OPTIMASI PORTOFOLIO MENGGUNAKAN METODE MEAN VARIANCE BERBASIS RETURN BILANGAN KOMPLEKS

Latar belakang. Mean Variance (MV) adalah suatu metode penentuan bobot aset keuangan dalam suatu portofolio dengan mempertimbangkan besarnya risiko terhadap return yang diharapkan. Metode MV bekerja dengan baik pada kondisi pasar keuangan yang stabil. Namun, pada Kondisi pasar saham yang sangat fluktuatif, metode MV tidak dapat bekerja dengan baik sebab penggunaan nilai rata-rata pada matriks kovarians yang tidak representatif. Oleh karena itu, pengembangan matriks kovarians yang dapat merepresentasikan fluktuasi pasar dengan baik adalah masalah yang penting dalam metode MV. Tujuan. Penelitian ini bertujuan untuk mengembangkan metode MV dengan pendekatan return berbasis bilangan kompleks pada konstruksi matriks kovarians dalam optimasi portofolio. Metode. Penelitian ini mengusulkan metode MV Berbasis Return Bilangan Kompleks (MVBK) untuk mendapatkan bobot optimal suatu portofolio. Metode MVBK menggunakan return berbasis bilangan kompleks yang diperoleh dari hasil transformasi Hilbert terhadap return riil. Matriks kovarians dari return bilangan kompleks digunakan untuk mendapatkan bobot optimal dalam optimisasi MV. Expected Return Portfolio dan Varian Portofolio yang diperoleh dari metode MVBK dibandingkan dengan metode MV konvensional menggunakan uji Risk Adjusted return, uji Sharpe Ratio, dan uji Omega Ratio. Hasil. Kinerja portofolio metode MVBK dan MV yang diterapkan pada enam aset yang terdiri dari dua tipe indeks saham yaitu Walmart dan Internatioal Business Machines Corporation, dua tipe komoditas yaitu Rough Rice Futures dan Aluminium, dan dua tipe mata uang yaitu EURO/USD dan Swiss Franc (CHF)/USD periode November 2013 hingga Oktober 2023 menunjukkan bahwa metode MVBK mengungguli metode MV yang diukur dari nilai Expected Return portofolio, risiko portofolio, uji Risk Adjusted Return, uji Sharpe Ratio, dan uji Omega Ratio. Kesimpulan. Optimasi portofolio metode MVBK yang diusulkan memiliki kinerja yang lebih unggul dibandingkan metode MV. Metode MVBK dapat bekerja dengan baik pada berbagai koleksi return yang berfluktuasi.