Memelihara lobster sambil bermain saham, apakah ini "ilmu pengetahuan" atau "metafisika"

Jurnalis News Jiemian | Liu Litong

Editor News Jiemian | Song Yejun

Belakangan ini, “memelihara lobster” (menyusun, melatih, menggunakan agen AI sumber terbuka OpenClaw) menjadi viral di seluruh internet, dan banyak investor pun ikut terbawa dalam gelombang panas ini.

News Jiemian memperhatikan bahwa akhir-akhir ini diskusi tentang “menggunakan lobster untuk trading saham” di media sosial semakin ramai, ada yang terkagum-kagum dengan efisiensi dan kemudahan “lobster” yang bisa memantau pasar secara cerdas 24 jam nonstop, ada yang mengeluh “menggunakan lobster untuk trading saham, biaya tokennya jauh lebih mahal dari biaya transaksi lebih dari 10 kali lipat”, ada yang mencari tahu tentang OpenClaw, dan ada juga yang meragukan keamanan dan keandalan “menggunakan lobster untuk trading saham”…

Sejak DeepSeek menjadi terkenal tahun lalu, semakin banyak investor A-share mulai mencoba berbagai cara untuk merangkul AI, meskipun pengalaman mereka berbeda-beda.

Investor bernama samaran Chen Xue pernah berkeliling di berbagai platform model besar AI mencari “rahasia kekayaan”, tetapi dalam kondisi pasar bullish, secara keseluruhan mengalami kerugian hampir 20%, menurutnya: “Sungguh niat tulus, akhirnya salah sasaran.”

Menurut Qin Peng (nama samaran), kepala tim kuantitatif di Selatan China, AI “partner” bisa disebut sebagai “senjata ajaib” dalam riset dan investasi, efisiensi kerja meningkat berkali-kali lipat.

Bagaimana performa AI dalam skenario trading saham saat ini?

Efisien, tapi belum tentu andal

Menghadapi masalah, langkah pertama yang dilakukan oleh trader Guangdong, He Feng (nama samaran), adalah “menggali info dulu”.

Tak peduli apakah itu berita mendadak atau konsep baru, biasanya hanya butuh 1-2 menit untuk mendapatkan jawaban awal, dan jika perlu penelitian mendalam, cukup ubah kata kunci dan cara bertanya, beberapa menit kemudian jawaban yang lebih sesuai harapan pun bisa didapatkan.

Sebelum munculnya model besar AI, untuk pertanyaan yang sama, He Feng biasanya harus menghabiskan banyak waktu browsing berita, forum saham, media sosial, dan mengumpulkan informasi sebanyak mungkin, lalu mengolah dan menganalisis sendiri agar mendapatkan jawaban yang memuaskan.

Qin Peng suka menggabungkan model kuantitatif pilih sahamnya dengan model besar AI.

Model kuantitatifnya setiap hari secara otomatis menyaring saham berdasarkan aliran dana, tren pasar, pergerakan volume dan harga, lalu melakukan penyaringan kedua berdasarkan fundamental dan tema populer, sehingga target akhir bisa ditentukan. Dengan bantuan model besar AI, waktu yang dibutuhkan untuk penyaringan manual dari 3-5 jam menjadi 30-50 menit, efisiensi meningkat berkali-kali.

Selain itu, saat menulis atau mengubah model pemilihan saham, Qin Peng kadang-kadang menyerahkan tugas-tugas sederhana ke AI besar.

“Efisiensi” adalah kata kunci utama yang langsung terlintas di benak banyak investor saat membahas AI dalam trading saham. Di pasar A-share saja ada lebih dari 5000 perusahaan, dan berbagai info keuangan terus-menerus diperbarui 24 jam nonstop. Mengambil bagian dari semua informasi besar ini sudah jauh di luar kemampuan satu investor, dan pekerjaan yang rumit ini bagi AI adalah “makanan ringan”.

Namun, banyak narasumber sepakat bahwa seringkali jawaban dari model besar AI tidak bisa diandalkan.

Misalnya, saat menanyakan hubungan antara sebuah saham dan tema populer tertentu, biasanya AI bisa memberikan jawaban yang tampak sangat logis dan beralasan, tetapi kenyataannya banyak isi jawaban yang tidak berdasar fakta.

Ada juga contoh, meminta AI mencari 10 saham dengan PE terendah di pasar, sebenarnya AI hanya mengumpulkan data dari puluhan saham dan langsung memberi jawaban, bahkan sebagian data itu mungkin data tahun lalu atau bahkan salah.

AI “partner” juga sering menunjukkan “kepribadian yang menyenangkan”.

Misalnya, jika Anda bertanya “Apakah A lebih baik dari B?”, AI akan menyajikan banyak informasi untuk mendukung penilaian tersebut. Tapi saat Anda bertanya balik “Apakah B lebih baik dari A?”, jawaban yang sama juga akan muncul. Jika sebelumnya AI menganalisis satu industri, lalu Anda bertanya industri mana yang layak diperhatikan saat ini, industri yang sudah pernah disebutkan biasanya akan muncul lagi.

