Rangkuman
- Di antara berbagai kerangka kerja perdagangan LLM, arsitektur Multi-Agent lebih mendekati alur kerja riset dan perdagangan institusi keuangan nyata dibandingkan menggunakan satu LLM untuk langsung menghasilkan sinyal beli dan jual.
- TradingAgents adalah kerangka kerja perdagangan finansial berbasis Multi-Agent LLM. Ide utamanya adalah menyimulasikan struktur organisasi perusahaan perdagangan nyata dan menguraikan keputusan perdagangan kompleks menjadi kolaborasi antara beberapa peran spesialis.
- Eksperimen dalam makalah asli menunjukkan bahwa TradingAgents mengungguli beberapa strategi baseline tradisional dalam backtesting pasar saham, meningkatkan keuntungan kumulatif, rasio Sharpe, dan drawdown maksimum.
- TradingAgents-BTC mencapai total keuntungan +20,25% selama periode pengujian, jauh melampaui keuntungan Buy and Hold pada periode yang sama sebesar -7,89%. Ini menunjukkan bahwa kerangka kerja tersebut memiliki kemampuan market timing aktif yang memadai dalam kondisi pasar tertentu.
- Periode backtesting saat ini hanya mencakup sekitar tiga bulan, sehingga periode sampel relatif pendek. Selain itu, perdagangan frekuensi 1 jam dapat dipengaruhi oleh biaya transaksi, slippage, dan penundaan sinyal. Penelitian selanjutnya perlu memvalidasi stabilitas strategi dalam jangka waktu lebih panjang dan lingkungan pasar yang berbeda.
1. Pendahuluan
Dalam beberapa tahun terakhir, semakin banyak studi yang mengeksplorasi penerapan LLM dalam skenario perdagangan finansial. Meskipun penelitian terkait belum menghasilkan produk standar yang matang, dunia akademis telah mengusulkan berbagai arah, termasuk asisten analisis finansial berbasis LLM, bot perdagangan, agen perdagangan dengan mekanisme memori, model perdagangan LLM yang dikombinasikan dengan pembelajaran penguatan, dan kerangka kerja perdagangan kolaboratif multi-agen.
Dibandingkan menggunakan satu LLM untuk langsung menghasilkan sinyal beli dan jual, arsitektur Multi-Agent lebih mendekati alur kerja riset dan perdagangan institusi keuangan nyata. Arsitektur ini dapat menguraikan tugas perdagangan menjadi beberapa peran, seperti analis teknis, analis berita, analis sentimen, peneliti, trader, dan manajer risiko. Agen yang berbeda memproses sumber informasi yang berbeda dan membentuk keputusan akhir melalui debat, perangkuman, dan tinjauan risiko. Struktur ini membantu mengurangi beban kognitif pada satu model sekaligus meningkatkan transparansi dan interpretabilitas proses pengambilan keputusan.
TradingAgents, yang diusulkan oleh Yijia Xiao dkk., adalah karya representatif dalam arah ini. Kerangka kerja ini menyimulasikan struktur organisasi perusahaan perdagangan nyata dan menetapkan beberapa peran. Sistem pertama-tama meminta analis mengumpulkan dan menganalisis informasi pasar, kemudian peneliti melakukan debat bullish dan bearish, setelah itu trader menghasilkan keputusan perdagangan, dan akhirnya tim manajemen risiko serta manajer dana melakukan tinjauan risiko dan konfirmasi eksekusi. Eksperimen dalam makalah asli menunjukkan bahwa TradingAgents mengungguli beberapa strategi baseline tradisional dalam backtesting pasar saham, meningkatkan keuntungan kumulatif, rasio Sharpe, dan drawdown maksimum.
Namun, eksperimen TradingAgents asli terutama berfokus pada pasar saham, sehingga penerapannya di pasar aset kripto masih perlu divalidasi. Oleh karena itu, memigrasikan TradingAgents ke pasar BTC memiliki nilai riset tertentu. Makalah ini membangun eksperimen backtesting perdagangan BTC berdasarkan TradingAgents untuk mengeksplorasi efektivitas kerangka kerja perdagangan Multi-Agent di pasar kripto.
