Apa sebenarnya yang dilakukan bot trading crypto berbasis AI?

Diterbitkan: 12 November 2026 | Diperbarui: 12 November 2026

Pada 7 November 2026, tiga alat otomatisasi crypto menjelaskan tiga hal berbeda dengan label "AI" dalam dokumentasi masing-masing.

• Pusat bantuan Cryptohopper menyatakan bahwa "A.I. adalah singkatan dari: Algorithmic Intelligence". Dokumentasinya menjelaskan penilaian strategi yang Anda berikan berdasarkan seberapa sering sinyal historisnya mencapai target profit.
• 3Commas menyatakan bahwa mereka "tidak memberikan saran trading atau sinyal AI", melainkan menghubungkan alat AI eksternal ke botnya.
• Modul open-source FreqAI di Freqtrade melatih model seperti LightGBM dan XGBoost serta melatihnya ulang secara terjadwal.

Tidak satu pun dari penjelasan tersebut, dengan sendirinya, memberi tahu Anda apakah bot itu menghasilkan uang.

Apa arti 'AI' dalam bot trading crypto?

Mekanisme ini sering hadir bersamaan dalam satu produk. Pemilihan dan optimasi merupakan bentuk pembelajaran statistik dalam arti luas. Menyebut sesuatu sebagai penilai alih-alih model prediksi tidak menentukan apakah sesuatu itu layak mendapat label AI, dan kedua deskripsi itu sama-sama tidak membuktikan profitabilitas.

Pertanyaan yang berguna adalah apa yang dipelajari dari data apa, dan bagaimana hasilnya diperiksa pada data yang belum pernah dilihatnya?

Saya juga memisahkan asisten dari proses trading. LLM dapat membantu menghasilkan strategi tanpa menjadi model yang menghasilkan sinyal pasarnya. Demikian pula, sebuah strategi dapat menggunakan parameter yang dipilih melalui backtest sambil tetap mengeksekusi aturan eksplisit.

Apa yang dinyatakan dokumentasi platform itu sendiri?

Tabel ini mencatat mekanisme yang didokumentasikan dan pertanyaan yang belum terjawab oleh penjelasan tersebut. Ini bukan pemeringkatan. Dokumentasi dapat menjelaskan tujuan sebuah fitur tanpa mengungkap implementasinya di sisi server atau membuktikan kinerjanya.

Semua kutipan penyedia di atas diperiksa ulang terhadap halaman aktif (atau arsip) pada 2026-11-12.

Informasi yang tidak diungkapkan tetap menjadi pertanyaan terbuka. Itu bukan bukti bahwa penyedia tidak menggunakan machine learning, dan bukan alasan untuk menyimpulkan adanya model yang tidak diungkapkan.

Mengapa backtest yang bagus tidak bisa membuktikan bot AI bekerja?

Eksperimen sederhana saya menggunakan data publik spot Binance BTCUSDT dan ETHUSDT per jam dari 2022-01-01 hingga 2026-10-31. Eksperimen ini menunjukkan masalah evaluasi pada model dan simulator saya sendiri, bukan pada sistem penyedia mana pun. Bug look-ahead yang disengaja membuat pengujian cacat menghasilkan akurasi 84.6%; AUC model walk-forward adalah 0.51, dengan interval yang mencakup tingkat acak. Pengujian terakhir itu tidak mengisolasi efek pelatihan ulang.

Tugas prediksi menggunakan candle per jam yang diagregasi menjadi bar 4 jam dan target biner: “naik” berarti log-return selama 24 jam berikutnya, sepanjang 6 bar berikutnya, berada di atas nol; nol dihitung sebagai “turun.” Inputnya adalah return historis, volatilitas, RSI, selisih exponential moving average, dan z-score volume, yang dihitung dari informasi yang tersedia saat bar ditutup; probabilitas prediksi di atas 0.5 berarti “naik.”

