Siapa pun yang pernah meneliti strategi trading jangka sangat pendek secara manual (scalping, yaitu satu transaksi hanya berlangsung beberapa detik sampai beberapa menit) tahu bahwa bagian yang paling berat bukan hitung-hitungannya.
Apa yang dilakukan saat sinyal A muncul? Bagaimana kalau B muncul bersamaan? Dipertahankan saat harga bergejolak, dibuang saat sepi? Melawan arah di sini, absen di sana?
Kalau tiap cabang diuji satu per satu, malam biasa langsung berubah jadi laboratorium pribadi. Menghabiskan beberapa jam sehari selama bertahun-tahun, lalu hanya tersisa satu strategi yang bertahan, itu bukan hal aneh.
Lalu datanglah AI yang bisa menjelajah sendiri.
Dalam satu jenis penggunaan, AI ini mencoba ribuan variasi dalam beberapa jam, mencari tahu mengapa keuntungannya tidak stabil, lalu memakai tiap kegagalan untuk memilih percobaan berikutnya. Reaksi orang biasanya sama:
"Kalau manusia yang mengerjakan, butuh berapa hari?"
Tapi berhenti di "AI bisa menguji 4.000 strategi, jadi kita menang" itu keliru. Di dunia keuangan, kemampuan mencoba banyak hal juga membuat kita lebih mudah salah mengira keberuntungan sebagai kemampuan. [1][2]
Kesimpulan tulisan ini sederhana:
yang kuat adalah gabungan ide dari kamu sendiri, penjelajahan oleh AI, AI yang berusaha mematahkan temuannya sendiri, dan koreksi statistik yang memperhitungkan berapa banyak hal yang sudah dicoba.
AI yang hanya mencari pemenang tidak cukup. Harus ada AI lain yang tugasnya membongkar para pemenang itu.
1. Mengapa kerja manual bertahun-tahun bisa tiba-tiba menyusut
Meneliti strategi secara manual adalah rangkaian langkah kecil:
- Muncul sebuah ide.
- Ubah jadi aturan.
- Uji dengan data masa lalu (backtest).
- Baca hasilnya.
- Tanya kenapa hasilnya tidak stabil.
- Pecah aturannya jadi bagian-bagian.
- Uji lagi.
Tidak ada satu langkah pun yang sulit. Yang berat adalah mengulanginya ratusan atau ribuan kali.
Di tengah jalan juga selalu muncul: "Kemarin saya sudah uji apa saja?", "Filter ini sudah pernah saya coba belum?". Otak manusia tidak punya fitur catatan penelitian bawaan. Mungkin ada yang punya, tapi setidaknya tidak ada notifikasi pembaruan.
Nilai AI penjelajah ada pada kemampuannya menjaga putaran ini terus berjalan.
AI tidak berhenti di "untung". Ia terus bertanya: apakah untungnya hanya dari beberapa hari? Apakah hilang setelah biaya dihitung? Apakah hanya jalan di satu jam tertentu? Apakah ambruk kalau satu bagian dicabut? Cabangnya terus bertambah, dan alasan kegagalan dikembalikan jadi hipotesis baru.
Ini bukan sekadar backtest yang lebih cepat.
Ini putaran riset yang lebih cepat.
2. Kekuatan Astra lebih mirip "bisa bergerak di tempat yang belum dikenal" daripada "tahu jawabannya"
ARC-AGI-3 adalah cara yang enak untuk memahami hal ini.
