<![CDATA[Bursa valas, pasar finansial terbesar di dunia dengan transaksi harian $5 triliun USD, adalah tempat investor dan pedagang membeli, menjual, dan menukar mata uang asing. Menghadapi tantangan membuat keputusan perdagangan yang tepat, inovasi teknologi seperti machine learning menawarkan solusi. Khususnya, Deep Reinforcement Learning (DRL), yang telah menunjukkan keunggulan atas manusia dalam berbagai tugas, termasuk game, menjanjikan potensi revolusioner dalam perdagangan valas. Menggunakan algoritma Deep Q-Network (DQN) Learning, penelitian ini bertujuan untuk mengembangkan model yang dapat memaksimalkan keuntungan dan meminimalkan risiko dalam lingkungan perdagangan yang kompleks dan dinamis. Kami menerapkan Deep Q-network (DQN) dan Deep Recurrent Q-network (DRQN) untuk mengembangkan sistem perdagangan harian otomatis pada pasangan mata uang EURUSD, memanfaatkan data perdagangan harian sebagai indikator lingkungan. Dalam penelitian kami, kinerja agen DRL dibandingkan dengan model tradisional dan DQN acak, menunjukkan bahwa algoritma DQN kami mengungguli model standar, sementara DRQN lebih superior, memanfaatkan pola tersembunyi dalam data urutan waktu. Hasil ini menekankan potensi penggunaan machine learning untuk menciptakan sistem perdagangan valas yang efisien dan menghasilkan keuntungan jangka panjang secara konsisten, menggambarkan langkah maju signifikan dalam teknologi perdagangan. Kata kunci: Machine Learning, Prediksi Harga Valas, Perdagangan Otomatis, Deep Reinforcement Learning]]>
Copyrights © 2024
