Pengujian langsung pemilihan saham "Udang Karang": Mengira bisa "menang dengan santai" tetapi kenyataannya tidak semudah itu

Tanya AI · Mengapa pilihan saham “Lobster” dalam pengujian berulang kali mengalami kesalahan data?

“Bisakah saya mendelegasikan ‘Lobster’ untuk bermain saham?” Dengan membawa pertanyaan ini, jurnalis dari China Securities Journal membuka perangkat lunak “Lobster”. Setelah itu, jurnalis menemukan: idenya indah, tetapi kenyataannya tidak sesederhana itu.

Tanpa menambahkan paket alat profesional modular (Skills, yang berisi direktori dengan file SKILL.md, file tersebut dapat menyediakan instruksi dan definisi alat untuk LLM), hasil tanya jawab yang didapat hanya berupa tumpukan data; namun setelah membalik panduan Skills, mengajukan berbagai kebutuhan pembangunan strategi yang lebih profesional, yang diperoleh justru sebuah kondisi memalukan “time out” (waktu habis). Mungkin bagi investor individu biasa, tenaga, sumber daya, dan biaya yang dikeluarkan untuk menggunakan “Lobster” dalam bermain saham tidak sebanding dengan akurasi dan kegunaan hasil yang diperoleh.

Seorang manajer dana mengatakan kepada jurnalis bahwa hingga saat ini timnya belum mengintegrasikan aplikasi jenis “Lobster”. Alasannya, pertama dari sisi kepatuhan, perangkat lunak semacam itu memiliki risiko yang cukup besar; kedua, model kuantitatif yang ada sebenarnya sudah dapat menyelesaikan kebutuhan investasi seperti penyaringan daftar saham (stock pool) dan pengujian balik strategi (strategy backtesting) dengan lebih cepat.

Dari membuka “Lobster” hingga mematikan komputer

Penyebaran lokal adalah salah satu cara instalasi penting untuk “Lobster”. Tetapi dalam pengujian langsung, jurnalis menemukan bahwa cara operasi ini memiliki tingkat izin yang terlalu tinggi—program ini perlu mendapatkan izin administrator tertinggi di komputer, menyerahkan sepenuhnya data seperti kata sandi akun pribadi, dan sebagainya; jika disusupi oleh peretas atau “terbawa menyimpang” oleh perintah, besar kemungkinan dana sendiri akan terekspos pada risiko yang lebih tinggi.

Selanjutnya, jurnalis mencoba berbagai aplikasi “Lobster” di cloud, login ke produk “Lobster” dari beberapa raksasa internet dan perusahaan model AI, seperti Kimi Claw, Art Claw, JVS Claw, dan lain-lain, lalu membeli keanggotaan edisi awal untuk mencoba lebih lanjut.

Jurnalis mengetahui bahwa, untuk mendapatkan data yang lebih nyata dan dapat diandalkan, perlu menginstal paket alat profesional modular (Skills). Sebagai contoh, pada Art Claw, jurnalis mengirimkan instruksi untuk menginstal “stock-market-pro”, tetapi tetap tidak bisa menginstalnya.

Gambar: tangkapan layar platform Art Claw

Berikutnya, jurnalis hanya bisa mencoba dengan pendekatan pembangunan strategi “PB-ROE” agar Art Claw merekomendasikan saham.

Gambar: tangkapan layar platform Art Claw

Meskipun Art Claw menyusun ide pembangunan strategi dan memberikan rekomendasi saham terkait (seperti pada gambar di bawah), jurnalis menemukan bahwa selama penalarannya muncul banyak kesalahan data. Sebagai contoh, pada Kweichow Moutai, nilai harga saham dan laba bersih yang dapat diatribusikan kepada pemegang saham (akun induk) tidak sesuai dengan kenyataan.

Gambar: tangkapan layar platform Art Claw

Beberapa jam kemudian, setelah jurnalis mencoba beberapa kali instalasi skill, “Lobster” akhirnya terpasang skill tersebut, dan mengklaim bahwa ia dapat menarik harga saham terbaru yang sebenarnya dari API perangkat lunak untuk bermain saham. Namun jurnalis menemukan bahwa sebagian besar data masih memiliki perbedaan yang cukup besar dengan data yang sebenarnya.

Jurnalis juga mengalami hambatan di platform Kimi Claw—jika instruksi sedikit saja lebih rumit, sistem akan berhenti menjawab. Pada upaya pertama memberikan instruksi ke Kimi Claw untuk mencari dan menginstal skill yang digunakan untuk menganalisis data sentimen/pergerakan pasar A-share, sistem menampilkan “IM runtime dispatch timed out after 300000ms”, yaitu waktu habis untuk penjadwalan sumber daya komputasi, sehingga tugas gagal.

Gambar: tangkapan layar platform Kimi Claw

Kemudian, jurnalis mencoba lagi dengan kalimat contoh yang disebutkan dalam “Petunjuk Penggunaan Kimi Claw”, Kimi Claw menyatakan telah membuat empat skill analisis profesional A-share dan, berdasarkan itu, menganalisis laporan keuangan triwulan III tahun 2025 dari tiga saham. Hasilnya menunjukkan data keuangan yang diberikannya konsisten dengan laporan tahunan perusahaan, sekaligus memberikan peringatan dan penjelasan terkait risiko arus kas, lengkap dengan penilaian komprehensif serta saran investasi.

