Prediksi Volatilitas Return Saham IDX30 menggunakan model Echo State Network
Abstrak
Abstrak— Prediksi volatilitas return saham merupakan fenomena yang saat ini dampaknya sangat besar terhadap eksistensi pasar finansial. Untuk melakukan suatu prediksi volatilitas banyak model yang dapat digunakan.. Penelitian yang sudah dilakukan untuk memprediksi volatilitas return saham menggunakan echo state network didapatkan nilai performansi yang baik jika menggunakan parameter forecast 1 langkah waktu dimana didapatkan nilai rata-rata R Square 0.763 pada 15 saham IDX30 dibandingkan dengan menggunakan parameter forecast 5 atau 21 langkah waktu. Dan rata-rata nilai MSE dari 15 saham IDX30 memiliki nilai 2.312 ini lebih baik dibandingkan jika menggunakan parameter forecast 5 atau 21 langkah waktu.
Kata Kunci — volatilitas, return saham, esn
Referensi
REFERENSI
Julianto, Andrie & Syafarudin, Afriapollo.
(2020). STOCK RETURN ANALYSIS AND
IMPLICATIONS IN COMPANY VALUE
(PLASTIC AND PACKAGING COMPANIES
LISTED IN IDX). International Journal of
Engineering Technologies and Management
Research. 6. 101-118.
29121/ijetmr.v6.i7.2019.420.
Y. V. Reddy and P. Narayan,
Stock Returns: A Content Analysis,= Amity
Journal of Finance, pp. 107-207, 2016.
Karolyi, G.A., 2001. Why Stock Return
Volatility Really Matters. Institutional Investor
Journals Series, (614), pp.1-16.
L. Che, "Investor Types and Stock Return
Volatility", SSRN Electronic Journal, 2016.
Available: 10.2139/ssrn.1731594.
L. Rupande, H. Muguto and P. Muzindutsi,
"Investor sentiment and stock return volatility:
Evidence from the Johannesburg Stock
Exchange", Cogent Economics & Finance, vol.
, no. 1, p. 1600233, 2019. Available:
1080/23322039.2019.1600233.
G. Trierweiler Ribeiro, A. Alves Portela
Santos, V. Cocco Mariani and L. dos Santos
Coelho, "Novel hybrid model based on echo
state neural network applied to the prediction of
stock price return volatility", Expert Systems
with Applications, vol. 184, p. 115490, 2021.
Available:
1016/j.eswa.2021.115490.International
Review of Financial Analysis, vol. 63, pp. 1–9,
May 2019, doi: 10.1016/j.irfa.2019.02.007.
J. Qiao, F. Li, H. Han and W. Li, "Growing
Echo-State Network With Multiple
Subreservoirs", IEEE Transactions on Neural
Networks and Learning Systems, vol
