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. FBProphet: adalah model peramalan deret waktu lain yang diperkenalkan oleh Facebook Inc. Model ini membutuhkan waktu komputasi yang sangat sedikit dibandingkan dengan model lainnya

4. Model hybrid CNN dan LSTM: Ini adalah model hybrid yang dirancang baru-baru ini dan banyak digunakan dalam prediksi harga saham. Model terdiri dari lapisan LSTM dan CNN.

Model hybrid berbasis FastRNN

FastRNN diusulkan oleh Microsoft pada tahun 2018 [33]. Model ini didasarkan pada sisa jaringan (ResNet) [34]. Jika Anda melihat struktur ResNet,  dalam model ini setiap lapisan jaringan tidak ditumpuk satu sama lain, tetapi membentuk pemetaan residual. Dapat dilihat bahwa  dibandingkan dengan pemetaan tanpa referensi, pemetaan residual lebih mudah untuk dioptimalkan. Model ini didasarkan pada model grup geometri visual dan dimodifikasi dengan menambahkan sisa lapisan. ResNet dilatih dengan 25,5 juta parameter. Ini juga membuat ResNet menjadi jaringan yang sangat berat. FastRNN menggunakan sisa koneksi yang dipelajari dari ResNet dan memberikan pelatihan yang stabil dan akurasi pelatihan yang sebanding dengan biaya komputasi yang jauh lebih rendah. Akurasi prediksi FastRNN adalah 19% lebih tinggi daripada struktur RNN standar dan sedikit lebih rendah daripada RNN berpagar.

Model hybrid berbasis FastRNN + CNN + Bi-LSTM

Model pertama yang diusulkan dalam pekerjaan ini dirancang untuk memberikan waktu komputasi yang lebih cepat dengan akurasi yang cukup baik. Tujuan lain dari pekerjaan ini adalah untuk mempertahankan perhitungan kecepatan tinggi dengan akurasi yang lebih tinggi. Dalam arah ini, kami mengusulkan model hybrid yang memanfaatkan fitur-fitur bagus dari banyak jaringan. Kami menggunakan FastRNN sebagai jaringan pertama untuk mendapatkan hasil yang  lebih cepat dan digabungkan dengan jaringan CNN dan Bi-LSTM untuk meningkatkan akurasi prediksi. Bi-LSTM diusulkan pada tahun 1997. Model ini dirancang untuk pembelajaran dua arah dan merupakan salah satu model yang paling cocok untuk pembelajaran sekuensial dan sekuensial. Model tersebut juga terbukti cocok untuk memprediksi deret waktu. Hasil menggembirakan dari karya-karya terbaru ini mengilhami kami untuk mempertimbangkan Bi-LSTM sebagai jaringan definitif kami. Kami menggunakan CNN tradisional antara FastRNN dan Bi-LSTM untuk menstabilkan jaringan.  CNN mirip dengan JST, tetapi memerlukan asumsi tentang data input, yang memungkinkan invarian yang lebih besar dalam cara fitur data input dikodekan ke dalam jaringan. CNN harus dilatih dengan sejumlah besar data pelatihan  untuk menghasilkan model pembelajaran mendalam yang mencapai akurasi generalisasi yang lebih tinggi.

Informasi keuangan prediktif bisa sangat berguna bagi perusahaan dan investor. Model berdasarkan pembelajaran mendalam telah cukup efektif untuk membuat prediksi seperti itu dalam beberapa tahun terakhir. Dalam karya ini, kami  mengusulkan dua model untuk tujuan ini. Model berbasis FastRNN pertama  dapat memberikan prediksi yang lebih cepat  dibandingkan dengan model lanjutan lainnya (kecuali ARIMA dan FBProphet). Dengan meningkatkan kecepatan prediksi juga memberikan nilai RMSE yang lebih baik atau setara. Dibandingkan dengan FBProphet dan ARIMA, ini adalah pilihan yang lebih baik untuk model yang andal. Model kedua meningkatkan model yang diusulkan pertama dengan tetap mempertahankan kecepatan yang hampir sama. Ini sedikit mengurangi kecepatan prediksi tetapi meningkatkan nilai RMSE. Model ini dapat membantu orang yang  berinvestasi di saham. Dengan menggunakan model tersebut, misalnya investor mengetahui bahwa harga saham akan turun dalam beberapa menit ke depan, maka investor dapat menjual saham tersebut pada waktu yang tepat, yang dapat menghindarkan investor dari kerugian yang besar. Demikian pula, jika seorang investor mengetahui bahwa harga suatu saham akan naik dalam beberapa menit ke depan, dia dapat bertindak. Satu-satunya batasan dari model yang diusulkan adalah  kami tidak memperhitungkan faktor eksternal lain yang dapat mempengaruhi harga saham, seperti penawaran dan permintaan, perubahan geografis, keuntungan/kerugian perusahaan, dll. Seperti yang kita ketahui bersama bahwa harga saham sangat berfluktuasi, ada baiknya mempertimbangkan faktor lain  seperti wilayah, musim geografis, inflasi, harga bahan baku, persaingan pasar, permintaan dan penawaran, dll, yang bergantung pada harga saham di masa depan.