Disusun Untuk Memenuhi Salah Satu Tugas Mata Kuliah
Manajemen Keuangan Internasional Oleh: Surya Danang C 202 21 012 PROGRAM STUDI MAGISTER MANAJEMEN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS TADULAKO 2021 JURNAL I Review Jurnal I
Judul Jurnal A case study on using neural networks to perform technical
forecasting of forex Nama Penulis Jingtao Yao dan Chew Lim Tan Edisi & Volume 34 Tahun 2000 Halaman 79-98 Nama Jurnal Neurocomputing Pendahuluan Mengingat ditinggalkannya "nilai tukar tetap, penerapan sistem nilai tukar #oating pada tahun 1970-an, dan pembicaraan GATT baru-baru ini menuju liberalisasi perdagangan lebih lanjut, memahami hubungan antara nilai tukar mata uang utama adalah yang paling penting. Nilai tukar mata uang asing dipengaruhi oleh banyak faktor ekonomi, politik dan bahkan psikologis yang sangat berkorelasi. Interaksi faktor-faktor ini sangat kompleks. Oleh karena itu, untuk meramalkan perubahan nilai tukar mata uang asing umumnya sangat sulit. Para peneliti dan praktisi telah berusaha untuk penjelasan tentang pergerakan nilai tukar. Dengan demikian, berbagai macam metode peramalan telah dikembangkan oleh banyak peneliti dan ahli. Analisis teknis dan fundamental adalah metodologi peramalan dasar dan utama yang populer digunakan dalam "peramalan keuangan". Seperti banyak deret waktu ekonomi lainnya, forex memiliki tren, siklus, musim, dan ketidakteraturannya sendiri. Jadi untuk mengidentifikasi, memodelkan, mengekstrapolasi, dan menggabungkan pola-pola ini dan memberikan peramalan forex adalah tantangan utama. Secara tradisional, model statistik seperti model Box} Jenkins mendominasi peramalan deret waktu. White menyarankan bahwa hubungan antara jaringan saraf dan pendekatan statistik konvensional untuk peramalan deret waktu saling melengkapi. Refene dkk. juga menunjukkan bahwa teknik statistik tradisional untuk peramalan telah mencapai keterbatasan mereka dalam aplikasi dengan nonlinier dalam kumpulan data seperti indeks saham. Teknologi Neural Network telah melihat banyak area aplikasi dalam bisnis terutama ketika domain masalah melibatkan klasifikasi, pengenalan, dan prediksi. Menurut penelitian survei yang dilakukan oleh Wong et al. lebih dari 127 aplikasi bisnis jaringan saraf telah dipublikasikan di jurnal internasional hingga September 1994. Jumlah tersebut meningkat menjadi 213 setelah satu tahun. Makalah ini menjelaskan penerapan jaringan saraf dalam peramalan nilai tukar mata uang asing antara Dolar Amerika dan "ve mata uang utama lainnya, Yen Jepang, Deutsch Mark, Pound Inggris, Franc Swiss, dan Dolar Australia. Indikator teknis dan data deret waktu diumpankan ke saraf jaringan untuk menangkap `aturan yang mendasari pergerakan nilai tukar mata uang. Analisis rentang skala ulang dilakukan untuk menguji `e$ciencya dari setiap pasar sebelum menggunakan data historis untuk melatih jaringan saraf. Hasil yang disajikan dalam makalah ini menunjukkan bahwa tanpa penggunaan data atau pengetahuan pasar yang luas, prediksi yang berguna dapat dibuat dan keuntungan kertas yang signifikan dapat dicapai untuk data di luar sampel dengan indikator teknis sederhana. Penelitian lebih lanjut tentang nilai tukar antara Franc Swiss dan Dolar Amerika adalah Namun, percobaan menunjukkan bahwa dengan pasar yang efisien tidak mudah untuk mendapatkan keuntungan menggunakan indikator teknis atau jaringan saraf input deret waktu. Artikel ini membahas beberapa isu tentang frekuensi pengambilan sampel, pilihan arsitektur jaringan, periode peramalan, dan langkah-langkah untuk mengevaluasi kekuatan prediksi model. Setelah mempresentasikan hasil eksperimen, diskusi tentang penelitian selanjutnya menyimpulkan makalah. Pembahasan Nilai tukar mata uang asing hanya ditentukan oleh neraca pembayaran di awal. Neraca pembayaran hanyalah cara mencatat