Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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"

"Investasi di saham bukanlah tanpa risiko. Harga saham selalu mengalami fluktuasi, dapat naik dan dapat turun. Ketidakpastian tersebut tidak dapat diabaikan, karena dapat menyebabkan kerugian jika salah dalam memprediksi arah pergerakan dari harga saham. Prediksi arah pergerakan harga saham yang lebih akurat dapat mengurangi risiko kerugian. Pada penelitian ini, prediksi arah pergerakan harga saham menggunakan faktor yang mempengaruhi arah pergerakan saham itu sendiri, yaitu harga saham sebagai variabel prediktor. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam jaringan syaraf tiruan, yaitu gated recurrent unit dalam membangun model prediksi arah pergerakan harga saham tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga saham PT. Bank Central Asia Tbk (kode saham: BBCA) dan PT. Pabrik Kertas Tjiwi Kimia Tbk (kode saham: TKIM). Performa model yang digunakan dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Pada penelitian ini didapatkan hasil bahwa hyperparameter prediksi harga saham BBCA terbaik diperoleh dengan menggunakan {epoch=500, batch size=32, dan units=24} dan hyperparameter prediksi harga saham TKIM terbaik diperoleh dengan menggunakan {epoch=250, batch size=128, dan unit=24}. Kemudian, dari RMSE dan MAE yang dihasilkan dari kedua saham disimpulkan bahwa model GRU merupakan model yang mampu memprediksi saham dengan baik.

---

Investing in stocks is not without risk. The stock price always fluctuates, can go up and can go down. This uncertainty cannot be ignored, because it can cause losses if it is wrong in predicting the direction of movement of the stock price. A more accurate prediction of the direction of stock price movements can reduce the risk of loss. In this study, the prediction of the direction of stock price movements uses factor that influence the direction of stock movement itself, namely the stock price as a predictor variable. The research was conducted by utilizing one of the methods in artificial neural networks, namely the gated recurrent unit in building a predictive model for the direction of the stock price movement. The share price data used in this research is the share price data of PT Bank Central Asia (stock code: BBCA) and PT. Pabrik Kertas Tjiwi Kimia Tbk (stock code: TKIM). The model performance is evaluated by using Root Mean Squared Error and Mean Absolute Error. The results of this study indicate that the best prediction of the direction of BBCA's stock price movement is obtained by using {epoch=500, batch size=32, and units=24} and the best prediction of the direction of TKIM's stock price movement, is obtained by using {epoch=250, batch size=128, and units=24}. Then, from the RMSE and MAE generated from the two stocks, it can be concluded that the GRU model is a model capable of predicting stocks."

"ABSTRAKPenelitian ini bertujuan untuk menguji pengaruh dari ukuran perusahaan, book to market, dan momentum dalam Fama-French Three Factor Model dan Carhart Four Factor Model terhadap imbal hasil saham pada perusahaan yang terdaftar di Bursa Efek Indonesia periode 2007-2016. Variabel dependen yang digunakan dalam penelitian ini adalah imbal hasil portofolio saham. Variabel independen yang digunakan dalam penelitian ini adalah variabel dalam Fama-French Three Factor Model dan Carhart Four Factor Model, yaitu beta, SMB, HML, dan WML. Pengujian hipotesis dalam penelitian ini menggunakan analisis regresi linear berganda menggunakan Fama-French Three Factor Model dan Carhart Four Factor Model. Data yang digunakan dalam penelitian ini merupakan data bulanan. Hasil dari penelitian ini menunjukkan bahwa: 1 Variabel dalam Fama-French Three Factor Model berpengaruh terhadap imbal hasil saham, 2 Variabel dalam Carhart Four Factor Model berpengaruh terhadap imbal hasil saham dengan performa signifikansi variabel HML yang lebih baik, 3 Carhart Four Factor Model mampu menjelaskan variasi imbal hasil saham lebih baik dari Fama-French Three Factor Model dengan nilai koefisien determinasi yang lebih tinggi walaupun perbedaannya tidak signifikan.

