Dukungan Keputusan Berbasis Kecerdasan Buatan di Pasar Cryptocurrency: Model Teori Permainan & Probabilistik

#DeepCreationCamp

Dalam dekade terakhir, pasar cryptocurrency telah muncul sebagai salah satu inovasi paling disruptif di dunia keuangan, menarik perhatian tidak hanya karena potensi pengembalian yang tinggi tetapi juga risiko mendalam yang mereka bawa. Berbeda dengan aset keuangan tradisional, cryptocurrency sangat dipengaruhi tidak hanya oleh dinamika penawaran dan permintaan tetapi juga oleh tren media sosial, pembaruan teknologi, dan berita regulasi karena struktur desentralisasi dan perdagangan 24/7 mereka. Hal ini menantang keabsahan teori ekonomi klasik yang mengasumsikan partisipan pasar rasional.

Meskipun kecerdasan buatan menawarkan perspektif baru dalam memahami perilaku manusia dan dinamika pasar, pendekatan yang ada sering terbatas pada model “kotak hitam” dan kurang adaptif terhadap guncangan pasar mendadak.

Sebagian besar model keuangan kuantitatif dan algoritma pembelajaran mesin dasar mengasumsikan bahwa pola historis akan berulang di masa depan. Namun, pasar cryptocurrency bersifat kacau dan tidak stasioner. Dua masalah utama muncul dalam konteks ini:

1. Algoritma saat ini kesulitan memodelkan pergerakan pasar yang “tidak rasional”.
2. Model pembelajaran mendalam kurang dapat dijelaskan, sehingga sulit bagi manusia memahami alasan di balik keputusan beli/jual.

Keterbatasan ini merusak kepercayaan investor terhadap sistem berbasis AI dan memperlambat adopsi teknologi.

Makalah ini berkontribusi dengan:

Mengembangkan model hibrida probabilistik berbasis teori kepercayaan Dempster–Shafer, yang mengevaluasi ketidakpastian melalui pemberat bukti daripada probabilitas Bayesian murni.

Mengusulkan kerangka simulasi yang memodelkan dinamika pasar sebagai permainan multi-agen, memungkinkan pemecahan masalah kreatif dalam lingkungan interaktif.

2. Karya Terkait

Pendekatan yang diusulkan didasarkan pada tiga bidang penelitian utama: AI dalam teori ekonomi, simulasi berbasis permainan, dan penalaran probabilistik.

2.1 AI dan Teori Ekonomi

Kebangkitan AI secara signifikan mempengaruhi teori ekonomi. Sementara model tradisional bergantung pada asumsi “Homo Economicus” sebagai agen rasional, pendekatan AI modern lebih baik dalam menangkap rasionalitas terbatas dan informasi asimetris. Konsep seperti keseimbangan penawaran-permintaan, penetapan harga, dan teori permainan telah diperkuat melalui teknik komputasi yang terinspirasi dari kecerdasan alami.

Studi ini membangun atas transformasi ini untuk menafsirkan dinamika harga yang tidak rasional di pasar kripto.

2.2 Lingkungan Simulasi dan Teori Permainan

Permainan menyediakan lingkungan terkendali untuk mempelajari pengambilan keputusan di bawah ketidakpastian. Perdagangan cryptocurrency dapat dimodelkan sebagai permainan kompleks non-zero-sum di mana banyak agen bersaing dan berinteraksi.

Meskipun simulasi permainan banyak digunakan dalam pelatihan agen, adaptasinya untuk simulasi pasar keuangan—terutama untuk menghasilkan strategi kreatif—masih merupakan bidang yang berkembang. Penelitian ini memanfaatkan lingkungan berbasis permainan sebagai tempat pengujian untuk meningkatkan kinerja agen dalam simulasi pasar.

2.3 Penilaian Probabilistik dan Manajemen Ketidakpastian

Sistem AI biasanya mengandalkan teori Bayesian atau teori kepercayaan untuk menangani penalaran probabilistik. Sementara teori Bayesian memberikan probabilitas numerik yang tepat, teori Dempster–Shafer menekankan kekuatan bukti dan pemodelan ketidakpastian.

Dalam lingkungan data yang berisik dan tidak lengkap seperti pasar crypto, fungsi kepercayaan menyediakan struktur yang lebih fleksibel untuk merepresentasikan ketidakpastian. Studi ini mengadopsi perspektif non-Bayesian untuk menilai keandalan sinyal pasar.

3. Metodologi dan Pendekatan

Sistem yang diusulkan disebut Kerangka Kepercayaan Permainan Crypto (Crypto-Game-Belief Framework). Sistem ini terdiri dari komponen modular yang memproses data pasar, mengelola ketidakpastian, dan mengembangkan strategi dalam lingkungan simulasi.

