Perpustakaan Digital ITB

Prediksi pergerakan harga saham merupakan sebuah tantangan karena sifat pasar yang kompleks dan dinamis. Model seperti GRU dan LSTM telah umum digunakan untuk tugas ini. Namun, saat ini muncul tren baru yang menggunakan foundational model seperti Chronos-T5, yang pada awalnya dikembangkan untuk tugas-tugas pemrosesan bahasa. Pendekatan ini memperlakukan data deret waktu harga saham seperti rangkaian kata dalam sebuah kalimat, dengan tujuan agar model dapat mempelajari "tata bahasa" atau pola yang mendasari pada data deret waktu. Penelitian ini bertujuan untuk menguji dan mengevaluasi kelayakan penggunaan foundation model Chronos untuk memprediksi harga saham di pasar maju seperti Amerika. Studi kasus yang digunakan adalah data harga penutupan harian saham perusahaan teknologi di pasar amerika seperti AMD ($AMD), Intel ($INTC), dan Nvidia ($NVDA), dalam periode waktu lima tahun (07/2020 – 08/2025). Kemampuan prediksi Chronos akan dievaluasi dalam dua skenario: prediksi langsung tanpa pelatihan khusus (zero-shot) dan prediksi setelah pelatihan tambahan (fine-tuning). Kinerja model Chronos kemudian akan dibandingkan dengan model deep learning yang lebih umum digunakan, seperti GRU. Evaluasi perbandingan kinerja akan diukur menggunakan metrik statistik seperti Simple Return, Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Directional Accuracy (DA).