Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Diterima 31 Mei 2020, diterima 16 Juni 2020, tanggal publikasi 19 Juni 2020, tanggal versi saat ini 2 Juli 2020.
Pengenal Objek Digital 10.1109/ACCESS.2020.3003819

Model Optimasi Portofolio Berbasis Prediksi

Menggunakan Jaringan Syaraf Dalam

YILIN MA, RUIZHU HAN , DAN WEIZHONG WANG

Sekolah Ekonomi dan Manajemen, Universitas Tenggara, Nanjing 211189, Cina

Penulis yang sesuai: Ruizhu Han ( daodao-777@163.com )

Pekerjaan ini didukung oleh Yayasan Ilmu Pengetahuan Alam Cina di bawah Grant 71390335.

ABSTRAKOptimalisasi portofolio adalah topik penelitian yang hangat, yang telah menarik banyak peneliti dalam beberapa dekade terakhir. Model pengoptimalan portofolio yang lebih baik dapat

membantu investor memperoleh laba yang lebih stabil. Makalah ini menggunakan tiga deep neural network (DNNs), yaitu deep multilayer perceptron (DMLP), long short memory (LSTM) neural network

dan convolutional neural network (CNN) untuk membangun model optimasi portofolio berbasis prediksi yang memiliki keunggulan keduanya dalam teknologi pembelajaran dan teori portofolio modern.

Model-model ini pertama-tama menggunakan DNN untuk memprediksi pengembalian masing-masing saham di masa depan. Kemudian, kesalahan prediksi DNN diterapkan untuk mengukur risiko

setiap saham. Selanjutnya, model optimasi portofolio dibangun dengan mengintegrasikan pengembalian prediksi dan penyimpangan semi-absolut dari kesalahan prediksi. Model-model ini

dibandingkan dengan tiga portofolio berbobot sama, di mana saham mereka dipilih oleh DMLP, jaringan saraf LSTM dan CNN masing-masing. Juga, dua model portofolio berbasis prediksi yang

dibangun dengan regresi vektor dukungan digunakan sebagai tolok ukur. Makalah ini menggunakan saham komponen indeks sekuritas China 100 di pasar saham China sebagai data eksperimen. Hasil

eksperimen menunjukkan bahwa model portofolio berbasis prediksi berdasarkan DMLP berkinerja terbaik di antara model-model ini di bawah tingkat pengembalian portofolio yang diinginkan, dan

tingkat pengembalian portofolio yang diinginkan lebih lanjut dapat meningkatkan kinerja model ini. Makalah ini menyajikan kinerja DNN yang menjanjikan dalam membangun model portofolio berbasis

prediksi. Makalah ini menggunakan saham komponen indeks sekuritas China 100 di pasar saham China sebagai data eksperimen. Hasil eksperimen menunjukkan bahwa model portofolio berbasis

prediksi berdasarkan DMLP berkinerja terbaik di antara model-model ini di bawah tingkat pengembalian portofolio yang diinginkan, dan tingkat pengembalian portofolio yang diinginkan lebih lanjut

dapat meningkatkan kinerja model ini. Makalah ini menyajikan kinerja DNN yang menjanjikan dalam membangun model portofolio berbasis prediksi. Makalah ini menggunakan saham komponen

indeks sekuritas China 100 di pasar saham China sebagai data eksperimen. Hasil eksperimen menunjukkan bahwa model portofolio berbasis prediksi berdasarkan DMLP berkinerja terbaik di antara

model-model ini di bawah tingkat pengembalian portofolio yang diinginkan, dan tingkat pengembalian portofolio yang diinginkan lebih lanjut dapat meningkatkan kinerja model ini. Makalah ini

menyajikan kinerja DNN yang menjanjikan dalam membangun model portofolio berbasis prediksi.

PERSYARATAN INDEKSJaringan saraf dalam, portofolio berbasis prediksi, deviasi semi-absolut.

I. PENDAHULUAN pengembalian saham, yang hampir tidak dapat dipastikan di

Optimalisasi portofolio sebagai tantangan dan masalah optimasi multi-tujuan pasar saham nyata, banyak peneliti mencoba meningkatkan
telah mendapat perhatian yang meningkat dari para peneliti, pengelola dana kesesuaian model ini dari perspektif yang berbeda. Model
dan investor individu. Ide utama dari optimasi portofolio adalah untuk deviasi absolut rata-rata diperkenalkan oleh Konno et. al untuk
menentukan bobot optimal setiap aset dengan memaksimalkan pengembalian menggantikan model MV [2]. Model ini menerapkan deviasi
yang diharapkan dan meminimalkan risiko secara bersamaan. Model absolut sebagai metrik risiko, yang mudah dihitung untuk
pengoptimalan portofolio yang lebih baik memiliki batas efisien yang unggul, masalah optimasi portofolio skala besar. Mereka juga
yang dapat membantu investor memperoleh pengembalian yang diharapkan membuktikan bahwa metrik deviasi absolut setara dengan
lebih tinggi pada tingkat risiko yang sama. Dengan demikian, mengusulkan metrik varians ketika pengembalian saham terdistribusi normal.
model optimasi portofolio yang lebih efisien menjadi topik hangat di bidang Kemudian, Speranza menggunakan indikator deviasi semi-
manajemen investasi. absolut untuk mengukur risiko penurunan setiap saham [3].
Model Markowitz mean variance (MV) sebagai awal dari teori Karena risiko penurunan setiap saham lebih penting daripada
portofolio modern pertama-tama menghadirkan solusi formula yang risiko naik dan dapat membantu investor menangani risiko
efisien untuk trade-off antara maksimalisasi pengembalian yang setiap saham dengan lebih baik dan membuat pilihan yang lebih
diharapkan dan minimalisasi risiko [1]. Karena model MV didasarkan baik. Dari dulu,
pada banyak hipotesis pembatasan seperti distribusi normal Model portofolio klasik ini biasanya mengadopsi rata-rata pengembalian
saham historis sebagai pengembalian yang diharapkan, yang cocok untuk
Editor asosiasi yang mengoordinasikan tinjauan naskah ini dan investasi jangka panjang dalam praktik pasar saham. Tetapi untuk investasi
menyetujuinya untuk diterbitkan adalah Ah Hwee Tan. jangka pendek, karena pasar saham memiliki banyak jangka pendek

Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0. Untuk informasi lebih lanjut, lihat https://creativecommons.org/licenses/by/4.0/
JILID 8, 2020 115393

