Perpustakaan Digital ITB

Fenomena algorithmic trading adalah suatu fenomena yang sedang marak terjadi belakangan ini. Pesatnya perkembangan algoritma kecerdasan buatan dan menggiurkannya berinvestasi di pasar saham membuat kebolehan algorithmic trading dilirik, baik dari sisi akademis seperti halnya pengembangan algoritma, maupun sisi investasi seperti halnya bisnis. Tesis ini bertujuan untuk menerapkan algoritma Deep QNetwork yang merupakan algoritma dari Deep Reinforcement Learning dan membandingkan hasilnya dengan metode optimasi konvensional: metode DJIA dan metode Sharpe ratio. Berbeda dari supervised- dan unsupervised- learning, reinforcement learning bekerja dengan cara mensimulasikan sistem ke dalam dua bagian utama, yakni interasi antara agent dan environment. Data bersumber dari Dow Jones Industrial Average, diurutkan berdasarkan market capital, yang dibagi menjadi: training (1 Januari 2009 s.d. 31 Desember 2019); validasi (1 Januari 2020) s.d. 31 Desember 2021); dan testing (1 Januari 2022 s.d. 14 Desember 2023). Hasil simulasi menunjukkan bahwa penghasilan portofolio yang didapat mengungguli dua metode konvensional. Namun perlu dicatat bahwa hasil ini tidak berlaku mutlak karena environment yang dibuat perlu terus diperbaharui mengikuti fluktuasi pasar saham.