Lesson 1 menguraikan enam posisi integrasi AI dalam alur kerja trading, dengan pengorganisasian informasi di tahap paling awal. Jika ringkasan tidak akurat, tanggal tercampur, atau sumber tidak terlacak, maka pembuatan hipotesis, diskusi backtesting, dan daftar periksa risiko selanjutnya hanya akan memperkuat bias awal. Oleh karena itu, Lesson 2 tidak berfokus pada teknik "mengajukan pertanyaan yang lebih baik," melainkan pada disiplin struktural yang diperlukan di tahap input, sehingga output model secara default dianggap sebagai subjek verifikasi, bukan fakta yang sudah mapan.
Dalam konteks trading, halusinasi AI umumnya bukan berarti model sengaja merekayasa informasi, melainkan menghasilkan konten yang tampak meyakinkan namun tidak dapat diverifikasi terhadap sumber primer. Contoh umum meliputi: membuat pengumuman atau tautan palsu, mencampuradukkan kapitalisasi pasar dengan pasokan beredar, menerapkan data usang pada isu terkini, atau menggunakan frasa seperti "data on-chain menunjukkan" tanpa menyertakan alamat, jendela waktu, atau standar statistik. Solusinya bukan menolak AI, tetapi menetapkan tingkat sumber, batas waktu, dan langkah verifikasi untuk setiap informasi yang masuk ke dalam rantai keputusan.
2. Peringkat Sumber: Membangun Kerangka Klasifikasi yang Dapat Ditindaklanjuti
Sebelum memasukkan materi ke AI, disarankan untuk memberi peringkat sumber informasi dan meminta model melabeli setiap poin kunci berdasarkan peringkat dalam prompt. Tujuan peringkat bukan formalitas, tetapi untuk membedakan konten mana yang dapat dinyatakan sebagai fakta dan mana yang hanya bersifat indikasi atau belum terverifikasi.
-
Sumber primer mencakup situs resmi proyek, catatan rilis GitHub, pengumuman bursa dan regulator, blockchain explorer, serta data transaksi yang diekspor. Materi ini relatif andal, tetapi tetap perlu waspada terhadap halaman phishing dan pengumuman palsu—tautan dan domain harus diverifikasi manual.
-
Sumber sekunder mencakup laporan lembaga riset, dokumen audit, dan halaman bukti cadangan; membantu memahami mekanisme, tetapi perlu dipastikan tanggal publikasi dan cakupan audit sesuai dengan struktur saat ini.
-
Interpretasi kebijakan dari media arus utama dapat dijadikan referensi, tetapi kesimpulan utama harus diperiksa silang dengan dokumen primer.
-
Media sosial, KOL, dan konten komunitas hanya cocok sebagai titik awal untuk menemukan masalah, dan tidak boleh menjadi dasar mandiri untuk keputusan trading. Tangkapan layar anonim dan "informasi orang dalam" secara otomatis dikecualikan dari logika trading.
Prompt mungkin mensyaratkan: hanya sumber dengan peringkat tinggi yang boleh digunakan untuk pernyataan faktual; sumber peringkat menengah atau rendah harus diberi label "menurut laporan" atau "belum diverifikasi"; item tanpa sumber atau tanggal harus secara seragam ditandai untuk verifikasi. Meskipun model masih dapat membuat kesalahan, format output ini mempermudah penyaringan manual.
3. Stempel Waktu dan Standar: Data Kripto Rawan Menjadi "Data Lama dalam Konteks Baru"
Pelatihan dan pengambilan data model tertinggal dari perkembangan real-time, dan mekanisme proyek sering berubah. Saat bertanya, tentukan rentang waktu—misalnya, analisis hanya materi setelah tanggal tertentu; tandai informasi yang berpotensi usang sebagai "per [tanggal]." Saat membandingkan harga atau metrik, tentukan interval candlestick, bursa, pasangan trading, apakah spot atau perpetual, dll. Untuk statistik on-chain, sebutkan nama rantai, alamat kontrak, jendela statistik, dan apakah arus masuk/keluar bursa disertakan. Pertanyaan yang sama dengan standar berbeda bisa menghasilkan kesimpulan yang berlawanan; standar harus menjadi bagian tetap dalam prompt, bukan pertimbangan tambahan.