Spekulasi jangka panjang dan harga saham sangat dipengaruhi oleh
sentimen pasar, model ini mungkin tidak cocok untuk investasi jangka
pendek. Selain itu, menggunakan pengembalian historis rata-rata
sebagai pengembalian yang diharapkan di masa depan melakukan
pengaruh penyaringan lolos rendah di pasar saham, memberikan
prediksi pengembalian saham masa depan yang tidak tepat, yang
merugikan kinerja model pada investasi jangka pendek [4].
Baru-baru ini, berbagai jenis model pembelajaran mesin (ML) telah
digunakan untuk prediksi pasar keuangan jangka pendek [5]–[12] dan
telah memperoleh hasil yang memuaskan. Hal ini menunjukkan arah
yang menjanjikan untuk menerapkan imbal hasil masa depan prediktif
sebagai imbal hasil yang diharapkan dalam membangun model
portofolio. Dengan demikian, teknik ML dapat dikombinasikan dengan
model optimasi portofolio modern untuk investasi jangka pendek, yang
memiliki keunggulan baik dari teknik ML maupun teori portofolio modern
[13]. Dalam hal ini, beberapa penelitian mencoba menggabungkan
jaringan syaraf tiruan (JST) dengan model optimasi portofolio untuk
membangun model portofolio baru dan menghasilkan hasil yang
memuaskan [14]–[16]. Model-model ini memanfaatkan pengembalian
historis dari masing-masing saham untuk menghitung risiko portofolio.
Namun, banyak studi empiris telah menunjukkan bahwa pengembalian
historis hampir tidak mematuhi hipotesis distribusi normal. Dengan
demikian, tidak masuk akal untuk menggunakan pengembalian historis
untuk menghitung risiko portofolio. Untungnya, Freitasdkk.menemukan
bahwa normalitas kesalahan prediksi JST lebih tinggi daripada rangkaian
pengembalian historis [17], yang berarti kesalahan prediksi JST lebih
cocok untuk membangun model MV. Kemudian, beberapa penelitian
mengusulkan model portofolio berbasis prediksi yang berbeda dengan
menggunakan kesalahan prediksi model ML daripada pengembalian
historis saham individu untuk formulasi portofolio dan mendapatkan
hasil yang menjanjikan [4], [18], [19]. Namun, penelitian semacam ini
telah mendapat sedikit perhatian dari para peneliti sejak saat itu [20].
Dengan demikian, perlu dan layak untuk lebih memperhatikan arah
penelitian ini. Karena jaringan saraf dalam (DNN) telah menunjukkan
kinerja yang lebih baik daripada teknologi ML tradisional dalam prediksi
pasar keuangan [21]–[25], sangat penting untuk mengeksplorasi
penerapan DNN dalam merumuskan model optimasi portofolio berbasis
prediksi. Oleh karena itu, penelitian ini berfokus pada membangun model
optimasi portofolio berbasis prediksi dengan menggunakan hasil prediksi
DNN yang berbeda.
Di antara semua DNN, deep multilayer perceptron (DMLP),
jaringan saraf long short memory (LSTM), dan convolutional neural
network (CNN) sering diterapkan dalam prediksi pasar saham,
tinjauan rinci mengacu pada [26]. Dengan demikian, tujuan dari
makalah ini adalah untuk lebih meningkatkan kinerja out-of-sample
model optimasi portofolio berbasis prediksi dengan membangun
model ini dengan DMLP, jaringan saraf LSTM dan CNN. Sebenarnya,
makalah ini pertama-tama menerapkan DMLP, LSTM neural network
dan CNN untuk prediksi return saham masa depan dan menghitung
return ekspektasi portofolio dengan kombinasi linier dari masing-
masing return prediktif saham. Kemudian, metrik deviasi semi-
absolut digunakan untuk mengukur risiko setiap saham
berdasarkan kesalahan prediksinya. Akhirnya, model optimasi
portofolio berbasis prediksi dibangun dengan menggeneralisasi
kerangka model portofolio mean semiabsolute deviasi (MSAD).
Untuk
115394
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
menyajikan manfaat dari model ini, makalah ini memilih tiga
portofolio berbobot sama (EW) sebagai perbandingan, di mana
saham mereka dipilih oleh DMLP, jaringan saraf LSTM dan CNN,
Juga, dua model portofolio berbasis prediksi berdasarkan
regresi vektor dukungan (SVR ) diterapkan sebagai tolok ukur,
yang menggunakan SVR sebagai ganti DNN untuk prediksi stok.
Dalam hal ini, makalah ini memiliki tiga kontribusi untuk mengisi
kesenjangan penelitian dalam literatur yang ada. Pertama, makalah
ini menyelidiki kinerja tiga DNN yang sering digunakan, yaitu DMLP,
jaringan saraf LSTM dan CNN, dalam merumuskan model optimasi
portofolio berbasis prediksi. Sejauh yang kami tahu, ini adalah
makalah pertama yang menerapkan DNN untuk membangun model
optimisasi portofolio berbasis prediksi, yang memperluas penelitian
yang ada. Kedua, makalah ini menerapkan deviasi semi-absolut
sebagai indikator risiko untuk menggantikan varians dalam
membangun model portofolio berbasis prediksi yang tidak
memerlukan hipotesis distribusi normal dan hanya fokus pada risiko
penurunan dari kesalahan prediksi. Dengan demikian, model ini
menjadi lebih efisien untuk masalah optimasi portofolio skala besar
dan lebih praktis dalam investasi pasar saham riil. Ketiga, makalah
ini membandingkan model portofolio berbasis prediksi ini dengan
tiga model portofolio berbobot sama untuk menunjukkan
keunggulannya. Juga, dua model portofolio berbasis prediksi
berdasarkan SVR digunakan sebagai tolok ukur. Selain itu, makalah
ini menggunakan saham komponen Indeks China Securities 100
sebagai data eksperimen. Selain itu, makalah ini berfokus pada data
historis dari 2007 hingga 2015 dan menggunakan data empat tahun
terakhir untuk menguji kinerja model portofolio berbasis prediksi ini.
Sisa dari makalah ini ditunjukkan sebagai berikut. Bagian 2
mengulas beberapa penelitian relatif. Bagian 3 memberikan model
optimasi portofolio berbasis prediksi yang berbeda. Bagian 4
menunjukkan seluruh proses eksperimen. Hasil eksperimen model
portofolio berbasis prediksi disajikan pada Bagian 5. Bagian 6
memberikan perbandingan model yang berbeda dengan biaya
transaksi. Akhirnya, Bagian 7 menarik kesimpulan.
II. TINJAUAN LITERATUR
Banyak model pemilihan portofolio telah diusulkan selama beberapa
dekade terakhir. Berikut ini, beberapa penelitian terbaru yang terkait
dengan penelitian ini disajikan dalam tiga perspektif.
A. PORTOFOLIO BERDASARKAN HASIL PREDIKTIF
MODEL MACHINE LEARNING
Lee dan Yoo [27] pertama-tama membandingkan kinerja jaringan
saraf berulang, unit berulang yang terjaga keamanannya dan
jaringan saraf LSTM untuk prediksi pengembalian saham. Hasil
eksperimen menunjukkan bahwa jaringan saraf tiruan LSTM
mengungguli model lainnya. Mereka juga mengusulkan portofolio
berbasis ambang batas prediktif dengan hasil prediksi jaringan saraf
LSTM dan menghasilkan kinerja yang memuaskan. Kraussdkk.[7]
mengimplementasikan dan membandingkan kinerja multilayer
perceptron (MLP), pohon yang didorong gradien, hutan acak, dan
beberapa ansambel model ini untuk arbitrase statistik. Berdasarkan
hasil prediksi dari model yang berbeda, portofolio dibangun dengan
membeli k saham atas dan menjual k bawah.
JILID 8, 2020
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
saham. Eksperimen menunjukkan bahwa portofolio berdasarkan model
ensemble berbobot sama yang berisi MLP, pohon yang didorong gradien
dan hutan acak menghasilkan pengembalian melebihi 0,45 persen per
hari sebelum biaya transaksi. Fischer dan Krauss [6] pertama kali
menggunakan jaringan saraf LSTM, hutan acak, MLP dan regresi logistik
untuk prediksi pengembalian saham di masa depan. Mereka menemukan
bahwa jaringan saraf LSTM berkinerja lebih baik daripada model bebas
memori lainnya. Mereka juga membangun portofolio berdasarkan hasil
prediksi jaringan saraf LSTM dengan metode yang sama pada [7]. Hasil
eksperimen menunjukkan bahwa portofolio ini mengungguli pasar
umum dari tahun 1992 hingga 2009, tetapi memburuk pada tahun 2010.
Yangdkk.[28] menerapkan mesin pembelajaran ekstrim untuk
memprediksi return saham masa depan, kemudian menggunakan
prediksi return sebagai indikator untuk membangun model optimasi
portofolio yang dikombinasikan dengan indeks teknis lainnya. Algoritma
evolusi diferensial digunakan untuk memecahkan masalah optimasi
portofolio. Dengan menggunakan pasar A-share China sebagai data
eksperimen, hasilnya menunjukkan bahwa model yang diusulkan
mengungguli metode tradisional, yang menunjukkan efek prediksi
saham yang menjanjikan untuk pemilihan saham.
Model ini hanya menerapkan model ML untuk prediksi pengembalian
saham dan membangun portofolio hanya berdasarkan hasil prediksi
model ML. Metode portofolio ini tidak dapat secara efektif
menyeimbangkan pengembalian dan risiko karena aset yang berbeda
memiliki risiko yang berbeda. Karena teori portofolio modern diusulkan
untuk memecahkan masalah semacam ini, maka model prediksi ML
harus dikombinasikan dengan model pengoptimalan portofolio modern
untuk investasi.
B. PORTOFOLIO BERDASARKAN MODEL
PEMBELAJARAN MESIN DAN MV
Lindkk.[14] dianggap sebagai masalah pemilihan portofolio dinamis, di
mana jaringan saraf Elman diterapkan untuk mempelajari perilaku pasar
saham yang dinamis dan memprediksi pengembalian di masa depan, dan
matriks kovarians silang digunakan untuk menghitung matriks kovarians
saham, kemudian pemilihan portofolio dinamis yang optimal model
diperoleh. Hasil eksperimen menunjukkan bahwa model ini berkinerja
lebih baik daripada model autoregresi vektor dan memberikan hasil yang
lebih baik untuk masalah optimasi portofolio dinamis. Alizadehdkk.[29]
menerapkan sistem inferensi neuro-fuzzy adaptif (ANFIS) untuk prediksi
portofolio saham. Mereka menunjukkan bahwa kinerja prediksi
pengembalian portofolio dapat ditingkatkan dengan menggunakan
ANFIS dan fitur input berbeda yang mengandung faktor teknis dan faktor
fundamental. Eksperimen menunjukkan bahwa metode yang diusulkan
mengungguli model varians rata-rata klasik, jaringan saraf dan metode
Sugeno-Yasukawa. Deng dan Min [30] menggunakan model regresi linier
yang berisi sepuluh variabel untuk pemilihan saham di ekuitas AS dan
global, kemudian mereka membangun portofolio dengan menggunakan
model MV. Hasil eksperimen menunjukkan bahwa model yang diusulkan
di alam semesta ekuitas global mengungguli model alam semesta ekuitas
AS. Paivadkk.[15] mengusulkan model pengambilan keputusan bernama
SVM+MV untuk perdagangan finansial di pasar saham dengan
menggunakan support vector machine (SVM) untuk prediksi harga saham
dan model MV untuk
JILID 8, 2020
optimalisasi portofolio. Model ini pertama-tama menerapkan SVM untuk
memilih aset yang lebih baik, kemudian menggunakan model MV untuk
optimasi portofolio. Hasil eksperimen menunjukkan bahwa SVM dapat
meningkatkan kinerja total portofolio dan model pengambilan keputusan
mereka memiliki kinerja yang memuaskan di pasar Brasil. Wangdkk.[16]
menggabungkan jaringan saraf LSTM dengan model MV untuk membangun
portofolio. Model ini pertama-tama menggunakan jaringan saraf LSTM untuk
memprediksi arah pergerakan masing-masing saham di masa depan,
kemudian memilih k saham teratas untuk membangun portofolio dengan
menggunakan model MV. Mereka membandingkan model yang mereka
usulkan dengan empat model MV berdasarkan tiga model ML dan model rata-
rata bergerak terintegrasi autoregressive untuk menunjukkan keunggulannya.
Studi-studi ini menggunakan model MV untuk melakukan optimasi
portofolio berdasarkan tingkat pengembalian historis. Model MV
didasarkan pada hipotesis bahwa nilai rata-rata pengembalian historis
adalah nilai rata-ratanya dan pengembalian historis mengikuti distribusi
normal, tetapi distribusi pengembalian historis sering menyimpang dari
normalitas, menunjukkan kurtosis dan skewness [31], [32]. Dengan
demikian, tidak ketat untuk menggunakan model MV untuk optimasi
portofolio dalam praktiknya.
C. MODEL OPTIMASI PORTOFOLIO
BERBASIS PREDIKSI
Freitasdkk.[18] mengusulkan model pengoptimalan portofolio baru, yang
menggunakan jaringan saraf autoregresif untuk memprediksi
pengembalian yang diharapkan dan kesalahan prediksi yang diterapkan
untuk pengoptimalan portofolio. Hasil eksperimen menunjukkan bahwa
model yang diusulkan mengungguli model MV dan menghasilkan
pengembalian yang lebih baik untuk risiko yang sama. Freitasdkk.[4]
mengusulkan model optimasi portofolio berbasis prediksi dengan
menggunakan model autoregressive moving reference neural network
(AR-MRNN) sebagai prediktor. Makalah ini pertama kali menerapkan
model AR-MRNN untuk memprediksi return saham di masa depan dan
kemudian menggunakan varians kesalahan prediksi sebagai risiko untuk
membuat model optimasi portofolio. Hasil eksperimen menunjukkan
bahwa model yang diusulkan mengungguli model varians mean klasik
berdasarkan analisis batas efisien dan kinerja pasar saham riil. Haodkk.[
19] mempresentasikan model pemilihan portofolio berbasis prediksi
dengan menggunakan SVR untuk prediksi return saham masa depan dan
varians kesalahan prediksi sebagai risiko untuk optimasi portofolio,
mereka membandingkan model yang diusulkan dengan model di [4].
Hasil eksperimen menunjukkan bahwa model mereka tampil lebih baik.
Juga, mereka menyebutkan bahwa prediksi pengembalian saham masa
depan yang lebih baik memberikan kinerja yang lebih baik dari model
mereka.
Studi-studi ini tidak hanya menerapkan return prediksi sebagai return yang
diharapkan, tetapi juga menggunakan kesalahan prediksi untuk membangun
model optimasi portofolio. Kesimpulan mereka menunjukkan bahwa model
optimasi portofolio jenis ini, yaitu model portofolio berbasis prediksi,
menjanjikan dalam investasi saham di masa depan. Namun, menurut [20],
penulis menunjukkan bahwa model portofolio berbasis prediksi adalah area
penelitian yang menarik untuk penelitian masa depan yang hanya mendapat
sedikit perhatian dari para peneliti. Dengan demikian, makalah ini mencoba
mengisi celah ini dengan menggunakan DNN untuk membangun model
portofolio berbasis prediksi.
115395
 Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN

