Halo, komunitas! 👋
Pasar cryptocurrency adalah kekacauan, volatilitas, dan stres 24/7. Dapatkah kita menjinakkannya dengan matematika dan kode?
Belakangan ini saya bekerja pada proyek pet — agen perdagangan berbasis Ensemble Machine Learning. Ini bukan hanya "bot di RSI", tetapi arsitektur kompleks yang menggabungkan tiga jaringan saraf berbeda untuk pengambilan keputusan.
Saya ingin berbagi rincian teknis dan arsitektur. Ini adalah tinjauan teknis murni dari eksperimen, bukan ajakan untuk bertindak.
🧠 "Otak" sistem: Apa itu Ensemble Learning?
Satu model sering kali melakukan kesalahan. Oleh karena itu, saya menggunakan pendekatan Ensemble — ini seperti dewan direksi, di mana keputusan diambil dengan pemungutan suara dari tiga ahli berbeda.
Agen saya menganalisis pasangan (BTC, ETH, BNB, SOL, XRP) pada berbagai kerangka waktu, menggunakan tiga model:
1. CatBoost (Analis):
• Algoritma boosting gradien.
• Apa yang dilakukan: Mencari hubungan non-linear antara 31 indikator (RSI, volume, volatilitas).
• Kekuatan: Akurasi tertinggi (AUC ~0.75) pada data tabel.
2. Transformer (Strategi):
• Arsitektur yang sama yang menjadi dasar ChatGPT, tetapi untuk angka.
• Apa yang dilakukan: Menganalisis 512 candle sejarah melalui mekanisme Self-Attention.
• Kekuatan: Melihat pola global dan konteks jangka panjang.
3. TCN (Taktik):
• Jaringan Konvolusional Temporal (Temporal Convolutional Network).
• Apa yang dilakukan: Fokus pada tren lokal.
• Kekuatan: Sangat cepat dan efisien untuk prediksi jangka pendek.
📊 Bagaimana keputusan diambil?
Setiap model "memilih". Agen mengambil rata-rata tertimbang dari prediksi mereka. Ini memungkinkan untuk memfilter sinyal yang salah: jika satu model panik, sementara dua lainnya tenang — transaksi tidak dibuka.
🛡 Manajemen risiko > Keuntungan
Masalah utama bot adalah mereka dapat "menghabiskan" deposit dalam semalam. Oleh karena itu, saya membangun sistem perlindungan sebelum mengajarinya untuk berdagang:
• Stop dinamis: Stop-Loss dan Take-Profit tidak tetap, tetapi disesuaikan dengan volatilitas pasar (melalui ATR). Jika pasar bergetar — stop lebih lebar, jika datar — lebih sempit.
• Arsitektur dua kecepatan:
• Siklus Lambat (5 menit): Memikirkan, memilih koin terbaik untuk Daftar Pantau.
• Siklus Cepat (1 detik): Melakukan transaksi, memantau spread dan likuiditas.
• Perlindungan dari "Tilt": Pembatasan kerugian harian (maks 3%), batas posisi terbuka dan periode cooldown antara transaksi.
📈 Hasil tes (Angka yang Jujur)
Pada data historis (Backtesting) sistem menunjukkan metrik AUC pada level 0.71-0.73.
Untuk referensi: AUC 0.5 — ini seperti pelemparan koin. AUC 0.7+ — ini sudah memiliki kemampuan yang secara statistik signifikan untuk memprediksi arah.
Ini tidak berarti tombol "uang", tetapi ini memberikan harapan matematis positif dengan menerapkan manajemen risiko (rasio Risiko/Reward 1:2).
🚀 Roadmap: Apa selanjutnya?
Proyek dalam tahap pengembangan aktif. Berikut yang saya rencanakan untuk ditambahkan:
1. Analisis Orderbook: Melatih jaringan saraf untuk melihat tidak hanya harga, tetapi juga buku pesanan (keseimbangan antara pembeli/penjual).
2. Adaptasi Regime: Agen harus memahami sendiri apa yang terjadi di pasar: tren atau sideways, dan secara otomatis mengubah bobot model.
3. Reinforcement Learning (RL): Menambahkan agen yang akan belajar mengelola ukuran posisi, "menghukum" dirinya sendiri atas kerugian dan "memberi penghargaan" atas masuk yang benar.
💻 Tumpukan teknis: Python, Asyncio, PyTorch, CatBoost. Perangkat keras: NVIDIA RTX 4070.
Menarik untuk mendengar pendapat pengembang dan trader lain: bagaimana pandangan Anda tentang AI dalam perdagangan? Apakah Anda percaya bahwa algoritma dapat mengalahkan pasar dalam jangka panjang?
Tulis di kolom komentar! 👇
