📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 7 dokumenPREDIKSI RETURN SAHAM DAN PEMBENTUKAN PORTOFOLIO INDEKS LQ45 MENGGUNAKAN MODEL LSTM DAN BILSTM BERBASIS INDIKATOR TEKNIKAL DAN SENTIMEN BERITA
Pasar saham yang dinamis memberikan tantangan signifikan dalam memprediksi harga return saham untuk mendukung pembentukan portofolio. Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis deep learning, yaitu Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM) yang mampu menangkap pola kompleks data deret waktu. Data yang digunakan mencakup harga penutupan harian 44 saham indeks LQ45 periode sebelum, saat, dan pasca-pandemi, di mana saham AADI diekslusi karena keterbatasan data historis. Hasil eksperimen menunjukkan bahwa model univariat tidak dapat bekerja dengan baik karena menghasilkan prediksi serupa dengan ratarata. Perbaikan dilakukan melalui skenario multivariat dengan mengintegrasikan indikator teknikal, serta dilanjutkan dengan integrasi analisis sentimen berita untuk mengatasi ketidaklengkapan informasi pada saham-saham volatil seperti AMMN dan BREN. Model BiLSTM dengan integrasi sentimen terbukti menjadi model terbaik dengan rata-rata ???? 2 sebesar 0.9133 dan directional accuracy sebesar 96.43%. Hasil prediksi dari model terbaik ini berhasil diimplementasikan untuk membentuk rekomendasi portofolio masa depan, di mana diversifikasi terbukti mampu mereduksi volatilitas portofolio seiring dengan peningkatan jumlah aset (????), yaitu dari 0.02951 pada portofolio dengan 2 aset (???? = 2) menjadi 0.01532 pada portofolio dengan 10 aset (???? = 10). Penelitian ini diharapkan dapat memberikan kontribusi dalam membangun model prediksi berbasis LSTM dan BiLSTM yang mampu meningkatkan akurasi dalam kondisi pasar yang fluktuatif pasca-pandemi.
ANALISIS KINERJA CHRONOS FOUNDATIONAL TIME-SERIES MODEL UNTUK PREDIKSI HARGA SAHAM PERUSAHAAN TEKNOLOGI DI PASAR SAHAM AMERIKA
Prediksi pergerakan harga saham merupakan sebuah tantangan karena sifat pasar yang kompleks dan dinamis. Model seperti GRU dan LSTM telah umum digunakan untuk tugas ini. Namun, saat ini muncul tren baru yang menggunakan foundational model seperti Chronos-T5, yang pada awalnya dikembangkan untuk tugas-tugas pemrosesan bahasa. Pendekatan ini memperlakukan data deret waktu harga saham seperti rangkaian kata dalam sebuah kalimat, dengan tujuan agar model dapat mempelajari "tata bahasa" atau pola yang mendasari pada data deret waktu. Penelitian ini bertujuan untuk menguji dan mengevaluasi kelayakan penggunaan foundation model Chronos untuk memprediksi harga saham di pasar maju seperti Amerika. Studi kasus yang digunakan adalah data harga penutupan harian saham perusahaan teknologi di pasar amerika seperti AMD ($AMD), Intel ($INTC), dan Nvidia ($NVDA), dalam periode waktu lima tahun (07/2020 – 08/2025). Kemampuan prediksi Chronos akan dievaluasi dalam dua skenario: prediksi langsung tanpa pelatihan khusus (zero-shot) dan prediksi setelah pelatihan tambahan (fine-tuning). Kinerja model Chronos kemudian akan dibandingkan dengan model deep learning yang lebih umum digunakan, seperti GRU. Evaluasi perbandingan kinerja akan diukur menggunakan metrik statistik seperti Simple Return, Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Directional Accuracy (DA).
