Hasil Pencarian  ::  Simpan CSV :: Kembali

"The science of algorithmic trading and portfolio management, with its emphasis on algorithmic trading processes and current trading models, sits apart from others of its kind. Robert Kissell, the first author to discuss algorithmic trading across the various asset classes, provides key insights into ways to develop, test, and build trading algorithms.This valuable book summarizes market structure, the formation of prices, and how different participants interact with one another, including bluffing, speculating, and gambling. Portfolio management topics, including quant factors and black box models, are discussed, and an accompanying website includes examples, data sets supplementing exercises in the book, and large projects"

"Multi-asset risk modeling describes, in a single volume, the latest and most advanced risk modeling techniques for equities, debt, fixed income, futures and derivatives, commodities, and foreign exchange, as well as advanced algorithmic and electronic risk management. Beginning with the fundamentals of risk mathematics and quantitative risk analysis, the book moves on to discuss the laws in standard models that contributed to the 2008 financial crisis and talks about current and future banking regulation. Importantly, it also explores algorithmic trading, which currently receives sparse attention in the literature. By giving coherent recommendations about which statistical models to use for which asset class, this book makes a real contribution to the sciences of portfolio management and risk management."

"Pembentukan portofolio investasi merupakan salah satu bagian penting bagi investor untuk mengantisipasi kerugian. Untuk mendapatkan hasil investasi yang optimal, maka perlu untuk mencari portofolio yang optimal. Optimisasi portofolio mean-variance dilakukan dengan meminimumkan risiko portofolio yang diukur dari variansi portofolio dan kendala ekspektasi return portofolio sudah ditentukan. Optimisasi portofolio mean-variance dikategorikan sebagai masalah kontrol optimal stokastik, karena merupakan optimisasi dari suatu sistem dinamis. Untuk menyelesaikan masalah optimisasi portofolio mean-variance digunakan teori dualitas Lagrange dan persamaan Hamilton-Jacobi-Bellman. Solusi penyelesaian masalah yang diperoleh adalah formulasi proporsi investasi dalam portofolio yang memberikan portofolio optimal. Formula proporsi yang diperoleh merupakan fungsi dari waktu. Menggunakan data dari harga saham, diperoleh estimasi parameter dalam formula proporsi yang optimal. Dari hasil penghitungan formula, diperoleh bahwa proporsi portofolio dapat berubah seiring berjalannya waktu.

---

The establishment of an investment portfolio is an important part for investors to anticipate losses. It is necessary to find the optimal portfolio to get the optimal investment result. The optimization of the mean variance portfolio is built by minimizing the portfolio risk measured by the portfolio variance and the specified expectation portfolio return becomes the constraint. The mean variance portfolio optimization is categorized as a stochastic optimal control problem, since it is an optimization of a dynamic system. The Lagrange duality and the Hamilton Jacobi Bellman equation are used to solve the mean variance portfolio optimization problem. The solution obtained is the formulation of the proportion of investment in the portfolio that provides an optimal portfolio. The proportion formula is a function of time. Using data from the stock price, parameter estimation in optimal proportion formula are obtained. The results of the calculation are portfolio proportions that may change over time."

"Guna mempersiapkan kebutuhan yang terencana dan tidak terencana di masa depan, perlu adanya investasi sejak dini. Dalam berinvestasi, seorang investor dihadapkan pada permasalahan dalam menentukan jumlah aset yang optimal dan proporsi modal pada masing-masing aset dalam menyusun portofolio investasinya. Masalah ini adalah masalah pengoptimalan portofolio. Dalam menyusun portofolio perlu dilakukan diversifikasi yaitu menggabungkan aset dengan karakteristik yang berbeda untuk mengurangi risiko investasi. Clustering dapat digunakan sebagai strategi diversifikasi. Tujuan dari penelitian ini adalah untuk mengetahui strategi diversifikasi aset dalam portofolio dengan metode clustering Density Based Spatial Clustering of Applications with Noise (DBSCAN) dan memilih aset serta menentukan proporsi modal yang optimal pada setiap portofolio aset penyusun portofolio dengan Multi- objektif algoritma metaheurysitic Co-variance. Berbasis Artificial Bee Colony (M-CABC). DBSCAN adalah algoritma clustering berbasis kepadatan cluster yang dirancang untuk membentuk cluster dan menemukan noise dalam data. Algoritma M-CABC merupakan pengembangan dari algoritma Artificial Bee Colony (ABC) dengan menambahkan konsep statistic covariance untuk mempercepat konvergensi. Aset yang digunakan dalam penelitian ini adalah saham. Kami menggunakan lima data portfolio saham dengan persentase saham yang memiliki mean return negatif untuk setiap data yang berbeda. Implementasi dilakukan dalam tiga kasus metode yang berbeda: optimalisasi portofolio saham tanpa DBSCAN, optimalisasi portofolio saham dengan DBSCAN tanpa noise, dan optimalisasi portofolio saham dengan DBSCAN dengan noise. Hasilnya adalah besarnya persentase saham yang memiliki mean return pada data negatif berpengaruh terhadap pemilihan metode yang digunakan untuk memperoleh portofolio dengan risiko terkecil.

