Skip to content

Documentation.md

Latest commit

 

History

History
174 lines (113 loc) · 5 KB

Documentation.md

File metadata and controls

174 lines (113 loc) · 5 KB

📂 Dokumentasi Data Input: Optimasi Portofolio

Dokumen ini menjelaskan tiga komponen data utama yang digunakan sebagai "bahan bakar" Algoritma Genetika (Genetic Algorithm / GA) untuk menentukan komposisi portofolio saham terbaik, serta penjelasan konsep GA itu sendiri.

1. Data Harga Penutupan

File: harga_penutupan_saham.csv

File ini berisi data mentah pergerakan harga saham historis. Nilai yang digunakan biasanya adalah Adjusted Close, yaitu harga penutupan yang telah disesuaikan dengan dividen atau pemecahan saham.

Contoh Data

Date ADRO.JK ANTM.JK BBCA.JK BBNI.JK PTBA.JK
2022-01-03 840.73 1944.58 6573.09 2772.39 1227.65
... ... ... ... ... ...

Analisis & Konteks

  • Fungsi: Sebagai data dasar (raw material). Algoritma tidak menggunakan nominal harga secara langsung, melainkan perubahan harganya.

  • Sektor Saham:

    • ADRO & PTBA → Energi (Batu Bara), cenderung siklikal dan fluktuatif
    • BBCA & BBNI → Perbankan (Blue Chip), relatif stabil dan defensif
    • ANTM → Mineral (Emas/Nikel), dipengaruhi harga komoditas global

2. Data Return Harian

File: return_harian_saham.csv

Data ini merepresentasikan persentase keuntungan atau kerugian harian investor.

Rumus Return Harian

$$ \text{Return} = \frac{Harga_{hari_ini} - Harga_{kemarin}}{Harga_{kemarin}} $$

Contoh Data

Date ADRO.JK ANTM.JK BBCA.JK BBNI.JK PTBA.JK
2022-01-04 -0.0295 -0.0171 0.0102 0.0446 0.0112
... ... ... ... ... ...

Analisis & Arti Angka

  • -0.0295 (ADRO): Harga ADRO turun 2.95%
  • 0.0446 (BBNI): Harga BBNI naik 4.46%

Peran dalam Algoritma Genetika

  • Rata-rata return (disetahunkan) menjadi Expected Return
  • GA mencari kombinasi bobot saham dengan return portofolio tertinggi

3. Matriks Kovarians

File: matriks_kovarians.csv

Matriks ini merupakan komponen paling krusial dalam manajemen risiko. Nilainya menunjukkan hubungan pergerakan antar saham yang telah disetahunkan (× 252 hari bursa).

Contoh Data

Ticker ADRO.JK ANTM.JK BBCA.JK BBNI.JK PTBA.JK
ADRO.JK 0.1920 0.0512 0.0187 0.0187 0.0689
ANTM.JK 0.0512 0.1874 0.0099 0.0113 0.0375
BBCA.JK 0.0187 0.0099 0.0538 0.0350 0.0117
BBNI.JK 0.0187 0.0113 0.0350 0.0882 0.0191
PTBA.JK 0.0689 0.0375 0.0117 0.0191 0.1093

Cara Membaca Matriks

A. Diagonal Utama (Risiko Individu)

  • Nilai diagonal adalah varians (risiko masing-masing saham)
  • ADRO (0.192) & ANTM (0.187): Risiko tinggi (high risk)
  • BBCA (0.053): Risiko rendah (low risk), berperan sebagai penyeimbang portofolio

B. Non-Diagonal (Hubungan Antar Saham)

  • Nilai di luar diagonal adalah kovarians
  • ADRO vs PTBA (0.0689): Korelasi positif tinggi → diversifikasi lemah
  • BBCA vs ANTM (0.0099): Hampir tidak berkorelasi → diversifikasi sangat baik

4. Sintesis: Cara GA Menggunakan Data

Saat menghitung fitness sebuah portofolio, GA melakukan langkah berikut:

  1. Ambil Gen (Bobot) Contoh: {ADRO: 50%, BBCA: 50%}
  2. Hitung Return menggunakan rata-rata return harian
  3. Hitung Risiko menggunakan matriks kovarians

Keputusan

  • Korelasi ADRO–BBCA rendah → risiko gabungan menurun
  • Portofolio dinilai efisien
  • GA memberikan skor fitness tinggi

5. Analogi Biologi dalam Algoritma Genetika

GA mengadaptasi konsep evolusi biologi ke dalam pemrograman optimasi.

Tabel Perbandingan

Konsep Biologi Dalam GA Representasi Data
Gen Bobot saham Float (0–1)
Kromosom Portofolio Array NumPy
Individu Solusi kandidat Kromosom
Populasi Kumpulan solusi List individu
Fitness Skor kualitas Return − Risiko

Penjelasan Detail Konsep

A. Gen

  • Bobot alokasi dana satu saham
  • Nilai antara 0.0 – 1.0
  • Contoh: BBCA = 30% → gen = 0.30

B. Kromosom & Individu

  • Gabungan gen membentuk satu strategi portofolio

  • Struktur:

    [ADRO, ANTM, BBCA, BBNI, PTBA]

  • Contoh:

    [0.10, 0.20, 0.30, 0.25, 0.15]

C. Populasi

  • Kumpulan individu dalam satu generasi
  • Contoh: POP_SIZE = 100

D. Fitness (Fungsi Kelayakan)

$$ \text{Fitness} = \text{Return} - (0.5 \times \text{Risk}) $$

Simulasi:

  • Individu Agresif → Skor = 7.5
  • Individu Defensif → Skor = 10.0

➡️ Individu Defensif menang

E. Generasi & Alur Evolusi

  1. Inisialisasi populasi acak
  2. Evaluasi fitness
  3. Seleksi induk terbaik
  4. Crossover
  5. Mutasi kecil
  6. Iterasi hingga solusi optimal