Prediksi Harga Saham Menggunakan Markov Chain Monte Carlo
DOI:
https://doi.org/10.59378/jcenim.v3i1.68Keywords:
Saham, Bayesian Inference, Bayesian Statistics, Markov Chain Monte Carlo, Apache SparkAbstract
Investasi sektor keuangan adalah kegiatan yang menarik banyak minat publik. Salah satunya adalah menginvestasikan dana dalam pembelian saham perusahaan. Saham adalah bukti kepemilikan perusahaan atau badan usaha. Saham adalah investasi yang menarik dan cukup menantang karena mereka dapat memberikan keuntungan besar bagi investor jika mereka memprediksi dengan benar. Pada dasarnya orang membeli saham untuk investasi jangka panjang (tahunan) untuk mendapatkan keuntungan dari dividen, tetapi ada juga investor yang ingin mendapatkan keuntungan dari membeli dan menjual harga saham dalam periode jangka pendek (harian atau mingguan). Memprediksi harga saham menjadi sesuatu yang populer dan menantang karena bisa saja mudah atau sulit berdasarkan analisa fundamental dan teknikal. Analisis teknikal memprediksi probabilitas pergerakan harga saham pada periode selanjutnya berdasarkan pergerakan harga sebelumnya. Dengan menerapkan Teorema Bayes untuk membuat model prediksi dan Markov Chain Monte Carlo (MCMC) untuk menghasilkan data yang diprediksi. Prediksi harga saham secara matematis menjadi lebih menantang, dan menghabiskan banyak waktu komputasi. Apache Spark menyediakan komputasi paralel dengan menggabungkan sumber daya komputasi pada beberapa komputer menjadi satu. Dengan menerapkan Markov Chain Monte Carlo pada Apache Spark waktu yang dibutuhkan akan menjadi lebih sedikit.
References
I. Gibranats, The Detective of Stock. Surabaya, Jawa Timur: YLT Publishing, 2011.
C. E. Dictionary, “Cambridge English Dictionary Website,” 2020. [Online]. Available: https://dictionary.cambridge.org/dictionary/english/
F. Nelli, Python Data Analytics. Berkeley, CA, New York: Apress, Distributed to the book trade worldwide by Springer, 2015.
B. Infence, “Bayesian inference chapter 12,” Statistical Machine Learning, pp. 299–351, 2014.
B. Steve, G. Andrew, J. Galin, and M. Xiao-Li, Handbook of Markov Chain Monte Carlo. New York: Chapman and Hall/CRC, 2011.
D. Brigo, A. Dassandro, M. Neugebauer, F. Triki, and Fares, “A stochastic processes toolkit for risk management: mean reverting processes and jumps,” Journal of Risk Management in Financial Institutions, vol. 3, pp. 65–83, 2009.
Wikipedia, “Student’s t-distribution,” 2020. [Online]. Available: https://en.wikipedia.org/wiki/Student%27s_t-distribution
J. Salvatier, T. V. Wiecki, and C. Fonnesbeck, “Probabilistic programming in python using pymc3,” PeerJ Computer Science, vol. 2016, no. 4, 2016.
M. D. Hoffman and A. Gelman, “The no-u-turn sampler: Adaptively setting path lengths in hamiltonian monte carlo,” Journal of Machine Learning Research, vol. 15, pp. 1593–1623, 2014.
S. Rome, “Eigen-vectors in predicting stock and portfolio returns with bayesian methods,” 2016. [Online]. Available: https://srome.github.io/Eigenvesting-IV-Predicting-Stock-And-Portfolio-Returns-With-Bayesian-Statistics/
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Alfin Alim Muhammad, Supeno Mardi, Moch. Hariadi

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with JCENIM agree to the following terms:
- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.




