Penerapan Metode Deep Reinforcenment Learning Untuk Trading Saham Pada Bursa Efek Indonesia - Dalam bentuk buku karya ilmiah
KHALIFATUR RAUF

Informasi Umum

Kode

24.04.5343

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

161 kali

Informasi Lainnya

Abstraksi

<h5><strong>Dalam</strong> <strong>beberapa</strong> <strong>tahun</strong> <strong>terakhir,</strong> <strong>perdagangan</strong> <strong>saham</strong> <strong>semakin</strong> <strong>populer</strong> <strong>karena</strong> <strong>potensinya</strong> <strong>untuk</strong> <strong>mendapatkan keuntungan yang besar. Namun, banyak individu mengabaikan risiko yang melekat</strong> <strong>dalam perdagangan saham tanpa analisis yang memadai, yang sering kali menyebabkan kerugian yang</strong> <strong>signifikan. Untuk mengurangi risiko ini, beberapa orang beralih ke sistem perdagangan otomatis dan</strong> <strong>terprogram</strong> <strong>yang</strong> <strong>dikenal</strong> <strong>sebagai</strong> <strong>Expert</strong> <strong>Advisors.</strong> <strong>Penelitian</strong> <strong>ini</strong> <strong>menyelidiki</strong> <strong>penerapan</strong> <strong>Deep</strong> <strong>Reinforcement</strong> <strong>Learning</strong> <strong>(DRL)</strong> <strong>sebagai</strong> <strong>asisten</strong> <strong>perdagangan</strong> <strong>otomatis</strong> <strong>untuk</strong> <strong>meningkatkan</strong> <strong>pengambilan keputusan dalam perdagangan saham, dengan tujuan mencapai pengembalian aset yang</strong> <strong>tinggi sambil meminimalkan risiko. Secara khusus, penelitian ini menggunakan metode DRL seperti</strong> <strong>Advantage Actor-Critic (A2C) dan Proximal Policy Optimization (PPO). Melalui pengujian sistematis,</strong> <strong>pendekatan</strong> <strong>A2C</strong> <strong>mencapai</strong> <strong>Sharpe</strong> <strong>ratio</strong> <strong>sebesar</strong> <strong>1,6009</strong> <strong>dengan</strong> <strong>pengembalian</strong> <strong>kumulatif</strong> <strong>1,4468,</strong> <strong>sementara metode PPO mencapai Sharpe ratio sebesar 1,7628 dengan pengembalian kumulatif 1,4767.</strong> <strong>Metode-metode ini disesuaikan untuk learning rate yang optimal, rasio cut loss, dan take profit, yang</strong> <strong>menunjukkan</strong> <strong>potensinya</strong> <strong>dalam</strong> <strong>memperbaiki</strong> <strong>strategi</strong> <strong>perdagangan</strong> <strong>dan</strong> <strong>meningkatkan</strong> <strong>hasil</strong> <strong>perdagangan.</strong> <strong>Dengan</strong> <strong>memanfaatkan</strong> <strong>teknik-teknik</strong> <strong>DRL</strong> <strong>ini,</strong> <strong>penelitian</strong> <strong>ini</strong> <strong>bertujuan</strong> <strong>untuk</strong> <strong>mengembangkan</strong> <strong>strategi</strong> <strong>perdagangan</strong> <strong>yang</strong> <strong>lebih efektif</strong> <strong>yang</strong> <strong>menyeimbangkan keuntungan</strong> <strong>dan</strong> <strong>risiko,</strong> <strong>menekankan</strong> <strong>janji</strong> <strong>algoritma</strong> <strong>canggih</strong> <strong>dalam</strong> <strong>dunia</strong> <strong>perdagangan</strong> <strong>saham</strong> <strong>otomatis.</strong></h5> <strong>Kata</strong> <strong>kunci:</strong> <strong>deep</strong> <strong>reinforcement</strong> <strong>learning,</strong> <strong>perdagangan</strong> <strong>saham,</strong> <strong>sistem</strong> <strong>perdagangan</strong> <strong>otomatis, </strong><strong>advantage</strong> <strong>actor-critic,</strong> <strong>proximal</strong> <strong>policy</strong> <strong>optimization</strong><br />  

• CII4E4 - TUGAS AKHIR

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook