Prakiraan Harga Saham dengan LSTM
Model LSTM dengan attention untuk memprakirakan harga saham 1–30 hari, diuji dengan validasi walk-forward, dilengkapi dashboard Streamlit dan API Flask.
- Status
- Prototipe
- Lapisan
- AIData
- Dipakai oleh
- Proyek riset dan belajar untuk melihat cara membangun prakiraan berbasis data yang diuji dengan jujur; bukan alat rekomendasi investasi.
Masalahnya
Banyak model prakiraan terlihat bagus di atas kertas karena tanpa sengaja memakai data masa depan saat diuji.
Solusinya
Pipeline menghitung indikator teknikal dengan jeda satu hari, melatih scaler hanya pada data latih, dan menguji model secara bergulir seperti kondisi nyata. Hasilnya bisa dicoba di dashboard Streamlit atau lewat API.
Cara kerjanya
Apa yang terjadi, langkah demi langkah, dari sudut pandang pengguna.
- 01
Data harga diambil otomatis
Riwayat harga dan volume perdagangan saham diunduh dari Yahoo Finance.
- 02
Indikator dihitung dari data lampau
Sistem menghitung imbal hasil, volatilitas, momentum, dan volume. Semuanya hanya memakai data sampai hari sebelumnya.
- 03
Model LSTM mempelajari pola
Model membaca urutan hari-hari sebelumnya dan memberi bobot lebih pada hari yang dianggap penting (attention).
- 04
Diuji bergulir seperti kondisi nyata
Model dilatih pada satu periode lalu diuji pada periode sesudahnya, terus bergeser maju. Penyesuai skala hanya belajar dari data latih.
- 05
Pengguna memilih saham dan jangka
Di dashboard Streamlit, pengguna mengetik kode saham dan memilih berapa hari ke depan, sampai 30 hari.
- 06
Hasil tampil sebagai grafik
Prakiraan muncul sebagai grafik dan tabel. Hasil yang sama bisa diminta aplikasi lain lewat API Flask.
Desain sistemnya
Siapa yang memakai, apa yang mereka lihat, apa yang bekerja di belakang layar, dan di mana data disimpan. Baca dari kiri ke kanan.
1Pengguna
- Analis atau penelitiMemilih kode saham dan jumlah hari prakiraan
2Yang dilihat
- Dashboard StreamlitGrafik riwayat harga, grafik prakiraan, dan tabel hasil
- API FlaskMemberi prakiraan untuk aplikasi lain lewat satu alamat
3Yang bekerja di belakang
- LSTM dengan attentionModel PyTorch memprakirakan pergerakan hari berikutnya, diulang ke depan
- Validasi walk-forwardMenguji model periode demi periode tanpa melihat data masa depan
4Data dan alat pendukung
- Yahoo FinanceSumber riwayat harga saham lewat pustaka yfinance
- MLflowMencatat setiap percobaan pelatihan beserta hasilnya
- DockerMengemas aplikasi agar bisa dijalankan di komputer mana pun
Fitur utama
- LSTM dengan temporal attention
- Validasi walk-forward bergulir
- Pencegahan kebocoran data
- Dashboard grafik interaktif
- API prediksi dan Docker
Dibangun dengan
- Python
- PyTorch
- pandas
- scikit-learn
- yfinance
- Streamlit
- Flask
- Plotly
- MLflow
- Docker
- GitHub Actions
Yang didapat bisnis
- Menunjukkan cara menguji prakiraan dengan jujur sebelum dipakai mengambil keputusan.
- Kebocoran data masa depan dicegah sejak tahap pengolahan data.
- Pendekatan yang sama bisa dipakai untuk prakiraan penjualan, stok, atau permintaan.
- Hasil bisa dilihat lewat dashboard atau diambil aplikasi lain lewat API.
Istilah di halaman ini
- LSTM
- Jenis model AI yang membaca data berurutan, seperti harga harian, dan mengingat pola dari hari-hari sebelumnya.
- Walk-forward
- Cara menguji dengan melatih di masa lalu lalu menebak periode berikutnya, berulang maju, seperti memakai model di dunia nyata.
- Data leakage
- Kesalahan saat model tanpa sengaja melihat data masa depan, sehingga hasil ujinya tampak lebih bagus dari kenyataan.
- API
- Pintu layanan yang memungkinkan aplikasi lain meminta prakiraan secara otomatis.
Bisa dipakai untuk bisnis Anda?
Cara validasinya bisa dipakai untuk prakiraan permintaan, stok, atau penjualan bisnis Anda, dengan pengujian jujur sebelum dipakai mengambil keputusan.
Konsultasikan proyek ini