2. Ikhtisar Arsitektur TradingAgents
TradingAgents adalah kerangka kerja perdagangan finansial berbasis Multi-Agent LLM. Terinspirasi oleh struktur organisasi perusahaan nyata, TradingAgents mendefinisikan empat kategori peran agen dalam perusahaan perdagangan yang disimulasikan: analis, peneliti, trader, manajemen risiko, dan manajer dana. Setiap agen diberi nama, peran, tujuan, dan batasan tertentu, serta memiliki konteks, Skills, dan alat yang telah ditentukan sebelumnya sesuai dengan fungsinya.
2.1 Tim Analis
Kerangka kerja TradingAgents asli terutama mencakup empat jenis analis:
- Analis Fundamental: Bertanggung jawab menganalisis kondisi keuangan perusahaan, profitabilitas, tingkat valuasi, laporan keuangan, laporan laba, dan informasi perdagangan orang dalam. Tujuannya adalah menentukan nilai investasi jangka panjang suatu aset dan mengidentifikasi apakah aset tersebut undervalued atau overvalued.
- Analis Sentimen: Bertanggung jawab menganalisis media sosial, komentar investor, diskusi publik, dan indikator sentimen pasar. Tujuannya adalah mengidentifikasi perubahan sentimen investor dan menentukan apakah sentimen tersebut dapat memengaruhi harga aset dalam jangka pendek.
- Analis Berita: Bertanggung jawab menganalisis peristiwa berita, pengumuman perusahaan, perubahan kebijakan, dan peristiwa makroekonomi. Tujuannya adalah mengidentifikasi informasi penting yang dapat memengaruhi tren pasar dan menilai dampak jangka pendek atau menengahnya.
- Analis Teknis: Bertanggung jawab menganalisis harga, volume perdagangan, dan indikator teknis seperti MACD, RSI, Bollinger Bands, rata-rata bergerak, dan indikator volatilitas. Tujuannya adalah menentukan tren pasar, kekuatan momentum, kondisi overbought/oversold, dan titik perdagangan potensial.
2.2 Tim Peneliti
Tim peneliti di TradingAgents biasanya terdiri dari dua agen dengan pandangan yang berlawanan:
- Peneliti Bullish: Menafsirkan informasi pasar dari perspektif positif, menekankan logika bullish, potensi pertumbuhan, faktor yang menguntungkan, dan alasan untuk membeli.
- Peneliti Bearish: Menafsirkan informasi pasar dari perspektif hati-hati atau negatif, menekankan risiko penurunan, tekanan valuasi, ketidakpastian pasar, dan faktor bearish potensial.
Kedua peneliti melakukan beberapa putaran debat di sekitar laporan analis. Setelah debat berakhir, sistem merangkum pendapat kedua belah pihak dan membentuk penilaian pasar yang relatif seimbang. Signifikansi mekanisme ini terletak pada pengenalan sudut pandang yang berlawanan.
2.3 Trader
Trader mengintegrasikan laporan terstruktur dari tim analis, pandangan peneliti, dan keadaan pasar saat ini untuk menghasilkan keputusan perdagangan awal (Beli/Jual/Tahan). Pada saat yang sama, trader juga memberikan alasan perdagangan, tingkat kepercayaan, dan risiko potensial. Outputnya tidak hanya mencakup sinyal tindakan tetapi juga penjelasan dalam bahasa alami. Hal ini membuat TradingAgents lebih mudah ditinjau dan diperbaiki dibandingkan dengan model kotak hitam tradisional.
2.4 Tim Manajemen Risiko
Tim manajemen risiko biasanya berisi tiga jenis agen dengan preferensi risiko yang berbeda:
- Manajer Risiko Agresif: Berfokus pada peluang keuntungan tinggi dan cenderung menerima risiko yang lebih tinggi dalam kondisi yang menguntungkan.