AKU AKU AKU. MODEL di manaTadalah cakrawala waktu yang dipertimbangkan. Sebagai estimator
Bagian ini menunjukkan model yang berbeda yang digunakan dalam yang tidak bias, kesalahan prediksi harus independen secara statistik dan
makalah ini dalam empat bagian utama, yaitu model optimasi portofolio terdistribusi secara identik. Membiarkannmenunjukkan jumlah aset dalam
berbasis prediksi berdasarkan DMLP, jaringan saraf LSTM, dan CNN dan portofolio, danxsayamenunjukkan bobot setiap aset. Kemudian, pengembalian
SVR. yang diprediksi, atau pengembalian yang diharapkan dari portofoliox diwakili
oleh
A. MODEL OPTIMASI PORTOFOLIO BERBASIS DMLP
Σn
DMLP merupakan jaringan syaraf tiruan klasik yang sering digunakan Rx= Rsayaxsaya (3)
untuk klasifikasi dan regresi. Model DMLP biasanya berisi satu lapisan saya=1

input, beberapa lapisan tersembunyi dan satu lapisan output [33].

di manaRsayamewakili pengembalian aset yang diharapkansaya. Dengan
Berbeda dengan jaringan bayangan karena terdiri dari lapisan yang lebih
demikian, risiko portofolioxpada waktuT, yaitu, deviasi semi-absolut sisi
tersembunyi [26]. Biasanya lebih banyak lapisan tersembunyi digunakan
bawah dapat direpresentasikan sebagai
untuk meningkatkan kemampuan belajarnya. DMLP mengandung
Σ n Σn
banyak hyperparameter, makalah ini menggunakan metode grid | saya=1(Rsaya-Rdia)xsaya|+ saya=1(Rsaya-Rdia)xsaya
wT(x) = (4)
research untuk menemukan hyperparameter yang optimal. Karena 2
fungsi relu berkinerja lebih baik daripada fungsi tanh [34], makalah ini
di manaT=1,2, . . . ,T. Oleh karena itu, total risikoSEDIH(x) dari
menerapkan fungsi relu sebagai fungsi aktivasi. Semua hyperparameter
portofolioxdiperoleh, yang disajikan sebagai berikut:
yang dipertimbangkan disajikan dalam Tabel1.
1Σ T
TABEL 1.Parameter DMLP. SEDIH(x) = wT(x ) (5)
T
T=1

Dengan analisis di atas, diperoleh model optimasi portofolio

berbasis prediksi, yang didefinisikan sebagai berikut:
Σn Σn
1Σ T| saya=1(Rsaya-Rdia)xsaya|+ saya=1(Rsaya-Rdia)xsaya(6)
min
T 2
T=1
Σn
Tunduk pada Rsayaxsaya≥.RP (7)
saya=1

Metode penurunan gradien stokastik digunakan untuk melatih DMLP

Σn
xsaya=1 (8)
dan penghentian awal diadopsi untuk menyelesaikan masalah overfitting.
saya=1
Setelah banyak percobaan, diperoleh topologi model DMLP yang
0≤.xsaya≤.1 saya=1,2, . . . ,n (9)
ditentukan. Makalah ini menetapkan DMLP dengan 10 node per lapisan
tersembunyi, 2 lapisan tersembunyi, 0,01 untuk kecepatan pembelajaran, di manaRPadalah pengembalian portofolio yang diinginkan. persamaan (6)
0 untuk pasien, 100 untuk ukuran batch dan Adam untuk pengoptimal. adalah untuk meminimalkan risiko portofolio; persamaan (7) mewakili target
pengembalian yang diinginkan yang seharusnya lebih dari ambang batas yang
1) MODEL OPTIMASI PORTOFOLIO BERBASIS PREDIKSI diberikanRP; persamaan (8) mewakili alokasi setiap aset; persamaan (9)
DENGAN DMLP DAN MSAD(DMLP+MSAD) mewakili batasan setiap alokasi aset.

DMLP+MSAD pertama-tama mengadopsi DMLP untuk memprediksi Berikut ini, model optimasi portofolio berbasis prediksi ini
return saham di masa depan dari masing-masing saham dan disederhanakan menjadi model pemrograman linier.
kemudian menerapkan deviasi semi-absolut sebagai indikator risiko Membiarkan
untuk membangun model portofolio berbasis prediksi. Metrik risiko
DT=wT(x),T=1,2, . . . ,T (10)
semacam ini hanya mempertimbangkan risiko penurunan setiap
portofolio, yang lebih praktis dalam investasi riil. Juga deviasi absolut diperoleh model optimasi portofolio ekivalen berikut.
lebih mudah dihitung daripada indikator varians yang lebih cocok
untuk masalah optimasi portofolio skala besar. Berikut ini, model ini
ditampilkan secara rinci. 1Σ T
min DT (11)
MembiarkanRdia,RLalaidiamenunjukkan pengembalian dan pengembalian T
T=1
prediktif saham sayapada waktuTmasing-masing. Maka kesalahan prediksiε.dia
Tunduk padaDT≥.0 T=1,2, . . . ,T (12)
diwakili oleh
Σn
ε.dia=Rdia-Rdia (1) DT≥. (Rsaya-Rdia)xsaya T=1,2, . . . ,T(13)
saya=1

