Mukhammad, Izzati (2024) Penerapan Model Deep Learning GAN Dengan Attention Dalam Prediksi Tren Pasar Saham, Cryptocurrency, dan Forex. Other thesis, Institut Teknologi Sepuluh Nopember.
Text
5025201075-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy |
Abstract
Pasar keuangan merupakan sistem keuangan yang berkaitan dengan kegiatan perdagangan aset keuangan seperti saham, obligasi, mata uang asing, dan berbagai instrumen lainnya. Saham merupakan instrumen ekuitas yang mewakili kepemilikan di suatu perusahaan. Cryptocurrency dan pasar valuta asing (foreign exchange/FX) termasuk dalam pasar keuangan karena keduanya menyediakan sarana untuk melakukan transaksi keuangan dan pertukaran nilai antar mata uang yang berbeda. Cryptocurrency menawarkan cara alternatif untuk transaksi
dan penyimpanan nilai yang tidak terikat pada mata uang tradisional. Harga dari ketiga jenis pasar ini sangatlah fluktuatif. Untuk dapat memprediksi pergerakan harga pada ketiga pasar ini, teknologi deep learning dapat dimanfaatkan. Pada penelitian ini, digunakan algoritma deep learning untuk memprediksi dinamika pasar keuangan, khususnya pada saham, cryptocurrency, dan forex. Model Generative Adversarial Network (GAN) dan WGAN-GP yang ditingkatkan dengan mekanisme attention digunakan untuk memprediksi dinamika pasar dengan lebih efektif. Mekanisme attention memungkinkan model untuk fokus pada aspek-aspek kritis data, sehingga meningkatkan keakuratan dalam mengidentifikasi tren pasar masa depan. Data saham, cryptocurrency, dan pasar valuta asing yang digunakan dalam penelitian ini adalah Nvidia, Bitcoin, dan XAUUSD. Hasil penelitian menunjukkan bahwa model WGAN-GP tanpa mekanisme attention memberikan hasil terbaik untuk prediksi saham Nvidia, dengan Test RMSE sebesar 11.84 dan Test MAPE sebesar 0.69%. Untuk pasar cryptocurrency, model WGAN-GP dengan mekanisme attention memberikan hasil terbaik dengan Test RMSE sebesar 172.45 dan Test MAPE sebesar 0.36%. Sedangkan untuk pasar forex, model WGAN-GP dengan mekanisme attention juga memberikan hasil terbaik dengan Test RMSE sebesar 2.16 dan Test MAPE sebesar 0.06%. Penelitian ini menunjukkan bahwa integrasi model WGAN-GP dengan mekanisme attention dapat meningkatkan keakuratan prediksi tren harga di jenis pasar tertentu.
========================================================================================================================
Financial markets are financial systems that deal with the trading of financial assets such
as stocks, bonds, foreign currencies, and various other instruments. Stocks are equity
instruments that represent ownership in a company. Cryptocurrencies and the foreign exchange
(FX) market fall under financial markets as they both provide a means to conduct financial
transactions and exchange value between different currencies. Cryptocurrencies offer an
alternative way of transacting and storing value that is not tied to traditional currencies. The
prices of these three types of markets are highly volatile. To be able to predict the price
movements of these three markets, deep learning technology can be utilized. In this research,
deep learning algorithms are used to predict the dynamics of financial markets, especially in
stocks, cryptocurrencies, and forex. Generative Adversarial Network (GAN) and WGAN-GP
models enhanced with attention mechanism are used to predict market dynamics more
effectively. The attention mechanism allows the models to focus on critical aspects of the data,
thus improving the accuracy in identifying future market trends. The stock, cryptocurrency, and
foreign exchange market data used in this study are Nvidia, Bitcoin, and XAUUSD. The results
show that the WGAN-GP model without attention mechanism gives the best result for Nvidia
stock prediction, with Test RMSE of 11.84 and Test MAPE of 0.69%. For the cryptocurrency
market, the WGAN-GP model with the attention mechanism provides the best results with a
Test RMSE of 172.45 and a Test MAPE of 0.36%. As for the forex market, the WGAN-GP
model with the attention mechanism also provides the best results with a Test RMSE of 2.16
and a Test MAPE of 0.06%. This research shows that the integration of the WGAN-GP model
with the attention mechanism can improve the accuracy of price trend predictions in certain
market types.
Item Type: | Thesis (Other) |
---|---|
Subjects: | Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.6 Computer programming. |
Divisions: | Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
Depositing User: | Izzati Mukhammad |
Date Deposited: | 02 Aug 2024 02:10 |
Last Modified: | 02 Aug 2024 02:10 |
URI: | http://repository.its.ac.id/id/eprint/110150 |
Actions (login required)
View Item |