refactor: restructure repository and add README, CLAUDE.md, LICENSE
- Move utility scripts to scripts/ (check_market, check_positions, etc.) - Move test files to tests/ (test_modules, test_mt5_connection, etc.) - Move deprecated dashboards to archive/ - Move research files to docs/research/ - Add sys.path fix to all moved Python files - Rewrite README.md with architecture diagram and badges - Add CLAUDE.md project guide - Add MIT LICENSE - Update .gitignore with archive/ pattern Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
GifariKemal
co-authored by
Claude Opus 4.6
Claude Opus 4.6
parent
20dc1385c3
commit
0d25548ed5
+165
@@ -0,0 +1,165 @@
|
||||
# **Blueprint Sistem Trading Algoritmik (Forex/Gold) \- Edisi 2026**
|
||||
|
||||
Dokumen ini adalah cetak biru teknis (technical blueprint) untuk membangun sistem trading otomatis end-to-end yang menggabungkan logika institusional (SMC) dengan validasi statistik (Machine Learning).
|
||||
|
||||
## ---
|
||||
|
||||
**1\. Workflow (Alur Kerja Sistem)**
|
||||
|
||||
Sistem ini dirancang menggunakan arsitektur **Asynchronous Event-Driven**. Robot tidak bekerja secara linear (menunggu), tetapi bereaksi terhadap *event* (perubahan harga) secara real-time.
|
||||
|
||||
1. **Data Ingestion (Penyedot Data):**
|
||||
* Koneksi ke **MetaTrader 5 (MT5)** via Python API.
|
||||
* Streaming data *tick* atau *candle* (M1/M15) secara real-time.
|
||||
2. **Preprocessing & Feature Engineering:**
|
||||
* Pembersihan data (hapus *bad tick*).
|
||||
* Kalkulasi indikator teknikal & Deteksi Pola SMC (FVG, Order Block) menggunakan library polars (pengganti Pandas).
|
||||
3. **Market Regime Detection (Filter Pasar):**
|
||||
* **Algoritma:** HMM (Hidden Markov Model).
|
||||
* **Fungsi:** Menentukan apakah pasar sedang *Trending*, *Ranging*, atau *High Volatility/Crisis*.
|
||||
* **Output:** Jika *Crisis*, robot masuk mode "Sleep".
|
||||
4. **Signal Generation (Otak AI):**
|
||||
* **Algoritma:** XGBoost / LightGBM (Ensemble).
|
||||
* **Logika:** Jika HMM \= "Aman", data masuk ke model prediksi.
|
||||
* **Output:** Probabilitas arah harga (Buy/Sell/Hold).
|
||||
5. **Risk Engine (Polisi Risiko):**
|
||||
* Cek saldo & Margin Level.
|
||||
* Hitung lot size dinamis (Risk-Constrained Kelly Criterion).
|
||||
* Cek batas kerugian harian (*Daily Loss Limit*).
|
||||
6. **Execution (Eksekusi):**
|
||||
* Kirim order ke broker via MT5 (Order Send).
|
||||
* Set *Hard Stop Loss* & *Take Profit* di server broker.
|
||||
7. **Monitoring & Logging:**
|
||||
* Simpan setiap keputusan (Signal, Risk, Result) ke database untuk audit & retraining.
|
||||
|
||||
## ---
|
||||
|
||||
**2\. Tech Stack (Tumpukan Teknologi)**
|
||||
|
||||
Kami memilih teknologi yang standar digunakan di industri *Quantitative Finance* pada tahun 2026 untuk kecepatan dan stabilitas.
|
||||
|
||||
* **Bahasa Pemrograman:** Python 3.11+ (Wajib mendukung asyncio).
|
||||
* **Database:**
|
||||
* **Redis (Hot Storage):** Untuk menyimpan data harga real-time dan status order aktif (in-memory, sangat cepat).
|
||||
* **TimescaleDB / PostgreSQL (Cold Storage):** Untuk menyimpan data historis bertahun-tahun dan jurnal trading.
|
||||
* **Infrastructure:**
|
||||
* **VPS:** Wajib lokasi **Singapura (SG1)** atau **London (LD4)** tergantung lokasi server broker Anda (Target Latency: \< 5ms).
|
||||
* **Container:** **Docker** (Agar lingkungan development di laptop sama persis dengan di VPS).
|
||||
|
||||
## ---
|
||||
|
||||
**3\. Library Python (Wajib Install)**
|
||||
|
||||
| Kategori | Library | Fungsi Utama |
|
||||
| :---- | :---- | :---- |
|
||||
| **Koneksi Broker** | MetaTrader5 | Library resmi untuk kontrol terminal MT5. |
|
||||
| **Data Processing** | polars | Pengganti pandas. 50x lebih cepat untuk memproses data time-series besar. |
|
||||
| **Analisis Teknikal** | pandas-ta, smartmoneyconcepts | smartmoneyconcepts untuk deteksi FVG/Order Block otomatis. |
|
||||
| **Machine Learning** | xgboost, scikit-learn, joblib | Algoritma prediksi utama (Gradient Boosting). |
|
||||
| **Regime Detection** | hmmlearn | Mendeteksi fase pasar (Hidden Markov Model). |
|
||||
| **Backtesting** | vectorbt | Backtesting performa tinggi berbasis vektor (bukan looping). |
|
||||
| **Asynchronous** | asyncio | Manajemen proses paralel (non-blocking). |
|
||||
|
||||
## ---
|
||||
|
||||
**4\. Algoritma (The Hybrid Brain)**
|
||||
|
||||
Sistem ini tidak menggunakan satu otak, melainkan sistem **Ensemble** (Gabungan):
|
||||
|
||||
1. **Gatekeeper (HMM \- Hidden Markov Model):**
|
||||
* *Tugas:* Menjawab "Apakah pasar kondusif?"
|
||||
* *Input:* Volatilitas (ATR), Return Distribution.
|
||||
* *Keputusan:* Jika pasar *High Volatility* (misal: saat berita NFP), HMM akan memblokir semua sinyal trading.
|
||||
2. **Signal Generator (XGBoost/LightGBM):**
|
||||
* *Tugas:* Menjawab "Beli atau Jual?"
|
||||
* *Input:* Pola SMC (jarak ke Order Block), RSI, Moving Average, Volume.
|
||||
* *Kenapa XGBoost?* Lebih ringan dan akurat untuk data tabular (harga) dibandingkan Deep Learning yang berat.
|
||||
3. **Optimizer (Walk-Forward):**
|
||||
* *Tugas:* Melatih ulang model (*Retraining*) setiap minggu/bulan agar robot tidak "kadaluarsa" (Data Drift).
|
||||
|
||||
## ---
|
||||
|
||||
**5\. Strategi (SMC \+ AI Filter)**
|
||||
|
||||
Strategi murni SMC sering terjebak *fakeout* (jebakan likuiditas). Kita gunakan AI untuk memfilternya.
|
||||
|
||||
* **Timeframe:** Eksekusi di **M15**, Tren dilihat di **H4**.
|
||||
* **Logic Entry (SMC):**
|
||||
* Cari **FVG (Fair Value Gap)** yang searah dengan tren besar (H4).
|
||||
* Tunggu harga masuk kembali (*mitigation*) ke area **Order Block**.
|
||||
* Validasi adanya **BOS (Break of Structure)** kecil di M15.
|
||||
* **Logic Filter (AI Validation):**
|
||||
* Saat setup SMC muncul, kirim data ke AI: "Kondisi sekarang seperti ini, peluang menang berapa?"
|
||||
* Jika AI Score \> **65%** ![][image1] **EKSEKUSI**.
|
||||
* Jika AI Score \< 65% ![][image1] **ABAIKAN** (Meskipun chart terlihat bagus, statistik historis mengatakan risikonya tinggi).
