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

com

Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020

Studi Prakiraan Indeks Berdasarkan Bobot yang Diubah

Rantai Markov di Cina

Yanpeng Sun

- digunakan dalam komunitas investasi. Dengan munculnya era

Abstrak—Shanghai Composite Index adalah salah satu indeks data besar, semakin banyak model pembelajaran statistik yang
paling representatif dari indeks pasar saham China yang diterapkan di bidang keuangan. Dibandingkan dengan metode
merupakan ukuran ekonomi nasional dan arah pembangunan
buatan tradisional, model pembelajaran statistik memiliki
ekonomi, oleh karena itu, studi prakiraan pada indeks Shanghai
kelebihan yang besar. Aplikasi penting dari model pembelajaran
Composite sangat penting dalam teori dan praktik. Melalui
analisis, fluktuasi Shanghai Composite Index jangka pendek statistik di bidang keuangan adalah prediksi pasar saham. Saat
sesuai dengan asumsi fundamental perkiraan rantai Markov. memperdagangkan saham, investor yang rasional biasanya
Makalah ini terutama mengubah model rantai Markov tertimbang banyak melakukan analisis terhadap data historis dan
untuk mempelajari dan meramalkan tren jangka pendek Shanghai seterusnya, lalu membeli dan menjual saham. Namun, metode
Composite Index, berharap dapat memfasilitasi investor dan
analisis data secara manual ini memakan waktu dan tenaga, serta
calon investor untuk membuat keputusan investasi dan
memberikan referensi bagi mereka. mudah menghasilkan banyak kesalahan, yang akan
meningkatkan risiko investasi dan menyebabkan kerugian
Ketentuan Indeks—Rantai Markov tertimbang yang diubah, indeks investasi. Model pembelajaran statistik dapat membuat analisis
komposit di Cina, perkiraan tren. yang mendalam dan akurat terhadap sejumlah besar data dan
memberikan hasil prediksi yang lebih akurat dalam waktu
singkat. Dibandingkan dengan analisis manual, model
AKUPENDAHULUAN pembelajaran statistik meningkatkan efisiensi dan akurasi
Makalah ini bertujuan untuk mengubah model rantai Markov berbobot untuk mempelajari dan meramalkan tren jangka investasi. Model pembelajaran statistik tidak hanya dapat
pendek Shanghai Composite Index dengan menggunakan alat MATLAB sehingga model tersebut dapat memberikan referensi dan mengolah besaran data yang tidak dapat diproses secara manual,
arahan kepada individu ekonomi untuk membuat keputusan investasi yang lebih baik. Indeks pasar saham adalah indeks yang tetapi juga dapat menelusuri berita dan situs jejaring sosial
menggambarkan tingkat harga pasar dan perubahannya. Para investor akan menanggung risiko harga akibat fluktuasi harga melalui teknologi komputer untuk mengumpulkan dan mengolah
saham. Investor yang rasional ingin mengetahui informasi terkait harga saham sebelum melakukan investasi. Lebih mudah bagi lebih banyak informasi terkait investasi, yang tidak hanya dapat
investor untuk memahami tren masing-masing saham, tetapi lebih sulit bagi investor untuk memahami tren banyak saham atau menambah sumber informasi investor, tetapi juga juga
bahkan keseluruhan pasar. Oleh karena itu, untuk memenuhi kebutuhannya, beberapa lembaga keuangan memanfaatkan menghemat waktu investor. Dalam beberapa tahun terakhir,
sepenuhnya informasi publik, pengetahuan dan kemampuan profesional di pasar dan menyusun indeks pasar saham melalui mesin vektor pendukung, jaringan saraf, algoritme genetik, dan
aturan tertentu untuk membantu investor memahami pasar saham dengan lebih jelas. Indeks pasar saham umumnya mensintesis algoritme pengenalan pola statistik lainnya telah banyak
saham perwakilan dari berbagai industri, yang membantu investor mengevaluasi dampak investasi, dan membantu investor digunakan dalam prediksi pasar saham. Penerapan algoritma
membuat prediksi dan penilaian di pasar. Selain itu, pasar saham mencerminkan situasi ekonomi saat ini. Oleh karena itu, pengenalan pola statistik dalam prediksi harga saham telah
pemerintah, perusahaan, dan institusi lain akan mengambil indeks pasar saham sebagai indeks referensi, dan menilai situasi menjadi topik hangat di kalangan keuangan. Sejumlah besar
ekonomi saat ini. Indeks pasar saham berkualitas tinggi dapat secara akurat mencerminkan informasi pasar dan tersebar luas kesimpulan menunjukkan bahwa model pembelajaran statistik
Indeks pasar saham umumnya mensintesis saham perwakilan dari berbagai industri, yang membantu investor mengevaluasi efektif dalam memprediksi harga saham,
dampak investasi, dan membantu investor membuat prediksi dan penilaian di pasar. Selain itu, pasar saham mencerminkan situasi Dengan perkembangan ekonomi dunia, keuangan dunia
ekonomi saat ini. Oleh karena itu, pemerintah, perusahaan, dan institusi lain akan mengambil indeks pasar saham sebagai indeks berada dalam tahap perkembangan pesat dan aktivitas
referensi, dan menilai situasi ekonomi saat ini. Indeks pasar saham berkualitas tinggi dapat secara akurat mencerminkan informasi keuangan semakin meningkat. Ketidakpastian tren
pasar dan tersebar luas Indeks pasar saham umumnya mensintesis saham perwakilan dari berbagai industri, yang membantu perubahan aktivitas keuangan juga semakin meningkat.
investor mengevaluasi dampak investasi, dan membantu investor membuat prediksi dan penilaian di pasar. Selain itu, pasar Bagaimana mempelajari dan menguasai aturan aktivitas
saham mencerminkan situasi ekonomi saat ini. Oleh karena itu, pemerintah, perusahaan, dan institusi lain akan mengambil indeks keuangan dan memprediksi tren perubahan aktivitas
pasar saham sebagai indeks referensi, dan menilai situasi ekonomi saat ini. Indeks pasar saham berkualitas tinggi dapat secara keuangan di masa depan menjadi fokus dan konten
akurat mencerminkan informasi pasar dan tersebar luas perusahaan dan institusi lain akan mengambil indeks pasar saham penelitian utama bidang akademik dan keuangan. Prediksi
sebagai indeks referensi, dan menilai situasi ekonomi saat ini. Indeks pasar saham berkualitas tinggi dapat secara akurat keuangan dapat secara efektif memberikan dasar untuk
mencerminkan informasi pasar dan tersebar luas perusahaan dan institusi lain akan mengambil indeks pasar saham sebagai membuat rencana dan keputusan keuangan, dan kemudian
indeks referensi, dan menilai situasi ekonomi saat ini. Indeks pasar saham berkualitas tinggi dapat secara akurat mencerminkan menjaga perkembangan pasar keuangan yang sehat dan
informasi pasar dan tersebar luas memaksimalkan keuntungan organisasi keuangan. Semakin
akurat kecenderungan harga saham diprediksi, semakin tepat
investor mengambil keputusan atas portofolio investasi.
Naskah diterima 2 Februari 2020; direvisi 18 Juli 2020. Pekerjaan ini
didukung oleh proyek perencanaan ilmu sosial Shandong (19CFZJ42), Makalah ini didasarkan pada Model Rantai Markov, tetapi
proyek perencanaan ilmu sosial Qingdao (QDSKL1901115), dan Proyek mempertimbangkan fluktuasi harga saham,
Penelitian Ilmu Statistik Nasional 2019 (2019LY31).
Makalah ini terutama dibagi menjadi bagian-bagian berikut.
Yanpeng Sun bersama Fakultas Ekonomi, Universitas Qingdao, Qingdao
Shandong, 266071, Tiongkok (email: jjxy_syp@163.com ). Pertama, karya-karya yang telah dicapai oleh para sarjana

