Fakultas Ilmu Komputer
Universitas Brawijaya 4536
Prediksi Trend Harga Saham Jangka Pendek berdasarkan Fitur Technical Analysis dengan menggunakan Algoritma Random Forest
Michael Eggi Bastian1, Bayu Rahayudi2, Dian Eka Ratnawati3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Perdagangan saham adalah sebuah aktivitas sehari-hari yang dilakukan oleh seorang pedagang saham.
Seorang pedagang saham dapat melakukan aktivitas perdagangan ini pada sebuah pasar modal. Pada pasar modal terdapat sebuah pola yang menggambarkan pergerakan harga dari suatu saham pada periode tertentu, atau disebut juga dengan “Trend Harga”. Karakteristik yang paling utama dari sebuah trend harga adalah perubahan arah yang cepat dan tidak teratur. Karena sifatnya yang mudah berubah dan tidak teratur, maka munculah sebuah permasalahan untuk mengetahui kemana arah trend harga akan bergerak. Adanya kesalahan dalam memprediksi arah trend dapat menimbulkan kerugian. Penelitian ini mengimplementasikan algoritma random forest sebagai model solusi, dan technical analysis sebagai fitur prediksi untuk meminimalkan kesalahan dalam memprediksi trend harga di masa depan.
Berdasarkan hasil pengujian, kombinasi antara algoritma random forest dan technical analysis dapat meminimalkan kesalahan dalam memprediksi trend harga dengan akurasi sebesar 84%, dan skor f1 sebesar 88%.
Kata kunci: Random Forest, Analisis Teknikal, Trend Saham, Harga Saham Abstract
Stock trading is a daily activity carried out by a stock trader. A stock trader can perform this trading activity on a capital market. In the capital market, you can see a chart that depicts the price movement of a stock in a certain period, also known as "Price Trend". The most important characteristic of a price trend is volatile and irregular changes in direction. Due to its volatile and irregular nature, a problem arises in knowing where the price trend will move. Any mistake in predicting the direction of the trend can cause losses. This study implements the random forest algorithm as a solution model, and technical analysis as a predictive feature to minimize errors in predicting future stock price trends. Based on the test results, the combination of the random forest algorithm and technical analysis is able to minimize errors in predicting price trends with an accuracy of 84% and an f1 score of 88%.
Keywords: Random Forest, Technical analysis, Stock Trend, Stock Price
1. PENDAHULUAN
Pasar modal adalah sebuah tempat untuk melakukan perdagangan saham dan aset keuangan lainnya (Wanjawa and Muchemi, 2014). Pada pada pasar modal terdapat sebuah pola yang menggambarkan pergerakan harga saham pada periode waktu tertentu yang biasa disebut sebagai trend harga saham. Berdasarkan periode waktunya trend harga saham dapat dibagi menjadi dua bagian, yaitu : trend harga saham jangka pendek, dan trend harga saham jangka panjang (Kamble and Source, 2017).
Perbedaan yang paling utama dari kedua trend
harga saham ini terdapat pada jangka waktunya.
Pada trend harga saham jangka pendek sebuah trend akan terbentuk dalam jangka waktu harian, mingguan, dan bulanan. Sedangkan pada trend harga saham jangka panjang sebuah trend akan terbentuk dalam jangka waktu tahunan. Pada penelitian ini akan memfokuskan pada prediksi trend harga saham jangka pendek.
Sebuah trend harga saham memiliki karakteristik, yaitu: perubahan arah yang cepat dan tidak teratur. Perubahan ini terjadi karena banyaknya ketidakpastian dan faktor yang dapat mempengaruhi harga suatu saham pada waktu tertentu, seperti : kondisi ekonomi, event politik,
pandangan investor terhadap suatu perusahaan, dan lain lain (Khaidem and Dey, 2016). Karena sifatnya yang mudah berubah dan tidak teratur, maka munculah sebuah permasalahan untuk mengetahui kemana arah trend harga saham akan bergerak. Adanya kesalahan dalam pengambilan keputusan akan membuat kerugian untuk pemilik saham. Oleh karena itu untuk meminimalkan kesalahan dalam pengambilan keputusan dibutuhkan sebuah solusi yang dapat memprediksi trend harga saham di masa depan secara akurat, sehingga keuntungan dapat dimaksimalkan dan kerugian dapat diminimalkan.