|
||||
|
||||
## ---
|
||||
|
||||
**6\. Risk Management (Jantung Sistem)**
|
||||
|
||||
Tanpa ini, strategi terbaik pun akan bangkrut.
|
||||
|
||||
1. **Position Sizing:** Gunakan **Risk-Constrained Kelly Criterion**.
|
||||
* Rumus ini menghitung lot optimal agar akun tumbuh maksimal, tapi membatasi *drawdown* agar tidak agresif.
|
||||
* *Rule of Thumb:* Jangan pernah trade lebih dari **1% \- 2%** risiko per transaksi.
|
||||
2. **Circuit Breaker (Sekring Otomatis):**
|
||||
* **Daily Loss Limit:** Jika rugi hari ini \> 3% modal, Robot **STOP** trading sampai besok.
|
||||
* **Flash Crash Guard:** Jika harga bergerak \> 1% dalam 1 menit (anomali), tutup semua posisi segera.
|
||||
3. **Hard Stop Loss:** Wajib dipasang di server broker (bukan hanya di memori Python) untuk jaga-jaga jika koneksi internet putus.
|
||||
|
||||
## ---
|
||||
|
||||
**7\. Data & Training**
|
||||
|
||||
* **Sumber:** Data *Tick* asli dari broker yang Anda pakai (JANGAN pakai data Yahoo Finance untuk Forex, karena beda server beda harga/spread).
|
||||
* **Training Method:** **Walk-Forward Optimization**.
|
||||
* *Salah:* Train data 2020-2024, Test 2025\.
|
||||
* *Benar (Rolling):* Train Jan-Mar, Test Apr. Train Feb-Apr, Test Mei. Ini mensimulasikan kondisi real-time yang terus berubah.
|
||||
|
||||
## ---
|
||||
|
||||
**8\. Skenario Modal: $5,000 vs $50,000**
|
||||
|
||||
Strategi harus disesuaikan dengan ukuran modal.
|
||||
|
||||
### **Skenario A: Modal Kecil ($5,000)**
|
||||
|
||||
* **Tujuan:** Pertumbuhan Akun (*Growth*).
|
||||
* **Strategi:** Sedikit agresif (Scalping/Day Trading M15).
|
||||
* **Aset:** Fokus 1-2 Pair likuid (XAUUSD, GBPUSD).
|
||||
* **Risiko per Trade:** 1.5% ($75).
|
||||
* **Leverage:** 1:100 (Dibutuhkan untuk margin).
|
||||
* **Infrastruktur:** VPS Shared ($10-$15/bulan).
|
||||
|
||||
### **Skenario B: Modal Menengah ($50,000)**
|
||||
|
||||
* **Tujuan:** Keamanan & Konsistensi (*Wealth Preservation*).
|
||||
* **Strategi:** Konservatif (Swing Trading H1/H4) & Portfolio.
|
||||
* **Aset:** Diversifikasi 5-10 Aset (Forex Major, Gold, Oil, Indeks) agar risiko tersebar.
|
||||
* **Risiko per Trade:** 0.5% \- 1% ($250 \- $500).
|
||||
* **Leverage:** 1:30 atau 1:50 (Lebih aman).
|
||||
* **Infrastruktur:** VPS Dedicated / Bare Metal ($50+/bulan) untuk stabilitas maksimal.
|
||||
|
||||
## ---
|
||||
|
||||
**9\. Broker & Infrastruktur (Konteks Indonesia)**
|
||||
|
||||
**Opsi A: Broker Lokal (Regulasi Bappebti) \- Aman Secara Hukum**
|
||||
|
||||
* **Rekomendasi:** **Dupoin**, **MIFX (Monex)**, atau **Moneta Markets**.
|
||||
* **Kenapa:** Dana aman dijamin KBI (Kliring Berjangka Indonesia). Mendukung MT5.
|
||||
* **Setup:** VPS Windows \-\> Install MT5 \-\> Install Python \-\> Robot jalan di VPS.
|
||||
|
||||
**Opsi B: Broker Luar (Offshore) \- Teknologi Terbaik**
|
||||
|
||||
* **Rekomendasi:** **Interactive Brokers (IBKR)** atau **IC Markets**.
|
||||
* **Kenapa:** Spread sangat tipis (Raw ECN), API kelas dunia.
|
||||
* **Tantangan:** Deposit/WD lebih kompleks, website sering diblokir (butuh VPN/DoH).
|
||||
|
||||
## **10\. Konsekuensi & Realita**
|
||||
|
||||
1. **Biaya Operasional:** Siapkan budget rutin untuk VPS ($15-$50/bln) dan Data Feed (jika perlu).
|
||||
2. **Maintenance:** Robot perlu "di-servis" (Retraining model) minimal sebulan sekali.
|
||||
3. **Psikologi:** Tantangan terberat adalah **membiarkan robot bekerja saat sedang rugi (drawdown)**. Jangan intervensi manual kecuali *Circuit Breaker* jebol.
|
||||
|
||||
[image1]: <data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAABMAAAAYCAYAAAAYl8YPAAAAfUlEQVR4XmNgGAWjYHACWSDuBmIOdAlyQTkUUwWIAfF+IDZDlyAXgAw6AsQq6BI8QCxJBg4G4kdAzMmABCqggqTiZ0D8H4jjGSgE3EC8EIj70CVIBa5AvJoBzXvkABYGiIs80CXIAdJAvBmIRdAlyAGsQCwExIzoEqNggAEAkekYp+CjMnEAAAAASUVORK5CYII=>
|
||||
@@ -0,0 +1,256 @@
|
||||
# **Arsitektur Strategis dan Kerangka Kerja Sistem Perdagangan Algoritmik: Perspektif Menyeluruh Tahun 2026**
|
||||
|
||||
## **1\. Eksekutif Ringkasan**
|
||||
|
||||
Laporan penelitian ini menyajikan analisis mendalam mengenai ekosistem perdagangan algoritmik (algorithmic trading) pada tahun 2026, yang telah mengalami transformasi fundamental dari skrip berbasis aturan statis menjadi sistem kecerdasan buatan (AI) yang bersifat agentic dan otonom. Konvergensi antara protokol keuangan terdesentralisasi (DeFi), antarmuka pemrograman aplikasi (API) institusional berlatensi rendah, dan kerangka kerja pembelajaran mesin yang semakin aksesibel telah mendemokratisasi kemampuan yang sebelumnya hanya dimiliki oleh dana lindung nilai (hedge funds) berkapitalisasi besar. Namun, aksesibilitas ini membawa tantangan operasional yang kompleks, mulai dari kebutuhan infrastruktur latensi mikro-detik, efisiensi alokasi modal, hingga kepatuhan regulasi yang ketat, khususnya dalam yurisdiksi pasar keuangan Indonesia di bawah pengawasan Bappebti dan transisi ke OJK.
|
||||
|
||||
Dokumen ini dirancang sebagai cetak biru teknis dan strategis yang komprehensif untuk membangun alur kerja (workflow) perdagangan algoritmik dari hulu ke hilir. Analisis mencakup evaluasi tumpukan teknologi (tech stack) berbasis Python dan Rust, logika algoritmik tingkat lanjut yang menggabungkan Smart Money Concepts (SMC) dengan deteksi rezim pasar (Regime Switching), serta strategi alokasi modal yang dibedakan secara tajam antara akun modal kecil (USD 5.000) dan akun modal menengah (USD 50.000). Lebih jauh, laporan ini mengevaluasi risiko operasional, termasuk mekanisme perlindungan terhadap *flash crash*, bahaya *overfitting* statistik, dan memberikan perbandingan kritis infrastruktur broker yang sesuai bagi pelaku pasar di Indonesia.