doi: 10.18178/ijtef.2020.11.5.674 98
 Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020
akan disimpulkan secara singkat dan Model Rantai Markov
berbobot yang diubah akan diperkenalkan. Kedua, model teoritis
akan disajikan. Kemudian, bagian utama dari makalah ini datang.
Analisis empiris akan ditunjukkan secara rinci. Kesimpulan
keseluruhan akan ditampilkan pada akhirnya.
II. LITERATUR
Asal usul Model Markov dapat ditelusuri kembali ke paruh
kedua tahun 1960-an, ketika Baumet al. mempresentasikan
prototipe asli Model dalam serangkaian makalah statistik.
Pertama, Baum (1966) [1] menerbitkan sebuah makalah tentang
prototipe awal model Markov, dan memberikan inferensi statistik
pada fungsi probabilitas rantai Markov keadaan hingga.
Kemudian, Baum (1970, 1972) [2], [3] masing-masing memberikan
teknik maksimalisasi untuk fungsi probabilitas rantai Markov dan
teknik ketidaksamaan korelasi dan maksimalisasi untuk estimasi
statistik fungsi probabilitas proses Markov, yang merupakan
perluasan lebih lanjut dari tahun 1996 dan meletakkan dasar
untuk pekerjaan selanjutnya pada model Markov. Kemudian, Ryan
& Nudd (1973) [4] merangkum konten yang relevan dan bidang
aplikasi dari algoritma Viterbi, dan memperluas algoritma
tersebut. Lalu, Levinsonet al.(1983) [5] memberikan penerapan
teori fungsi probabilitas rantai Markov dalam pengenalan ucapan
otomatis, menggabungkan teori dengan masalah praktis, dan
memberikan model yang cocok untuk pengenalan kata terisolasi.
Dan Rabiner & Juang (1986) [6] merangkum isi Model Markov yang
relevan berdasarkan penelitian sebelumnya. Krishnalal [7]et al.
menggabungkan model Markov dengan mesin vektor dukungan
dan menerapkannya pada penambangan teks dan klasifikasi
berita.
Model Markov juga banyak digunakan dalam bidang keuangan.
Hassan & Nath (2005) [8], [9] pertama kali menerapkan Model Markov
pada prediksi harga saham dan memberikan metode baru untuk
memprediksi harga saham. Metode ini mengambil harga pembukaan,
harga penutupan, harga maksimum dan harga minimum dari harga
saham sebagai input model, dan memprediksi harga saham melalui
estimasi parameter, decoding status dan langkah-langkah lainnya.
Kemudian, Srivastavaet al(2008) [10] menerapkan Model Markov
untuk deteksi penipuan kredit, dan hasil empiris menunjukkan bahwa
penggunaan Model Markov efektif untuk mendeteksi penipuan
informasi. Dan Hassan (2009) [11] mengkombinasikan Model Markov
dengan Model fuzzy dan menerapkan Model tersebut pada prediksi
harga saham. Model MENGGUNAKAN Model Markov untuk pengenalan
pola data, kemudian MENGGUNAKAN logika fuzzy untuk
mendapatkan prediksi dan dapat menguji pasar saham dari berbagai
industri. Hasil empiris menunjukkan bahwa akurasi prediksi dari
model yang diperbaiki jelas meningkat. Baru-baru ini, Caccia &
Remillard (2017) [12] mengusulkan Model Markov autoregresif
berganda berdasarkan Model Markov. Berdasarkan Model yang
ditingkatkan, uji rasio kemungkinan dan uji kecocokan baru dilakukan
untuk menguji tingkat pengembalian harian S&P 500, dan ditemukan
bahwa Model yang ditingkatkan memiliki keunggulan yang nyata.
Penelitian dalam negeri tentang Model Markov dimulai relatif
terlambat, tetapi dalam beberapa tahun terakhir, penerapan Model
Markov di bidang keuangan telah menarik lebih banyak perhatian dari