Pada bidang keuangan terdapat beberapa yang dapat digunakan untuk mengidentifikasi pola untuk memprediksi trend harga saham, salah satunya adalah technical analysis.
Technical Analysis adalah sebuah cara untuk memprediksi trend harga saham melalui indikator indikator baru yang nantinya dapat dibuat berdasarkan perhitungan dari data historis harga saham (Nti, Adekoya and Weyori, 2019).
Beberapa penelitian telah dilakukan untuk mengembangkan sebuah model solusi yang dapat memprediksi trend harga saham secara akurat. Dari penelitian penelitian yang telah dilakukan terdapat kesimpulan tentang pendekatan yang paling baik untuk membangun sebuah model solusi yang bisa melakukan prediksi terhadap trend harga saham, yaitu : Statistika dan Machine Learning (Adebiyi, Adewumi and Ayo, 2014).
Random Forest merupakan salah satu metode pada machine learning yang dianggap bagus dan telah diimplementasikan oleh para peneliti dalam beberapa penelitian. Penelitian pertama dilakukan oleh Phase Tejas dan Patil Suhas (Foundation, 2020). Penelitian tersebut menjelaskan tentang sebuah permasalahan yang dialami oleh beberapa program sosial dalam memberikan dana bantuan kepada orang yang tepat. Pada penelitian tersebut terdapat 9557 jumlah data dengan 143 fitur data. Hasil dari penelitian ini menunjukkan accuracy score sebesar 89.97%, dari hasil tersebut mengindikasikan bahwa random forest dapat menyelesaikan masalah dengan baik.
Penelitian selanjutnya dilakukan oleh Bahrawi untuk mendapatkan nilai sentiment dari Twitter US Airlines menggunakan random forest (Utilization, 2019). Penelitian tersebut menjelaskan tentang pendapat para penumpang pesawat terbang tentang pelayanan yang diberikan oleh maskapai penerbangan. Hasil dari
penelitian ini menunjukkan accuracy score sebesar 75%.
Penelitian ketiga dilakukan oleh Siburian dan Mulyana untuk memprediksi harga ponsel(Siburian, 2018). Penelitian tersebut menjelaskan tentang pentingnya untuk memprediksi harga ponsel sebelum peluncuran.
Hasil dari penelitian ini menunjukkan nilai akurasi sebesar 81%.
Dari penelitian yang dilakukan dapat disimpulkan bahwa random forest memiliki beberapa kelebihan, yaitu: bisa untuk menyelesaikan masalah pada model non-linear, over-fitting, data training yang tidak besar, tidak memerlukan seleksi fitur, dan proses pelatihan cepat. Akan tetapi random forest juga memiliki kekurangan, yaitu: karena prosesnya yang random maka kita hanya memiliki sedikit kendali atas apa yang dilakukan model.
2. KAJIAN PUSTAKA 2.1. Analisis Teknikal
Analisis Teknikal adalah sebuah pendekatan yang digunakan untuk mempelajari pola pada pasar saham dengan menggunakan beberapa macam teknikal indikator (Murphy, 1997). Pada analisis teknikal terdapat 3 dasar pemikiran yang melatarbelakangi munculnya metode ini, yaitu : market discount everything, price move in trends, dan history repeat itself.
Pada dasar pemikiran market discount everything terdapat penjelasan bahwa, segala informasi yang dibutuhkan untuk memprediksi harga suatu saham sudah tersedia pada pergerakan harga dari saham tersebut.
Pada dasar pemikiran price move in trends terdapat penjelasan bahwa, harga dari saham bergerak dalam pola tertentu, atau disebut juga trend. Dari pergerakan ini, sebuah trend dapat dikategorikan menjadi 2 kategori, yaitu: trend naik, dan trend turun.
Pada dasar pemikiran history repeat itself terdapat penjelasan bahwa, pola pergerakan harga dari suatu saham pada masa lampau akan terulang pada masa yang akan datang. Dasar pemikiran ini muncul setelah dilakukan pembelajaran terhadap tingkah laku manusia pada saat melakukan perdagangan saham.
