Author:
Utomo Wahyu Cahyo,Wulanningrum Resty,Farida Intan Nur
Abstract
Finance forecasting merupakan kegiatan yang berhubungan dengan aktifitas trading yang memiliki resiko yang besar. Pendekatan forecasting merupakan salah satu langkah yang dapat dilakukan untuk meminimalkan resiko melalui bidang ilmu komputer atau Informatika. Dalam hal ini tantangannya adalah membuat sebuah model yang memiliki akurasi yang bagus untuk meminimalkan resiko. Pemilihan time frame dan pengunaan banyak data akan mempengaruhi akurasi karena setiap time frame memiliki range pergerakan yang berbeda. Berdasakan hal tersebut, penelitian ini mencoba menemukan serta melakukan analisa pengaruh time frame dan banyak data sehingga mendapat model evaluasi yang optimal dengan metode linear regression. Beberapa variasi perubahan time frame dan banyak data akan digunakan untuk melihat hasil forecasting terbaik. Dari hasil penelitian diperoleh time frame semakin turun maka hasil evaluasi MSE lebih baik. Sedangkan untuk penurunan jumlah data juga berpengaruh terhadap nilai evaluasi yang semakin kecil. maka dapat disimpulkan bahwa forecasting dalam bidang finance memiliki keunikan karena semakin banyak data tidak menjamin bahwa model yang dihasilkan semakin bagus.
Publisher
Universitas Islam Lamongan
Reference11 articles.
1. Cao, J., Li, Z., & Li, J. (2019). Financial time series forecasting model based on CEEMDAN and LSTM. Physica A: Statistical Mechanics and Its Applications, 519, 127–139. https://doi.org/10.1016/j.physa.2018.11.061
2. Chantarakasemchit, O., Nuchitprasitchai, S., & Nilsiam, Y. (2020). Forex Rates Prediction on EUR/USD with Simple Moving Average Technique and Financial Factors. 17th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, ECTI-CON 2020, 771–774. https://doi.org/10.1109/ECTI-CON49241.2020.9157907
3. Du, J., Liu, Q., Chen, K., & Wang, J. (2019). Forecasting stock prices in two ways based on LSTM neural network. Proceedings of 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference, ITNEC 2019, Itnec, 1083–1086. https://doi.org/10.1109/ITNEC.2019.8729026
4. Handayani, I., Yulius, H., Rahardja, U., Aini, Q., & Febriyanto, E. (n.d.). Longer Time Frame Concept for Foreign Exchange Trading Indicator using Matrix Correlation Technique.
5. Kurani, A., Doshi, P., Vakharia, A., & Shah, M. (2023). A Comprehensive Comparative Study of Artificial Neural Network (ANN) and Support Vector Machines (SVM) on Stock Forecasting. Annals of Data Science, 10(1), 183–208. https://doi.org/10.1007/s40745-021-00344-x