Ini adalah tes interaktif: AI mengoperasikan dunia kotak-kotak 2D yang baru, tanpa petunjuk dan tanpa tujuan yang disebutkan. AI harus menjelajah, mencari tahu cara kerja dunia itu, menebak tujuannya, membuat rencana, bertindak, lalu mengoreksi diri. [3][4]
Pada Juli 2026, GPT-5.6 Sol mendapat 7,78% pada set semi-private ARC Prize. Pada set publik yang lain, OpenAI menunjukkan bahwa menyimpan kondisi penalaran dan memadatkan konteks menaikkan Sol dari 13,3% ke 38,3%. [5]
Pada September, Astra mendapat 62,7% pada set semi-private yang sama dengan lingkungan penilaian standar ARC Prize, dan 99,9% dengan Provider Adapter, yaitu lingkungan yang menyimpan lebih banyak penalaran dari satu aksi ke aksi berikutnya. Lingkungan penilaian sangat memengaruhi skor, jadi angkanya tidak bisa dibaca sebagai perbandingan sederhana 99,9 lawan 7,78. Yang terlihat adalah lonjakan besar dalam menjelajah, memahami cara kerja sesuatu, dan menjaga alur pada tugas yang panjang. [6][3]
ARC Prize juga melaporkan bahwa pada 96% level yang diselesaikan Astra, jumlah aksinya lebih sedikit daripada median manusia yang menyelesaikannya. [3]
Ini jenis kekuatan yang berbeda dari menyelesaikan satu persamaan sulit.
Lebih mirip seperti ini:
"Kalau ini disentuh, apa yang terjadi? Oke, kalau yang itu? Oh, aturannya begitu."
Tes-tesnya mirip permainan. Sebagian cukup sederhana sampai anak kecil pun senang mencoba-coba, namun AI lama kesulitan di situ. Karena itu lonjakan mendadak di sana bisa menunjukkan kemampuan mempelajari tempat baru sambil menyentuhnya.
ARC Prize sendiri tidak mengatakan bahwa skor tinggi di ARC-AGI-3 membuktikan kecerdasan umum setingkat manusia. Permainan tertutup dengan aturan tetap bukan dunia nyata. [3]
3. Mengapa menjelajah game 2D mirip dengan riset scalping
Pasar bukan permainan. Harga tidak ditentukan oleh aturan yang rapi dan tetap.
Meski begitu, langkah-langkah risetnya mirip sekali.
Misalnya kamu menambahkan syarat berdasarkan order book (antrean order beli dan jual) dan hasil backtest membaik.
Kamu tidak berhenti di situ.
- Apakah kemiringan order book itu benar-benar meramalkan sesuatu?
- Apakah hanya jalan saat harga bergejolak?
- Apakah hanya terlihat begitu karena selisih harga beli dan jual sedang kecil?
- Apakah hilang kalau order terisi satu tingkat lebih buruk?
- Apakah hanya ada di satu jam tertentu?
Amati. Ubah satu syarat. Lihat hasilnya. Tulis ulang idenya.
Ini dekat dengan siklus ARC-AGI-3: mengamati, bertindak, melihat reaksi, memperbarui peta di kepala, lalu bertindak lagi. [3][4]
Jadi, daripada "cari parameter yang paling menguntungkan", permintaan yang lebih baik adalah:
"Bongkar mengapa keuntungan ini ada, cari kondisi yang mematikannya, lalu ubah tiap kegagalan jadi percobaan berikutnya."
Ini bukan kuis menebak strategi pemenang.
Ini diserahkan sebagai permainan riset di medan yang belum dikenal.
4. Pengalaman manusia tidak hilang: firasat "di sekitar sini ada yang janggal" justru makin berharga
Memang menggoda untuk membiarkan AI mencari semuanya dari nol.
Tapi makin luas area pencarian, makin berguna pengalaman kamu sebagai peta untuk menentukan dari mana mulai menggali.
Orang yang sudah membaca banyak buku dan mencoba indikator serta pola harga satu per satu biasanya punya catatan seperti ini:
- Lemah kalau dipakai sendirian, tapi mungkin berguna sebagai aturan "di sini jangan masuk".
- Kemungkinan hanya berguna saat pasar jelas sedang tren.
- Cantik di data masa lalu, tapi mudah habis dimakan biaya.
- Lebih cocok untuk menahan entri yang buruk daripada menebak arah.
- Tampak kuat, tapi kemungkinan menumpuk di satu periode saja.
Ini bukan daftar jawaban yang benar.
Ini firasat tentang bagian mana yang dilihat lebih dulu.
Di sains pun polanya mirip. Co-Scientist (2026) berangkat dari tujuan dan bukti yang diberikan peneliti, lalu mengulang siklus: membuat hipotesis, mengkritiknya, mengurutkannya, dan memperbaikinya, dengan menambah waktu komputasi untuk menggali lebih dalam. [7]
Di keuangan, idenya bisa sama.
