Jawaban singkat: Serahkan bagian yang berat dan sulit ke GPT-6 Astra, yaitu mencari pola scalping yang belum ada namanya di data order book dan transaksi. Serahkan semua yang lain ke Claude Opus 5.5: menyiapkan data, lingkungan uji coba, memperbaiki bug, tes regresi, backtest, mencoba membantah hasil, dan mengatur pekerjaan. Jangan pakai AI paling pintar untuk semua hal. Pakai Astra seperti peneliti yang mahal, dan Opus 5.5 seperti mandor yang tidak berhenti bekerja.
1. Yang mengejutkan bukan kepintarannya, tetapi ia tidak berhenti
Dalam satu sesi perawatan perangkat lunak yang panjang, AI tidak berhenti setelah memperbaiki kegagalan pertama.
Ia menelusuri penyebab tes yang gagal karena perbedaan lingkungan, memakai dependency injection. Ia menulis ulang tes lama yang masih memeriksa aturan yang sudah dihapus. Ia memperbaiki audit yang tidak ikut pindah ke validator bersama. Terakhir, ia menemukan data uji (fixture) yang kurang dan menghalangi build sungguhan. Setiap selesai memperbaiki, ia menjalankan ulang seluruh tes, lalu menjalankan build yang sebenarnya juga.
Bagi manusia, ini lebih berharga daripada satu jawaban jenius.
Dalam pekerjaan dengan agen AI, hambatannya sering berupa biaya karena manusia harus ikut campur:
- AI menemukan masalah.
- Ia memperbaiki satu hal.
- Ia menemukan kegagalan lain.
- Ia berhenti dengan kalimat “tolong periksa ini berikutnya”.
- Manusia harus bilang “tidak, lanjutkan saja” dan menjalankannya lagi.
Anthropic menjelaskan Opus 5.5 sebagai model untuk sesi coding yang panjang, kode berukuran besar, dan pekerjaan agen yang memakai banyak alat dengan sedikit pengawasan. Anthropic juga menyebut beban kerja umum yang ditagih per token sekitar 40% lebih murah dibandingkan Opus 5.[1]
Intinya, nilai sebuah AI tidak hanya dilihat dari seberapa baik ia memecahkan satu soal sulit. Dalam pekerjaan nyata, yang penting adalah apakah ia bisa terus sampai tuntas: mencari penyebab, memperbaiki, memeriksa, memperbaiki lagi, dan memastikan pekerjaan selesai.
2. Jadi Astra tidak perlu? Perlu, tetapi harganya hanya sepadan kalau dipakai untuk menjelajah
GPT-6 Astra adalah model tertinggi dari OpenAI untuk pekerjaan end-to-end yang paling sulit. Harga API-nya 10 dolar per sejuta token masukan dan 50 dolar per sejuta token keluaran. Opus 5.5 harganya 4 dan 20 dolar.[2][1]
Pengumuman Astra dari OpenAI juga mengutip Jane Street, yang melihat peningkatan jelas dibanding GPT-5.6 Sol dalam uji “trading intuition” (naluri bertransaksi). Halaman produk OpenAI untuk layanan keuangan juga menyebut Astra kuat dalam mencari informasi, bernalar tentang keuangan, dan menghasilkan dokumen jadi.[2][3]
Jadi memakai Astra untuk merapikan file CSV, memperbaiki dependensi, membuat data uji, atau mengganti nama file adalah pemborosan.
Beri Astra hanya masalah yang sifatnya penelitian:
- Anda belum tahu apa yang sebenarnya berpengaruh.
- Ada banyak fitur yang mungkin.
- Ada banyak kombinasi kondisi.
- Anda belum bisa menentukan seperti apa jawaban yang benar.
- Banyak hipotesis salah yang harus dibuang.
Membangun jalan tidak perlu mobil Formula 1. Panggil F1 setelah lintasannya jadi.
3. Reverse search pada order book berangkat dari pergerakan harga di masa depan, lalu mundur ke belakang
Cara merancang strategi yang umum adalah manusia menentukan aturan lebih dulu, misalnya “kalau RSI rendah, beli” atau “antrean beli tebal, mungkin harga naik”.