penerimaan dan pembayaran dalam transaksi internasional untuk suatu negara. Pembayaran melibatkan penawaran mata uang domestik dan permintaan mata uang asing. Penerimaan melibatkan permintaan mata uang domestik dan penawaran mata uang asing. Keseimbangan ditentukan terutama oleh impor dan ekspor barang. Dengan demikian, prediksi nilai tukar tidak terlalu sulit pada saat itu. Sayangnya, suku bunga dan faktor permintaan}penawaran lainnya menjadi lebih relevan untuk setiap mata uang di kemudian hari. Di atas semua ini, nilai tukar mata uang asing tetap ditinggalkan dan sistem nilai tukar #oating diterapkan oleh negara-negara industri pada tahun 1973. Baru-baru ini, proposal menuju liberalisasi perdagangan lebih lanjut dibahas dalam Perjanjian Umum tentang Perdagangan dan Tarif. , dan karenanya spekulasi karena likuiditas dan obligasi, juga berkontribusi pada kesulitan peramalan Forex. Penerapan metode peramalan mencakup dua langkah dasar: menganalisis rangkaian data dan memilih metode peramalan yang paling sesuai dengan rangkaian data. Secara umum, ada tiga aliran pemikiran dalam hal kemampuan untuk mendapatkan keuntungan dari “pasar keuangan. sekolah pertama percaya bahwa tidak ada investor yang dapat mencapai keuntungan perdagangan di atas rata-rata berdasarkan informasi historis dan saat ini. Teori utamanya meliputi Random Walk Hypothesis dan Ezcient Market Hypothesis Pandangan mazhab kedua adalah analisis fundamental. Ini melihat secara mendalam pada "kondisi keuangan masing-masing negara dan mempelajari efek penawaran dan permintaan pada setiap mata uang. Analisis teknis milik aliran pemikiran ketiga yang mengasumsikan bahwa nilai tukar bergerak dalam tren dan tren ini dapat ditangkap dan digunakan untuk peramalan.Ini menggunakan alat seperti pola charting, indikator teknis dan teknik khusus seperti garis Gann, gelombang Elliot dan deret Fibonacci. Untuk memaksimalkan keuntungan dari pasar likuiditas, semakin banyak teknik peramalan terbaik yang digunakan oleh berbagai pedagang. Saat ini, dibantu dengan teknologi komputer yang kuat, pedagang tidak lagi mengandalkan satu teknik untuk memberikan informasi tentang masa depan pasar. melainkan menggunakan berbagai teknik untuk mendapatkan beberapa sinyal Analisis deret waktu klasik, berdasarkan teori proses stokastik stasioner tidak tampil memuaskan pada deret waktu ekonomi Data ekonomi tidak sederhana autoregressive-integrated-moving- average( ARIMA) proses; mereka tidak dijelaskan oleh model struktural linier sederhana; mereka bukan white noise sederhana atau bahkan jalan acak. Oleh karena itu tantangan utama ke depan adalah pengembangan metode baru, atau modifikasi atau integrasi yang sudah ada, yang mampu secara akurat meramalkan rangkaian yang pola atau hubungannya berubah dari waktu ke waktu. Kesimpulan (1) Hasil peramalan sangat menjanjikan untuk sebagian besar mata uang kecuali Yen. Dalam menggunakan jaringan saraf untuk melakukan peramalan teknis, yaitu, memberi makan indikator teknis sederhana sebagai input ke jaringan saraf, hasil yang lebih baik diperoleh untuk Dolar Australia, Franc Swiss, dan Pound Inggris dan mungkin Mark Deutsch. Hasil untuk Yen Jepang adalah yang terburuk terutama ketika Strategi 2 digunakan. Ini mirip dengan hasil peramalan kami menggunakan model ARIMA. Mungkin ada beberapa faktor terkait Yen yang perlu dipelajari. Salah satu alasannya mungkin karena pasar Yen lebih besar dan lebih efisien daripada pasar Dolar Australia, Franc Swiss, dan Pound Inggris. Pedagang pasar Yen mungkin lebih bergantung pada analisis teknis dan mereka dapat bertindak cepat setelah tanda apa pun muncul. Oleh karena itu, analisis teknikal mungkin bukan alat yang baik untuk meramalkan tren Yen karena setiap orang sangat menyadari arti dari sinyal teknikal. (2) Untuk mengambil lebih banyak keuntungan