Bagaimana bug look-ahead membuat pengujian menghasilkan akurasi 85%

Moving average terpusat sepanjang 13 bar yang sengaja ditambahkan menggunakan 6 bar masa depan, sehingga membocorkan informasi masa depan ke regresi logistik meskipun data latih/uji dipisahkan secara kronologis.

Akurasi 84.6% dan AUC 0.93 yang dihasilkan adalah keluaran pengujian cacat, bukan bukti kemampuan model; tanpa fitur itu, akurasi model yang sama sekitar 50%.

Mengapa pemisahan data latih/uji secara acak menggelembungkan hasil

Bar yang berdekatan berbagi sebagian besar jendela label 24 jamnya, sehingga observasi saling bergantung apa pun metode pemisahannya; secara terpisah, pengacakan memasukkan bar yang tepat bersebelahan ke dalam data pelatihan, membocorkan hasil pengujian yang tumpang tindih melalui labelnya, sekaligus memungkinkan pelatihan menggunakan data yang lebih baru.

Fold berbasis blok melatih model pada data di kedua sisi setiap blok pengujian, dengan purge 24h sebelumnya dan embargo 48h setelahnya, sehingga hanya pengujian walk-forward yang melatih model secara ketat menggunakan data lebih awal.

Perbandingan pada sampel yang sama ini mengukur selisih antara desain pemisahan tanpa membagi kontribusinya antara kebocoran label yang tumpang tindih dan pelatihan pada observasi yang lebih baru.

Apakah model walk-forward dapat dibedakan dari tebakan acak?

Regresi logistik saya menggunakan jendela bergulir sepanjang 365 hari, dilatih ulang setiap 30 hari hingga menghasilkan 35 model; interval AUC-nya mencakup tingkat acak pada 0.5, dan akurasinya berada di bawah tebakan “selalu naik.”

Ini mengevaluasi satu prosedur walk-forward dan tidak mengisolasi efek pelatihan ulang: untuk itu diperlukan perbandingan dengan model yang dibekukan atau jadwal pelatihan ulang lain pada tanggal yang sama, yang tidak saya laporkan.

Log-return adalah logaritma natural dari nilai akhir dibagi nilai awal. 0 berarti tidak ada perubahan, sekitar +0.69 berarti nilainya berlipat dua, dan sekitar −0.69 berarti nilainya menjadi separuh. Jadi +0.59 bukan +59% dan −0.91 bukan −91%. Model memprediksi arah selama 24 jam berikutnya, tetapi ilustrasi ini memutuskan ulang posisi pada setiap bar 4 jam, sehingga yang diuji adalah satu kebijakan trading berdasarkan prediksi tersebut, bukan horizon prediksi itu sendiri.

Seberapa besar hasil terbaik dari 16 pengaturan grid melebih-lebihkan hasil minggu berikutnya?

Simulator spot-grid saya sendiri memilih pengaturan dengan return tertinggi dari 16 kombinasi lebar rentang dan jumlah grid berdasarkan 7 hari sebelumnya, lalu mengukur return selama 7 hari berikutnya; rentangnya juga berasal dari minggu pemilihan, sehingga angka in-sample memang optimistis akibat desainnya.

Selisih rata-rata di bawah tetap bertahan dengan asumsi lintasan intrabar alternatif, tetapi itu tidak berarti setiap minggu mengalami kekurangan hasil. Interval berasal dari moving-block bootstrap yang mengambil sampel ulang rangkaian 12 minggu berturut-turut, sehingga ketergantungan antara minggu yang berdekatan tetap dipertahankan.

Anny tidak mendukung bot grid.

Apakah strategi dengan skor tertinggi tetap berada di puncak?

Selektor saya memilih setiap minggu di antara lima aturan per jam menggunakan tingkat keberhasilan sinyal dari 90 hari sebelumnya yang hasilnya sudah lengkap, dengan keberhasilan berarti harga mencapai setidaknya 2% di atas harga penutupan saat sinyal dalam 24 jam, lalu membandingkan tingkat keberhasilan aturan terpilih selama 28 hari berikutnya dengan rata-rata kelima aturan.

