CLUSTER ANALYSIS FOR MEAN-VARIANCE PORTFOLIO SELECTION: A COMPARISON BETWEEN K-MEANS AND K-MEDOIDS CLUSTERING

Abstrak

Makalah ini menyajikan pemilihan portofolio Mean-Variance (MV) menggunakan analisis klaster. Saham dikategorikan ke dalam berbagai cluster menggunakan pengklasteran K-Means dan K-Medoids. Berdasarkan rasio Sharpe, dipilih saham dari setiap klaster untuk mewakili klaster tersebut. Saham-saham dengan rasio Sharpe paling besar adalah saham-saham yang dipilih untuk setiap klaster. Dengan panduan model portofolio MV, portofolio optimal dapat diidentifikasi. Jika terdapat banyak saham yang dimasukkan dalam pembentukan portofolio, kita dapat secara efisien menciptakan portofolio optimal dengan menggunakan metode ini. Untuk kajian empiris, return harian saham-saham yang diperdagangkan di Bursa Efek Indonesia yang termasuk dalam indeks LQ-45 periode Agustus 2022 sampai Januari 2023 digunakan untuk menentukan bobot portofolio, sedangkan data fundamental saham-saham LQ-45 digunakan untuk menentukan bobot portofolio. untuk tahun 2022 digunakan untuk membangun klaster-klaster. Dengan menggunakan pengklasteran K-Means dan K-Medoids, hasil penelitian ini menunjukkan saham LQ-45 terbagi menjadi enam kelompok. Selain itu diperoleh hasil bahwa untuk risk aversion γ<15, kinerja portofolio dengan kluster K-Means lebih baik dibandingkan kinerja portofolio dengan kluster K-Medoids. Sebaliknya, untuk risk aversion γ≥15, kinerja portofolio dengan pengelompokan K-Medoids lebih baik dibandingkan kinerja portofolio dengan pengelompokan K-Means.