Penerapan Reinforcement Learning untuk Strategi Trading Bitcoin: Studi Komparatif Algoritma PPO dan DQN

• ROMADHAN EDY PRASETYO
• 2025

---

Volatilitas tinggi pada Bitcoin menuntut strategi otomatis yang dapat beradaptasi dengan perubahan kondisi pasar dalam mengelola risiko. Studi ini membandingkan Proximal Policy Optimization (PPO) dan Deep Q-Network (DQN) untuk trading Bitcoin menggunakan data BTC/USDT timeframe 1 jam dari tahun 2019 hingga awal 2025. Model-model ini dilatih untuk menghasilkan sinyal beli dan jual berdasarkan indikator teknis seperti Relative Strength Index (RSI), Moving Average 20 (MA20), volatility, Moving Average Convergence Divergence (MACD), volume trend, Simple Moving Average 200 (SMA200), dan weekly trend. Semua fitur dihitung berdasarkan timeframe 1 jam. Evaluasi menunjukkan bahwa PPO cenderung bertransaksi secara lebih agresif dan memberikan kinerja yang lebih tinggi selama fase bullish, meskipun dengan risiko yang lebih besar di pasar yang tidak stabil. Di sisi lain, DQN bertransaksi secara lebih selektif dan mempertahankan stabilitas yang lebih baik dalam kondisi pasar yang sideways atau bergejolak. Temuan ini mendukung efektivitas reinforcement learning untuk perdagangan kripto yang adaptif dan menyoroti kekuatan komplementer antara PPO dan DQN di berbagai kondisi pasar.

• Bitcoin
• Cryptocurrency Trading
• Deep Q-Network
• Proximal Policy Optimization
• Reinforcement Learnin

https://repository.bsi.ac.id/repo/68488/Penerapan-Reinforcement-Learning-untuk-Strategi-Trading-Bitcoin:-Studi-Komparatif-Algoritma-PPO-dan-DQN
File full-text dikunci.