Dengan demikian, ser waktusaya es kesalahan prediksi stoksayadiberikan oleh Σn

Rsayaxsaya≥.RP (14)
1= (ε.saya1,saya2, . . . ,dia) (2) saya=1

115396 JILID 8, 2020

Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
Σn
xsaya=1
saya=1
0≤.xsaya≤.1 saya=1,2, . . . ,n
Terinspirasi oleh [35], makalah ini menetapkanTsebagai 5. Nilai
optimal darix1,x2, . . . ,xndiperoleh dengan memecahkan model optimasi
portofolio ini.
2) PORTFOLIO EQUAL WEIGHTED BERDASARKAN DMLP
(DMLP+EW)
Makalah ini menggunakan DMLP+EW sebagai model perbandingan, yang
membangun portofolio dengan memberikan bobot yang sama pada saham-
saham yang dipilih oleh DMLP. Dalam model ini, ekspektasi return saham
individual diprediksi terlebih dahulu oleh DMLP, kemudian saham-saham
dengan ekspektasi return positif dipilih untuk membangun portofolio dengan
metode equal weighted.
B. MODEL OPTIMASI PORTOFOLIO BERBASIS
LSTM NEURAL NETWORK
Hochreiter dan Schmidhuber [36] pertama kali memperkenalkan
jaringan saraf LSTM, yang dirancang untuk memecahkan masalah
ketergantungan jarak jauh. Secara khusus, jaringan saraf berulang
memperoleh informasi sekuensial dengan loop internal. Proses
pembelajaran ini dilakukan melalui algoritma backpropagation yang
diadopsi untuk mengatur bobot antara dua lapisan. Kemiringan
yang diperoleh dari aturan rantai dikirim ke fungsi aktivasi,
kemudian kemiringan ini menjadi sangat kecil atau besar, yang
merupakan fenomena gradien menghilang atau meledak. Dengan
kata lain, algoritma backpropagation dalam jaringan syaraf tiruan
rentan terhadap ketergantungan jarak jauh. Dan, jaringan saraf
LSTM dirancang untuk mengatasi kesulitan ini.
Jaringan saraf LSTM berisi hiperparameter serupa dengan DMLP,
semua hiperparameter yang dibahas disajikan dalam Tabel2.
Pencarian grid juga digunakan untuk mencari hyperparameter yang
optimal dan metode penurunan gradien stokastik diadopsi untuk
melatih jaringan saraf LSTM. Dan, teknologi earlystopping
digunakan untuk mengurangi masalah overfitting. Sejak fungsi relu
mengungguli fungsi tanh [34], fungsi relu diadopsi sebagai fungsi
aktivasi. Setelah banyak trial and error, node tersembunyi diatur ke
5, lapisan tersembunyi diatur ke 1, tingkat pembelajaran diatur ke 0.
001, pasien diatur ke 0, ukuran batch diatur ke 100, tingkat putus
sekolah diatur ke 0.1, tingkat putus sekolah berulang diatur ke 0.2,
pengoptimal diatur ke RMSProp.
MEJA 2.Parameter jaringan saraf LSTM.
JILID 8, 2020
1) MODEL OPTIMASI PORTOFOLIO BERBASIS PREDIKSI
(15)
DENGAN LSTM NEURAL NETWORK DAN MSAD (LSTM+MSAD)
(16) LSTM+MSAD mirip dengan DMLP+MSAD, yang
membedakan hanya model prediksinya. LSTM+
Model MSAD menggunakan LSTM sebagai model prediksi untuk prediksi return
saham di masa mendatang.
2) PORTFOLIO EQUAL WEIGHTED BERDASARKAN LSTM
NEURAL NETWORK (LSTM+EW)
Makalah ini menggunakan model perbandingan LSTM+EWas. Mirip
dengan DMLP+EW, satu-satunya perbedaan model LSTM+EW adalah
menerapkan LSTM untuk prediksi return saham di masa depan.
C. MODEL OPTIMASI PORTOFOLIO BERBASIS CNN
CNN adalah sejenis DNN yang berisi convolutional layer dengan
operasi convolutional. Sejumlah besar CNN telah diusulkan dalam
klasifikasi citra dan visi komputer [37], [38]. CNN biasanya terdiri dari
convolutional layer, pooling layer dan fully connected layer.
Convolutional layer mengandung banyak filter dan sering diikuti
oleh pooling layer. Karena harga saham adalah sejenis time series,
makalah ini menggunakan CNN satu dimensi (1D) untuk prediksi
return. Juga, sebagai CNN dengan 2×1 dan 3×1 ukuran filter
berkinerja serupa, kertas ini berlaku 2×1 ukuran filter di lapisan
convolutional dan lapisan maxpooling untuk kesederhanaan.
Pertimbangan hypeparameters CNN disajikan pada Tabel3. Metode
penurunan gradien stokastik digunakan untuk melatih CNN yang
diusulkan dan penghentian awal digunakan untuk mengurangi
masalah overfitting.
TABEL 3.Parameter CNN.
Setelah beberapa kali trial and error didapatkan topologi CNN,
input layer diikuti oleh convolutional layer 1D (2 filter dengan 2
filter).×1 ukuran ), lapisan maxpooling 1D (2×1 ukuran), lapisan
konvolusi 1D (2 filter dengan 2×1 ukuran), lapisan maxpooling 1D (2×
1 ukuran), lapisan yang terhubung penuh (2 node) dan lapisan
output. Selain itu, kecepatan belajar diatur ke 0.001, pasien disetel
ke 0, ukuran batch disetel ke 100, pengoptimal disetel ke SGD, fungsi
aktivasi disetel ke fungsi relu.
1) MODEL OPTIMASI PORTOFOLIO BERBASIS PREDIKSI
DENGAN CNN DAN MSAD (CNN+MSAD)
Dibandingkan dengan DMLP+MSAD, satu-satunya perbedaan di antara keduanya
adalah model CNN+MSAD menggunakan CNN sebagai pengganti DMLP sebagai
model prediksi untuk prediksi return saham di masa mendatang.
115397

2) PORTOFOLIO BERAT SAMA
BERDASARKAN CNN (CNN+EW)
Mirip dengan DMLP+EW, perbedaan model CNN+EW hanya pada model
CNN+EW yang menerapkan CNN untuk prediksi return saham di masa
mendatang.
D. MODEL OPTIMASI PORTOFOLIO BERBASIS SVR
SVR adalah teknik pembelajaran mesin klasik, yang telah banyak
digunakan dalam prediksi harga saham [15], [34]. SVR adalah
metode regresi berbasis kernel nonlinier yang mencoba
menemukan hyperplane regresi dengan risiko kecil di ruang
fitur berdimensi tinggi. Ini memiliki aproksimasi fungsi yang
baik dan kemampuan generalisasi [39].
Penelitian ini menggunakan fungsi basis radial sebagai fungsi kernel
SVR, yang didefinisikan sebagai berikut:
K(vsaya,vJ) = exp(−γ.kanvsaya-vJkan2) (17)
di manaγ.adalah parameter fungsi basis radial danvsaya
berarti fitur dari sampel pelatihannya. Hyperparameters SVR
terutama mengandung C danγ., yang disajikan dalam Tabel4. C
mewakili parameter regularisasi SVR. Pencarian grid juga
digunakan untuk mencari hyperparameter yang optimal.
Makalah ini menerapkan SVR untuk membangun dua portofolio
berbasis prediksi, yaitu SVR+MSAD dan SVR+MV, sebagai
benchmark.
TABEL 4.Parameter SVR.
1) MODEL OPTIMASI PORTOFOLIO BERBASIS PREDIKSI
DENGAN SVR DAN MSAD (SVR+MSAD)
Untuk menunjukkan keunggulan deviasi semi-absolut dalam
membangun model portofolio berbasis prediksi, makalah ini
merumuskan model SVR+MSAD dengan mengganti DMLP dari
DMLP+MSAD dengan SVR.
2) MODEL OPTIMASI PORTOFOLIO BERBASIS PREDIKSI
DENGAN SVR DAN MV(SVR+MV)
SVR+MV pertama-tama menggunakan SVR untuk prediksi return saham,
kemudian membangun model portofolio berbasis prediksi dengan
kesalahan prediksi SVR yang diukur dengan metrik varians. Satu-satunya
perbedaan antara SVR+MV dengan SVR+MSAD adalah bahwa SVR+MV
menggunakan metrik varians, bukan metrik deviasi semi-absolut untuk
membangun model portofolio berbasis prediksi.
IV. EKSPERIMEN
Bagian ini pertama-tama menyajikan data eksperimen dan detail pra-
pemrosesan data, kemudian menunjukkan metrik evaluasi yang
diterapkan.
A. DATA DAN PREPROCESSING
Makalah ini menerapkan saham komponen Indeks China Securities
100S ' data historis sebagai data eksperimen. Sekuritas Tiongkok
115398
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
100 Index dipilih dari saham komponen Indeks Shanghai
dan Shenzhen 300, yang mewakili seluruh situasi
perusahaan kapitalisasi terbesar di pasar saham Cina.
Makalah ini memilih data eksperimen antara 4 Januari 2007
dan 31 Desember 2015, dan sisa saham komponen terdiri
dari 49 saham setelah mengabaikan beberapa saham yang
dihentikan atau tidak terdaftar selama periode ini. Ticker
saham pilihan terakhir disajikan pada Tabel5.
TABEL 5.ticker saham yang dipilih.
Tingkat pertumbuhan harian dari harga penutupan, harga pembukaan, harga
tinggi, harga rendah dan volume digunakan sebagai fitur input. Sebenarnya, tingkat
pertumbuhanR(T) dari harga penutupanP(T) pada waktuTdidefinisikan sebagai berikut
PT- PT1
RT= (18)
PT1
Mirip dengan [6], [7], makalah ini menerapkan tingkat pertumbuhan harian 20
hari terakhir dari penutupan, pembukaan, harga tinggi, rendah dan volume
sebagai fitur input untuk memprediksi pengembalian hari berikutnya, yaitu,
jumlah total fitur input adalah 20×5 untuk setiap prediksi. Selanjutnya disajikan
proses preprocessing data. Untuk setiap masukan
seri fitur {Dsaya},Dsayadimodifikasi sebagai berikut:
{
DM+5Dmm jikaDsaya≥.DM+5Dmm,
Dsaya= (19)
DM-5Dmm jikaDsaya≤.DM-5Dmm.
di manaDMadalah median dari deret {Dsaya}danDmmadalah median dari
deret {|Dsaya-DM||.Kemudian, untuk menyatukan rentang fluktuasi
untuk pelatihan model, setiap fitur input yang dimodifikasi distandarisasi
sebagai berikut.
xsaya- μ.
xLalaisaya= (20)
σ
di manaμ.danσmenunjukkan mean dan standar deviasi dari seri {x
saya}. Setelah memeriksa pengembalian harian, makalah ini
menemukan bahwa nilainya relatif kecil yaitu hampir antara -0,1 dan
0,1. Jadi, pengembalian harianRTdiperbesar sebagai target sampel,
yang disajikan sebagai berikut
{
min(10RT,1) jika10RT≥.1,
RT= (21)
maksimal(10RT,1) jika10RT≤-1.
B. METRIK EVALUASI
Total data eksperimen terdiri dari data 9 tahun. Sliding window
digunakan dalam percobaan, yaitu data 4 tahun pertama adalah
data latih, dan data tahun berikutnya adalah data validasi, kemudian
data tahun berikutnya adalah data uji. Dengan demikian, data empat
tahun terakhir (2012 2015) digunakan untuk mengukur usulan
JILID 8, 2020
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN

TABEL 6.Kinerja prediktif DMLP, jaringan saraf LSTM dan CNN pada tahun 2012.