para pakar domestik, cendekiawan, dan profesional investasi.
Menggunakan Shanghai Composite Index dan Dow Jones
99
Industrial Average, Jiang & Xu (2013) [13] mengusulkan metode
perkiraan kinerja indeks saham berdasarkan model residual abu-
abu dan jaringan saraf BP. Shi (2014) [14] memberikan model
ARIMA berdasarkan analisis wavelet berdasarkan harga
penutupan rata-rata bulanan Shanghai Composite Index dan
perkiraan tren harga indeks jangka panjang. Song (2014) [15]
menentukan titik belok harga saham dan meramalkan tren harga
saham dengan menghaluskan fluktuasi harga saham. Cui (2016)
[16] memperkenalkan Rantai Markov normal untuk menganalisis
pasar Ekonomi dengan indeks data ekonomi utama China,
menunjukkan bahwa teori Rantai Markov dapat dipraktikkan
untuk data ekonomi. Fei (2016) [17] menganalisis karakter data
acak di lingkungan yang berbeda dan menunjukkan bahwa Rantai
Markov menunjukkan presisi yang baik dalam mendeskripsikan
dan memprediksi data ekonomi di beberapa lingkungan acak. Lin
& Yang (2017) [18] memperkenalkan jaringan saraf hybrid yang
ditingkatkan berdasarkan granulasi fuzzy untuk mempelajari
pasar saham. Studi mereka menunjukkan bahwa indeks saham
dapat diprediksi dan data pasar saham memiliki karakteristik
statistik ketika tidak ada force majeure yang terjadi di pasar
saham, dan mereka mendapatkan keputusan yang baik dalam
memprediksi kisaran harga indeks saham. Liang (2016) [19] secara
kreatif memperkenalkan model sistem inferensi fuzzy berbasis
jaringan adaptif (ANFIS) ke pasar saham, menggunakan
karakteristik statistik dari data pasar saham, menganalisis
hubungan antara perubahan data dan aliran waktu, dan pada
mode empiris studi mereka menunjukkan deskripsi yang baik
untuk data deret waktu saham. Penelitian mereka berfokus pada
keakuratan nilai ramalan dalam penelitian ramalan harga saham
tetapi mengabaikan fluktuasi acak pasar saham, yang pasti
mengkompromikan akurasi perkiraan. Sebaliknya, rantai Markov
bobot yang diubah digunakan untuk meramalkan rentang
fluktuasi masa depan dan probabilitas negara objek penelitian. Ini
sepenuhnya mempertimbangkan fluktuasi acak pasar saham,
menampilkan hasil perkiraan yang lebih ilmiah dan praktis.
AKU AKU AKU. THEORETISMODEL
Tentukan ruang peluang (Ω, F, P) barisan acak padaX0,X
1,...
Ini disebut rantai rantai markov), jika dua kondisi
berikut terpenuhi:
(1) ruang keadaan {XN:N≥0} adalah himpunan yang dapat dihitung;
(2) untuk apa sajaNdan negara bagianSaya0,Saya1...,SayaN＋1∈aku, selamaP{X0=Saya0,
X1=Saya1, ...z,XN＝SayaN} >0, persamaan berikut benar
P{XN＋1=SayaN＋1|X0=Saya0,X1＝Saya1, ... ,XN=SayaN} =P{XN＋1=SayaN＋1|
XN=SayaN}
Kondisi (2) disebut properti markov (disebut juga no after effect), yang
merupakan karakteristik dasar dari rantai markov. Ini menunjukkan bahwa
negara pada saat ituN+1 hanya berhubungan dengan keadaan pada waktu
n, bebas dari keadaan sebelum waktu n. Jane Dengan sendirinya, properti
Markov berarti masa depan tidak ada hubungannya dengan masa lalu,
mengingat masa kini.
Untuk menyiapkan model perkiraan rantai Markov berbobot yang
diubah termasuk:
1) Mengurutkan sampel perkiraan dari kecil ke besar dan
mempartisi untuk membangun ruang keadaan I;
2) Menentukan status indeks harga dalam waktu yang berbeda
 Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020