Manusia menanam benih: "bagian ini kelihatannya kuat."
AI menggali ribuan arah di sekitarnya.
Kalau hasilnya bertentangan dengan firasat manusia, buang firasatnya tanpa ampun.
Pakai pengalaman bukan sebagai jawaban, melainkan sebagai petunjuk ke mana tenaga pencarian dikeluarkan lebih dulu.
Dengan begitu, kelemahan "bias orang berpengalaman" dan "tenaga kasar AI" bisa saling menutupi sedikit demi sedikit.
5. Mengapa menggabungkan banyak syarat jadi neraka kalau dikerjakan manual
Bayangkan ada 20 bahan.
Hanya dengan memutuskan "pakai atau tidak" untuk tiap bahan, sudah ada
2^20 = 1.048.576 kombinasi.
Kalau pilihannya tiga (tidak dipakai, dipakai biasa, dipakai terbalik), jadi
3^20 = 3.486.784.401 kombinasi.
Tentu tidak ada yang mencoba semuanya. Kombinasi yang tidak masuk akal dibuang dengan pengetahuan yang ada.
Tapi riset sungguhan masih menambahkan banyak hal: nilai ambang, jam, seberapa liar harga bergerak, selisih harga beli dan jual, berapa lama posisi dipegang, menghindari jam berita, beli versus jual, cara order terisi.
Jadi rutinitas peneliti zaman dulu:
"Bagaimana kalau lihat yang ini juga? Bagaimana kalau kasus itu dikecualikan? Bagaimana kalau hanya di kondisi pasar ini?"
sebenarnya adalah manusia yang berjalan kaki menyusuri pohon percabangan raksasa.
Pantas saja butuh bertahun-tahun.
Spreadsheet-nya tidak salah. Alam semestanya saja yang terlalu besar.
6. Yang berharga dari AI bukan tenaga kasar, tapi memilih percobaan berikutnya
Pemakaian terbaik AI penjelajah bukan menyapu semua pengaturan secara membabi buta.
Pencarian yang baik mengubah uji berikutnya berdasarkan apa yang baru saja terjadi.
Kalau sebuah strategi terdiri atas A+B+C+D, cabut bagiannya satu per satu dan lihat apa yang berubah.
- Dicabut D, hampir tidak ada yang berubah: D mungkin hanya hiasan.
- B lemah sendirian, tapi A+B membuat periode rugi jauh lebih pendek: B mungkin filter (aturan "jangan masuk"), bukan peramal.
- C lemah secara keseluruhan tapi kuat saat harga bergejolak: C mungkin bergantung pada jenis kondisi pasar.
Mencabut bagian untuk melihat peran masing-masing biasanya disebut uji ablasi.
Namanya kurang penting dibanding tujuannya: membongkar strategi yang rumit dan mempertahankan hanya bagian yang benar-benar bekerja.
Menjelajah, gagal, menggolongkan penyebab, menjelajah lagi.
Kalau putaran ini diotomatisasi, AI berhenti jadi alat yang hanya mencari angka dan mulai mirip asisten riset.
7. Musuh terbesarnya adalah keberuntungan: uji 4.000 hal dan akan muncul "jenius yang cuma beruntung"
Ini bagian paling menakutkan dalam riset yang menyangkut uang.
Kalau kamu menguji 4.000 strategi dan hanya memilih yang paling cantik, pemenang itu bisa jadi menang karena kebetulan, bukan karena kemampuan.
White menjelaskan bahwa ketika data yang sama dipakai berulang kali untuk menarik kesimpulan dan memilih model, hasil yang tampak bagus bisa berasal dari keberuntungan, bukan dari metode yang benar-benar lebih baik. Ini disebut data snooping. [1]
Menggabungkan beberapa sinyal membuatnya lebih buruk.
