Analisis Nilai Saham Menggunakan Model Hybrid Berbasis Deep Learning

Nama : MARJUKI
Prodi : Akuntansi Syariah
Matakuliah : Analisis Investasi dan Portofolio
Dosen Pengampu : PUPUT RAYSHARIE, SE, ME
Institusi : IAIN PALANGKARAYA
Tema :Nilai-nilai Saham

Isu Global: Nilai saham

Ekonomi di seluruh dunia sekarang digital dan saling bergantung. MNC mempengaruhi banyak bisnis. Fluktuasi nilai saham perusahaan seperti itu dapat mengubah skenario ekonomi  banyak pemangku kepentingan. Akibatnya, peramalan nilai saham sekarang menjadi lebih penting. Peramalan adalah proses memprediksi nilai masa depan dari  seri apa pun berdasarkan pola masa lalu atau data historis yang panjang. Misalnya, jika harga emas naik setiap tahun saat Natal,  kita  dapat memprediksi tren serupa untuk tahun ini dan merencanakan pembelian jauh-jauh hari untuk menghindari  harga Natal yang tinggi. Model komputer juga dapat membantu kita memprediksi cuaca untuk hari, minggu, atau bulan berikutnya. Karena begitu banyak uang yang terlibat, nilai pasar saham juga menarik perhatian ilmuwan komputer  untuk merancang model dan arsitektur untuk memprediksi nilai saham secara akurat. Beberapa sistem seperti itu telah dikembangkan dengan sangat presisi dalam beberapa dekade terakhir.

Motivasi

Saham bukanlah deret waktu sederhana dengan hanya satu faktor yang memengaruhi hasilnya. Itu bisa satu dimensi atau multi dimensi. Saham unidimensi langka dan hanya bergantung pada satu faktor atau kinerja hanya satu  perusahaan. Karena munculnya kemitraan dan ketergantungan masing-masing perusahaan besar pada saham mitranya, saham jenis lain, yaitu saham  multivariat, kini lebih umum. Jadi dalam kasus seperti itu, prediksi yang akurat tentang nilai saham di masa depan  dapat membantu banyak investor dan pemangku kepentingan. 

Metode prediksi pasar saham

• Analisis fundamental menyangkut perusahaan yang mendasari  itu sendiri. Dalam metode ini, kinerja historis dan keandalan laporan keuangan perusahaan dievaluasi untuk memprediksi nilai saham di masa mendatang. Metode ini bersifat stokastik dan memiliki kemampuan terbatas untuk memperhitungkan peristiwa yang belum pernah terjadi sebelumnya untuk meramalkan persediaan dalam kasus tersebut.
• Analisis teknis. Metode ini tidak memperhitungkan prinsip operasi perusahaan, tetapi kebanyakan memperhitungkan tren historis dan nilai saham. AR, MA, ARIMA dan metode serupa adalah metode populer dalam kategori ini. Metode ini lebih efektif untuk peramalan jangka pendek daripada peramalan jangka panjang.
• Pembelajaran mesin (peramalan deret waktu). Kecerdasan buatan muncul sebagai solusi efektif untuk peramalan deret waktu. Metode tersebut antara lain Artificial Neural Networks (ANN) dan Genetic Algorithms (GA). Bentuk JST yang paling umum digunakan untuk peramalan pasar saham adalah jaringan feedforward yang menggunakan algoritme backpropagation kesalahan untuk memperbarui bobot jaringan. Dalam beberapa tahun terakhir, jaringan saraf berulang (RNN) telah menjadi JST terbaik untuk peramalan deret waktu.

Organisasi

Sisa dari dokumen ini disusun sebagai berikut. Kami memberikan ikhtisar literatur yang ada tentang pembelajaran mesin  dan model peramalan pasar saham berbasis pembelajaran mendalam . Berfokus pada model berbasis jaringan tunggal dan hibrida di bagian ini. Model yang diusulkan dijelaskan secara rinci. Menjelaskan model matematis dan penambahan struktural yang dibuat untuk mengimplementasikan model ini dengan cara yang sama. Bagian menjelaskan pengaturan eksperimental, dataset, dan hasil simulasi kami untuk peramalan harga saham jangka pendek dan jangka panjang. Kami menyelesaikan pekerjaan kami di poin.

Metode pridiksi pasar saham menurut Yadev, dkk (2021)

1. ARIMA adalah model peramalan time series yang dikenal luas yang bekerja pada konsep MA. Ini didasarkan pada stasioneritas tren, dan musiman data. Di sini, pertama-tama kita harus membuat data input menjadi stasioner dan kemudian setelah menemukan nilai korelasi otomatis dan korelasi otomatis parsialnya, kita dapat memperkirakannya. Satu-satunya kesalahan dengan model ini adalah tidak dapat diotomatisasi untuk semua jenis stok, karena kita harus menetapkan p , d , q yang berbeda (jumlah suku regresif otomatis, jumlah perbedaan non-musiman yang diperlukan untuk stasioneritas, jumlah lag perkiraan kesalahan) nilai untuk saham yang berbeda.

2. LSTM adalah model mapan yang digunakan untuk peramalan deret waktu dan sering diterapkan untuk prediksi harga pasar saham. Ini adalah RNN turunan dengan fungsi lupa gerbang. LSTM sangat efektif untuk prediksi jangka panjang maupun jangka pendek.

3.