Gambar: tangkapan layar platform Kimi Claw

Jurnalis selanjutnya mencoba menginstal skill pencarian berita internet secara real-time, dan prosesnya berhasil serta mendapatkan informasi terkait isu/komentar (sentimen) dari perusahaan publik. Namun, ketika jurnalis ingin Kimi Claw mengakses fitur pemantauan harga (盯盘) dan mengikuti operasi sesuai sarannya, sistem kembali menampilkan peringatan waktu habis yang sama. Jurnalis kemudian meminta bantuan dari model klaster K2.5 Agent yang dibuka dengan pembayaran 199 yuan; hasilnya juga kurang memuaskan.

Gambar: tangkapan layar platform Kimi Claw

Bagi banyak investor biasa, melatih seekor “Lobster” yang cerdas, mampu bekerja dengan baik, dan responsif memerlukan ketekunan dari pengguna, serta keterampilan profesional yang relatif kaya. Selain itu, ada investor yang menyatakan bahwa pekerjaan penyaringan saham yang kompleks membutuhkan sejumlah besar Token, sehingga biayanya tinggi.

“Sekarang saya bisa membuat ‘Lobster’ mengirimi saya laporan pasar saham setiap hari, tetapi perlu menjaga Skills tetap dalam kondisi selalu diperbarui, supaya ia bisa menangkap perubahan iterasi terbaru setiap saat. Di antaranya, sebaiknya digunakan beberapa perangkat lunak pemrograman cerdas untuk membantu, sehingga efisiensi bisa ditingkatkan.” Seorang investor yang menggunakan “Lobster” untuk berinvestasi mengatakan kepada jurnalis, “Proses pelatihannya melewati banyak ‘rintangan’, dan setelah itu jika ingin menambahkan beberapa faktor strategi, kemungkinan perlu pengujian dan penyesuaian lebih lanjut.”

Jalan panjang dan berliku menuju investasi yang cerdas

Seorang manajer dana memberi tahu jurnalis bahwa timnya saat ini belum memperkenalkan aplikasi jenis “Lobster”. Pertimbangannya terutama dari dua sisi: pertama, dari aspek kepatuhan, perangkat lunak semacam ini memiliki risiko yang lebih tinggi; kedua, model kuantitatif yang dimiliki tim saat ini sudah dapat memenuhi kebutuhan investasi seperti penyaringan stock pool dan pengujian balik strategi dengan cukup efisien.

“Saya mencoba ‘Lobster’ di komputer saya sendiri; memang bisa membantu saya menangani beberapa kode pemrograman, tetapi secara keseluruhan, pengalaman yang saya dapat tidak meningkatkan efisiensi kerja terlalu banyak.” Seorang manajer dana kuantitatif mengatakan kepada jurnalis, “Saat ini tim belum memiliki rencana untuk mengadopsi ‘Lobster’.”

Saat membahas penyebaran “Lobster”, manajer dana dari CICC (China Europe Fund) yakni Song Weiwei menyatakan bahwa perangkat keras untuk Unified Memory adalah perangkat keras yang lebih baik untuk penyebaran OpenClaw. Tiga kebutuhan inti OpenClaw sebagai “otak AI pribadi” adalah: memori berkapasitas besar, komputasi yang efisien, dan berjalan terus-menerus (residen). Pada PC tradisional, CPU menggunakan memori, sedangkan GPU menggunakan VRAM (memori kartu grafis); keduanya terpisah. Pemindahan data perlu disalin di antara keduanya, sehingga efisiensi rendah dan membuang sumber daya.

Song Weiwei mengatakan bahwa arsitektur unified memory, yaitu CPU, GPU, dan NPU (Neural Network Engine) berbagi satu kumpulan memori fisik, memungkinkan akses tanpa hambatan ke data yang sama tanpa harus bolak-balik menyalin. Saat menjalankan model bahasa besar, hambatan terbesar adalah VRAM. Parameter model harus dimuat semuanya ke VRAM agar bisa berjalan. Pada PC, untuk menjalankan model dengan 70 miliar parameter, Anda memerlukan kartu grafis kelas atas dengan VRAM lebih dari 32GB, yang biasanya berarti biaya puluhan ribu dan konsumsi daya yang besar.

Selain itu, risiko penggunaan “Lobster” juga menjadi topik yang diperhatikan oleh banyak pihak di industri. Song Weiwei mengatakan bahwa hanya bergantung pada prompt natural language sebagai pagar pengaman keamanan sangat rapuh. Setelah AI memperoleh Full Disk Access (izin akses disk penuh), segala celah keamanan dapat menyebabkan kebocoran sistematis data. Ekosistem plugin pihak ketiga OpenClaw (ClawHub) juga mungkin memiliki risiko masalah keamanan. Selain itu, ketika AI berubah dari alat menjadi eksekutor yang otonom, logika tradisional mengenai penetapan tanggung jawab benar-benar menjadi tidak berlaku.

Jika OpenClaw, saat mengeksekusi instruksi, secara tidak sengaja membocorkan rahasia dagang, mengirim email yang bersifat fitnah, bahkan ikut terlibat dalam serangan siber, tanggung jawabnya harus dibebankan kepada siapa? Apakah pengguna yang memberi instruksi, pengembang yang menulis kode, vendor yang menyediakan model lapisan dasar, atau AI itu sendiri yang memiliki kemampuan “pengambilan keputusan mandiri”? Saat ini, secara hukum di seluruh dunia, hampir tidak ada kepastian.

(Sumber berita: China Securities Journal)