<![CDATA[Pasar saham modern ditandai oleh volatilitas tinggi dan pola nonlinier yang kompleks, sehingga memerlukan metode peramalan probabilistik yang andal untuk mendukung pengambilan keputusan investasi. Model Deep Learning (DL) tradisional mampu mencapai akurasi tinggi, namun sering kali memiliki keterbatasan dalam kemampuan generalisasi zero-shot pada data pasar yang belum pernah dilihat sebelumnya. Oleh karena itu, penelitian ini mengusulkan pendekatan hibrida yang mengombinasikan Time Series Foundation Model (TSFM) Lag-Llama dengan kerangka kerja Retrieval-Augmented Forecasting (RAF). Secara empiris, Lag-Llama menunjukkan kemampuan generalisasi zero-shot yang kuat dalam berbagai domain. Namun, pada data pasar saham spesifik—seperti Bursa Efek Indonesia—pendekatan berbasis optimisasi parameter sering kali menghadapi trade-off antara peningkatan akurasi deterministik (Mean Squared Error) dan penurunan kualitas kalibrasi probabilistik (Continuous Ranked Probability Score). Dalam konteks ini, RAF berperan sebagai memori eksternal yang secara eksplisit mengambil segmen historis paling relevan untuk memperkaya konteks prediksi, tanpa melakukan pembaruan bobot model. Pendekatan ini memungkinkan pemanfaatan informasi historis di luar batasan context window Lag-Llama. Penelitian ini bertujuan untuk mengevaluasi efektivitas kombinasi Lag-Llama–RAF dalam mempertahankan akurasi prediksi sekaligus menstabilkan nilai CRPS melalui penyuntikan konteks historis yang terkalibrasi. Hasil penelitian diharapkan menunjukkan peningkatan reliabilitas prediksi deret waktu finansial.]]>
Copyrights © 2026
