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
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.
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
Y.Madkk.: Model Optimasi Portofolio Berbasis Prediksi Menggunakan DNN
Spekulasi jangka panjang dan harga saham sangat dipengaruhi oleh menyajikan manfaat dari model ini, makalah ini memilih tiga
sentimen pasar, model ini mungkin tidak cocok untuk investasi jangka portofolio berbobot sama (EW) sebagai perbandingan, di mana
pendek. Selain itu, menggunakan pengembalian historis rata-rata saham mereka dipilih oleh DMLP, jaringan saraf LSTM dan CNN,
sebagai pengembalian yang diharapkan di masa depan melakukan Juga, dua model portofolio berbasis prediksi berdasarkan
pengaruh penyaringan lolos rendah di pasar saham, memberikan regresi vektor dukungan (SVR ) diterapkan sebagai tolok ukur,
prediksi pengembalian saham masa depan yang tidak tepat, yang yang menggunakan SVR sebagai ganti DNN untuk prediksi stok.
merugikan kinerja model pada investasi jangka pendek [4].
Baru-baru ini, berbagai jenis model pembelajaran mesin (ML) telah Dalam hal ini, makalah ini memiliki tiga kontribusi untuk mengisi
digunakan untuk prediksi pasar keuangan jangka pendek [5]–[12] dan kesenjangan penelitian dalam literatur yang ada. Pertama, makalah
telah memperoleh hasil yang memuaskan. Hal ini menunjukkan arah ini menyelidiki kinerja tiga DNN yang sering digunakan, yaitu DMLP,
yang menjanjikan untuk menerapkan imbal hasil masa depan prediktif jaringan saraf LSTM dan CNN, dalam merumuskan model optimasi
sebagai imbal hasil yang diharapkan dalam membangun model portofolio berbasis prediksi. Sejauh yang kami tahu, ini adalah
portofolio. Dengan demikian, teknik ML dapat dikombinasikan dengan makalah pertama yang menerapkan DNN untuk membangun model
model optimasi portofolio modern untuk investasi jangka pendek, yang optimisasi portofolio berbasis prediksi, yang memperluas penelitian
memiliki keunggulan baik dari teknik ML maupun teori portofolio modern yang ada. Kedua, makalah ini menerapkan deviasi semi-absolut
[13]. Dalam hal ini, beberapa penelitian mencoba menggabungkan sebagai indikator risiko untuk menggantikan varians dalam
jaringan syaraf tiruan (JST) dengan model optimasi portofolio untuk membangun model portofolio berbasis prediksi yang tidak
membangun model portofolio baru dan menghasilkan hasil yang memerlukan hipotesis distribusi normal dan hanya fokus pada risiko
memuaskan [14]–[16]. Model-model ini memanfaatkan pengembalian penurunan dari kesalahan prediksi. Dengan demikian, model ini
historis dari masing-masing saham untuk menghitung risiko portofolio. menjadi lebih efisien untuk masalah optimasi portofolio skala besar
Namun, banyak studi empiris telah menunjukkan bahwa pengembalian dan lebih praktis dalam investasi pasar saham riil. Ketiga, makalah
historis hampir tidak mematuhi hipotesis distribusi normal. Dengan ini membandingkan model portofolio berbasis prediksi ini dengan
demikian, tidak masuk akal untuk menggunakan pengembalian historis tiga model portofolio berbobot sama untuk menunjukkan
untuk menghitung risiko portofolio. Untungnya, Freitasdkk.menemukan keunggulannya. Juga, dua model portofolio berbasis prediksi
bahwa normalitas kesalahan prediksi JST lebih tinggi daripada rangkaian berdasarkan SVR digunakan sebagai tolok ukur. Selain itu, makalah
pengembalian historis [17], yang berarti kesalahan prediksi JST lebih ini menggunakan saham komponen Indeks China Securities 100
cocok untuk membangun model MV. Kemudian, beberapa penelitian sebagai data eksperimen. Selain itu, makalah ini berfokus pada data
mengusulkan model portofolio berbasis prediksi yang berbeda dengan historis dari 2007 hingga 2015 dan menggunakan data empat tahun
menggunakan kesalahan prediksi model ML daripada pengembalian terakhir untuk menguji kinerja model portofolio berbasis prediksi ini.