TABEL 7.Kinerja prediktif DMLP, jaringan saraf LSTM dan CNN pada tahun 2013.

kinerja model portofolio. Selain itu, DMLP, LSTM neural network A. PREDIKSI DNN
dan CNN diimplementasikan berdasarkan paket deep learning Bagian ini pertama-tama mengukur kinerja prediktif DMLP,
Keras, dan SVR dilakukan dengan menggunakan paket machine jaringan saraf LSTM dan SVR selama keseluruhan periode
learning Scikitlearn. pengujian yang terdiri dari empat tahun (2012-2015). Makalah
Eksperimen ini menggunakan mean squared error (MSE) dan ini menerapkan lima metrik evaluasi, yaitu mean absolute error
mean absolute error (MAE) untuk mengukur kesalahan prediksi dari (MAE), mean squared error (MSE),HR,HR+danHR-untuk mengukur
model yang berbeda. Dua metrik didefinisikan sebagai berikut: kemampuan prediksi mereka secara komprehensif.
Karena kesalahan prediksi berkorelasi langsung dengan
1Σ n model portofolio berbasis prediksi, metrik MAE dan MSE
UMK= (RT-R)2 T (22)
n dianggap sebagai indikator utama di antara semua metrik
T=1
evaluasi. Seperti yang dapat kita lihat dari Tabel6-9, kesalahan
1Σ n pengembalian prediksi rata-rata DMLP yang diukur dengan
MAE= |RT-R| T (23)
n metrik MAE dan MSE lebih rendah dari model lain setiap tahun,
T=1
dan meskipun standar deviasinya bukan yang terendah,
Juga, Tingkat HitHR,HR+,HR-digunakan untuk mengukur perbedaannya relatif kecil. Juga, artinyaHRDMLP cukup tinggi di
kinerja prediksi model yang berbeda, yang didefinisikan antara model prediksi ini, dan standar deviasinya rendah.
sebagai berikut: Namun, untukHR-danHR+metrik, DMLP berkinerja tidak lebih
baik dari dua model lainnya. Berdasarkan analisis di atas, kinerja
MenghitungTn =1 (RTRT>0) prediksi DMLP mengungguli model lainnya. Oleh karena itu,
HR= (24)
MenghitungTn=1 (RTRT6=0) DMLP merupakan model yang lebih baik dibandingkan model
MenghitungTn =1 (RT>0DAN r̂T>0) lainnya dalam prediksi return saham.
HR+= (25) Hasil ini sesuai dengan kesimpulan pada [21]. Fenomena ini
(RT>0)
MenghitungTn =1
mungkin karena fitur input yang mempengaruhi kinerja model
MenghitungT=1(RT<0DAN r̂T<0)
HR-=
n

(26) yang berbeda. Karena makalah ini hanya menggunakan data

MenghitungTn =1(RT<0)
di manaHRmewakili total hit rate prediksi model, HR+
mewakili akurasi prediksi positif danHR-
menunjukkan keakuratan prediksi negatif.
V. HASIL EKSPERIMENTAL PORTOFOLIO BERBASIS
PREDIKSI
Pada bagian ini, makalah ini pertama-tama menerapkan lima
metrik evaluasi untuk mengukur kemampuan prediktif DMLP,
jaringan saraf LSTM dan CNN. Kemudian dilakukan simulasi
trading tanpa biaya transaksi untuk meneliti kinerja investasi.
pembentukan model yang berbeda di bawah tiga portofolio yang diinginkan
kembali.
historis 20 hari terakhir sebagai fitur input, fitur input ini
memiliki sedikit informasi deret waktu untuk jaringan saraf
LSTM untuk mempelajari korelasi jangka panjang. Selain itu,
keterbatasan informasi dari fitur input menyulitkan CNN untuk
memberikan keuntungan penuh karena CNN dikenal luar biasa
dalam pengenalan gambar, di mana gambar biasanya
mengandung banyak informasi. Jika fitur input berisi lebih
banyak data historis, kinerja jaringan saraf LSTM dan CNN akan
ditingkatkan.
B. SIMULASI TRADING DENGAN PENGEMBALIAN PORTOFOLIO
YANG DIINGINKAN BERBEDA
Bagian ini menyajikan eksperimen simulasi perdagangan untuk
membandingkan kinerja berbagai portofolio berbasis prediksi

JILID 8, 2020 115399

 Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN

TABEL 8.Kinerja prediktif DMLP, jaringan saraf LSTM dan CNN pada tahun 2014.

TABEL 9.Kinerja prediktif DMLP, jaringan saraf LSTM dan CNN pada tahun 2015.

model selama seluruh periode pengujian. Untuk lebih spesifik, makalah

ini mensimulasikan perilaku perdagangan seperti investor biasa. Investor
ini memutuskan untuk membeli dan menjual saham skala tertentu di
pasar saham setiap hari perdagangan setelah mencapai proporsi yang
dihitung dari setiap saham. Untuk kesederhanaan, biaya perdagangan,
dividen dan pajak terkait disisihkan, juga leverage dan short selling
diabaikan.
Karena model portofolio berbasis prediksi membutuhkan
pengembalian portofolio yang diinginkanRPdan pengembalian aset
harian terutama antara 0,1 dan 0,1, makalah ini hanya
mempertimbangkan tiga nilai, yaitu,RP=0.001,0.02,0.04, yang
mewakili berbagai jenis pengembalian portofolio yang diinginkan,
yaitu pengembalian yang diinginkan rendah, pengembalian yang
GAMBAR 1.Nilai bersih dari model yang berbeda ketikaRp=0.001.
diinginkan sedang dan pengembalian yang diinginkan tinggi. Selain
itu, untuk menunjukkan keunggulan model optimasi portofolio
berbasis metrik deviasi semi-absolut, makalah ini menyelidiki kinerja Σn
model portofolio berbobot sama, masing-masing, yaitu DMLP+EW, Tingkat perputaran= |xdia-xdia1| (29)
LSTM+EW dan CNN+EW. saya=1

Simulasi perdagangan ini menerapkan kelebihan pengembalian, standar

di manaNevPberarti nilai bersih pada waktuP,xdiamewakili proporsi
deviasi, rasio informasi, pengembalian total, penarikan maksimum, tingkat
stokxdalam portofolio pada saatTdannadalah jumlah total saham
turnover, dan nilai bersih sebagai metrik evaluasi untuk membandingkan
dalam portofolio. Nilai bersih melacak kinerja model yang berbeda
kemampuan investasi mereka secara komprehensif. Untuk lebih spesifik,
selama seluruh periode pengujian. Perhatikan bahwa, makalah ini
kelebihan pengembalian adalah pengembalian yang diperoleh setelah
menetapkan pengembalian berlebih sebagai metrik utama karena
dikurangi pengembalian rata-rata total aset, dan standar deviasi mewakili
ini mewakili profitabilitas model portofolio yang berbeda.
volatilitas pengembalian berlebih setiap bulan, rasio informasi menunjukkan
pengembalian berlebih di bawah risiko unit, pengembalian total mengukur
1) SIMULASI TRADING DENGAN RETURN YANG DIINGINKAN RENDAH
total keuntungan selama seluruh periode pengujian, penarikan maksimum
Bagian ini menyajikan kinerja model portofolio berbasis prediksi
berarti risiko penyimpanan maksimum berdasarkan grafik nilai bersih historis,
yang berbeda (yaitu, DMLP+MSAD, LSTM+ MSAD dan
dan tingkat perputaran mengukur biaya transaksi yang disebabkan oleh
CNN+MSAD) dan model portofolio dengan bobot yang sama
perputaran. Selain itu, rasio informasi, penarikan maksimum, dan tingkat
(yaitu, DMLP+EW, LSTM+EW dan CNN+EW) di bawah tingkat
turnover adalah
pengembalian yang diinginkan, yaitu ,RP=0.001. Hasil
didefinisikan sebagai berikut.
eksperimen ditunjukkan pada Tabel10secara rinci, dan grafik
pengembalian berlebih nilai bersihnya disajikan pada Gambar1.
Rasio informasi= (27)
simpangan baku Pertama, DMLP+MSAD dan DMLP+EW dibandingkan. Dari Tabel10, kita
NevP- NevQ dapat memperoleh bahwa DMLP+MSAD memiliki kelebihan pengembalian dan
Penarikan maksimum=maksimal (28)
p<q NevP pengembalian total yang lebih tinggi, DMLP+EW memiliki lebih rendah

