Integrating Machine Learning and Particle Swarm Optimization for Stock Price Prediction and Optimal Portfolio Allocation

Santa Sisilia Filia Dulcis, Faizah, S.Kom., M.Kom.

2025 | Skripsi | ILMU KOMPUTER

Penelitian ini bertujuan untuk meningkatkan prediksi pasar saham dengan mengintegrasikan model machine learning guna mendukung strategi investasi, memaksimalkan imbal hasil portofolio, dan mengelola risiko. Berlandaskan Teori Portofolio Modern dan metrik penyesuaian risiko seperti rasio Sharpe, studi ini mengeksplorasi potensi machine learning dalam meningkatkan prediksi saham dengan memanfaatkan Long Short-Term Memory (LSTM) untuk peramalan deret waktu, Random Forest (RF) yang dioptimasi dengan Particle Swarm Optimization (PSO) untuk regresi, serta Support Vector Machines (SVM) yang ditingkatkan dengan Binary Gravitational Search Algorithm (BGSA) untuk klasifikasi. Model-model ini dilatih menggunakan data historis selama 10 tahun dari sejumlah saham utama.

Penelitian ini menyoroti keterbatasan pendekatan model tunggal tradisional dengan menggabungkan berbagai teknik untuk menangkap pola dan tren kompleks dalam perilaku pasar saham. Kinerja model dievaluasi menggunakan metrik seperti Root Mean Square Error (RMSE), akurasi, presisi, dan recall, dengan tujuan meningkatkan akurasi prediksi dan ketahanan model di berbagai kondisi pasar. Selain itu, PSO digunakan untuk mengoptimasi alokasi portofolio berdasarkan rasio Sharpe, dengan tujuan menyeimbangkan risiko dan imbal hasil.

Hasil penelitian menunjukkan efektivitas pendekatan multi-model yang diusulkan dalam prediksi saham dan optimasi portofolio. Portofolio yang telah dioptimasi sangat mengandalkan CAT_Returns dan AAPL_Returns, yang secara kumulatif mencakup lebih dari 80?ri alokasi, mencerminkan keseimbangan superior antara ekspektasi imbal hasil dan risiko. Alokasi ini menghasilkan rasio Sharpe yang impresif sebesar 10,26, menunjukkan imbal hasil yang disesuaikan dengan risiko secara luar biasa. Selain itu, model berhasil meminimalkan risiko dengan mencapai standar deviasi yang rendah sebesar 3,73%. Namun, konsentrasi tinggi pada sedikit aset mencerminkan kurangnya diversifikasi, sehingga portofolio rentan terhadap risiko spesifik sektor. Tidak disertakannya aset seperti TSLA_Returns, JPM_Returns, dan V_Returns mengindikasikan volatilitas yang lebih tinggi atau korelasi yang lebih lemah terhadap portofolio yang telah dioptimasi.

This study aims to enhance stock market predictions by integrating machine learning models to support investment strategies, maximize portfolio returns, and manage risks. Building on Modern Portfolio Theory and risk-adjusted metrics like the Sharpe ratio, the study explores the potential of machine learning to improve stock predictions by leveraging Long Short-Term Memory (LSTM) networks for time-series forecasting, Random Forest (RF) with Particle Swarm Optimization (PSO) for regression, and Support Vector Machines (SVM) enhanced with Binary Gravitational Search Algorithm (BGSA) for classification. These models are trained on a 10-year dataset of major stock tickers.

The research addresses the limitations of traditional single-model approaches by combining these diverse techniques to capture complex patterns and trends in stock market behavior. Performance is assessed through metrics such as Root Mean Square Error (RMSE), accuracy, precision, and recall, with the goal of achieving higher predictive accuracy and model robustness under various market conditions. The study further employs PSO to optimize portfolio allocations based on the Sharpe ratio, balancing risk and returns.

The results highlight the effectiveness of the proposed multi-model approach in stock prediction and portfolio optimization. The optimized portfolio strongly favors CAT_Returns and AAPL_Returns, which together account for over 80% of the allocation, reflecting their superior balance of expected returns and risk. This allocation results in an impressive Sharpe Ratio of 10.26, demonstrating exceptional risk-adjusted returns. Additionally, the model effectively minimizes risk, achieving a low standard deviation of 3.73%. However, the high concentration in a few assets indicates limited diversification, exposing the portfolio to sector-specific risks. The exclusion of assets like TSLA_Returns, JPM_Returns, and V_Returns suggests their higher volatility or weaker correlation with the optimized portfolio.

Kata Kunci : Stock market prediction, Machine learning, Particle Swarm Optimization (PSO), Portfolio optimization, Financial forecasting.