|
||||
|
||||
## **2\. Arsitektur Alur Kerja End-to-End (Workflow)**
|
||||
|
||||
Pembangunan sistem perdagangan algoritmik yang kuat pada tahun 2026 menuntut arsitektur modular yang memisahkan fungsi akuisisi data, pemrosesan logika, eksekusi, dan manajemen risiko secara tegas namun terintegrasi. Standar industri saat ini telah beralih dari pemrosesan sinkron menjadi pemrosesan asinkron (asynchronous processing) yang memprioritaskan latensi rendah dan observabilitas sistem dengan konsep "human-in-the-loop".
|
||||
|
||||
### **2.1 Siklus Umpan Balik Inti (The Core Feedback Loop)**
|
||||
|
||||
Siklus operasional sebuah bot perdagangan modern bukanlah proses linier, melainkan sirkular yang terdiri dari lima tahap distingtif yang harus beroperasi dengan presisi milidetik. Kegagalan pada satu tahap akan merusak integritas seluruh sistem.1
|
||||
|
||||
Pertama adalah **Akuisisi Data (Ingestion)**. Pada tahap ini, sistem secara terus-menerus menelan data pasar. Di tahun 2026, cakupan data tidak lagi terbatas pada harga (Open, High, Low, Close, Volume atau OHLCV) semata, melainkan telah meluas mencakup kedalaman buku pesanan (Level 2 dan Level 3), data on-chain untuk aset kripto—seperti pergerakan dompet paus (whale) dan status likuiditas pool—serta data alternatif yang mencakup sentimen dari berita dan media sosial. Integrasi data ini sangat krusial karena model AI modern membutuhkan konteks multisektoral untuk menghasilkan prediksi yang akurat.1
|
||||
|
||||
Tahap kedua adalah **Rekayasa Fitur dan Normalisasi (Feature Engineering)**. Data mentah yang masuk harus segera diproses menjadi fitur yang dapat dikonsumsi oleh model. Proses ini melibatkan normalisasi stempel waktu (timestamp normalization) untuk mengatasi perbedaan zona waktu server, penanganan *missing ticks* atau data yang hilang, serta kalkulasi indikator teknikal atau faktor statistik secara *real-time*. Dalam ekosistem Python modern, perpustakaan seperti Polars semakin digemari karena kemampuannya memproses data dalam memori jauh lebih cepat dibandingkan pendahulunya, Pandas.4
|
||||
|
||||
Tahap ketiga, yang merupakan pusat kecerdasan sistem, adalah **Pembangkitan Sinyal (Signal Generation)**. Mesin logika utama menerapkan strategi yang telah ditentukan—mulai dari strategi *mean reversion* sederhana hingga prediksi berbasis jaringan saraf tiruan (neural networks) seperti LSTM (Long Short-Term Memory) atau Transformer. Di sinilah algoritma seperti Smart Money Concepts (SMC) diterjemahkan dari pola visual grafik menjadi kode biner untuk mendeteksi jejak institusional.5
|
||||
|
||||
Sebelum pesanan dikirim ke pasar, ia harus melewati tahap keempat: **Manajemen Risiko dan Pemutus Sirkuit (Risk Engine & Circuit Breakers)**. Ini adalah lapisan pertahanan terakhir. Mesin risiko memeriksa eksposur portofolio, batas leverage, dan melakukan validasi logika ("sanity checks") untuk mencegah kesalahan algoritma atau halusinasi model AI yang dapat menyebabkan kerugian katastropik. Fitur ini menjadi semakin vital mengingat kecepatan eksekusi pasar yang semakin tinggi.6
|
||||
|
||||
Terakhir adalah **Eksekusi dan Rekonsiliasi**. Pesanan yang telah divalidasi diarahkan ke bursa melalui API. Penggunaan *Smart Order Routers* (SOR) memungkinkan pemecahan pesanan besar menjadi bagian-bagian kecil untuk meminimalkan *slippage* atau dampak pasar. Setelah eksekusi, sistem melakukan rekonsiliasi posisi internal dengan saldo aktual di broker untuk mendeteksi adanya *drift* atau ketidaksesuaian data.1
|
||||
|
||||
### **2.2 Infrastruktur Fisik dan Virtual**
|
||||
|
||||
Fondasi infrastruktur tempat bot dijalankan memiliki dampak langsung terhadap profitabilitas, terutama bagi pedagang di wilayah geografis seperti Indonesia.
|
||||
|
||||
Lokasi server menjadi variabel kritis. Untuk strategi yang sensitif terhadap latensi, seperti *scalping* atau arbitrase, kode harus dijalankan pada *Virtual Private Server* (VPS) yang berlokasi sedekat mungkin dengan mesin pencocokan (matching engine) bursa. Bagi pedagang Indonesia, menjalankan bot dari koneksi rumah di Jakarta untuk berdagang di bursa New York akan menghadapi latensi sekitar 200-250 milidetik, yang sangat lambat dalam standar algoritmik. Oleh karena itu, penyewaan VPS di pusat data Singapura (untuk pasar Asia) atau London (LD4) dan New York (NY4) adalah mandat operasional untuk memangkas latensi menjadi di bawah 5 milidetik antara VPS dan server broker.8
|
||||
|
||||
Dari sisi basis data, pendekatan hibrida atau *dual-database* sangat disarankan. **Hot Storage** menggunakan Redis digunakan untuk menyimpan data *real-time* yang bersifat sementara namun membutuhkan kecepatan akses mikro-detik, seperti status posisi terbuka saat ini, pesanan aktif, dan data harga 100 *tick* terakhir. Sementara itu, **Cold Storage** menggunakan PostgreSQL atau TimescaleDB digunakan untuk pengarsipan data historis, log perdagangan, dan metrik kinerja untuk analisis jangka panjang dan keperluan audit pajak atau regulasi.4
|
||||
|
||||
Penerapan kontainerisasi melalui Docker memastikan konsistensi lingkungan pengembangan dan produksi. Hal ini mencegah kesalahan klasik "berjalan di komputer saya tapi gagal di server" yang sering terjadi akibat perbedaan versi pustaka atau sistem operasi.1
|
||||
|
||||
### **2.3 Pemrosesan Asinkron (Asynchronous Processing)**
|
||||
|
||||
Bot modern pada tahun 2026 wajib memanfaatkan pustaka asyncio pada Python untuk menangani konkurensi. Berbeda dengan skrip sinkron tradisional yang harus menunggu pembaruan harga satu aset selesai sebelum memproses aset berikutnya, arsitektur asinkron memungkinkan bot untuk mendengarkan aliran WebSocket dari 50 aset berbeda, menghitung ulang indikator, dan memeriksa status pesanan secara simultan tanpa saling memblokir. Pendekatan non-blocking ini sangat penting untuk bereaksi terhadap peristiwa pasar secara *real-time* di berbagai instrumen.4
|
||||
|
||||
## **3\. Ekosistem Tumpukan Teknologi (Tech Stack) dan Pustaka**
|
||||
|
||||
Python tetap menjadi kekuatan dominan dalam perdagangan algoritmik pada tahun 2026, namun ekosistemnya telah berevolusi dengan integrasi pustaka berbasis Rust untuk mengatasi hambatan kinerja (performance bottlenecks).