Teknikal Indikator adalah sebuah parameter/fitur yang dihasilkan dari perhitungan terhadap data historis harga saham yang bertujuan untuk memprediksi arah harga saham (Khaidem and Dey, 2016). Berdasarkan
tujuannya, teknikal indikator dapat dibagi menjadi empat bagian, yaitu : trending indicators, momentum indicators, volume indicators, dan volatile indicators.
Salah satu contoh dari teknikal indikator yang bertujuan untuk mengidentifikasi trend yang sedang berlangsung adalah relative strength index yang dapat dihitung dengan menggunakan Persamaan (1).
Relative Stength Index = 100 − 100
(1+𝑅𝑆) (1) Keterangan :
RS = Nilai Relative Strength 2.2. Random Forest
Random Forest adalah sebuah algoritma yang mengkombinasikan metode bagging dan multiple decision tree untuk menghasilkan sebuah solusi (Reed, 2020). Bagging adalah metode training yang melatih model dasar dengan menggunakan subset data yang dipilih secara random dari training set. Pada metode bagging, model prediksi yang dihasilkan akan didapatkan dari hasil voting dari setiap model dasarnya.
Decision tree adalah sebuah algoritma yang strukturnya berbentuk seperti pohon dan dapat digunakan untuk menyelesaikan masalah klasifikasi dan regresi (Reed, 2020).
Pada decision tree terdapat sebuah permasalahan untuk menentukan attribut dan threshold terbaik yang dapat dijadikan sebagai rule pada decision node. Untuk mengatasi masalah tersebut akan digunakan dua metode ekstrasi fitur, yaitu : entropy dan information gain.
Entropy adalah sebuah metode yang digunakan untuk menghitung ketidakpastian.
Tujuan dari perhitungan entropy adalah untuk mendapatkan nilai ketidakpastian yang terkecil dari sebuah attribut predictor beserta dengan thresholdnya.
Sedangkan information gain adalah sebuah metode yang digunakan untuk mengukur seberapa besar informasi yang diberikan sebuah attribut data untuk menjelaskan kelasnya.
Hasil perhitungan dari information gain akan berupa sebuah probabilitas, dimana semakin tinggi nilai probabilitasnya maka semakin banyak juga informasi yang diberikan oleh attribut data untuk menjelaskan kelasnya.
Nilai entropy dan information gain dapat dihitung menggunakan Persamaan (2), dan Persamaan (3).
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑𝑛𝑖=1𝑝𝑖log2𝑝𝑖 (2) 𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛 𝐺𝑎𝑖𝑛 = 𝐸𝑃 − 𝐸𝐴 (3)
Keterangan :
n = Jumlah Kelas
pi = Probabilitas Kemunculan Kelas ke i EP = Nilai Entropy dari Bootstrapped dataset EA = Nilai Entropy dari Attribut yang Dipilih
Langkah dari algoritma random forest adalah sebagai berikut :
1. Membuat bootstrapped dataset dengan cara memilih secara random sampel data sebanyak jumlah data yang digunakan dengan replacement pada data latih.
2. Memilih secara random fitur data tanpa replacement pada bootstrapped dataset untuk dihitung nilai entropy dan information gain.
3. Menggunakan fitur dan threshold dengan nilai information gain terbaik untuk dijadikan sebagai rule pada decision node untuk setiap kedalaman decision tree.
4. Mengulangi langkah 1 – 3 sampai n decision tree terpenuhi.
5. Melakukan voting terhadap data uji oleh n decision tree yang telah dilatih.
3. METODOLOGI PENELITIAN
Pada penelitian ini terdapat beberapa proses metodologi penelitian yang akan dilakukan.
Proses yang akan dilakukan pada penelitian ini akan dimulai dengan identifikasi masalah, studi literatur, pengumpulan data, data pre- processing, pembuatan algoritma random forest, dan evaluasi hasil.
3.1. Pengumpulan Data
Pada penelitian ini data yang digunakan adalah data harga saham harian dengan kode BBNI. Data harga saham dengan kode BBNI diambil dari historical data Yahoo Finance.
Parameter dari data yang didapatkan berupa tanggal transaksi, harga pembukaan, harga tertinggi, harga terendah, harga penutupan, volume, dan change. Data yang dikumpulkan merupakan data time series dari 27 maret 2012 sampai 03 mei 2021 yang berjumlah 2213.
