<![CDATA[Tujuan: Penelitian ini bertujuan untuk menganalisis apakah model machine learning (XGBoost dan Random Forest) mengalami pergeseran dalam menentukan fitur terpenting untuk memprediksi arah pergerakan saham teknologi sebelum dan sesudah pandemi COVID-19. Metode: Data yang digunakan adalah time-series harian dari Invesco QQQ Trust (QQQ) sebagai representasi sektor teknologi Amerika Serikat, serta variabel makroekonomi dan volatilitas. Periode penelitian dibagi menjadi dua rezim: pra-pandemi (2018–2019) dan pasca-pandemi (2021–2022). Model dilatih secara terpisah untuk masing-masing rezim, kemudian dilakukan analisis komparatif terhadap feature importance. Evaluasi model menggunakan metrik Accuracy dan F1 Score. Hasil: Hasil menunjukkan adanya peningkatan prediktabilitas pasar pada periode pasca-pandemi, dengan F1 Score XGBoost meningkat dari 0,346 menjadi 0,556 dan Random Forest dari 0,164 menjadi 0,544. Analisis feature importance menunjukkan pergeseran dominasi faktor: pra-pandemi dipengaruhi secara merata oleh harga, teknikal, dan makroekonomi, sedangkan pasca-pandemi lebih didominasi faktor makroekonomi (FedFundsRate) dan volatilitas (ATR, VIX). Kesimpulan: Penelitian ini menyimpulkan bahwa pandemi COVID-19 menyebabkan perubahan rezim prediktif di pasar saham teknologi, dengan meningkatnya peran faktor makroekonomi dan volatilitas. Temuan ini menegaskan pentingnya adaptasi model prediksi serta memberikan wawasan praktis bagi investor dalam memahami dinamika pasar pasca-pandemi.]]>
Copyrights © 2025
