Halo. Saya seorang mahasiswa pengembang yang awalnya memulai ini sebagai proyek iseng untuk mengelola portofolio pribadi, lalu skalanya makin membesar hingga akhirnya membangun sistem 31 agen LLM.
Pada awalnya, sistem ini dirancang sebagai layanan web rekomendasi saham B2C untuk mengumpulkan pengguna. Namun, saya terbentur masalah biaya komunikasi API yang sangat besar dan sulitnya memverifikasi utilitasnya. Karena itu, saya menyerah pada akuisisi pengguna (marketing), menghapus seluruh UI/UX, lalu beralih menjadi pipeline yang langsung menghubungkan akun real saya (10 juta won) agar AI mengambil semua keputusan dan mengeksekusi trading secara otomatis. Saat ini sistem tersebut sedang saya operasikan.
Saya ingin membagikan arsitektur dan pengalaman trial-and-error teknis yang saya bangun sambil banyak berpikir dan bereksperimen kepada teman-teman GeekNews.
🧠Arsitektur sistem: 6 tahap, validasi silang 31 agen
Sistem ini (K-Agent Alpha) tidak berjalan dengan satu prompt tunggal, melainkan sebagai pipeline relay multi-agent yang meniru sepenuhnya pendekatan investasi top-down. Sistem dieksekusi secara berurutan selama sekitar 1 jam.
-
Analisis portofolio & psikologi (Phase 0~1):
- Mengambil saldo aktual melalui API KIS (Korea Investment & Securities) dan menganalisis win rate trading sebelumnya untuk membantu feedback loop.
- Menentukan stance pasar berdasarkan 5 indikator seperti volatilitas (VIX), nilai tukar, dan naik-turunnya KOSPI.
-
Tim makroekonomi (Phase 2 - 7 agen):
- Agen suku bunga, nilai tukar, dan derivatif menganalisis likuiditas global melalui FRED, API Bank of Korea, dan lainnya.
- Untuk mencegah pola pikir satu arah, sistem dirancang agar secara paksa menghasilkan 3 skenario: Base/Bull/Bear.
-
Tim industri/sektor (Phase 3 - 10 agen):
- Ini adalah pipeline paling canggih dalam sistem. Sistem melakukan screening sektor-sektor menjanjikan berdasarkan arus dana real-time investor asing/institusi, PER per industri, dan berita pencarian.
- Untuk menangkap halusinasi khas LLM (merekomendasikan saham yang tidak ada), saya menempatkan agen Validator yang secara mekanis memfilter status delisting atau kapitalisasi pasar yang di bawah syarat minimum.
-
Tim analisis perusahaan dan risiko (Phase 4 - 8 agen):
- Menelaah laporan keuangan DART, chart (indikator teknikal), dan berita untuk mengajukan kandidat. Risk manager memverifikasi tekanan short selling dan MDD.
-
Pengambil keputusan akhir CIO (Phase 5 - 1 agen):
- Output dari 30 agen (Gemini Flash) dikompilasi oleh model utama paling cerdas,
gemini-3.1-pro-preview. - Untuk mencegah sunk cost fallacy dan sejenisnya, saya menerapkan prompt 'Bounded Autonomy' agar sistem wajib menyatakan "skenario Bear Case jika saya salah" dan "kondisi pembatalan investasi". JSON yang dihasilkan di tahap ini dikirim ke API Korea Investment & Securities saya.
- Output dari 30 agen (Gemini Flash) dikompilasi oleh model utama paling cerdas,
💡 Troubleshooting: bias kognitif LLM dan ledakan traffic
Saat mengoperasikan sistem, saya mengalami dan menyelesaikan dua masalah yang cukup menyakitkan.
- LLM tidak bisa cut loss (disposition effect):
- AI mereproduksi bias kognitif manusia secara persis: ingin cepat menjual saham yang untung meski baru naik sedikit, sementara saham yang nyangkut dibiarkan dengan alasan "suatu saat akan naik". Untuk mencegah ini, ketika keputusan hari ini bertentangan dengan kemarin, saya mengubah logika agar sistem wajib menjelaskan mengapa stance berubah, serta mengevaluasi win rate masa lalunya sendiri dan melakukan bantahan terhadap dirinya sendiri (Red-Teaming).
- Batas traffic API 31 agen (Rate Limit & Context Limits):
- Karena menganalisis 20~30 saham secara mendalam, token sering meledak atau limit API eksternal terus mentok. Pada akhirnya, data dalam jumlah besar seperti fundamental dan indikator chart dipindahkan ke arsitektur pemrosesan batch di backend, misalnya seperti
get_fundamental_batch_all, lalu dimasukkan sekaligus. Dengan begitu, waktu eksekusi berhasil distabilkan di bawah 1 jam.