PREDIKSI HARGA SAHAM BERBASIS LAPORAN KEUANGAN DAN ANALISIS SENTIMEN PASAR DENGAN ENSEMBLE LEARNING
Investasi saham yang menjadi semakin populer mendorong keinginan untuk pembentukan model prediksi harga saham yang akurat. Namun, harga saham sendiri sangat fluktuatif dan sulit untuk diprediksi. Harga saham sendiri dipengaruhi oleh tiga faktor utama, yaitu faktor fundamental, faktor teknikal, dan faktor sentimen pasar. Penelitian yang ada saat ini kebanyakan hanya memanfaatkan salah satu dari ketiga faktor tersebut. Penelitian ini mengatasi tantangan prediksi harga saham yang fluktuatif dengan mengintegrasikan dua faktor kunci, yaitu faktor fundamental menggunakan data dari laporan keuangan dan faktor sentimen pasar dari berita saham. Metodologi yang digunakan adalah membentuk dataset baru dan membangun model ensemble learning dengan pendekatan stacking, yang menggabungkan tiga arsitektur deep learning (LSTM, GRU, dan Transformer) untuk menghasilkan prediksi yang lebih akurat. Hasil utama menunjukkan model gabungan ini berhasil mencapai Mean Absolute Percentage Error (MAPE) sebesar 2.33% pada data uji saham BBRI. Kinerja ini secara signifikan melampaui model baseline yang hanya menggunakan data laporan keuangan (MAPE 5.03%) atau data sentimen saja (MAPE 4.86%). Validasi pada saham BBCA dan BMRI juga menunjukkan hasil yang konsisten, membuktikan efektivitas pendekatan ini dalam meningkatkan akurasi prediksi harga saham.
PREDIKSI ARAH PERGERAKAN INDEKS S&P 500 MENGGUNAKAN MODEL GRADIENT BOOSTING DENGAN INTEGRASI FITUR TEKNIKAL, MAKROEKONOMI, DAN SENTIMEN MEDIA SOSIAL
Prediksi arah pergerakan pasar saham merupakan tantangan fundamental dalam keuangan kuantitatif. Penelitian ini mengatasi tantangan tersebut dengan mengembangkan model prediktif yang mengintegrasikan tiga pilar data, yaitu fitur teknikal, makroekonomi, dan sentimen media sosial, untuk memprediksi pergerakan harian Indeks S&P 500. Dengan kerangka kerja eksperimental yang sistematis, tiga model Gradient Boosting terkemuka, yakni LightGBM, XGBoost, dan CatBoost, dievaluasi kemampuannya untuk mengklasifikasikan pergerakan pasar ke dalam tiga kategori (Naik, Turun, Sideways) menggunakan metode Triple-Barrier yang adaptif terhadap volatilitas. Hasil utama menunjukkan bahwa integrasi seluruh sumber data menciptakan sinergi informasi yang signifikan dan melampaui kontribusi masing-masing komponen secara individual. Model paling komprehensif, yang diimplementasikan dengan CatBoost, mencapai kinerja puncak dengan akurasi 0,9157 dan F1-Score 0,9155 pada data uji. Analisis kepentingan fitur juga mengonfirmasi bahwa sinyal dari indikator teknikal, variabel makroekonomi, dan sentimen publik merupakan prediktor krusial yang melengkapi data harga historis. Penelitian ini menyimpulkan bahwa pendekatan multimodal, yang diproses oleh model robust seperti CatBoost, merupakan strategi superior untuk tugas prediksi arah pergerakan pasar saham yang kompleks.
OPTIMASI PORTOFOLIO SAHAM BERBASIS DEEP REINFORCEMENT LEARNING: STUDI ALGORITMA DEEP Q-NETWORK
Fenomena algorithmic trading adalah suatu fenomena yang sedang marak terjadi belakangan ini. Pesatnya perkembangan algoritma kecerdasan buatan dan menggiurkannya berinvestasi di pasar saham membuat kebolehan algorithmic trading dilirik, baik dari sisi akademis seperti halnya pengembangan algoritma, maupun sisi investasi seperti halnya bisnis. Tesis ini bertujuan untuk menerapkan algoritma Deep QNetwork yang merupakan algoritma dari Deep Reinforcement Learning dan membandingkan hasilnya dengan metode optimasi konvensional: metode DJIA dan metode Sharpe ratio. Berbeda dari supervised- dan unsupervised- learning, reinforcement learning bekerja dengan cara mensimulasikan sistem ke dalam dua bagian utama, yakni interasi antara agent dan environment. Data bersumber dari Dow Jones Industrial Average, diurutkan berdasarkan market capital, yang dibagi menjadi: training (1 Januari 2009 s.d. 31 Desember 2019); validasi (1 Januari 2020) s.d. 31 Desember 2021); dan testing (1 Januari 2022 s.d. 14 Desember 2023). Hasil simulasi menunjukkan bahwa penghasilan portofolio yang didapat mengungguli dua metode konvensional. Namun perlu dicatat bahwa hasil ini tidak berlaku mutlak karena environment yang dibuat perlu terus diperbaharui mengikuti fluktuasi pasar saham.
