Oleh = Mochammad Haldi Widianto

Saat ini, pilihan umum alat investasi peneliti meliputi saham, danareksa, kontrak berjangka, dan opsi. Diantara mereka,saham, futures, dan opsi disertai dengan risiko tinggi yang melampaui operasi investor biasa   Sebaliknya, dalam hal manajemen risiko dan laba atas investasi, dana relatif lebih menguntungkan daripada saham, kontrak berjangka, dan opsi. Oleh karena itu, sebagian besar pakar menyarankan agar investor pemula harus berinvestasi dalam dana sebanyak mungkin sebelum mereka berpengalaman untuk tiga pilihan investasi lainnya. Reksa dana merupakan salah satu alat investasi favorit para investor, kelebihannya antara lain manajemen investasi yang profesional, arus kas yang tinggi, risiko investasi yang tersebar, penghematan pajak yang legal dan target investasi yang beragam, dll. Makalah ini menggunakan model jaringan saraf yang dioptimalkan, sebuah evolusi baru metode perhitungan, untuk memprediksi nilai bersih reksa dana domestik. Dalam studi ini, pertama-tama peneliti mengumpulkan data Reksa Dana terbuka dalam negeri taiwan dengan mengambil besaran dana (X1), biaya pengelolaan tahunan (X2) dan biaya kustodian dana (X3) sebagai input dan tingkat pengembalian (Y) sebagai output. , untuk melakukan Analisis Envelopment Data. Peneliti memilih dana dengan nilai efisiensi teknis 1 sebagai target investasi dan mengumpulkan nilai pasar bersih dari dana yang mendasari dari 31 Feb 2014 hingga 1 Maret 2015, untuk menata file melalui keterlambatan satu periode dan mengadopsi pendekatan lima periode pertama yang memprediksi periode selanjutnya. Kemudian, model prediksi kekayaan bersih reksa dana dibangun dengan berbagai model peramalan dana baru termasuk tiga jenis Jaringan Syaraf Tiruan Backpropagation (BPN), dan kemampuan peramalannya dibandingkan dengan model Regresi Berganda (MR).

Reksa dana merupakan salah satu alat investasi favorit para investor, kelebihannya adalah investasi profesional manajemen, likuiditas arus kas yang tinggi, risiko investasi yang tersebar, penghematan pajak yang legal dan target investasi yang beragam, dll. Makalah ini menggunakan model jaringan saraf yang dioptimalkan, metode perhitungan evolusioner baru, untuk memprediksi nilai bersih reksa dana domestik. Dalam studi ini, pertama-tama peneliti mengumpulkan data Reksa Dana terbuka dalam negeri taiwan dengan mengambil besaran dana (X1), biaya pengelolaan tahunan (X2) dan biaya kustodian dana (X3) sebagai input dan tingkat pengembalian (Y) sebagai output. , untuk melakukan Analisis Envelopment Data. Peneliti memilih dana dengan nilai efisiensi teknis 1 sebagai target investasi dan mengumpulkan nilai pasar bersih dari dana yang mendasari dari 31 Februari 2014 hingga 1 Maret 2015, untuk menata file dalam satu periode tertinggal dan mengadopsi pendekatan lima periode pertama yang memprediksi periode selanjutnya. Kemudian, model prediksi kekayaan bersih reksa dana dibangun dengan berbagai model peramalan dana baru termasuk tiga jenis Jaringan Syaraf Tiruan Backpropagation (BPN), dan kemampuan peramalannya dibandingkan dengan model Regresi Berganda (MR)..

 

Tabel 1. Deskripsi Reksadana Statistik

Variabel Penelitian

Dalam hal DEA (deskripsi reksadana statistik), peneliti mengambil besaran dana (X1), biaya pengelolaan tahunan (X2) dan biaya kustodian dana (X3) sebagai input dan tingkat pengembalian (Y) sebagai output. Dalam hal pembuatan model prediksi, peneliti mengumpulkan nilai pasar bersih dana acuan dari 31 Feb 2014 hingga 1 Maret 2015, dan memproses data dengan tertinggal satu periode. Misalnya, jika X1 berarti data asli, X2 berarti satu periode tertinggal di belakang X1, X3 berarti satu periode tertinggal di belakang X2, X4 berarti satu periode tertinggal di belakang X3, X5 berarti satu periode tertinggal di belakang X4, dan Y berarti satu periode tertinggal di belakang X5. peneliti mengambil X1-X5 sebagai variabel input (X) model prediksi nilai bersih dana, Y sebagai variabel output (Y) model prediksi nilai bersih dana, mengumpulkan total 200 data, dan membangun tiga jenis model BPN dan MR. Terakhir, penelitian ini menggunakan Root Mean Squared Error (RMSE) untuk mengevaluasi dan menganalisis kemampuan prediksi dari empat model prediksi.Nilai awal parameter dipilih sedemikian rupa agar sesuai dengan nilai awal energi kesalahan untuk perceptron multilayer di bawah model neuron yang berbeda. Kesalahan pembelajaran jaringan untuk jaringan saraf tiruan berdasarkan energi neuron standar adalah E = 0,13 sebagai hasil pelatihan jaringan saraf setelah melewati 600 epoch pembelajaran. Dengan nilai awal energi kesalahan adalah E ≈ 0,16. untuk jaringan saraf berbasis neuron dengan energi masukan nonlinier adalah E = 5,6 10-8 (Gbr. 2) .