dari hasil peramalan jaringan saraf, strategi perdagangan perlu dipertimbangkan dalam perdagangan nyata. Strategi 2 telah ditemukan lebih kuat dalam menggunakan hasil peramalan jaringan saraf, studi teoritisnya sedang dalam eksplorasi. Di antara dua teknik perdagangan sederhana, strategi `buy-and- holda (Benchmark I) lebih baik daripada `trend-followa (Benchmark II) meskipun umumnya lebih buruk daripada model jaringan saraf seperti yang ditunjukkan pada Gambar 3 dan Tabel 7. (3) Ada kebutuhan untuk memiliki ukuran kinerja jaringan saraf yang efektif daripada hanya kebaikan "t seperti NMSE. NMSE yang sangat kecil belum tentu merupakan indikator umum kinerja yang baik. Jumlah NMSE dari ketiga bagian data (pelatihan, validasi, dan pengujian) harus dijaga tetap kecil, bukan hanya NMSE pelatihan saja. Terkadang memiliki NMSE kecil untuk pengujian dan validasi lebih penting daripada memiliki NMSE kecil untuk pelatihan. Daripada hanya menggunakan NMSE saja, tiga tingkat penilaian, NMSE, gradien dan keuntungan diusulkan dan dipelajari dalam penelitian ini. Hit rate mungkin merupakan standar yang lebih baik untuk menentukan kualitas perkiraan. Lagi pula, pengembaliannya sangat bergantung pada strategi perdagangan dan bagaimana informasi perkiraan digunakan untuk keuntungan perdagangan. Namun, tingkat hit rate dan keuntungan kertas juga bergantung pada periode perkiraan. Oleh karena itu, diperlukan pelatihan ulang jaringan saraf secara berkala. Bagi para praktisi, tingkat nilai tukar dan tren dapat digunakan tergantung pada harapan mereka akan pengembalian dan risiko Selain dua strategi yang disebutkan di atas, setelah strategi perdagangan yang berbeda dapat digunakan oleh mereka (4) Jaringan backpropagation yang digunakan dalam penelitian ini telah terbukti memadai untuk peramalan Indikator teknis sederhana seperti rata-rata bergerak sudah cukup. Analisa Jurnal - Jurnal ini memaparkan materi mengenai analisis technical forecasting of forex tersebut dengan jelas. - Bahasa yang digunakan mudah dimengerti - Sistematika penulisan sudah menggunakan ketentuan jurnal pada umumnya. - Kesimpulan dan saran yang digunakan pada penelitian mencerimkan keseluruhan dari isi pada jurnal. - Menggunakan referensi yang valid mendukung terlaksananya penelitian. - Tidak dijelaskan kelemahan ataupun kendala yang dilakukan ketika melakukan riset.
JURNAL II Review Jurnal II
Judul Jurnal FORECASTINGEXCHANGE RATES USING
FEEDFORWARD AND RECURRENTNEURAL NETWORKS Nama Penulis CHUNG-MING KUAN Edisi & Volume 34 Tahun 2000 Halaman 79-98 Nama Jurnal Neurocomputing Pendahuluan Neuralnetworks menyediakan kelas umum model nonlinear yang telah berhasil diterapkan di berbagai bidang. Banyak aplikasi empiris dan komputasi dapat ditemukan dalam Prosiding Konferensi Bersama Internasional tentang Jaringan Syaraf dan Konferensi Sistem Pemrosesan Informasi Syaraf. Terlepas dari keberhasilannya di berbagai bidang, hanya ada sedikit aplikasi jaringan saraf di bidang ekonomi. Jaringan saraf baru dalam aplikasi ekonometrik dalam dua hal berikut. Pertama, kelas jaringan saraf multilayer dapat dengan baik mendekati kelas fungsi yang besar (Hornik et al., 1989; dan Cybenko, 1989), sedangkan sebagian besar model deret waktu nonlinier yang umum digunakan tidak memiliki properti ini. Kedua, seperti yang ditunjukkan pada Barron (1991), jaringan saraf adalah model yang lebih pelit daripada metode subruang linier seperti polinomial, spline, dan ekspansi seri trigonometri dalam mendekati fungsi yang tidak diketahui. Jadi, jika perilaku variabel ekonomi menunjukkan ketidaklinieran, a cocok jaringan saraf yang dibangun dapat berfungsi sebagai alat yang berguna untuk menangkap keteraturan tersebut. Dalam makalah ini kami menyelidiki kemungkinan pola nonlinier dalam data valuta asing menggunakan jaringan feedforward, dan