Metodologi & Arsitektur AI

Spesifikasi kuantitatif peramalan harga saham LQ45 satu hari bursa ke depan

Arsitektur Dua Tingkat (Two-Stage Regime-Aware)

Pasar saham bergerak dalam dinamika volatilitas yang berubah-ubah (heteroskedastisitas). Model machine learning tunggal sering kali gagal karena parameter pola pasar saat pasar tenang (Low Volatility) sangat berbeda dengan saat kepanikan pasar (High Volatility). Oleh karena itu, sistem ini memisahkan pemodelan volatilitas menggunakan GARCH(1,1) dan pemodelan arah return menggunakan XGBoost Regresi Khusus Rezim.

Pipeline Eksekusi Harian Ingestion → GARCH → 38-Features → XGBoost
1
38 Fitur Kanonikal Pasar

Ekstraksi fitur wajib berurutan matematis tanpa lookahead bias:

  • Return Lags (5): ln(Pt / Pt−1) hingga ln(Pt−4 / Pt−5)
  • Moving Average Ratios (4): Rasio harga terhadap SMA 5, 10, 20, dan 50 hari.
  • Momentum & Trend (6): RSI (7, 14, 21), MACD Line, Signal, dan Histogram.
  • Volatilitas & Rentang (12): Bollinger Bands, ATR (14 hari), High-Low Range, Upper Shadow, dan Rolling Volatilities (5d, 10d, 20d, 30d).
  • Dinamika Volume (3): Rasio Volume harian terhadap SMA Volume 5 dan 20 hari.
  • Fitur Kondisional Rezim (7): Volatilitas bersyarat GARCH, Residual standar, dan One-Hot Encoding Rezim.
2
Pemodelan Volatilitas GARCH(1,1)

Volatilitas bersyarat (σt2) dimodelkan melalui proses autoregresif heteroskedastisitas bersyarat GARCH(1,1):

σt2 = ω + αεt-12 + βσt-12
Syarat stasioneritas: α + β < 1

Nilai volatilitas bersyarat kemudian dikelompokkan ke dalam 3 ambang batas persentil historis:
• Volatilitas Rendah (Low Vol): ≤ 33% persentil terendah
• Volatilitas Sedang (Medium Vol): 33% – 66% persentil
• Volatilitas Tinggi (High Vol): > 66% persentil tertinggi

3
Rekonstruksi Harga Esok Hari

Model XGBoost memprediksi log-return (r̂). Rekonstruksi estimasi harga penutupan esok hari dihitung secara eksak matematis tanpa akumulasi error majemuk:

Harga Prediksit+1 = Harga Terakhirt × e(r̂t+1)

Metode peramalan langsung harian menjamin integritas statistik dan mencegah bias drift yang kerap terjadi pada recursive multi-step forecasting.

4
Guardrails & Penanganan Anomali

Sistem menerapkan protokol integritas ketat:

  • Ticker DEWA Fallback: Pada riset empiris, ticker DEWA menunjukkan sifat non-stasioner pada estimasi GARCH (α + β ≥ 1), sehingga secara otomatis dialihkan ke model tunggal XGBoost / Naive Baseline.
  • No BUY/SELL Labels: Seluruh estimasi arah pup dan pdown dikalibrasi sebagai probabilitas matematis murni, bukan sinyal transaksi finansial.
  • Strict Schema Validation: Seluruh 38 fitur diuji terhadap nilai NaN, tak-hingga (±∞), dan urutan skema sebelum dikirim ke API inferensi.