|
||||
|
||||
### **3.1 Manipulasi Data dan Matematika Numerik**
|
||||
|
||||
Meskipun **Pandas** tetap menjadi standar industri untuk manipulasi data deret waktu (OHLCV) dan format CSV, **Polars** telah muncul sebagai alternatif berkinerja tinggi yang signfikan. Ditulis dalam bahasa Rust, Polars mampu memproses set data masif 10 hingga 50 kali lebih cepat daripada Pandas melalui evaluasi malas (*lazy evaluation*) dan manajemen memori yang efisien. Bagi pedagang yang melakukan pengujian balik (*backtesting*) strategi pada data historis bertahun-tahun, transisi ke Polars sangat disarankan untuk efisiensi waktu.4
|
||||
|
||||
Di sisi matematika murni, **NumPy** tetap menjadi fondasi tak tergantikan untuk operasi matriks dan aljabar linier, yang esensial dalam memvektorisasi logika perdagangan. Sementara itu, **SciPy** dimanfaatkan untuk komputasi ilmiah tingkat lanjut, seperti pemrosesan sinyal digital untuk memfilter kebisingan pasar (market noise) dan algoritma optimasi untuk kurva imbal hasil.4
|
||||
|
||||
### **3.2 Analisis Teknikal dan Pembangkit Sinyal**
|
||||
|
||||
Dalam ranah analisis teknikal, terdapat pemisahan antara "penjaga lama" dan "inovator modern". **TA-Lib**, yang ditulis dalam bahasa C, menyediakan eksekusi tercepat untuk indikator standar (RSI, MACD, Bollinger Bands) dan tetap menjadi standar emas untuk akurasi perhitungan. Namun, instalasinya yang terkadang rumit di lingkungan Windows sering menjadi hambatan.4 Sebagai alternatif modern, **Pandas-TA** menawarkan antarmuka yang lebih "Pythonic" dan mudah digunakan, terintegrasi mulus dengan DataFrame Pandas, serta memungkinkan pembuatan rantai indikator kompleks dengan kode yang minimal.4
|
||||
|
||||
Inovasi spesifik tahun 2026 terlihat pada ketersediaan pustaka khusus untuk **Smart Money Concepts (SMC)**. Pustaka seperti smartmoneyconcepts telah dikembangkan untuk mengidentifikasi jejak institusional secara programatik. Pustaka ini mampu mendeteksi pola *Order Blocks* (OB), *Fair Value Gaps* (FVG), dan *Break of Structure* (BOS) secara otomatis, menerjemahkan konsep visual grafik yang subjektif menjadi parameter kode yang objektif dan dapat dieksekusi.5
|
||||
|
||||
### **3.3 Pembelajaran Mesin dan Kecerdasan Buatan (AI)**
|
||||
|
||||
Penerapan AI dalam perdagangan telah terbagi menjadi model tradisional dan *deep learning*. **Scikit-learn** menjadi pilihan utama untuk model pembelajaran mesin tradisional seperti Regresi Logistik, *Random Forests*, dan *Support Vector Machines* (SVM). Pustaka ini sangat tangguh untuk seleksi fitur dan klasifikasi rezim pasar.1
|
||||
|
||||
Untuk tugas yang lebih kompleks seperti prediksi urutan harga (*sequence prediction*), **PyTorch** atau **TensorFlow** menjadi esensial. Model *deep learning* seperti LSTM (Long Short-Term Memory) dan Transformer digunakan untuk memprediksi harga penutupan lilin berikutnya berdasarkan urutan 50 lilin sebelumnya, menangkap dependensi temporal jangka panjang yang sering terlewatkan oleh model statistik biasa.1 Selain itu, kerangka kerja *gradient boosting* seperti **XGBoost**, **LightGBM**, dan **CatBoost** sering kali mengungguli *deep learning* dalam data keuangan tabular, khususnya untuk mengklasifikasikan kondisi "beli" versus "jangan berdagang".4
|
||||
|
||||
### **3.4 Eksekusi dan Konektivitas API**
|
||||
|
||||
Konektivitas adalah jembatan antara logika dan pasar. Untuk pasar mata uang kripto, **CCXT** adalah standar mutlak. Pustaka ini menyatukan API dari lebih dari 100 bursa (seperti Binance, Kraken, Bybit) ke dalam struktur kelas yang konsisten, memungkinkan bot untuk berpindah bursa dengan perubahan kode yang minimal, sebuah fitur krusial untuk strategi arbitrase.1
|
||||
|
||||
Untuk pasar Forex dan CFD, khususnya dengan broker yang populer di Indonesia, **MetaTrader 5 (MT5) Python API** adalah solusi utama. Paket MetaTrader5 memungkinkan kontrol langsung terhadap terminal MT5, memungkinkan ekstraksi data historis dan penempatan pesanan secara programatik tanpa perantara jembatan pihak ketiga yang lambat.11
|
||||
|
||||
Dalam ranah DeFi, **Web3.py** menjadi kritis untuk berinteraksi dengan kontrak pintar Ethereum, bursa terdesentralisasi (DEX) seperti Uniswap, dan data on-chain, membuka peluang bagi strategi *Yield Farming* algoritmik.1
|
||||
|
||||
### **3.5 Mesin Pengujian Balik (Backtesting Engines)**
|
||||
|
||||
Validasi strategi sebelum peluncuran langsung dilakukan melalui mesin *backtesting*. **Vectorbt** menonjol sebagai "raja kecepatan" dengan pendekatan tervektorisasi, memungkinkan pedagang menguji jutaan kombinasi parameter dalam hitungan detik untuk menemukan "edge" statistik.4 Bagi mereka yang membutuhkan simulasi siklus hidup perdagangan yang lebih rinci—termasuk *slippage* dan komisi—**Backtrader** menawarkan kerangka kerja berbasis peristiwa (*event-driven*) yang fleksibel.12 Sementara itu, **QuantConnect (Lean)** menyediakan solusi kelas institusi dengan inti C\# dan pembungkus Python, menawarkan data berkualitas tinggi dan kemampuan pengujian di awan (cloud).4
|
||||
|
||||
## **4\. Logika Algoritmik dan Formulasi Strategi**
|
||||
|
||||
Pada tahun 2026, strategi yang sukses telah bergerak melampaui persilangan indikator sederhana (seperti Golden Cross). Strategi modern menggabungkan pemahaman mendalam tentang struktur pasar mikro (SMC) dan adaptasi terhadap rezim pasar.
|
||||
|
||||
### **4.1 Implementasi Smart Money Concepts (SMC)**
|
||||
|
||||
Strategi SMC berupaya menyelaraskan perdagangan ritel dengan aliran pesanan institusional. Mengotomatiskan konsep ini melibatkan pendefinisian aturan geometris yang ketat untuk pola grafik.5
|
||||
|
||||
Deteksi **Order Block (OB)** adalah komponen fundamental. Algoritma diprogram untuk mengidentifikasi lilin *bearish* terakhir sebelum pergerakan *bullish* yang kuat (atau sebaliknya) yang berhasil mematahkan struktur pasar (*Break of Structure*). Logika kode mendefinisikan "zona" antara harga tertinggi dan terendah dari lilin tersebut. Aturan masuk (*entry rule*) biasanya menempatkan pesanan batas beli (*limit buy order*) di bagian atas *Order Block* bullish ketika harga mengalami *retracement* kembali ke zona tersebut, dengan *Stop Loss* ditempatkan sedikit di bawah zona *Order Block* untuk membatasi risiko.
|
||||
|
||||
Komponen kedua adalah **Fair Value Gaps (FVG)**. Algoritma mendeteksi urutan tiga lilin di mana harga tertinggi lilin pertama dan harga terendah lilin ketiga tidak saling tumpang tindih, meninggalkan "celah" harga. Logika SMC berhipotesis bahwa harga secara statistik cenderung kembali ke celah ini untuk menyeimbangkan kembali likuiditas. Bot memindai FVG yang belum termitigasi dan memperlakukannya sebagai zona magnetis untuk target ambil untung (*take-profit*) atau titik masuk.5
|
||||
|
||||
Terakhir, **Break of Structure (BOS)** didefinisikan secara programatik sebagai penutupan lilin yang melebihi titik ayunan tertinggi (*swing high*) sebelumnya yang signifikan. Konfirmasi BOS digunakan oleh algoritma untuk memvalidasi arah tren dan menyaring sinyal palsu.
