDF using Fokker-Planck equation. Keywords : catastrophe, cusp, stochastic cusp, stationer PDF. Abstrak Model katastrofe cusp stokastik telah banyak digunakan di berbagai bidang, salah satunya untuk menjelaskan krisis pasar saham Black Monday pada 19 Oktober 1987 di Amerika. Model katastrofe cusp stokastik merupakan persamaan diferensial stokastik yang kedua ruasnya mengandung proses stokastik sehingga sulit dicari solusinya. Terdapat solusi alternatif yaitu dengan menggunakan hubungan model katastrofe cusp stokastik dengan fungsi densitas probabilitas (FDP) stasioner. Pada makalah ini dibahas secara rinci tentang penurunan FDP stasioner dari model katastrofe cusp stokastik. Tahap yang digunakan pada penurunan FDP stasioner adalah menentukan FDP transisi dengan menggunakan transformasi Fourier dari fungsi karakteristik bersyarat, deret Taylor dan delta Dirac. FDP transisi kemudian dibentuk menjadi FDP stasioner dengan menggunakan persamaan Fokker-Planck. Kata kunci : katastrofe, cusp, cusp stokastik, FDP stasioner.
1. Pendahuluan Model katastrofe cusp stokastik telah banyak digunakan di berbagai bidang di antaranya bidang biologi oleh Naparstek pada tahun 1974 yang disampaikan pada [8], bidang ekonomi pada tahun 1986 oleh Fischer dan Jammernegg [9], bidang kimia pada tahun 1990 oleh 2010 Mathematics Subject Classification: 60G15, 60H10 23
24
Fathin Chamama, Bevina D Handari, Hengki Tasman
Kwok [11], bidang sosial pada tahun 2003 oleh van der Maas et al. [14], dan di bidang keuangan pada tahun 2009 oleh Barunik dan Vosvrda [1]. Model katastrofe cusp stokastik merupakan persamaan diferensial stokastik (PDS) yang kedua ruasnya mengandung proses stokastik sehingga sulit dicari solusinya [12]. Terdapat hubungan antara model katastrofe cusp stokastik dengan FDP stasioner yang memberikan solusi alternatif bagi PDS cusp [5]. FDP stasioner yang diperoleh dari penurunan model katastrofe cusp stokastik dapat digunakan untuk menentukan peristiwa katastrofe, yaitu perubahan kestabilan sistem yang terjadi secara tiba-tiba. Peristiwa katastrofe pada cusp dapat dilihat dari perubahan nilai diskriminan Cardan dan perubahan jumlah modus dari FDP stasioner [1]. Chamama [3] menunjukkan hubungan model katastrofe cusp stokastik dengan peristiwa katastrofe menggunakan FDP stasioner yang dibawa ke bentuk umum FDP stasioner cusp. Parameter bentuk umum FDP stasioner cusp diestimasi dengan menggunakan metode momen kemudian ditransfomasi menjadi parameter bentuk standar FDP stasioner cusp. Parameter-parameter yang diperoleh disubstitusikan ke FDP stasioner dan diskriminan Cardan untuk menentukan peristiwa katastrofe. Hubungan antara model katastrofe cusp stokastik dengan FDP stasioner telah disinggung oleh Cobb dan Watson [5]. Pada makalah ini dibahas secara rinci penurunan model katastrofe cusp stokastik menjadi FDP stasioner, yaitu dengan menentukan FDP transisi menggunakan transformasi Fourier dari fungsi karakteristik bersyarat, deret Taylor dan delta Dirac. FDP transisi kemudian dibentuk menjadi FDP stasioner dengan menggunakan persamaan Fokker-Planck. FDP stasioner yang diperoleh dapat digunakan untuk estimasi parameter pada data di berbagai bidang. Contoh aplikasi di bidang keuangan adalah penjelasan mengenai peristiwa krisis Black Monday di pasar saham Amerika pada 19 Oktober 1987 yang dipengaruhi oleh faktor internal, yaitu sistem perdagangan pada saat itu [4]. 