Perpustakaan Digital ITB

Penentuan alokasi saham perlu mempertimbangkan return, risiko, serta karakteristik implementasi karena pendekatan estimasi dan optimasi yang berbeda dapat menghasilkan struktur portofolio yang berbeda. Penelitian ini mengembangkan model kuantitatif pembentukan portofolio saham LQ45 pada PT X dengan mengintegrasikan estimasi return dan risiko, optimasi portofolio, serta pemilihan strategi berbasis teori permainan. Data historis LQ45 periode 2016–2026 digunakan dengan keanggotaan indeks yang disesuaikan secara point-in-time dan dievaluasi secara kronologis pada 53 periode out-of-sample. Estimasi return satu bulan ke depan dilakukan menggunakan baseline rata-rata historis, Ridge Regression, Random Forest, dan XGBoost. Kandidat portofolio dibentuk menggunakan Equal Weight (EW), Global Minimum Variance Portfolio (GMVP), Mean-Variance Optimization (MVO), dan Mean-Conditional Value-at-Risk (Mean-CVaR), sehingga menghasilkan sepuluh alternatif pada setiap periode. Game Against Nature (GATN) dan Time-Consistent Game (TCG) selanjutnya digunakan untuk memilih di antara kandidat tersebut tanpa membentuk bobot portofolio baru. Hasil evaluasi menunjukkan bahwa Random Forest menghasilkan kesalahan prediksi terendah dengan MAE sebesar 7,96% dan RMSE sebesar 11,77%, sedangkan baseline rata-rata historis memiliki kemampuan pemeringkatan terbaik dengan rata-rata Spearman Information Coefficient sebesar 0,0328. Pada tingkat portofolio, perbedaan metode optimasi menghasilkan karakteristik yang lebih jelas dibandingkan perbedaan model prediksi. Mean-CVaR membentuk portofolio yang lebih terkonsentrasi dan memiliki turnover lebih tinggi, sedangkan GMVP dan MVO menghasilkan volatilitas yang lebih rendah. Mean-CVaR dengan Random Forest menghasilkan return bersih tahunan tertinggi sebesar 3,85% dengan volatilitas tahunan 15,61%, sementara GMVP dan MVO menghasilkan volatilitas terendah sekitar 13,10%–13,24%. GATN memilih kandidat Mean-CVaR pada seluruh 53 periode, sedangkan TCG memilih kandidat Mean-CVaR pada 50 periode dan EW pada tiga periode. Namun, kedua pendekatan tersebut belum menghasilkan kinerja yang melampaui kandidat Mean-CVaR terbaik. Secara keseluruhan, tidak terdapat satu pendekatan yang unggul pada seluruh dimensi return, risiko, turnover, dan biaya implementasi. Mean-CVaR dengan Random Forest lebih relevan ketika peningkatan return menjadi prioritas, sedangkan GMVP dan MVO lebih sesuai ketika pengendalian volatilitas menjadi perhatian utama.