115400 JILID 8, 2020

Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN

TABEL 10.Kinerja model yang berbeda ketikaRp=0.001.

standar deviasi, penarikan maksimum dan tingkat turnover. Juga,

rasio informasi DMLP+EW lebih tinggi. Untuk membandingkan lebih
lanjut kedua model ini, uji Mann-Whitney dilakukan untuk
membandingkan kelebihan pengembaliannya, uji PNilai sama
dengan 0,032 yang berarti terdapat perbedaan yang signifikan
secara statistik antara model-model tersebut. Dengan demikian,
DMLP+MSAD adalah model yang lebih baik untuk investasi.
Kedua, dilakukan perbandingan LSTM+MSAD dan LSTM+EW.
Meja10menunjukkan bahwa semua metrik LSTM+EW berkinerja
lebih baik daripada LSTM+MSAD. Oleh karena itu, LSTM+EW
mengungguli LSTM+MSAD.
Ketiga, dibahas kinerja CNN+MSAD dan CNN+EW. Meja10menyajikan
bahwa CNN+MSAD memiliki kelebihan pengembalian, rasio informasi
GAMBAR 2.Nilai bersih dari model yang berbeda ketikaRp=0.02.
dan pengembalian total yang lebih tinggi, dan penarikan maksimumnya
lebih rendah. CNN+EW memiliki standar deviasi dan tingkat turnover
yang lebih rendah. Dengan demikian, uji Mann-Whitney digunakan untuk Meja11menyajikan bahwa DMLP+MSAD memiliki kelebihan
membandingkan lebih lanjut kelebihan pengembaliannya. UjiPNilai sama pengembalian, rasio informasi, dan pengembalian total
dengan 0,001, yang menunjukkan bahwa hipotesis nol ditolak dan tertinggi, LSTM+EW memiliki standar deviasi dan tingkat
terdapat perbedaan yang signifikan antara kedua model tersebut. Oleh turnover terendah, CNN+MSAD memiliki penarikan maksimum
karena itu, CNN+MSAD adalah pilihan yang lebih baik untuk investasi. terendah. Dengan demikian, DMLP+MSAD, LSTM+EW dan
Keempat, DMLP+MSAD, CNN+MSAD dan LSTM+EW CNN+MSAD dipilih untuk perbandingan lebih lanjut. Untuk
dibandingkan lebih jauh. Meja10menunjukkan bahwa membedakan model-model tersebut, dilakukan uji Mann-
DMLP+MSAD memiliki excess return yang lebih tinggi, Whitney untuk mengukur kelebihan pengembaliannya. Hasil tes
CNN+MSAD memiliki rasio informasi yang lebih tinggi, total menunjukkan bahwaPnilai DMLP+MSAD dan CNN+MSAD,
return dan maximum drawdown yang lebih rendah, LSTM+EW CNN+MSAD dan LSTM+EW sebesar 0,002 dan 0,000 yang berarti
memiliki standar deviasi dan turnover rate yang lebih rendah. perbedaannya signifikan secara statistik. Oleh karena itu,
Untuk lebih membandingkan perbedaannya, dilakukan uji DMLP+MSAD mengungguli dua model lainnya.
Mann-Whitney untuk mengukur kelebihan pengembaliannya. Berdasarkan analisis di atas, DMLP+MSAD melakukan yang terbaik di antara
UjianPnilai DMLP+MSAD dan CNN+MSAD, CNN+MSAD dan model-model ini. Selanjutnya, kinerja DMLP+MSAD di bawah tingkat
LSTM+EW masing-masing sebesar 0,003 dan 0,000 yang berarti pengembalian yang diinginkan rendah dan sedang dibandingkan. Meja10-11
hipotesis nol ditolak dan perbedaannya signifikan secara menunjukkan bahwa DMLP+MSAD dengan pengembalian yang diinginkan
statistik. Dengan demikian, DMLP+MSAD adalah pilihan yang sedang memiliki pengembalian berlebih yang lebih tinggi, rasio informasi dan
lebih baik dibandingkan dengan CNN+MSAD dan LSTM+EW. pengembalian total, penarikan maksimum yang lebih rendah. Tapi standar
Berdasarkan analisis di atas, bagian ini menyimpulkan bahwa DMLP+MSAD deviasinya, tingkat turnover lebih tinggi. Juga, T-test dilakukan untuk
melakukan yang terbaik di antara semua model ini di bawah pengembalian mengukur pengembalian berlebih mereka, hasil tes menunjukkan bahwaPNilai
yang diinginkan rendah. sama dengan 0,101 yang berarti tidak ada perbedaan yang signifikan antara
kedua model ini secara statistik. Dengan demikian, profitabilitas DMLP+MSAD
dengan pengembalian yang diinginkan sedang tidak meningkat secara nyata
2) SIMULASI TRADING DENGAN RETURN YANG DIINGINKAN MENENGAH
dibandingkan dengan pengembalian yang diinginkan rendah.
Bagian ini mempertimbangkan simulasi perdagangan berdasarkan pengembalian
yang diinginkanRP=0.02, yang dapat dianggap sebagai portofolio dengan
pengembalian yang diinginkan sedang. Hasil percobaan
.
disajikan pada Gambar2dan Tabel11Angka2menyajikan jaring 3) SIMULASI TRADING DENGAN RETURN YANG DIINGINKAN TINGGI
nilai mod yang berbedae ls dan Tabel11menunjukkan kinerja terperinci Bagian ini membahas kinerja model yang berbeda di bawah
mereka di bawah beberapa metersaya cs. pengembalian yang diinginkan tinggiRP=0.04. Meja12menunjukkan