ember; harga hampir semua jenis saham meningkat, dari mana investor
3) Menguji properti Markov; akan mendapat banyak keuntungan. Oleh karena itu, masyarakat
4) Menghitung koefisien autokorelasi all-orderRk dari berbagai kalangan mau berinvestasi di saham. Namun,
sesuai dengan rumus perhitungan yang sesuai, fluktuasi konstan dalam tren naik selalu ada. Hukum obyektif
(XSAYA- juga menunjukkan bahwa harga saham akan turun ketika naik
-
N-k
( -k -X)
xx) SAYA (1) titik tinggi, yaitu pasar dihadapkan pada tingkat yang jauh lebih tinggi
Rk- SAYA-1
(k-SAYA)
-
N
(XSAYA-X)2 tekanan penurunan. Sejak Juni 2015, Indeks Harga Saham
SAYA
-1
Gabungan Shanghai sementara turun dari titik tertinggi, yang
di manaRksingkatan dari koefisien autokorelasi darik memberikan tekanan besar dalam proses pemulihan ekonomi

memesan,X1untuk indeks harga bucket pertama,Xuntuk nilai indeks

Tiongkok. Mereka yang membeli sekuritas dengan harga relatif
tinggi menghadapi kerugian besar. Menghadapi fluktuasi besar
harga rata-rata, danNuntuk panjang urutan indeks harga;
dalam tren pasar saham, studi yang efektif tentang tren pasar
5) Normalisasi semua koefisien autokorelasi orde, dimana m
saham di masa depan sangat penting dalam praktik sosial, yang
adalah orde maksimum yang akan dihitung dalam peramalan;
akan memandu orang untuk membuat keputusan yang relatif
Rk tepat tentang portofolio investasi.
w- (2)
-
M
k k-1
Rk TABEL I: SHANGHAICOMPOSITSAYANDEXCKEHILANGANPBERASDATA DANTAHLI WARIS
STATES(DARISEP.19, 2014KEJUL. 17, 2015).
6) Menganalisis statistik hasil langkah 5) untuk mendapatkan TIDAK. tanggal penutupan negara

1 19-09-2014 2330.83 1
matriks probabilitas transisi rantai Markov dalam penundaan yang
2 26-09-2014 2347.72 1
berbeda; 3 30-09-2014 2363.87 1
7) Peramalan probabilitas negaraPSaya(k) dari indeks harga ini 4 10-10-2014 2374.54 1
5 17-10-2014 2341.17 1
ember waktu (di manasaya saya,ksingkatan dari penundaan, dank=1, 2, …M) 6 24-10-2014 2302.28 1
menggunakan indeks harga sebelumnya sebagai keadaan awal dan 7 31-10-2014 2420.17 2
8 07-11-2014 2418.16 2
menggabungkan matriks probabilitas transisi yang sesuai;
9 14-11-2014 2478.82 2
8) Meramalkan bobot berbagai probabilitas perkiraan di negara bagian 10 21-11-2014 2486.79 2
yang sama dan probabilitas perkiraan indeks harga di negara bagian ini, 11 28-11-2014 2682.83 2
12 05-12-2014 2937.64 2
yaitu,
13 12-12-2014 2938.16 2
M 14 19-12-2014 3108.60 3
- -wkPSaya (k)
PSaya (3) 15 26-12-2014 3157.60 3
16 31-12-2014 3234.67 3
k-1
17 09-01-2015 3285.40 3
18 16-01-2015 3376.50 3
Sayadalam Maks (pi,saya saya) adalah nilai perkiraan status indeks dalam
19 23-01-2015 3351.76 3
kelompok waktu ini. 20 30-01-2015 3210.36 3
21 06-02-2015 3075.90 3
22 13-02-2015 3203.83 3
23 17-02-2015 3246.90 3
IV. eMPIRIKAANALISIS 24 27-02-2015 3310.30 3
25 06-03-2015 3241.18 3
A. Memilih Sampel 26 13-03-2015 3372.90 3
Makalah ini menggunakan data harga penutupan mingguan Shanghai 27 20-03-2015 3617.32 4
28 27-03-2015 3691.10 4
Composite Index (selanjutnya disebut Shanghai Composite Index) dari 28
29 03-04-2015 3863.92 4
November 2014 hingga 17 Juli 2015 sebagai sampel penelitian, dan tren 30 10-04-2015 4034.31 4
harga dari data sampel ditunjukkan pada Gambar 1. 31 17-04-2015 4287.29 5
32 24-04-2015 4393.69 5
33 30-04-2015 4441.66 5
34 08-05-2015 4205.92 5
35 15-05-2015 4308.69 5
36 22-05-2015 4657.60 5
37 29-05-2015 4611.74 5
38 05-06-2015 5023.10 5
39 12-06-2015 5166.35 5
40 19-06-2015 4478.36 5
41 26-06-2015 4192.87 4
42 03-07-2015 3686.92 4
43 10-07-2015 3877.80 4
44 17-07-2015 3957.35 4
Gambar 1. Tren garis mingguan indeks komposit Shanghai (dari 28 November 2014 hingga 1 Juli 2014).