---

In order to prepare for planned and unplanned needs in the future, it is necessary to invest from an early age. In investing, an investor is faced with problems in determining the optimal amount of assets and the proportion of capital in each asset in compiling his investment portfolio. This issue is a portfolio optimization problem. In compiling a portfolio, it is necessary to diversify, namely combining assets with different characteristics to reduce investment risk. Clustering can be used as a diversification strategy. The purpose of this study is to determine the diversification strategy of assets in portfolios with the Density Based Spatial Clustering of Applications with Noise (DBSCAN) clustering method and to select assets and determine the optimal proportion of capital in each portfolio compiler portfolio assets with the Multi-objective Co-variance metaheurysitic algorithm. . Based on Artificial Bee Colony (M-CABC). DBSCAN is a cluster density based clustering algorithm designed to form clusters and find noise in data. The M-CABC algorithm is a development of the Artificial Bee Colony (ABC) algorithm by adding the concept of statistical covariance to accelerate convergence. The assets used in this study are stocks. We use five stock portfolio data with the percentage of stocks that have a negative mean return for each of the different data. The implementation is carried out in three cases with different methods: optimization of stock portfolios without DBSCAN, optimizing stock portfolios with DBSCAN without noise, and optimizing stock portfolios with DBSCAN with noise. The result is the large percentage of stocks that have a mean return on negative data that affects the choice of the method used to obtain the portfolio with the smallest risk."

"Investasi dipandang sebagai cara efektif untuk meningkatkan kekayaan. Investasi yang banyak diminati oleh investor adalah saham karena frekuensi perdagangan saham lebih tinggi dibandingkan dengan frekuensi investasi lain di pasar modal. Dilansir dari Otoritas Jasa Keuangan (OJK), salah satu penyebab investor mengalami kerugian adalah tidak melakukan analisis terlebih dahulu sebelum berinvestasi. Analisis saham diperlukan bagi para investor karena menjadi salah satu faktor penentu untuk mengambil tindakan saat akan transaksi pada pasar modal. Optimasi portofolio adalah proses menemukan saham-saham yang terbaik, yang optimal, yang mampu memberikan return yang maksimum dengan risiko yang minimum. Metaheuristik didefinisikan sebagai metode optimasi yang dilakukan secara berulang untuk mencari solusi terbaik penyelesaian sesuai dengan fungsi objektifnya atau tujuan akhirnya. Harris Hawks Optimization (HHO) adalah algoritma optimasi metaheuristik berbasis populasi (population-based) dan alam (nature-based) untuk menangani berbagai tugas pengoptimalan. Penelitian ini bertujuan untuk mengimplementasikan algoritma HHO terhadap optimasi portofolio saham-saham LQ45. Fungsi utama dari portofolio adalah untuk membantu menentukan return yang diinginkan dengan melakukan diversifikasi, atau strategi mengalokasikan saham yang tidak saling terkait. Dengan menggunakan metode HHO beserta dengan Teori Portofolio Modern, dilakukan 10 kali simulasi dengan hasil total sebanyak 25000 kombinasi. Nilai optimum yang diperoleh merupakan titik konvergensi dari fungsi objektif yang bernilai 0,2465, dengan bobot saham yang diperoleh masing-masing sebesar 0,0222. Serta algoritma HHO yang dibuat memiliki kecepatan rata-rata yang cukup cepat untuk mencapai titik konvergen untuk masalah minimalisasi kovarians saham, yaitu dibawah tiga iterasi.

---

Investment is seen as an effective way to increase wealth. Investments that are in great demand by investors are stocks because the frequency of stock trading is higher than the frequency of other investments in the capital market. Reporting from the Financial Services Authority (OJK), one of the causes of investors experiencing losses is not conducting an analysis before investing. Stock analysis is necessary for investors because it is one of the determining factors for taking action when making transactions in the capital market. Portfolio optimization is the process of finding the best, optimal stocks, which are able to provide maximum returns with minimum risk. Metaheuristics is defined as an optimization method that iteratively improves the solution according to its objective function or final goal. Harris Hawks Optimization (HHO) is a population-based and nature-based metaheuristic optimization algorithm to handle various optimization tasks. This research aims to implement the HHO algorithm for portfolio optimization of LQ45 stocks. The main function of the portfolio is to decide the expected return by doing diversification, or strategy to allocate unrelated stocks. By using the HHO method and Modern Portfolio Theory, 10 simulations were conducted with a total of 25000 combinations. The optimum value obtained is the convergence point of the objective function which is 0.2465, with the weight of the shares obtained of 0.0222 each. And the HHO algorithm made has an average speed that is fast enough to reach the convergence point for the stock covariance minimization problem, which is under three iterations."

"Permasalahan optimisasi portofolio merupakan topik penelitian yang cukup banyak dibahas dalam bidang keuangan. Model yang biasa digunakan dalam permasalahan tersebut adalah model mean variance yang berfokus pada expected return dan risiko tanpa mempertimbangkan kendala yang terdapat dalam masalah sebenarnya. Pada skripsi ini digunakan model optimisasi portofolio yang mempertimbangkan kendala seperti kendala kardinal dan kendala kuantitas atau biasa dikenal dengan model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO. Pada skripsi ini menggunakan metode e-New Local Search based Multiobjective Optimization Algorithm yang menonjolkan metode local search dan non dominated sorting didalamnya. Hasil dari penelitian ini menunjukan bahwa metode e-NSLS cukup baik digunakan dalam permasalahan optimisasi portofolio.

---

Portfolio optimization problem is common research topic in finance. The model that usually used of this problem is Markowitz mean variance model focus in expected returns and risks, without conidering constraints in real life. In this thesis used a more realistic portfolio optimization problem, such as cardinality and quantity constraints, which is called Markowitz mean variance cardinality constrained portfolio optimization problem MVCCPO problem. This thesis used an algorithm which is based on a multiobjective local search schema and non dominated sorting. The result of this is simulation is good enough to use e NSLS in portofolio optimization."