Optimasi Portofolio Saham Menggunakan Metode Stock Network Portofolio Allocation Berbasis Return History (SNPAr)
LOGIC: Jurnal Penelitian Informatika · 2025
DOI: 10.25124/logic.v2i2.8809 ↗Kurz gefasst
Fachartikel in der Zeitschrift LOGIC: Jurnal Penelitian Informatika, 2025. Verfasst von Mega Silvia Desvi und 1 weiteren Autor:innen.
Abstract (Originalsprache)
Penelitian ini fokus pada optimasi portofolio dengan menekankan pada pencapaian return tinggi dan risiko rendah. Dibandingkan dengan metode equal weight yang hanya diberikan bobot yang sama tanpa memandang ukuran atau nilai pasarsaham tersebut. Penelitian ini mengusulkan metode Stock Network Portofolio Allocation berbasis Return History (SNPAr).SNPAr memanfaatkan algoritma untuk menghitung probabilitas transisi berdasarkan akumulasi kekayaan dengan mengalokasikan saham dalam network, mempertimbangkan keterkaitan antar saham. Dengan menggunakan data LQ45 dariOktober 2008 hingga Agustus 2023, eksperimen menunjukkan bahwa nilai Threshold 0.4 memberikan kinerja terbaik dengan pertumbuhan nilai return portofolio rata-rata 0,017 dan standar deviasi 0,062. Saat dibandingkan dengan portofolioequal weight, SNPAr menunjukkan superioritas, dengan return lebih tinggi dan risiko lebih rendah. Ini menegaskan bahwaSNPAr merupakan metode yang lebih efektif untuk optimasi portofolio jangka panjang.
Zitieren
APA
Desvi, M. S., & Saepudin, D. (2025). Optimasi Portofolio Saham Menggunakan Metode Stock Network Portofolio Allocation Berbasis Return History (SNPAr). LOGIC: Jurnal Penelitian Informatika. https://doi.org/10.25124/logic.v2i2.8809
Vancouver
Desvi MS, Saepudin D. Optimasi Portofolio Saham Menggunakan Metode Stock Network Portofolio Allocation Berbasis Return History (SNPAr). LOGIC: Jurnal Penelitian Informatika. 2025. doi:10.25124/logic.v2i2.8809
BibTeX
@article{Desvi2025,
author = {Desvi, Mega Silvia and Saepudin, Deni},
title = {Optimasi Portofolio Saham Menggunakan Metode Stock Network Portofolio Allocation Berbasis Return History (SNPAr)},
journal = {LOGIC: Jurnal Penelitian Informatika},
year = {2025},
doi = {10.25124/logic.v2i2.8809}
}
EUVIMED