17, 2015).
B. Memproses Data
Fig.1 menunjukkan bahwa Shanghai Composite Index telah menunjukkan
Data sampel indeks komposit Shanghai diurutkan dari kecil ke
kenaikan yang stabil dari tahun 2000 menjadi lebih dari 5000 poin sebelum Juni
besar dan rata-rata dibagi menjadi lima rentang sampel sesuai
2015, yang mencerminkan visi ekonomi China yang menginspirasi.
dengan perbedaan maksimum, termasuk status 1: harga penutupan
Selama periode ini, pasar saham melonjak, dan lebih rendah dari 2400, status 2: harga penutupan antara

100
 Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020

2400 (termasuk) dan 3000; status 3: harga penutupan antara 3000 4200 dan status 5 [5]: harga penutupan di atas 4200 (termasuk). Lihat Tabel
(termasuk) dan 3600, status 4: harga penutupan 3600 (termasuk) dan I untuk detailnya.

TABEL II: BASICSTATISTIKFCIRI DARISCUKUPDATA

Fitur Statistik Rata-rata median Deviasi Standar Perbedaan Kecondongan Kurtosis

Nilai 3.4420e+003 3.2979e+003 796.3420 6.3416e+005 0,2943 2.1353

C. Pemodelan Data Tabel III).

10 TABEL III: AII-HAIRDERAUTOKORELASICEFISIEN

Autokorelasi k=1 k=2 k=3 k=4 k=5
9
Rk 0,9515 0,8800 0,8075 0,7286 0,6554
8

7
Koefisien autokorelasi semua orde dinormalisasi untuk
6 mendapatkan bobot rantai Markov [7] dari penundaan semua
5 orde. Lihat Tabel IV untuk hasil operasi.
4
TABEL IV: MARKOVCHAINWDELAPAN DARIAII-HAIRDERDELAY
3
Bobot k=1 k=2 k=3 k=4 k=5
2
wk 0,2365 0,2187 0,2007 0,1811 0,1629
1

0
2000 2500 3000 3500 4000 4500 5000 5500
D. Matriks Probabilitas Transisi Rantai Markov
Gambar 2 Histogram Distribusi
Matriks probabilitas transisi penundaan dapat dihitung setelah
Contoh Fungsi Autokorelasi (ACF)
1 bobot yang sesuai dari semua pesanan dihitung (lihat Gambar. 5,
Gambar. 6, Gambar. 7, Gambar. 8 dan Gambar. 9).
0,8

-0,800 0,200 0 0 0 -
0,6 - -
-0,125 0,750 0,125 0 0 -
P1 - - 0 0 1.000 0 0 -
Contoh Autokorelasi

0,4
- -
- 0 0 0 0,857 0,143-
0,2 -- 0 0 0 1.000 0.900--
Gambar 5. Matriks probabilitas transisi satu delay P1.
0

-0,600 0,400 0 0 - 0
- 0,2 - -
-0,125 0,625 0,250 0 0 -
- 0,4 P2 - - 0 0 0,917 0,083 0 -
0 2 4 6 8 10 12 14 16 18 20
- -
- 0 0 0 0,667 0,333 -
Ketinggalan

Gambar 3 Distribusi Autokorelasi

-- 0 0 0 0,200 0,800--
Properti distribusi statistik dasar [6] (ditunjukkan pada Gambar 6. Matriks probabilitas transisi dua delay P2.

