1. Dampak umum kecerdasan buatan dan machine learning pada trading
Kecerdasan buatan (AI) memungkinkan mesin menggantikan peran manusia. Pada era 1980-an, expert system dan fuzzy logic berada di garis depan riset AI. Seiring turunnya biaya daya komputasi, memanfaatkan mesin untuk memecahkan masalah optimasi skala besar menjadi layak secara ekonomi. Berkat kemajuan hardware dan software, kecerdasan buatan kini berfokus pada penggunaan neural network dan metode pembelajaran lainnya untuk mengidentifikasi dan menganalisis prediktor — yang juga disebut fitur atau faktor — yang memiliki nilai ekonomis dan bisa dipakai bersama classifier untuk mengembangkan model yang menguntungkan. Aplikasi AI jenis ini kerap disebut Machine Learning (ML).
Penggunaan metodologi untuk membangun strategi trading berbasis AI, baik untuk timeframe jangka pendek maupun investasi jangka panjang, semakin populer, dan beberapa hedge fund sangat aktif di bidang ini. Namun, adopsi luas teknologi baru ini berjalan lambat karena berbagai faktor, yang terpenting adalah AI menuntut investasi pada perangkat baru dan keahlian manusia. Mayoritas fund memakai analisis fundamental karena itulah yang dipelajari para manajer di program MBA mereka. Tidak banyak hedge fund yang bergantung sepenuhnya pada kecerdasan buatan. Meski penggunaan AI di kalangan ritel meningkat, mayoritas trader masih mengandalkan metode yang diperkenalkan pada pertengahan abad ke-20, seperti analisis teknikal klasik, karena mudah dipahami dan dipakai.
Penting dicatat bahwa AI dan ML juga digunakan di luar pengembangan strategi trading, misalnya membangun algoritma pencari likuiditas dan merekomendasikan portofolio kepada nasabah. Alhasil, seiring aplikasi AI semakin diterima, jumlah manusia yang terlibat dalam keputusan trading dan investasi berkurang, dan ini berdampak pada pasar serta pergerakan harga. Masih terlalu dini berspekulasi tentang implikasi menyeluruh teknologi baru ini terhadap industri, tapi penggunaan AI secara luas bisa menghasilkan pasar yang lebih efisien dengan volatilitas lebih rendah untuk periode panjang, diikuti lonjakan volatilitas berkala akibat pergantian rezim pasar. Ini mungkin terjadi karena pengaruh interpretasi informasi yang subjektif oleh manusia akan berkurang, begitu pula noise yang menyertainya. Namun, hal ini masih harus dibuktikan dalam praktik.
2. Dampak AI dan Machine Learning pada Pembentukan Alpha
Mereka yang memahami teknologi AI dan tahu cara mengelola bahayanya akan mendapat peluang selama tahap-tahap awal adopsinya. Salah satu persoalan metode trading berbasis AI adalah ia bisa menghasilkan model yang lebih buruk daripada acak. Saya coba jelaskan maksudnya: analisis teknikal konvensional adalah strategi trading yang merugi karena teknik-teknik berbasis pola chart dan indikator memperoleh imbalannya dari distribusi dengan rata-rata nol sebelum biaya transaksi. Sebagian trader biasanya berada di ekor kanan distribusi, memberi kesan keliru bahwa strategi-strategi ini bernilai secara ekonomis. Profitabilitas jangka panjang sulit dicapai di pasar futures dan FX, apa pun pendekatannya, karena pasar-pasar ini memang dirancang untuk mengganjar market maker. Namun, karena faktor kebetulan, sebagian trader bisa meraih untung besar di pasar ber-leverage dalam waktu singkat. Lalu, alih-alih keberuntungan, para trader ini mengaitkan kesuksesan dengan strategi dan bakat mereka.
