Tradingan – Teknik ini memanfaatkan fluktuasi harga dalam waktu singkat untu memperoleh profit dari pergerakan kecil. Untuk itu, trader yang menggunakan strategi scalping (scalper) bisa membuka dan menutup hingga ratusan posisi per hari untuk mendapat keuntungan kecil secara konsisten. Seiring berkembangnya teknologi dan meningkatnya kompleksitas pasar, scalper mulai mencoba beragam cara baru untuk menghasilkan keuntungan lebih besar.
Dalam hal ini, teknologi deep learning AI hadir sebagai alat yang membantu scalper beradaptasi dengan cepat, membuat keputusan berbasis data, dan mengoptimalkan strategi.
Baca: Viral: 7 Strategi Trading Forex, Saham dan Kripto Populer yang Pasti Cuan
Deep learning AI tidak hanya dapat merevolusi teknik scalping di era modern, namun juga membantu trader tetap relevan di pasar finansial yang kompetitif.
Mengenal Konsep Deep Learning AI
Deep learning AI adalah bagian dari machine learning yang menggunakan model saraf tiruan atau artificial neural networks. Mirip dengan jaringan otak manusia, jaringan ini terdiri dari banyak lapisan yang harus dilewati saat memproses dan menganalisis data.
Deep learning AI dapat menemukan pola-pola dalam data, kemudian menggunakan informasi tersebut untuk menghasilkan output final. Kesuksesan metode ini banyak bergantung pada kualitas dan kuantitas data yang diberikan, serta hyperparameter yang ditentukan oleh trader.
Model deep learning AI dapat mengenali gambar, teks, suara, dan pola-pola lain untuk menghasilkan prediksi akurat. Semakin besar jumlah data yang diberikan, semakin tinggi pula tingkat akurasinya.
Aplikasi Deep Learning AI dalam Scalping
Dalam konteks scalping, deep learning AI dapat digunakan untuk:
1. Analisis Data OHLC
Deep learning AI dapat membantu trader menganalisis data Open High Low Close (OHLC) dengan cepat dan akurat. Hal ini memungkinkan model deep learning untuk menemukan peluang trading dalam pergerakan harga jangka pendek hanya dalam hitungan menit bahkan detik.
Data OHLC sendiri adalah representasi pergerakan harga dalam periode waktu tertentu. Komponen data OHLC antara lain:
- Open (O): Harga pembukaan di awal periode.
- High (H): Harga tertinggi yang dicapai selama periode yang ditentukan.
- Low (L): Harga terendah yang dicapai selama periode yang ditentukan.
- Close (C): Harga penutupan di akhir periode.
Dalam jurnal Scalp the Foreign Exchange Market with Deep Reinforcement Learning, Tropmann-Frick dan Tran (2023) menggunakan model deep reinforcement learning untuk menganalisis data OHLC dan menghasilkan output tiap 15 menit. Tujuannya ialah untuk mengurangi waktu pelatihan dan kebutuhan komputasional.
Berikut rincian eksperimen yang dilakukan:
Data
Input terdiri atas data OHLC dengan interval 15 menit dan 1 jam untuk merepresentasikan pergerakan jangka pendek. Beberapa indikator teknikal seperti RSI, Bollinger Bands, MACD, dan Money Flow Index juga digunakan untuk meningkatkan akurasi prediksi.
Uji coba dilakukan pada EUR/USD selama Januari hingga Desember 2017 sebagai training data, juga Januari hingga Desember 2018 sebagai testing data.
Instruksi yang Diberikan
Agen dilatih untuk membuat keputusan pada setiap tick dengan mengambil salah satu dari order Buy, Sell, atau Hold. Setiap posisi yang dibuka bernilai 1 lot.
Pendekatan
- Agen dilatih untuk memaksimalkan infinite horizon discounted return (M1)
- Agen dilatih untuk memaksimalkan undiscounted return pada tiap transaksi (M2)
Hasil
Meskipun kondisi pasar di tahun 2018 sangat berbeda dengan di tahun 2017, kedua agen berhasil mencapai hasil positif pada setiap akhir tahun. Jika dibandingkan, hasil M2 jauh lebih baik dibandingkan M1. Drawdown maksimal M1 mencapai 33.5%, sedangkan drawdown maksimal M2 adalah 18.1%.