historis saham individu untuk formulasi portofolio dan mendapatkan Sisa dari makalah ini ditunjukkan sebagai berikut. Bagian 2
hasil yang menjanjikan [4], [18], [19]. Namun, penelitian semacam ini mengulas beberapa penelitian relatif. Bagian 3 memberikan model
telah mendapat sedikit perhatian dari para peneliti sejak saat itu [20]. optimasi portofolio berbasis prediksi yang berbeda. Bagian 4
Dengan demikian, perlu dan layak untuk lebih memperhatikan arah menunjukkan seluruh proses eksperimen. Hasil eksperimen model
penelitian ini. Karena jaringan saraf dalam (DNN) telah menunjukkan portofolio berbasis prediksi disajikan pada Bagian 5. Bagian 6
kinerja yang lebih baik daripada teknologi ML tradisional dalam prediksi memberikan perbandingan model yang berbeda dengan biaya
pasar keuangan [21]–[25], sangat penting untuk mengeksplorasi transaksi. Akhirnya, Bagian 7 menarik kesimpulan.
penerapan DNN dalam merumuskan model optimasi portofolio berbasis
prediksi. Oleh karena itu, penelitian ini berfokus pada membangun model II. TINJAUAN LITERATUR
optimasi portofolio berbasis prediksi dengan menggunakan hasil prediksi Banyak model pemilihan portofolio telah diusulkan selama beberapa
DNN yang berbeda. dekade terakhir. Berikut ini, beberapa penelitian terbaru yang terkait
Di antara semua DNN, deep multilayer perceptron (DMLP), dengan penelitian ini disajikan dalam tiga perspektif.
jaringan saraf long short memory (LSTM), dan convolutional neural
network (CNN) sering diterapkan dalam prediksi pasar saham, A. PORTOFOLIO BERDASARKAN HASIL PREDIKTIF
tinjauan rinci mengacu pada [26]. Dengan demikian, tujuan dari MODEL MACHINE LEARNING
makalah ini adalah untuk lebih meningkatkan kinerja out-of-sample Lee dan Yoo [27] pertama-tama membandingkan kinerja jaringan
model optimasi portofolio berbasis prediksi dengan membangun saraf berulang, unit berulang yang terjaga keamanannya dan
model ini dengan DMLP, jaringan saraf LSTM dan CNN. Sebenarnya, jaringan saraf LSTM untuk prediksi pengembalian saham. Hasil
makalah ini pertama-tama menerapkan DMLP, LSTM neural network eksperimen menunjukkan bahwa jaringan saraf tiruan LSTM
dan CNN untuk prediksi return saham masa depan dan menghitung mengungguli model lainnya. Mereka juga mengusulkan portofolio
return ekspektasi portofolio dengan kombinasi linier dari masing- berbasis ambang batas prediktif dengan hasil prediksi jaringan saraf
masing return prediktif saham. Kemudian, metrik deviasi semi- LSTM dan menghasilkan kinerja yang memuaskan. Kraussdkk.[7]
absolut digunakan untuk mengukur risiko setiap saham mengimplementasikan dan membandingkan kinerja multilayer
berdasarkan kesalahan prediksinya. Akhirnya, model optimasi perceptron (MLP), pohon yang didorong gradien, hutan acak, dan
portofolio berbasis prediksi dibangun dengan menggeneralisasi beberapa ansambel model ini untuk arbitrase statistik. Berdasarkan
kerangka model portofolio mean semiabsolute deviasi (MSAD). hasil prediksi dari model yang berbeda, portofolio dibangun dengan
Untuk membeli k saham atas dan menjual k bawah.