Ada dampak tambahan pada AI dan ML, seperti trade-off bias-varians. Bias data mining dapat menghasilkan metode yang overfit terhadap data masa lalu tapi gagal pada data baru, atau teknik yang terlalu sederhana dan gagal menangkap sinyal penting bernilai ekonomis dalam data. Trade-off ini menghasilkan taktik yang lebih buruk daripada acak dan kemencengan negatif pada distribusi imbal hasil para trader ini, bahkan sebelum biaya transaksi dihitung. Di era pasca-pelonggaran kuantitatif, ini menciptakan potensi keuntungan bagi fund dan investor besar. Namun, ketika para trader AI yang lebih-buruk-daripada-acak tersingkir dari pasar dan hanya mereka yang punya model solid yang tersisa, persaingan memperebutkan profit akan memanas. Masih terlalu dini memprediksi apakah trader AI atau investor raksasa yang akan menang dalam pertarungan ini.
Saya juga ingin menyinggung kesalahpahaman yang sering muncul di bidang ini: sebagian orang merasa nilainya terletak pada algoritma ML yang dipakai. Ini tidak benar. Nilai sesungguhnya terletak pada prediktor yang digunakan, yang kerap disebut karakteristik atau faktor. Algoritma ML tidak bisa menemukan emas jika emasnya tidak ada. Salah satu persoalannya, kebanyakan spesialis ML memakai prediktor yang sama dan mencoba membangun model secara iteratif demi hasil terbaik. Teknik ini terganjal bias data mining dan pada akhirnya gagal. Singkatnya, bias data mining muncul dari praktik berisiko menggunakan ulang data dengan banyak model sampai hasil pada sampel training dan testing memuaskan. Berdasarkan kajian saya di bidang ini, jika classifier dasar seperti Binary Logistic Regression tidak bekerja efektif dengan sekumpulan prediktor tertentu, kemungkinan besar memang tidak ada nilai ekonomis di sana. Alhasil, kesuksesan bergantung pada feature engineering, yang merupakan sains sekaligus seni yang menuntut pengetahuan, pengalaman, dan inspirasi untuk melahirkan fitur bernilai ekonomis — dan hanya sebagian kecil ahli yang mampu melakukannya.
3. Dampak kecerdasan buatan dan machine learning pada analisis teknikal
Kita harus membedakan analisis teknikal konvensional dan kuantitatif, karena semua pendekatan yang mengandalkan analisis deret harga dan volume masuk kategori ini. Analisis teknikal tradisional, seperti pola chart, indikator dasar, teori price action, dan sebagainya, sejak awal memang tidak efektif. Kecuali segelintir inisiatif tak sempurna dengan cakupan terbatas, publikasi yang mempromosikan pendekatan-pendekatan ini jarang mengungkap ekspektasi statistik jangka panjangnya, dan hanya menawarkan jaminan bahwa jika aturan ini atau itu diikuti, akan ada potensi profit. Karena untung dan rugi di pasar mengikuti distribusi statistik, selalu saja ada yang mengaitkan keberuntungannya dengan pendekatan-pendekatan ini. Bersamaan dengan itu, seluruh industri tumbuh di sekitar metode-metode tersebut karena mudah dikuasai. Sayangnya, banyak orang percaya bisa untung dengan menjadi lebih mahir memakai taktik yang dipakai semua orang, dan hasilnya adalah perpindahan kekayaan besar-besaran dari para trader naif ini kepada market maker dan profesional yang lebih paham.
Beberapa spesialis pasar menyadari pada awal 1990-an bahwa sejumlah besar trader ritel bertrading dengan taktik-taktik sederhana ini. Sebagian membangun algoritma dan expert system AI untuk memprediksi formasi lalu bertrading melawannya, menciptakan volatilitas yang tidak sanggup dihadapi trader ritel, yang kerap disebut tangan lemah. Dalam pengertian lebih luas, kegagalan analisis teknikal tradisional dapat dilacak ke hilangnya korelasi serial yang kuat dari pasar sejak era 1990-an. Korelasi serial kuat itulah yang terutama memberi kesan keliru bahwa metode-metode ini efektif. Dengan sedikit pengecualian, pasar saat ini bersifat mean-reverting, membuat alat analisis teknikal sederhana tidak efektif. Namun, sejumlah alat analisis teknikal kuantitatif, seperti model mean-reversion dan arbitrase statistik, serta algoritma ML yang memanfaatkan karakteristik bernilai ekonomis, kerap berfungsi dengan baik.