- Karena menganalisis 20~30 saham secara mendalam, token sering meledak atau limit API eksternal terus mentok. Pada akhirnya, data dalam jumlah besar seperti fundamental dan indikator chart dipindahkan ke arsitektur pemrosesan batch di backend, misalnya seperti
📊 Contoh log yang benar-benar dikeluarkan AI
Setelah proses di atas selesai, AI akan mengeluarkan laporan strategi (log) dengan tingkat kedalaman yang cukup tinggi seperti berikut.
(kutipan sebagian dari log diagnosis makroekonomi aktual yang ditulis AI kemarin)
"Ketika besaran rebound PPI (producer price index) (2.43%) melampaui CPI (2.0%), margin squeeze pada perusahaan mulai menjadi kenyataan...
Pasar futures mencatat kondisi backwardation dalam yang mencapai -1112.61.
Harga minyak menembus 100 dolar dan nilai tukar melampaui 1.520 won, membuat masuknya fase 'Sudden Stop' makin terlihat jelas.
→ Porsi kas dinaikkan secara besar-besaran hingga sekitar 34%. Memasukkan peralatan kapal karena daya tarik undervaluasi yang menonjol secara menyeluruh."
💻 Melihat hasil eksekusi dan log
Karena seluruh source code masih bercampur dengan key keamanan saya dan logika akun real, saya belum bisa mengunggahnya sebagai open source agar bisa langsung dijalankan dengan git clone (ke depannya saya berencana merapikan prompt inti dan pipeline lalu mengunggahnya ke GitHub).
Sebagai gantinya, saya telah menghubungkan kanal Telegram khusus agar Anda bisa mengevaluasi log pengambilan keputusan (output) seperti apa yang benar-benar dihasilkan oleh pipeline 31 prompt ini saat berdiskusi selama 1 jam setiap hari.
- Ini sama sekali bukan untuk landing page, pengumpulan email, atau tujuan marketing.
- Laporan investasi setingkat institusi yang dibuat otomatis 100% oleh LLM tanpa campur tangan manusia, beserta riwayat trading real-time yang dihasilkan darinya (terhubung ke akun real), diunggah secara streaming setiap hari pukul 3:05 sore.
👉 Kanal log penilaian AI real-time (laporan): t.me/K_Agent_Alpha
Bila ada yang tertarik pada sistem multi-agent atau prompt engineering, saya akan sangat berterima kasih jika Anda berkenan melihatnya lalu memberikan saran tajam atau feedback teknis terkait arsitektur maupun perbaikan kesalahan penilaian AI!
8 komentar
Aduh..
Aduh...
LLM memiliki waktu inferensi, sehingga responsnya lambat untuk trading real-time atau perdagangan frekuensi tinggi seperti HFT. Paling tidak, ini hanya memungkinkan pada dasar candle 5 menit. Selain itu, meskipun beberapa model LLM dirangkai bersama, kemampuannya tidak lantas menjadi jauh lebih unggul. Sebaliknya, lebih baik memakai sekitar 5 LLM untuk menangani analisis sentimen seperti apakah pasar atau komunitas sedang dalam euforia atau ketakutan, yang tidak bisa ditangkap oleh logika biasa atau model LSTM, lalu menggabungkannya secara ensemble dengan deep learning seperti advanced PPO, CNN, LSTM (analisis data chart historis) serta metode trading berdasarkan logika analisis milik pengguna sendiri. Untuk trading sangat jangka pendek, model deep learning seperti LSTM dan CNN lebih cocok.
Bagian itu sudah kami pertimbangkan dengan matang. Karena itu, kami berusaha menghindari perdagangan frekuensi tinggi dengan bertaruh pada harga penutupan saat pasar tutup.
Sedikit tips tambahan: buat model LLM kecil menjadi spesifik untuk domain tertentu lewat tuning SFT (NTR), lalu jalankan model-model itu secara lokal dan untuk API cukup gunakan satu model bahasa besar saja! Kalau model sekitar 7B atau 3B dispesialisasikan untuk analisis tertentu, hasilnya bisa lebih baik. Oh ya, saat melakukan SFT (NTR), kalau aktif memanfaatkan AI Hub, pembuatan dataset jadi lebih mudah. (Saya juga pernah membuat sesuatu yang mirip ^^;)
Oh ya, backtesting selama satu-dua bulan itu wajib. Kalau tidak, Anda bisa melihat LLM bertindak aneh dan menghabiskan aset Anda. (beli di harga terendah, jual di harga tertinggi)
Anda telah membuat kumpulan halusinasi yang sangat canggih... pasar tidak bisa diprediksi. Jika dengan buatan Anda itu aset bisa bertambah lebih dari dua kali lipat, saya akan mengakui bahwa saya salah.
Bisa jadi ini halusinasi. Karena itu saya juga akan memantaunya. Karena saya mempertaruhkan uang saya sendiri, saya harus terus memberi pembaruan. Ini semacam eksperimen.