---

ABSTRACT

This study aims to investigate the effect of firm size, book to market, and momentum in Fama French Three Factor Model and Carhart Four Factor Model to the stock return on listed companies during 2007 to 2016. The dependent variable used in this study is portfolio stock returns. The independent variables used in this study are variables on Fama French Three Factor Model and Carhart Four Factor Model that are beta, SMB, HML, and WML. The hypothesis testing was performed using multiple regression analysis of Fama French Three Factor Model and Carhart Four Factor Model. The data used in this study are monthy data. The results indicate that 1 There is an effect of variables on Fama French Three Factor Model to the stock return, 2 There is an effect of variables on Carhart Four Factor Model to the stock return with HML variable performs better in significance, 3 Carhart Four Factor Model provide better explanation to the variation in stocks rates of return than Fama French Three Factor Model with higher coefficient of determination although the difference is not significant."

"Penelitian ini bertujuan untuk memberikan alternatif pembentukan portofolio saham dan obligasi korporasi untuk dapat memperoleh return yang optimal dengan risiko yang dapat diterima. Alternatif model tersebut adalah dengan mengkombinasikan seleksi saham model Graham dengan model pembentukan portofolio optimal yaitu model Markowitz. Hasil seleksi saham menggunakan model Graham portofolio defensif dan portofolio agresif adalah masing-masing 9 dan 13 saham dari 45 saham yang terdapat pada indeks LQ45. Dari saham-saham yang terpilih kemudian dibentuk portofolio optimalnya menggunakan model Markowitz.Dari portofolio optimal yang terbentuk kemudian dilakukan perbandingan kinerja antara keduanya dengan indeks LQ45 sebagai benchmark-nya. Hasil menunjukkan bahwa portofolio hasil optimasi model Markowitz memberikan kinerja (reward to variability ratio) ekspektasi lebih baik dibandingkan portofolio indeks LQ45 dengan selisih pengembalian hasil di kisaran 13,68 – 20,24% pertahun. Dengan demikian model kombinasi pembentukan portofolio optimal bertahap ini layak dipertimbangkan untuk diaplikasikan dengan harapan dapat meningkatkan hasil investasi saham yang optimal.Selanjutnya, hasil seleksi obligasi korporasi untuk portofolio yang optimal menghasilkan 8 obligasi korporasi dengan porsi masing-masing obligasi yaitu Obl Bkljt I Telkom Tahap I Tahun 2015 Seri C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr C 17,47%, Obl Bklj I Sarana Multi Infra. Thp I Th2016 Sr D 20%, Obligasi Bkljt I Hutama Karya Tahap II Tahun 2017 2,53%, Obligasi Bkljt I Hutama Karya Tahap I Tahun 2016. Portofolio ini dapat menghasilkan tingkat pengembalian sebesar 8,88% pertahun.

---

This study aims to provide an alternative to the formation of portfolios and corporate bonds to obtain optimal returns with acceptable risk. The alternative model is to combine Graham's stock selection model with the formation of an optimal portfolio model, namely the Markowitz model. The results of the selection using the Graham model of defensif portfolio and aggressive portofolio are 9 and 13 stocks, respectively, of the 45 stocks listed on the LQ45 index. From the selected stocks, the optimal portfolio is formed using the Markowitz model.

From the optimal portfolio formed, then the performance comparison between the two with the LQ45 index as the benchmark. The results show that the Markowitz model optimizing portfolio provides a better performance (reward to variability ratio) than the LQ45 portfolio index with a yield difference of 13.68 – 20.24% per year. Thus, the combination model for the formation of a gradual optimal portfolio is worth considering to be applied in the hope of increasing optimal stock investment returns.

Furthermore, the results of the selection of corporate bonds for the optimal portfolio resulted in 8 corporate bonds with a portion of each bond, namely Obl Bkljt I Telkom Phase I 2015 Series C 20%, Obl Bkl I Chandra Asri Petrochem. Thp II Th18 Sr C 0%, Obl Bklj I Multi Infra Infrastructure. Thp I Th2016 Sr C 17.47%, Obl Bklj I Sarana Multi Infra. Thp I 2016 Sr D 20%, Bkljt I Hutama Karya Bonds Phase II 2017 2.53%, Bkljt I Hutama Karya Bonds Phase I 2016. This portfolio can generate rates of 8.88% per annum."

