Edukasi dan Implementasi Algorithmic Trading Berbasis Random Forest sebagai Solusi Mitigasi Bias Psikologis bagi Komunitas Trader Pemula

Dede Jenal Irawan; Gina Purnama Insany

doi:10.59837/jpmm.v2i8.261

Authors

Dede Jenal Irawan Universitas Nusa Putra, Indonesia
Gina Purnama Insany Universitas Nusa Putra, Indonesia

DOI:

https://doi.org/10.59837/jpmm.v2i8.261

Keywords:

algorithmic trading, bias psikologis, machine learning, mitigasi risiko, random forest

Abstract

Trader pemula seringkali mengalami kerugian signifikan akibat bias psikologis seperti ketakutan, keserakahan, dan revenge trading yang mengganggu pengambilan keputusan rasional. Pengabdian masyarakat ini bertujuan memberikan edukasi dan implementasi sistem algorithmic trading berbasis Random Forest kepada komunitas trader pemula sebagai solusi mitigasi bias emosional dalam perdagangan emas (XAUUSD). Metode yang digunakan meliputi identifikasi masalah melalui diskusi dengan komunitas, perancangan algoritma menggunakan Python dengan integrasi API MetaTrader 5 secara local host, pelatihan model machine learning, serta evaluasi performa melalui backtesting dan pengujian real-time. Random Forest merupakan algoritma ensemble learning yang membangun ratusan decision trees untuk menghasilkan keputusan objektif berdasarkan voting mayoritas, sehingga mengurangi overfitting dan meningkatkan stabilitas prediksi. Hasil backtesting menunjukkan pertumbuhan modal dari $100 menjadi $10.875,15 sebagai indikator kemampuan model dalam mempelajari pola historis. Pada fase implementasi real-time market, sistem berhasil menghasilkan profit bersih $1.512,82 dari modal awal $484,36 dengan fitur proteksi risiko seperti stop loss, take profit, break even, trailing stop, dan averaging terukur. Kegiatan pengabdian ini memberikan dampak positif berupa peningkatan pemahaman trader pemula tentang trading sistematis berbasis data dan pengurangan kerugian akibat keputusan emosional impulsif.

References

Balcilar, M., Bonato, M., Demirer, R., & Gupta, R. (2017). The effect of investor sentiment on gold market return dynamics: Evidence from a nonparametric causality-in-quantiles approach. Resources Policy, 51, 77-84.

Barberis, N., Greenwood, R., Jin, L., & Shleifer, A. (2018). Extrapolation and bubbles. Journal of Financial Economics, 129(2), 203-227.

Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25(2), 197-227.

Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

Zhang, S., Zhang, S., Wang, B., & Habetler, T. G. (2020). Deep learning algorithms for bearing fault diagnostics—A comprehensive review: IEEE Access, 8, 29857–29881.

Dixon, M., Halperin, I. and Bilokon, P., (2020). Machine Learning in Finance: From Theory to Practice. Cham: Springer.

Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270(2), 654-669.

Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273.

Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep learning in finance. arXiv preprint arXiv:1602.06561.

Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint arXiv:1605.00003.

Krauss, C., Do, X. A., & Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. European journal of operational research, 259(2), 689-702.

Livingston, F. (2005). Implementation of Breiman’s random forest machine learning algorithm. ECE591Q Machine Learning Journal Paper, 1, 1-13.

Probst, P., Wright, M. N., & Boulesteix, A. L. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: data mining and knowledge discovery, 9(3), e1301.

Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied soft computing, 90, 106181.

Zhang, Z., Zohren, S., & Roberts, S. (2020). Deep learning for portfolio optimization. arXiv preprint arXiv:2005.13665.