Ada selisih kecil yang teramati—BTC sedikit di bawah dan ETH sedikit di atas rata-rata tersebut—tetapi interval kepercayaan untuk selisih berpasangan tidak dihitung, dan jendela evaluasinya tumpang tindih.

Ini tidak menunjukkan kesetaraan atau bahwa pemilihan tidak bernilai, dan tingkat keberhasilan sinyal bukanlah profit: pengaturan ini tidak memiliki stop, aturan keluar, atau biaya.

Eksperimen ini mencakup fitur dan model sederhana, kumpulan aset terbatas, serta satu bursa dan periode. Label yang tumpang tindih mengurangi independensi, eksekusi disederhanakan, dan tingkat keberhasilan sinyal tidak mengukur profit. Pengujian ini menunjukkan bagaimana pilihan evaluasi mengubah hasil. Pengujian ini tidak menunjukkan bahwa machine learning tidak bisa bekerja di crypto, dan tidak menyatakan apa pun tentang model penyedia tertentu.

Bukti apa yang perlu Anda minta dari penyedia bot AI?

Gunakan daftar periksa bukti penyedia di bawah ini. Deskripsi model saja tidak menjawab soal kinerja; grafik return saja tidak menjawab soal mekanisme dan prosedur pengujian.

Perlakukan pertanyaan yang belum dijawab sebagai persoalan yang belum terselesaikan. Minta detail tambahan alih-alih mengarang penjelasan tentang cara kerja sistem.

Backtest yang dapat direproduksi tetap bisa terbatas pada aset, tanggal, dan asumsi eksekusinya. Interval ketidakpastian dapat menggambarkan metrik yang dilaporkan tanpa menjawab setiap pilihan riset yang mendahuluinya.

Di mana posisi Anny Trade?

Anny Trade menggunakan model bahasa besar untuk Ask Anny, asistennya. Halaman Optimizer publiknya menyatakan bahwa indikator, backtest, pencarian parameter, dan validasi merupakan “kode deterministik — tanpa LLM di bagian mana pun dalam proses tersebut.” Perhitungan CFO Anny Line dan Optimizer tidak menggunakan LLM.

Bot Anny menjalankan aturan masuk dan keluar yang eksplisit dan berbasis aturan pada akun bursa yang Anda hubungkan, dan Anny tidak mendukung bot grid. Penjelasan ini mengidentifikasi di mana model bahasa digunakan; penjelasan ini tidak membuktikan profitabilitas.

Jelajahi backtest deterministik dan pencarian parameter Optimizer dan terapkan daftar periksa yang sama padanya.

Pertanyaan Umum

Bisakah bot trading AI memprediksi harga crypto?

Model terlatih dapat memperkirakan hasil pasar yang terdefinisi, tetapi adanya prediksi tidak membuktikan kemampuan prediksi yang berguna. Tugas saya adalah memprediksi arah dalam horizon tertentu, bukan harga masa depan yang tepat. Tidak ada model dalam artikel ini yang menunjukkan kemampuan prediksi arah out-of-sample yang andal.

Apakah penilaian strategi berdasarkan tingkat keberhasilan sinyal termasuk machine learning?

Pemilihan strategi berdasarkan kinerja dapat dianggap sebagai pembelajaran statistik dalam arti luas karena menggunakan hasil historis untuk menilai strategi yang tersedia. Label itu tidak memberi tahu apakah pilihan tersebut akan berguna di kemudian hari. Tingkat keberhasilan sinyal bukanlah ukuran profit.

Apakah penggunaan LLM berarti bot memakai machine learning untuk trading?

LLM dapat menulis strategi atau menjalankan alat trading tanpa menjadi model prediksi pasar. Tanyakan apa yang dihasilkannya, alat mana yang dapat diaksesnya, dan bagaimana eksekusi dikendalikan. Lalu nilai strategi yang dihasilkan secara terpisah; penggunaan model bahasa saja tidak membuktikan kinerja trading.

