Perpustakaan Digital ITB

Prediksi arah pergerakan pasar saham merupakan tantangan fundamental dalam keuangan kuantitatif. Penelitian ini mengatasi tantangan tersebut dengan mengembangkan model prediktif yang mengintegrasikan tiga pilar data, yaitu fitur teknikal, makroekonomi, dan sentimen media sosial, untuk memprediksi pergerakan harian Indeks S&P 500. Dengan kerangka kerja eksperimental yang sistematis, tiga model Gradient Boosting terkemuka, yakni LightGBM, XGBoost, dan CatBoost, dievaluasi kemampuannya untuk mengklasifikasikan pergerakan pasar ke dalam tiga kategori (Naik, Turun, Sideways) menggunakan metode Triple-Barrier yang adaptif terhadap volatilitas. Hasil utama menunjukkan bahwa integrasi seluruh sumber data menciptakan sinergi informasi yang signifikan dan melampaui kontribusi masing-masing komponen secara individual. Model paling komprehensif, yang diimplementasikan dengan CatBoost, mencapai kinerja puncak dengan akurasi 0,9157 dan F1-Score 0,9155 pada data uji. Analisis kepentingan fitur juga mengonfirmasi bahwa sinyal dari indikator teknikal, variabel makroekonomi, dan sentimen publik merupakan prediktor krusial yang melengkapi data harga historis. Penelitian ini menyimpulkan bahwa pendekatan multimodal, yang diproses oleh model robust seperti CatBoost, merupakan strategi superior untuk tugas prediksi arah pergerakan pasar saham yang kompleks.