Model Transformer untuk Prediksi Volatilitas Pasar Saham Jangka Panjang

Abstrak

Memprediksi volatilitas pasar saham jangka panjang di pasar saham berkembang, merupakan tantangan signifikan akibat data yang non-linear dan kompleks. Penelitian ini merancang dan mengevaluasi arsitektur deep learning berbasis Transformer untuk meningkatkan akurasi prediksi volatilitas jangka panjang di Indeks Harga Saham Gabungan (IHSG). Metode yang diusulkan mengintegrasikan data deret waktu multi-modal, mencakup data historis pasar (IHSG, saham blue-chip), indikator makroekonomi (suku bunga, inflasi), dan data lintas-aset (USD/IDR). Arsitektur Transformer dengan mekanisme self-attention digunakan untuk menangkap dependensi temporal jangka panjang dalam data. Model dilatih untuk memprediksi future realized volatility pada horizon 21 hari. Kinerja mode dievaluasi dan dibandingkan dengan arsitektur baseline populer, yaitu Long Short-Term Memory (LSTM) dan GARCH(1,1), menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil evaluasi pada data uji menunjukkan bahwa model Transformer yang diusulkan secara konsisten mengungguli model LSTM dan GARCH, yang ditandai dengan nilai RMSE dan MAE yang lebih rendah. Temuan ini menyoroti kemampuan superior arsitektur Transformer dalam memodelkan hubungan non-linear yang kompleks dan dependensi jangka panjang dari data keuangan multi-modal. Simpulannya, arsitektur Transformer terbukti menjadi kerangka kerja yang kuat dan efektif untuk prediksi volatilitas jangka panjang. Arsitektur ini menawarkan solusi yang menjanjikan untuk analisis risiko dan pengambilan keputusan investasi strategis di pasar berkembang.