2. Prediksi Market
Setelah melewati pelatihan (training), model deep learning dapat memberikan probabilitas pergerakan harga dari beragam info market, sehingga trader dapat memutuskan untuk membuka posisi Buy atau Sell berdasarkan informasi fundamental dan sentimen pasar. Dalam hal ini, algoritma CNN (Convutional Neural Networks) diterapkan untuk menganalisis data berupa gambar dan teks seperti artikel, berita, post di media sosial, hingga laporan keuangan. Algoritma ini dapat membantu Anda mengidentifikasi sentimen pasar secara umum dan membuat prediksi berdasarkan kondisi pasar.
Baca: 25 Tips Disiplin Trading Saham Menurut Douglas Zalesky
Tahap-tahapnya adalah sebagai berikut:
- Pengumpulan data pasar historis yang melibatkan aspek-aspek seperti volume, open, close, high, dan low. Indikator ekonomi seperti suku bunga dan inflasi juga termasuk dalam data yang relevan.
- Filter data agar model tidak hanya fokus pada nilai tinggi, kemudian pisahkan data ke dalam kategori training data dan testing data.
- Pengembangan model neural network yang terdiri atas lapisan input, lapisan-lapisan tersembunyi, dan lapisan output.
- Pelatihan model dengan training data agar model bisa belajar dan mengasah kemampuan analisisnya.
- Hasil prediksi terkait pergerakan harga di masa depan akan keluar. Lakukan evaluasi secara berkala untuk memastikan akurasi model memenuhi target.
3. Algo Trading
Model deep learning juga dapat digunakan dalam algo trading. Sesuai namanya, teknik ini menggunakan algoritma komputer untuk membuat keputusan trading secara otomatis. Namun berbeda dengan algo trading biasa, trader yang menggunakan deep learning AI tidak perlu memasukkan instruksi secara manual dan menyelesaikan segala permasalahan sendiri. Model deep learning AI dapat mengeksekusi posisi trading secara otomatis, mendeteksi masalah, dan menawarkan solusi dengan cepat tanpa campur tangan manusia.
Selain itu, program algo trading biasa juga tidak dapat belajar dari data secara mandiri seperti model deep learning AI. Mereka hanya mengikuti instruksi manusia dan tidak dapat beradaptasi dengan kondisi pasar terbaru.
Contoh Penerapan Deep Learning AI dalam Scalping
Dalam artikel Medium yang ditulis oleh Fabrice Daniel, terdapat contoh penerapan deep learning AI untuk memprediksi tren intraday GBP/USD dengan akurat.
Berikut serangkaian data dan ketentuan yang digunakan dalam percobaan tersebut:
- Dataset: GBP/USD H1 dari 11 April 2011 hingga 30 Januari 2018. Terdiri dari 41/401 OHLC bar dalam kurun waktu 7 tahun.
- Training set: 2011-2014
- Validation set: 2015
- Label: Up/Down harga closing setelah N bar, dengan predictor sebagai classifier
Algoritma yang digunakan adalah Multilayer National Network (MLNN) dengan fungsi softmax untuk lapisan output, fungsi Categorical Cross-Entropy (CCE) untuk loss, dan tanh activation untuk lapisan-lapisan tersembunyi (hidden layers). Lapisan outputnya sendiri terdiri dari dua unit yaitu Up dan Down.
Model dilatih pada 500 epochs dengan ukuran batch 64. Epoch adalah satu iterasi atau putaran lengkap dari seluruh data pelatihan yang digunakan.
Akurasi model sempat mencapai 0.6, tapi terdapat sedikit overfitting setelah melewati 300 epoch. Meski demikian, Daniel mengatakan bahwa pasar finansial penuh noise sehingga sulit untuk mengharapkan hasil yang sempurna. Strategi yang ia gunakan adalah membuka posisi Buy ketika model memprediksi uptrend dan Sell ketika model memprediksi downtrend. Untuk memastikan efisiensi, uji coba dilakukan dengan data dalam periode tiga tahun (2015-2018) yang terpisah training data. Setelah menjalani sejumlah backtest dan modifikasi model, hasil yang diperoleh secara keseluruhan bernilai positif dan drawdown maksimal hanya sebesar 1%.
