Dari Analisis ke Prediksi: Bagaimana AI Membentuk Sinyal yang Siap Diperdagangkan?

I. Masalah Prediksi vs. Masalah Perdagangan Tidak Setara

Dalam machine learning, tugas umumnya berupa memprediksi pergerakan harga, keuntungan, atau volatilitas untuk n periode ke depan.

Namun, dalam perdagangan, struktur masalah jauh lebih kompleks dengan sedikitnya empat lapisan keputusan:

• Memutuskan apakah akan melakukan perdagangan;
• Menentukan arah perdagangan dan ukuran posisi;
• Menetapkan durasi holding dan kondisi keluar;
• Menentukan kapan mengurangi frekuensi atau menghentikan strategi.

Artinya, meskipun prediksi sangat akurat, keuntungan stabil belum tentu tercapai.

Skenario umum: model mampu mengidentifikasi sebagian besar pergerakan kecil, tetapi berulang kali gagal pada swing besar yang jarang terjadi, sehingga kerugian tail menghapus keuntungan yang telah terkumpul.

Kesimpulan utama Lesson 3: nilai sinyal berasal dari “eksekutabilitas,” bukan sekadar satu metrik prediksi.

II. Tiga Jalur Utama Pembentukan Sinyal

Model Berbasis Rule

Model berbasis rule dibangun dengan logika yang jelas, seperti “breakout + konfirmasi volume + filter risiko.”

Model ini memiliki interpretasi yang kuat, deployment cepat, dan biaya debugging rendah.

Keterbatasannya adalah kurang mampu menangkap hubungan nonlinear yang kompleks, serta membutuhkan rekonstruksi rule manual saat struktur pasar berubah.

Model Berbasis ML

Pendekatan machine learning mempelajari hubungan nonlinear melalui berbagai faktor, umumnya pada model pohon, time-series, dan probabilistic scoring.

Kelebihan utamanya: mampu menangani input berdimensi tinggi dan menemukan kombinasi di luar rule manual.

Risiko yang muncul: overfitting, interpretasi yang menurun, dan ambang pemeliharaan strategi lebih tinggi.

Kerangka Hybrid

Kerangka hybrid biasanya menggabungkan “keterbatasan rule + ranking model” atau “timing model + eksekusi rule.”

Jalur ini lebih umum dalam praktik karena menyeimbangkan fleksibilitas dan ketahanan:

• Rule menangani batas dan baseline;
• Model menangani penilaian probabilitas dan urutan prioritas.

Di sebagian besar sistem perdagangan menengah, kerangka hybrid lebih berkelanjutan daripada pendekatan rule murni maupun model murni.

III. Desain Target Sinyal: Lebih dari Arah—Mencakup Risiko dan State

Mendefinisikan label sebagai “naik/turun di masa depan” terlalu sederhana. Desain praktis biasanya mencakup tiga lapisan target:

1. Arah: probabilitas naik atau turun dalam n periode berikutnya;
2. Magnitudo: kisaran keuntungan yang diharapkan atau potensi drawdown;
3. State: apakah pasar sedang trending, ranging, squeeze, atau mengalami kontraksi likuiditas.

Masing-masing lapisan memiliki peran berbeda:

• Lapisan state menentukan aktivasi strategi;
• Lapisan arah menentukan bias posisi;
• Lapisan magnitudo dan risiko menentukan bobot posisi dan kekuatan stop-loss.

Hal ini mengubah tugas prediksi tunggal menjadi sistem keputusan berlapis, sehingga menurunkan risiko “arah benar tetapi perdagangan rugi.”

IV. Dari Skor Model ke Tindakan Perdagangan: Threshold dan Manajemen Kepercayaan

Output model biasanya berupa probabilitas atau skor—bukan instruksi beli/jual langsung.

Implementasi sinyal bergantung pada manajemen threshold dan eksekusi bertingkat:

• Kepercayaan rendah: tidak melakukan perdagangan atau hanya observasi;
• Kepercayaan sedang: percobaan posisi kecil;
• Kepercayaan tinggi: menambah bobot posisi, tetap dengan batas risiko.

Inti utamanya: “pelapisan sinyal,” bukan “pembobotan sama rata.”

Jika semua sinyal dieksekusi sama rata, akan terjadi perdagangan noisy, erosi biaya, dan turnover berlebihan.

Sistem matang berfokus pada kualitas sinyal net—mengurangi perdagangan berkualitas rendah dan meningkatkan efektivitas setiap perdagangan.

