TAHIR, ASYUROH NURMADANIH (2026) Penerapan Model Machine Learning XGBoost dan SVR dalam Prediksi Return untuk Optimasi Portofolio Saham IDX dengan Mean-Variance = Application of XGBoost and SVR Machine Learning Models in Return Prediction for IDX Stock Portfolio Optimization Using the Mean-Variance Approach. Skripsi thesis, Universitas Hasanuddin.
H081221008-Cover.jpg
Download (381kB) | Preview
H081221008-1-2(FILEminimizer).pdf
Download (452kB)
H081221008-dp(FILEminimizer).pdf
Download (133kB)
H081221008-fulll(FILEminimizer).pdf
Restricted to Repository staff only until 5 March 2028.
Download (1MB)
Abstract (Abstrak)
Latar Belakang. Pembentukan portofolio saham optimal merupakan tantangan penting dalam investasi pada pasar yang dinamis dan berfluktuasi tinggi seperti Bursa Efek Indonesia. Pendekatan mean-variance Markowitz sangat bergantung pada akurasi estimasi expected return, yang sering kali sulit diperoleh dari rata-rata historis. Perkembangan machine learning menawarkan alternatif estimasi return yang lebih adaptif melalui pemodelan hubungan non-linear pada data pasar keuangan. Tujuan. Penelitian ini bertujuan membentuk portofolio saham optimal berbasis mean-variance menggunakan prediksi return dari model XGBoost dan SVR, serta membandingkan kinerjanya dengan strategi pembobotan konvensional. Metode. Data berupa harga penutupan harian 15 saham di Bursa Efek Indonesia periode 2022–2024. Prediksi return satu hari ke depan (t+1) dilakukan menggunakan indikator teknikal sebagai variabel input. Estimasi return dari XGBoost dan SVR diintegrasikan ke dalam optimasi mean-variance untuk memaksimalkan rasio Sharpe, dengan skema rolling window 126 hari dan rebalancing bulanan. Untuk menjaga realisme, diterapkan μ clipping pada persentil 10-90 serta biaya transaksi 10 basis poin. Hasil. Portofolio berbasis XGBoost menunjukkan kinerja terbaik dengan Sharpe ratio 1,43 dan CAGR 28,43%, diikuti oleh SVR dengan Sharpe ratio 1,03. Strategi mean-return dan equal-weight menghasilkan kinerja yang lebih rendah baik dari sisi return maupun efisiensi risiko. Kesimpulan. Integrasi machine learning, khususnya XGBoost, dalam kerangka optimasi mean-variance terbukti meningkatkan kualitas estimasi expected return dan menghasilkan portofolio yang lebih adaptif terhadap dinamika pasar saham Indonesia dibandingkan pendekatan konvensional.
Keyword : Machine learning, XGBoost, SVR, Mean-variance Optimization, Portofolio Saham, Bursa Efek Indonesia.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, XGBoost, SVR, Mean-variance Optimization, Stock Portfolio, Indonesia Stock Exchange. |
| Subjects: | Q Science > Q Science (General) |
| Divisions (Program Studi): | Fakultas Matematika dan Ilmu Peng. Alam > Ilmu Aktuaria |
| Depositing User: | Rasman |
| Date Deposited: | 06 Mar 2026 07:07 |
| Last Modified: | 06 Mar 2026 07:07 |
| URI: | http://repository.unhas.ac.id:443/id/eprint/54459 |