"Optimisasi portofolio saham bertujuan untuk memberikan return yang maksimal dan risiko yang minimum. Salah satu cara untuk mendapatkan portofolio optimum adalah diversifikasi. Diversifikasi adalah pemilihan portofolio dengan mempertimbangkan pengalokasian dana ke berbagai saham yang berbeda dengan tujuan penyebaran risiko. Pada skripsi ini, algoritma Extension of Nondominated Sorting and Local Search (e-NSLS) digunakan untuk menghitung proporsi setiap saham. Kemudian, untuk mencari portofolio optimum dari proporsi yang telah diperoleh, digunakan model optimisasi portofolio Possibilistic Semiabsolute Deviation yang mempertimbangkan biaya transaksi, kendala kardinalitas, dan kendala kuantitas, dengan asumsi return setiap saham adalah bilangan fuzzy. Metode ini menghasilkan nilai tertinggi dari rata-rata return sebesar 36,04% dan Sharpe Ratio sebesar 28,75, yang lebih tinggi daripada S&P 500 Index dengan rata-rata return 12,34% dan Sharpe Ratio 2,7.

---

Stock portfolio optimization aims to provide maximum return and minimum risk. One way to get an optimum portfolio is diversification. Diversification is portfolio selection by considering allocation funds to different stocks with aim to spreading the risk. In this thesis, Extension of Nondominated Sorting and Local Search (e-NSLS) is used to calculate the proportion of each stock. Then, to find the optimum portfolio from proportions that have been obtained, we use Possibilistic Semiabsolute Deviation model, which considers transaction costs, cardinality constraints, and quantity constraints, and assuming the return of each stock is fuzzy numbers. This method produces the highest value of the average return 36,04% and Sharpe Ratio 28,75, which is higher than the S&P Index with an average return 12,34% and Sharpe Ratio 2,7."

"Pemodelan kurva merupakan aspek penting dalam bidang pemodelan geometris. Pemodelan kurva original menghasilkan error yang besar karena jumlah titik data yang lebih banyak daripada jumlah simpul poligon kontrol. Penelitian ini berfokus pada pemodelan kurva b-spline. Metode optimasi knot vector pada kurva dilakukan berdasarkan algoritma yang terinspirasi dari alam yang bisa digunakan untuk memodelkan kurva b-spline dengan kesalahan minimum. Algoritma yang diilhami dari alam ini adalah Firefly Algorithm yang ditemukan Prof. Xin-She Yang (Cambridge University). Menurut Xin-She Yang (2013: 123-124) dalam bukunya yang berjudul Nature-Inspired Optimization Algorithms sendiri menyatakan bahwa Firefly Algorithm memiliki dua keunggulan utama dibandingkan algoritma lain. Dua keunggulan tersebut yaitu subdivisi otomatis dan kemampuan untuk menangani multimodalitas. Tujuan penelitan ini antara lain untuk mencari variasi derajat B-Spline yang efektif terhadap drag reduction pada kapal tanker ketika berlayar. Pengujian dilakukan pada model kapal tanker dengan Froude Number 0.2 – 0.35 dengan interval sebesar 0,05 dan derajat B-Spline 5° , 10°, 15°, dan 20°. Pengujian dilakukan secara numerik menggunakan software Computational Fluid Dynamic (CFD). Penelitian ini diharapkan mampu menunjukkan konfigurasi yang optimum pada kapal tanker menggunakan Firelfy Algorithm dengan variasi derajat B-spline terhadap besar nilai hambatan total.

---

Curve modeling is an important aspect in the field of geometric modeling. The original curve modeling produces a large error because the number of data points is more than the number of control polygon vertices. This study focuses on modeling the b-spline curve. The knot vector optimization method on the curve is based on an algorithm inspired by nature which can be used to model the b-spline curve with minimum error. The algorithm inspired by this nature is the Firefly Algorithm which was discovered by Prof. Xin-She Yang (Cambridge University). According to Xin-She Yang (2013: 123-124) in his book entitled Nature-Inspired Optimization Algorithms himself states that the Firefly Algorithm has two main advantages over other algorithms. Those two advantages are automatic subdivision and the ability to handle multimodalities. The purpose of this research, among others, is to find variations in the degree of B-Spline that are effective against drag reduction on tankers when sailing. Tests were carried out on tanker models with Froude Number 0.2 – 0.35 with intervals of 0.05 and B-Spline degrees of 5°, 10°, 15°, and 20°. The test was performed numerically using Computational Fluid Dynamic (CFD) software. This research is expected to be able to show the optimum configuration on tankers using the Firefly Algorithm with variations in the degree of B-spline to the total resistance value."