JILID 8, 2020 115401


TABEL 11.Kinerja model yang berbeda ketikaRp=0.02.
TABEL 12.Kinerja model yang berbeda ketikaRp=0.04.
GAMBAR 3.Nilai bersih dari model yang berbeda ketikaRp=0.04.
hasil eksperimen berbagai metrik dan Gambar3menyajikan
grafik nilai bersihnya.
Meja12menyatakan bahwa DMLP+MSAD memiliki kelebihan
pengembalian, rasio informasi, dan pengembalian total yang lebih
tinggi, LSTM+EW memiliki standar deviasi dan tingkat turnover yang
lebih rendah, CNN+MSAD memiliki penarikan maksimum yang lebih
rendah. Kemudian, kinerja DMLP+MSAD, CNN+MSAD dan LSTM+EW
selanjutnya dibandingkan dengan menggunakan uji Mann-Whitney
untuk mengukur kelebihan pengembaliannya. Hasil tes
menunjukkanPnilai DMLP+MSAD dan CNN+MSAD, CNN+MSAD dan
LSTM+EW masing-masing sebesar 0,002 dan 0,000 yang
menunjukkan adanya perbedaan yang signifikan antara model-
model tersebut. Oleh karena itu, DMLP+MSAD mengungguli model
investasi lainnya.
Terakhir, analisis di atas menunjukkan bahwa kinerja
DMLP+MSAD dengan keinginan rendahD pengembalian dan pengembalian
atau
yang diinginkan menengah adalah serupa. Sekarang, kinerja DMLP+MSAD
di bawah re yang diinginkan tinggitu rn dengan pengembalian yang diinginkan
sedang dibandingkan. Meja11-12tunjukkan ituT DMLP+MSADw tinggi sekali
115402
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
pengembalian yang diinginkan memiliki pengembalian berlebih dan pengembalian
total yang lebih tinggi, tetapi standar deviasi, penarikan maksimum, dan tingkat
perputarannya lebih tinggi. Selanjutnya, T-test dilakukan untuk mengukur
pengembalian berlebih mereka, hasil tes menyajikanPNilai sama dengan 0,005, yang
berarti perbedaan antara keduanya signifikan secara statistik. Dengan demikian,
DMLP+MSAD dengan pengembalian yang diinginkan tinggi adalah pilihan yang lebih
baik untuk investasi.
Oleh karena itu, tingkat pengembalian yang diinginkan yang berbeda
mempengaruhi kinerja model portofolio berbasis prediksi untuk
investasi. Model DMLP+MSAD selalu melakukan yang terbaik di bawah
berbagai pengembalian yang diinginkan, dan pengembalian yang
diinginkan tinggi lebih cocok untuk DMLP+MSAD. Ini terutama karena
DMLP memiliki kesalahan prediksi yang lebih rendah di antara model-
model ini dan model portofolio berbasis prediksi dibangun berdasarkan
kesalahan prediksi dari model yang berbeda. Dengan demikian, makalah
ini hanya meneliti kinerja model yang berbeda dengan biaya transaksi di
bawah pengembalian yang diinginkan tinggi untuk kesederhanaan
berikut ini.
VI. PERBANDINGAN MODEL DENGAN BIAYA TRANSAKSI
Seperti diketahui semua, biaya transaksi dapat sangat
mempengaruhi kinerja strategi perdagangan, dan tingkat turnover
yang tinggi menyebabkan biaya transaksi yang tinggi. Dengan
demikian, penting untuk menguji kinerja praktis model portofolio
berbasis prediksi setelah dikurangi biaya transaksinya. Makalah ini
hanya mempertimbangkan biaya turnover 0.05% per unit untuk
meneliti kinerja model yang berbeda untuk kesederhanaan. Bagian
ini berlakuRP= 0.04 untuk membahas kemampuan model portofolio
berbasis prediksi yang berbeda.
Pertama, performaHai rmance DMLP+MSAD, CNN+MSAD
dan LSTM+MSAD dibahas. Meja13menyajikan itu
Kelebihan pengembalian DMLP+MSAD, rasio informasi, dan pengembalian
total adalah yang tertinggi di antara model-model ini, dan CNN+MSAD
JILID 8, 2020
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
TABEL 13.Kinerja model yang berbeda dengan biaya transaksi.
GAMBAR 4.Nilai bersih dari model yang berbeda dengan biaya transaksi.
memiliki penarikan maksimum terendah. Kemudian dilakukan
uji Mann-Whitney untuk lebih membandingkan kinerja
DMLP+MSAD dan CNN+MSAD, hasil pengujian menunjukkan
bahwaPNilai sama dengan 0,000, yang berarti terdapat
perbedaan yang signifikan secara statistik antara keduanya.
Oleh karena itu, setelah dikurangi biaya transaksi, DMLP+MSAD
masih memiliki performa terbaik di antara model berbasis
prediksi. Bukan berarti excess return LSTM+MSAD malah
menjadi negatif, yang artinya tidak ada excess return setelah
dikurangi biaya transaksinya yang ditambah dengan turnover.
Kedua, kinerja SVR+MSAD dan SVR+MV dibandingkan.
Meja13menunjukkan bahwa semua metrik SVR+MSAD
mengungguli SVR+MV. Oleh karena itu, SVR+ MSAD adalah
pilihan yang lebih baik untuk investasi. Dengan kata lain,
metrik deviasi semi-absolut lebih cocok untuk membangun
model portofolio berbasis prediksi daripada metrik varians.
Terakhir dilakukan perbandingan DMLP+MSAD dan SVR+MSAD.
Meja13menunjukkan bahwa DMLP+MSAD memiliki excess return,
information ratio dan total return yang lebih tinggi dibandingkan
SVR+MSAD, namun standar deviasi dan maximum drawdown-nya
lebih tinggi. Selanjutnya, T-test dilakukan untuk mengukur
pengembalian berlebih mereka, tesPNilai sama dengan 0,000 yang
berarti terdapat perbedaan yang signifikan secara statistik antara
kedua model tersebut. Dengan demikian, DMLP+MSAD lebih baik
daripada SVR+MSAD.
Selain itu, semua grafik nilai bersih model di atas disajikan pada
Gambar4. Ini secara langsung menunjukkan kinerja model yang
berbeda selama periode pengujian. Berdasarkan analisis di atas,
makalah ini dapat menyimpulkan bahwa DMLP+MSAD adalah model
portofolio berbasis prediksi yang menjanjikan untuk praktik
investasi.
JILID 8, 2020
VII. KESIMPULAN
Makalah ini menerapkan tiga DNN untuk membangun model
optimasi portofolio berbasis prediksi, yaitu DMLP+MSAD,
LSTM+MSAD dan CNN+MSAD. Model ini terdiri dari dua bagian
dimana DNN pertama kali digunakan untuk prediksi return saham
dan kesalahan prediksinya yang diukur dengan metrik deviasi semi-
absolut kemudian digunakan untuk membangun model optimasi
portofolio. DMLP, jaringan saraf LSTM dan CNN adalah tiga DNN
yang sering digunakan yang telah terbukti memiliki kemampuan
belajar yang lebih baik daripada teknologi ML tradisional. Dan
metrik deviasi semiabsolut lebih cocok daripada varians untuk
mengukur risiko. Model-model ini dibandingkan dengan tiga model
portofolio berbobot sama (yaitu, DMLP+EW, LSTM+EW dan
CNN+MSAD), SVR+MSAD dan SVR+MV untuk menunjukkan
keunggulannya.
Pertama, lima metrik evaluasi, yaitu MAE, MSE,HR, HR+danHR-
digunakan untuk mengukur secara komprehensif kemampuan
prediktif DMLP, jaringan saraf LSTM dan CNN. Eksperimen
menunjukkan bahwa DMLP mengungguli yang lain dalam prediksi
pengembalian saham karena lebih kompatibel dengan fitur input.
Kedua, simulasi perdagangan dilakukan untuk meneliti kinerja
investasi DMLP+MSAD, LSTM+MSAD dan CNN+MSAD tanpa biaya
transaksi. Tiga hasil berbeda yang diinginkan digunakan untuk
mengeksplorasi kinerjanya. Eksperimen menunjukkan bahwa model
DMLP+MSAD selalu mengungguli model lain di bawah hasil yang
diinginkan berbeda karena DMLP memiliki kesalahan prediksi
terendah. Dan, return yang diinginkan tinggi lebih cocok untuk
DMLP+MSAD, yang sesuai dengan kesimpulan pada [4]. Ketiga,
model DMLP+MSAD, LSTM+MSAD dan CNN+MSAD dibandingkan
dengan dua model benchmark, yaitu SVR+MSAD dan SVR+MV, untuk
investasi dengan biaya transaksi. Hasil eksperimen menunjukkan
bahwa model DMLP+MSAD berkinerja paling baik, dan bahkan
dikurangi biaya transaksi yang disebabkan oleh turnover, masih
menghasilkan keuntungan yang cukup besar. Sebagai kesimpulan,
makalah ini menyajikan kemampuan DNN yang menjanjikan dalam
konstruksi portofolio berbasis prediksi dan mendorong investor
untuk menerapkan model DMLP+MSAD dengan pengembalian yang
diinginkan lebih tinggi untuk investasi praktis.
Penelitian ini lebih lanjut memperluas literatur mengenai model
optimasi portofolio berbasis prediksi dengan menggunakan DNN untuk
prediksi pengembalian. Sejauh yang kami tahu, ini adalah upaya pertama
untuk menggunakan DNN dalam membangun model optimasi portofolio
berbasis prediksi, yang mengisi kesenjangan penelitian dalam
karya-karya yang ada. Juga, portofolio berbasis prediksi yang diusulkan
115403