Novy-Marx menunjukkan bahwa saat beberapa sinyal dipilih dan digabung, bias karena terlalu menyesuaikan diri pada data masa lalu menjadi lebih kuat. Bahkan sinyal acak yang sama sekali tidak punya daya ramal bisa menghasilkan backtest yang tampak mengesankan. [2]
Jadi kekuatan penjelajahan AI itu bermata dua.
AI bisa salah 4.000 kali lebih cepat daripada manusia.
Dan ia juga bisa memberi piala kepada kesalahan yang paling cantik.
Makin banyak kamu mencari, makin perlu perlindungan terhadap keberuntungan ditanam di dalam pencarian itu sendiri, bukan ditinggalkan sebagai pemeriksaan terakhir.
8. Perlindungan dimulai dari mencatat setiap percobaan dan menyembunyikan tes akhir dari AI
Kalau mencari dalam skala besar, 3.999 kegagalan itu juga bagian dari catatan penelitian.
Minimal, masukkan ini ke dalam prosesnya:
- Catat setiap percobaan. Simpan berapa banyak yang dicoba, apa yang diubah, dan mengapa masing-masing dibuang.
- Pisahkan data pencarian dari data tes akhir. Jangan lihat data tes akhir selagi memilih strategi.
- Periksa maju mengikuti waktu. Gunakan validasi walk-forward: dibangun dengan data lalu, diperiksa dengan periode sesudahnya.
- Sengaja perburuk kondisinya. Lebarkan selisih harga beli dan jual, naikkan biaya, geser harga eksekusi, tambah penundaan, persulit pengisian order.
- Lihat apakah bertahan dengan pengaturan di sekitarnya. Waspadai strategi yang jalan di satu angka persis dan mati satu langkah dari situ.
- Pisahkan menurut jenis pasar. Periksa apakah keuntungan menumpuk di masa bergejolak atau sepi, jam tertentu, tahun tertentu, atau beli versus jual.
- Koreksi sesuai banyaknya hal yang dicoba.
Salah satu cara mengoreksinya adalah Deflated Sharpe Ratio, disingkat DSR. Karena banyak kandidat diuji, rasio Sharpe (nilai yang membandingkan imbal hasil dengan risiko) jadi tampak lebih tinggi dari yang sebenarnya. DSR menyesuaikan hal itu, dan juga menyesuaikan untuk imbal hasil yang sebarannya tidak simetris. [8]
Probability of Backtest Overfitting, disingkat PBO, dibuat khusus untuk backtest investasi. Ini memperkirakan peluang bahwa strategi yang dipilih terlalu disesuaikan dengan masa lalu, memakai metode yang disebut validasi silang simetris kombinatorial. [9]
Reality Check milik White menguji data snooping di antara banyak kandidat. Uji Superior Predictive Ability milik Hansen, disingkat SPA, memperbaikinya agar kandidat yang lemah atau tidak relevan kurang mengganggu. [1][10]
Tidak perlu menghafal semua namanya.
Idenya hanya satu:
kalau ia yang terbaik dari 4.000 percobaan, nilai ia sebagai pemenang turnamen 4.000 percobaan.
Dan kalau kamu sudah melihat data yang disisihkan lalu mengubah strategi, data itu tidak lagi utuh. Versi yang diubah butuh data baru yang disegel.
9. Susunan paling kuat memakai dua AI: satu mencari pemenang, satu berusaha membunuhnya
Dengan satu AI penjelajah saja, kecenderungannya selalu mencari yang tampak menarik.
Jadi bagi perannya.
Sisi penjelajah
- Membuat syarat baru.
- Menyusun ulang ide manusia.
- Menggali cara kerja di tiap jenis pasar.
- Mengubah alasan kegagalan jadi calon berikutnya.
Sisi pengkritik
- Memperburuk biaya.
- Menunda pengisian order.
- Membuang beberapa hari.
- Menggeser pengaturan.
- Membawa strategi ke periode atau pasar lain.
- Menerapkan DSR, PBO, Reality Check, SPA, dan sejenisnya untuk mengoreksi jumlah percobaan.
- Memeriksa apakah keuntungan hanya ada di beberapa hari atau beberapa transaksi.
Penjelajah datang dengan "Ketemu satu!", pengkritik menjawab, "Yakin?"
Kalau lolos, hantam lagi.
