Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2023

Gambaran Umum Teknik Berbasis Machine Learning, Deep Learning, dan Reinforcement Learning dalam Keuangan Kuantitatif: Kemajuan dan Tantangan Terkini

Tinjauan ini menyurvei penerapan machine learning, deep learning, reinforcement learning, dan deep reinforcement learning dalam keuangan kuantitatif dan peramalan pasar saham, menyoroti kemajuan terkini dan menguraikan arah penelitian mendatang.
S. Sahu; A. Mokhade; N. Bokdeยท Applied Sciencesยท 2023ยท DOI 10.3390/app13031956

Masalah inti

Peramalan perilaku pasar saham adalah masalah klasik namun sulit yang telah menarik perhatian para ekonom maupun ilmuwan komputer. Selama dua dekade terakhir, para peneliti telah mengeksplorasi model linear dan model berbasis machine learning (ML), deep learning (DL), reinforcement learning (RL), serta deep reinforcement learning (DRL) untuk membangun model prediktif yang akurat. Makalah ini bertujuan menjelaskan kegunaan teknik-teknik tersebut dalam keuangan kuantitatif (QF) dan pasar saham, serta menguraikan kemungkinan jalur penelitian mendatang. Para penulis mencatat bahwa algoritma ML kini dapat mengekstraksi pola data pasar keuangan tingkat tinggi, dan investor menggunakan model DL untuk mengantisipasi serta mengevaluasi pasar saham dan valuta asing berkat keunggulan AI. Dalam beberapa tahun terakhir terjadi proliferasi DRL dalam perdagangan algoritmik, dengan agen DRL yang menggabungkan prediksi harga dan produksi sinyal perdagangan untuk membangun sistem atau strategi perdagangan yang sepenuhnya otomatis.

Inovasi

Sebagai makalah tinjauan, metodologinya melibatkan gambaran sistematis atas literatur tentang ML, DL, RL, dan DRL dalam QF. Para penulis menyintesis kemajuan terkini, mengategorikan teknik, dan membahas tantangan. Makalah ini kemungkinan mencakup:
- **Model ML**: model linear, support vector machine, metode berbasis pohon, dan sebagainya.
- **Model DL**: recurrent neural network (RNN), long short-term memory (LSTM), convolutional neural network (CNN), transformer.
- **RL dan DRL**: Q-learning, policy gradient, deep Q-network (DQN), metode actor-critic.
Tinjauan ini juga menguraikan arah penelitian mendatang berdasarkan gambaran yang disajikan. Tidak ada persamaan atau diagram spesifik dalam konten mentah, tetapi formulasi tipikalnya meliputi:
- Prediksi harga:

dengan adalah vektor fitur.
- Tujuan RL: memaksimalkan ekspektasi imbal hasil
.

Pendahuluan
Peramalan perilaku pasar saham adalah masalah klasik namun sulit yang telah menarik perhatian para ekonom maupun ilmuwan komputer. Selama dua dekade terakhir, para peneliti telah mengeksplorasi model linear dan model berbasis machine learning (ML), deep learning (DL), reinforcement learning (RL), serta deep reinforcement learning (DRL) untuk membangun model prediktif yang akurat. Makalah ini bertujuan menjelaskan kegunaan teknik-teknik tersebut dalam keuangan kuantitatif (QF) dan pasar saham, serta menguraikan kemungkinan jalur penelitian mendatang. Para penulis mencatat bahwa algoritma ML kini dapat mengekstraksi pola data pasar keuangan tingkat tinggi, dan investor menggunakan model DL untuk mengantisipasi serta mengevaluasi pasar saham dan valuta asing berkat keunggulan AI. Dalam beberapa tahun terakhir terjadi proliferasi DRL dalam perdagangan algoritmik, dengan agen DRL yang menggabungkan prediksi harga dan produksi sinyal perdagangan untuk membangun sistem atau strategi perdagangan yang sepenuhnya otomatis.

Mengapa penting

Para penulis membahas kegunaan ML, DL, RL, dan DRL dalam QF dan pasar saham, serta menguraikan kemungkinan jalur penelitian mendatang. Tantangan yang mungkin ada meliputi kualitas data, overfitting, non-stasioneritas, interpretabilitas, dan kompleksitas komputasi. Tinjauan ini bertujuan memungkinkan peneliti yang tertarik untuk tetap mengikuti perkembangan dan dengan mudah meniru temuan sebelumnya. Arah mendatang dapat melibatkan model hibrida, generalisasi yang lebih baik, dan integrasi data alternatif. Makalah ini ditutup dengan merangkum kemajuan dan tantangan, memberikan landasan bagi penelitian lebih lanjut.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