2. Tahapan Penurunan FDP Stasioner Penurunan FDP stasioner dari model katastrofe cusp stokastik dilakukan dengan menggunakan dua tahapan. Tahap pertama adalah pembentukan persamaan Fokker-Planck yang dilakukan dengan langkah-langkah sebagai berikut: 1. Menetapkan sifat umum transisi FDP pertama π(π₯π‘ ) ke FDP π(π₯π‘+Ξπ‘ ) dari suatu proses stokastik ππ‘ , di π‘ β π. 2. Mencari deret Taylor pada titik π’ = 0 dari fungsi karakteristik bersyarat π(π’π‘+Ξπ‘ |π₯ β² ). 3. Mencari solusi sifat umum transisi FDP pertama π(π₯π‘ ) dengan menggunakan transformasi Fourier dari fungsi karakteristik. 4. Membentuk persamaan Fokker-Planck dari transisi FDP π(π₯π‘ ). Pada tahap kedua dilakukan pembentukan FDP stasioner dari persamaan Fokker-Planck model katastrofe cusp stokastik. Untuk memudahkan penjelasan tahap pertama, digunakan persamaan Langevin. Persamaan Langevin untuk suatu proses Wiener adalah
Model Katastrofe Cusp Stokastik: Penurunan FDP Stasioner
ππ₯ ππ‘
= βππ₯ + π(π‘)
25
(1)
dengan π(π‘) independen terhadap π₯ [7]. Persamaan Langevin dapat dinyatakan dalam bentuk PDS ItΓ΄ dengan π(π₯) = βπ π₯, π 2 (π₯) = 1, dan πππ‘ = π(π‘) ππ‘ . Dengan demikian persamaan (1) dapat dituliskan sebagai ππ₯π‘ = βππ₯π‘ ππ‘ + πππ‘ ,
(2)
dengan ππ‘ adalah proses Wiener standar [6]. Salah satu teori dasar yang digunakan pada bahasan utama adalah transformasi Fourier dari fungsi karakteristik. Misalkan π adalah variabel acak dengan fungsi densitas π(π₯). Fungsi karakteristik dari π,βππ₯ (π’) atau π(π’) didefinisikan sebagai [13] β
π(π’) = πΈ[π ππ’π₯ ] = β«ββ π ππ’π₯ π(π₯)ππ₯, (3) dengan π’ β β. Suatu fungsi densitas terdefinisi secara unik dalam bentuk fungsi karakteristik dengan 1 β π(π₯) = β«ββ π βππ’π₯ π(π’)ππ’. (4) 2π
Fungsi karakteristik π(π’) dan fungsi densitas π(π₯) membentuk suatu pasangan transformasi Fourier dengan π(π₯) merupakan balikan transformasi Fourier dari π(π’). Fungsi karakteristik dapat digunakan untuk melihat perilaku suatu fungsi di sekitar suatu titik dengan menggunakan deret Taylor. Deret Taylor dari π(π’) di sekitar titik pusat π’ = 0 adalah π’2
π(π’) = π(0) + π β² (0)βπ’ + π β²β² (0) 2! + β―.
(5)
Pada tahap pertama dibahas FDP transisi yang ditentukan dengan mencari solusi integral karakteristik dengan menggunakan sifat-sifat delta Dirac. Delta Dirac adalah fungsi yang digeneralisasi (generalized function) yang didefinisikan sebagai (πΏ, π(π₯)) = β« πΏ (π₯ β 0)π(π₯)ππ₯ = π(0),
(6)
dengan πΏ(π₯) adalah fungsi yang digeneralisasi dan π(π₯) adalah fungsi uji (test function) [16]. Didefinisikan transformasi Fourier dari fungsi delta πΏ(π₯) adalah [16] πΎ(π’) =
β 1 β« π ππ’π₯ πΏ(π₯)ππ₯ β2π ββ
=
1 β2π
,
sehingga balikan tranformasi Fourier dari πΎ(π’) adalah β 1 1 β πΏ(π₯) = β« π βππ’π₯ πΎ(π’)ππ’ = 2π β«ββ π βππ’π₯ ππ’. β2π ββ
(7)
(8)
Dengan mengubah variabel π₯ pada ruas paling kanan persamaan (8) menjadi Ξπ₯, diperoleh β² 1 β βππ’Ξπ₯ 1 β ππ’ = β«ββ π βππ’(π₯βπ₯ ) ππ’ = πΏ(π₯ β π₯ β² ) = πΏ(Ξπ₯). (9) β« π 2π ββ 2π Sifat pertama delta Dirac adalah turunan dari ruas paling kiri persamaan (9), dan dengan
26
Fathin Chamama, Bevina D Handari, Hengki Tasman
menggunakan turunan parsial dan integral parsial dapat ditunjukkan bahwa ππ 1
β
1
β
(β1)π ππ₯ π 2π β«ββ π βππ’Ξπ₯ ππ’ = 2π β«ββ( ππ’)π π βππ’Ξπ₯ ππ’.
