Analisis Portofolio Investasi dan Prediksi Harga Saham dengan Python

Di era digital ini, berinvestasi tidak lagi hanya domain para profesional di Wall Street. Dengan akses informasi yang melimpah dan alat-alat analisis yang semakin canggih, individu kini memiliki kesempatan besar untuk mengambil alih kendali atas portofolio investasi mereka. Salah satu alat paling ampuh yang tersedia untuk analisis data keuangan adalah Python. Bahasa pemrograman ini, dengan ekosistem pustaka (libraries) yang luas, menawarkan fleksibilitas luar biasa untuk menganalisis data pasar, mengoptimalkan portofolio, hingga mencoba memprediksi pergerakan harga saham.

Artikel ini akan membawa Anda menjelajahi bagaimana Python dapat menjadi sekutu terbaik Anda dalam memahami dan mengelola investasi. Kita akan membahas dasar-dasar analisis portofolio, cara mendapatkan dan memanipulasi data saham, hingga langkah-langkah praktis untuk mengoptimalkan portofolio dan mengenal berbagai pendekatan untuk memprediksi harga saham. Mari kita selami potensi tak terbatas Python dalam dunia keuangan.

Memahami Portofolio Investasi: Fondasi Pengambilan Keputusan

Sebelum kita menyelam ke dalam kode Python, penting untuk memiliki pemahaman yang kuat tentang apa itu portofolio investasi dan mengapa analisisnya begitu krusial. Portofolio investasi adalah kumpulan aset finansial yang Anda miliki, seperti saham, obligasi, reksa dana, atau properti. Tujuannya adalah untuk mencapai target keuangan tertentu, baik itu pertumbuhan modal, pendapatan reguler, atau konservasi kekayaan, sesuai dengan toleransi risiko pribadi.

Pentingnya Diversifikasi

Salah satu prinsip utama dalam manajemen portofolio adalah diversifikasi. Konsep ini mengajarkan kita untuk tidak "menaruh semua telur dalam satu keranjang." Dengan menyebarkan investasi Anda ke berbagai jenis aset atau instrumen, Anda dapat mengurangi risiko keseluruhan portofolio. Jika satu aset mengalami penurunan, aset lain mungkin bisa mengimbanginya, sehingga dampak negatif terhadap portofolio Anda secara keseluruhan tidak terlalu signifikan. Python dapat membantu kita secara kuantitatif melihat bagaimana diversifikasi mempengaruhi risiko dan imbal hasil portofolio.

Metrik Dasar: Imbal Hasil (Return) dan Risiko (Volatilitas)

Dua metrik kunci yang selalu menjadi perhatian dalam analisis portofolio adalah imbal hasil dan risiko. Imbal hasil adalah keuntungan atau kerugian yang Anda peroleh dari investasi Anda, biasanya dinyatakan dalam persentase. Sementara itu, risiko seringkali diukur dengan volatilitas, yaitu sejauh mana harga aset berfluktuasi dari waktu ke waktu. Semakin tinggi volatilitas, semakin besar risiko yang terkandung dalam aset tersebut.

• Imbal Hasil (Return): Dapat dihitung sebagai persentase perubahan harga aset selama periode waktu tertentu.
• Risiko (Volatilitas): Sering diukur dengan standar deviasi imbal hasil. Semakin tinggi standar deviasi, semakin besar fluktuasi harga dan risiko yang melekat.

Tujuan utama dari analisis portofolio adalah menemukan keseimbangan optimal antara imbal hasil yang diinginkan dan tingkat risiko yang dapat diterima.

Persiapan Data dengan Python: Mengumpulkan Informasi

Langkah pertama dalam analisis apa pun adalah mengumpulkan data yang relevan. Python, dengan pustaka seperti yfinance, membuat proses ini sangat mudah.