Karena beragamnya model dan kebanyakan dijaga kerahasiaannya, arbitrase semacam itu kecil kemungkinannya terulang pada kasus AI dan ML, tapi kekhawatiran mendasar terhadap teknologi baru ini bukanlah bias konfirmasi seperti pada analisis teknikal konvensional, melainkan bias data mining.
Menurut saya, mengamati pasar dan menatap chart mulai menjadi usang. Masa depan trading adalah soal pemrosesan informasi real-time, pengembangan model, dan validasi. Hedge fund masa depan tidak akan bergantung pada analisis chart. Sebagian orang masih melakukannya karena mereka berada di persimpangan tempat cara lama berbenturan dengan cara baru. Banyak trader yang tidak akrab dengan AI akan kesulitan bersaing di masa depan dan akan mundur.
4. Pemenang dan pecundang dari teknologi trading baru
Penggunaan kecerdasan buatan (AI) akan merevolusi trading dalam berbagai cara, dan ini sudah mulai terjadi. Investor mungkin akan segera mendapati bahwa begitu tren yang tercipta dari QE saat ini berakhir, imbal hasil jangka menengah akan jauh lebih rendah dari perkiraan. Jika situasi ini terjadi, investor akan terpaksa kembali ke cara tradisional: mencari penasihat keuangan andal yang bisa merekomendasikan komposisi portofolio dan memilih aset yang nilainya akan tumbuh. Dalam kondisi tertentu, sang penasihat adalah sebuah program kecerdasan buatan, dan prosesnya berlangsung online.
Para trader harus mengakrabkan diri dengan teknologi baru ini. Kebanyakan trader masih bergulat dengan pendekatan usang, berharap "buy the dip" akan terus berhasil dan memberi profit beberapa tahun lagi.
Salah satu persoalannya adalah moral hazard yang dipupuk bank sentral lewat dukungan langsung ke pasar finansial selama delapan tahun terakhir. Banyak trader dan investor kini merasa bear market mustahil terjadi karena bank sentral akan selalu hadir memindahkan kerugian mereka ke semua orang sambil membiarkan mereka menyimpan keuntungannya. Akibatnya, mayoritas pelaku pasar tidak siap menghadapi pergantian rezim pasar besar berikutnya dan bisa menderita kerugian katastrofik.
Ada banyak sumber online untuk mempelajari machine learning, kecerdasan buatan, dan trading. Cara belajar terbaik adalah menggarap beberapa kasus praktis. Namun, saya yakin kebanyakan trader tidak akan mampu beradaptasi. Kombinasi kemampuan yang dibutuhkan untuk memahami dan menerapkan AI menyingkirkan 95 persen trader yang terbiasa menggambar garis di chart dan menatap moving average.
Investor sebaiknya melakukan riset sendiri dan meminta saran dari penasihat keuangan profesional yang memahami perkembangan baru ini. Setiap investor punya profil toleransi risiko yang unik, sehingga mustahil memberi saran yang berlaku umum. Robo-advisor akan segera menjamur, dan memilih yang sesuai kebutuhan serta tujuan spesifik bisa jadi tidak mudah.
Siapa pun yang belum akrab dengan ML dan AI beserta penerapannya dalam trading dan investasi mungkin akan lebih terbantu dengan menghubungi profesional yang menguasai bidang ini daripada memulai perjalanan membaca buku dan artikel — yang bisa dilakukan setelah dasar-dasarnya dikuasai.