(10)
Kemudian dengan menggunakan persamaan (9), persamaan (10) dapat ditulis sebagai ππ
1
β
(β1)π ππ₯ π πΏ(Ξπ₯) = 2π β«ββ( ππ’)π π βππ’Ξπ₯ ππ’
(11)
yang merupakan sifat pertama delta Dirac. Jika terdapat π(π₯) dan fungsi delta Dirac πΏ(π₯ β π¦) maka menurut Zauderer [16] (π(π₯)πΏ(π₯ β π¦), π(π₯)) = (πΏ(π₯ β π¦), π(π₯)π(π₯)),
(12)
sehingga dengan menerapkan definisi delta Dirac pada persamaan (6) ke persamaan (12) diperoleh sifat kedua delta Dirac, yaitu π(π₯)πΏ(π₯ β π¦) = π(π¦)πΏ(π₯ β π¦).
(13)
3. Hasil dan Pembahasan 3.1 Model Katastrofe Cusp Stokastik Katastrofe cusp didasarkan pada fungsi degenerasi terisolasi π(π₯) = π₯ 4 yang diberikan perturbasi dengan menambahkan dua parameter kontrol π’ dan π£. Fungsi parsial πΉπ’π£ (π₯): = π₯ 4 β π’π₯ 2 + π£π₯ merepresentasikan gangguan terhadap π = πΉ0,0, untuk setiap nilai parameter (π’, π£). Variabel π₯ adalah variabel keadaan (state variable). Variabel kontrol π’ dinamakan faktor bifurkasi karena perubahan nilai variabel π’ dapat menunjukkan perubahan jumlah titik ekuilibrium stabil. Variabel π£ dinamakan faktor asimetri karena perubahan nilai variabel π£ mempengaruhi bentuk fungsi potensial cusp [3]. Fungsi potensial dapat digunakan untuk melihat perilaku suatu persamaan diferensial. ππ₯ π Sistem dinamik berkaitan dengan fungsi potensialnya yang dinyatakan dalam ππ‘ = β ππ₯ π(π₯). Jika π₯(π‘) merupakan solusi sistem dinamik tersebut maka titik-titik ekuilibrium dari titik-titik ekstrim dari fungsi potensial π(π₯) [10].
ππ₯ ππ‘
adalah
Pandang bentuk katastrofe cusp, dengan fungsi potensial yang didefinisikan sebagai: 1
1
π(π₯π‘ ; π½, πΌ): = 4 π₯π‘4 β 2 π½π₯π‘2 β πΌπ₯π‘ ,
(14)
dengan π₯π‘ adalah variabel keadaan, π½ adalah faktor bifurkasi, dan πΌ adalah faktor asimetri. Perilaku sistem dapat dilihat dari perubahan variabel keadaan sepanjang waktu π‘ yang dinyatakan sebagai [1]
Model Katastrofe Cusp Stokastik: Penurunan FDP Stasioner
ππ₯π‘ ππ‘
=β
ππ(π₯π‘ ;π½,πΌ) ππ₯π‘
= βπ₯π‘3 + π½π₯π‘ + πΌ.
27
(15)
Di bidang aplikasi yang memiliki faktor ketidakpastian diperlukan perilaku nondeterministik pada sistem. Gaussian white noise aditif dapat ditambahkan sebagai faktor ketidakpastian sehingga perilaku sistem akan berubah sepanjang waktu π‘ berdasarkan [1] ππ₯π‘ = β dengan β
ππ(π₯π‘ ;π½,πΌ) ππ₯π‘
ππ(π₯π‘ ;π½,πΌ) ππ‘ ππ₯π‘
+ ππ₯π‘ πππ‘ ,
(16)
adalah bagian deterministik (drift), ππ₯π‘ adalah perubahan variabel keadaan,
