Perpustakaan Digital ITB

Disertasi ini mengeksplorasi penerapan kecerdasan buatan (AI) dalam peramalan saham dan manajemen portofolio. Penelitian ini mencakup tiga tujuan: memahami tren integrasi AI dalam penetapan harga asset keuangan dan manajemen portofolio, membandingkan model berbasis AI dengan metode statistik tradisional dalam peramalan saham, serta mengevaluasi peran konfigurasi deep-learning layer dalam model reinforcement learning (RL) untuk optimasi portofolio. Studi pertama menggunakan analisis bibliometrik terhadap 380 artikel yang dipilih dari tahun 2015 hingga 2024, terkait dengan penerapan AI dalam penentuan harga aset dan manajemen portofolio. Analisis ini mengidentifikasi tema-tema penelitian utama, kontributor utama, dan institusi berpengaruh, memberikan wawasan tentang tren penelitian global. Berdasarkan temuan ini, kerangka konseptual diusulkan untuk menjembatani teori ekonomi dengan metodologi AI. Studi kedua membandingkan metode statistik tradisional, machine learning, dan deep learning untuk peramalan harga saham dan pengembalian di pasar Indonesia. Fokusnya pada dua indeks (IHSG dan LQ45) serta delapan perusahaan dengan kapitalisasi pasar tertinggi di masing-masing sektor di pasar Indonesia per 31 Desember 2022, menggunakan 101 variabel prediktor—termasuk data fundamental, teknikal, ekonomi, media sosial, sentimen, dan ESG. Hasilnya menunjukkan bahwa model AI, seperti artificial neural networks (ANNs) dan recurrent neural networks (RNNs), mengungguli metode tradisional untuk peramalan harian, sementara model statistik tradisional seperti SARIMA dan Vector Autoregression (VAR) lebih efektif untuk rentang waktu yang lebih panjang. Studi ketiga menyelidiki dampak konfigurasi hidden- layer dalam model reinforcement learning (RL) pada optimasi portofolio menggunakan 45 saham Indonesia yang paling aktif diperdagangkan dengan kapitalisasi pasar tertinggi per 31 Desember 2023. Pendekatan tradisional seperti Markowitz Portfolio Theory (MPT) berfokus pada optimasi statis dengan asumsi kondisi pasar yang konstan, reinforcement learning (RL) menawarkan pendekatan yang lebih adaptif untuk pasar keuangan. Hasilnya mengungkapkan bahwa arsitektur hidden-layer yang lebih sederhana, seperti tanpa hidden-layer, memberikan performa yang lebih stabil dengan stabilitas yang lebih tinggi dan rasio risiko-pengembalian yang lebih baik. Penelitian ini berkontribusi untuk menjembatani kesenjangan antara AI dan keuangan praktis dengan menyoroti pentingnya pemilihan model strategis untuk mengoptimalkan manajemen risiko- pengembalian.