HONG KONG, CHINA – Media OutReach – Penggunaan kecerdasan buatan untuk menghasilkan keuntungan di pasar saham selalu menjadi tujuan akhir industri keuangan. Banyak orang di industri ini telah mencoba berkali-kali dan mencapai berbagai tingkat kesuksesan. Ambil contoh BlackRock, perusahaan manajemen aset global terbesar di dunia, sebelumnya disebutkan bahwa algoritma kecerdasan buatannya terus mengungguli portofolio yang dikelola oleh konsultan dan pakar manajemen investasi. Namun, penelitian terbaru yang diterbitkan oleh Universitas Cina Hong Kong (CUHK) menunjukkan bahwa keefektifan pembelajaran mesin mungkin perlu dipikirkan dua kali.

Tema dari Penelitian tersebut adalah “Pembelajaran Mesin versus Pembatasan Ekonomi: Bukti dari Prediktabilitas Pengembalian Saham”, dan melakukan analisis mendalam terhadap sejumlah besar data transaksi pasar saham AS dari tahun 1987 hingga 2017. Peneliti menggunakan tiga metode pembelajaran mendalam (deep learning) yang matang untuk berhasil memperoleh pengembalian nilai tertimbang dan risiko yang disesuaikan hingga 0,75% hingga 1,87% per bulan, yang mencerminkan keberhasilan pembelajaran mesin dalam mendapatkan hasil investasi. Namun, para peneliti juga menemukan bahwa jika algoritme pembelajaran mesin ini dibatasi pada saham yang relatif mudah diperdagangkan dan memiliki biaya perdagangan rendah, laba atas investasi akan berkurang.

“Kami menemukan bahwa prediksi pengembalian metode deep learning melemah secara signifikan dengan adanya pembatasan ekonomi standar dalam keuangan empiris, seperti mengecualikan microcaps atau perusahaan yang tertekan,” ungkap Si Cheng, Asisten Profesor di Departemen Keuangan CUHK Business School dan salah satu dari penulis studi ini.

Pengembalian yang berkurang

Profesor Cheng, bersama dengan kolaboratornya Profesor Doron Avramov di IDC Herzliya dan Lior Metzker, seorang mahasiswa riset di Hebrew University of Jerusalem, melakukan penelitian ini. Mereka menemukan bahwa setelah mengecualikan saham kapitalisasi mikro yang sulit untuk diperdagangkan karena nilai pasarnya terlalu rendah, pengembalian portofolio turun 62%, setelah mengecualikan saham yang gagal mendapatkan peringkat kredit penerbit jangka panjang Standard & Poor’s, pengembalian turun 68%, setelah mengecualikan perusahaan buruk yang peringkat kreditnya diturunkan menjadi kesulitan keuangan, pengembalian bahkan turun hingga 80%.

Menurut penelitian tersebut, strategi perdagangan berbasis pembelajaran mesin lebih menguntungkan selama periode arbitrase menjadi lebih sulit, seperti ketika ada sentimen investor tinggi, volatilitas pasar tinggi, dan likuiditas pasar rendah.

Salah satu kelemahan dari strategi pembelajaran mesin adalah biaya transaksi yang relatif tinggi. “Metode pembelajaran mesin membutuhkan perdagangan yang sering dan posisi saham yang sangat tinggi agar efektif. Mempertimbangkan biaya transaksi, lebih sulit bagi investor biasa untuk mendapatkan pengembalian berlebih pada portofolio mereka,” jelasnya.

Profesor Cheng menambahkan bahwa temuan ini tidak menyiratkan bahwa strategi berbasis pembelajaran mesin adalah tidak menguntungkan bagi semua pedagang. “Kami menemukan bahwa dengan biaya transaksi yang wajar, metode pembelajaran mesin yang dipelajari akan sulit untuk mencapai keuntungan berlebih yang berarti dalam statistik dan ekonomi. Oleh karena itu, investor harus menyesuaikan ekspektasi mereka terhadap potensi pengembalian bersih,” terangnya.

Masa depan pembelajaran mesin

“Namun, hasil penelitian kami tidak boleh tidak boleh dijadikan bukti yang menentang penerapan teknologi pembelajaran mesin ke bidang investasi kuantitatif. Sebaliknya, strategi perdagangan berbasis pembelajaran mesin memiliki prospek yang cukup besar dalam manajemen aset, seperti kemampuan untuk menangani banyak saham. Sinyal perdagangan yang lemah dan mengintegrasikannya ke dalam pesan yang bermakna, yang berfungsi sebagai dasar untuk merumuskan strategi perdagangan,” urai Profesor Cheng.

Strategi berbasis pembelajaran mesin menunjukkan risiko penurunan yang lebih rendah dan terus menghasilkan keuntungan positif selama krisis ekonomi. Studi ini menemukan bahwa dalam banyak periode penurunan tajam pasar utama, seperti market crash pada tahun 1987, pasar saham ambruk, default Rusia, ledakan gelembung saham teknologi, dan krisis keuangan baru-baru ini, metode investasi pembelajaran mesin terbaik dihasilkan. Pengembalian nilai tertimbang perusahaan setinggi 3,56% per bulan tidak termasuk saham kapitalisasi mikro, sementara pengembalian pasar tercatat negatif 6,91 persen selama periode yang sama.

Profesor Cheng mengatakan bahwa dengan mengidentifikasi anomali saham individu, saham yang trennya bertentangan dengan prediksi teori harga pasar modal tradisional,untuk strategi perdagangan, profitabilitas terutama berasal dari posisi pendek, dan strategi ini secara bertahap menurun dalam beberapa tahun terakhir. Namun, strategi investasi pembelajaran mesin lebih mampu mengambil keuntungan dari posisi buy, dan tetap dapat bertahan selama periode pasca 2001.

“Ini bisa sangat berharga untuk perdagangan real time, manajemen risiko, dan institusi jangka panjang. Selain itu, metode pembelajaran mesin lebih cenderung berspesialisasi dalam pemilihan saham daripada rotasi industri,” tambah Prof. Cheng, mengacu pada strategi yang mencari untuk memanfaatkan tahap siklus ekonomi berikutnya dengan memindahkan dana dari satu industri ke industri berikutnya. Studi ini adalah yang pertama memberikan bukti berskala besar tentang pentingnya metode ekonomis pembelajaran mesin, tambahnya.

“Bukti Kolektif menunjukkan bahwa sebagian besar metode pembelajaran mesin menghadapi tantangan umum dalam memprediksi pengembalian saham, yaitu, pengembalian berlebih terutama terkonsentrasi pada saham yang sulit untuk arbitrase dan dalam periode arbitrase yang sulit. Oleh karena itu, meskipun pembelajaran mesin menawarkan peluang yang belum pernah ada sebelumnya untuk membentuk pemahaman kita tentang formulasi harga aset, penting untuk mempertimbangkan batasan ekonomi umum dalam menilai keberhasilan metode yang baru dikembangkan, dan mengonfirmasi validitas eksternal model pembelajaran mesin sebelum menerapkannya ke pengaturan yang berbeda,” tutupnya.

Referensi:
Avramov, Doron and Cheng, Si and Metzker, Lior, Machine Learning versus Economic Restrictions: Evidence from Stock Return Predictability (April 5, 2020). Available at SSRN: https://ssrn.com/abstract=3450322 or http://dx.doi.org/10.2139/ssrn.3450322

CUHK Business School pertama kali menerbitkan artikel ini di situs web China Business Knowledge (CBK) dengan link https://bit.ly/3fX2ydr.