Apa itu validasi walk-forward?

Evaluasi walk-forward melatih model pada data lebih awal dan mengujinya pada data lebih baru, sambil bergerak maju mengikuti waktu. Prosedur saya menggunakan jendela pelatihan bergulir dan pelatihan ulang berulang, dengan purge sebelum setiap blok pengujian. Ini berbeda dari fold berbasis blok yang melatih model pada data di kedua sisi blok pengujian.

Bisakah saya memverifikasi sendiri AI pada bot closed-source?

Dokumentasi publik dapat membantu mengidentifikasi mekanisme yang diklaim tanpa menjawab implementasi di sisi server. Tidak adanya pengungkapan bukan bukti yang mendukung salah satu kesimpulan. Eksperimen sederhana saya tidak memeriksa sistem closed-source dan tidak dapat memastikan apa yang dilakukan model penyedia yang tidak diungkapkan.

Bagaimana saya menjalankan pengujian ini (metodologi dan batasan).

Setiap hasil dalam artikel ini berasal dari simulasi dan backtest pada data historis, bukan dari trading aktual. Hasil hipotetis dan simulasi memiliki keterbatasan bawaan: hasilnya dibuat dengan pengetahuan atas masa lalu, tidak mencerminkan eksekusi nyata, dan tidak memprediksi kinerja masa depan.

Dataset yang dijelaskan di atas berisi 42,359 bar per jam untuk setiap aset, dengan satu jam yang hilang dari sisi bursa pada 2023-03-24 13:00 UTC. Sampel checksum bulanan cocok dengan checksum yang dipublikasikan Binance. Versi perangkat lunaknya adalah numpy 2.5.4, pandas 3.1.1, dan scikit-learn 1.9.1.

Data berakhir pada 2026-10-31 23:00 UTC, dan hasil yang belum lengkap ditangani sebagai berikut.

• Pengujian prediksi: bar tanpa label lengkap untuk 24 jam berikutnya dikeluarkan, sehingga bar 4 jam berlabel terakhir adalah 2026-10-30 20:00 UTC. Blok terakhir dari 35 blok walk-forward dimulai pada 2026-10-17.
• Grid: keputusan hanya dipertahankan jika tersedia 30 hari penuh data setelahnya. Ini menghasilkan 195 keputusan mingguan, dari 2023-01-02 hingga 2026-09-21.
• Selektor: menghasilkan 199 keputusan mingguan, dari 2023-01-02 hingga 2026-10-19. Tiga keputusan terakhir, mulai 2026-10-05, memiliki jendela 28 hari yang diperpendek oleh batas akhir data, dan sinyal dalam 24 jam terakhir dihitung sebagai tidak berhasil. Mengeluarkan tiga keputusan tersebut mempertahankan arah selisih kecil yang sama (BTC 0.32 vs 0.34, ETH 0.47 vs 0.46).

Regresi logistik menggunakan fitur yang distandardisasi dengan regularisasi C = 0.1. Perbandingan pemisahan menggunakan random forest dengan 200 pohon dan ukuran daun minimum 5. Input tanpa kebocoran mencakup return sepanjang 1, 3, 6, 18, dan 42 bar; volatilitas sepanjang 18 dan 42 bar; RSI(14); selisih antara exponential moving average 20 bar dan 50 bar; serta z-score volume sepanjang 42 bar.

Interval AUC walk-forward menggunakan moving-block bootstrap dengan 42 bar 4 jam berturut-turut per blok, 500 sampel ulang, dan persentil 2.5th–97.5th. Ilustrasi trading memperoleh return 4 jam berikutnya dari harga penutupan bar sinyal, tanpa latensi. Biaya 15 bps terdiri dari asumsi biaya transaksi 10 bps dan slippage 5 bps per perubahan posisi.