V. Evaluasi Sinyal Membutuhkan Lebih dari Akurasi

Evaluasi sinyal yang dapat diperdagangkan harus mencakup lima dimensi:

1. Prediksi: akurasi, recall, distribusi error, kalibrasi probabilitas;
2. Perdagangan: tingkat kemenangan, rasio untung/rugi, tingkat turnover, struktur periode holding;
3. Keuntungan: keuntungan kumulatif, drawdown maksimum, rasio keuntungan/drawdown;
4. Eksekusi: sensitivitas biaya, sensitivitas slippage, batas kapasitas;
5. Stabilitas: konsistensi performa di berbagai state pasar.

Jika sinyal hanya unggul pada metrik prediksi tetapi gagal pada dimensi perdagangan atau eksekusi, maka tidak memiliki nilai untuk perdagangan live.

Banyak strategi “hebat saat backtest tetapi gagal saat live” bukan berasal dari model, melainkan dari hilangnya rantai pemetaan sinyal ke perdagangan.

VI. Mekanisme Kegagalan Umum: Kegagalan Model Sering Berarti Pergeseran Struktur Pasar

Kegagalan perdagangan live biasanya berasal dari tiga jenis pergeseran:

• Pergeseran state: pasar trending berubah menjadi ranging, sinyal momentum kehilangan validitas;
• Pergeseran crowding: semakin banyak partisipan mengadopsi strategi serupa, sehingga keuntungan marginal terkompresi;
• Pergeseran biaya: setelah volatilitas menurun, frekuensi perdagangan asli menyebabkan rasio biaya meningkat tajam.

Oleh karena itu, sistem sinyal harus memiliki mekanisme pemantauan kegagalan seperti:

• Apakah tingkat hit dan rasio untung/rugi menurun bersamaan?
• Apakah distribusi sinyal terkonsentrasi secara abnormal?
• Apakah kualitas perdagangan dan slippage memburuk secara berkelanjutan?

Saat threshold terpicu, kurangi frekuensi/leverage atau hentikan sementara untuk menghindari kerugian berlipat di window kegagalan.

VII. Sinyal Unik di Pasar Kripto: Harga, Posisi, Interaksi Tiga Dimensi On-chain

Dibandingkan pasar tradisional, keunggulan kripto adalah observasi simultan terhadap aksi harga, posisi derivatif, dan arus dana on-chain.

Contoh sinyal komposit yang umum meliputi:

• Harga menembus zona kunci;
• Open interest meningkat dan funding rate memanas;
• Arus masuk stablecoin net menguat.

Struktur ini dapat menandakan penguatan tren—atau lonjakan rapuh setelah crowding leverage tinggi.

Karena itu, sinyal arah harus dipasangkan dengan filter risiko:

• Apakah funding rate masuk zona overheat?
• Apakah klaster likuidasi terlalu dekat dengan harga saat ini?
• Apakah kedalaman order book mampu menyerap dampak?

Hanya setelah lolos filter risiko, sinyal memiliki nilai eksekusi lebih tinggi.

VIII. Dari Model Tunggal ke Signal Factory: Jalur Iterasi Eksekutabel

Kursus merekomendasikan pendekatan iteratif “small system first” daripada langsung mengejar arsitektur kompleks. Langkah eksekusi:

1. Pilih satu tugas (misal, probabilitas arah 4 jam);
2. Bangun baseline yang dapat diinterpretasi (rule atau model ringan);
3. Selesaikan grading threshold dan pemetaan perdagangan;
4. Lakukan validasi out-of-sample dan rolling;
5. Observasi linkage “sinyal-eksekusi-hasil” live posisi kecil;
6. Perluas secara bertahap ke integrasi multi-sinyal (arah + risiko + state).

Keunggulan utama: diagnosabilitas, replayabilitas, iterabilitas—secara konsisten mengurangi ketidakpastian dari keputusan black-box.

IX. Ringkasan Lesson

Lesson ini berfokus pada “Bagaimana AI menghasilkan sinyal yang dapat diperdagangkan.” Kesimpulan utama:

• Pembentukan sinyal bukan sekadar tugas prediksi—ini tantangan rekayasa sistem keputusan;
• Kerangka rule-based, machine learning, dan hybrid memiliki batas masing-masing; jalur hybrid lebih praktis untuk implementasi;
• Sinyal yang dapat diperdagangkan harus memenuhi persyaratan prediksi, perdagangan, eksekusi, dan stabilitas secara simultan;
• Di pasar kripto, sinyal harus didasarkan pada harga, posisi, interaksi tiga dimensi on-chain—dengan filter risiko yang sesuai.

Inti: Prediktabilitas tidak sama dengan tradabilitas; nilai sinyal ditentukan oleh kualitas eksekusi dan pengendalian risiko secara bersamaan.

Lesson berikutnya akan membahas langkah selanjutnya dari closed loop: otomasi strategi—dari backtesting ke perdagangan live—dengan fokus pada rekayasa sistem sinyal untuk operasi berkelanjutan.