DETEKSI PERUBAHAN IHSG SAAT COVID-19 DI INDONESIA MENGGUNAKAN PROSES GAUSSIAN
Pandemi COVID-19 di Indonesia telah memberikan dampak signifikan terhadap pasar saham di Indonesia, salah satunya Indeks Harga Saham Gabungan (IHSG). Penelitian ini bertujuan untuk mendeteksi titik perubahan harga saham IHSG saat fase pandemi COVID-19 di Indonesia dengan menggunakan metode Proses Gaussian. Latar belakang penelitian ini didasari untuk memahami dan menganalisis fluktuasi pasar saham dalam situasi krisis seperti pandemi yang dapat memberikan dampak besar terhadap keputusan investasi. IHSG dipilih karena mencerminkan kondisi pasar saham di Indonesia. Penelitian ini menggunakan data harga saham IHSG mingguan dari tahun 2019 sampai dengan 2023 yang dianalisis menggunakan metode Proses Gaussian dengan kernel Radial Basis Function (RBF) dan Matern. Analisis ini dilakukan dengan menghitung nilai Generalized Likelihood Ratio Test (GLRT) untuk mendeteksi titik perubahan dengan variasi ambang batas 10, 20, 30, 40, dan 45 untuk melihat sensitivitas deteksi. Hasil penelitian menunjukkan ambang batas 35 pada kernel RBF dan 20 pada kernel Matern merupakan yang terbaik dalam mendeteksi perubahan karena memberikan keseimbangan yang baik antara sensitivitas dan spesifisitas deteksi perubahan. Selain itu, beberapa peristiwa penting saat COVID-19 di Indonesia menyebabkan lonjakan yang signifikan dalam nilai GLRT, yaitu melebihi nilai ambang batas terbaik. Nilai GLRT yang rendah dan stabil, yaitu nilai dengan kurang dari ambang batas terbaik menunjukkan kondisi pasar yang normal tanpa perubahan signifikan atau volatilitas tinggi. Kesimpulannya, metode Proses Gaussian dengan kernel RBF dan Matern efektif dalam mendeteksi perubahan signifikan dalam harga saham IHSG selama pandemi COVID-19. Metode ini membantu investor dalam memantau volatilitas pasar agar dapat merencanakan strategi investasi adaptif apabila menghadapi fluktuasi pasar saham dalam situasi krisis seperti pandemi.
ANALISIS PERGERAKAN SAHAM MARKETPLACE INDONESIA MENGGUNAKAN MODEL LONG-SHORT TERM MEMORY (LSTM) DENGAN HYPERPARAMETER TUNING
Fisika merupakan ilmu yang mempelajari struktur materi dan interaksi antara unsur-unsur dasar alam semesta yang dapat diamati. Ilmu fisika dapat memunculkan pandangan baru dalam menghadapi ekonomi. Pasar saham, oleh karena digolongkan sebagai sistem kompleks dengan elemen-elemen yang berinteraksi secara tidak teratur, dapat menggunakan pendekatan fisika dalam analisisnya. Bisnis e-commerce atau markerplace yang telah mencapai valuasi milliaran menjadi salah satu komponen besar pasar saham menjadi salah satu opsi investasi dengan peminat yang meningkat. Oleh karena kompleksitas pergerakan ini, digunakan beberapa metode dalam prediksi pergerakan pasar antara lain analisis teknikal, menggunakan model machine learning, dan analisis fundamental yang menggunakan data-data internal perusahaan. Model yang digunakan, yaitu Long-Short Term Memory (LSTM), karena kemampuannya dalam menyimpan informasi dari loop jarak jauh dan model Bidirectional Long-Short Term Memory (BLSTM) karena kemampuannya yang dapat menerima informasi baik dari urutan depan (forward) maupun belakang (backward) sebagai perbandingan performa model. Kegiatan optimasi model menggunakan hyperparameter tuning dengan Grid Search untuk menghasilkan prediksi terbaik. Kemudian, dilakukan perbandingan antara hasil prediksi model dan analisis fundamental. Model dengan performa terbaik menggunakan model BLSTM-HT, dengan hasil RMSE training sebesar 3,3346 dan testing sebesar 3,8512 dan error maksimal yang didapat sebesar 15,3361 USD dan 9,0531 USD. Hasil prediksi model menunjukkan saham perusahaan secara umum naik. Hal ini sesuai dengan prediksi dari hasil analisis fundamental yang dilakukan, dimana walaupun terdapat beberapa kerugian yang dialami oleh perusahaan, oleh karena potensi bisnis model yang baik dan potensi sektor yang terus berkembang, diprediksi saham akan mengalami kenaikan.