Optimisasi Portofolio dengan Algoritma Genetika dalam Manajemen Dana Indeks

NAFTALIA NUR INDAH RACHMAWATI, Prof. Dr. rer. nat. Dedi Rosadi, M.Sc., Rianti Siswi Utami, S.Si., M.Sc.

2017 | Skripsi | S1 STATISTIKA

Dana indeks disusun dari jumlah yang relatif kecil dari saham. Jika ingin menyiapkan dana indeks sempurna, perlu menempatkan setiap perusahaan yang termasuk dalam indeks ke portofolio dana indeks. Penempatan setiap emiten ke dalam portofolio dana indeks tersebut membutuhkan biaya yang mahal dan tidak praktis. Oleh karena itu, dana indeks mencoba untuk meniru pergerakan indeks dengan jumlah yang relatif kecil dari saham. Untuk itu, diusulkan skema portofolio Genetic Algorithm (GA) dalam pengelolaan dana indeks. Skema tersebut mengeksploitasi GA dan memberikan pilihan yang optimal. Pemilihan emiten dalam portofolio dilakukan dengan cara menentukan sektor industri yang memiliki pasar modal yang terbesar, kemudian dipilih emiten yang memiliki nilai prior yang terbesar sampai terbentuk portofolio dengan jumlah emiten yang diinginkan. Setelah itu, dilakukan optimasi portofolio menggunakan Algoritma Genetika. Portofolio yang dibentuk dengan Algoritma Genetika lebih mendekati indeks patokan yang ditiru. Hal tersebut dapat dilihat melalui bahwa nilai tracking error pada portofolio dengan metode Algoritma Genetika secara keseluruhan lebih kecil daripada portofolio metode klasik yaitu Mean-Variance.

Index fund composed of a relatively small number of stocks. If we want to prepare a perfect index funds, we need to put any company included in the index to the index fund portfolio. Placement of each issuer in the index fund portfolio is costly and impractical. Therefore, index funds attempt to mimic the movement of the index with a relatively small amount of stock. This article proposed scheme portfolio Genetic Algorithm (GA) for management of index funds. The scheme exploits GA and provide optimal choice. Selection of issuers in the portfolio is done by determining the industrial sector which has the largest capital market, then selected issuers that have the greatest value prior to form the portfolio with the desired number of issuers. After that, the portfolio optimization using Genetic Algorithms. Portfolio formed by the Genetic Algorithm closer to the benchmark index that imitated. This can be seen through that the value of tracking error in its portfolio with the overall genetic algorithm method is smaller than the portfolio of classic method which is the Mean-Variance.

Kata Kunci : Portfolio, Mean-Variance, Genetics Algorithm, Index fund, Portofolio, Mean-Variance, Algoritma genetika, Dana indeks