- Manajer Risiko Netral: Menjaga keseimbangan antara keuntungan dan risiko, berfokus pada apakah strategi memiliki rasio risiko-imbalan yang wajar.
- Manajer Risiko Konservatif: Memprioritaskan pengendalian drawdown dan risiko ekstrem, cenderung mengurangi posisi atau menghindari perdagangan dengan ketidakpastian tinggi.
Tim manajemen risiko mendiskusikan apakah keputusan trader masuk akal, termasuk apakah posisi saat ini terlalu besar, apakah volatilitas pasar terlalu tinggi, apakah ada risiko peristiwa, dan apakah ukuran perdagangan harus dikurangi. Setelah tinjauan risiko, sistem dapat mempertahankan rekomendasi awal atau menyesuaikan posisi dan tindakan perdagangan.
2.5 Manajer Dana dan Keputusan Akhir
Manajer dana berfungsi sebagai peran konfirmasi keputusan akhir di TradingAgents. Manajer dana meninjau diskusi dari tim manajemen risiko dan menentukan apakah akan menyetujui rekomendasi trader. Perannya mirip dengan penyetuju akhir di institusi perdagangan nyata, yang bertanggung jawab membuat trade-off akhir antara peluang keuntungan dan pengendalian risiko.
3. Kerangka Kerja Perdagangan Kripto Berbasis TradingAgents
Pasar kripto juga dipengaruhi oleh berbagai sumber informasi, termasuk tren harga, volume perdagangan, berita, kebijakan makro, aliran dana on-chain, dan sentimen pasar. Oleh karena itu, sambil mempertahankan alur kerja inti TradingAgents, makalah ini memodifikasi peran analis menjadi analis teknis, analis berita, analis sentimen, dan analis makro/on-chain yang lebih sesuai untuk pasar kripto, serta mengevaluasi kinerja kerangka kerja dalam backtesting BTC.
3.1 Kerangka Kerja Keseluruhan
Kerangka kerja pertama-tama memasukkan data pasar kripto. Tim analis kemudian melakukan analisis dari perspektif teknis, berita, sentimen, dan makro/on-chain. Selanjutnya, tim peneliti melakukan diskusi bullish dan bearish berdasarkan hasil analisis. Trader mensintesis semua sudut pandang untuk menghasilkan sinyal Beli, Jual, atau Tahan. Setelah itu, tim manajemen risiko meninjau rekomendasi perdagangan dari perspektif risiko agresif, netral, dan konservatif. Akhirnya, keputusan perdagangan dimasukkan ke dalam sistem backtesting untuk mengevaluasi kinerja strategi.
3.2 Desain Peran Agen
Analis Teknis: Menganalisis tren harga token, volume perdagangan, dan indikator teknis termasuk MA, EMA, MACD, RSI, Bollinger Bands, ATR, dan ADX. Outputnya mencakup penilaian tren, kekuatan momentum, tingkat volatilitas, kondisi overbought/oversold, serta level support/resistance kunci.
Analis Berita: Menganalisis peristiwa berita yang terkait dengan token, seperti aliran dana ETF, kebijakan regulasi, insiden bursa, perubahan kepemilikan institusi, data makroekonomi, dan risiko geopolitik. Outputnya mencakup ringkasan berita, penilaian bullish/bearish, dan durasi dampak potensial.
Analis Sentimen: Menganalisis sentimen pasar, termasuk diskusi media sosial, sentimen berita, Fear & Greed Index, dan popularitas komunitas. Fokusnya adalah menentukan apakah pasar berada dalam kondisi FOMO, panik, terlalu panas, atau netral.
Analis Makro + On-Chain: Berfokus pada alamat aktif, arus masuk/keluar bersih bursa, perilaku holder jangka panjang, saldo penambang, pasokan stablecoin, dominasi BTC, Indeks Dolar AS, dan imbal hasil Treasury AS. Tujuannya adalah menangkap perubahan aliran modal token dan likuiditas makro.