Tabel II dan seperti Gambar 2 dan Gambar 3) dari data sampel

-0,400 0,600 0 0 0 -
dihitung dengan perangkat lunak MATLAB. Hasil statistik - -
menunjukkan bahwa data sampel tidak memiliki fitur
-0,125 0,500 0,375 0 0 -
distribusi normal dan trennya berfluktuasi sekitar 3442. Dapat
P3- - 0 0 0,833 0,167 0 -
- -
dinilai dari uji autokorelasi bahwa koefisien autokorelasi - 0 0 0 0,400 0,600-
dalam waktu singkat selalu positif dan kemudian negatif -- 0 0 0 0,300 0,700--
sepanjang waktu. Distribusi autokorelasi bukan simetris Gambar 7. Matriks probabilitas transisi tiga delay P3.

segitiga, menunjukkan bahwa fitur distribusi urutan Indeks

-0,200 0,800 0 0 0 -
Komposit Shanghai sesuai dengan asumsi dasar model rantai - -
-0,125 0,375 0,500 0 0 -
Markov tertimbang yang diubah. Model ini dapat digunakan
P4 - - 0 0 0,750 0,250 0 -
dalam prediksi analitik tren Shanghai Composite Index. - -
Koefisien autokorelasi semua urutan dihitung menggunakan - 0 0 0 0 1 -
perangkat lunak MATLAB. Hasil operasi akan ditampilkan sebagai -- 0 0 0 0,400 0,600--
Gambar 8. Matriks probabilitas transisi empat penundaan P4.
berikut:

rk =1,0000 0,9515 0,8800 0,8075 0,7286 0,6554 -0 1.000 0 0 0-

- -
0,5650 0,4779 0,3928 -0,125 0,250 0,625 0 0 -
P5 - - 0 0 0,667 0,333 0 -
Dengan demikian dapat dilihat bahwa koefisien autokorelasi dari - -
- 0 0 0 0 1 -
lima perintah tunda adalah luar biasa, jadi ambillah autokorelasi
-- 0 0 0 0,444 0,556--
CHai
Ffi
efisiensi lima penundaan, yaitu,k=1, 2, 3, 4 dan 5 (lihat Gambar 9. Matriks probabilitas transisi lima delay P5.

101
 Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020

E. Indeks Peramalan 2015 ditutup pada 4.070,91 sedangkan pada 3.633,73 pada 31 Juli

Dari sebelumnya, dengan data harga penutupan mingguan dari 2015, dan kedua nilai turun di negara bagian 4, menunjukkan bahwa

lima minggu terakhir (dari 19 Juni 2015 hingga 17 Juli 2015) dari hasil aktual sangat konsisten dengan hasil prediksi.

Shanghai Composite Index sebagai data awal dan matriks

probabilitas transisi yang sesuai menurut negara bagian, tutup data
harga di dua minggu mendatang Shanghai Composite Index dan V.CKESIMPULAN
probabilitas negara dapat diramalkan, dan lihat hasil perhitungannya Sebagai kesimpulan, kita dapat menemukan bahwa rantai Markov tertimbang yang diubah dapat secara efektif

pada Tabel V. memperkirakan rentang fluktuasi dan probabilitas tren jangka pendek indeks Shanghai Composite. Hasil prediksi sepenuhnya

menunjukkan bahwa status pasar saham Tiongkok yang naik perlahan tidak akan berubah dalam jangka pendek tetapi Shanghai

TABEL V: TMEMBELAHFORECAST DARISHANGHAICOMPOSITSAYANDEX Composite Index akan berfluktuasi antara 3600 dan 4200. Sementara itu, kebangkitan ekonomi Tiongkok tidak akan berubah
(DARIJUL. 18, 2015KEJUL. 24, 2015)
dalam jangka pendek tetapi masih menghadapi tekanan besar di kecenderungan untuk menurun. Pemerintah China seharusnya

Menunda memperkenalkan lebih banyak kebijakan pendukung mengingat pasar memainkan peran utamanya dalam alokasi sumber daya,
Pertama Probabilitas Ruang Negara
Serikat waktu/ Bobot
Hari berharap untuk menstabilkan dan meningkatkan sentimen investasi dan menjaga pencapaian kebangkitan ekonomi. (Karena
pekan
1 2 3 4 5 pasar saham dapat mencerminkan operasi ekonomi riil, adalah keharusan untuk secara aktif mempromosikan perkembangan

06-19 5 5 0,2365 0 0 0 0,444 0,556 ekonomi riil. Sangat penting untuk mendorong pengembangan usaha kecil dan menengah yang menjanjikan yang merupakan

06-26 4 4 0,2187 0 0 0 0 1 bagian penting dan aktif dari ekonomi pasar. Sangat penting untuk menciptakan lingkungan yang sehat dan sehat di mana modal

07-03 4 3 0,2007 0 0 0 0,400 0,600 dapat mengalir ke perusahaan yang membutuhkan dan dapat menciptakan kekayaan yang nyata. Hal ini dapat dicapai dengan

