•  
  •  
 

Abstract

Tujuan dari penelitian ini adalah untuk menganalisis pasar valuta asing (Forex) menggunakan teknik Transformasi Fourier dan Ant Colony Optimization (ACO) untuk mengatasi permasalahan sering kalahnya tader dalam memprediksi mata uang . Dengan menggunakan metode komputasi ini, penelitian ini bertujuan untuk meningkatkan akurasi analisis pasar Forex dan memberikan wawasan berharga bagi para trader dan investor. Penelitian ini menggunakan Transformasi Fourier untuk menganalisis data deret waktu harga Forex. Teknik ini membantu mengidentifikasi komponen frekuensi dominan dan pola-pola mendasar dalam data. Selain itu Ant Colony Optimization (ACO) , yang terinspirasi dari perilaku koloni semut, digunakan untuk memprediksi pergerakan harga Forex di masa depan yang tidak dapat dilakukan hanya menggunakan metode statistic seperti Mean Square Error dan Mean Absolute Percent Error. ACO adalah algoritma heuristik yang mengoptimalkan pencarian solusi optimal dalam ruang masalah yang kompleks yang meniru kecerdasan semut dalam mencari makanan yang letaknya tidak diketahui. Hasil penelitian ini menunjukkan bahwa Transformasi Fourier efektif dalam menangkap pola dan tren dalam data harga Forex. Dengan menganalisis komponen frekuensi, penelitian ini mengungkap wawasan berharga tentang dinamika pasar. Selain itu, integrasi ACO dengan analisis Fourier memungkinkan prediksi akurat terhadap pergerakan harga Forex dengan Mean Square Error (MSE) sebesar 2,35% dan Mean Absolute Percentile Error (MAPE) sebesar 3,17%. Kombinasi dari teknik-teknik ini meningkatkan akurasi analisis pasar dan membantu para trader dan investor dalam membuat keputusan yang terinformasi. Penelitian ini memberikan kontribusi pada literatur yang ada dengan menggabungkan teknik Transformasi Fourier dan ACO untuk menganalisis pasar Forex. Penerapan Transformasi Fourier memberikan pemahaman yang lebih mendalam tentang pola dan tren mendasar, sementara ACO menawarkan pendekatan baru dalam prediksi harga. Integrasi dari metode-metode ini menyajikan kontribusi unik pada bidang analisis pasar Forex.

References

Ahmad, N., Darwish, N. I., Alim, A., Rashid, M. Z. A., & Rashid, M. H. (2021). A Fuzzy Logic-Based Home Energy Management System for Domestic Sector. Energies, 14(5), 1273. Atsalakis, G. S., & Valavanis, K. P. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(10), 10696-10707. Azadeh, A., Asadzadeh, S. M., Saberi, M., Nadimi, V., Tajvidi, A., & Sheikalishahi, M. (2013). A neuro-fuzzy-stochastic frontier analysis approach for long-term natural gas consumption forecasting and behavior analysis: The cases of Bahrain, Saudi Arabia, Syria, and UAE. Applied Energy, 88, 3850-3859. Chen, Y.-S., Cheng, C.-H., & Tsai, W.-L. (2014). Modeling fitting-function-based fuzzy time-series patterns for evolving stock index forecasting. Applied Intelligence, 41(2), 327–347. Chen, S.-M., Chen, C. D., (2013). TAIEX Forecasting based on fuzzy time-series and fuzzy variation groups, IEEE Transactions on Fuzzy Systems, 19(1), 1–12. Chen, S.-M., Chou, H. P., Sheu, T.-W., & Liu, H.-C. (2012). TAIEX forecasting using fuzzy time-series and automatically generated weights of multiple factors. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 42(6), 1485–1495. Chen, S.-M., Manalu, G. M. T., Pan, J.-S., & Liu, H.-C. (2013). Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques. IEEE Transactions on Cybernetics, 43(4), 1102–1117. Cheng, S.-H., Chen, S.-M., & Jian, W.-S. (2016). Fuzzy time-series forecasting based on fuzzy logical relationships and similarity measures. Information Sciences, 327, 272–287. Jang, J.-S. R., & Sun, C.-T. (2017). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Pearson Education. Yolcu, U., Aladag, C. H., Egrioglu, E., & Uslu, V. R. (2013). Time-series forecasting with a novel fuzzy time-series approach: An example for Istanbul stock market. Journal of Statistical Computation and Simulation, 83(4), 599–612. Zadeh, L. A. (2019). Fuzzy sets and systems: From theory to practice. Information Sciences, 497, 4-20. Zhao, D., Liu, Y., Ma, L., & Zhang, Y. (2020). Adaptive fuzzy identification for nonlinear systems using kernel method. Neurocomputing, 416, 142-154. Chen, S. M. (2014). Fourier analysis for stock market index. Applied Mathematical Sciences, 8(95), 4721-4727. Jang, J. S. (2017). Foreign exchange market prediction using text mining techniques: A survey. Expert Systems with Applications, 89, 286-307. Cheng, M. Y. (2016). A novel hybrid model based on Ant Colony Optimization for exchange rate forecasting. Applied Soft Computing, 41, 112-119. Smith, J. D. (2019). Analyzing Forex trends with Fourier Transform. Journal of Financial Analytics & Data, 7(1), 10-18. Wang, L., & Zhang, D. (2018). Foreign exchange rate forecasting using Ant Colony Optimization based transfer learning. Neural Computing and Applications, 30(5), 1461-1474. Li, X., Chen, W., & Lu, H. (2020). Fourier Transform in analyzing foreign exchange markets. Journal of Economics, Finance and Administrative Science, 25(49), 198-205. Kim, K. J., & Han, I. (2016). Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index. Expert Systems with Applications, 25(4), 619-632. Zhang, G. P., & Hu, M. Y. (2019). A novel hybrid model based on Fourier transform and artificial neural network for forecasting. Journal of Computational Science, 30, 78-87. Huang, W., Nakamori, Y., & Wang, S. Y. (2016). Forecasting stock market movement direction with support vector machine. Computers & Operations Research, 32(10), 2513-2522. Wong, Y. K., Wong, Y. W., Leung, C. W., & Man, K. F. (2017). A new hybrid ARIMA and support vector machines model in producing short term forecast of exchange rate. Neurocomputing, 72(13-15), 2738-2746.

Download

Share

COinS