Abstract:
Investasi dalam bidang saham saat ini banyak digemari karena dapat memberikan return
rate (tingkat pengembalian) yang cukup tinggi. Namun demikian, dalam berinvestasi juga
terdapat risiko karena adanya ketidakpastian return rate yang akan didapatkan. Strategi
yang umum digunakan untuk meminimumkan risiko adalah diversifikasi yang menghasilkan
sebuah portofolio. Dalam skripsi ini akan dibahas mengenai meminimumkan risiko portofolio
dengan Model Mean-Variance yang menyertakan asumsi tidak adanya biaya transaksi serta
diperbolehkan adanya short-selling. Pada model ini, ekspektasi dan variansi return rate setiap
aset pada portofolionya dihitung menggunakan metode Sample Average Approximation (SAA).
Namun demikian, solusi yang dihasilkan dari metode SAA kurang dapat diandalkan apabila
data yang dimiliki terbatas. Untuk mengatasi kekurangan dari metode tersebut, akan digunakan
metode dalam machine learning yaitu regularisasi (regularization). Pada awal, akan dikenalkan
metode Performance-Based Regularization (PBR) pada Model Mean-Variance. Ide metode ini
adalah membatasi variansi sampel estimasi risiko dan return rate portofolio. Selanjutnya, untuk
mengkalibrasi parameter yang membatasi galat dari fungsi objektif, akan digunakan algoritma
Performance-Based k-fold Cross-Validation. Terakhir, metode PBR dan SAA ini diterapkan pada
portofolio-portofolio saham yang ada di Indonesia. Kinerja portofolio-portofolio ini dibandingkan
dengan menggunakan ukuran Sharpe ratio. Hasil perhitungan pada kumpulan data mingguan
menunjukkan bahwa PBR cukup baik dalam memperbaiki metode SAA karena memiliki Sharpe
ratio yang lebih besar. Sedangkan pada kumpulan data harian dan bulanan, PBR tidak lebih
baik dari SAA pada target return rate tertentu.