Peneliti: Peneliti bullish membangun logika bullish berdasarkan semua laporan analis, menekankan faktor yang menguntungkan dan peluang breakout potensial. Peneliti bearish membangun logika bearish, menekankan risiko drawdown, pasar yang terlalu panas, tekanan makro, atau tekanan jual on-chain. Keduanya membentuk penilaian pasar yang lebih seimbang melalui debat. Trader mengintegrasikan laporan analis dan hasil debat peneliti untuk menghasilkan sinyal perdagangan akhir, termasuk Beli, Jual, atau Tahan, bersama dengan tingkat kepercayaan, saran posisi, dan alasan perdagangan.
Tim Manajemen Risiko: Meninjau keputusan trader. Perspektif agresif berfokus pada peluang keuntungan, perspektif netral menyeimbangkan keuntungan dan risiko, serta perspektif konservatif memprioritaskan pengendalian drawdown. Keputusan akhir disesuaikan oleh tim risiko sebelum masuk ke eksekusi backtesting.
4. Data dan Desain Eksperimental
Model Dasar: ChatGPT 5.5
Objek Penelitian: BTC/USDT
Periode Backtesting: 1 Februari 2026 hingga 1 Mei 2026, konsisten dengan pengaturan backtesting tiga bulan dalam makalah TradingAgents asli.
Frekuensi Data: Data 1 jam
Sumber Data: Data eksperimental diperoleh melalui Gate MCP, mencakup data harga BTC/USDT, data indikator teknis, data berita, data media sosial atau sentimen, Fear & Greed Index, arus masuk dan keluar ETF, data nonfarm payroll, imbal hasil Treasury AS, CPI, dan keputusan suku bunga. Untuk menghindari bias pandangan ke depan, hanya data yang tersedia untuk publik sebelum setiap hari perdagangan yang digunakan.
Aturan Perdagangan: Sistem menghasilkan satu keputusan perdagangan per hari. Aturan perdagangan dasar adalah sebagai berikut:
- Jenis perdagangan: Market order, dengan tiga kemungkinan tindakan: Beli/Jual/Tahan
- Posisi: Tidak menggunakan leverage; posisi adalah 0% atau 100%
- Biaya Transaksi: 0,1%
- Slippage: 0,05%–0,1%
- Strategi Dasar: Buy and Hold, memegang BTC sepanjang periode.
5. Hasil Backtesting
5.1 Kinerja Keuntungan
Dari hasil backtesting, strategi mencapai total keuntungan +20,25%, sementara keuntungan Buy and Hold selama periode yang sama adalah -7,89%, menghasilkan alpha +28,14% relatif terhadap Buy & Hold. Ini menunjukkan bahwa selama periode pengujian, strategi tidak hanya menghindari kerugian akibat hanya memegang BTC selama pasar menurun dan sideways, tetapi juga menangkap sebagian keuntungan rebound melalui peralihan antara posisi bullish dan bearish.
Dari kurva ekuitas, Buy & Hold tetap dalam wilayah keuntungan negatif hampir sepanjang periode, terutama mengalami drawdown signifikan dari akhir Februari hingga awal April. Sebaliknya, strategi TradingAgents secara signifikan melebarkan kesenjangan kinerja setelah awal Maret dan terus memperluas keuntungan selama fase rebound BTC pada akhir April. Ini menunjukkan bahwa selama pasar sideways dan menurun, strategi tidak secara pasif menanggung risiko, tetapi mengurangi sebagian kerugian melalui keadaan Jual/Kekurangan Bobot dan Flat, sambil masuk kembali ke posisi long saat rebound.