saham. Eksperimen menunjukkan bahwa portofolio berdasarkan model optimalisasi portofolio. Model ini pertama-tama menerapkan SVM untuk
ensemble berbobot sama yang berisi MLP, pohon yang didorong gradien memilih aset yang lebih baik, kemudian menggunakan model MV untuk
dan hutan acak menghasilkan pengembalian melebihi 0,45 persen per optimasi portofolio. Hasil eksperimen menunjukkan bahwa SVM dapat
hari sebelum biaya transaksi. Fischer dan Krauss [6] pertama kali meningkatkan kinerja total portofolio dan model pengambilan keputusan
menggunakan jaringan saraf LSTM, hutan acak, MLP dan regresi logistik mereka memiliki kinerja yang memuaskan di pasar Brasil. Wangdkk.[16]
untuk prediksi pengembalian saham di masa depan. Mereka menemukan menggabungkan jaringan saraf LSTM dengan model MV untuk membangun
bahwa jaringan saraf LSTM berkinerja lebih baik daripada model bebas portofolio. Model ini pertama-tama menggunakan jaringan saraf LSTM untuk
memori lainnya. Mereka juga membangun portofolio berdasarkan hasil memprediksi arah pergerakan masing-masing saham di masa depan,
prediksi jaringan saraf LSTM dengan metode yang sama pada [7]. Hasil kemudian memilih k saham teratas untuk membangun portofolio dengan
eksperimen menunjukkan bahwa portofolio ini mengungguli pasar menggunakan model MV. Mereka membandingkan model yang mereka
umum dari tahun 1992 hingga 2009, tetapi memburuk pada tahun 2010. usulkan dengan empat model MV berdasarkan tiga model ML dan model rata-
Yangdkk.[28] menerapkan mesin pembelajaran ekstrim untuk rata bergerak terintegrasi autoregressive untuk menunjukkan keunggulannya.
memprediksi return saham masa depan, kemudian menggunakan
prediksi return sebagai indikator untuk membangun model optimasi Studi-studi ini menggunakan model MV untuk melakukan optimasi
portofolio yang dikombinasikan dengan indeks teknis lainnya. Algoritma portofolio berdasarkan tingkat pengembalian historis. Model MV
evolusi diferensial digunakan untuk memecahkan masalah optimasi didasarkan pada hipotesis bahwa nilai rata-rata pengembalian historis
portofolio. Dengan menggunakan pasar A-share China sebagai data adalah nilai rata-ratanya dan pengembalian historis mengikuti distribusi
eksperimen, hasilnya menunjukkan bahwa model yang diusulkan normal, tetapi distribusi pengembalian historis sering menyimpang dari
mengungguli metode tradisional, yang menunjukkan efek prediksi normalitas, menunjukkan kurtosis dan skewness [31], [32]. Dengan
saham yang menjanjikan untuk pemilihan saham. demikian, tidak ketat untuk menggunakan model MV untuk optimasi
portofolio dalam praktiknya.
Model ini hanya menerapkan model ML untuk prediksi pengembalian
saham dan membangun portofolio hanya berdasarkan hasil prediksi C. MODEL OPTIMASI PORTOFOLIO
model ML. Metode portofolio ini tidak dapat secara efektif BERBASIS PREDIKSI
menyeimbangkan pengembalian dan risiko karena aset yang berbeda Freitasdkk.[18] mengusulkan model pengoptimalan portofolio baru, yang
memiliki risiko yang berbeda. Karena teori portofolio modern diusulkan menggunakan jaringan saraf autoregresif untuk memprediksi
untuk memecahkan masalah semacam ini, maka model prediksi ML pengembalian yang diharapkan dan kesalahan prediksi yang diterapkan
harus dikombinasikan dengan model pengoptimalan portofolio modern untuk pengoptimalan portofolio. Hasil eksperimen menunjukkan bahwa
untuk investasi. model yang diusulkan mengungguli model MV dan menghasilkan
pengembalian yang lebih baik untuk risiko yang sama. Freitasdkk.[4]
B. PORTOFOLIO BERDASARKAN MODEL mengusulkan model optimasi portofolio berbasis prediksi dengan