Hampir semua narasumber pernah mengalami “ilusi AI” saat menggunakan model besar AI untuk trading, yaitu jawaban AI yang tampak masuk akal dan lengkap, tetapi sebenarnya mengada-ada banyak fakta, data, dan peristiwa yang tidak ada, bahkan melanggar pengetahuan dasar, seperti “omong kosong” yang serius.

Dalam dunia investasi, setiap kesalahan keputusan bisa berakibat kerugian nyata, dan fenomena ini menimbulkan masalah lain: meskipun investor hanya butuh beberapa menit untuk mendapatkan jawaban dari AI, mereka harus menghabiskan waktu berkali-kali lipat untuk “mengoreksi” jawaban AI, atau terus-menerus mengubah cara bertanya agar AI memberikan jawaban yang lebih dapat diandalkan.

Di mana masalahnya?

Chen Xue awalnya memutuskan mencoba AI besar setelah mengetahui bahwa DeepSeek didukung oleh perusahaan kuantitatif Fantasia yang sangat hebat.

Banyak hedge fund kuantitatif papan atas secara terbuka menyatakan mereka sudah mengadopsi AI, tetapi nyatanya hampir tidak ada yang benar-benar memahami peran AI dalam pengambilan keputusan investasi di perusahaan tersebut, berapa besar pengaruhnya terhadap return, dan berapa banyak yang disumbangkan oleh perdagangan frekuensi tinggi.

Menurut narasumber dari sebuah hedge fund kuantitatif terkemuka di Shanghai, sekadar bertanya AI secara sederhana saat trading adalah konsep yang sangat berbeda dari penggunaan AI secara nyata dalam investasi kuantitatif.

Secara umum, investasi kuantitatif adalah metode yang menggunakan model matematika, statistik, dan program komputer untuk menggantikan judgment subjektif dalam pengambilan keputusan investasi, dengan ciri khas disiplin tinggi, berbasis data, portofolio tersebar, dan pengendalian risiko ketat.

Bagi sebagian besar investor biasa yang menggunakan AI besar dalam proses investasi, sebenarnya mereka tetap membuat keputusan akhir secara subjektif, dan jumlah posisi yang diambil biasanya terbatas, sehingga sulit melakukan diversifikasi untuk mengurangi risiko dari kesalahan AI.

Di sisi lain, banyak investor yang terbiasa menggunakan platform seperti Doubao, Qianwen, DeepSeek, dan model besar umum lainnya, berbeda secara esensial dari model AI yang dikembangkan hedge fund kuantitatif.

Menurut News Jiemian, hedge fund kuantitatif lebih banyak berinvestasi di tiga aspek utama AI, yaitu data, daya komputasi, dan algoritma.

Seorang analis dari industri mengatakan bahwa data adalah fondasi pelatihan AI, dan di bidang keuangan, data berkualitas tinggi yang nyata, tepat waktu, dan lengkap sangat penting. Model besar umum lebih banyak dilatih berdasarkan data teks, dan kurang data keuangan berkualitas tinggi.

Daya komputasi, meskipun investasi perangkat keras untuk model besar umum mungkin jauh lebih besar dari hedge fund kuantitatif, karena cakupannya yang lebih luas, volume pelatihan juga lebih besar.

Dari segi algoritma, saat ini hedge fund terkemuka umumnya mengadopsi “pengembangan sendiri”, dengan algoritma dasar yang sama dengan model besar umum, tetapi penyesuaian dan fine-tuning berbeda, dan algoritma inti biasanya merupakan “rahasia perusahaan” yang sangat rahasia dan tidak pernah dipublikasikan.

Selain itu, beberapa perusahaan sekuritas dan institusi lain juga aktif mengembangkan model AI khusus bidang keuangan. Meski fokusnya lebih ke data keuangan terbaru dan teknologi, penelitian mereka terbatas oleh biaya daya komputasi dan regulasi, sehingga sulit memenuhi harapan investor.

“Walaupun berbeda jauh dari model kuantitatif AI, model besar umum menggabungkan banyak pengetahuan investasi, jadi mengapa tidak bisa memberikan saran investasi yang lebih masuk akal seperti para investor besar?” Banyak investor, termasuk Chen Xue, pernah bertanya-tanya.

Tanggapan dari trader di Chengdu, Ren Yu, saat diwawancarai News Jiemian, adalah: “Investor subjektif mungkin tidak menuntut data seakurat kuantitatif, tapi keputusan mereka tetap harus didasarkan pada data terbaru dan cukup akurat. Data yang diambil model besar umum sering tidak tepat waktu, bahkan ada yang tercemar, sehingga analisis dan jawaban yang diberikan tidak bisa diandalkan.”

