Kalau sebuah AI bisa mengetahui saham mana yang akan naik besok, investasi mungkin terdengar jauh lebih mudah. Investor tinggal memasukkan data ke dalam sistem, kemudian mengikuti prediksi yang diberikan. Kenyataannya tidak sesederhana itu. AI memang dapat digunakan untuk memperkirakan arah pergerakan saham, tetapi teknologi tersebut tidak memiliki kemampuan untuk mengetahui masa depan dengan pasti.

AI bekerja dengan memanfaatkan data. Dalam dunia keuangan, data yang digunakan bisa berupa harga saham sebelumnya, volume perdagangan, volatilitas, hingga berbagai informasi lain yang dianggap memiliki hubungan dengan pergerakan pasar. Dari data tersebut, algoritma machine learning dapat mencari pola yang mungkin sulit ditemukan jika hanya dianalisis secara manual.

AI Belajar dari Pergerakan Masa Lalu

Salah satu pendekatan yang digunakan dalam prediksi pasar adalah deep learning. Model seperti Long Short-Term Memory atau LSTM dirancang untuk menangani data berbentuk urutan sehingga dapat digunakan untuk mempelajari pola pada data keuangan dari waktu ke waktu.

Penelitian Fischer dan Krauss, misalnya, menggunakan LSTM untuk memprediksi arah pergerakan saham perusahaan yang tergabung dalam S&P 500 menggunakan data historis. Dalam penelitian tersebut, LSTM dibandingkan dengan beberapa metode lain seperti random forest, deep neural network, dan regresi logistik. Hasilnya menunjukkan bahwa performa LSTM dapat lebih baik dalam konteks pengujian yang mereka gunakan. Namun, penelitian tersebut juga menemukan bahwa keuntungan berlebih yang diamati pada periode tertentu tidak selalu bertahan setelah memperhitungkan biaya transaksi.

Hal ini penting karena menunjukkan bahwa kemampuan sebuah model dalam menemukan pola historis tidak otomatis berarti model tersebut dapat terus menghasilkan keuntungan di masa depan.

Data yang Digunakan Bisa Sangat Beragam

AI dalam bidang keuangan tidak harus hanya melihat harga saham. Model dapat dirancang untuk memproses berbagai jenis data dan mencari hubungan di antara data tersebut.

Penelitian mengenai financial time series forecasting menunjukkan bahwa berbagai model deep learning, termasuk LSTM dan GRU, telah banyak digunakan untuk mempelajari data keuangan. Penggunaannya mencakup berbagai jenis aset dan tujuan prediksi.

Secara teori, semakin banyak informasi yang tersedia, semakin banyak pula pola yang dapat dianalisis. Namun, banyaknya data tidak otomatis membuat prediksi menjadi lebih akurat. Data yang tidak relevan, kualitas data yang buruk, atau pola yang hanya muncul sementara justru dapat membuat model menghasilkan prediksi yang kurang dapat diandalkan.

Mengapa AI Tidak Bisa Selalu Benar?

Masalah terbesar dalam memprediksi pasar adalah ketidakpastian. Harga saham tidak hanya dipengaruhi oleh pola historis. Perubahan suku bunga, kebijakan pemerintah, kondisi ekonomi, laporan keuangan perusahaan, berita besar, hingga kejadian yang tidak terduga dapat mengubah perilaku pasar.

Akibatnya, pola yang terlihat jelas pada data masa lalu belum tentu muncul kembali pada masa mendatang.

Ada pula masalah overfitting. Dalam kondisi ini, model terlalu menyesuaikan diri dengan data yang digunakan selama pelatihan. Hasil pengujian terhadap data lama mungkin terlihat sangat bagus, tetapi performanya dapat menurun ketika model menghadapi data baru.

Masalah serupa juga menjadi perhatian dalam penelitian mengenai metode machine learning untuk forecasting. Makridakis, Spiliotis, dan Assimakopoulos menunjukkan bahwa metode machine learning tidak selalu mengungguli metode statistik tradisional dan bahwa performa model perlu dievaluasi secara hati-hati menggunakan data yang benar-benar berada di luar periode pelatihan.

AI Lebih Cocok sebagai Alat Bantu

Lalu, apakah AI tidak berguna untuk investasi? Justru sebaliknya.

AI dapat membantu manusia mengolah data dalam jumlah besar dengan jauh lebih cepat. Dalam bidang keuangan, deep learning telah diteliti untuk berbagai persoalan seperti prediksi, klasifikasi, pengelolaan portofolio, dan manajemen risiko. Heaton, Polson, dan Witte menunjukkan bahwa model deep learning dapat digunakan untuk menangani hubungan kompleks dalam data keuangan yang sulit dirumuskan menggunakan model ekonomi konvensional.

Dalam praktiknya, AI dapat digunakan untuk membantu menyaring informasi, mencari pola, membuat sinyal tertentu, atau memberikan estimasi probabilitas. Manusia kemudian tetap perlu mempertimbangkan konteks dan risiko sebelum mengambil keputusan.

Dengan kata lain, AI lebih tepat dianggap sebagai alat analisis, bukan mesin peramal.

Jadi, Bisakah AI Menebak Saham Akan Naik?

Jawabannya adalah bisa memprediksi, tetapi tidak bisa memastikan.

AI dapat mempelajari pola dari data historis dan menghasilkan perkiraan mengenai kemungkinan pergerakan harga. Beberapa penelitian bahkan menunjukkan bahwa model tertentu dapat memberikan hasil prediksi yang menarik dalam kondisi dan periode tertentu. Namun, performa tersebut tidak berarti model akan selalu benar ketika kondisi pasar berubah.

Pasar saham pada dasarnya merupakan lingkungan yang penuh ketidakpastian. Model yang sangat akurat pada satu periode dapat kehilangan keunggulannya pada periode lain. Bahkan model yang dibangun dengan data dalam jumlah besar tetap memiliki keterbatasan.

Karena itu, kecanggihan AI tidak menghilangkan risiko investasi. Teknologi dapat membantu investor memahami data dan membuat analisis lebih sistematis, tetapi hasil akhirnya tetap berupa prediksi dengan tingkat ketidakpastian, bukan kepastian mengenai masa depan.

AI mungkin tidak memiliki bola kristal untuk melihat harga saham besok. Namun, AI bisa menjadi alat yang sangat kuat untuk membantu manusia membaca pola yang tersembunyi di balik jutaan data pasar. Tantangannya bukan sekadar membuat AI yang mampu memberikan prediksi, tetapi memastikan bahwa prediksi tersebut tetap masuk akal ketika menghadapi kondisi pasar yang belum pernah dilihat sebelumnya.

Referensi

• Fischer, T., & Krauß, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054.
• Heaton, J. B., Polson, N. G., & Witte, J. H. (2017). Deep learning for finance: Deep portfolios. Applied Stochastic Models in Business and Industry, 33(1), 3–12. https://doi.org/10.1002/asmb.2209.
• Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied Soft Computing, 90, 106181. https://doi.org/10.1016/j.asoc.2020.106181.
• Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), e0194889. https://doi.org/10.1371/journal.pone.0194889