Ikhtisar

Strategi ini menggunakan jaringan saraf tiruan (ANN) untuk memprediksi perubahan harga di masa depan, dan menghasilkan sinyal perdagangan berdasarkan hasil prediksi. Strategi ini termasuk dalam strategi pengikut tren (trend following). Keunggulan strategi ini adalah kemampuannya mengidentifikasi tren non-linier yang kompleks, sehingga cocok untuk perdagangan jangka menengah hingga panjang. Namun, terdapat juga risiko bahwa hasil backtest mungkin bagus, tetapi kinerja di perdagangan nyata tidak optimal.

Prinsip Strategi

Strategi ini menggunakan jaringan saraf tiruan (ANN) untuk memprediksi persentase perubahan harga pada hari berikutnya.

Lapisan input hanya memiliki satu simpul input, yaitu persentase perubahan harga satu hari sebelumnya.

Lapisan tersembunyi terdiri dari 2 lapisan: lapisan pertama memiliki 5 simpul, lapisan kedua memiliki 33 simpul, keduanya menggunakan fungsi aktivasi tangen hiperbolik (tanh).

Lapisan output hanya memiliki satu simpul output, yang setelah melalui fungsi aktivasi linier langsung dijadikan sebagai hasil prediksi akhir.

Jika hasil prediksi lebih besar dari nilai parameter threshold, maka akan dihasilkan sinyal beli. Jika lebih kecil dari nilai negatif parameter threshold, maka akan dihasilkan sinyal jual.

Keunggulan Strategi

• Menggunakan model ANN untuk prediksi, mampu menyesuaikan dengan tren non-linier yang kompleks.
• Hanya menggunakan data satu hari sebagai input, tidak memerlukan banyak data historis.
• Mampu mengidentifikasi tren dalam rentang waktu yang lebih panjang.
• Menggunakan beberapa lapisan tersembunyi, kemampuan penyesuaian yang kuat.
• Fungsi aktivasi dan parameter telah dioptimalkan, sehingga efek prediksi cukup baik.

Risiko Strategi

• Algoritma ANN memiliki risiko overfitting, kinerja di pasar nyata mungkin tidak sebaik hasil backtest.
• Memerlukan data historis yang panjang untuk pelatihan, tidak cocok untuk saham yang baru listing.
• Parameter dan struktur perlu dioptimalkan berulang kali, efeknya tidak stabil.
• Hanya memprediksi perubahan harga satu hari, tidak dapat menilai tren jangka panjang.
• Ketika pasar memasuki periode sideways (fluktuasi), efeknya bisa memburuk.

Arah Optimasi

• Menambah variabel input, misalnya informasi volume perdagangan.
• Mencoba berbagai struktur ANN dan fungsi aktivasi yang berbeda.
• Mengoptimalkan parameter ANN untuk meningkatkan akurasi penyesuaian.
• Menambah jumlah sampel set pelatihan untuk menghindari overfitting.
• Memprediksi beberapa kerangka waktu untuk menilai tren jangka pendek dan panjang.
• Gabungkan dengan model lain, ensemble learning.
• Menggunakan indikator seperti volatilitas untuk memperkuat kontrol risiko.

Ringkasan

Strategi ini menggunakan model ANN untuk memprediksi perubahan harga, mampu mengidentifikasi tren non-linier yang kompleks, dan cocok untuk perdagangan jangka menengah hingga panjang. Namun, sifat kotak hitam model ANN juga membawa tantangan besar dalam perdagangan nyata. Kita perlu melakukan optimasi dari aspek fitur input, struktur model, parameter, ensemble learning, dan lain-lain, serta ditunjang dengan indikator analisis teknis tradisional untuk meningkatkan efek operasional dan mengurangi risiko di pasar nyata. Strategi kecerdasan buatan tetap harus dipadukan secara sempurna dengan strategi tradisional agar dapat memberikan hasil yang maksimal.