ππ₯π‘ adalah standar deviasi pada proses π₯π‘ , dan ππ‘ adalah proses Wiener dengan πππ‘ βΌ π(0, ππ‘). Persamaan (16) merupakan sistem dinamik nonlinear yang solusinya sulit ditentukan secara eksplisit [12]. Cobb dan Watson [5] memberikan solusi alternatif dengan menjelaskan hubungan antara solusi persamaan (16) dengan fungsi densitas probabilitas (FDP) stasioner ππ (π₯). Dengan menggunakan transformasi Fourier terhadap fungsi karakteristik dari fungsi densitas transisi π(π₯π‘ ), deret Taylor dan delta Dirac serta menggunakan persamaan FokkerPlanck diperoleh FDP stasioner [3] ππ (π₯)
= Ξ¨β exp (β ππ π‘π (π₯π‘ )) 1
π½
2πΌ
= Ξ¨β exp (β 2π2 (π₯π‘ )4 + π2 (π₯π‘ )2 + π2 (π₯π‘ )), π₯π‘
π₯π‘
π₯π‘
(17)
β
dengan Ξ¨ adalah konstanta yang memenuhi β«ββ ππ (π₯)ππ₯ = 1. 3. 2 Pembentukan FDP Stasioner dari Model Katastrofe Cusp Stokastik Seperti pembahasan pada bagian dua, pembentukan FDP stasioner pada persamaan (17) dari model katastrofe cusp stokastik pada persaman (16) dilakukan dengan menggunakan dua tahapan yaitu pembentukan persamaan Fokker-Planck dan pembentukan FDP stasioner. Tahap Pertama: Pembentukan persamaan Fokker-Planck. Langkah 1: Bentuk sifat umum transisi FDP pertama π(π₯π‘ ) ke FDP π(π₯π‘+Ξπ‘ ) dari suatu proses stokastik ππ‘ , di π‘ β π. Akan ditentukan FDP π(π₯π‘ ), π‘ β₯ 0, dari proses stokastik ππ‘ jika diberikan π(π₯0 ) = π0 (π₯). Misalkan π(π₯π‘ ) adalah FDP pertama dari suatu proses stokastik ππ‘ , di π‘ β π sedemikian sehingga transisi FDP pertama π(π₯π‘ ) ke FDP π(π₯π‘+Ξπ‘ ) mempunyai sifat umum β
π(π₯π‘+Ξπ‘ ) = β«ββ π (π₯π‘+Ξπ‘ |π₯ β² )π(π₯ β² )ππ₯ β² ,
(18)
β²
dengan π(π₯π‘+Ξπ‘ |π₯ ) adalah fungsi densitas bersyarat dari variabel acak ππ‘+Ξπ‘ jika diberikan ππ‘ = π₯ β² [13]. Langkah 2: Tentukan deret Taylor pada titik π’ = 0 dari fungsi karakteristik bersyarat π(π’π‘+Ξπ‘ |π₯ β² ). Misalkan Ξπ = ππ‘+Ξπ‘ β ππ‘ adalah variabel acak, dengan ππ‘ = π₯ β² . Fungsi karakteristik bersyarat
28
Fathin Chamama, Bevina D Handari, Hengki Tasman
dari variabel acak Ξπ adalah β
π(π’π‘+Ξπ‘ |π₯ β² ) = πΈ[π ππ’Ξπ₯ |π₯ β² ] = β«ββ π ππ’Ξπ₯ π(π₯π‘+Ξπ‘ |π₯ β² )ππ₯,
(19)
dengan Ξπ₯ = π₯ β π₯ β² . Persamaan Langevin pada persamaan (2) dapat ditulis dalam bentuk persamaan beda sebagai berikut: Ξπ₯π‘ = βπ π₯π‘ Ξπ‘ + Ξππ‘ ,
(20)
dengan Ξππ‘ = ππ‘+Ξπ‘ β ππ‘ adalah penambahan (increment) dari proses Wiener. Persamaan (20) memiliki fungsi karakteristik bersyarat [13] π(π’π‘+Ξπ‘ |π₯ β² ) = πΈ[π ππ’Ξπ₯ |π₯ β² ] = πΈ[exp(ππ’(βπ π₯Ξπ‘ + Ξππ‘ )) |π₯ β² ] = πΈ[exp(βππ’ π π₯Ξπ‘) |π₯ β² ] + πΈ[exp(ππ’Ξππ‘ ) |π₯ β² ].
(21)
Ekspektasi bersyarat pada suku pertama ruas kanan persamaan (21) adalah πΈ[exp(βππ’ π π₯Ξπ‘) |π₯ β² ] = exp(βππ’ π π₯ β² Ξπ‘).