Reverse search (pencarian terbalik) justru sebaliknya.
Pertama, pilih secara otomatis saat-saat ketika harga bergerak melebihi biaya dan spread dalam 500 milidetik, 1 detik, 3 detik, atau 5 detik. Lalu kembali ke order book dan transaksi tepat sebelum saat-saat itu, dan cari apa persamaannya.
Beberapa petunjuk yang mungkin:
- jumlah antrean di dekat harga beli dan jual terbaik
- ketimpangan di beberapa level harga
- arah dan kekuatan order pasar
- ketimpangan aliran order (order-flow imbalance)
- perbandingan order yang dibatalkan dan order yang ditambah
- seberapa cepat order book terisi kembali
- spread yang melebar atau menyempit
- cara order book pulih setelah transaksi
- selisih antara microprice dan harga tengah
- jenis volatilitas saat itu
- jam dalam sehari
- urutan kejadian dalam rentang beberapa ratus milidetik
Cont, Kukanov, dan Stoikov menunjukkan bahwa perubahan harga dalam waktu singkat berkaitan lebih kuat dengan ketimpangan aliran order di dekat harga beli dan jual terbaik daripada dengan volume transaksi biasa, dan pengaruhnya juga bergantung pada kedalaman pasar.[4]
Jadi order book bukan foto diam yang berbunyi “antrean beli tebal, jadi naik”. Ia adalah rangkaian kejadian dari waktu ke waktu: order baru, pembatalan, order pasar, dan pengisian ulang.
Bagian inilah yang layak dijelajahi oleh Astra.
4. Tetapi “saya coba 100 ide dan yang terbaik untung” bisa jadi undian overfitting, bukan formula ajaib
Jebakan terbesar dalam pencarian dengan AI: makin pintar AI-nya, makin banyak strategi yang bisa ia coba.
Bailey dan rekan-rekannya meneliti masalah ini: kalau Anda menguji sangat banyak kandidat dalam backtest lalu memilih yang terbaik, besar kemungkinan Anda memilih strategi yang hanya kebetulan tampak bagus pada data itu.[5]
Maka ketika Astra menemukan 10.000 kondisi lalu bilang “ini yang terbaik”, kita harus lebih curiga, bukan kurang.
Reverse search sebaiknya paling tidak:
- Memisahkan periode pencarian dari periode pengujian akhir.
- Tidak hanya mengandalkan pembagian acak yang merusak urutan waktu.
- Tidak berulang kali kembali ke periode yang sama untuk menyetel kondisi.
- Mencatat berapa banyak ide yang sudah dicoba.
- Memeriksa apakah hasilnya tahan di berbagai kondisi pasar.
- Menilai hasil setelah dikurangi biaya dan spread.
- Memeriksa apakah ada informasi dari masa depan yang bocor masuk.
Di sini Opus 5.5 berperan sebagai peninjau yang tugasnya menjatuhkan temuan Astra.
Astra menemukan. Opus meragukan.
Tim riset paling baik kalau anggotanya tidak terlalu akur.
5. Yang paling menakutkan dalam backtest order book: apakah Anda benar-benar bisa bertransaksi di harga itu?
Dalam scalping, melihat harga di grafik tidak sama dengan ordermu terisi di harga itu.
Limit order punya posisi dalam antrean. Peluang terisi bergantung pada berapa banyak order di depanmu, berapa banyak order lawan yang masuk, dan apakah order di depanmu dibatalkan.