4. PERANCANGAN SISTEM
Secara umum perancangan sistem prediksi trend harga saham akan dimulai dengan inputan dataset harga saham. Setelah dataset dimasukkan, maka langkah selanjutnya adalah melakukan data pre-processing. Setelah proses data pre-processing selesai, maka langkah selanjutnya akan melakukan proses training pada algoritma random forest. Setelah proses training selesai, maka langkah selanjutnya adalah proses testing pada algoritma random forest. Pada Gambar 1 dapat dilihat diagram alir dari perancangan sistem.
Gambar 1. Diagram Alir Sistem
4.1. Perancangan Data Pre-Processing Pada tahapan ini akan dilakukan beberapa proses, yaitu: proses menghitung attribut predictor, menentukan label data, menghilangkan nilai NaN, dan membagi data.
Tujuan dari tahapan ini adalah untuk mendapatkan data hasil olah yang bisa digunakan untuk melakukan prediksi.
4.2. Pelatihan Random Forest
Pada proses training, langkah pertama yang akan dilakukan adalah membuat bootstrapped dataset. Bootstrapped dataset adalah data yang dipilih secara acak dengan pengembalian dari
data latih. Tujuan dari pembuatan bootstrapped dataset adalah untuk membangun dan melatih sebuah decision tree. Setelah bootstrapped dataset dibuat, maka langkah selanjutnya adalah feature extraction. Setelah kedua proses tersebut dilakukan, maka akan dilakukan looping sebanyak n sampai jumlah decision tree yang diinginkan terpenuhi. Tujuan dari tahapan ini adalah untuk mendapatkan sejumlah n decision tree dengan nilai threshold dan attribut terbaik.
Pada Gambar 2 dapat dilihat diagram alir dari tahapan perancangan data pre-processing.
Gambar 2. Diagram Alir Pelatihan Random Forest
4.3. Pengujian Random Forest
Pada proses testing hanya akan terdapat satu langkah yaitu voting. Tujuan dari proses ini adalah untuk mendapatkan nilai kelas prediksi dari hasil voting sejumlah n decision tree yang telah dibuat.
5. PENGUJIAN DAN ANALISIS
Pada bagian ini akan terdapat 4 skenario pengujian yang akan dilakukan, yaitu : skenario jumlah attribut predictor, decision tree, kedalaman decision tree, dan total jumlah data
yang digunakan. Pada setiap skenario akan dilakukan 5 kali pengujian untuk mendapatkan nilai rata-ratanya. Nilai rata-rata inilah yang akan dijadikan sebagai hasil pengujian.
Dari keempat metode evaluasi akan diambil dua metode yang akan menjadi penentu seberapa bagus model prediksi yang telah dibuat, yaitu akurasi dan f1 skor. Dua metode ini dipilih karena fungsinya yang dibutuhkan. Pada nilai akurasi nilai yang akan didapatkan adalah tingkat keakuratan prediksi berdasarkan jumlah kelas totalnya, sedangkan pada f1 skor nilai yang akan didapatkan adalah nilai rata-rata dari precision, dan recall.
5.1. Pengujian Jumlah Attribut Predictor
Gambar 3. Grafik Hasil Pengujian Attribut Predictor
Pada Gambar 3 dapat dilihat hasil dari pengujian jumlah attribut predictor. Nilai accuracy yang didapatkan pada skenario kedua mengalami penurunan jika dibandingkan dengan skenario pertama, sedangkan nilai accuracy pada skenario ketiga mengalami peningkatan jika dibandingkan dengan skenario kedua.
Penurunan nilai accuracy pada skenario kedua terjadi pada saat jumlah attribut predictornya dikurangi, begitu pula yang terjadi pada peningkatan nilai accuracy skenario ketiga. Dari hasil ini dapat dianalisa bahwa yang mempengaruhi nilai accuracy pada pengujian jumlah attribut predictor adalah kualitas dari attribut predictor-nya, dan bukan kuantitasnya.
Hal ini dapat dilihat pada skenario ketiga yang seharusnya mengalami penurunan apabila jumlah attribut predictor-nya dikurangi, akan tetapi pada skenario ketiga menunjukkan hasil
yang sebaliknya.
Berdasarkan hasil pengujian yang didapatkan, maka dapat disimpulkan bahwa skenario pertama dengan jumlah attribut predictor 10 mendapatkan hasil yang terbaik.
