OPTIMASI PORTOFOLIO MEAN VARIANCE DENGAN PREDIKSI RETURN MENGGUNAKAN LONG SHORT-TERM MEMORY

Krishna Ayub Ferryan, Dr. Noorma Yulia Megawati, S.Si. M.Sc., M.Act.Sc.

2024 | Skripsi | S1 ILMU AKTUARIA

Portofolio Mean Variance dengan historical return memiliki kekurangan yaitu sensitif terhadap kesalahan kecil prediksi pada expected return dan kovariansi sehingga perlu dilakukan prediksi menggunakan model pembelajaran mesin. Long Short-Term Memory memiliki keunggulan dibandingkan pembelajaran mesin lain dalam memprediksi data deret waktu seperti harga saham. Pada penelitian ini dibahas mengenai optimasi portofolio MV dengan prediksi return saham menggunakan LSTM menggunakan saham dari indeks S&P500 sektor industri teknologi. Pada tahapan pertama akan dilakukan prediksi menggunakan LSTM. Selanjutnya akan dipilih 10 saham dengan nilai eror paling rendah, dilanjutkan dengan memilih 7 saham dengan expected return paling tinggi. Pada tahapan kedua akan dilakukan pembentukan portofolio menggunakan tujuh saham yang telah dipilih. Berdasarkan analisis yang dilakukan, diperoleh bahwa portofolio MV dengan predicted return menghasilkan kumulatif return sebesar 2,13 kali lipat dari nilai awal, diikuti dengan portofolio naive yang menghasilkan nilai kumulatif return sebesar 1,53 kali lipat, dan terakhir adalah portofolio MV dengan historical return yang menghasilkan nilai kumulatif return 1,35 lipat. Portofolio MV dengan predicted return memiliki nilai sortino ratio sebesar 3,05, lebih unggul daripada portofolio naive yang bernilai 2,97 dan portofolio MV dengan historical return yang bernilai 2,35. Sehingga dapat disimpulkan portofolio MV dengan predicted return memiliki kinerja yang lebih baik daripada portofolio lain yang dibentuk.

Mean variance portfolios with historical returns have the disadvantage of being sensitive to small prediction errors in expected return and covariance So it is necessary to make predictions using machine learning models. Long Short-Term Memory has advantages over other machine learning in predicting time series data such as stock prices. This study discusses the optimization of the MV portfolio with stock return predictions using LSTM uses stocks from the S&P500 index of the technology industry sector. At The first stage will be predicted using LSTM. Next will be 10 stocks with the lowest error value are selected, followed by choosing 7 stocks with the highest expected return. In the second stage will be carried out portfolio formation using seven stocks that have been selected. Based on the analysis conducted, it was obtained that the MV portfolio with predicted return resulting in a cumulative return of 2,13 times the initial value, followed by a na?ve portfolio that generates a cumulative return of 1,53 times, and finally is the MV portfolio with historical returns that generate value cumulative return of 1,35 times. MV portfolios with predicted returns have value sortino ratio of 3,05, superior to Naive’s portfolio of 2,97 and MV portfolio with historical return of 2,35. So it can be concluded that the MV portfolio with predicted returns has better performance than other portfolios formed.

Kata Kunci : Mean Variance, Long Short-Term Memory, return, risiko, bobot