Portfolio Optimization with Genetic Algorithm (GA)

Optimizing portfolio allocation across Stocks, Crypto, and Mutual Funds (Reksadana) using a custom Genetic Algorithm (GA) approach.

---

📖 Deskripsi Singkat

Proyek ini bertujuan mencari komposisi portofolio optimal dengan menyeimbangkan antara return dan risk. Dengan pendekatan Algoritma Genetika (Genetic Algorithm), sistem akan:

• Membentuk populasi acak portofolio,
• Mengevaluasi berdasarkan fungsi fitness,
• Melakukan seleksi, crossover, dan mutasi, hingga menemukan kombinasi bobot terbaik.

$$ \text{Fitness} = \text{Return} - \lambda \times \text{Risk} $$

---

🧩 Fitur Utama

• ✅ Mengunduh data historis otomatis (via yfinance)
• ✅ Menghitung return dan kovarians tahunan
• ✅ Menjalankan optimasi berbasis Genetic Algorithm
• ✅ Visualisasi hasil (fitness history, efficient frontier, pie chart)
• ✅ Dapat digunakan untuk Saham, Crypto, dan Reksadana

---

⚙️ Instalasi

1️⃣ Clone Repository

git clone https://github.com/yuriya-dev/portfolio_optimization_genetic_algorithm.git
cd portfolio_optimization_genetic_algorithm

2️⃣ Install Dependencies

pip install -r requirements.txt

3️⃣ Jalankan Notebook

Buka file:

portfolio_optimization_ga.ipynb

di Jupyter Notebook atau VS Code (Jupyter extension).

---

💼 Ketentuan Setiap Jenis Aset

Saham

• Ticker format: 'BBCA.JK', 'ADRO.JK', dst

• Tahun bursa: 252 hari

• Risk Aversion: 0.5 – 1.0

• Contoh:

  TICKERS = ['BBCA.JK', 'ADRO.JK', 'PTBA.JK']
  RISK_AVERSION = 0.5

---

Crypto

• Ticker format: 'BTC-USD', 'ETH-USD', 'BNB-USD', 'SOL-USD'

• Pasar 24/7: gunakan 365 hari

• Risk Aversion: 1.0 – 1.5

• Saran: tambahkan batas maksimum per aset (misal max 50%)

• Contoh:

  TICKERS = ['BTC-USD', 'ETH-USD', 'BNB-USD', 'SOL-USD']
  RISK_AVERSION = 1.2

---

Reksadana

• Data: gunakan file CSV NAV (Nilai Aktiva Bersih) harian/bulanan

• Risk Aversion: 0.7 – 1.2

• Contoh:

  data = pd.read_csv('nav_reksadana.csv', index_col='Date', parse_dates=True)
  returns_daily = data.pct_change().dropna()

---

🧪 Cara Menjalankan Program

1. Atur parameter utama

   TICKERS = ['BTC-USD', 'ETH-USD', 'BNB-USD']
   START_DATE = '2022-01-01'
   RISK_AVERSION = 1.0
   POP_SIZE = 100
   GENERATIONS = 300

2. Jalankan semua cell di notebook

3. Lihat hasil akhir

   • Bobot terbaik disimpan di:

     outputs/best_portfolio_weights.csv
     

• Visualisasi hasil di:

  • outputs/fitness_plot.png
  • outputs/portfolio_pie.png
  • outputs/efficient_frontier.png
  • outputs/best_portfolio_weights.csv

---

📊 Contoh Output

Visualisasi	Deskripsi
	Evolusi fitness tiap generasi
	Perbandingan GA optimal vs portofolio acak
	Distribusi bobot tiap aset
best_portfolio_weights.csv	Bobot optimal tiap saham (file CSV)

---

📚 Dokumentasi & Penjelasan

🎓 Ingin Memahami Algoritma Lebih Dalam?

Kami menyediakan penjelasan lengkap untuk setiap cell dalam notebook!

📋 Apa yang akan Anda pelajari:

• 🧬 Algoritma Genetika - Bagaimana GA mencari portofolio optimal
• 📈 Return & Risk - Rumus perhitungan ekspektasi return dan volatilitas
• 🎯 Fungsi Fitness - Objektif optimasi dengan risk aversion
• 🔄 Evolusi - Proses seleksi, crossover, dan mutasi
• 📊 Visualisasi - Interpretasi efficient frontier dan komposisi portofolio

---

🔍 Preview Konten

Cell	Topik	Deskripsi
1-3	Setup	Import library & konfigurasi parameter
4-7	Data	Download & preprocessing data historis
8-11	Core GA	Inisialisasi & fungsi fitness
12-15	Evolution	Seleksi, crossover, mutasi & iterasi
16-22	Results	Portofolio optimal & visualisasi

💡 Pro Tip: Buka dokumentasi di tab terpisah sambil menjalankan notebook untuk pengalaman belajar yang optimal!

---

🧠 Saran Pengembangan

✨ Versi selanjutnya dapat menambahkan:

• Constraint tambahan (min/max bobot per aset)
• Integrasi biaya transaksi & pajak
• Rolling window (optimasi dinamis)
• Auto-update data real-time via API Binance / Yahoo
• Dashboard interaktif dengan Streamlit
• Multi-objective GA (NSGA-II) untuk memisahkan risiko & return

---

🧹 Dependencies

numpy
pandas
matplotlib
yfinance
tqdm

---

👨‍💻 Author

yuriya-dev 🌐 GitHub | 💼 LinkedIn

---

📜 Lisensi

Proyek ini dilisensikan di bawah MIT License. Silakan gunakan dan modifikasi dengan tetap mencantumkan atribusi.

---

“Optimization is not about perfection, but finding balance between risk and reward.” — Portfolio GA Project