PEMBELAJARAN MESIN DAN MV menggunakan model autoregressive moving reference neural network
Lindkk.[14] dianggap sebagai masalah pemilihan portofolio dinamis, di (AR-MRNN) sebagai prediktor. Makalah ini pertama kali menerapkan
mana jaringan saraf Elman diterapkan untuk mempelajari perilaku pasar model AR-MRNN untuk memprediksi return saham di masa depan dan
saham yang dinamis dan memprediksi pengembalian di masa depan, dan kemudian menggunakan varians kesalahan prediksi sebagai risiko untuk
matriks kovarians silang digunakan untuk menghitung matriks kovarians membuat model optimasi portofolio. Hasil eksperimen menunjukkan
saham, kemudian pemilihan portofolio dinamis yang optimal model bahwa model yang diusulkan mengungguli model varians mean klasik
diperoleh. Hasil eksperimen menunjukkan bahwa model ini berkinerja berdasarkan analisis batas efisien dan kinerja pasar saham riil. Haodkk.[
lebih baik daripada model autoregresi vektor dan memberikan hasil yang 19] mempresentasikan model pemilihan portofolio berbasis prediksi
lebih baik untuk masalah optimasi portofolio dinamis. Alizadehdkk.[29] dengan menggunakan SVR untuk prediksi return saham masa depan dan
menerapkan sistem inferensi neuro-fuzzy adaptif (ANFIS) untuk prediksi varians kesalahan prediksi sebagai risiko untuk optimasi portofolio,
portofolio saham. Mereka menunjukkan bahwa kinerja prediksi mereka membandingkan model yang diusulkan dengan model di [4].
pengembalian portofolio dapat ditingkatkan dengan menggunakan Hasil eksperimen menunjukkan bahwa model mereka tampil lebih baik.
ANFIS dan fitur input berbeda yang mengandung faktor teknis dan faktor Juga, mereka menyebutkan bahwa prediksi pengembalian saham masa
fundamental. Eksperimen menunjukkan bahwa metode yang diusulkan depan yang lebih baik memberikan kinerja yang lebih baik dari model
mengungguli model varians rata-rata klasik, jaringan saraf dan metode mereka.
Sugeno-Yasukawa. Deng dan Min [30] menggunakan model regresi linier Studi-studi ini tidak hanya menerapkan return prediksi sebagai return yang
yang berisi sepuluh variabel untuk pemilihan saham di ekuitas AS dan diharapkan, tetapi juga menggunakan kesalahan prediksi untuk membangun
global, kemudian mereka membangun portofolio dengan menggunakan model optimasi portofolio. Kesimpulan mereka menunjukkan bahwa model
model MV. Hasil eksperimen menunjukkan bahwa model yang diusulkan optimasi portofolio jenis ini, yaitu model portofolio berbasis prediksi,
di alam semesta ekuitas global mengungguli model alam semesta ekuitas menjanjikan dalam investasi saham di masa depan. Namun, menurut [20],
AS. Paivadkk.[15] mengusulkan model pengambilan keputusan bernama penulis menunjukkan bahwa model portofolio berbasis prediksi adalah area
SVM+MV untuk perdagangan finansial di pasar saham dengan penelitian yang menarik untuk penelitian masa depan yang hanya mendapat
menggunakan support vector machine (SVM) untuk prediksi harga saham sedikit perhatian dari para peneliti. Dengan demikian, makalah ini mencoba
dan model MV untuk mengisi celah ini dengan menggunakan DNN untuk membangun model
portofolio berbasis prediksi.
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
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
2) PORTOFOLIO BERAT SAMA 100 Index dipilih dari saham komponen Indeks Shanghai
BERDASARKAN CNN (CNN+EW) dan Shenzhen 300, yang mewakili seluruh situasi
Mirip dengan DMLP+EW, perbedaan model CNN+EW hanya pada model perusahaan kapitalisasi terbesar di pasar saham Cina.