Hal ini terjadi dikarenakan attribut predictor yang dipilih pada skenario pertama menyediakan informasi untuk prediksi yang lebih banyak daripada skenario kedua, dan ketiga.
5.2. Pengujian Jumlah Decision tree
Gambar 4. Grafik Hasil Pengujian Decision tree
Pada Gambar 4 dapat dilihat hasil dari pengujian jumlah decision tree. Untuk nilai accuracy yang didapatkan pada skenario kedua, dan ketiga hasilnya mengalami peningkatan jika dibandingkan dengan skenario pertama.
Peningkatan hasil pengujian ini terjadi dikarenakan pada saat melakukan pengujian sebanyak 5 kali pada pengujian yang pertama, hasil yang didapatkan masih mengalami fluktuasi sehingga rata – rata yang didapatkan mengalami penurunan. Sedangkan pada hasil pengujian kedua dan ketiga fluktuasi nilainya semakin berkurang. Dari analisis ini dapat disimpulkan bahwa jumlah decision tree yang digunakan akan berpengaruh kepada nilai fluktuasinya.
Berdasarkan hasil pengujian yang didapatkan, maka dapat disimpulkan bahwa skenario ketiga dengan jumlah decision tree 60 mendapatkan hasil yang terbaik. Hal ini terjadi dikarenakan hasil kelas prediksi dari proses voting yang dilakukan 60 decision tree sudah banyak yang selaras dengan kelas asli.
78%
80%
82%
84%
86%
88%
Accuracy Precision Recall F1 Score
Pengujian Jumlah Attribut Predictor
Skenario 1 = 10 Skenario 2 = 6 Skenario 3 = 4
74%
76%
78%
80%
82%
84%
86%
88%
Accuracy Precision Recall F1 Score
Pengujian Jumlah Decision tree
Skenario 1 = 10 Skenario 2 = 25 Skenario 3 = 60
5.3. Pengujian Kedalaman Decision tree
Gambar 5. Grafik Hasil Pengujian Kedalaman
Pada Gambar 5 dapat dilihat hasil dari pengujian kedalaman decision tree. Untuk nilai accuracy, dan nilai precision yang didapatkan pada skenario kedua, dan ketiga hasilnya mengalami peningkatan jika dibandingkan dengan skenario pertama. Peningkatan nilai accuracy, dan precision terjadi pada saat jumlah kedalaman decision tree ditambahkan. Jadi pada saat batas maksimal kedalaman dari sebuah decision tree dikurangi, maka akan ada beberapa decision node yang seharusnya ada menjadi dihilangkan dan diganti menjadi leaf node. Hal inilah yang menyebabkan terjadinya peningkatan seiring bertambahnya jumlah kedalaman decision tree.
Berdasarkan hasil pengujian yang didapatkan, maka dapat disimpulkan bahwa skenario ketiga dengan batas maksimal kedalaman decision tree 10 mendapatkan hasil yang terbaik. Hal ini terjadi dikarenakan semakin dalam batas maksimal kedalamannya, maka semakin banyak pula proses splitting yang dilakukan. Proses splitting dilakukan dengan tujuan untuk menghasilkan decision node baru yang akan berperan sebagai penyeleksi informasi. Oleh karena semakin banyak penyeleksi informasinya, maka data uji akan diproses lebih panjang melalui decision node yang ada dan pada akhirnya akan menghasilkan keputusan yang lebih baik daripada keputusan yang dibuat oleh kumpulan decision tree yang hanya memiliki beberapa decision node.
5.4. Pengujian Jumlah Data
Gambar 6. Grafik Hasil Pengujian Jumlah Data
Pada Gambar 6 dapat dilihat hasil dari pengujian jumlah data. Untuk nilai accuracy, dan nilai recall yang didapatkan pada skenario kedua, dan ketiga hasilnya mengalami penurunan jika dibandingkan dengan skenario pertama. Penurunan hasil pengujian ini terjadi dikarenakan karakteristik dari data yang digunakan. Pada teori tentang technical analysis dinyatakan bahwa, technical analysis adalah jenis metode yang cocok untuk digunakan memprediksi trend saham dalam jangka waktu pendek. Oleh karena data yang digunakan merupakan data time-series, maka semakin banyak data yang digunakan menyebabkan semakin lamanya juga jangka waktunya. Hal inilah yang menyebabkan hasil pengujian semakin buruk seiring bertambahnya total data yang digunakan.
