Prediksi Harga Saham Menggunakan Explainable Multivariate Deep Transformer

Rabbani, Imam Waliyuddin and Dr. Eng. Novanto Yudistira, S.Kom., M.Sc. and Prof. Ir. Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D. (2024) Prediksi Harga Saham Menggunakan Explainable Multivariate Deep Transformer. Sarjana thesis, Universitas Brawijaya.

Abstract

Memahami dinamika fluktuasi harga saham yang rumit, yang diperburuk oleh peristiwa seperti pandemi COVID-19, sangat penting dalam pasar keuangan. Penelitian ini memperkenalkan sebuah kerangka kerja inovatif, menggunakan model Deep Transformer bersama Grad-CAM untuk prediksi harga saham yang akurat dan dapat diinterpretasikan. Model Deep Transformer, yang dikenal dengan kemampuannya dalam prediksi time series digunakan untuk memprediksi harga saham, dengan mempertimbangkan berbagai faktor seperti data terkait pandemi dan indikator ekonomi. Penelitian ini mengintegrasikan Grad-CAM untuk meningkatkan kemampuan interpretasi dan memberikan wawasan tentang variabel-variabel penting yang mempengaruhi prediksi. Didapatkan hyperparameter terbaik yaitu: ukuran dmodel sebesar 128; jumlah blok encoder dan decoder masing-masing berjumlah 1; dimensi dimensi FFN dan Post- Layer berukuran 50; dimensi Pre-Layer berukuran 100; jumlah time lag yaitu 4 hari; posisi layer normalisasi yaitu post-LN; dan menggunakan optimizer Adam dengan inisialisasi learning rate sebesar 1 dan akan berkurang seiring berjalannya pelatihan dengan jumlah epoch sebanyak 100. Evaluasi dari berbagai dataset menunjukkan akurasi model yang unggul, dengan nilai Mean Absolute Percentage Error (MAPE) yang menunjukkan kinerja yang kuat dalam skenario univariat dan multivariat. Selain itu, penelitian ini juga mengungkap 10 faktor utama yang berkontribusi, seperti total tests, gas/MMBtu, total vaccinations, new cases smoothed, dan new cases yang menunjukkan variabel-variabel penting yang mempengaruhi harga saham.

English Abstract

Understanding the intricate dynamics of stock price fluctuations, exacerbated by events like the COVID-19 pandemic, is crucial in financial markets. This research introduces an innovative framework, employing the Deep Transformer model alongside Grad-CAM for accurate and interpretable stock price predictions. The Deep Transformer model, recognized for its efficacy in time series forecasting, is applied to predict stock prices, considering diverse factors such as pandemic-related data and economic indicators. The study integrates Grad-CAM to enhance interpretability, providing insights into the critical variables influencing predictions. Optimal hyperparameters are derived, including a model size of 128, one encoder and decoder block each, 50 dimensions for FFN and Post-Layer, 100 dimensions for Pre-Layer, position of the normalization layer is post-LN, and using Adam’s optimizer with a learning rate initialization of 1 and will decrease as training progresses with a number of epochs of 100. Evaluation of various datasets demonstrates the model's superior accuracy, with Mean Absolute Percentage Error (MAPE) values indicating robust performance in univariate and multivariate scenarios. Moreover, the research unveils the top 10 contributing factors, such as total tests, gas/MMBtu, total vaccinations, new cases smoothed, and new cases, elucidating the pivotal variables impacting stock prices.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150102
Uncontrolled Keywords:	harga saham, multivariat, penjelasan visual, Deep Transformer, prediksi, deret waktu-stock price, multivariate, visual explanation, Deep Transformer, prediction, time series
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	22 Feb 2024 07:44
Last Modified:	22 Feb 2024 07:44
URI:	http://repository.ub.ac.id/id/eprint/215696

Text (DALAM MASA EMBARGO) Imam Waliyuddin Rabbani.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item