CNN+EW yang menerapkan CNN untuk prediksi return saham di masa Makalah ini memilih data eksperimen antara 4 Januari 2007
mendatang. dan 31 Desember 2015, dan sisa saham komponen terdiri
dari 49 saham setelah mengabaikan beberapa saham yang
D. MODEL OPTIMASI PORTOFOLIO BERBASIS SVR dihentikan atau tidak terdaftar selama periode ini. Ticker
SVR adalah teknik pembelajaran mesin klasik, yang telah banyak saham pilihan terakhir disajikan pada Tabel5.
digunakan dalam prediksi harga saham [15], [34]. SVR adalah
metode regresi berbasis kernel nonlinier yang mencoba TABEL 5.ticker saham yang dipilih.
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
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.
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
GAMBAR 4.Nilai bersih dari model yang berbeda dengan biaya transaksi.
CNN+MSAD), SVR+MSAD dan SVR+MV untuk menunjukkan
memiliki penarikan maksimum terendah. Kemudian dilakukan keunggulannya.
uji Mann-Whitney untuk lebih membandingkan kinerja Pertama, lima metrik evaluasi, yaitu MAE, MSE,HR, HR+danHR-
DMLP+MSAD dan CNN+MSAD, hasil pengujian menunjukkan digunakan untuk mengukur secara komprehensif kemampuan
bahwaPNilai sama dengan 0,000, yang berarti terdapat prediktif DMLP, jaringan saraf LSTM dan CNN. Eksperimen
perbedaan yang signifikan secara statistik antara keduanya. menunjukkan bahwa DMLP mengungguli yang lain dalam prediksi
Oleh karena itu, setelah dikurangi biaya transaksi, DMLP+MSAD pengembalian saham karena lebih kompatibel dengan fitur input.
masih memiliki performa terbaik di antara model berbasis Kedua, simulasi perdagangan dilakukan untuk meneliti kinerja
prediksi. Bukan berarti excess return LSTM+MSAD malah investasi DMLP+MSAD, LSTM+MSAD dan CNN+MSAD tanpa biaya
menjadi negatif, yang artinya tidak ada excess return setelah transaksi. Tiga hasil berbeda yang diinginkan digunakan untuk
dikurangi biaya transaksinya yang ditambah dengan turnover. mengeksplorasi kinerjanya. Eksperimen menunjukkan bahwa model
Kedua, kinerja SVR+MSAD dan SVR+MV dibandingkan. DMLP+MSAD selalu mengungguli model lain di bawah hasil yang
Meja13menunjukkan bahwa semua metrik SVR+MSAD diinginkan berbeda karena DMLP memiliki kesalahan prediksi
mengungguli SVR+MV. Oleh karena itu, SVR+ MSAD adalah terendah. Dan, return yang diinginkan tinggi lebih cocok untuk
pilihan yang lebih baik untuk investasi. Dengan kata lain, DMLP+MSAD, yang sesuai dengan kesimpulan pada [4]. Ketiga,
metrik deviasi semi-absolut lebih cocok untuk membangun model DMLP+MSAD, LSTM+MSAD dan CNN+MSAD dibandingkan
model portofolio berbasis prediksi daripada metrik varians. dengan dua model benchmark, yaitu SVR+MSAD dan SVR+MV, untuk
Terakhir dilakukan perbandingan DMLP+MSAD dan SVR+MSAD. investasi dengan biaya transaksi. Hasil eksperimen menunjukkan
Meja13menunjukkan bahwa DMLP+MSAD memiliki excess return, bahwa model DMLP+MSAD berkinerja paling baik, dan bahkan
information ratio dan total return yang lebih tinggi dibandingkan dikurangi biaya transaksi yang disebabkan oleh turnover, masih
SVR+MSAD, namun standar deviasi dan maximum drawdown-nya menghasilkan keuntungan yang cukup besar. Sebagai kesimpulan,
lebih tinggi. Selanjutnya, T-test dilakukan untuk mengukur makalah ini menyajikan kemampuan DNN yang menjanjikan dalam
pengembalian berlebih mereka, tesPNilai sama dengan 0,000 yang konstruksi portofolio berbasis prediksi dan mendorong investor
berarti terdapat perbedaan yang signifikan secara statistik antara untuk menerapkan model DMLP+MSAD dengan pengembalian yang
kedua model tersebut. Dengan demikian, DMLP+MSAD lebih baik diinginkan lebih tinggi untuk investasi praktis.
daripada SVR+MSAD.