07-10 4 2 0,1811 0 0 0 0,667 0,333 beberapa kebijakan pemerintah yang mengatur aliran modal dari lembaga keuangan. Untuk sentimen investasi, akan berkembang

jika ekonomi riil berkembang dengan stabil atau semakin cepat. Dan sentimen investasi yang tinggi pada gilirannya akan
07-17 4 1 0,1629 0 0 0 0,857 0,143
berkontribusi pada kemajuan ekonomi riil. Maka, akan ada sirkulasi yang baik). Sangat penting untuk mendorong pengembangan

jumlah berat 0 0 0 0,501 0,499 usaha kecil dan menengah yang menjanjikan yang merupakan bagian penting dan aktif dari ekonomi pasar. Sangat penting untuk

menciptakan lingkungan yang sehat dan sehat di mana modal dapat mengalir ke perusahaan yang membutuhkan dan dapat

Bobot berbagai probabilitas prediksi di negara bagian yang menciptakan kekayaan yang nyata. Hal ini dapat dicapai dengan beberapa kebijakan pemerintah yang mengatur aliran modal dari

sama dan probabilitas perkiraan Shanghai Composite Index di lembaga keuangan. Untuk sentimen investasi, akan berkembang jika ekonomi riil berkembang dengan stabil atau semakin cepat.

negara bagian ini serta 'probabilitas ruang negara' di Tabel V Dan sentimen investasi yang tinggi pada gilirannya akan berkontribusi pada kemajuan ekonomi riil. Maka, akan ada sirkulasi yang

ditampilkan di MATLAB dalam matriks. Hasilnya adalah: baik). Sangat penting untuk mendorong pengembangan usaha kecil dan menengah yang menjanjikan yang merupakan bagian

penting dan aktif dari ekonomi pasar. Sangat penting untuk menciptakan lingkungan yang sehat dan sehat di mana modal dapat

P1 = 0;P2 = 0;P3 = 0;P4 =0,5013;P5 = 0,4987 mengalir ke perusahaan yang membutuhkan dan dapat menciptakan kekayaan yang nyata. Hal ini dapat dicapai dengan beberapa

Probabilitas Indeks Komposit Shanghai dalam minggu kebijakan pemerintah yang mengatur aliran modal dari lembaga keuangan. Untuk sentimen investasi, akan berkembang jika

perdagangan berikutnya tertinggi di negara bagian 4, sebesar 50,13%, ekonomi riil berkembang dengan stabil atau semakin cepat. Dan sentimen investasi yang tinggi pada gilirannya akan berkontribusi

jadi kami menganggap rentang fluktuasi Indeks Komposit Shanghai pada kemajuan ekonomi riil. Maka, akan ada sirkulasi yang baik). Sangat penting untuk menciptakan lingkungan yang sehat dan

harus antara 3600 (termasuk) dan sekitar 4200; menggunakan sehat di mana modal dapat mengalir ke perusahaan yang membutuhkan dan dapat menciptakan kekayaan yang nyata. Hal ini dapat dicapai dengan bebera

keadaan 4 sebagai minggu prediksi pertama, tren Indeks Harga

Saham Gabungan Shanghai pada minggu berikutnya (dari 25 Juli 2015
hingga 31 Juli 2015) dapat diprediksi dengan mengulangi langkah-
langkah di atas atas dasar ini, dengan cara ini diperoleh kisaran
prediksi masih jatuh di negara bagian 4. Dengan melihat keadaan
pasar saham China yang perlahan naik, kami sangat yakin ruang
negara bagian 4 adalah ruang operasi Shanghai Composite Index
dalam satu hingga dua minggu, dan melihat situasi fluktuasi aktual
yang ditampilkan seperti Gambar 4.
CKERUGIAN DARISAYAMINAT
Penulis menyatakan tidak ada konflik kepentingan.
APENULISCKONTRIBUSI
Yanpeng Sun melakukan Konseptualisasi, metodologi,
analisis formal, investigasi, sumber daya, kurasi data,
penulisan - draf asli, penulisan - ulasan & pengeditan,
visualisasi.

