Pengembangan Model Portofolio Markowitz Menggunakan XGBoost dan Algoritma Firefly
ALDRICH EZEKIEL, Dr. Irwan Endrayanto Aluicius, S.Si., M.Sc
2024 | Skripsi | STATISTIKA
Salah satu permasalahan yang cukup menarik di Indonesia dalam beberapa
tahun terakhir adalah masalah investasi dan saham. Dalam konteks ini, pendekatan
machine learning dapat digunakan untuk menganalisis tren pasar, memprediksi
fluktuasi harga saham, dan membantu investor membuat keputusan yang lebih tepat
berdasarkan data yang tersedia.
Terdapat berbagai jenis cara untuk membuat model machine learning yang
cocok untuk pemodelan harga closing saham dan strategi pembentukan
portofolionya. Dalam penelitian ini, penulis akan menggunakan algoritma
XGBoost dan XGBoost dengan Algoritma Firefly sebagai hyperparameter untuk
membuat model harga closing saham yang telah dipilih, yaitu sebanyak 10 saham
yang diambil dari indeks LQ45. Dengan nilai return harga closing saham harian
yang sudah dinormalisasi, yang kemudian dibentuk model XGBoost dan XGBoost-Firefly. Dari model tersebut, didapatkan model XGBoost-Firefly jauh lebih unggul
untuk setiap saham. Selanjutnya dilakukan pembentukan portoflio Markowitz
dengan menggunakan campuran 60 data historis dan 20 data prediksi. Diperoleh
nilai Sharpe Ratio 0.76, nilai Expected Annual Return sebesar 54.5%, dan Annual
Volatility sebesar 68.6%. Hasil dari simulasi investasi selama satu tahun
menunjukkan bahwa portofolio hanya mampu menghasilkan laba sebesar 7.85%
Kesenjangan besar antara target annual return yang diharapkan dan hasil yang
dicapai menunjukkan adanya ketidakcocokan yang signifikan dalam prediksi
kinerja portofolio. Faktor-faktor seperti volatilitas yang tinggi dari pergerakan
harga saham, ketidakpastian.
One of the intriguing issues in Indonesia in recent years is the problem of
investment and stocks. In this context, a machine learning approach can be used to
analyze market trends, predict stock price fluctuations, and help investors make
more informed decisions based on available data.
There are various ways to create a suitable machine learning model for
modeling closing stock prices and forming portfolio strategies. In this research, the
author will use the XGBoost algorithm and XGBoost with the Firefly Algorithm as
hyperparameters to create a closing stock price model for 10 selected stocks from
the LQ45 index. Using the normalized daily closing stock price returns, XGBoost
and XGBoost-Firefly models were built. The XGBoost-Firefly model was found to
be superior for each stock. Next, a Markowitz portfolio was formed using a mix of
60 historical data points and 20 predicted data points, resulting in a Sharpe ratio of
0.76, an Expected Annual Return of 54.5%, and an Annual Volatility of 68.6%. The
results of a one-year investment simulation showed that the portfolio only generated
a profit of 7.85%. The significant gap between the expected annual return target and
the achieved results indicates a substantial mismatch in the predicted portfolio
performance. Factors such as high volatility in stock price movements and
uncertainty were noted
Kata Kunci : Kata kunci: Investasi, portofolio, machine learning, xgboost, algoritma firefly, markowitz / Keywords: Investment, portfolio, machine learning, xgboost, firefly algorithm, markowitz