Selain itu, semua grafik nilai bersih model di atas disajikan pada Penelitian ini lebih lanjut memperluas literatur mengenai model
Gambar4. Ini secara langsung menunjukkan kinerja model yang optimasi portofolio berbasis prediksi dengan menggunakan DNN untuk
berbeda selama periode pengujian. Berdasarkan analisis di atas, prediksi pengembalian. Sejauh yang kami tahu, ini adalah upaya pertama
makalah ini dapat menyimpulkan bahwa DMLP+MSAD adalah model untuk menggunakan DNN dalam membangun model optimasi portofolio
portofolio berbasis prediksi yang menjanjikan untuk praktik berbasis prediksi, yang mengisi kesenjangan penelitian dalam
investasi. karya-karya yang ada. Juga, portofolio berbasis prediksi yang diusulkan
model optimasi menerapkan deviasi semi-absolut sebagai metrik [17] FD Freitas, AF De Souza, dan AR Almeida, ''Prediktor jaringan saraf
risiko, yang memungkinkan penerapannya dalam masalah optimasi autoregressive di pasar saham Brasil,'' diProk. IEEE Lat. Amer.
Robot. Sim., Sep. 2005, hlm. 1–8.
portofolio skala besar. [18] FD de Freitas, AF De Souza, dan AR de Almeida, ''Model optimisasi
Makalah ini juga memiliki keterbatasan karena hanya portofolio berbasis prediksi,'' diProk. 5th Int. Sim. Robot. Otomat.,
menerapkan data historis sederhana sebagai fitur input dalam 2006, hlm. 520–525.
[19] C. Hao, J. Wang, W. Xu, dan Y. Xiao, ''Model pemilihan portofolio berbasis prediksi
proses prediksi saham. Indikator teknis, indikator keuangan, menggunakan mesin vektor pendukung,'' diProk. 6th Int. Kon. Bis. Intel.
indikator ekonomi dapat lebih meningkatkan kinerja DNN dalam Keuangan Eng., November 2013, hlm. 567–571.
prediksi saham. Juga, mungkin ada metrik risiko lain yang lebih [20] AM Sebaliknya, VN Sastry, dan A. Agarwal, ''Prediksi pasar saham dan model
pemilihan portofolio: Sebuah survei,''Opsearch, vol. 54, hlm. 558–579, Januari
cocok daripada deviasi semi-absolut dalam membangun model 2017.
pengoptimalan portofolio. Studi di masa depan dapat menerapkan [21] AJP Samarawickrama dan TGI Fernando, ''Sebuah pendekatan jaringan
lebih banyak fitur input dan metrik risiko yang lebih baik dalam saraf berulang dalam memprediksi harga saham harian aplikasi ke
Pasar saham Sri Lanka,'' diProk. IEEE Int. Kon. Ind.Inf. sistem (ICIIS), Desember
membangun model portofolio berbasis prediksi, dan lebih 2017, hlm. 1–6.
meningkatkan kinerja di luar sampel. [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
REFERENSI berbasis korelasi tertinggal untuk prediksi perubahan tren terarah dalam
[1] H. Markowitz, ''Pemilihan portofolio,''J. Keuangan, vol. 7, tidak. 1, hlm. 77–91, deret waktu keuangan,''Sistem Ahli. aplikasi, vol. 120, hlm. 197–206, April
1952. 2019.