(22)
Karena Ξππ‘ merupakan variabel acak Gauss dengan mean nol dan variansi Ξπ‘ dan ππ‘ tidak bergantung terhadap Ξππ‘ maka ekspektasi bersyarat suku kedua ruas kanan persamaan (21) adalah (ππ’)2
(23) πΈ[exp(ππ’Ξππ‘ ) |π₯ β² ] = exp ( Ξπ‘). 2 Dengan demikian fungsi karakteristik bersyarat persamaan (19) merupakan jumlahan dari persamaan (22) dan (23) yaitu π(π’π‘+Ξπ‘ |π₯ β² ) = exp (βππ’βππ₯ β² Ξπ‘ +
(ππ’)2 Ξπ‘). 2
(24)
Selanjutnya untuk mendapatkan solusi sifat umum transisi π(π₯π‘ ) adalah dengan ekspansi fungsi karakteristik π(π’π‘+Ξπ‘ |π₯ β² ) pada deret Taylor di sekitar π’ = 0 sehingga diperoleh π(π’π‘+Ξπ‘ | π₯ β² ) = π(π’π‘+Ξπ‘ | π₯ β² )|π’=0 + π β² (π’π‘+Ξπ‘ | π₯ β² )|π’=0 βπ’ + π β²β² (π’π‘+Ξπ‘ | π₯ β² )|π’=0
π’2 2!
π’2
(25) = 1 β πππ₯β²Ξπ‘βπ’ + π 2 Ξπ‘ . 2! Langkah 3: Menentukan solusi sifat umum transisi FDP pertama π(π₯π‘ ) dengan menggunakan transformasi Fourier dari fungsi karakteristik bersyarat π(π’π‘+Ξπ‘ | π₯ β² ) pada persamaan (19). Balikan transformasi Fourier dari persamaan (19) adalah [13] β
1 π(π₯π‘+Ξπ‘ | π₯ ) = β« π βππ’Ξπ₯ π(π’π‘+Ξπ‘ |π₯ β² )ππ’. 2π β²
ββ
Selanjutnya dengan mensubstitusikan persamaan (25) ke persamaan (26) diperoleh 1
π(π₯π‘+Ξπ‘ | π₯ β² ) = 2π β« π βππ’Ξπ₯ ππ’ β
ππ₯ β² π₯π‘ β« π π’βπ βππ’Ξπ₯ ππ’ 2π
π₯π‘
+ 2π2! β«( ππ’)2 π βππ’Ξπ₯ ππ’
(26)
Model Katastrofe Cusp Stokastik: Penurunan FDP Stasioner
= β2π=0
ππ (π₯ β² ) 1 β β« ( ππ’)π π βππ’Ξπ₯ ππ’, π! 2π ββ
β²
π
29
(27)
β²
π
β²
dengan ππ (π₯ ) = πΈ[Ξπ | π₯ ] = πΈ[(βππΞπ‘ + Ξπ(π‘)) | π₯ )] disebut sebagai momen penambahan (incremental moments) yang berhubungan dengan ππ‘ [13]. Kemudian dengan menggunakan sifat delta Dirac pada persamaan (11) maka persamaan (27) menjadi π(π₯π‘+Ξπ‘ | π₯ β² ) = β2π=0
(β1)π ππ ππ (π₯ β² ) ππ₯ π πΏ(Ξπ₯). π!
(28)
Dengan mensubstitusikan persamaan (28) ke persamaan (18) diperoleh sifat umum transisi FDP pertama π(π₯π‘ ) dari proses stokastik ππ‘ sebagai berikut: β
π(π₯π‘+Ξπ‘ ) = β«ββ β2π=0
π (β1)π β² π π (π₯ ) πΏ(Ξπ₯)π(π₯ β² )ππ₯ β² π π! ππ₯ π
(β1)π ππ
β
= β2π=0 π! ππ₯ π β«ββ ππ (π₯ β² )πΏ(Ξπ₯)π(π₯ β² )ππ₯ β² . Dengan menuliskan πΏ(π₯ β π₯ β² ) = πΏ(Ξπ₯), persamaan (29) menjadi π(π₯π‘+Ξπ‘ ) = β2π=0
(β1)π ππ β β« π π! ππ₯ π ββ π
(π₯ β² )πΏ(π₯ β π₯ β² )π(π₯ β² )ππ₯ β² .