Dalam riset yang menyangkut uang, sifat menyebalkan ini adalah kualitas.
Tujuannya sebaiknya bergeser dari "keuntungan maksimum" menjadi
"sesuatu yang tetap bertahan dan bisa dijelaskan walaupun kondisinya dirusak sedikit, periodenya diganti, atau biayanya diperburuk."
10. Saat model baru rilis, cari kemampuan yang tiba-tiba menembus tembok, bukan skor totalnya
Ini bukan hanya soal scalping.
Saat model AI baru keluar, hanya melihat apakah skor umumnya naik 5% bisa membuat kita melewatkan tempat uangnya berada.
Pertanyaan yang berguna adalah
"Pekerjaan apa yang tidak menguntungkan dengan model sebelumnya, tapi tiba-tiba layak sekarang?"
Pada Astra, yang menonjol di ARC-AGI-3 adalah menjelajah dunia yang belum dikenal, merangkum cara kerjanya jadi model mental yang ringkas, dan maju dengan aksi yang sedikit. [3]
Dari situ, telusuri mundur.
- Adakah pekerjaan yang berupa menguji sangat banyak ide?
- Adakah tugas yang membuat orang kehilangan waktu karena menentukan apa yang dicoba berikutnya?
- Bisakah berhasil atau gagalnya diukur dengan angka?
- Kalau diulang 100 atau 1.000 kali, apakah selisih biaya tenaga kerjanya besar?
- Apakah peningkatan kemampuan itu langsung berujung pada keuntungan, biaya lebih rendah, atau pengembangan lebih cepat?
Di tempat kelima hal itu bertemu, di situlah jadi menarik.
Di sains pun, siklus membuat, mengkritik, membandingkan, dan memperbaiki hipotesis sudah dijalankan dalam skala besar, seperti pada Co-Scientist. [7]
Jadi anggap pengumuman model baru bukan sebagai membaca lembar spesifikasi, melainkan sebagai
perburuan harta karun: langkah mana yang dulu menyiksa manusia dan sekarang tiba-tiba bisa dikerjakan mesin?
Dalam riset trading jangka pendek, jawabannya mulai terlihat.
Firasat yang dibangun manusia bertahun-tahun, "di sekitar sini kelihatannya kuat", tidak perlu dibuang.
Serahkan ke AI dan biarkan ia menggali ribuan arah.
Lalu suruh AI yang sama berusaha mematahkan hasilnya sendiri, loloskan lewat saringan statistik, dan simpan satu set data terakhir yang belum disentuh siapa pun.
Ringkasan paling singkatnya begini:
Manusia menggambar petanya. AI menggali melewati tepi peta. Statistik bertanya di akhir: "Itu benar-benar emas?"
Makin kuat AI, makin perlu ada seseorang di akhir yang tetap dingin dan skeptis.
Dan orang itu pun bisa saja AI.
- Halbert White — A Reality Check for Data Snooping, Econometrica 68(5), 2000 onlinelibrary.wiley.com
- Robert Novy-Marx — Backtesting Strategies Based on Multiple Signals, NBER Working Paper 21329, 2015 nber.org
- ARC Prize — OpenAI's GPT-6 Astra on ARC-AGI-3 (2026-09-03) arcprize.org
- ARC Prize — Announcing ARC-AGI-3 / ARC-AGI-3 documentation https://docs.arcprize.org/ arcprize.org
- OpenAI — How two settings tripled our ARC-AGI-3 scores (GPT-5.6 Sol) openai.com
- OpenAI — GPT-6 Astra: A new generation of intelligence openai.com
- Juraj Gottweis et al. — Accelerating scientific discovery with Co-Scientist, Nature, 2026 nature.com
- David H. Bailey & Marcos López de Prado — The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality, 2014 doi.org
- David H. Bailey, Jonathan Borwein, Marcos López de Prado & Qiji Jim Zhu — The Probability of Backtest Overfitting, 2015 papers.ssrn.com
- Peter Reinhard Hansen — A Test for Superior Predictive Ability, Journal of Business & Economic Statistics 23(4), 2005 tandfonline.com