[2] H. Konno dan H. Yamazaki, ''Model optimasi portofolio deviasi rata-rata [24] DMQ Nelson, ACM Pereira, dan RA de Oliveira, ''Prediksi pergerakan
dan penerapannya pada pasar saham Tokyo,''Mengelola. Sci., vol. 37, harga pasar saham dengan jaringan saraf LSTM,'' diProk. Int.
tidak. 5, hlm. 519–531, Mei 1991. Konferensi Bersama Jaringan saraf (IJCNN), Mei 2017, hlm. 1419–
[3] MG Speranza, ''Model pemrograman linier untuk optimasi portofolio,'' Keuangan, 1426.
vol. 14, hlm. 107–123, Januari 1993. [25] H.-C. Lee dan B. Ko, ''Analisis harga dana menggunakan jaringan saraf
[4] FD Freitas, AF De Souza, dan AR de Almeida, ''Model optimisasi portofolio convolutional untuk banyak variabel,''Akses IEEE, vol. 7, hlm. 183626–183633,
berbasis prediksi menggunakan jaringan saraf,''Neurocomputing, vol. 72, November 2019.
tidak. 10–12, hlm. 2155–2170, Juni 2009. [26] OB Sezer, MU Gudelek, dan AM Ozbayoglu, ''Masalah pemilihan
[5] E. Chong, C. Han, dan FC Park, ''Jaringan pembelajaran mendalam untuk portofolio dengan kerangka varians mean Markowitz:
analisis dan prediksi pasar saham: Metodologi, representasi data, dan Sebuah tinjauan literatur,''aplikasi Komputer Lunak., vol. 90, Mei 2020, Pasal.
studi kasus,''Sistem Ahli. aplikasi, vol. 83, hlm. 187–205, Oktober 2017. tidak. 106181.
[27] SI Lee dan SJ Yoo, ''Portofolio berbasis ambang batas: Peran ambang batas dan
[6] T. Fischer dan C. Krauss, ''Pembelajaran mendalam dengan jaringan memori jangka penerapannya,''J. Superkomputer., Sep. 2018, doi:10.1007/s11227- 018-2577-1.
pendek panjang untuk prediksi pasar keuangan,''eur. J.Oper. Res., vol. 270, tidak. 2,
hlm. 654–669, Oktober 2018. [28] F. Yang, Z. Chen, J. Li, dan L. Tang, ''Metode pemilihan stok hibrida baru
[7] C. Krauss, XA Do, dan N. Huck, ''Jaringan saraf dalam, pohon yang dengan prediksi stok,''aplikasi Komputer Lunak., vol. 80, hlm. 820–831,
didorong gradien, hutan acak: Arbitrase statistik pada S&P 500,''eur. Juli 2019.
J.Oper. Res., vol. 259, tidak. 2, hlm. 689–702, Juni 2017. [29] M. Alizadeh, R. Rada, F. Jolai, dan E. Fotoohi, ''Sistem neuro-fuzzy adaptif
[8] J. Patel, S. Shah, P. Thakkar, dan K. Kotecha, ''Memprediksi pergerakan indeks untuk analisis portofolio saham,''Int. J. Intel. sistem, vol. 26, tidak. 2, hlm.
harga saham dan saham menggunakan persiapan data deterministik tren dan 99–114, Februari 2011.
teknik pembelajaran mesin,''Sistem Ahli. aplikasi, vol. 42, tidak. 1, hlm. 259–268, [30] S. Deng dan X. Min, ''Pengoptimalan yang diterapkan dalam konstruksi portofolio efisien
Januari 2015. global menggunakan perkiraan pendapatan,''J. Berinvestasi, vol. 22, tidak. 4, hlm. 104–
[9] R. Singh dan S. Srivastava, ''Prediksi saham menggunakan pembelajaran 114, November 2013.
mendalam,''Aplikasi Alat Multimedia, vol. 76, tidak. 18, hlm. 18569–18584, [31] SJ Kon, ''Model pengembalian saham—Perbandingan,''J. Keuangan, vol. 39, tidak.
September 2017. 1, hlm. 147–165, Maret 1984.
