Perpustakaan Digital ITB

Penelitian ini menghasilkan model deep reinforcement learning untuk melakukan algorithmic trading cryptocurrency. Pembuatan model ditujukan untuk menghasilkan solusi yang mampu membantu trader memperoleh keuntungan yang lebih besar dibandingkan strategi tradisional. Strategi tradisional mampu digunakan untuk memperoleh keuntungan. Namun, strategi ini cenderung memerlukan pengetahuan, pengalaman, dan waktu yang lebih banyak dibandingkan dengan solusi berbasis machine learning agar dapat menghasilkan keuntungan yang optimal. Model akan dilatih untuk berdagang pada pasar cryptocurrency. Masukan model adalah data candlestick interval 1 menit dan technical indicator untuk pasangan cryptocurrency BTC/USDT. Model akan menghasilkan keluaran berupa sinyal buy, hold, atau sell. Pengembangan model dilakukan berdasarkan metodologi CRISP-DM. Model akan dibuat dengan algoritma PPO dan environment custom yang mengikuti interface gym. Transaction fee rate sebesar 0,1% akan ikut menjadi pertimbangan model dalam menentukan strategi. Model akan dilatih dan diuji dalam episode-episode yang berukuran konstan sebesar 720 timestep menit (12 jam). Posisi yang bisa dilakukan oleh model adalah netral (aset yang dimiliki berjumlah 0) dan long. Keuntungan yang diperoleh pada setiap posisi akan menjadi reward bagi model. Sistem reward juga akan dilengkapi dengan sistem pemberian penalti tertentu untuk mencegah model selalu menerapkan strategi Buy and Hold atau tidak pernah melakukan long. Kinerja model ditingkatkan melalui optimasi nilai hyperparameter dengan menggunakan Optuna. Kinerja model dibandingkan dengan strategi Buy and Hold. Pengujian yang telah dilakukan menunjukkan bahwa model yang dihasilkan pada penelitian ini masih belum dapat mengalahkan strategi Buy and Hold.