Analisis dan Implementasi Strategi Online Moving Average Reversion untuk Pembobotan Portfolio
Abstract
Abstrak-Hal terpenting yang dilakukan oleh investor untuk mengurangi resiko dan menghitung hasil investasi salah satunya seleksi saham untuk pembuatan portofolio. Seleksi portofolio merupakan permasalahan yang kerap dijumpai dalam investasi saham. Hal ini menarik perhatian para komunitas machine learning untuk mengembangkan sistem yang bisa menyeleksi data saham dan menghasilkan return yang maksimal. Oleh karena, itu kami memilih algoritma “Online Portofolio Selection” untuk seleksi portofolio. Namun untuk seleksi portfolio membutuhkan analisis pasar saham yang bisa mendeteksi tren saham dengan aman. Secara empiris, moving average merupakan salah satu cara dalam menentukan tren saham dengan performa yang baik untuk dataset besar. Dari sekian banyak moving average kami menggunakan Moving Average Reversion (MAR) karena dapat memprediksi harga saham selanjutnya. Gabungan dari algoritma seleksi portofolio menggunakan Online Portofolio Selection yang dapat memaksimalkan return dan Moving Average Reversion yang dapat memprediksi harga saham selanjutnya, kami sebut dengan Online Moving Average Reversion (OLMAR). Dari hasil penelitian kami, OLMAR memberikan performa yang sangat baik. Selain menghasilkan return yang tinggi, OLMAR juga bekerja sangat cepat.
Kata kunci-seleksi portofolio, moving average, OLMAR, MAR
References
B. Li, S. C. H. Hoi, D. Sahoo, and Z. Y. Liu, “Moving average reversion strategy for on-line portfolio selection,” Artif. Intell., vol. 222, pp. 104–123, 2015, doi: 10.1016/j.artint.2015.01.006.
H. M. Markowitz, “Mean-Variance Analysis,” pp. 194–198, 1989.
L. C. MacLean, E. O. Thorp, Y. Zhao, and W. T. Ziemb, “Medium term simulations of the full Kelly and fractional Kelly investment strategies,” Kelly Cap. Growth Invest. Criterion Theory Pract., pp. 545–563, 2011, doi: 10.1142/9789814293501_0038.
B. I. N. Li and S. C. H. Hoi, “Li - Online Portfolio Selection - 2014,” vol. 46, no. 3, 2014.
S. C. H. Hoi and J. Wang, “Institutional knowledge at Singapore management university LIBOL : A library for online learning algorithms.,” no. 1, pp. 495–499, 2014.
A. Borodin, R. El-Yaniv, and V. Gogan, “Can we learn to beat the best stock,” J. Artif. Intell. Res., vol. 21, pp. 579–594, 2004, doi: 10.1613/jair.1336.
F. R. Johnston, J. E. Boyland, M. Meadows, and E. Shale, “Some properties of a simple moving average when applied to forecasting a time series,” J. Oper. Res. Soc., vol. 50, no. 12, pp. 1267–1271, 1999, doi: 10.1057/palgrave.jors.2600823.
S. Patalay and M. R. Bandlamudi, “Decision support system for stock portfolio selection using artificial intelligence and machine learning,” Ing. des Syst. d’Information, vol. 26, no. 1, pp. 87–93, 2021, doi: 10.18280/isi.260109.
“What is Online Machine Learning?. Making machines learn in real time | by Max Pagels | The Hands-on Advisors | Medium,” Apr. 19, 2018. https://medium.com/value-stream-design/online-machine-learning-515556ff72c5 (accessed May 23, 2022).