|
||||
|
||||
### **4.2 Pembelajaran Mesin dan Pergantian Rezim (Regime Switching)**
|
||||
|
||||
Pasar keuangan terus bersiklus antara rezim tren (trending) dan rezim pembalikan rata-rata (*mean-reverting* atau *chop*). Strategi yang sangat efektif dalam tren, seperti persilangan Rata-Rata Bergerak, akan mengalami kerugian besar dalam kondisi pasar yang *choppy*.
|
||||
|
||||
Untuk mengatasi ini, **Hidden Markov Models (HMM)** digunakan untuk mengklasifikasikan status pasar saat ini secara probabilistik ke dalam "Rezim 0" (Volatilitas Rendah / Bull), "Rezim 1" (Volatilitas Tinggi / Bear), atau "Rezim 2" (Sideways / Chop).14 Integrasi alur kerja melibatkan analisis HMM terhadap pengembalian dan volatilitas terkini. Jika HMM mendeteksi *Rezim \= Tren*, bot akan mengaktifkan logika *Trend Following* (misalnya, entri pada BOS SMC). Sebaliknya, jika terdeteksi *Rezim \= Chop*, bot beralih ke logika *Mean Reversion* (misalnya, pembalikan Bollinger Band) atau bahkan menghentikan perdagangan sepenuhnya untuk melestarikan modal.15
|
||||
|
||||
### **4.3 Arsitektur Agen AI (ElizaOS dan Agentic AI)**
|
||||
|
||||
Batas inovasi pada tahun 2026 adalah model "Agentic". Kerangka kerja seperti **ElizaOS** memungkinkan pembuatan agen otonom yang memiliki "tujuan" alih-alih hanya sekadar "aturan".1
|
||||
|
||||
Dalam konteks dana terdesentralisasi, agen ElizaOS dapat secara otonom mengelola portofolio, mengeksekusi perdagangan secara *on-chain*, sekaligus mengomunikasikan alasan di balik keputusannya kepada investor melalui lapisan sosial seperti Twitter atau Discord. Konsep yang lebih maju adalah **Debat Multi-Agen**, di mana satu "Agen Bull" dan satu "Agen Bear" menganalisis data yang sama dan memperdebatkan hasilnya. Sebuah "Agen Manajer" kemudian meninjau argumen kedua belah pihak dan membuat keputusan eksekusi akhir. Pendekatan ini bertujuan untuk mengurangi bias kognitif tunggal dan meningkatkan kemampuan penjelasan (*explainability*) dari keputusan AI.17
|
||||
|
||||
## **5\. Alokasi Modal dan Manajemen Risiko**
|
||||
|
||||
Manajemen matematika modal adalah penentu utama keberlangsungan jangka panjang seorang pedagang algoritmik. Pendekatan ini harus dibedakan secara signifikan berdasarkan ukuran akun.
|
||||
|
||||
### **5.1 Skenario Akun Modal USD 5.000**
|
||||
|
||||
Basis modal yang lebih kecil menghadapi paradoks "Risiko Kebangkrutan" (*Risk of Ruin*). Untuk menumbuhkan akun secara bermakna, pedagang sering kali tergoda untuk menggunakan *leverage* berlebihan, yang justru meningkatkan probabilitas saldo menjadi nol.
|
||||
|
||||
Fokus strategi pada level ini haruslah pada akumulasi modal melalui pengaturan perdagangan dengan tingkat kemenangan (*win-rate*) tinggi atau rasio risiko-imbalan (*risk-reward*) yang superior, seperti strategi *Scalping* atau *Swing Trading* pada pasangan aset tertentu yang likuid. Diversifikasi portofolio yang luas sulit dilakukan karena keterbatasan margin.
|
||||
|
||||
Aturan risiko yang wajib diterapkan adalah **Risiko Fraksional Tetap** (*Fixed Fractional Risk*), di mana pedagang hanya merisikokan maksimum 1-2% (setara USD 50 \- USD 100\) per perdagangan. Disiplin ini wajib untuk bertahan dari rentetan kerugian (*losing streak*) yang tak terelakkan.18 Penggunaan *leverage* yang lebih tinggi (misalnya 1:50) sering kali diperlukan agar risiko 1% tersebut bermakna dalam ukuran posisi, namun hal ini secara otomatis memperbesar dampak biaya *slippage* dan *spread*.19 Tekanan psikologis pada level ini cenderung lebih tinggi karena setiap kerugian terasa lebih eksistensial bagi kelangsungan akun.
|
||||
|
||||
### **5.2 Skenario Akun Modal USD 50.000**
|
||||
|
||||
Basis modal yang lebih besar memungkinkan penerapan **Teori Portofolio Modern** dan arbitrase statistik yang lebih canggih.
|
||||
|
||||
Pada level ini, **Diversifikasi** menjadi kunci. Akun dapat menopang posisi di 10 hingga 20 aset yang tidak berkorelasi secara simultan. Jika posisi EURUSD mengalami kerugian, posisi pada Emas atau pasangan Kripto mungkin mencetak keuntungan, sehingga mengurangi volatilitas kurva ekuitas secara keseluruhan.20 Teknik **Optimasi Portofolio** seperti *Mean-Variance Optimization* dapat diterapkan untuk menghitung bobot optimal setiap aset guna memaksimalkan Rasio Sharpe.22 Selain itu, pedagang dapat beroperasi dengan *leverage* yang jauh lebih rendah (misalnya 1:1 atau 1:5), yang secara signifikan mengurangi risiko terkena *margin call* selama peristiwa *flash crash*.
|
||||
|
||||
### **5.3 Ukuran Posisi: Kriteria Kelly**
|
||||
|
||||
Kriteria Kelly adalah rumus matematika untuk menentukan ukuran taruhan optimal guna memaksimalkan pertumbuhan logaritmik kekayaan.23 Rumus dasarnya adalah:
|
||||
|
||||
![][image1]
|
||||
Di mana ![][image2] adalah Probabilitas Kemenangan (*Win Rate*) dan ![][image3] adalah Rasio Menang/Kalah.
|
||||
|
||||
Dalam praktiknya, "Full Kelly" sering kali menghasilkan volatilitas yang terlalu ekstrem, menyarankan ukuran taruhan hingga 20-30% dari modal yang sangat berisiko. Oleh karena itu, pedagang algoritmik profesional menggunakan **"Half-Kelly"** atau versi **Terbatas Risiko (Risk-Constrained Kelly)** untuk memperhalus kurva ekuitas dan mencegah *drawdown* masif, sambil tetap mempertahankan pertumbuhan geometris yang superior dibandingkan ukuran posisi tetap.23
|
||||
|
||||
### **5.4 Pemutus Sirkuit dan Perlindungan Flash Crash**
|
||||
|
||||
Sistem algoritmik harus memiliki "tombol pemusnah" (*kill switches*) yang dikodekan secara keras (*hard-coded*) untuk melindungi dari peristiwa *Black Swan*.1
|
||||
|
||||
Mekanisme **Batas Drawdown** harus diimplementasikan: jika bot kehilangan lebih dari 5% ekuitas dalam satu hari, bot harus secara otomatis mati dan mengirimkan peringatan. Selain itu, **Pemeriksaan Volatilitas** menggunakan indikator seperti ATR (*Average True Range*) sangat penting. Jika ATR meluas secara ekstrem (misalnya 500%) dalam waktu 1 menit—menandakan terjadinya *flash crash*—bot harus menghentikan entri baru dan berupaya menutup posisi yang ada.7 Terakhir, **Pemeriksaan Kewarasan (Sanity Checks)** diperlukan untuk mencegah pesanan yang menyimpang jauh dari harga pasar terakhir, melindungi dari kesalahan algoritma "jari gemuk" (*fat finger*).6
|
||||
|
||||
## **6\. Infrastruktur Pasar dan Pialang (Konteks Indonesia)**
|
||||
|
||||
Bagi pedagang algoritmik yang berbasis di Indonesia, pemilihan broker dan infrastruktur sangat dipengaruhi oleh regulasi Bappebti, akses pendanaan, dan kualitas API.