Sebuah studi di Management Science tahun 2025 membahas bagaimana jeda acak dapat mengubah urutan antrean, bahkan untuk limit order yang dikirim hampir bersamaan.[6] Penelitian terbaru di pasar kripto juga melaporkan adanya jeda antara saat Anda melihat order book dan saat order sampai di mesin pencocokan. Karena itu, kadang jumlah yang Anda lihat tidak bisa benar-benar Anda ambil. Ini disebut gagal terisi (failure-to-fill), dan memengaruhi backtest frekuensi tinggi.[7]
Karena itu, simulator harus bisa menangani paling tidak hal berikut:
- biaya transaksi
- spread
- slippage, yaitu selisih antara harga yang diharapkan dan harga yang didapat
- latensi
- posisi dalam antrean
- terisi sebagian
- jeda pembatalan
- order ditolak dan gagal terisi
- adverse selection, yaitu terus bertransaksi dengan pihak yang lebih tahu sehingga Anda rugi
Kalau tidak, makin pandai Astra mencari, makin cepat Anda menghasilkan keuntungan khayalan yang indah.
AI makin pintar tetapi simulator pengisian order asal-asalan, itu seperti Ferrari dengan ban dari kardus.
6. Siapa mengerjakan apa: Opus menjalankan pabrik, Astra menjalankan laboratorium
Dalam pemakaian nyata, pembagian ini mudah diikuti:
| Pekerjaan | Penanggung jawab utama |
|---|---|
| Mengumpulkan data order book dan transaksi | Opus 5.5 |
| Memperbaiki data hilang, menyamakan waktu, normalisasi | Opus 5.5 |
| Menyiapkan Parquet, database, dan feature store | Opus 5.5 |
| Membuat backtester dan model pengisian order | Opus 5.5 |
| Tes, perlindungan dari regresi, dan log | Opus 5.5 |
| Menyiapkan variabel target dan ruang pencarian | Opus 5.5 + manusia |
| Reverse search fitur dan kondisi yang belum diketahui | Astra |
| Membuat hipotesis dan menjelajahi klaster | Astra |
| Memeriksa pemakaian informasi masa depan (look-ahead / kebocoran data) | Opus 5.5 |
| Membantah overfitting dan ketergantungan pada jenis pasar | Opus 5.5 |
| Menulis ulang kandidat dan menguji ulang dalam jumlah besar | Opus 5.5 |
| Menentukan pertanyaan riset berikutnya | Opus 5.5 → Astra |
Anthropic menyatakan dengan jelas bahwa Opus 5.5 adalah model untuk keperluan sehari-hari dalam coding, agen, penggunaan komputer, dan pekerjaan yang melibatkan beberapa aplikasi.[1]
Sementara itu, OpenAI menyebut Astra sebagai model tertingginya untuk penalaran kompleks, coding, penggunaan komputer, dan riset.[2]
Karena kemampuan keduanya tumpang tindih, rancangan yang lebih baik bukan “siapa yang bisa, dia yang mengerjakan semuanya”, tetapi “panggil yang mahal hanya saat benar-benar perlu”.
7. Meminta Opus mengendalikan Chrome untuk memakai Astra cocok untuk prototipe; untuk produksi, API lebih rapi
Ini susunan ketika satu AI memakai AI lain. Opus 5.5, yang diberi izin mengendalikan browser, membuka layar obrolan Astra lalu:
- mengirim tugas penjelajahan
- memeriksa apakah sudah selesai
- mengambil hasilnya
- mencoba membantahnya sendiri
- mengirim pencarian berikutnya kalau belum cukup
Sebagai prototipe, ini mudah dipahami.
Anthropic menyebut penggunaan komputer sebagai salah satu fungsi utama Opus 5.5. Dengan browser atau sistem kendali komputer yang tepat, ia bisa memimpin pekerjaan bertahap seperti ini.[1]
Namun setelah rutinitasnya mantap, API biasanya lebih mudah dipakai daripada lewat layar.
Lewat browser, ada masalah seperti:
- sesi login habis
- tampilan layar berubah
- status tombol membingungkan
- sulit membedakan masih menghasilkan jawaban atau sudah macet
- sebagian keluaran terlewat
- percakapan menjadi terlalu panjang
- browser itu sendiri rusak
Dengan API, ID eksperimen, hash data masukan, versi prompt, keluaran, dan hasil evaluasi bisa disimpan secara terstruktur.
Karena itu urutan yang wajar adalah:
Pertama, otomatiskan di Chrome apa yang dikerjakan manusia untuk melihat apakah layak. Setelah siklus pencarian mantap, pindah ke API.
