ANALISIS SENTIMEN BERITA DALAM TRADING FOREX MENGGUNAKAN R-CNN PADA DEEP RECURRENT Q-NETWORK

Setiap trader dalam perdagangan beraspirasi untuk membuat keputusan terbaik dalam transaksi jual beli dan memaksimalkan keuntungan yang mereka dapatkan. Metode Reinforcement Learning adalah metode yang berkembang dan populer untuk membuat prediksi di pasar keuangan. Setelah program AlphaGo mengalahkan pemain terkuat permainan papan Go Kontemporer Lee Sedol pada tahun 2016, metode ini digunakan untuk membuat sistem yang mampu mempelajari trading dari dirinya sendiri. Dalam review sistematis yang dilakukan oleh Terry Lingze Meng, semua artikel terbaru terkait prediksi saham dan forex yang menggunakan pembelajaran reinforcement sebagai metode utama hanya menggunakan data teknis masa lalu sebagai ruang kondisi. Dalam penelitian ini, penulis mengusulkan implementasi word2vec dan Recurrent Convolution Neural Network ke dalam jaringan saraf agen untuk memberikan kemampuan agen dalam membaca dan mengolah faktor fundamental melalui judul berita yang disediakan. Teknik action augmentation digunakan untuk mengurangi eksplorasi acak yang dilakukan oleh agen. Simulasi akan dijalankan pada riwayat perubahan harga untuk 7 pasangan mata uang yang paling sering diperdagangkan. Implementasi ini menunjukkan dampak penambahan ruang kondisi judul berita dapat meningkatkan pengelolaan resiko dan menurunkan nilai titik penarikan maksimum pada hampir semua pasangan mata uang yang diuji dengan peningkatan paling tinggi hingga 57,9% pada pasangan mata uang GBPUSD dari 7,9% menjadi 3,32%.