Pemanfaatan Recurrent Neural Network (RNN) Untuk Meningkatkan Akurasi Prediksi Mata Uang Pada Forex Trading
DOI:
10.51519/journalsea.v4i2.505Keywords:
Machine Learning, Recurrent Neural Network, Long Short Term Memory, Prediksi Mata Uang, Forex TradingAbstract
Penelitian ini berfokus pada penerapan teknologi machine learning, khususnya Recurrent Neural Network (RNN) dan variasinya seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk meningkatkan akurasi dalam prediksi pergerakan mata uang di pasar Forex. Dalam konteks di mana machine learning mendominasi analisis data cepat dalam trading forex, risiko keuangan yang tinggi, ketidakpastian pasar yang kompleks, dan tantangan ketidakakuratan prediksi model menjadi kendala utama. Penelitian ini membahas kemampuan RNN dalam memproses data berurutan dan mempertahankan informasi jangka pendek, yang menawarkan solusi terhadap keterbatasan neural network konvensional dalam analisis data berurutan. Dengan menggunakan data harga EUR/USD dari dua tahun terakhir, kami menemukan bahwa implementasi RNN, khususnya melalui LSTM dan GRU, menghasilkan penurunan signifikan dalam kesalahan prediksi, menunjukkan peningkatan kinerja model. Hasil ini menegaskan efektivitas RNN dalam memprediksi dinamika pasar Forex dan menjanjikan pendekatan yang lebih akurat dan andal dalam pemodelan dan peramalan harga mata uang, yang merupakan kunci untuk praktik trading Forex yang sukses. Ini memperkuat potensi machine learning dalam menyediakan alat yang kuat untuk trader dan analis dalam menghadapi pasar yang sangat tidak pasti dan fluktuatif.
References
N. Karnaukh, A. Ranaldo, and P. Söderlind, “Understanding FX Liquidity,” Rev. Financ. Stud., vol. 28, no. 11, pp. 3073–3108, 2015.
M. L. De Prado, Advances in financial machine learning. books.google.com, 2018.
T. J. Sejnowski, The deep learning revolution. books.google.com, 2018.
L. Di Persio and M. Frigo, “Maximum likelihood approach to Markov switching models,” WSEAS Trans. Bus. Econ., vol. 12, pp. 239–242, 2015.
L. Di Persio and M. Frigo, “Gibbs sampling approach to regime switching analysis of financial time series,” J. Comput. Appl. Math., vol. 300, pp. 43–55, 2016.
L. Di Persio, O. Honchar, L. Di Persio, and O. Honchar, “Artificial neural networks architectures for stock price prediction: Comparisons and applications,” Int. J. circuits, Syst. signal Process., vol. 10, 2016.
L. DI PERSIO and C. Benazzoli, “Default contagion in financial networks,” Int. J. Math. Comput. Simul., vol. 10, pp. 112–117, 2016.
E. Hurwitz and T. Marwala, “State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation,” arXiv Prepr. arXiv0910.2276, 2009.
F. Butaru, Q. Chen, B. Clark, S. Das, A. W. Lo, and A. Siddique, “Risk and risk management in the credit card industry,” J. Bank. Financ., vol. 72, pp. 218–239, 2016.
M. P. Naeini, H. Taremian, and H. B. Hashemi, “Stock market value prediction using neural networks,” in 2010 international conference on computer information systems and industrial management applications (CISIM), 2010, pp. 132–136.
X. Ding, Y. Zhang, T. Liu, and J. Duan, “Deep learning for event-driven stock prediction,” in Twenty-fourth international joint conference on artificial intelligence, 2015.
J. Wang and J. Wang, “Forecasting energy market indices with recurrent neural networks: Case study of crude oil price fluctuations,” Energy, 2016.
S. Selvin, R. Vinayakumar, “Stock price prediction using LSTM, RNN and CNN-sliding window model,” Adv., 2017.
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
A. Oztekin, R. Kizilaslan, S. Freund, and A. Iseri, “A data analytic approach to forecasting daily stock returns in an emerging market,” Eur. J. Oper, 2016.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Abdillah Baradja, Sukoco Sukoco
This work is licensed under a Creative Commons Attribution 4.0 International License.