(29)
(30)
Dengan sifat delta Dirac pada persamaan (13), persamaan (30) menjadi (β1)π ππ β β« π (π₯)πΏ(π₯ β π₯ β² )π(π₯ β² )ππ₯ β² π! ππ₯ π ββ π β (β1)π ππ β2π=0 π (π₯) β«ββ πΏ (π₯ β π₯ β² )π(π₯ β² )ππ₯ β² . π! ππ₯ π π
π(π₯π‘+Ξπ‘ ) = β2π=0 =
(31)
Sesuai definisi delta Dirac pada persamaan (6), persamaan (31) dapat ditulis sebagai [13] π(π₯π‘+Ξπ‘ ) = β2π=0
(β1)π ππ [ππ (π₯)π(π₯)]. π! ππ₯ π
(32)
Persamaan (32) merupakan solusi sifat umum transisi FDP pertama π(π₯π‘ ) ke FDP π(π₯π‘+Ξπ‘ ) dari proses stokastik ππ‘ . Langkah 4: Bentuk persamaan Fokker-Planck dari transisi FDP π(π₯π‘ ). Lakukan modifikasi aljabar terhadap persamaan (32) sehingga diperoleh π(π₯π‘+Ξπ‘ ) β π(π₯π‘ ) = β2π=1 =
(β1)π ππ [ππ (π₯π‘ )π(π₯π‘ )] π! ππ₯ π
βπ[π1 (π₯π‘ )π(π₯π‘ )] 1 π2 [π2 (π₯π‘ )π(π₯π‘ )] + . ππ₯ 2 ππ₯ 2
(33)
Kemudian dengan membagi persamaan (33) dengan Ξπ‘ dan menentukan limitnya ketika Ξπ‘ β 0 diperoleh 1 (π(π₯π‘+Ξπ‘ ) β Ξπ‘β 0 π₯π‘
lim
1 βπ[π1 (π₯π‘ )π(π₯π‘ )] ( ππ₯ Ξπ‘β 0 π₯π‘
π(π₯π‘ )) = lim ππ(π₯π‘ ) ππ‘
= β
π [πΌ1 (π₯π‘ )π(π₯π‘ )] ππ₯
1 π2 [π2 (π₯π‘ )π(π₯π‘ )] ) ππ₯ 2
+2 +
1 π2 [πΌ2 (π₯π‘ )π(π₯π‘ )]. 2 ππ₯ 2
(34)
Fungsi πΌ1 (π₯π‘ ) dan πΌ2 (π₯π‘ ) pada persamaan (34) adalah momen-momen turunan (derivative moments) [13], yaitu momen penambahan yang dibagi dengan Ξπ‘ dan ditentukan limitnya ketika Ξt β 0. Berikut adalah proses perhitungan momen-momen turunan πΌ1 (π₯π‘ ) dan πΌ2 (π₯π‘ ):
30
Fathin Chamama, Bevina D Handari, Hengki Tasman
πΌ1 (π₯π‘ ) = lim
1
Ξπ‘β 0 π₯π‘
πΈ[Ξπ(π‘)|π(π‘) = π₯]
(35)
dengan Ξπ₯π‘ = βπ π₯π‘ Ξπ‘ + Ξππ‘ adalah persamaan Langevin pada persamaan (20), sehingga persamaan (35) menjadi 1 πΌ1 (π₯π‘ ) = lim π₯π‘ πΈ[βπππ‘ Ξπ‘ + Ξππ‘ |π(π‘) = π₯] Ξπ‘β 0
1 (πΈ[βπππ‘ Ξπ‘|π(π‘) π₯π‘ Ξπ‘β 0
= lim
= π₯] + πΈ[Ξππ‘ |π(π‘) = π₯])
= βππ,
(36)
dan 1 πΈ[(Ξππ‘ )2 |π(π‘) = π₯] Ξπ‘β 0 π₯π‘ 1 lim πΈ[(βπππ‘ Ξπ‘ + Ξππ‘ )2 |π(π‘) Ξπ‘β 0 π₯π‘
πΌ2 (π₯π‘ ) = lim =
= π₯]
= 1. (37) Dengan mensubstitusikan persamaan (36) dan (37) ke persamaan (34), maka persamaan (34) menjadi ππ(π₯π‘ ) ππ‘
1 π2
π
= ππ₯ [ππ₯π(π₯π‘ )] + 2 ππ₯ 2 [1π(π₯π‘ )] =π
π [π₯π(π₯π‘ )] ππ₯
+
1 π2 [π(π₯π‘ )]. 2 ππ₯ 2
(38)
Persamaan (38) dikenal sebagai persamaan Fokker-Planck. Dalam hal ini adalah persamaan Fokker-Planck dari persamaan Langevin. Persamaan Langevin pada persamaan (2) mengikuti bentuk PDS ItΓ΄, sehingga proses pada tahap pembentukan persamaan Fokker-Planck dapat dilakukan pada bentuk umum PDS ItΓ΄. Misalkan suatu persamaan diferensial stokastik memenuhi PDS ItΓ΄ ππ₯π‘ = π(π₯π‘ )ππ‘ + π(π₯π‘ )πππ‘ , dengan persamaan beda
(39)
Ξπ₯π‘ = π(π₯π‘ )Ξπ‘ + π(π₯π‘ )Ξπ΅π‘ .
