Momen ‘iPhone’ Pembelajaran Mesin Crypto Semakin Dekat Saat Agen AI Melakukan Perdagangan di Pasar

Perdagangan yang didukung oleh AI belum mencapai “momen iPhone,” ketika setiap orang membawa manajer portofolio pembelajaran penguatan algoritmik di saku mereka, tetapi sesuatu yang serupa sedang dalam perjalanan, kata para ahli.

Faktanya, kekuatan AI bertemu dengan tantangannya saat menghadapi arena perdagangan yang dinamis dan penuh persaingan. Berbeda dengan agen AI yang didukung oleh rangkaian tak berujung mobil swakemudi yang belajar mengenali sinyal lalu lintas dengan akurat, tidak ada jumlah data dan pemodelan yang dapat memprediksi masa depan secara pasti.

Ini menjadikan penyempurnaan model perdagangan AI sebagai proses yang kompleks dan menuntut. Ukuran keberhasilan biasanya diukur dari keuntungan dan kerugian (P&L). Namun, kemajuan dalam cara menyesuaikan algoritma menghasilkan agen yang terus belajar untuk menyeimbangkan risiko dan imbal hasil saat menghadapi berbagai kondisi pasar.

Memungkinkan metrik yang disesuaikan dengan risiko seperti Rasio Sharpe untuk menginformasikan proses pembelajaran meningkatkan kompleksitas sebuah pengujian, kata Michael Sena, chief marketing officer di Recall Labs, sebuah perusahaan yang telah mengelola sekitar 20 arena perdagangan AI, di mana komunitas mengirimkan agen perdagangan AI, dan agen-agen tersebut bersaing selama periode empat atau lima hari.

“Ketika berbicara tentang memindai pasar untuk mendapatkan alpha, generasi pembangun berikutnya sedang mengeksplorasi kustomisasi dan spesialisasi algoritma, dengan mempertimbangkan preferensi pengguna,” kata Sena dalam sebuah wawancara. “Dioptimalkan untuk rasio tertentu dan bukan hanya P&L mentah lebih mirip dengan cara kerja lembaga keuangan terkemuka di pasar tradisional. Jadi, melihat hal-hal seperti, berapa maksimum drawdown Anda, berapa banyak nilai yang berisiko untuk menghasilkan P&L ini?”

Mengambil langkah mundur, kompetisi perdagangan terbaru di bursa terdesentralisasi Hyperliquid, melibatkan beberapa model bahasa besar (LLM), seperti GPT-5, DeepSeek, dan Gemini Pro, menetapkan batas dasar di mana posisi AI dalam dunia perdagangan. Semua LLM ini diberikan perintah yang sama dan menjalankan secara otonom, mengambil keputusan. Namun, menurut Sena, mereka tidak terlalu baik, hanya sedikit mengungguli pasar.

“Kami menggunakan model AI yang dipakai dalam kontes Hyperliquid dan membiarkan orang mengirimkan agen trading yang telah mereka bangun untuk bersaing melawan model-model tersebut. Kami ingin melihat apakah agen trading lebih unggul dibandingkan model dasar, dengan spesialisasi tambahan tersebut,” kata Sena.

Tiga posisi teratas dalam kompetisi Recall ditempati oleh model-model yang disesuaikan. “Beberapa model tidak menguntungkan dan berkinerja buruk, tetapi menjadi jelas bahwa agen perdagangan khusus yang mengambil model-model ini dan menerapkan logika tambahan serta inferensi dan sumber data dan hal-hal lainnya di atasnya, mengungguli AI dasar,” ujarnya.

Demokratisasi perdagangan berbasis AI mengajukan pertanyaan menarik tentang apakah akan ada alpha yang tersisa untuk ditutupi jika semua orang menggunakan tingkat teknologi pembelajaran mesin yang sama canggihnya.

“Jika semua orang menggunakan agen yang sama dan agen tersebut menjalankan strategi yang sama untuk semua orang, apakah itu semacam runtuh ke dalam dirinya sendiri?” kata Sena. “Apakah alpha yang terdeteksi hilang karena agen tersebut mencoba mengeksekusinya secara skala untuk semua orang?”

Itulah mengapa pihak yang paling siap untuk mendapatkan manfaat dari keunggulan yang akhirnya akan dibawa oleh perdagangan AI adalah mereka yang memiliki sumber daya untuk berinvestasi dalam pengembangan alat kustom, kata Sena. Seperti dalam keuangan tradisional, alat berkualitas tertinggi yang menghasilkan alfa terbesar biasanya tidak bersifat publik, tambahnya.

“Orang-orang ingin menjaga alat-alat ini seprivat mungkin, karena mereka ingin melindungi alpha tersebut,” kata Sena. “Mereka membayar mahal untuk itu. Anda bisa melihatnya pada hedge fund yang membeli set data. Anda juga dapat melihatnya pada algoritma proprietary yang dikembangkan oleh family office.

“Saya pikir titik manis yang magis adalah ketika ada produk yang menjadi manajer portofolio, namun pengguna tetap memiliki suara dalam strategi mereka. Mereka dapat mengatakan, ‘Beginilah cara saya suka berdagang dan ini adalah parameter saya, mari kita terapkan sesuatu yang serupa, tetapi buatlah lebih baik.’”