“Masalah utama adalah AI besar umum tidak memiliki sistem investasi yang lengkap. Setiap strategi investasi memiliki karakter dan kondisi pasar yang berbeda, dan dari sudut pandang strategi yang berbeda, kesimpulan tentang titik beli/jual saham bisa sangat berbeda. Misalnya, dari sudut pandang investor jangka menengah-panjang, sebuah saham mungkin saat ini adalah peluang beli, tapi dari perspektif trader jangka sangat pendek, harus dijual. AI besar memang mempelajari banyak strategi investasi, tetapi selama pelatihan, kurangnya data praktis dari berbagai strategi membuatnya sulit memahami logika dan perbedaan mendasar di baliknya,” kata Ren Yu.

Kalau kita “memberi makan” kerangka dan filosofi investasi dari para investor besar ke AI, dan membiarkannya memberi jawaban sesuai logika mereka, apakah hasilnya akan lebih baik?

Qin Peng yang pernah mencoba hal ini, menolak keras. Menurutnya, AI hanya bisa “diberi makan” pandangan dan logika yang sudah dipublikasikan para investor besar, tetapi mereka sendiri saat berbagi secara terbuka mungkin tidak sepenuhnya mengungkapkan filosofi dan logika investasi mereka, dan sistem investasi mereka juga terus berkembang mengikuti perubahan pasar.

Selain itu, meskipun AI besar bisa memberi saran investasi yang lebih masuk akal, apakah investor benar-benar akan mengikuti strategi tersebut secara ketat? Jawabannya mungkin tidak.

Kolaborasi manusia dan mesin adalah konsensus

Menghadapi AI “partner” yang efisien tapi belum tentu andal, bagaimana cara penggunaannya agar optimal?

“Tidak mungkin mengandalkan AI sepenuhnya untuk pengambilan keputusan investasi, kita harus membangun sistem investasi sendiri terlebih dahulu,” kata Chen Xue setelah pengalaman selama lebih dari setahun.

Saat ini, dia sudah berhenti melakukan trading langsung dan memutuskan untuk belajar lebih banyak tentang pengetahuan investasi, dan setelah cukup paham, baru akan memulai kembali praktik investasinya. Dalam proses ini, dia menemukan keunggulan baru dari AI besar: “Kemampuannya dalam analisis teks sangat hebat, sangat membantu dalam mencari dan merangkum berbagai pengetahuan investasi!”

Qin Peng yang cukup puas dengan AI “partner”-nya, menjelaskan kepada News Jiemian bahwa di tahap pengumpulan informasi, efisiensi AI jauh melampaui manusia, jadi pekerjaan ini bisa lebih banyak diserahkan ke AI; di tahap analisis informasi, AI juga lebih efisien, tetapi mudah melakukan kesalahan, sehingga bisa membantu dengan mengubah cara bertanya dan menambah petunjuk agar analisisnya lebih masuk akal; sedangkan dalam pengambilan keputusan investasi, tingkat kesulitannya lebih tinggi dan sangat penting, jadi bagian ini harus tetap dilakukan secara subjektif oleh manusia.

Narasumber umumnya sepakat bahwa di masa depan, model besar AI akan semakin canggih dan banyak model AI khusus bidang keuangan yang akan muncul. Tapi, AI tidak akan sepenuhnya menggantikan manusia dalam pengambilan keputusan investasi, melainkan lebih sebagai alat bantu. Kolaborasi manusia dan mesin akan tetap menjadi tren utama.

Di satu sisi, AI adalah hasil pelatihan manusia; berapa banyak daya komputasi yang digunakan, data apa yang diberikan, dan algoritma apa yang dipakai, semuanya ditentukan oleh manusia. Setidaknya untuk waktu dekat, AI belum bisa sepenuhnya lepas dari kendali manusia.

AI biasanya mencari pola dari data historis, tetapi di pasar saham, sejarah tidak pernah berulang secara persis, dan “angsa hitam” bisa muncul kapan saja. AI secara alami kurang mampu menangani situasi seperti ini, sehingga sulit menciptakan “agent” serba bisa.

Di sisi lain, dari sudut pandang teknologi, suatu saat nanti AI trading mungkin bisa mengungguli manusia, tetapi berbagai risiko yang ada membuat kita hampir tidak mungkin menyerahkan semua keputusan kepada AI.

Misalnya, masalah tren strategi yang seragam, di mana semakin banyak institusi dan investor menggunakan data dan metode yang sama untuk melatih AI, berpotensi menciptakan strategi yang serupa, yang dapat memperbesar volatilitas dan risiko sistemik pasar.

Selain itu, AI bersifat “kotak hitam”, proses pengambilan keputusannya sulit dilacak, dan jika terjadi kesalahan besar, AI tidak bisa bertanggung jawab. Setelah kejadian, sulit menentukan apakah faktor manusia turut berperan. Jika sepenuhnya menyerahkan keputusan ke AI, kemungkinan ada pihak yang memanipulasi pasar melalui pengaruh dan kendali terhadap AI akan semakin sulit dideteksi dan dikendalikan. Oleh karena itu, dari sudut pandang regulasi, penggunaan AI di bidang keuangan kemungkinan akan dibatasi dalam batas tertentu untuk mengurangi risiko.