Tidak perlu membuat pesawat luar angkasa sejak awal. Ikat dulu roket ke sepeda dan pastikan Anda memang ingin pergi ke arah itu.
8. Tujuan akhirnya bukan “membuat Astra berpikir”, tetapi “hanya memberi Astra masalah yang layak dipikirkan”
Cara yang paling boros adalah melempar setumpuk data mentah dan kode rusak ke Astra lalu berkata:
“Carikan strategi yang untung.”
Cara yang kuat adalah sebaliknya. Di sisi Opus 5.5, Anda perlu:
- memastikan kualitas data
- membangun lingkungan eksperimen yang bisa diulang
- menyediakan API pencarian
- menentukan apa yang disebut berhasil
- memasukkan model biaya
- mengotomatiskan pemeriksaan kebocoran data
- menyimpan hasil
- menguji kandidat yang dikembalikan Astra dengan pemeriksaan terpisah yang mencoba membantahnya
Baru setelah itu Anda meminta Astra menggali tempat yang belum dipikirkan manusia untuk dijadikan fitur.
Alur kerjanya jadi:
Opus 5.5 membangun fondasi → Astra menggali yang belum diketahui → Opus 5.5 mencoba merusak hasilnya → hanya yang bertahan yang lanjut.
Bukan menyerahkan semuanya ke satu AI jenius.
Biarkan peneliti meneliti dan mandor mengurus lapangan.
Bahkan di era agen AI, yang paling berpengaruh pada akhirnya tetaplah cara kita menyusun tim.
- Anthropic — „Introducing Claude Opus 5.5“ und Produktseite zu Claude Opus (22.09.2026) https://www.anthropic.com/claude/opus Belegt die Einordnung von Opus 5.5 bei agentischem Programmieren, langen Arbeiten, Computernutzung und Abläufen über mehrere Anwendungen, außerdem Preise und die rund 40 % geringeren Kosten typischer, nach Token abgerechneter Arbeiten im Vergleich zu Opus 5 anthropic.com
- OpenAI — „GPT-6 Astra: A new generation of intelligence“ und API-Modellseite zu GPT-6 Astra (09/2026) https://developers.openai.com/api/docs/models/gpt-6-astra Belegt die offizielle Einordnung von Astra, die API-Preise und das Zitat von Jane Street zu Fortschritten bei „Trading Intuition“-Tests gegenüber GPT-5.6 Sol openai.com
- OpenAI — „Introducing ChatGPT for Financial Services“ (10.09.2026) Belegt die Einordnung von Astra bei Informationssuche, Finanzanalyse und der Erstellung fertiger Ergebnisse openai.com
- Cont, Rama; Kukanov, Arseniy; Stoikov, Sasha — „The Price Impact of Order Book Events“, Journal of Financial Econometrics 12(1), 2014 Belegt den Zusammenhang zwischen kurzfristigen Kursänderungen, dem Ungleichgewicht im Orderfluss und der Markttiefe arxiv.org
- Bailey, David H.; Borwein, Jonathan M.; López de Prado, Marcos; Zhu, Qiji Jim — „The Probability of Backtest Overfitting“, Journal of Computational Finance https://doi.org/10.21314/jcf.2016.322 Belegt das Risiko, dass die Auswahl des besten Ergebnisses nach dem Test vieler Strategiekonfigurationen einen überangepassten Gewinner liefert escholarship.org
- Yueshen, Bart Zhou — „Queuing Uncertainty of Limit Orders“, Management Science, online veröffentlicht am 17.09.2025 Belegt die Unsicherheit der Position in der Warteschlange und zufällige Verzögerungen bei fast gleichzeitigen Limit-Orders pubsonline.informs.org
- „The good, the bad, and latency: exploratory trading on Bybit and Binance“, Quantitative Finance, 2025 Belegt Latenz, nicht ausgeführte Orders, Slippage, Adverse Selection und Fragen bei Hochfrequenz-Backtests doi.org