Analisis Envelopment Data (DEA)

Apa yang disebut DEA adalah konsep dari ilmu ekonomi, menilai efisiensi relatif dari Unit Pengambilan Keputusan (DMU). Jika lebih sedikit input menghasilkan lebih banyak output, menunjukkan bahwa kinerjanya lebih tinggi. Oleh karena itu, DEA digunakan untuk evaluasi rasio output terhadap input. Dalam ilmu ekonomi, fungsi produksi berkaitan dengan jumlah maksimum output yang dapat diperoleh dari sejumlah input. Jadi, batas produksi menunjukkan kombinasi keluaran yang mungkin semaksimal mungkin. Metode penelitian Farrell (1957) telah dimodifikasi dan dipublikasikan. Charnes et al. (1978) mengasumsikan proses produksi adalah skala hasil konstan (CRS), mengukur efisiensi teknis total DMU, ​​dan batas efisiensi dapat disimpulkan dengan program linier, yaitu Charnes, Cooper dan Rhodes (model CCR). Peneliti menggunakan perangkat lunak MaxDEA untuk analisis, dan perangkat lunak MaxDEA silakan lihat Gambar 1

Gambar 1. MAXDEA Software

Gambar 2. BackPropagation

Objek Penelitian DEA

Dalam studi ini, pertama-tama peneliti mengumpulkan data Reksa Dana Terbuka Dalam Negeri yaitu di taiwan dengan menggunakan metode DEA, dengan mengambil besaran dana, biaya pengelolaan tahunan dan biaya kustodian dana sebagai input dan tingkat pengembalian sejak ditetapkan sebagai output. Dalam hal perangkat lunak analisis, peneliti menggunakan paket antarmuka jendela MaxDEA untuk analisis, memasukkan data input dan output ke dalam file Excel, melakukan analisis akhir menggunakan MaxDEA, dan hasil analisis akhir ditunjukkan pada Gambar. 3

.

Gambar 3 Analisis hasil DEA

peneliti menemukan bahwa nilai efisiensi Saldo Aman dan Kaya HSBC Taiwan dan SinoPac adalah 1, yang merupakan dana terbesar. Oleh karena itu, penelitian ini mengambil kedua dana tersebut sebagai objek selanjutnya untuk membangun model prediksi nilai bersih dana.

Makalah ini berbeda dengan literatur sebelumnya karena metode dua tahap diadopsi dalam menyusun perkiraan dana model, yang berarti pada tahap pertama perangkat lunak DEA akan membantu untuk menemukan kinerja dana yang terbaik dan pada tahap kedua, model prediksi bersih dana bersama akan dibangun melalui berbagai struktur BPN. Karenanya, pendekatan khusus ini memberikan kontribusi besar secara akademis dan layak menjadi referensi bagi para peneliti dan investor. Penelitian ini menggunakan model jaringan syaraf tiruan yang dioptimalkan untuk memprediksi nilai bersih reksa dana domestik. Hasil DEA menunjukkan bahwa SBC Taiwan Safe and Rich dan SinoPac Balance memiliki kinerja terbaik; Pada keempat model prediksi kekayaan bersih reksa dana, ditemukan bahwa model prediksi yang dibangun oleh BPN2 memiliki kinerja peramalan terbaik setelah dilakukan pengujian RMSE. Fitur ini juga tersedia untuk peneliti dan pengelola dana. Selain itu, kita dapat menggunakan algoritma lain untuk mengoptimalkan parameter model jaringan saraf di masa depan, seperti Algoritma Artificial Fish Swarm yang dikemukakan oleh Prof. Li (2002), Particle Swarm Optimization yang dikemukakan oleh Prof. Eberhart et al. (1995) atau Algoritma Pengoptimalan Lalat Buah yang dikemukakan oleh Professor Pan (2012).

 

Referensi :

  1. Wen-Tsao Pan, Yan-Mei Shao, Tian-Tian Yang, Shi-Hua Luo, Xuan-Wan Li,“ Prediction of Mutual Fund Net Value Using Backpropagation Neural Network,” Department of Business Administration, Hwa Hsia University of Technology, Taipei, Taiwan, 2017 IEEE 2nd International Conference on Big Data Analysis