Dari distribusi posisi, strategi tidak secara permanen long, tetapi sering beralih antara Long, Flat, dan Jual/Kekurangan Bobot. Selama periode backtesting, ada 43 hari Beli/Kelebihan Bobot, 31 hari Jual/Kekurangan Bobot, dan 15 hari Tahan/Flat. Ini menunjukkan bahwa TradingAgents-BTC berperilaku lebih seperti strategi timing aktif daripada strategi holding yang mengikuti tren. Tingkat Kemenangan Hariannya adalah 52,70%, yang tidak terlalu tinggi, tetapi Faktor Keuntungan mencapai 1,35, menunjukkan bahwa total keuntungan dari perdagangan yang menang cukup untuk menutupi total kerugian dari perdagangan yang kalah. Keunggulan strategi terutama berasal dari struktur untung-ruginya daripada tingkat kemenangan yang sangat tinggi.
5.2 Kinerja Risiko
Dalam hal pengendalian risiko, drawdown maksimum strategi adalah -17,41%, lebih rendah dari Buy & Hold sebesar -27,06%, menunjukkan bahwa mekanisme penilaian perdagangan dan manajemen risiko dalam kerangka multi-agent memberikan efek pertahanan tertentu selama periode ini. Rasio Calmar strategi adalah 6,492, menunjukkan kinerja yang relatif kuat dan efisiensi keuntungan per unit drawdown yang jauh lebih baik dibandingkan dengan holding sederhana. Rasio Sharpe Tahunan adalah 1,738 dan Rasio Sortino adalah 2,070, menunjukkan bahwa strategi memiliki keunggulan tertentu dalam keuntungan yang disesuaikan dengan risiko, terutama dalam mengendalikan volatilitas sisi bawah.
6. Kesimpulan
Berdasarkan kerangka kerja perdagangan finansial multi-agent LLM TradingAgents, makalah ini mengeksplorasi penerapannya di pasar kripto BTC. Dengan memodifikasi alur kerja perdagangan saham asli menjadi struktur yang lebih sesuai untuk pasar kripto, sistem ini memperkenalkan peran seperti analisis teknis, analisis berita, analisis sentimen, dan analisis makro/on-chain. Melalui debat peneliti bullish/bearish, pengambilan keputusan trader, dan tinjauan manajemen risiko, kerangka kerja menghasilkan sinyal perdagangan akhir. Desain ini menunjukkan keunggulan arsitektur Multi-Agent dalam integrasi informasi multi-sumber, sudut pandang yang berlawanan, dan pengendalian risiko, sekaligus menyediakan kerangka kerja penelitian yang dapat diinterpretasikan untuk menerapkan sistem perdagangan LLM ke pasar kripto.
Hasil backtesting menunjukkan bahwa TradingAgents-BTC mencapai kinerja keuntungan dan risiko yang lebih baik daripada Buy & Hold selama periode pengujian, menunjukkan bahwa kerangka kerja multi-agent LLM memiliki potensi aplikasi tertentu dalam skenario perdagangan BTC. Namun, hasil ini tetap harus ditafsirkan dengan hati-hati: periode backtesting hanya mencakup sekitar tiga bulan, sehingga periode sampel relatif pendek, dan perdagangan 1 jam dapat dipengaruhi oleh biaya transaksi, slippage, dan penundaan sinyal. Penelitian selanjutnya perlu memvalidasi stabilitas strategi dalam periode yang lebih panjang dan kondisi pasar yang berbeda, sekaligus mengevaluasi kontribusi spesifik data on-chain, variabel makro, dan modul manajemen risiko terhadap kinerja strategi secara keseluruhan.
Referensi:
Gate Research](https://www.gate.com/learn/category/research?)) adalah platform penelitian komprehensif tentang blockchain dan mata uang kripto yang menyediakan konten mendalam bagi pembaca, termasuk analisis teknis, wawasan pasar, riset industri, prediksi tren, dan analisis kebijakan makroekonomi.
Penafian
Berinvestasi di pasar mata uang kripto melibatkan risiko tinggi. Pengguna disarankan untuk melakukan riset sendiri dan memahami sepenuhnya sifat aset serta produk sebelum membuat keputusan investasi. Gate tidak bertanggung jawab atas kerugian atau kerusakan yang timbul dari keputusan tersebut.