|
||||
|
||||
### **6.1 Lanskap Regulasi: Bappebti vs Offshore**
|
||||
|
||||
Broker yang **Teregulasi Bappebti** (Lokal), seperti **Dupoin** atau **Moneta Markets**, menawarkan keamanan dana yang terjamin di dalam negeri dan kemudahan transfer bank lokal tanpa biaya konversi yang tinggi.24 Keuntungan utamanya adalah kepatuhan hukum yang jelas dan perlindungan konsumen. Namun, kekurangannya sering kali terletak pada *spread* yang lebih lebar, opsi API yang terbatas (mayoritas hanya menyediakan jembatan ke MT5 tanpa API REST/FIX langsung), dan batas *leverage* yang lebih ketat dibandingkan broker luar negeri.
|
||||
|
||||
Di sisi lain, broker **Internasional (Offshore/Cross-border)** seperti **Interactive Brokers (IBKR)** atau **OANDA** menawarkan keunggulan teknologi yang signifikan. Mereka menyediakan API REST/FIX yang superior, komisi yang lebih rendah, dan akses ke pasar ekuitas serta berjangka global yang lebih luas.26 Namun, pedagang menghadapi tantangan dalam pendanaan yang memerlukan transfer SWIFT internasional dan berada di area abu-abu regulasi terkait larangan promosi aktif di Indonesia.
|
||||
|
||||
Penting dicatat bahwa per Januari 2025, pengawasan aset kripto dan derivatif keuangan digital di Indonesia mulai beralih dari Bappebti ke Otoritas Jasa Keuangan (OJK), yang menandakan pengetatan standar kepatuhan dan potensi perubahan pada struktur pasar di tahun 2026\.27
|
||||
|
||||
### **6.2 Perbandingan Broker untuk Perdagangan Algo**
|
||||
|
||||
Berikut adalah matriks perbandingan broker yang relevan bagi pedagang algo di Indonesia:
|
||||
|
||||
| Fitur | Interactive Brokers (IBKR) | OANDA | Dupoin (Indonesia) | Exness |
|
||||
| :---- | :---- | :---- | :---- | :---- |
|
||||
| **Jenis API** | Canggih, Kompleks (Java/Python) | REST API (User Friendly) | MT5 API | REST / MT5 |
|
||||
| **Kelas Aset** | Global (Saham, Futures, FX) | Forex & CFD | Forex & Komoditas | Forex & Kripto |
|
||||
| **Latensi** | Rendah (jika co-located) | Moderat | Moderat | Sangat Rendah |
|
||||
| **Min. Deposit** | Tinggi (untuk margin pro) | Rendah | Moderat | Rendah |
|
||||
| **Kesesuaian** | Institusi/Algo Pro | Pengembang (Developer) | Kepatuhan Lokal | Leverage Tinggi |
|
||||
|
||||
**Rekomendasi:** Untuk arsitektur berbasis Python yang canggih dan membutuhkan akses data mentah, **Interactive Brokers** atau **OANDA** menawarkan dokumentasi API dan keandalan terbaik.29 Namun, bagi pedagang yang memprioritaskan kepatuhan lokal dan kemudahan perbankan, menggunakan **integrasi Python MetaTrader 5** dengan broker lokal seperti **Dupoin** adalah jalur hibrida yang paling masuk akal.24
|
||||
|
||||
### **6.3 Strategi Latensi dan VPS**
|
||||
|
||||
Seorang pedagang di Jakarta yang melakukan *ping* ke server di New York akan menghadapi latensi sekitar 200-250 milidetik.10 Latensi ini membuat strategi frekuensi tinggi mustahil dilakukan dari koneksi rumah.
|
||||
|
||||
Solusinya adalah menyewa **VPS (Virtual Private Server)** di pusat data yang sama dengan broker. Untuk ekuitas AS dan sebagian besar ECN Forex, pusat data **NY4 (New York)** adalah standar. Untuk pasar Eropa, **LD4 (London)** adalah pilihan utama, sementara **SG1 (Singapore)** ideal untuk pasar Asia. Alur kerjanya adalah: Bot Python berjalan di VPS tersebut, dan pedagang mengontrol VPS melalui *Remote Desktop* (RDP) dari Jakarta. Latensi yang relevan bagi algoritma adalah latensi antara VPS dan Broker (1-2ms), bukan antara Jakarta dan VPS.9
|
||||
|
||||
## **7\. Analisis Kinerja dan Statistik**
|
||||
|
||||
Penting untuk menetapkan ekspektasi yang realistis berdasarkan data tahun 2025-2026.
|
||||
|
||||
### **7.1 AI vs Manual vs Beli & Tahan (Buy & Hold)**
|
||||
|
||||
Laporan pasar menunjukkan dominasi AI yang semakin kuat, dengan estimasi 89% volume perdagangan global ditangani oleh algoritma pada tahun 2025\. Portofolio AI yang dikalibrasi dengan baik terbukti mampu mengungguli tolok ukur *Buy & Hold* sebesar 15-30% terutama dalam rezim pasar yang fluktuatif (*volatile*), terutama dengan menghindari *drawdown* besar yang biasanya diserap penuh oleh strategi pasif.3
|
||||
|
||||
Terkait tingkat kemenangan (*win rates*), strategi frekuensi tinggi sering kali menargetkan 55-60%, mengandalkan volume transaksi yang besar untuk mengakumulasi keuntungan. Sebaliknya, model AI yang mengikuti tren (*trend-following*) mungkin memiliki tingkat kemenangan yang lebih rendah (sekitar 40%) namun dengan rasio risiko-imbalan yang tinggi (1:3), sehingga tetap profitabel secara matematis.32 Dana algoritmik yang berkelanjutan menargetkan Rasio Sharpe antara 1.5 hingga 2.5. Klaim pengembalian 5-10% per bulan secara konsisten tanpa risiko tinggi umumnya adalah anomali atau indikasi skema yang tidak berkelanjutan.33
|
||||
|
||||
### **7.2 Jebakan Overfitting dan Validasi**
|
||||
|
||||
Jebakan statistik terbesar dalam perdagangan algoritmik adalah *overfitting*—menciptakan bot yang "menghafal" data masa lalu dengan sempurna namun gagal total dalam kondisi pasar masa depan.
|
||||
|
||||
Standar emas untuk validasi pada tahun 2026 adalah **Walk-Forward Optimization**. Alih-alih menguji strategi pada seluruh data historis sekaligus, data dibagi menjadi jendela geser (misalnya, Latih pada 2020, Uji pada 2021; Latih pada 2021, Uji pada 2022). Metode ini membuktikan kemampuan model untuk beradaptasi dengan data yang belum pernah dilihat sebelumnya.34 Selain itu, metrik baru seperti **GT-Score** telah dikembangkan untuk menghukum *overfitting* secara lebih ketat dibandingkan Rasio Sharpe tradisional, memberikan gambaran ketahanan strategi yang lebih jujur.34
|
||||
|
||||
## **8\. Risiko Operasional dan Konsekuensi**
|
||||
|
||||
Mengimplementasikan agen keuangan otonom membawa konsekuensi yang signifikan dan berlapis.
