Eksplorasi Inefisiensi Pasar melalui Optimasi Portofolio Berbasis XGBoost dan Black-Litterman: Bukti Empiris dari Indeks LQ45 Periode 2018-2024

Deskripsi

Penelitian ini mengkaji apakah return saham pada indeks LQ45 di Bursa Efek Indonesia masih mengandung pola prediktif yang dapat dieksploitasi, serta mengevaluasi apakah pengintegrasian forecasted return berbasis XGBoost ke dalam kerangka Markowitz mean-variance dan Black-Litterman mampu menghasilkan kinerja portofolio yang lebih unggul dibandingkan pendekatan berbasis return historis, 1/N, maupun indeks LQ45. Penelitian menggunakan data harian saham-saham konstituen indeks LQ45 selama periode rebalancing Februari 2018 hingga Februari 2024, dengan periode evaluasi portofolio yang berakhir pada Agustus 2024. Rentang waktu ini mencakup fase pra-pandemi, krisis COVID-19, dan pemulihan pascapandemi. Enam strategi optimasi portofolio dibandingkan, yaitu Global Minimum Variance berbasis historical mean (GMV-HIST), Global Maximum Sharpe Ratio berbasis historical mean (GMSR-HIST) dan berbasis forecasted return XGBoost (GMSR-XGB), serta Black-Litterman berbasis implied market equilibrium (BL-HIST), Black-Litterman dengan data-driven views berbasis historical mean (BLQ-HIST) dan berbasis XGBoost (BLQ-XGB). Pengujian weak-form market efficiency melalui Variance Ratio Test dengan koreksi heteroskedastisitas menunjukkan heterogenitas hasil, di mana sebagian saham menolak hipotesis random walk pada ketiga horizon yang diuji (5, 10, dan 21 hari) sementara mayoritas gagal menolak, mengindikasikan bahwa efisiensi pasar bentuk lemah tidak terpenuhi secara seragam pada seluruh sampel. Secara nominal, BLQ-XGB menghasilkan kinerja backtesting tertinggi secara keseluruhan dengan Annualized Rate of Return (ARC) sebesar 7,44% dan Sharpe Ratio 0,3919, sementara BLQ-HIST mencatat ARC sebesar 5,92% dan Sharpe Ratio 0,3372. Penggunaan XGBoost sebagai estimator expected return meningkatkan kinerja nominal pada kedua kerangka optimasi yang diuji, dengan GMSR- XGB mencatat ARC 6,21% dibandingkan 1,09% pada GMSR-HIST. Namun, keunggulan nominal tersebut tidak dapat dikonfirmasi secara statistik, kecuali BL-HIST yang berbeda signifikan terhadap indeks LQ45 (p-value = 0,0001) dan BLQ-XGB yang signifikan secara marginal terhadap indeks LQ45 (p-value = 0,0753). Analisis robustness menunjukkan bahwa tidak ada strategi tunggal yang mendominasi seluruh kondisi pasar. GMV-HIST terbukti paling stabil dan konsisten dalam mempertahankan kinerja pada berbagai skenario sensitivitas yang diuji, dengan volatilitas tahunan terendah, sementara strategi berbasis XGBoost menunjukkan sensitivitas tinggi terhadap pemilihan konfigurasi model dan perubahan kondisi pasar yang mendadak, khususnya pada periode awal pandemi COVID-19. Temuan ini konsisten dengan No Free Lunch theorem dan menegaskan bahwa integrasi machine learning ke dalam kerangka optimasi portofolio menawarkan potensi kinerja yang lebih tinggi namun tidak bersifat universal dan memerlukan pemilihan konfigurasi model yang cermat serta kepekaan terhadap perubahan kondisi pasar.