3.1 Komponen Inti

Modul Persepsi Data dan Pembentukan Kepercayaan

Sistem mengumpulkan data mentah seperti pergerakan harga, volume perdagangan, dan sentimen media sosial. Alih-alih menghasilkan sinyal beli/jual langsung, input ini diubah menjadi massa kepercayaan menggunakan teori Dempster–Shafer.

Misalnya, indikator teknikal bullish menjadi bukti berbobot daripada probabilitas tetap. Ini memungkinkan sistem memodelkan ketidakpastian saat menghadapi sinyal yang bertentangan.

Pemecahan Masalah Kreatif (CPS) dan Manajemen Anomali

Pasar crypto sering mengalami peristiwa yang belum pernah terjadi sebelumnya. Sistem otonom memerlukan kemampuan Pemecahan Masalah Kreatif (CPS) untuk menangani situasi non-nominal tersebut.

Modul ini memungkinkan penalaran adaptif di luar pola yang dihafal, menghasilkan strategi logis dalam konteks yang tidak dikenal.

Simulasi Permainan Multi-Agen

Output kepercayaan masuk ke dalam lingkungan simulasi berbasis permainan. Agen AI bersaing melawan agen virtual lain yang mewakili berbagai strategi perdagangan.

Dengan menggunakan pembelajaran penguatan, agen memaksimalkan fungsi hadiah sambil menguji strategi tanpa risiko keuangan nyata.

3.2 Rencana Evaluasi

Kerangka evaluasi hipotetis meliputi:

Dataset: Data BTC dan ETH per jam (2018–2023) plus metrik media sosial.

Tolok ukur: Strategi Beli dan Tahan dan jaringan neural LSTM standar.

Metrik:

Pengembalian Investasi (ROI)

Rasio Sharpe

Penurunan maksimum

Sistem dilatih pada 70% data dan diuji pada 30%. Skenario “black swan” buatan (misalnya, penurunan mendadak 20%) diperkenalkan untuk menguji adaptabilitas CPS.

4. Diskusi

4.1 Aplikasi Praktis dan Kepercayaan

Kerangka ini dapat berfungsi tidak hanya sebagai alat perdagangan otomatis tetapi juga sebagai asisten manajemen risiko untuk investor institusional. Namun, kepercayaan pengguna sangat bergantung pada kemampuan penjelasan.

Penelitian AI yang dapat dijelaskan (XAI) menunjukkan bahwa penalaran yang dapat dipahami secara signifikan meningkatkan kepercayaan. Oleh karena itu, alih-alih hanya mengeluarkan sinyal “Jual”, sistem harus memberikan penjelasan kontekstual seperti:

“Ketidakpastian pasar telah mencapai 80% menurut fungsi kepercayaan; risiko sedang dikurangi.”

4.2 Keterbatasan Biaya Komputasi: Simulasi multi-agen dan pembaruan kepercayaan membutuhkan daya komputasi yang besar, yang berpotensi menyebabkan latensi. Bias Historis: Kecerdasan buatan tetap terbatas oleh pola historis yang digunakan untuk pelatihan. Kompleksitas Psikologis Manusia: Pemodelan penilaian probabilitas subjektif manusia masih menjadi tantangan.

4.3 Pertimbangan Etis Penerapan kecerdasan buatan di pasar crypto membawa risiko manipulasi. Aktor algoritmik berskala besar dapat memanfaatkan sinyal pasar secara tidak etis. Sistem AI keuangan harus mematuhi prinsip transparansi, keadilan, dan non-maleficence.

4.4 Pekerjaan Masa Depan Penelitian mendatang dapat mengintegrasikan Model Bahasa Besar (LLMs) untuk secara otomatis menganalisis berita dan literatur akademik. Selain itu, kerangka etika AI yang saling merujuk dapat mendukung pengembangan standar etika universal untuk bot perdagangan.

5. Kesimpulan Pasar cryptocurrency mewakili pertemuan berisiko tinggi antara teknologi dan keuangan. Studi ini mengusulkan kerangka AI holistik yang menggabungkan teori permainan, fungsi kepercayaan Dempster–Shafer, dan teknik pemecahan masalah kreatif. Dengan memodelkan pasar sebagai sistem interaktif yang dinamis daripada sekadar dataset statis, kerangka ini meningkatkan pengambilan keputusan di bawah ketidakpastian. Iterasi mendatang yang mengintegrasikan fitur penjelasan dapat mendorong ekosistem keuangan yang lebih transparan dan dapat dipercaya bagi investor individu maupun institusional.