Mengunduh Data Saham Menggunakan yfinance

yfinance adalah pustaka Python yang memungkinkan kita mengunduh data pasar historis dari Yahoo Finance dengan cepat. Jika Anda belum menginstalnya, Anda bisa melakukannya dengan:

pip install yfinance pandas matplotlib numpy scikit-learn

Setelah terinstal, Anda dapat mengunduh data harga penutupan (Close Price) untuk beberapa saham sebagai contoh:

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# Daftar simbol saham (misal: BBCA, TLKM, UNVR untuk saham Indonesia)
# Untuk saham AS: AAPL, MSFT, GOOGL
tickers = ['BBCA.JK', 'TLKM.JK', 'UNVR.JK', 'ADRO.JK'] 
start_date = '2020-01-01'
end_date = '2023-12-31'

data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
print(data.head())

Kode di atas akan mengunduh harga penutupan yang disesuaikan (Adjusted Close Price) untuk saham-saham yang ditentukan dalam rentang waktu tertentu. Harga penutupan yang disesuaikan lebih disukai karena memperhitungkan aksi korporasi seperti dividen dan stock split.

Manipulasi Data Dasar dengan Pandas

Setelah data diunduh, kita akan menggunakan Pandas, pustaka analisis data yang sangat powerful di Python, untuk membersihkan dan memanipulasi data. Pandas memungkinkan kita bekerja dengan struktur data seperti DataFrame, yang mirip dengan tabel spreadsheet.

Kita perlu memastikan bahwa data kita bersih dan lengkap. Misalnya, kita mungkin perlu mengisi nilai yang hilang (NaN) atau memeriksa format tanggal. Untuk tujuan analisis portofolio, kita akan fokus pada imbal hasil.

# Menghitung imbal hasil harian (daily returns)
returns = data.pct_change().dropna()
print(returns.head())

# Visualisasi harga saham
data.plot(figsize=(12, 6))
plt.title('Harga Saham Historis')
plt.ylabel('Harga (IDR)')
plt.grid(True)
plt.show()

# Visualisasi imbal hasil harian
returns.plot(figsize=(12, 6))
plt.title('Imbal Hasil Harian Saham')
plt.ylabel('Return')
plt.grid(True)
plt.show()

Dengan pct_change(), kita dapat dengan mudah menghitung persentase perubahan harga harian. Metode dropna() digunakan untuk menghapus baris pertama yang akan berisi nilai NaN karena tidak ada data sebelumnya untuk menghitung perubahan.

Analisis Portofolio dengan Python: Mencari Keseimbangan Optimal

Sekarang kita punya data imbal hasil, kita bisa mulai menganalisis portofolio. Tujuan utama adalah mengidentifikasi portofolio yang memberikan imbal hasil tertinggi untuk tingkat risiko tertentu, atau risiko terendah untuk imbal hasil tertentu. Ini adalah inti dari Teori Portofolio Modern (Modern Portfolio Theory - MPT) oleh Harry Markowitz.

Menghitung Metrik Portofolio

Untuk portofolio yang terdiri dari beberapa saham, imbal hasil portofolio adalah rata-rata tertimbang imbal hasil masing-masing saham, di mana bobotnya adalah proporsi investasi Anda pada setiap saham. Risiko portofolio sedikit lebih kompleks karena melibatkan kovarians antar saham.

# Inisialisasi bobot (misal: alokasi sama)
num_assets = len(tickers)
weights = np.array([1/num_assets] * num_assets) 

# Menghitung imbal hasil portofolio tahunan
# Kita perlu mengasumsikan 252 hari perdagangan dalam setahun
portfolio_annual_return = np.sum(returns.mean() * weights) * 252 

# Menghitung kovarians imbal hasil (untuk risiko)
cov_matrix_annual = returns.cov() * 252

# Menghitung volatilitas (risiko) portofolio tahunan
portfolio_annual_std_dev = np.sqrt(np.dot(weights.T, np.dot(cov_matrix_annual, weights)))

print(f"Imbal Hasil Portofolio Tahunan: {portfolio_annual_return:.4f}")
print(f"Volatilitas Portofolio Tahunan: {portfolio_annual_std_dev:.4f}")

Kode di atas menunjukkan cara menghitung imbal hasil dan risiko portofolio sederhana dengan alokasi bobot yang sama. Namun, tujuan MPT adalah menemukan bobot yang optimal.