jaringan berulang. Telah diterima secara luas bahwa nilai tukar mata uang asing adalah proses I(1) (terintegrasi dari urutan satu) dan bahwa perubahan nilai tukar tidak berkorelasi dari waktu ke waktu. Oleh karena itu, perubahan nilai tukar pada umumnya tidak dapat diprediksi secara linear. Untuk ulasan menyeluruh tentang masalah ini, lihat Baillie dan McMahon (1989). Sejak empiris studi yang mendukung kesimpulan ini terutama bergantung pada teknik deret waktu linier, tidak masuk akal untuk menduga bahwa ketidakpastian nilai tukar linier mungkin disebabkan oleh keterbatasan model linier. Hsieh (1989) menemukan bahwa perubahan nilai tukar mungkin bergantung secara nonlinear, meskipun secara linear tidak berkorelasi. Pembahasan Hasil ini menunjukkan bahwa model jaringan yang berbeda tampil berbeda dalam seri ini dan bahwa kriteria PSC adalah kriteria yang cukup masuk akal untuk menentukan struktur jaringan. Meskipun CD dan DM tidak menunjukkan keteraturan yang dapat 'ditangkap' oleh jaringan saraf, kami mencatat bahwa untuk JY, jaringan berulang yang umum bekerja dengan baik dalam hal kemampuan waktu pasar dan MSPE, dan untuk BP, jaringan umpan maju dan berulang yang umum bekerja dengan baik dalam hal MSPE. Menarik juga untuk dicatat bahwa untuk BP dan JY, sebagian besar jaringan dengan kemampuan market timing yang signifikan juga memiliki MSPE out-of-sample yang jauh lebih rendah dibandingkan dengan model random walk. Hal ini menunjukkan bahwa kedua tujuan tersebut tidak perlu saling bertentangan. Karena metode estimasi kami didasarkan pada minimalisasi MSE, yang bukan merupakan fungsi kerugian untuk prediksi tanda, akan sangat menarik untuk menyusun metode estimasi berdasarkan fungsi kerugian yang sesuai dan membandingkan hasil prediksi tanda yang dihasilkan; ini berada di luar cakupan makalah ini. Kesimpulan Dalam makalah ini mereka mengusulkan prosedur dua langkah untuk memperkirakan dan memilih umpan maju dan berulang jaringan dan hati-hati mengevaluasi kinerja peramalan jaringan yang dipilih di berbagai periode di luar sampel. Hasil peramalan beragam. Kami menemukan jaringan dengan signifikan kemampuan pengaturan waktu pasar (prediksi tanda) dan/atau MSPE out-of-sample yang jauh lebih rendah (relatif terhadap model randomwalk lainnya) hanya dalam dua dari lima seri yang kami evaluasi. Untuk lainnya seri, model jaringan tidak menunjukkan kinerja peramalan yang unggul. Namun demikian, hasil kami menunjukkan bahwa PSC cukup masuk akal dalam memilih jaringan dan prosedur dua langkah yang diusulkan dapat digunakan sebagai standarprosedur konstruksi jaringan di aplikasi lainO.ur hasil menunjukkan bahwa nonlinieritas dalam nilai tukar dapat dimanfaatkan untuk meningkatkan prediksi titik dan tanda, berbeda dengan kesimpulan Diebold dan Nason (1990). hasil yang dilaporkan di sini cukup menggembirakan, mereka hanya memberikan bukti terbatas yang mendukung kegunaan neuraln Analisa Jurnal - Jurnal ini memaparkan materi mengenai analisis technical forecasting of forex tersebut dengan jelas. - Bahasa yang digunakan mudah dimengerti - Sistematika penulisan sudah menggunakan ketentuan jurnal pada umumnya. - Kesimpulan dan saran yang digunakan pada penelitian mencerimkan keseluruhan dari isi pada jurnal. - Menggunakan referensi yang valid mendukung terlaksananya penelitian. - Tidak dijelaskan kelemahan ataupun kendala yang dilakukan ketika melakukan riset. - Tidak memiliki abstrak - Tidak terdapat saran untuk peneliti selanjutnya
Pendekatan sederhana untuk analisis teknikal di pasar keuangan: Cara membuat dan menafsirkan grafik analisis teknikal untuk meningkatkan aktivitas trading online Anda
Pendekatan sederhana untuk kandil jepang dalam berinvestasi: Panduan pengantar untuk trading kandil dan strategi analisis teknikal yang paling efektif dalam bidang kandil Jepang