[10] K. bikowski, ''Menggunakan mesin vektor pendukung berbobot volume dengan [32] EF Fama, ''Analisis portofolio di pasar paretian yang stabil,''Mengelola. Sci., vol.
pengujian berjalan maju dan pemilihan fitur untuk tujuan membuat strategi 11, tidak. 3, hlm. 404–419, Januari 1965.
perdagangan saham,''Sistem Ahli. aplikasi, vol. 42, tidak. 4, hlm. 1797–1805, [33] ALD Loureiro, VL Miguéis, dan LFM da Silva, ''Menjelajahi
Maret 2015. penggunaan jaringan saraf dalam untuk peramalan penjualan di
[11] X. Yuan, J. Yuan, T. Jiang, dan QU Ain, ''Model pemilihan saham jangka panjang ritel mode,''keputusan Sistem Dukungan, vol. 114, hlm. 81–93,
terintegrasi berdasarkan pemilihan fitur dan algoritma pembelajaran mesin Oktober 2018.
untuk pasar saham China,''Akses IEEE, vol. 8, hlm. 22672–22685, Februari 2020. [34] LO Orimoloye, M.-C. Sung, T. Ma, dan JEV Johnson, ''Membandingkan efektivitas
jaringan saraf umpan maju yang dalam dan arsitektur dangkal untuk
[12] J.Zhang, Y.-H. Shao, L.-W. Huang, J.Y. Teng, Y.T. Zhao, Z.-K. Yang, dan memprediksi indeks harga saham,''Sistem Ahli. aplikasi, vol. 139, Januari 2020,
X.-Y. Li, ''Dapatkah nilai tukar digunakan untuk memprediksi indeks Pasal. tidak. 112828.
komposit shanghai?''Akses IEEE, vol. 8, hlm. 2188–2199, Januari [35] J.-R. Yu, W.-J. Paul Chiou, W.-Y. Lee, dan S.-J. Lin, ''Portofoliomodel dengan
2020. perkiraan pengembalian dan biaya transaksi,''Int. Pdt. Keuangan, vol. 66, hlm.
[13] YY Zhang, X. Li, dan S. Guo, ''Masalah pemilihan portofolio dengan 118–130, Maret 2020.
kerangka varians mean Markowitz: Tinjauan literatur,''Optimasi kabur. [36] S. Hochreiter dan J. Schmidhuber, ''Memori jangka pendek panjang,''Komputer
keputusan membuat, vol. 17, hlm. 125–158, Juni 2018. Saraf., vol. 9, tidak. 8, hlm. 1735-1780, 1997.
[14] C.-M. Lin, J.J. Huang, M. Gen, dan G.-H. Tzeng, ''Jaringan saraf berulang untuk [37] K. Simonyan dan A. Zisserman, ''Jaringan konvolusi yang sangat dalam untuk
pemilihan portofolio dinamis,''aplikasi Matematika. Hitung., vol. 175, tidak. 2, pengenalan gambar skala besar,'' diProk. Int. Kon. Mempelajari. Mewakili.,
hlm. 1139–1146, April 2006. 2015, hlm. 7–9.
[15] FD Paiva, RTN Cardoso, GP Hanaoka, dan WM Duarte, ''Pengambilan keputusan [38] H. Gunduz, Y. Yaslan, dan Z. Cataltepe, ''Prediksi intraday Borsa
untuk perdagangan finansial: Pendekatan perpaduan pembelajaran mesin dan Istanbul menggunakan jaringan saraf convolutional dan korelasi
pemilihan portofolio,''Sistem Ahli. aplikasi, vol. 115, hlm. 635–655, Januari 2019. fitur,''Sistem Berbasis Pengetahuan., vol. 137, hlm. 138–148,
Desember 2017.
[16] W. Wang, W. Li, N. Zhang, dan K. Liu, ''Pembentukan portofolio dengan pemilihan awal [39] C.-Y. Ya, C.-W. Huang, dan S.-J. Lee, ''Sebuah pendekatan regresi vektor dukungan
menggunakan pembelajaran mendalam dari data keuangan jangka panjang,''Sistem multi-kernel untuk peramalan harga pasar saham,''Sistem Ahli. aplikasi, vol. 38,
Ahli. aplikasi, vol. 143, April 2020, Seni. tidak. 113042. tidak. 3, hlm. 2177–2186, Maret 2011.
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.