Jadwal Sholat

Memuat jadwal sholat…

Editorial Ekonomi & Bisnis

Open AccessOA2023

Pendekatan berbasis machine learning untuk prediksi pasar keuangan: Sebuah tinjauan komprehensif

Tinjauan ini menyurvei metode machine learning untuk prediksi saham, peramalan deret waktu, dan optimasi portofolio, menimbang kekuatan dan kelemahannya sekaligus menandai kualitas data, interpretabilitas, dan pertimbangan etis sebagai hambatan utama adopsi.
Bhaskar Nandi; S. Jana; K. Das· Journal of AppliedMath· 2023· DOI 10.59400/jam.v1i2.134

Masalah inti

Makalah ini dibuka dengan memosisikan machine learning (ML) sebagai kekuatan transformatif di pasar keuangan, yang dimotivasi oleh meningkatnya volume data keuangan dan keterbatasan model statistik tradisional. Para penulis merumuskan kontribusi mereka sebagai tinjauan literatur komprehensif atas penelitian terkini tentang aplikasi ML di bidang keuangan, dengan tiga domain aplikasi utama: prediksi harga saham, peramalan deret waktu keuangan, dan optimasi portofolio. Tujuan yang dinyatakan bukan sekadar mengatalogkan teknik, melainkan menilai kekuatan, kelemahan, dan potensi aplikasinya, serta mengungkap tantangan—kualitas data, interpretabilitas model, dan pertimbangan etis—yang harus diatasi sebelum potensi ML di pasar keuangan dapat terwujud sepenuhnya.

Inovasi

Sebagai makalah tinjauan, studi ini memakai metodologi survei literatur, bukan eksperimen empiris. Para penulis mengorganisasi kumpulan karya yang ada berdasarkan keluarga teknik dan berdasarkan area aplikasi. Keluarga teknik yang ditelaah meliputi:

- **Analisis regresi** — model linear klasik dan model terkait yang dipakai sebagai baseline untuk prediksi keuangan.
- **Pohon keputusan** — model berbasis aturan yang interpretabel dan cocok untuk fitur keuangan terstruktur.
- **Support vector machines (SVM)** — pengklasifikasi/pengregresi berbasis margin untuk data keuangan berdimensi tinggi.
- **Deep learning** — arsitektur jaringan saraf yang mampu menangkap dependensi nonlinear dan temporal dalam deret waktu keuangan.

Setiap teknik dibahas secara rinci dengan perhatian pada kekuatan, kelemahan, dan potensi aplikasinya. Tinjauan ini kemudian menyintesis tantangan lintas-aspek yang terkait dengan ML di bidang keuangan, yaitu kualitas data, interpretabilitas model, dan pertimbangan etis. Tidak ada dataset primer, protokol eksperimen, atau tolok ukur kinerja yang dilaporkan dalam sumber; kontribusinya bersifat taksonomis dan kritis, bukan empiris.

Pendahuluan
Makalah ini dibuka dengan memosisikan machine learning (ML) sebagai kekuatan transformatif di pasar keuangan, yang dimotivasi oleh meningkatnya volume data keuangan dan keterbatasan model statistik tradisional. Para penulis merumuskan kontribusi mereka sebagai tinjauan literatur komprehensif atas penelitian terkini tentang aplikasi ML di bidang keuangan, dengan tiga domain aplikasi utama: prediksi harga saham, peramalan deret waktu keuangan, dan optimasi portofolio. Tujuan yang dinyatakan bukan sekadar mengatalogkan teknik, melainkan menilai kekuatan, kelemahan, dan potensi aplikasinya, serta mengungkap tantangan—kualitas data, interpretabilitas model, dan pertimbangan etis—yang harus diatasi sebelum potensi ML di pasar keuangan dapat terwujud sepenuhnya.

Mengapa penting

Bagian pembahasan menafsirkan bukti yang ditinjau melalui lensa tiga tantangan yang teridentifikasi.

**Kualitas data.** Data keuangan bersifat bising, non-stasioner, dan sering tidak lengkap; tinjauan ini memperlakukan kualitas data sebagai batasan mendasar bagi keandalan model ML mana pun, karena input yang buruk langsung merambat menjadi prediksi yang tidak andal.

**Interpretabilitas model.** Ketegangan antara daya prediksi dan transparansi menjadi pusat perhatian. Model deep learning, meskipun kuat, kurang interpretabel dibandingkan pendekatan regresi atau pohon keputusan—sebuah kekhawatiran kritis di bidang keuangan, di mana keputusan mungkin perlu dijelaskan kepada regulator, klien, dan manajer risiko.

**Pertimbangan etis.** Para penulis menandai isu etis seputar penerapan ML di pasar keuangan, menegaskan bahwa kinerja teknis semata tidak cukup untuk adopsi yang bertanggung jawab.

Argumen keseluruhan makalah ini adalah bahwa tantangan-tantangan tersebut bukan hal periferal, melainkan mendefinisikan agenda penelitian: kemajuan dalam ML keuangan bergantung pada kemajuan dalam tata kelola data, pemodelan yang interpretabel, dan kerangka etis. Oleh karena itu, tinjauan ini menyerukan penelitian lebih lanjut untuk mengatasi kesenjangan tersebut dan mengeksplorasi sepenuhnya potensi ML di pasar keuangan.

Pandangan konseptual atas pipeline yang ditinjau dapat diringkas sebagai berikut:

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…