Kelebihan dan Kekurangan Deep Learning AI
Sebelum menggunakan deep learning AI dalam scalping, penting untuk mempertimbangkan hal-hal berikut:
Kelebihan
- Deep learning dapat memproses dan menganalisis data dalam jumlah besar secara bersamaan.
- Mampu mengidentifikasi pola kompleks yang mungkin sulit dideteksi secara manual serta meningkatkan akurasi prediksi dan mengurangi risiko human error.
- Kombinasi deep learning AI dan algo trading memungkinkan scalper untuk mengeksekusi posisi trading dengan cepat dan menghilangkan bias emosional dalam trading.
- Dapat beradaptasi dengan kondisi pasar yang terus berubah secara mandiri tanpa intervensi manusia.
Kekurangan
- Data harga forex yang kompleks dan penuh noise dapat menyebabkan overfitting, yaitu kondisi ketika model bekerja dengan baik saat uji coba namun justru kurang efektif saat live trading.
- Deep learning AI membutuhkan data yang berkualitas dan dalam jumlah besar. Hal ini dapat menjadi hambatan karena ketersediaan data forex masih relatif terbatas.
- Membangun model deep learning AI membutuhkan daya komputasi dan biaya yang tinggi.
Masa Depan Deep Learning AI di Dunia Trading
Teknologi berbasis AI terus berkembang pesat dan penerapannya juga semakin luas. Maka dari itu, tren penggunaan deep learning AI di dunia trading khususnya scalping terlihat cukup menjanjikan. Sebagai scalper, ada beberapa inovasi teknologi yang perlu diketahui untuk mengembangkan hasil analisis deep learning:
- Cloud Computing: Penggunaan server jarak jauh yang dihubungkan melalui internet. Bisa digunakan untuk hal-hal seperti penyimpanan data dan penambahan kekuatan komputasi.
- Edge Computing: Pemrosesan data melalui jaringan komunikasi dengan infrastruktur yang terdesentralisasi. Teknologi ini memungkinkan pemrosesan data secara real time, sehingga efektivitasnya lebih terjamin.
- Quantum Computing: Sistem yang menggunakan fisika quantum untuk menyelesaikan masalah kompleks. Dapat digunakan untuk menangani data dalam jumlah besar, menjalankan simulasi, dan mengoptimalkan analisis deep learning dalam waktu singkat.
FAQ Terkait Deep Learning AI untuk Scalping
Apa perbedaan deep learning dengan machine learning?
Deep learning merupakan cabang dari machine learning yang menggunakan sistem jaringan yang terinspirasi dari jaringan saraf dalam otak manusia. Jadi, deep learning adalah bagian dari machine learning, namun penggunaannya spesifik untuk masalah dan data kompleks.
Mengapa deep learning cocok untuk scalping?
Scalping merupakan strategi yang membutuhkan kecepatan dan tingkat akurasi tinggi. Para scalper biasanya menggunakan indikator teknikal untuk membantu mereka memprediksi pergerakan harga. Namun, metode ini seringkali masih kurang efektif khususnya saat pasar sedang sangat volatile. Deep learning AI dapat menjadi solusi karena mampu menganalisis data dalam jumlah besar dengan cepat dan menemukan pola-pola rumit yang sulit diidentifikasi manusia.
Bagaimana cara mengikuti perkembangan teknologi saat ini?
Mulailah dengan memahami konsep dasar deep learning dan bagaimana penerapannya dalam pasar finansial. Selain itu, latih juga skill programming Anda agar dapat lebih mudah memanfaatkan AI untuk trading.
Algo trading adalah hal lain yang patut dipertimbangkan. Saat ini, lebih dari setengah transaksi di pasar forex dibuat dengan trading bot atau program komputer. Mengkombinasikan deep learning dan algo trading dapat menjadi langkah yang tepat untuk tetap relevan di pasar kompetitif seperti forex.
