Prediksi Saham Dengan Algoritma Genetika

Bagi banyak orang, pasar saham adalah bidang yang sangat menantang dan menarik. Dalam tulisan ini saya mencoba untuk memprediksi apakah harga saham akan naik pada hari berikutnya. Saya memprediksi harga saham dari beberapa perusahaan yang berbeda secara individual. Untuk memprediksi digunakan perbandingan antara harga High, Low, Close dari beberapa saham yang digunakan yang membantu kita untuk menemukan apakah harga akan naik atau turun. Teknik evolusi digunakan untuk percobaan ini adalah algoritma genetika. Harga High, Low dan Close di hari tertentu akan dibandingkan dengan nilai mereka sebelumnya (lebih kecil sama dengan “”<=” atau lebih besar “>”). Hasil perbandingan tersebut menghasilkan dua buah sinyal “0” menyatakan harga Close esok hari tidak naik dan “1” harga Close akan naik. Jika sinyal bernilai 1 maka harga Close esok akan naik. Untuk memudahkan perhitungan, saya berasumsi untuk melakukan transaksi “beli/buy” 10 lot (10000 lembar) saham dalam satu hari (intraday) pada harga penutupan kemarin dan melakukan transaksi “jual” pada harga Close hari ini dan tanpa ada komisi transaski. Melalui kurva profit kumulatif yang dibuat dalam periode optimisasi dan  di luar periode sampel (out of sample), hasil percobaan menunjukkan bahwa cara baru ini memprediksi harga saham cukup menjanjikan.
 Secara sederhana, hasil prediksi akan berupa kalimat di bawah ini:

Jika Low hari ini <= High 3 hari sebelumnya dan Close 3 hari sebelumnya > Low 11 hari sebelumnya maka Close esok hari diperkirakan naik

Selanjutnya kita melakukan transaksi pembelian esok hari dan menutupnya sebelum penutupan pasar saham.
Keuntungan/kerugian harian di dasarkan pada perbandingan harga Close hari sebelumnya dengan harga Close hari ini.

Dataset yang digunakan untuk percobaan ini terdiri dari data optimisasi selama sepuluh tahun (sekitar 2500 hari) dan data di luar sample untuk pengujian sekitar enam tahun terakhir (sekitar 800 hari). Sebanyak tiga atribut untuk setiap perusahaan yang digunakan untuk prediksi. Yaitu High (harga tertinggi), Low (harga terendah), dan Close (harga penutupan). Lima perusahaan yang digunakan untuk percobaan ini adalah BBRI (Bank Rakyat Indonesia), TLKM (Telkom Indonesia), BMRI (Bank Mandiri) dan BBCA (Bank BCA) dan AKRA (AKR Corporindo).
Dua dataset yang digunakan untuk percobaan. Salah satu dataset training digunakan untuk melakukan optimisasi dari setiap atribut yang digunakan. Saya menggunakan dataset pengujian lain sehingga kita bisa memverifikasi hasilnya atau disebut juga data di luar sampel optimisasi (out of sample). Dengan demikian kita dapat memeriksa apakah over-fit terjadi atau tidak. Hasil yang diperoleh benar-benar menunjukkan bahwa tidak ada over-fit yang terjadi, dan aturan/rule yang dibuat memberikan keuntungan pada periode optimisasi dan masih memberikan keuntungan di masa mendatang (data di luar sample).

Company	Jumlah Data Optimisasi	Jumlah Data Luar Sample	% Prediksi Benar Optimisasi	% Prediksi Benar di Luar Sample
BMRI	2500	936	73%	70%
BBRI	2500	860	79%	76%
BBCA	2500	672	82%	76%
TLKM	2500	528	75%	79%
AKRA	1800	539	81%	78%

Berikut contoh tampilan simulasi di Excel.

 

Hasil Optimisasi GA pada saham BMRI
Kurva portfolio sebelah kiri menunjukkan hasil saat optimisasi, sementara sebelah kanan menunjukkan pengujian data di luar sampel (out of sample).

Berikut grafik portfolio untuk data sahm BBRI, BBCA, TLKM dan AKRA

  

Artikel lengkap bisa anda download dari link berikut: 

https://www.academia.edu/29973373/Prediksi_Harga_Saham_Dengan_Algoritma_Genetika