Optimasi Portofolio Mean-Variance dengan Prediksi Return Menggunakan Particle Swarm Optimization-Convolutional Neural Network (PSO-CNN) Berdasarkan Klaster K-Medoids

Emmanuela Putri Larasati, Dr. Adhitya Ronnie Effendie, S.Si., M.Si., M.Sc.

2025 | Skripsi | STATISTIKA

Investasi saham merupakan salah satu pilihan populer bagi investor yang mengharapkan imbal hasil (return) tinggi. Namun, tingginya volatilitas dan ketidakpastian yang melekat pada pasar saham menjadi tantangan utama dalam pembentukan portofolio optimal. Mengintegrasikan proses prediksi return dalam pembentukan portofolio dapat meningkatkan efisiensi serta menghasilkan keputusan investasi yang lebih akurat dan strategis. Penelitian ini menggunakan metode gabungan yang memanfaatkan Convolutional Neural Network (CNN) dengan hiperparameter yang dioptimalkan menggunakan Particle Swarm Optimization (PSO) dalam proses pemilihan saham dan pembentukan portofolio Mean-Variance. Pada proses prediksi return, algoritma klaster K-Medoids digunakan untuk mengurangi kompleksitas komputasi pelatihan model dengan menggunakan saham-saham yang telah dikelompokkan berdasarkan kedekatan karakteristiknya. Penelitian ini dilakukan pada data historis dari 25 saham yang termasuk ke dalam indeks saham SRI-KEHATI. Hasil analisis menunjukkan bahwa model PSO-CNN memiliki tingkat kesalahan yang lebih kecil dalam memprediksi return saham dibandingkan dengan CNN, LSTM, dan CNN-LSTM, yang berarti bahwa algoritma PSO dapat meningkatkan kinerja CNN secara efisien. Selain itu, portofolio yang terbentuk dari integrasi prediksi return menggunakan PSO-CNN dan pendekatan Mean-Variance mampu menunjukkan kinerja unggul dalam hal manajemen risiko dan memiliki rasio risiko-return terbaik, ditunjukkan dengan nilai Sharpe ratio dan Sortino ratio tertinggi, jika dibandingkan dengan portofolio Equal-Weight dan portofolio Mean-Variance dengan prediksi return menggunakan CNN, LSTM, dan CNN-LSTM.

Stock investment is one of the most popular choices for investors seeking high returns. However, the stock market's inherent high volatility and uncertainty present significant challenges in constructing an optimal portfolio. Incorporating return prediction into portfolio formation can improve efficiency and lead to more accurate and strategic investment decisions. This research employs a hybrid approach that integrates a Convolutional Neural Network (CNN) with hyperparameters optimized through Particle Swarm Optimization (PSO) for stock selection process and Mean-Variance portfolio formation. In the return prediction process, the K-Medoids clustering algorithm is utilized to reduce the computational complexity of model training by grouping stocks based on the similarity of their characteristics. The study analyzes historical data from 25 stocks listed in the SRI-KEHATI stock index. The results indicate that the PSO-CNN model achieves a lower error rate in predicting stock returns compared to CNN, LSTM, and CNN-LSTM models, demonstrating that the PSO algorithm effectively enhances CNN performance. Furthermore, the portfolio constructed using return predictions from the PSO-CNN model and the Mean-Variance approach outperforms others in terms of risk management and has the best risk-return ratio, as evidenced by the highest Sharpe and Sortino ratios. This portfolio surpasses the performance of both the Equal-Weight portfolios and the Mean-Variance portfolios constructed with return predictions from CNN, LSTM, and CNN-LSTM models.

Kata Kunci : Mean-Variance, Particle Swarm Optimization, Convolutional Neural Network, klaster K-Medoids, Indeks SRI-KEHATI