Perpustakaan Digital ITB

Investasi saham menawarkan potensi keuntungan yang tinggi dengan ketidakpastian dan risiko yang signifikan. Metode optimisasi portofolio konvensional seringkali kurang efektif karena asumsis statis satu periode dan ketidakmampuan menangani kendala pasar yang realistis. Tugas akhir ini mengusulkan kerangka kerja yang mengintegrasikan prediksi harga saham dengan optimisasi portofolio multiperiode. Pada tahap pertama, model hybrid machine learning BiLSTM-BO-LightGBM digunakan untuk memprediksi harga saham harian tahun 2024 dari 44 emiten terpilih. Pada tahap kedua, masalah diformulasikan sebagai many-objective optimization problem dengan tiga fungsi tujuan: memaksimalkan imbal hasil terminal, meminimalkan nilai absolut maximum drawdown (MDD), dan memaksimalkan diversitas (entropi Shannon). Model ini secara eksplisit memperhitungkan kendala round lot, batasan kardinalitas, biaya transaksi, serta mekanisme deposito bank untuk menampung sisa dana. Algoritma Non-dominated Sorting Genetic Algorithm III (NSGA-III) diterapkan untuk menyelesaikan permasalahan kompleks tersebut. Hasil eksprimen menunjukkan bahwa batasan kardinalitas penting untuk menegasi kelemahan entropi Shannon yang memaksakan seluruh saham masuk ke dalam portofolio. Selain itu, frekuensi penyesuaian portofolio dwibulanan menghasilkan potensi imbal hasil tertinggi (267.476%) dengan risiko penurunan yang tinggi. Sedangkan, frekuensi penyesuaian portofolio bulanan dinilai kurang optimal akibat akumulasi biaya transaksi yang menggerus imbal hasil bersih. Tugas akhir ini menemukan bahwa integrasi hybrid machine learning dan NSGA-III mampu menghasilkan strategi investasi adaptif yang unggul dibandingkan strategi pasif.