(40)
Dengan mengacu proses perubahan persamaan (2) menjadi persamaan (38), maka persamaan Fokker-Planck dari PDS ItΓ΄ pada persamaan (39) adalah ππ(π₯π‘ ) ππ‘
=
π [βπ(π₯π‘ )π(π₯π‘ )] ππ₯
+
1 π2 [π 2 (π₯π‘ )π(π₯π‘ )]. 2 ππ₯ 2
(41)
Tahap Kedua: Tentukan FDP stasioner bentuk umum PDS ItΓ΄ pada persamaan (41). Di bawah kondisi momen-momen turunan πΌπ (π₯π‘ ) yang tidak bergantung terhadap waktu π‘, ekspektasi FDP π(π₯π‘ ) mendekati nilai stasioner [13]. Dalam menentukan FDP stasioner dilakukan hal-hal sebagai berikut: ππ(π₯π‘ ) =0 ππ‘ π 1 π2 [βπ(π₯)π ] + [π 2 (π₯)ππ ] π ππ₯ 2 ππ₯ 2
= 0, kemudian dengan mengintegralkan kedua ruas persamaan (42), diperoleh 1 π
βπ(π₯)ππ (π₯) + 2 ππ₯ [π 2 (π₯)ππ (π₯)] = π1 .
(42) (43)
Model Katastrofe Cusp Stokastik: Penurunan FDP Stasioner
31
Dengan memisalkan π 2 (π₯)ππ (π₯) = β(π₯) [13], persamaan (43) menjadi π 2π(π₯) β(π₯) β π2 (π₯) β(π₯) ππ₯
= 2π1 .
(44)
Persamaan (44) memiliki bentuk persamaan diferensial linear orde 1 yang mempunyai solusi π₯
π(π )
π₯
π
π₯ π(π ) ππ ] [π π 2 (π )
+ 2π1 β«0 exp [2 β«π₯ β π2 (π ) ππ ] ππ].
π(π )
β(π₯) exp [2 β«0 β π2 (π ) ππ ] = β«0 2 π1 βexp [2 β«π₯ β π2 (π ) ππ ] ππ + π, atau β(π₯) = exp [2 β«0
π₯
π
π(π )
Kemudian jika pada persamaan (45) diasumsikan ππ (Β±β) = 0 dan ππ (π₯) =
β(π₯) π 2 (π₯)
diperoleh
β(π₯) π 2 (π₯)
π β(π₯) ππ₯ π 2 (π₯)
= 0 dan
πππ (Β±β) ππ₯
(45) = 0, maka karena
= 0. Dengan demikian persamaan (44) bernilai
0, atau dengan perkataan lain π1 = 0, sehingga persamaan (45) menjadi π₯ π(π ) ππ ]. π 2 (π )
β(π₯) = πβ exp [2 β«0
(46)
Selanjutnya, karena β(π₯) = π 2 (π₯)ππ (π₯) maka persamaan (46) menjadi ππ (π₯) =
π exp π 2 (π₯)
π₯ π(π ) ππ ], π 2 (π )
[2 β«0
(47)
β
dengan π adalah konstanta yang memenuhi β«ββ ππ (π₯)ππ₯ = 1 [13]. Persamaan (47) adalah FDP stasioner dari persamaan Fokker-Planck pada persamaan (41). Model katastrofe cusp stokastik pada persamaan (16) memiliki bentuk PDS ItΓ΄ dengan ππ(π₯ ;π½,πΌ) π(π₯) = β ππ₯π‘ dan π 2 (π₯) = ππ₯2π‘ . Dengan menggunakan langkah-langkah pada tahap π‘
pertama, PDS ItΓ΄ pada persamaan (16) mempunyai persamaan Fokker-Planck ππ(π₯π‘ ) ππ‘
=
π ππ(π₯π‘ ;π½,πΌ) 1 π2 [ ]+ [π 2 π(π₯π‘ )]. ππ₯ ππ₯π‘ 2 ππ₯ 2 π₯π‘
(48)
Kemudian dengan menerapkan proses tahap ke dua pada persamaan (48) seperti pada proses perubahan persamaan (41) menjadi persamaan (47), diperoleh ππ (π₯) =
π exp ππ₯2π‘
π₯ βππ(π ;π½,πΌ)/ππ
[2 β«0
ππ 2π‘
ππ ].