Meskipun prediksi menargetkan arah 24 jam berikutnya, kebijakan trading ini meninjau ulang posisinya pada setiap bar 4 jam. Return-nya mengevaluasi kebijakan tertentu itu, bukan monetisasi langsung dari horizon prediksi. Baik AUC mendekati 0.5 maupun akurasi di bawah “selalu naik” saja tidak meniadakan peluang profit: besaran keuntungan dan kerugian, ambang batas, serta kinerja bersyarat juga berpengaruh.

Kandidat grid menggabungkan lebar rentang sebesar 0.8×, 1.0×, 1.25×, dan 1.6× dari separuh rentang historis dengan 10, 25, 50, dan 100 level. Setiap order yang terisi dikenai biaya 0.05%, tanpa slippage. Setiap minggu dimulai dari awal; koin yang belum terjual dinilai pada harga penutupan terakhir tanpa biaya keluar. Interval selisih menggunakan circular moving-block bootstrap atas 195 selisih mingguan (blok 12 minggu, 10,000 sampel ulang, seed tetap). Selisih mingguan memiliki autokorelasi negatif ringan pada lag 1, dan aturan otomatis panjang blok menyarankan sekitar 11 minggu (BTC) dan 16 minggu (ETH). Interval untuk blok sepanjang 2–16 minggu serupa dengan, atau lebih sempit daripada, interval bootstrap biasa.

Aturan selektor menggunakan RSI, MACD, Bollinger bands, persilangan EMA, dan breakout dari harga tertinggi 48 jam sebelumnya. Sebuah aturan memerlukan setidaknya 5 sinyal yang hasilnya sudah lengkap untuk menerima skor. Jendela evaluasinya yang tumpang tindih perlu diperhitungkan saat menafsirkan selisih kecil yang teramati.

Dalam peninjauan internal tahap kedua, saya menjalankan ulang keempat skrip asli dan memperoleh file keluaran yang identik hingga tingkat byte. Pada 40 dari 40 stempel waktu yang dipilih secara acak, penggantian data masa depan tidak mengubah fitur tanpa kebocoran; fitur look-ahead yang disengaja gagal pada 40 dari 40 pemeriksaan sesuai desain. Ada 0 fold walk-forward dengan label yang tumpang tindih ke periode pengujian, dan scaler hanya dicocokkan pada data pelatihan di dalam pipeline.

Peninjauan tersebut mendukung reproduktibilitas dan ketiadaan kebocoran yang diketahui dalam pipeline tanpa kebocoran. Ini tidak menunjukkan bahwa hasilnya akan bertahan pada periode lain, aset atau bursa lain, atau dalam trading langsung, dan tidak menghilangkan bias pemilihan riset.

Batasannya tetap berarti: 2 aset, 1 bursa, satu periode, dan model sederhana. Label tumpang tindih; tidak ada pemodelan slippage berdasarkan order book atau koreksi pengujian berganda di luar yang dilaporkan. Simulator grid menggunakan lintasan intrabar 4 titik, yang memengaruhi return absolut. Saya tidak menguji sistem aktual penyedia mana pun, menjalankan FreqAI, atau melakukan trading langsung.

Lihat Juga

• Apa itu validasi walk-forward?
• Bagaimana CFO Anny Line membaca rezim pasar?
• Bagaimana cara menghubungkan AI saya ke data pasar crypto langsung?
• Dokumentasi lookahead-analysis Freqtrade

Setiap hasil dalam artikel ini berasal dari simulasi dan backtest pada data historis, bukan dari trading aktual. Hasil hipotetis dan simulasi memiliki keterbatasan bawaan: hasilnya dibuat dengan pengetahuan atas masa lalu, tidak mencerminkan eksekusi nyata, dan tidak memprediksi kinerja masa depan.

Artikel ini hanya untuk edukasi — bukan nasihat keuangan. Kinerja masa lalu tidak menunjukkan hasil masa depan. Aset crypto bersifat volatil dan Anda dapat kehilangan seluruh investasi Anda. Anny Trade adalah platform analitik, bukan penasihat investasi terdaftar.