Perdagangan bertenaga AI belum mencapai "momen iPhone," ketika semua orang membawa manajer portofolio pembelajaran penguatan algoritmik di saku mereka, tetapi sesuatu seperti itu akan datang, kata para ahli.

Faktanya, kekuatan AI menemukan tandingannya ketika menghadapi arena perdagangan yang dinamis dan berlawanan. Tidak seperti agen AI yang diinformasikan oleh sirkuit tanpa akhir dari mobil self-driving yang belajar mengenali sinyal lalu lintas dengan akurat, tidak ada jumlah data dan pemodelan yang akan pernah bisa meramalkan masa depan.

Ini membuat penyempurnaan model perdagangan AI menjadi proses yang kompleks dan menuntut. Ukuran keberhasilan biasanya adalah menilai laba dan rugi (P&L). Tetapi kemajuan dalam cara menyesuaikan algoritma melahirkan agen yang terus belajar menyeimbangkan risiko dan imbalan ketika menghadapi berbagai kondisi pasar.

Memungkinkan metrik yang disesuaikan dengan risiko seperti Rasio Sharpe untuk menginformasikan proses pembelajaran melipatgandakan kecanggihan sebuah tes, kata Michael Sena, chief marketing officer di Recall Labs, perusahaan yang telah menjalankan sekitar 20 arena perdagangan AI, di mana komunitas mengirimkan agen perdagangan AI, dan agen-agen tersebut bersaing selama periode empat atau lima hari.

"Ketika datang ke pemindaian pasar untuk alpha, generasi pembangun berikutnya sedang mengeksplorasi kustomisasi dan spesialisasi algo, dengan mempertimbangkan preferensi pengguna," kata Sena dalam sebuah wawancara. "Dioptimalkan untuk rasio tertentu dan bukan hanya P&L mentah lebih mirip dengan cara lembaga keuangan terkemuka bekerja di pasar tradisional. Jadi, melihat hal-hal seperti, berapa drawdown maksimum Anda, berapa banyak nilai risiko Anda untuk menghasilkan P&L ini?"

Mundur selangkah, kompetisi perdagangan baru-baru ini di bursa terdesentralisasi Hyperliquid, yang melibatkan beberapa model bahasa besar (LLM), seperti GPT-5, DeepSeek, dan Gemini Pro, semacam menetapkan dasar untuk posisi AI di dunia perdagangan. LLM ini semua diberi prompt yang sama dan dijalankan secara otonom, membuat keputusan. Tetapi mereka tidak begitu bagus, menurut Sena, hampir tidak mengungguli pasar.

"Kami mengambil model AI yang digunakan dalam kontes Hyperliquid dan kami membiarkan orang mengirimkan agen perdagangan yang telah mereka bangun untuk bersaing melawan model-model tersebut. Kami ingin melihat apakah agen perdagangan lebih baik daripada model dasar, dengan spesialisasi tambahan itu," kata Sena.

Tiga posisi teratas dalam kompetisi Recall diambil oleh model yang disesuaikan. "Beberapa model tidak menguntungkan dan berkinerja buruk, tetapi menjadi jelas bahwa agen perdagangan khusus yang mengambil model-model ini dan menerapkan logika tambahan dan inferensi dan sumber data dan hal-hal di atasnya, mengungguli AI dasar," katanya.

Demokratisasi perdagangan berbasis AI menimbulkan pertanyaan menarik tentang apakah akan ada alpha yang tersisa untuk ditutupi jika semua orang menggunakan teknologi pembelajaran mesin canggih yang sama.

"Jika semua orang menggunakan agen yang sama dan agen itu menjalankan strategi yang sama untuk semua orang, apakah itu semacam runtuh ke dalam dirinya sendiri?" kata Sena. "Apakah alpha yang dideteksinya hilang karena mencoba menjalankannya dalam skala besar untuk semua orang lain?"

Itulah mengapa mereka yang paling baik diposisikan untuk mendapatkan keuntungan dari keunggulan perdagangan AI yang pada akhirnya akan membawa adalah mereka yang memiliki sumber daya untuk berinvestasi dalam pengembangan alat khusus, kata Sena. Seperti dalam keuangan tradisional, alat berkualitas tertinggi yang menghasilkan alpha terbanyak biasanya tidak publik, tambahnya.

"Orang ingin menjaga alat-alat ini serahasia mungkin, karena mereka ingin melindungi alpha itu," kata Sena. "Mereka membayar banyak untuk itu. Anda melihat itu dengan hedge fund yang membeli set data. Anda dapat melihat itu dengan algo eksklusif yang dikembangkan oleh family office.

"Saya pikir titik manis yang ajaib akan berada di mana ada produk yang merupakan manajer portofolio tetapi pengguna masih memiliki suara dalam strategi mereka. Mereka dapat mengatakan, 'Ini cara saya suka berdagang dan ini parameter saya, mari implementasikan sesuatu yang serupa, tetapi membuatnya lebih baik.'"