(49)
Sesuai dengan model katastrofe cusp stokastik pada persamaan (16), maka persamaan (49) dapat dituliskan sebagai π
π₯ (βπ 3 +π½π +πΌ)
ππ (π₯) = π2 exp [2 β«0 Ξ¨β exp [2
π₯π‘ 1 π½ (β π₯ 4 + π₯ 2 +πΌπ₯) 4 2 ππ₯2π‘
ππ 2π‘
ππ ] = (50)
], β
dengan Ξ¨ adalah konstanta yang memenuhi β«ββ ππ (π₯)ππ₯ = 1.
32
Fathin Chamama, Bevina D Handari, Hengki Tasman
Karena koefisien difusi ππ₯π‘ pada persamaan (50) merupakan fungsi konstan maka menurut Wagenmakers et al. [15], fungsi potensial π(π₯π‘ ) memiliki hubungan dengan fungsi potensial stokastik ππ π‘π (π₯π‘ ) yang memenuhi persamaan ππ π‘π (π₯π‘ ) =
2π(π₯π‘ ) . ππ₯2π‘
(51)
Dengan demikian diperoleh bahwa FDP stasioner pada persamaan (50) adalah FDP stasioner pada persamaan (17), sehingga telah ditunjukkan bahwa model katastrofe cusp stokastik berhubungan dengan suatu FDP stasioner.
4. Kesimpulan Dari uraian di atas diperoleh kesimpulan bahwa model katastrofe cusp stokastik dapat diturunkan menjadi suatu FDP stasioner yang merupakan solusi alternatif bagi PDS cusp. Ucapan terima kasih. Terimakasih kepada Loren Cobb yang telah mengirimkan beberapa artikel yang sangat mendukung penulisan makalah ini.
Daftar Pustaka [1] Barunik, J., & Vosvrda, M., 2009, β Can a stochastic cusp catastrophe model explain stock market crashes?β Journal of Economic Dynamic & Control, 33, 1824-1836. [2] Castrigiano, D.P.L., & Hayes, S.A., 1993, Catastrophe theory, Addison-Wesley, Canada. [3] Chamama, F., 2012, βModel katastrofe cusp stokastik pada krisis pasar sahamβ, Tesis Departemen Matematika, Universitas Indonesia. [4] Chamama, F., Handari, B.D., & Tasman, H., 2012, βAplikasi Model katastrofe cusp stokastik pada krisis pasar sahamβ, KNM XVI, IndoMS. [5] Cobb, L., & Watson, B., 1980, βStatistical catastrophe theory : An overviewβ, Mathematical Modelling, 1, 311-317. [6] Cobb, L., & Koppstein, P., & Neng, H.C., 1983, βEstimation and moment recursion relations for multimodal distributions of the exponential familyβ, Journal of the American Statistical Association, 78 (381), 124-130. [7] Cobb, L., 1999, βStochastic differential equations for the social sciencesβ. Mathematical Frontiers of the Social and Policy Sciences, Chapter 2. Westview Press. [8] Cobb, L., & Zacks, S., 1985, βApplications of catastrophe theory for statistical modelling in the biosciencesβ. Journal of the American Statistical Association, 80 (392),793-802. [9] Fischer, E.O., & Jammmernegg, W., 1986,βEmpirical Investigation of a catastrophe theory extension of the Phillips Curveβ. The Review of Economics and Statistics, 68 (1),. 9-17. 10] Hale, J., & Kocak, H., 1991, Dynamics and bifurcations, Springer-Verlag, New York. [11] Kwok, L.S., 1990,βApplication of Catastrophe Theory to Corneal Swellingβ, Proceedings: Biological Sciences, 242 (1305), 141-147.
Model Katastrofe Cusp Stokastik: Penurunan FDP Stasioner
33
[12] Shreve, S.E., 2004, Stochastic calculus for finance II Continuous-time models, Springer, New York. [13] Soong, T.T., 1973, Random differential equations in science and engineering, Academic Press, New York. [14] van der Maas, H.L.J., Kolstein, R., & van der Pligt, J., 2003, βSudden Transitions in Attitudesβ, Sociological Methods & Research, 32 (2), 125-152. [15] Wagenmakers, E.J., Molenaar, P.C.M,. Hartelman, P.A.I., & van der Maas, H.L.J., 2005. βTransformation invariant stochastic catastrophe theoryβ,Physica D, 211, 263-276. [16] Zauderer, E., 2006, Partial differential equations of applied mathematics (3rd ed), John Wiley & Sons, New Jersey.
34
Fathin Chamama, Bevina D Handari, Hengki Tasman