Jaringan Syaraf Tiruan
Pada tahun 1940, Warren S McCulloch dan Walter Pitts mengemukakan pembuatan suatu model matematika dan sel urat syaraf dan menghasilkan beberapa kesimpulan, yaitu aktivasi dari sebuah neuron McCulloch-Pitts berupa angka biner, neuron dihubungkan secara langsung dengan bobot, sebuah koneksi disebut excitatory, jika bobot bernilai positif, sedangkan yang lain disebut inhibitory jika bernilai negatif, dan beberapa neuron mempunyai treshold yang tetap, kalau input yang masuk ke neuron lebih besar dari ambang.
Coats dan Fant (1993) menemukan bahwa Jaringan Syaraf Tiruan lebih baik dalam menentukan perusahaan yang sehat dan perusahaan yang mengalami kesulitan ekonomi daripada multiple discriminant model. Lenard dkk (1995), Fletcher dan Goss (1993), dan Salchenberger dkk (1992) menemukan bahwa Jaringan Syaraf Tiruan lebih unggul daripada logistic regression models.
Chiang, dkk (1996) menggunakan FFNN dengan Backpropagation (BP) untuk melakukan peramalan nilai aset bersih / Net Asset Value (NAV) mutual funds. Prediksi dilakukan dengan menggunakan informasi ekonomi historis. Mereka membandingkan dengan hasil yang didapatkan dari peramalan dengan teknik ekonometrika tradisional dan menyimpulkan bahwa NN “melampaui model regresi secara signifikan” ketika tersedia data dalam jumlah terbatas.
Kuo dkk (1996) mendapatkan bahwa faktor kualitatif, seperti efek politis, selalu memainkan peran yang penting terhadap lingkungan pasar saham, dan mengajukan sistem peramalan pasar saham yang cerdas yang menggabungkan faktor kuantitatif maupun kualitatif. Hal ini diraih dengan mengintegrasikan NN dengan model fuzzy delphi (Bojadziev dan Bojadziev, 1997:hal 71); metode awal digunakan untuk analisis kuantitatif dan integrasi keputusan, sementara metode kedua digunakan sebagai dasar model kualitatif. Mereka mengaplikasikan sistem tersebut pada pasar saham Taiwan.
Kim dan Chun (1998) menggunakan Probabilistic NN(PNN) yang telah diperbaiki, disebut Arrayed Probabilistic Network (APN), untuk memprediksi indeks pasar saham. Fitur esensial APN adalah bahwa model ini menghasilkan peramalan bertingkat dari nilai diskrit berganda alih-alih keluaran bipolar tunggal. Sebagai bagian dari studi mereka, mereka menggunakan grafik kesalahan, yang mem-benchmark dengan sebuah prediksi konstan, untuk membandingkan model FFNN dengan BP dengan PNN, APN, recurrent NN (RNN) dan case based reasoning. Mereka menyimpulkan bahwa APN cenderung untuk melampaui jaringan recurrent dan BP, tetapi case base reasoning cenderung melampaui keseluruhan jaringan
Franses (1998) membandingkan antara metode Jaringan Syaraf Tiruan dengan metode prediksi berbasis regresi, diperkuat dengan penelitian Castiglioni (2001) yang menyatakan model Jaringan syaraf merupakan bentuk komplementer dari model regresi dalam statistika, yaitu regresi non parametrik.
Zurada dkk (1998) mengadakan penelitian apakah kompleksitas dari respon mengukur dampak logistic regression atau neural network yang menghasilkan ketepatan klasifikasi tertinggi untuk perusahaan -perusahaan yang mengalami kesulitan keuangan (financially distressed firms). Penelitian ini menghasilkan kesimpulan bahwa neural networks tidak lebih unggul dibandingkan logistic regression models untuk traditional dichotomous response variable, tetapi lebih unggul untuk financial distressed response variable yang lebih kompleks.
Aiken dan Bsat (1999) menggunakan sebuah FFNN yang dilatih dengan Algoritma Genetika untuk memprediksi nilai Treasury Bill Amerika Serikat tiga bulanan. Mereka menyimpulkan bahwa NN bisa digunakan untuk memprediksi nilai Treasury Bill dengan akurat.
