Editorial Ekonomi & Bisnis
Pendekatan berbasis machine learning untuk prediksi pasar keuangan: Sebuah tinjauan komprehensif
Masalah inti
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.
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
Membuka konten member…