5.5. Pengujian Cross validation
Gambar 7. Grafik Hasil Pengujian Cross validation 0%
20%
40%
60%
80%
100%
120%
Accuracy Precision Recall F1 Score
Pengujian Kedalaman Decision tree
Skenario 1 = 2 Skenario 2 = 5 Skenario 3 = 10
70%
75%
80%
85%
90%
Accuracy Precision Recall F1 Score
Pengujian Jumlah Data
Skenario 1 = 500 Skenario 2 = 1000 Skenario 3 = 1500
0%
20%
40%
60%
80%
100%
Fold 1 Fold 2 Fold 3 Fold 4
Hasil Pengujian Cross Validation
Accuracy Random Forest Accuracy Decision Tree
Pada Gambar 7 dapat dilihat hasil pengujian cross validation. Dari hasil pengujian cross validation, dapat dibuktikan bahwa algoritma random forest memiliki tingkat akurasi yang lebih baik daripada algoritma decision tree untuk setiap fold. Hal ini terjadi dikarenakan adanya perbedaan pada proses pelatihan algoritma random forest, dan decision tree. Perbedaan yang pertama terdapat pada data latih yang digunakan, pada algoritma random forest data latih yang digunakan adalah subset data yang dipilih secara random dari data original, sedangkan pada proses pelatihan algoritma decision tree data latih yang digunakan adalah data originalnya. Perbedaan selanjutnya terdapat pada jumlah decision tree yang dibentuk. Pada algoritma random forest jumlah decision tree yang dibentuk dapat disesuaikan dengan kebutuhan, sedangkan pada proses pelatihan algoritma decision tree jumlah decision tree yang dibentuk hanyalah satu. Kedua perbedaan inilah yang membuat algoritma random forest mendapatkan hasil yang lebih baik daripada algoritma decision tree.
6. KESIMPULAN
Setelah proses pengujian terhadap sistem prediksi trend saham berdasarkan fitur analisis teknikal selesai, maka didapatkan beberapa kesimpulan yaitu :
• Fitur dari technical analysis lebih tepat untuk digunakan memprediksi trend harga saham jangka pendek karena memiliki hasil pengujian yang lebih baik.
• Fitur dari technical analysis yang dapat memperburuk hasil prediksi pada penelitian ini adalah chaikin indikator dengan periode hari 9.
• Sistem prediksi trend harga saham berdasarkan fitur technical analysis mendapatkan hasil yang cukup baik dengan akurasi sebesar 84% dan f1 skor sebesar 88%.
7. DAFTAR PUSTAKA
Adebiyi, A.A., Adewumi, A.O. and Ayo, C.K., 2014. Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction. 2014, pp.9–11.
Foundation, V., 2020. Predict the Level of
Income using Random Forest. (December 2019), pp.0–4.
Kamble, R.A. and Source, A.D., 2017. Short and Long Term Stock Trend Prediction using Decision Tree. pp.1371–1375.
Khaidem, L. and Dey, S.R., 2016. Predicting the Direction of Stock Market Prices using Random Forest. 00(00), pp.1–20.
Murphy, J.J., n.d. Analysis of the Financial Markets.
Nti, I.K., Adekoya, A.F. and Weyori, B.A., 2019. A Systematic Review of Fundamental and Technical Analysis of Stock Market Predictions. [online]
Artificial Intelligence Review, Springer Netherlands. Available at:
<https://doi.org/10.1007/s10462-019- 09754-z>.
Reed, A., 2020. Predicting the Direction of Stock Prices.
Siburian, V.W., 2018. Prediksi Harga Ponsel Menggunakan Metode Random Forest.
4(1), pp.978–979.
Utilization, I.T.S., 2019. Sentiment Analysis using Random Forest Algorithm-. 2(2), pp.29–33.
Wanjawa, B.W. and Muchemi, L., 2014. ANN Model to Predict Stock Prices at Stock Exchange Markets ANN Model to Predict Stock Prices at Stock Exchange Markets Wanjawa , Barack Wamkaya Abbreviated title : ANN Model for Stock Market Prediction Corresponding author : Wanjawa , Barack Wamkaya. (August).