Edelman dkk (1999) meneliti penggunaan NN dengan struktur identik dan dilatih secara independen untuk mengidentifikasi kesempatan arbitrase pada Indeks All-Ordinaries Australia. Keputusan perdagangan dibuat berdasar pada konsensus non-anonim prediksi komite dan Indeks Sharpe digunakan untuk mendapatkan performa perdagangan out-of-sample. Hasil empiris menunjukkan bahwa perdagangan teknikal berdasar pada prediksi NN melampaui strategi beli dan tahan (buy-and-hold) ataupun prediksi naif. Mereka menyimpulkan bahwa reliabilitas prediksi jaringan dan karenanya kinerja perdagangan meningkat secara dramatis dengan menggunakan ambang perdagangan dan pendekatan komite (menghasilkan beberapa jaringan dengan keluaran baik alih-alih hanya satu jaringan).
Thammano (1999) menggunakan model neuro-fuzzy untuk memprediksi nilai masa depan bank pemerintah terbesar di thailand. Masukan model adalah harga penutupan untuk saat ini dan tiga bulan lalu, dan rasio keuntungan ROA(Return On Assets), ROE(Return On Equity) dan P/E(Price Earning). Keluaran model adalah harga saham untuk tiga bulan kedepan. Dia menyimpulkan bahwa arsitektur neuro-fuzzy dapat mengenali karakteristik umum pasar saham lebih cepat dan lebih akurat daripada algoritma dasar propagasi balik. Selain itu model ini juga dapat memprediksi kesempatan investasi pada kondisi krisis ekonomi ketika pendekatan statistik tidak dapat memberikan hasil yang memuaskan.
Trafalis (1999) menggunakan FFNN dengan BP dan perubahan mingguan pada 14 indikator untuk meramal perubahan pada indeks saham S&P 500 selama beberapa pekan. Disamping itu sebuah metodologi untuk melakukan pre-processing digunakan, yang mengikutsertakan diferensiasi dan normalisasi data, berhasil diimplementasikan. Tulisan tersebut mengajak pembaca melalui proses NN.
Tansel dkk(1999) membandingkan kemampuan optimisasi linier, NN dan GA untuk memodelkan data runtun waktu menggunakan kriteria akurasi permodelan, waktu terbaik dan waktu komputasional.Mereka menemukan bahwa metode optimisasi linear memberikan estimasi terbaik, meskipun GA dapat memberikan nilai yang sama jika batasan parameter dan resolusi dipilih dengan tepat, tetapi NN menghasilkan estimasi yang salah.Mereka memberikan catatan bahwa non-linearitas dapat diakomodasi oleh GA dan NN dan NN membutuhkan latar belakang teoritis yang lebih sedikit.
Garliauskas (1999) melakukan penelitian pada peramalan data runtun waktu pasar saham menggunakan algoritma komputasional NN dihubungkan dengan pendekatan fungsi kernel dan metode prediksi error rekursif. Ide utama pembelajaran NN dengan fungsi kernel adalah bahwa fungsi tersebut menstimulasi perubahan bobot dalam kaitannya untuk mencapai konvergensi target dan fungsi keluaran peramalan. Dia menyimpulkan bahwa peramalan data keuangan runtun waktu dengan Jaringan Syaraf Tiruan lebih baik daripada statistika klasik dan metode lainnya.
Chan dkk (2000) meneliti peramalan data keuangan runtun waktu menggunakan FFNN dan data perdagangan harian dari Bursa Efek Shanghai (Shanghai Stock Exhange). Untuk memperbaiki kecepatan dan konvergensi mereka menggunakan algoritma pembelajaran gradien konjugasi dan menggunakan regresi linear berganda / Multiple Linear Regression (MLR) untuk inisialisasi bobot. Mereka menyimpulkan bahwa NN dapat memodelkan runtun waktu secara memuaskan dan pendekatan pembelajaran dan inisialisasi mengarah pada perbaikan pembelajaran dan penurunan biaya komputasi.
