FoldAlpha – Verifikasi strategi investasi dengan AI dan notifikasi otomatis, lewat bahasa alami

Investasi AI, semua orang tertarik kan?

Kalau melihat X atau Threads, ada sangat banyak postingan yang membagikan pengalaman berinvestasi dengan AI. Kalau disuruh ke coding agent, strategi investasi pun bisa dibuat dengan sekali klik dan bahkan bisa langsung diuji. Mungkin pada awalnya kebanyakan orang memulai dari meminta AI memilih saham.

Tapi pendekatan ini punya keterbatasan struktural. Investasi berbasis penilaian AI sulit diverifikasi secara ilmiah. Karena AI sudah mempelajari data masa lalu, meminta seperti, "coba pilih saham berdasarkan berita pada Maret 2020" tidak banyak artinya — karena hasil akhirnya sudah diketahui. Pada akhirnya, satu-satunya cara adalah menjalankannya secara live sambil melacak profit yang nyata, dan tidak ada cara untuk memperkirakan hasil sebelumnya.

Setelah menyadari hal ini, perhatian secara alami beralih ke pendekatan quant — screening berbasis faktor, backtest berbasis data. Kalau ingin menata investasi secara serius dan sistematis, menurut saya inilah pendekatan yang paling benar.

Tapi data ternyata lebih sulit dari yang dibayangkan

Untuk melakukan investasi quant, data itu wajib. Agar backtest bermakna, Anda perlu memiliki data lebih dari 10 tahun untuk pasar Korea: data harian saham, laporan keuangan, dan data aliran dana. Tentu saja, kalau menyuruh coding agent, pengumpulan datanya juga bisa dilakukan. Tapi mengambil data gratis untuk penggunaan sekali-sekali ternyata punya cukup banyak batasan. Kalau mempertimbangkan limit pemanggilan API, konsistensi data, dan penanganan saham yang delisting, pekerjaannya jadi cukup merepotkan.

Selain itu, kalau ingin menyambungkannya ke backtest engine, scheduled job yang berjalan setiap hari, notifikasi, sampai nanti ke auto-trading, ada cukup banyak yang harus dikerjakan.

Karena itu, FoldAlpha dibuat dengan lebih dulu membangun lingkungan ini dan menjadikannya mudah dipakai lewat bahasa alami.

Hal-hal yang bisa dilakukan

• Backtest bahasa alami: Jika Anda mendefinisikan strategi dalam bahasa alami seperti "rebalance per kuartal untuk saham dengan PBR di bawah 0,5 dan margin laba operasi di atas 10%", agent akan mengubahnya ke SQL lalu menjalankan backtest 10 tahun. CAGR, MDD, Sharpe Ratio, hingga excess return dibanding KOSPI dihitung otomatis.
• Scheduled job + notifikasi Telegram: Jika Anda mendaftarkan kondisi seperti "setiap pagi pukul 9 analisis saham yang berpotensi melonjak", proses akan berjalan otomatis setiap hari dan hasilnya dikirim lewat Telegram.
• Tanya jawab data keuangan: Anda bisa menelusuri dan menganalisis laporan keuangan, harga saham, serta data aliran dana lewat bahasa alami.

Saya sendiri juga benar-benar berinvestasi dengan data ini, memilih saham dan melakukan rebalancing bulanan maupun kuartalan di pasar Korea dan Amerika Serikat. Saya tidak bisa bilang imbal hasilnya luar biasa, tapi menurut saya ini adalah metode paling logis dan objektif yang bisa dilakukan oleh investor individu.

Investasi berdasarkan rekomendasi AI tentu juga bisa

Berita, laporan kinerja, "saham penerima manfaat value chain HBM", "saham penerima manfaat tarif Trump" — hampir semua orang di sekitar saya juga berinvestasi dengan cara seperti ini.

Tentu saja ini juga bisa dilakukan. Jika Anda mendaftarkan scheduled job seperti "setiap hari analisis saham yang hari ini berpotensi melonjak berdasarkan berita", agent akan mencari dan menganalisis berita real-time, memberi rekomendasi setiap hari, lalu melacak apakah saham tersebut benar-benar naik keesokan harinya. Saat ini skenario ini sedang dijalankan secara live sambil mengumpulkan hasilnya.

Sekarang, setelah mengamati hasil rekomendasi live sedikit lebih lama, saya memikirkan menghubungkannya sampai ke auto-trading sebagai tahap berikutnya. Berdasarkan API Korea Investment & Securities, setup awalnya memang agak rumit, tetapi jika registrasi key sudah selesai, eksekusi order sepertinya tidak akan terlalu sulit.

Kalau ingin mendekati investasi strategi berbasis berita secara ilmiah, perlu membangun arsip berita, tetapi mengumpulkan berita lama secara retrospektif tampaknya merupakan tugas yang bahkan sulit bagi Bloomberg. Saya berencana menyelesaikannya dalam jangka panjang.

Bagaimana saya membuatnya

Tentu saja ini dibuat dengan vibe coding. Saya menggunakan Claude Code, Codex, dan Cursor dalam berbagai kombinasi. Tapi membuat semuanya dengan vibe coding bukan berarti tinggal "sekali klik". Khususnya untuk runtime LLM agent — bagian membangun harness — saya harus masuk cukup dalam.

Pada awalnya, agent yang dihasilkan vibe coding adalah pipeline kompleks berupa intent classifier + 9 tools, tetapi latensinya lambat dan sulit dikembangkan. Setelah menganalisis arsitektur coding agent yang baru dirilis seperti Claude Code dan Codex CLI, saya mendesain ulang menjadi struktur ringan single-loop di mana LLM mengambil keputusan langsung pada setiap langkah, dan hasilnya latensi berkurang lebih dari 2 kali. Proses ini saya tulis dalam technical report, dan kode runtime-nya juga saya rilis sebagai open source.

Tech stack:

• Frontend: Next.js (Vercel)
• Backend: Fastify (Node.js)
• Runtime LLM agent: Python, implementasi sendiri — pola agent single-loop
• DB data saham: Oracle Autonomous DB (10 tahun data harian, keuangan, dan aliran dana pasar Korea)
• Data pengguna: Supabase (PostgreSQL)
• Pencarian berita: Brave Search API
• LLM: Gemini / GPT / Claude (BYOK — pengguna memakai API key miliknya sendiri)

Infrastruktur: semuanya di free tier

• Vercel: hosting frontend
• Supabase: DB pengguna + autentikasi
• Oracle ADB: DB data saham (Always Free)
• Oracle Cloud: 1 instance VM — server produksi dan pengembangan sama-sama dijalankan di sini
• Cloudflare: domain + CDN

Satu-satunya biaya adalah pembelian domain. Produksi dan pengembangan dijalankan dalam satu instance dengan hanya memisahkan port.

Tautan

• Layanan: https://app.foldalpha.com/about
• Runtime agent (open source): https://github.com/sbyoun/finllm-agent
• Technical report runtime agent: https://github.com/sbyoun/finllm-agent/…

Masukan sangat diterima.