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

Jurnalis News Jiemian | Liu Liyong

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 belakangan ini diskusi tentang “menggunakan lobster untuk trading saham” di media sosial semakin ramai, ada yang terkagum-kagum bahwa “lobster” bisa memantau pasar secara cerdas 24 jam nonstop dengan efisien dan praktis, 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 AI besar mencari “kunci kekayaan”, namun 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 “senjata ampuh” 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 berita mendadak maupun konsep baru, biasanya hanya butuh 1-2 menit untuk mendapatkan jawaban awal, dan jika perlu penelitian mendalam, tinggal ubah kata kunci dan cara bertanya, beberapa menit kemudian jawaban yang lebih sesuai harapan pun bisa didapatkan.

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

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

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, untuk menentukan target akhir. Dengan bantuan AI besar, 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 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, berbagai info keuangan terus-menerus diperbarui 24 jam, dan mengekstrak bagian yang dibutuhkan dari data sebanyak itu sudah jauh di luar kemampuan individu, namun bagi AI, ini adalah “makanan ringan”.

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

Misalnya, saat bertanya ke AI tentang hubungan suatu saham dengan tema tertentu, biasanya bisa cepat mendapatkan jawaban yang tampak logis dan beralasan, tetapi kenyataannya banyak isi yang tidak berdasar fakta.

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

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

Misalnya, jika bertanya “Apakah A lebih baik dari B?”, AI akan menyajikan banyak data untuk mendukung pendapat tersebut. Tapi jika balik bertanya “Apakah B lebih baik dari A?”, jawaban yang sama juga akan muncul. Jika sebelumnya AI dianalisis suatu industri, lalu ditanya 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 AI besar untuk trading, yaitu jawaban yang tampaknya masuk akal dan lengkap, tetapi sebenarnya mengada-ada, memuat fakta, data, dan peristiwa yang tidak ada, bahkan bertentangan dengan pengetahuan umum, dan sama sekali tidak masuk akal—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 besar, mereka harus menghabiskan waktu berkali-kali lipat untuk “mengoreksi” jawaban AI, atau terus-menerus mengubah cara bertanya agar AI memberi 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 nyaris 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 salah satu hedge fund kuantitatif terkemuka di Shanghai, sekadar bertanya ke AI saat trading adalah hal yang berbeda sama sekali dari penggunaan AI secara nyata dalam investasi kuantitatif.

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

Bagi sebagian besar investor biasa yang memakai AI besar dalam proses investasi, pada dasarnya 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 memakai platform seperti Doubao, Qianwen, DeepSeek, dan model besar umum lainnya, berbeda secara mendasar 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, dalam investasi keuangan, data berkualitas tinggi yang nyata, tepat waktu, dan lengkap sangat penting. Model besar umum lebih banyak dilatih berdasarkan data teks, dan kurang memiliki 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, proses pelatihannya 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 fokusnya berbeda, dan algoritma inti biasanya merupakan “rahasia perusahaan” yang tidak pernah dipublikasikan.

Selain itu, analis dari industri juga menyebutkan bahwa beberapa perusahaan sekuritas dan institusi lain sedang aktif mengembangkan model AI khusus bidang keuangan. Meski fokusnya lebih ke keuangan dan memiliki data terbaru, riset 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 keakuratan data setinggi investor kuantitatif, tapi keputusan mereka tetap harus didasarkan pada data terbaru dan cukup akurat. Data yang diambil model besar umum seringkali tidak tepat waktu, bahkan ada yang tercemar, sehingga analisis dan jawaban yang diberikan tidak bisa diandalkan.”

“Yang lebih penting, AI besar umum belum memiliki sistem investasi yang lengkap. Setiap strategi investasi punya karakter dan kondisi pasar yang berbeda. Dari sudut pandang strategi yang berbeda, kesimpulan tentang titik beli/jual saham bisa sangat berbeda. Misalnya, dari sudut pandang investor jangka menengah-panjang, saham tertentu mungkin dianggap peluang beli, tapi dari perspektif trader jangka sangat pendek, harus dijual. Model besar umum memang mempelajari banyak strategi, tetapi selama pelatihan, mereka kekurangan data praktis dari berbagai strategi, sehingga sulit membedakan 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 pernah mencoba, dan menolak hasilnya. Menurutnya, apa yang “diberikan” ke AI hanyalah pandangan dan logika yang sudah dipublikasikan para investor besar, dan mereka sendiri saat berbagi secara terbuka pun kemungkinan besar tidak bisa atau tidak mau mengungkapkan seluruh filosofi dan logika investasi mereka secara lengkap, apalagi karena sistem investasi mereka juga terus berkembang mengikuti kondisi 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 bergantung sepenuhnya pada AI untuk 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 investasi dulu, baru setelah cukup paham akan mulai kembali berinvestasi. Dalam proses ini, dia menemukan keunggulan baru dari AI: “Kemampuannya dalam analisis teks sangat hebat, sangat membantu dalam mencari dan merangkum pengetahuan investasi!”

Qin Peng yang cukup puas dengan AI “partner”-nya, berbagi pengalaman ke News Jiemian: di tahap pengumpulan informasi, efisiensi AI jauh melampaui manusia, jadi bagian ini bisa lebih banyak diserahkan ke AI; dalam analisis informasi, AI juga lebih efisien, tapi sering membuat kesalahan, jadi bisa diatasi dengan mengubah cara bertanya dan menambah petunjuk; sedangkan dalam pengambilan keputusan investasi, tingkat kesulitannya lebih tinggi dan sangat penting, sehingga bagian ini harus dilakukan secara subjektif oleh manusia.

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

Di satu sisi, AI adalah hasil latihan manusia, dan jumlah daya komputasi, data yang “diberikan”, serta algoritma yang digunakan semuanya ditentukan oleh manusia. Dalam 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 menghadapi situasi seperti itu, sehingga sulit menciptakan “agent” serba bisa.

Di sisi lain, dari sudut pandang teknologi, suatu saat nanti AI trading saham mungkin bisa lebih baik dari manusia, tetapi risiko yang mengintai sangat besar, dan hampir tidak mungkin menyerahkan semua keputusan kepada AI.

Misalnya, masalah tren strategi yang seragam, di mana semakin banyak institusi dan investor memakai data dan metode yang sama untuk melatih AI, bisa menyebabkan strategi yang serupa dan memperbesar risiko pasar secara sistemik.

Selain itu, AI bersifat “kotak hitam”, proses pengambilan keputusannya sulit dilacak, dan jika terjadi kesalahan besar, AI tidak bisa dipertanggungjawabkan. Jika AI sepenuhnya diberi kendali, kemungkinan manipulasi pasar oleh pihak tertentu melalui pengaruh dan kendali 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 mencegah risiko.