Sinyal Transaksi Saham Generatif Menggunakan Variational Autoencoder Berdasarkan Indikator Teknikal, Fundamental, dan Makro Ekonomi

Haidar, Ziyad (2025) Sinyal Transaksi Saham Generatif Menggunakan Variational Autoencoder Berdasarkan Indikator Teknikal, Fundamental, dan Makro Ekonomi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231024-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Keputusan yang tepat dalam perdagangan saham merupakan hal yang sangat penting karena dapat berdampak pada keuntungan atau kerugian saham. Metode Autoencoder digunakan untuk memprediksi harga saham dengan hasil yang baik, namun belum ada perkembangan untuk sinyal transaksi saham yang generatif. Dataset yang digunakan adalah 10 emiten saham yang bergerak di sektor pertanian dengan nilai transaksi terbesar yang terdaftar di Bursa Efek Indonesia (IDX). Dataset diuji terlebih dahulu dengan analisis statistik meliputi uji stasioner, normalitas, multikoleniaritas, heteroskedastisitas, dan autokorelasi. Uji statistik menggukan regresi data panel yang hasilnya digunakan untuk evaluasi model yang diusulkan. Penelitian ini mengusulkan untuk menggunakan Variational Autoencoder (VAE) untuk memprediksi harga saham dengan gabungan indikator teknikal, fundamental dan makro ekonomi. Model VAE menggunakan layer Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) sebagai encoder. Variational Layer sebagai lapisan yang menghasilkan vektor mean dan varians untuk latent space. Lalu melakukan konstruksi data deret waktu harga saham dari latent space sebagai decoder. Model VAE digunakan untuk menghasilkan harga saham generatif dengan horizon prediksi 1, 30, 60, dan 90 hari ke depan. Penelitian ini diuji menggunakan 6 skenario, masing-masing dengan 10 kombinasi lookback dan horizon yang berbeda, dan dibandingkan dengan Recurrent Neural Networks (RNN), Gated Recurrent Units (GRU), dan CNNLSTM. Metode backtesting digunakan untuk mengevaluasi hasil dari sinyal transaksi saham generatif dengan mengekstrak hasil harga saham dari VAE untuk mengukur tingkat profitabilitas. VAE dengan CNNLSTM sebagai encoder dan GRU sebagai decoder mengungguli model lain dengan R2 senilai 0,970 dan Mean Absolute Error senilai 327,933. Metode yang diusulkan meningkatkan kinerja secara signifikan seiring dengan bertambahnya panjang horizon prediksi.
===================================================================================================================================
The right decision in stock trading is very important because it can have an impact on stock profits or losses. The Autoencoder method is used to predict stock prices with good results, but there has been no development for generative stock transaction signals. The dataset used is 10 stock issuers operating in the agricultural sector with the largest transaction value listed on the Indonesia Stock Exchange (IDX). The dataset was tested first with statistical analysis including stationarity, normality, multicollinearity, heteroscedasticity and autocorrelation tests. The statistical test uses Panel Data Regression, the results of which are used to evaluate the proposed model. This research proposes to use Variational Autoencoder (VAE) to predict stock prices using a combination of technical, fundamental and macroeconomic indicators. The VAE model uses Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) layers as encoders. Variational Layer as a layer that produces mean and variance vectors for latent space. Then the propesed VAE constructs stock price time series data from latent space as a decoder. The VAE model is used to generate generative stock prices at 1, 30, 60, and 90 days ahead. This research was tested using 6 scenarios, each with 10 different combinations of lookback and horizon, and compared with Recurrent Neural Networks (RNN), Gated Recurrent Units (GRU), and CNNLSTM. Backtesting method are used to evaluate the results of generative stock transaction signals by extracting the VAE’s stock price results to compare profitability return. The VAE with CNNLSTM as encoder and GRU as decoder outperforms other models with 0.970 of R2 and 327.933 of Mean Absolute Error. The proposed method significantly improves performance as the length of the forecasting horizon increases.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	panel data regression, stock transaction signals, technical fundamental and macroeconomic indicators, variational autoencoder
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Ziyad Haidar
Date Deposited:	31 Jul 2025 08:07
Last Modified:	31 Jul 2025 08:07
URI:	http://repository.its.ac.id/id/eprint/123781

Actions (login required)

View Item