|
||||
|
||||
Risiko finansial yang paling nyata adalah **kebangkrutan akun**. Kesalahan pengkodean sederhana, seperti perulangan while yang tidak terkontrol, secara teoritis dapat mengosongkan akun dalam hitungan detik melalui pesanan beruntun yang tak terkendali (*Runaway Algo*). Selain itu, **Risiko Eksekusi** berupa *slippage* dapat menghancurkan keunggulan teoritis dari hasil *backtest*. Jika pengujian mengasumsikan harga masuk di 100.00 namun eksekusi *live* terjadi di 100.05 akibat latensi, strategi yang tampaknya menguntungkan bisa berubah menjadi merugi.
|
||||
|
||||
Dari sisi hukum, terdapat **Risiko Regulasi**. Di Indonesia, mengelola dana pihak ketiga menggunakan bot perdagangan pribadi tanpa lisensi manajemen dana (Manajer Investasi) adalah ilegal. Penggunaan bot harus dibatasi secara ketat untuk modal pribadi kecuali struktur hukum yang tepat, seperti pembentukan PT atau kontrak pengelolaan dana yang sah di bawah pengawasan OJK, telah didirikan.28
|
||||
|
||||
## **9\. Kesimpulan dan Peta Jalan Implementasi**
|
||||
|
||||
Pembangunan sistem perdagangan algoritmik di tahun 2026 merupakan tantangan rekayasa multidisiplin yang menggabungkan ilmu data, rekayasa perangkat lunak, dan teori keuangan modern.
|
||||
|
||||
Bagi pengguna yang ingin memulai, peta jalan yang disarankan adalah:
|
||||
|
||||
1. **Mulai Kecil:** Gunakan modal USD 5.000 untuk membangun rekam jejak (*track record*), menerapkan pendekatan *Risk-Constrained Kelly* untuk memprioritaskan pelestarian modal di atas pertumbuhan agresif.
|
||||
2. **Tumpukan Teknologi:** Adopsi **Python** dengan **Pandas-TA** dan **CCXT** (untuk kripto) atau **MT5 Python** (untuk Forex) sebagai jalur dengan hambatan teknis terendah.
|
||||
3. **Strategi:** Implementasikan logika berbasis **SMC** yang difilter oleh **Deteksi Rezim HMM**. Ini menggabungkan teori aliran pesanan institusional dengan kemampuan adaptasi statistik.
|
||||
4. **Infrastruktur:** Wajib melakukan *deployment* pada **VPS berbasis Singapura atau New York** untuk memitigasi hambatan latensi koneksi internet Indonesia.
|
||||
5. **Evolusi:** Seiring bertambahnya pengalaman dan modal, lakukan migrasi menuju kerangka kerja **ElizaOS** untuk bereksperimen dengan perilaku agen otonom, yang merepresentasikan masa depan penciptaan *alpha*.
|
||||
|
||||
### **Perbandingan Strategi Skala Akun**
|
||||
|
||||
| Parameter | Akun USD 5.000 (Fase Pertumbuhan) | Akun USD 50.000 (Fase Kekayaan) |
|
||||
| :---- | :---- | :---- |
|
||||
| **Tujuan Utama** | Akumulasi Modal Agresif namun Terukur | Pelestarian Modal & Imbal Hasil Konsisten |
|
||||
| **Risiko per Perdagangan** | 1-2% (USD 50 \- USD 100\) | 0.5-1% (USD 250 \- USD 500\) |
|
||||
| **Semesta Aset** | Terkonsentrasi (1-2 Pasangan Mata Uang) | Terdiversifikasi (10+ Aset Tidak Berkorelasi) |
|
||||
| **Leverage** | Moderat (1:30 \- 1:50) | Rendah (1:1 \- 1:5) |
|
||||
| **Tipe Strategi** | Swing / Scalping (Frekuensi Tinggi) | Arbitrase Statistik / Trend Following |
|
||||
| **Psikologi** | Tekanan Tinggi (Risiko Kebangkrutan) | Stabil (Hukum Bilangan Besar berlaku) |
|
||||
|
||||
Laporan ini menyajikan kerangka kerja fundamental untuk perjalanan tersebut, bergerak dari arsitektur teoritis menuju realitas operasional yang dapat diimplementasikan.
|
||||
|
||||
#### **Karya yang dikutip**
|
||||
|
||||
1. How to Build an AI Trading Bot: A Complete Developer's Guide, diakses Februari 3, 2026, [https://www.alchemy.com/blog/how-to-build-an-ai-trading-bot](https://www.alchemy.com/blog/how-to-build-an-ai-trading-bot)
|
||||
2. Building an AI-Powered Stock Trading Bot in Python (With ... \- Medium, diakses Februari 3, 2026, [https://medium.com/@sajjasudhakarrao/building-an-ai-powered-stock-trading-bot-in-python-with-backtesting-779ac13cfd9f](https://medium.com/@sajjasudhakarrao/building-an-ai-powered-stock-trading-bot-in-python-with-backtesting-779ac13cfd9f)
|
||||
3. AI for Trading: The 2025 Complete Guide \- LiquidityFinder, diakses Februari 3, 2026, [https://liquidityfinder.com/insight/technology/ai-for-trading-2025-complete-guide](https://liquidityfinder.com/insight/technology/ai-for-trading-2025-complete-guide)
|
||||
4. The Ultimate Python Quantitative Trading Ecosystem (2025 Guide ..., diakses Februari 3, 2026, [https://medium.com/@mahmoud.abdou2002/the-ultimate-python-quantitative-trading-ecosystem-2025-guide-074c480bce2e](https://medium.com/@mahmoud.abdou2002/the-ultimate-python-quantitative-trading-ecosystem-2025-guide-074c480bce2e)
|
||||
5. joshyattridge/smart-money-concepts: Discover our Python package designed for algorithmic trading. It brings ICT's smart money concepts to Python, offering a range of indicators for your algorithmic trading strategies. \- GitHub, diakses Februari 3, 2026, [https://github.com/joshyattridge/smart-money-concepts](https://github.com/joshyattridge/smart-money-concepts)
|
||||
6. AI vs. Algo: Building Your First Automated Trading Bot with Python (Advanced Edition), diakses Februari 3, 2026, [https://hmarkets.com/blog/ai-vs-algo-build-automated-trading-bot-with-python/](https://hmarkets.com/blog/ai-vs-algo-build-automated-trading-bot-with-python/)
|
||||
7. Crypto Trading Bots 2026: Complete Guide To Automated Trading \- MEXC Blog, diakses Februari 3, 2026, [https://blog.mexc.com/news/crypto-trading-bots-2026-complete-guide-to-automated-trading/](https://blog.mexc.com/news/crypto-trading-bots-2026-complete-guide-to-automated-trading/)
|
||||
8. Top Low-Latency Forex VPS for Faster FX Trading \- SocialVPS, diakses Februari 3, 2026, [https://socialvps.net/list-latency/](https://socialvps.net/list-latency/)
|
||||
9. Best VPS Locations for Forex Trading | Why Latency Matters 2025 \- PetroSky, diakses Februari 3, 2026, [https://petrosky.io/best-vps-locations-for-forex-trading-why-latency-matters-in-2025/](https://petrosky.io/best-vps-locations-for-forex-trading-why-latency-matters-in-2025/)
|
||||
10. Ping time between Jakarta and other cities \- WonderNetwork, diakses Februari 3, 2026, [https://wondernetwork.com/pings/Jakarta](https://wondernetwork.com/pings/Jakarta)
|
||||
11. Best Prediction Market APIs for Developers and Traders, diakses Februari 3, 2026, [https://newyorkcityservers.com/blog/best-prediction-market-apis](https://newyorkcityservers.com/blog/best-prediction-market-apis)
|
||||
12. Python for Algorithmic Trading: Essential Libraries \- LuxAlgo, diakses Februari 3, 2026, [https://www.luxalgo.com/blog/python-for-algorithmic-trading-essential-libraries/](https://www.luxalgo.com/blog/python-for-algorithmic-trading-essential-libraries/)