model optimasi menerapkan deviasi semi-absolut sebagai metrik
risiko, yang memungkinkan penerapannya dalam masalah optimasi
portofolio skala besar.
Makalah ini juga memiliki keterbatasan karena hanya
menerapkan data historis sederhana sebagai fitur input dalam
proses prediksi saham. Indikator teknis, indikator keuangan,
indikator ekonomi dapat lebih meningkatkan kinerja DNN dalam
prediksi saham. Juga, mungkin ada metrik risiko lain yang lebih
cocok daripada deviasi semi-absolut dalam membangun model
pengoptimalan portofolio. Studi di masa depan dapat menerapkan
lebih banyak fitur input dan metrik risiko yang lebih baik dalam
membangun model portofolio berbasis prediksi, dan lebih
meningkatkan kinerja di luar sampel.
REFERENSI
[1] H. Markowitz, ''Pemilihan portofolio,''J. Keuangan, vol. 7, tidak. 1, hlm. 77–91,
1952.
[2] H. Konno dan H. Yamazaki, ''Model optimasi portofolio deviasi rata-rata
dan penerapannya pada pasar saham Tokyo,''Mengelola. Sci., vol. 37,
tidak. 5, hlm. 519–531, Mei 1991.
[3] MG Speranza, ''Model pemrograman linier untuk optimasi portofolio,'' Keuangan,
vol. 14, hlm. 107–123, Januari 1993.
[4] FD Freitas, AF De Souza, dan AR de Almeida, ''Model optimisasi portofolio
berbasis prediksi menggunakan jaringan saraf,''Neurocomputing, vol. 72,
tidak. 10–12, hlm. 2155–2170, Juni 2009.
[5] E. Chong, C. Han, dan FC Park, ''Jaringan pembelajaran mendalam untuk
analisis dan prediksi pasar saham: Metodologi, representasi data, dan
studi kasus,''Sistem Ahli. aplikasi, vol. 83, hlm. 187–205, Oktober 2017.
[6] T. Fischer dan C. Krauss, ''Pembelajaran mendalam dengan jaringan memori jangka
pendek panjang untuk prediksi pasar keuangan,''eur. J.Oper. Res., vol. 270, tidak. 2,
hlm. 654–669, Oktober 2018.
[7] C. Krauss, XA Do, dan N. Huck, ''Jaringan saraf dalam, pohon yang
didorong gradien, hutan acak: Arbitrase statistik pada S&P 500,''eur.
J.Oper. Res., vol. 259, tidak. 2, hlm. 689–702, Juni 2017.
[8] J. Patel, S. Shah, P. Thakkar, dan K. Kotecha, ''Memprediksi pergerakan indeks
harga saham dan saham menggunakan persiapan data deterministik tren dan
teknik pembelajaran mesin,''Sistem Ahli. aplikasi, vol. 42, tidak. 1, hlm. 259–268,
Januari 2015.
[9] R. Singh dan S. Srivastava, ''Prediksi saham menggunakan pembelajaran
mendalam,''Aplikasi Alat Multimedia, vol. 76, tidak. 18, hlm. 18569–18584,
September 2017.
[10] K. bikowski, ''Menggunakan mesin vektor pendukung berbobot volume dengan
pengujian berjalan maju dan pemilihan fitur untuk tujuan membuat strategi
perdagangan saham,''Sistem Ahli. aplikasi, vol. 42, tidak. 4, hlm. 1797–1805,
Maret 2015.
[11] X. Yuan, J. Yuan, T. Jiang, dan QU Ain, ''Model pemilihan saham jangka panjang
terintegrasi berdasarkan pemilihan fitur dan algoritma pembelajaran mesin
untuk pasar saham China,''Akses IEEE, vol. 8, hlm. 22672–22685, Februari 2020.
[12] J.Zhang, Y.-H. Shao, L.-W. Huang, J.Y. Teng, Y.T. Zhao, Z.-K. Yang, dan
X.-Y. Li, ''Dapatkah nilai tukar digunakan untuk memprediksi indeks
komposit shanghai?''Akses IEEE, vol. 8, hlm. 2188–2199, Januari
2020.
[13] YY Zhang, X. Li, dan S. Guo, ''Masalah pemilihan portofolio dengan
kerangka varians mean Markowitz: Tinjauan literatur,''Optimasi kabur.
keputusan membuat, vol. 17, hlm. 125–158, Juni 2018.
[14] C.-M. Lin, J.J. Huang, M. Gen, dan G.-H. Tzeng, ''Jaringan saraf berulang untuk
pemilihan portofolio dinamis,''aplikasi Matematika. Hitung., vol. 175, tidak. 2,
hlm. 1139–1146, April 2006.
[15] FD Paiva, RTN Cardoso, GP Hanaoka, dan WM Duarte, ''Pengambilan keputusan
untuk perdagangan finansial: Pendekatan perpaduan pembelajaran mesin dan
pemilihan portofolio,''Sistem Ahli. aplikasi, vol. 115, hlm. 635–655, Januari 2019.
[16] W. Wang, W. Li, N. Zhang, dan K. Liu, ''Pembentukan portofolio dengan pemilihan awal
menggunakan pembelajaran mendalam dari data keuangan jangka panjang,''Sistem
Ahli. aplikasi, vol. 143, April 2020, Seni. tidak. 113042.
115404
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
[17] FD Freitas, AF De Souza, dan AR Almeida, ''Prediktor jaringan saraf
autoregressive di pasar saham Brasil,'' diProk. IEEE Lat. Amer.
Robot. Sim., Sep. 2005, hlm. 1–8.
[18] FD de Freitas, AF De Souza, dan AR de Almeida, ''Model optimisasi
portofolio berbasis prediksi,'' diProk. 5th Int. Sim. Robot. Otomat.,
2006, hlm. 520–525.
[19] C. Hao, J. Wang, W. Xu, dan Y. Xiao, ''Model pemilihan portofolio berbasis prediksi
menggunakan mesin vektor pendukung,'' diProk. 6th Int. Kon. Bis. Intel.
Keuangan Eng., November 2013, hlm. 567–571.
[20] AM Sebaliknya, VN Sastry, dan A. Agarwal, ''Prediksi pasar saham dan model
pemilihan portofolio: Sebuah survei,''Opsearch, vol. 54, hlm. 558–579, Januari
2017.
[21] AJP Samarawickrama dan TGI Fernando, ''Sebuah pendekatan jaringan
saraf berulang dalam memprediksi harga saham harian aplikasi ke
Pasar saham Sri Lanka,'' diProk. IEEE Int. Kon. Ind.Inf. sistem (ICIIS), Desember
2017, hlm. 1–6.
[22] W. Long, Z. Lu, dan L. Cui, ''Rekayasa fitur berbasis pembelajaran mendalam untuk
prediksi pergerakan harga saham,''Sistem Berbasis Pengetahuan., vol. 164, hlm.
163-173, Januari 2019.
[23] B. Moews, JM Herrmann, dan G. Ibikunle, '' Pembelajaran mendalam
berbasis korelasi tertinggal untuk prediksi perubahan tren terarah dalam
deret waktu keuangan,''Sistem Ahli. aplikasi, vol. 120, hlm. 197–206, April
2019.
[24] DMQ Nelson, ACM Pereira, dan RA de Oliveira, ''Prediksi pergerakan
harga pasar saham dengan jaringan saraf LSTM,'' diProk. Int.
Konferensi Bersama Jaringan saraf (IJCNN), Mei 2017, hlm. 1419–
1426.
[25] H.-C. Lee dan B. Ko, ''Analisis harga dana menggunakan jaringan saraf
convolutional untuk banyak variabel,''Akses IEEE, vol. 7, hlm. 183626–183633,
November 2019.
[26] OB Sezer, MU Gudelek, dan AM Ozbayoglu, ''Masalah pemilihan
portofolio dengan kerangka varians mean Markowitz:
Sebuah tinjauan literatur,''aplikasi Komputer Lunak., vol. 90, Mei 2020, Pasal.
tidak. 106181.
[27] SI Lee dan SJ Yoo, ''Portofolio berbasis ambang batas: Peran ambang batas dan
penerapannya,''J. Superkomputer., Sep. 2018, doi:10.1007/s11227- 018-2577-1.
[28] F. Yang, Z. Chen, J. Li, dan L. Tang, ''Metode pemilihan stok hibrida baru
dengan prediksi stok,''aplikasi Komputer Lunak., vol. 80, hlm. 820–831,
Juli 2019.
[29] M. Alizadeh, R. Rada, F. Jolai, dan E. Fotoohi, ''Sistem neuro-fuzzy adaptif
untuk analisis portofolio saham,''Int. J. Intel. sistem, vol. 26, tidak. 2, hlm.
99–114, Februari 2011.
[30] S. Deng dan X. Min, ''Pengoptimalan yang diterapkan dalam konstruksi portofolio efisien
global menggunakan perkiraan pendapatan,''J. Berinvestasi, vol. 22, tidak. 4, hlm. 104–
114, November 2013.
[31] SJ Kon, ''Model pengembalian saham—Perbandingan,''J. Keuangan, vol. 39, tidak.
1, hlm. 147–165, Maret 1984.
[32] EF Fama, ''Analisis portofolio di pasar paretian yang stabil,''Mengelola. Sci., vol.
11, tidak. 3, hlm. 404–419, Januari 1965.
[33] ALD Loureiro, VL Miguéis, dan LFM da Silva, ''Menjelajahi
penggunaan jaringan saraf dalam untuk peramalan penjualan di
ritel mode,''keputusan Sistem Dukungan, vol. 114, hlm. 81–93,
Oktober 2018.
[34] LO Orimoloye, M.-C. Sung, T. Ma, dan JEV Johnson, ''Membandingkan efektivitas
jaringan saraf umpan maju yang dalam dan arsitektur dangkal untuk
memprediksi indeks harga saham,''Sistem Ahli. aplikasi, vol. 139, Januari 2020,
Pasal. tidak. 112828.
[35] J.-R. Yu, W.-J. Paul Chiou, W.-Y. Lee, dan S.-J. Lin, ''Portofoliomodel dengan
perkiraan pengembalian dan biaya transaksi,''Int. Pdt. Keuangan, vol. 66, hlm.
118–130, Maret 2020.
[36] S. Hochreiter dan J. Schmidhuber, ''Memori jangka pendek panjang,''Komputer
Saraf., vol. 9, tidak. 8, hlm. 1735-1780, 1997.
[37] K. Simonyan dan A. Zisserman, ''Jaringan konvolusi yang sangat dalam untuk
pengenalan gambar skala besar,'' diProk. Int. Kon. Mempelajari. Mewakili.,
2015, hlm. 7–9.
[38] H. Gunduz, Y. Yaslan, dan Z. Cataltepe, ''Prediksi intraday Borsa
Istanbul menggunakan jaringan saraf convolutional dan korelasi
fitur,''Sistem Berbasis Pengetahuan., vol. 137, hlm. 138–148,
Desember 2017.
[39] C.-Y. Ya, C.-W. Huang, dan S.-J. Lee, ''Sebuah pendekatan regresi vektor dukungan
multi-kernel untuk peramalan harga pasar saham,''Sistem Ahli. aplikasi, vol. 38,
tidak. 3, hlm. 2177–2186, Maret 2011.
JILID 8, 2020
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN

YILIN MAmemperoleh gelar master dari School of WEIZHONG WANGmenerima gelar master dalam
Mathematics, Southeast University, China, pada ilmu dan teknik manajemen dari Universitas
tahun 2017, di mana saat ini ia sedang mengejar Pertambangan dan Teknologi China, Xuzhou, pada
gelar Ph.D. gelar dengan Sekolah Ekonomi dan tahun 2014. Saat ini sedang mengejar gelar Ph.D.
Manajemen. Minat penelitiannya meliputi gelar dengan School of Economics of Management,
pembelajaran mendalam dan teori portofolio. Universitas Tenggara. Hasil penelitiannya telah
dipublikasikan diTransaksi IISE
tion, IEEE TRANSAKSI ONRKELAYAKAN,
Ilmu Keselamatan,Komputer dan Teknik
Industri, ituJurnal Internasional Industri
Ergonomi, dan seterusnya. Minat penelitiannya saat ini meliputi analisis
keputusan, analisis risiko, dan analisis kecelakaan.

RUIZHU HANmenerima gelar Ph.D. gelar dari

School of Economics of Management, Southeast
University, China, pada tahun 2003. Saat ini
menjadi Profesor di School of Economics of
Management, Southeast University. Minat
penelitiannya meliputi logistik dan manajemen
rantai pasokan serta sistem sosial dan ekonomi
yang kompleks.

JILID 8, 2020 115405