4. Narasi Bertahan dan Bukti Kontradiktif
Diskusi kripto sering hanya menonjolkan kasus sukses, hanya menggunakan sampel bull market, atau mengutip backtest dari periode kenaikan. Narasi AI cenderung membuat cerita terdengar utuh sambil mengabaikan sampel kompetitor yang gagal. Tindakan pencegahan meliputi: meminta bukti yang mendukung dan menentang; menentukan ukuran sampel dan kerangka waktu; menjawab "tidak dapat ditentukan" jika bukti tidak cukup, bukan memaksakan kesimpulan. Dialog berorientasi riset lebih cocok untuk menyajikan skenario dan kondisi kegagalan, daripada langsung memberikan rekomendasi long/short.
5. Struktur Prompt: Membatasi Bentuk, Bukan Retorika Berlebihan
Prompt yang efektif biasanya terdiri dari empat bagian:
-
Pernyataan ruang lingkup — peran asisten riset, tanpa rekomendasi token, tanpa jaminan imbal hasil
-
Ketentuan batasan — tanpa tautan palsu, tandai ketidakpastian, aturan peringkat sumber
-
Format output — argumen, dasar, peringkat sumber, tanggal, kondisi invalidasi
-
Langkah validasi — diperlukan pemeriksaan manual—misalnya, membuka URL pengumuman atau memverifikasi hash transaksi on-chain
Di akhir setiap percakapan, buat daftar periksa validasi yang harus diselesaikan manual sebelum melanjutkan ke hipotesis atau langkah trading. Panjang prompt bukan faktor utama; yang krusial adalah sumber, kerangka waktu, dan standar sudah tertanam di dalamnya.
6. Pembagian Kerja Data: Angka dari Manusia, Model untuk Interpretasi
Pembagian kerja yang lebih kuat: data pasar dan on-chain harus diekspor dari API, bursa, atau explorer dan dimasukkan ke AI dalam bentuk tabel mentah atau dengan field yang jelas; model menafsirkan makna, menemukan inkonsistensi, dan membantu menyusun hipotesis—tetapi tidak secara mandiri menghasilkan nilai kritis. Jika model terlibat dalam perhitungan, minta model menampilkan rumus dan langkah perantara, dengan kesimpulan inti dihitung ulang manual. Percakapan panjang berisiko menggeser konteks; topik penting harus memulai utas baru, fakta yang telah diverifikasi harus diarsipkan terpisah untuk referensi di interaksi selanjutnya, guna mengurangi kontaminasi konteks.
7. Ringkasan Pelajaran
Pelajaran ini membahas langkah sebelum menggunakan AI: dari mana materi berasal, apakah menyertakan tanggal dan standar, dan apakah sumber dengan peringkat rendah bisa dijadikan dasar trading. Halusinasi dan narasi survivor umumnya bukan karena model 'berbicara tidak masuk akal' atau 'berbicara sembarangan,' melainkan akibat pernyataan yang belum diverifikasi, data usang, atau cerita sukses yang dipilih-pilih dalam input. Dengan menerapkan peringkat sumber, batas waktu, dan daftar periksa validasi dalam proses yang baku, output secara default adalah draf yang perlu diverifikasi sebelum masuk ke diskusi hipotesis atau posisi. Pelajaran berikutnya akan membahas validasi strategi: setelah input dibersihkan, data, biaya, dan hasil di luar sampel harus diperiksa secara terpisah—kurva backtest semata tidak cukup untuk memvalidasi suatu strategi.