Kim dan Han (2000) menggunakan NN yang dimodifikasi dengan GA untuk memprediksi Indeks harga saham. Dalam penelitian ini, GA digunakan untuk mengurangi kompleksitas fitur ruang, dengan mengoptimisasi ambang untuk diskritisasi fitur, dan untuk mengoptimalkan bobot hubungan antar lapisan. Sasaran mereka adalah menggunakan diskritisasi fitur yang dicari secara global untuk mengurangi dimensionalitas ruang fitur, mengeliminasi faktor yang tidak relevan, dan mengurangi batasan penurunan gradien. Mereka menyimpulkan bahwa pendekatan GA melampaui model konvensional.
Romahi dan Shen (2000) mengembangkan sistem pakar yang berdasar pada aturan yang berevolusi untuk peramalan keuangan. Pendekatan mereka menggabungkan Fuzzy Logic(FL) dan induksi aturan dengan tujuan untuk mengembangkan sebuah sistem dengan kemampuan generalisasi dan komprehensibilitas yang tinggi. Dengan cara ini perubahan dinamika pasar dimasukkan secara berkelanjutan dalam perhitungan sesuai dengan perubahan waktu dan aturan yang mendasari tidak menjadi daluwarsa. Mereka menyimpulkan bahwa metodologi yang digunakan menunjukkan hasil yang menjanjikan.
Abraham dkk (2001) menginvestigasi teknik soft computing (SC) hibrid untuk peramalan dan analisis tren pasar saham terotomatisasi. Mereka menggunakan analisis komponen utama untuk melakukan pre-procesing data masukan, NN untuk peramalan saham satu hari kedepan dan sistem neuro-fuzzy untuk menganalisis tren untuk nilai saham yang diprediksi. Untuk mendemonstrasikan teknik yang diajukan, mereka menganalisis data saham 24 bulan dari indeks utama Nasdaq-100 dan juga enam perusahaan yang terdapat didalamnya. Mereka menyimpulkan bahwa hasil peramalan dan prediksi tren menggunakan sistem hibrid yang diajukan menjanjikan dan membutuhkan analisis dan penelitian lanjutan.
Cao dan Tay (2001) menggunakan Support Vector Machines (SVM) untuk mempelajari harga indeks harian S&P 500. generalisasi error dengan memperhitungkan parameter bebas SVM dipelajari dan ditemukan memiliki dampak yang kecil terhadap solusi. Mereka menyimpulkan bahwa terdapat keunggulan dalam penggunaaan SVM untuk melakukan peramalan data keuangan runtun waktu.
Hwarng (2001) menginvestigasi peramalan NN runtun waktu dengan struktur ARMA(p,q). Menggunakan simulasi dan performa model Box-Jenkins sebagai benchmark. Disimpulkan bahwa FFNN dengan BP secara umum berkinerja baik dan konsisten untuk korespondensi runtun waktu struktur ARMA(p,q). Menggunakan desain blok penelitian lengkap teracak, dia menyimpulkan bahwa secara keseluruhan, untuk sebagian besar struktur, FFNN dengan BP memiliki kinerja lebih baik secara signifikan ketika tingkat gangguan tertentu diperhitungkan ketika pelakukan pelatihan dalam jaringan.
Surya dan situngkir (2003a) menggunakan permodelan Jaringan syaraf tiruan untuk tujuan peramalan (forecasting) data keuangan deret waktu PT Telkom Indonesia selama tahun 2000 dan menghasilkan analisis regresi (kecocokan linier) dari data yang ditraining keakuratan data yang diaproksimasi dan diprediksi telah sangat baik (garis kecocokan linier berimpit dengan garis yang memetakan hasil aproksimasi dan target data yang diaproksimasi), tetapi perlu ditambahkan data untuk training jaring syaraf untuk memperkuat hasil analisis.
Surya dan Situngkir (2003b) melakukan prediksi pada fluktuasi harga saham (closing) PT Telkom untuk data deret waktu dari tahun awal 1993 hingga pertengahan 2003 dengan menggunakan metode Jaringan syaraf tiruan yang dilengkapi dengan peta poincare dalam persepsi model jaring syaraf yang dibuat untuk tujuan prediksi, menghasilkan hasil aproksimasi dan prediksi sangat baik dengan gradient mendekati 1 (~0,966).
