Optimasi Portofolio Berbasis Prediksi Return Saham Menggunakan Hybrid XGBoost dan Improved Firefly Algorithm untuk Saham – Saham dalam Indeks LQ45
Abstract
Abstrak-Portofolio merupakan kumpulan aset investasi yang dimiliki oleh suatu perusahaan atau perorangan. Return yang maksimal dengan risk yang minimum adalah harapan bagi setiap investor. Namun dalam memprediksi pergerakan harga saham, kenaikan dan penurunan harga saham dari waktu ke waktu sulit ditebak. Oleh karena itu, machine learning digunakan untuk menjadi jalan keluar dalam mempelajari dan memprediksi data saham tersebut. Pada tugas akhir ini, model prediksi return saham menggunakan metode XGBoost dan Improved Firefly Algorithm. Hasil prediksi tersebut selanjutnya digunakan untuk pertimbangan membangun portofolio. Prediksi return saham yang lebih tinggi dari threshold akan masuk ke dalam portofolio. Dari saham yang sudah terseleksi, portofolio dibangun dengan menggunakan Equal Weight (EW). Portofolio dengan dan tanpa optimasi kemudian dibandingkan untuk mengetahui mean return, standar deviasi, dan Sharpe Ratio tertinggi. Hasil eksperimen menunjukkan bahwa kinerja portofolio 7 saham dengan mempertimbangkan prediksi memiliki hasil terbaik apabila dibandingkan dengan portofolio dengan tanpa mempertimbangkan prediksi dengan mean return 0.0029, standar deviasi 0.0158, dan Sharpe Ratio 0.1837.
Kata kunci-portofolio, prediksi return saham, xgboost, firefly algorithm, LQ45
References
P. Meesad and R. I. Rasel, “Predicting stock market price using support vector regression,” 2013 Int. Conf. Informatics, Electron. Vision, ICIEV 2013, 2013, doi: 10.1109/ICIEV.2013.6572570.
D. Selvamuthu, V. Kumar, and A. Mishra, “Indian stock market prediction using artificial neural networks on tick data,” Financ. Innov., vol. 5, no. 1, 2019, doi: 10.1186/s40854-019-0131-7.
C. Peng, Z. Yin, X. Wei, and A. Zhu, “Stock Price Prediction based on Recurrent Neural Network with Long Short-Term Memory Units,” 2019 Int. Conf. Eng. Sci. Ind. Appl. ICESI 2019, pp. 1–5, 2019, doi: 10.1109/ICESI.2019.8863005.
H. Markowitz, “Portfolio Selection,” J. Finance, vol. 7, no. 1, pp. 77–91, 1952, doi: 10.1111/j.1540-6261.1952.tb01525.x.
Z. Dai and F. Wang, “Sparse and robust mean–variance portfolio 18 optimization problems,” Phys. A Stat. Mech. its Appl., vol. 523, pp. 1371– 1378, 2019, doi: 10.1016/j.physa.2019.04.151.
T. Chen, C. Guestrin, “XGBoost: A scalable tree boosting system,” 2016 Int. Conf. Knowledge Discovery Data Mining. ACM SIGKDD, pp. 785-794, 2016, doi: 10.1145/2939672.2939785
X. -S. Yang, “Firefly Algorithm for Multimodal Optimization,” Stochastic Algorithms. Foundations and Applications SAGA 2009, pp. 169-178, 2009, doi: 10.1007/978-3-642-04944-6_14
S. Benartzi and R. H. Thaler, "Naive diversification strategies in defined contribution saving plans," Am. Econ. Rev., vol. 91, no. 1, 2001, doi: 10.1257/aer.91.1.79.
