Analisis Dan Implementasi Sistem Trading Otomatis Bitcoin Dengan Menggunakan Recurrent Reinforcement Learning

Bintang Aryo Dharmawan, Jondri Jondri

Abstract

Abstrak Bitcoin adalah salah satu cryptocurrency yang diminati untuk menjadi media investasi dalam mencapai keuntungan finansial. Meskipun investasi menggunakan Bitcoin sangat populer, investasi jenis ini memiliki risiko yang perlu dipertimbangkan. Untuk mengantisipasi risiko dalam berinvestasi menggunakan Bitcoin, sistem perdagangan diperlukan untuk berdagang secara otomatis. Sistem dibangun menggunakan dua metode komputasi, yaitu Recurrent Neural Network dan metode Reinforcement Learning yang kemudian disebut Recurrent Reinforcement Learning. Metode ini memerlukan nilai parameter yang tepat untuk memaksimalkan nilai sharpe ratio. Nilai sharpe ratio digunakan untuk mengukur kelebihan pengembalian, atau premi risiko, per unit deviasi dalam aset investasi atau strategi perdagangan. Dalam penelitian tugas akhir ini, dilakukan analisis terhadap parameter yang mempengaruhi kinerja sistem. Hasil yang diperoleh dari analisis yang telah dilakukan menyatakan bahwa sistem mendapatkan nilai sharpe ratio 0,10963. Nilai sharpe ratio yang didapatkan masih relatif tinggi karena suatu investasi dinilai beresiko rendah jika nilai sharpe ratio nya satu keatas. Kata Kunci:Bitcoin, Trading, Recurrent Reinforcement Learning,RRL Abstract Bitcoin is one of the cryptocurrency in demand to be an investment medium in achieving financial returns. Although investing using Bitcoin is very popular, this type of investment has risks that need to be considered. To anticipate risks in investing using Bitcoin, a trading system is needed to trade automatically. The system is built using two computational methods, namely Recurrent Neural Network and Reinforcement Learning method which is then called Recurrent Reinforcement Learning. This method requires the right parameter values to maximize the sharpe ratio value. Sharpe ratio values are used to measure excess returns, or risk premiums, per unit deviation in investment assets or trading strategies. In this final project research, an analysis of parameters that affect system performance is carried out. The results obtained from the analysis that has been done states that the system gets a sharpe ratio value of 0,10963. The value of the sharpe ratio obtained is still relatively high because an investment is considered low risk if the value of the sharpe ratio is one and above. Keywords: Bitcoin, Trading, Recurrent Reinforcement Learning, RRL

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0