|
||||
13. starckyang/smc\_quant: SMC-based algorithnic trading \- GitHub, diakses Februari 3, 2026, [https://github.com/starckyang/smc\_quant](https://github.com/starckyang/smc_quant)
|
||||
14. A forest of opinions: A multi-model ensemble-HMM voting framework for market regime shift detection and trading \- AIMS Press, diakses Februari 3, 2026, [https://www.aimspress.com/article/id/69045d2fba35de34708adb5d](https://www.aimspress.com/article/id/69045d2fba35de34708adb5d)
|
||||
15. Regime-Switching Factor Investing with Hidden Markov Models \- MDPI, diakses Februari 3, 2026, [https://www.mdpi.com/1911-8074/13/12/311](https://www.mdpi.com/1911-8074/13/12/311)
|
||||
16. elizaOS/eliza: Autonomous agents for everyone \- GitHub, diakses Februari 3, 2026, [https://github.com/elizaOS/eliza](https://github.com/elizaOS/eliza)
|
||||
17. How To Build Your First AI Trading Bot In 2025 \- YouTube, diakses Februari 3, 2026, [https://www.youtube.com/watch?v=I0Ah9zcMRjA](https://www.youtube.com/watch?v=I0Ah9zcMRjA)
|
||||
18. 7 Essential Tips for Leverage in Forex Trading – FundYourFX, diakses Februari 3, 2026, [https://fundyourfx.com/leverage-in-forex-trading/](https://fundyourfx.com/leverage-in-forex-trading/)
|
||||
19. Forex Leverage Explained: Benefits, Risks, and Best Practices for Safer Trading \- PU Prime, diakses Februari 3, 2026, [https://www.puprime.com/forex-leverage-explained/](https://www.puprime.com/forex-leverage-explained/)
|
||||
20. franklinjtan/Portfolio-Diversification-Correlation-Risk-Management-with-Python \- GitHub, diakses Februari 3, 2026, [https://github.com/franklinjtan/Portfolio-Diversification-Correlation-Risk-Management-with-Python](https://github.com/franklinjtan/Portfolio-Diversification-Correlation-Risk-Management-with-Python)
|
||||
21. Creating a Diversified Portfolio with Correlation Matrix in Python \- InsightBig, diakses Februari 3, 2026, [https://www.insightbig.com/post/creating-a-diversified-portfolio-with-correlation-matrix-in-python](https://www.insightbig.com/post/creating-a-diversified-portfolio-with-correlation-matrix-in-python)
|
||||
22. Portfolio Optimization and Performance Evaluation \- GitHub, diakses Februari 3, 2026, [https://github.com/stefan-jansen/machine-learning-for-trading/blob/main/05\_strategy\_evaluation/README.md](https://github.com/stefan-jansen/machine-learning-for-trading/blob/main/05_strategy_evaluation/README.md)
|
||||
23. The Risk-Constrained Kelly Criterion: From definition to trading, diakses Februari 3, 2026, [https://blog.quantinsti.com/risk-constrained-kelly-criterion/](https://blog.quantinsti.com/risk-constrained-kelly-criterion/)
|
||||
24. Dupoin Indonesia Review 2026 \- Investing.com, diakses Februari 3, 2026, [https://www.investing.com/brokers/reviews/dupoin-indonesia/](https://www.investing.com/brokers/reviews/dupoin-indonesia/)
|
||||
25. 5 Best Bappebti Regulated Forex Brokers in Indonesia \- FXLeaders, diakses Februari 3, 2026, [https://www.fxleaders.com/forex-brokers/forex-brokers-by-country/forex-brokers-indonesia/bappebti-regulated-brokers/](https://www.fxleaders.com/forex-brokers/forex-brokers-by-country/forex-brokers-indonesia/bappebti-regulated-brokers/)
|
||||
26. Interactive Brokers vs OANDA 2026 \- ForexBrokers.com, diakses Februari 3, 2026, [https://www.forexbrokers.com/compare/interactive-brokers-vs-oanda](https://www.forexbrokers.com/compare/interactive-brokers-vs-oanda)
|
||||
27. Understanding the Transition of Supervisory Authority over Digital Financial Assets in Indonesia from Bappebti to OJK \- Nusantara Legal Partnership, diakses Februari 3, 2026, [https://nusantaralegal.com/understanding-the-transition-of-supervisory-authority-over-digital-financial-assets-in-indonesia-from-bappebti-to-ojk/](https://nusantaralegal.com/understanding-the-transition-of-supervisory-authority-over-digital-financial-assets-in-indonesia-from-bappebti-to-ojk/)
|
||||
28. Indonesia Financial Services Authority sets out framework for trading of digital financial assets in new regulation \- Allen & Gledhill, diakses Februari 3, 2026, [https://www.allenandgledhill.com/publication/articles/29790/financial-services-authority-sets-out-framework-for-trading-of-digital-financial-assets-in-new-regulation](https://www.allenandgledhill.com/publication/articles/29790/financial-services-authority-sets-out-framework-for-trading-of-digital-financial-assets-in-new-regulation)
|
||||
29. Best Brokers With API Access 2026 | Top API Trading Platforms \- DayTrading.com, diakses Februari 3, 2026, [https://www.daytrading.com/apis](https://www.daytrading.com/apis)
|
||||
30. Best Forex Brokers with Trading APIs for 2026, diakses Februari 3, 2026, [https://www.forexbrokers.com/guides/best-api-brokers](https://www.forexbrokers.com/guides/best-api-brokers)
|
||||
31. Artificial intelligence for algorithmic trading digital assets: evidence from the Counter-Strike 2 skin market \- Frontiers, diakses Februari 3, 2026, [https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1702924/pdf](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1702924/pdf)
|
||||
32. Can You Beat the Market with AI Trading? A Data-Driven Answer \- AlgosOne Blog, diakses Februari 3, 2026, [https://algosone.ai/can-you-beat-the-market-with-ai-trading-a-data-driven-answer/](https://algosone.ai/can-you-beat-the-market-with-ai-trading-a-data-driven-answer/)
|
||||
33. Increase Alpha: Performance and Risk of an AI-Driven Trading Framework \- arXiv, diakses Februari 3, 2026, [https://arxiv.org/html/2509.16707v1](https://arxiv.org/html/2509.16707v1)
|
||||
34. The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies \- arXiv, diakses Februari 3, 2026, [https://www.arxiv.org/pdf/2602.00080](https://www.arxiv.org/pdf/2602.00080)
|
||||
|
||||
[image1]: <data:image/png;base64,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>
|
||||
|
||||
[image2]: <data:image/png;base64,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>
|
||||
|
||||
[image3]: <data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAA8AAAAaCAYAAABozQZiAAABFUlEQVR4XmNgGAWeQLwQiG8A8SMonoWEG4FYDa4aDWgCcQgQLwXi/0D8EMoH4WQg3g8V54dpwAYmMUAUzUETZwXi+UA8HYhZ0OTAgAeIDzBANEejSoFBORDfBWJxdAkQ8GOAaDwNxIJocopA/ASIi9HE4aCVAbeTQYEGkgOxMQCyk/OAWBKIA6DsO0B8HYi9YYrRgRIQPwfinwyQEAfZtIUBYthuIBZGKMUEuPwbAxVfxYDDySBwgAF7KLsA8T8GSLyDvIIVgJz8CYj10cRhgYgzikAAm5M5gHgrVO4AAyRQQSlRGkkNWBFIwWooG1kcXfNKIDYGSYKcCHIqSBIZL2dAJEEbIP4KxblAXArEjFC5UTDMAQBbwESmc4JngAAAAABJRU5ErkJggg==>
|
||||
Reference in New Issue
Block a user