Simulasi Portofolio Acak dan Frontier Efisien

Untuk menemukan portofolio yang optimal, kita dapat melakukan simulasi ribuan portofolio acak dengan kombinasi bobot yang berbeda. Untuk setiap portofolio, kita menghitung imbal hasil dan risikonya. Kemudian, kita memplot semua titik ini untuk melihat "Frontier Efisien" – garis yang menunjukkan portofolio dengan imbal hasil tertinggi untuk setiap tingkat risiko.

num_portfolios = 10000
results = np.zeros((3, num_portfolios)) # Untuk return, std_dev, sharpe ratio
all_weights = np.zeros((num_portfolios, num_assets))

# Asumsi risk-free rate 0.01 (1%)
risk_free_rate = 0.01 

for i in range(num_portfolios):
    weights = np.random.random(num_assets)
    weights /= np.sum(weights) # Normalisasi bobot agar totalnya 1
    
    portfolio_return = np.sum(returns.mean() * weights) * 252
    portfolio_std_dev = np.sqrt(np.dot(weights.T, np.dot(cov_matrix_annual, weights)))
    
    sharpe_ratio = (portfolio_return - risk_free_rate) / portfolio_std_dev 
    
    results[0,i] = portfolio_return
    results[1,i] = portfolio_std_dev
    results[2,i] = sharpe_ratio
    all_weights[i,:] = weights

# Mencari portofolio dengan Sharpe Ratio tertinggi (portofolio optimal)
max_sharpe_idx = np.argmax(results[2])
optimal_weights = all_weights[max_sharpe_idx,:]

print("\nBobot Portofolio Optimal (Sharpe Ratio Tertinggi):")
for i, ticker in enumerate(tickers):
    print(f"{ticker}: {optimal_weights[i]:.4f}")

optimal_return = results[0, max_sharpe_idx]
optimal_std_dev = results[1, max_sharpe_idx]
optimal_sharpe = results[2, max_sharpe_idx]

print(f"Imbal Hasil Optimal: {optimal_return:.4f}")
print(f"Volatilitas Optimal: {optimal_std_dev:.4f}")
print(f"Sharpe Ratio Optimal: {optimal_sharpe:.4f}")

# Visualisasi Frontier Efisien
plt.figure(figsize=(10, 7))
plt.scatter(results[1,:], results[0,:], c=results[2,:], cmap='viridis', marker='o', s=10)
plt.title('Frontier Efisien dan Portofolio Optimal')
plt.xlabel('Volatilitas Portofolio (Risiko)')
plt.ylabel('Imbal Hasil Portofolio')
plt.colorbar(label='Sharpe Ratio')
plt.scatter(optimal_std_dev, optimal_return, marker='*', color='red', s=500, label='Portofolio Optimal', edgecolor='black')
plt.legend()
plt.grid(True)
plt.show()
```

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Pilih satu saham untuk prediksi (misal: BBCA.JK)
stock_data_single = data[['BBCA.JK']].copy()

# Buat fitur (X) dan target (y)
# X adalah harga penutupan hari ini, y adalah harga penutupan besok
stock_data_single['Next_Close'] = stock_data_single['BBCA.JK'].shift(-1)
stock_data_single.dropna(inplace=True)

X = stock_data_single[['BBCA.JK']]
y = stock_data_single['Next_Close']

# Bagi data menjadi training dan testing set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Latih model Regresi Linier
model = LinearRegression()
model.fit(X_train, y_train)

# Buat prediksi
predictions = model.predict(X_test)

# Evaluasi model
mse = mean_squared_error(y_test, predictions)
print(f"\nMean Squared Error (Regresi Linier untuk BBCA.JK): {mse:.2f}")

# Visualisasi prediksi vs aktual
plt.figure(figsize=(12, 6))
plt.plot(y_test.index, y_test, label='Harga Aktual', color='blue')
plt.plot(y_test.index, predictions, label='Harga Prediksi', alpha=0.7, color='red', linestyle='--')
plt.title('Prediksi Harga Saham BBCA.JK dengan Regresi Linier')
plt.xlabel('Tanggal')
plt.ylabel('Harga')
plt.legend()
plt.grid(True)
plt.show()