<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Evaluasi Stabilitas Performa Model Machine Learning dalam Prediksi Return IHSG pada Rezim Volatilitas Berbeda

Loading...
Thumbnail Image

Date

Journal Title

Journal ISSN

Volume Title

Publisher

Universitas Islam Indonesia

DOI

Abstract

Penelitian ini mengevaluasi stabilitas performa model machine learning dalam memprediksi return Indeks Harga Saham Gabungan (IHSG) 20 sesi perdagangan ke depan. Model yang diuji adalah Ridge Regression, Random Forest, LightGBM, dan XGBoost. Penelitian ini menggunakan tiga rancangan dataset, yaitu Dataset A yang berisi fitur teknikal, Dataset B yang menambahkan variabel makroekonomi domestik, dan Dataset C yang menambahkan variabel makro inti serta fitur volatilitas berbasis GARCH. Evaluasi dilakukan menggunakan RMSE dan MAE melalui walk-forward validation dengan enam fold tahunan 2020 sampai dengan 2025 dan 72 observasi bulanan pada tanggal pengujian yang identik untuk seluruh dataset. Model dibandingkan dengan dua metode pembanding sederhana, yaitu no change forecast dan persistence forecast. Perbedaan akurasi diuji menggunakan uji Diebold Mariano dengan koreksi Holm, sedangkan rezim volatilitas dibentuk menggunakan Markov Switching. Random Forest menghasilkan Mean RMSE terendah pada ketiga dataset, dengan nilai terendah 0,044536 pada Dataset B. Namun tidak satu pun dari 120 perbandingan antarmodel bertahan setelah koreksi Holm, dengan nilai p terkoreksi terkecil 0,0767, sehingga keunggulan tersebut hanya bersifat deskriptif. Terhadap persistence forecast, seluruh dua belas kombinasi menghasilkan RMSE lebih rendah dengan perbaikan antara 8,706% dan 19,392%. Terhadap no-change forecast, hanya tiga kombinasi yang lebih rendah dengan perbaikan terbesar 0,996%. Galat prediksi berubah tajam antarperiode uji, yaitu dari rata-rata RMSE 0,109953 pada 2020 menjadi 0,020044 pada 2022. Galat juga tidak meningkat berurutan dari rezim volatilitas rendah ke rezim tinggi karena galat terbesar justru terjadi pada rezim sedang pada sebelas dari dua belas kombinasi. Penelitian ini karena itu tidak menemukan model yang stabil unggul, dan variasi galat yang berasal dari periode pengujian jauh lebih besar daripada variasi yang berasal dari pilihan model.

Description

Citation

Endorsement

Review

Supplemented By

Referenced By