Gambar 4. Prakiraan rentang tren indeks komposit Shanghai.
F. Uji Balik
Hasil operasi sebenarnya dari pasar Shanghai Composite Index
menunjukkan bahwa Shanghai Composite Index pada 24 Juli
RREFERENSI
[1] LE Baum dan T. Petrie, "inferensi statistik untuk fungsi probabilistik rantai
Markov keadaan terbatas,"Sejarah Statistik Matematika, vol. 37, tidak. 6,
hlm. 1544-1563, 1966.
[2] LE Baum, T. Petrie, G. Soules, dan N. Weis, “Teknik maksimalisasi
yang terjadi dalam analisis statistik fungsi probabilistik rantai
Markov,”Sejarah Statistik Matematika, vol. 41, tidak. 1, hlm.
164-171, 1970.
[3] LE Baum, "Sebuah ketidaksetaraan dan teknik maksimalisasi terkait dalam
estimasi statistik fungsi probabilistik dari proses Markov," Ketidaksetaraan
, vol. 3, hlm. 1-8, 1972.
[4] MS Ryan dan GR Nudd, "Algoritme viterbi," diProses IEEE, 1973,
vol. 61, tidak. 5, hlm. 268-278.
[5] SE Levinson, LR Rabiner, dan MM Sondhi, "Pengantar penerapan
teori fungsi probabilistik dari proses Markov untuk pengenalan
ucapan otomatis,"Jurnal Teknis Bell Labs, vol. 62, tidak. 4, hlm.
1035-1074, 1983.
[6] LR Rabiner dan BH Juang, “Pengantar model Markov tersembunyi,”
IEEE ASSP Mag, vol. 3, tidak. 1, hlm. 4-16, 1986.
[7] G. Krishnalal, SB Rengarajan, dan KG Srinivasagan, “Pendekatan penambangan
teks baru berdasarkan HMM-SVM untuk klasifikasi berita web,”

102
 Jurnal Perdagangan Internasional, Ekonomi dan Keuangan, Vol. 11, No. 5, Oktober 2020
Jurnal Internasional Aplikasi Komputer, vol. 19, hlm. 98-104,
2010.
[8] MR Hassan dan B. Nath, "Peramalan pasar saham menggunakan mode
Markov tersembunyi1: Pendekatan baru," dalamProses Konferensi
Internasional tentang Desain & Aplikasi Sistem Cerdas, 2005, hlm. 192-196.
[9] MR Hassan, B. Nath, dan M. Kirley, “Model fusi HMM, ANN, dan GA
untuk peramalan pasar saham,”Sistem Pakar dengan Aplikasi, vol.
33, tidak. 1, hlm. 171-180, 2007.
[10] A. Srivastava, A. Kundu, S. Sural, dan A. Majumdar, “Deteksi penipuan kartu kredit
menggunakan model Markov tersembunyi,”Transaksi IEEE pada Komputasi
Aman yang Dapat Diandalkan, vol. 5, tidak. 1, hlm. 37-48, 2008.
[11] MR Hassan, “Kombinasi model Markov tersembunyi dan model fuzzy untuk
peramalan pasar saham,”Komputasi Neuro, vol. 72, hlm. 3439-3446, 2009.
[12] M. Caccia dan B. Remillard, "Harga opsi dan lindung nilai untuk model
Markov tersembunyi autoregresif waktu diskrit,"Les Cahiers du GERAD,
2017.
[13] H. Jiang dan GF Xu, “Prediksi dinamis indeks saham berdasarkan sistem
abu-abu dan jaringan saraf BP,”Matematika dalam Praktek dan Teori, vol.
22, hlm. 52-59, 2013.
[14] HY Shi, "Analisis dan prediksi indeks komposit Shanghai dengan model
ARIMA berdasarkan analisis wavelet,"Matematika dalam Praktek dan Teori
, vol. 23, hlm. 59-68, 2014.
[15] S. Song, “Menjelajahi karakteristik Kuznets dari fluktuasi harga
saham dan penerapannya dalam prediksi,”Jurnal Terapan Statistik
dan Manajemen, vol. 2, hlm. 47-56, 2014.
103
[16] LP Cui, "Teori rantai Markov dan studi aplikasi di bidang
manajemen ekonomi,"Pasar Cina, vol. 6, hlm. 76-83, 2016.
[17] SL Fei, "Rantai Markov di beberapa lingkungan acak,"Jurnal
Universitas Normal Cina Timur, vol. 2, hlm. 62-71, 2016.
[18] Y. Lin dan JH Yang, "Peningkatan jaringan saraf hibrida berdasarkan
granulasi fuzzy untuk prediksi kisaran harga indeks saham berjangka,"
Keuangan Cina Selatan, vol. 10, hlm. 9-22, 2017.
[19] L.-Y. Wei, "Model ANFIS hibrid berdasarkan dekomposisi mode empiris
untuk peramalan deret waktu saham,"Komputasi Lunak Terapan, vol.
5, hlm. 32-41, 2016.
Hak Cipta © 2020 oleh penulis. Ini adalah artikel akses terbuka yang didistribusikan di
bawah Lisensi Atribusi Creative Commons yang mengizinkan penggunaan, distribusi,
dan reproduksi tanpa batas dalam media apa pun, asalkan karya asli dikutip dengan
benar (CC OLEH 4.0 ).
Yanpeng Sunsaat ini menjadi profesor. Dia sekarang di
Universitas Qingdao, Cina. Dia memperoleh gelar B.Sc. dan M.Sc.
derajat pada tahun 2000 dan 2005, masing-masing. Fokus
penelitiannya saat ini terutama melibatkan inovasi manajemen,
keuangan internet, dan pemrosesan data besar.