## Membedah TradingAgents: Menjelajahi Implementasi Agen AI untuk Trading

Dunia trading terus berubah. Dulu, trader mengandalkan intuisi pribadi atau analisis manual yang memakan waktu. Sekarang, hadir alat canggih untuk membantu mengambil keputusan. Salah satunya adalah konsep **TradingAgents: Implementasi Agen AI untuk Trading** yang bertujuan mengotomatisasi proses ini. Agen AI memberikan pendekatan yang berbeda dalam navigasi kompleksitas pasar finansial.

### Apa Itu Agen AI dalam Konteks Trading?

Bayangkan sebuah sistem komputer yang bisa belajar. Sistem ini menganalisis data pasar, mengidentifikasi pola tersembunyi, dan membuat keputusan untuk membeli atau menjual aset. Inilah inti dari **agen AI untuk trading**. Mereka beroperasi berdasarkan algoritma khusus, dirancang untuk memahami dinamika pasar yang terus berubah. Agen ini bekerja secara mandiri atau semi-mandiri, mengurangi kebutuhan intervensi manusia secara langsung.

### Mengapa Memilih Agen AI untuk Trading?

Salah satu keunggulan utama agen AI adalah ketiadaan emosi. Keputusan mereka berbasis analisis data objektif. Mereka tidak terpengaruh oleh rasa takut atau keserakahan, faktor yang sering kali memengaruhi kinerja trader manusia. Agen AI juga mampu memproses volume data yang sangat besar dalam waktu singkat, jauh melebihi kapasitas manusia. Kemampuan ini penting untuk mengidentifikasi peluang atau risiko dalam hitungan detik. Konsistensi dalam eksekusi strategi juga menjadi poin kuat agen AI. Mereka patuh pada aturan yang telah ditetapkan.

### Bagaimana Cara Kerja Implementasi Agen AI untuk Trading?

Implementasi **agen AI untuk trading** melibatkan beberapa tahapan inti:

1.  **Pengumpulan Data:** Tahap awal adalah mengumpulkan data pasar. Ini termasuk harga saham historis, volume transaksi, berita ekonomi, hingga indikator teknis. Kualitas data sangat menentukan performa agen AI.
2.  **Pemrosesan dan Analisis Data:** Data yang terkumpul kemudian masuk ke model pembelajaran mesin. Model ini bisa dilatih dengan berbagai teknik. Contohnya, **pembelajaran terawasi (supervised learning)** sering dipakai untuk memprediksi harga atau tren pasar. Sementara itu, **pembelajaran penguatan (reinforcement learning)** dapat digunakan untuk menemukan strategi trading optimal melalui proses coba-coba dalam simulasi lingkungan pasar.
3.  **Pengambilan Keputusan:** Setelah analisis, agen AI akan membuat keputusan. Misalnya, apakah ini waktu yang tepat untuk membeli, menjual, atau menahan aset? Keputusan ini didasarkan pada output model pembelajaran dan kriteria risiko yang telah ditentukan.
4.  **Eksekusi Perdagangan:** Modul eksekusi akan menjalankan perintah trading tersebut. Eksekusi terjadi secara otomatis di bursa efek atau platform trading yang terhubung. Seluruh proses ini umumnya berjalan tanpa campur tangan langsung dari manusia, meskipun pemantauan performa tetap diperlukan.

### Tantangan dalam Mengembangkan Agen AI untuk Trading

Meskipun potensi agen AI menjanjikan, ada tantangan signifikan dalam pengembangannya. Pasar finansial terkenal sangat dinamis dan sulit diprediksi. Model AI harus adaptif, mampu mengatasi perubahan pasar yang tiba-tiba. Risiko **overfitting** juga menjadi perhatian. Overfitting terjadi ketika model terlalu spesifik pada data masa lalu, lalu gagal beradaptasi dengan kondisi pasar baru.

Kualitas data input juga menjadi krusial. Data yang buruk atau tidak lengkap dapat menghasilkan keputusan trading yang salah. Aspek regulasi dan etika juga perlu dipertimbangkan saat agen AI mengambil peran yang lebih besar dalam pasar finansial.

Masa depan implementasi agen AI dalam trading terlihat cerah. Dengan penelitian dan pengembangan yang terus berlanjut, agen-agen ini berpotensi menjadi alat yang semakin kuat bagi para pelaku pasar. Mereka membantu trader mengelola risiko dan memaksimalkan potensi keuntungan di tengah kompleksitas pasar global.

## Referensi
https://github.com/TauricResearch/TradingAgents

Artikel ini menjelaskan konsep TradingAgents, bagaimana agen AI digunakan untuk mengotomatisasi keputusan trading, menganalisis data pasar, dan mengeksekusi strategi tanpa emosi.

Membedah TradingAgents: Menjelajahi Implementasi Agen AI untuk Trading

Reggi

Pernah membayangkan memiliki asisten AI yang tidak hanya menjawab perintah, tetapi juga benar-benar belajar dari interaksimu? **Hermes Agent: Advanced Autonomous AI Agent by NousResearch** hadir dengan konsep tersebut. Agen AI ini dibangun dengan lingkaran pembelajaran bawaan. Itu berarti Hermes Agent tidak statis. Ia menciptakan keterampilan baru dari pengalaman, memperbaikinya selama penggunaan, dan mendorong dirinya untuk menyimpan pengetahuan. Agen ini juga mencari percakapan di masa lalu dan membangun model pengguna yang mendalam di setiap sesi.

## Kemampuan Adaptif Hermes Agent
Hermes Agent dirancang untuk tumbuh bersama penggunanya. Salah satu fitur utamanya adalah kemampuannya untuk beradaptasi dan berkembang. Agen ini mampu membuat keterampilan berdasarkan pengalaman, bukan hanya dari instruksi yang diprogram. Seiring waktu dan penggunaan, Hermes Agent memperbaiki keterampilan ini dan mengasimilasi pengetahuan baru. Dengan kemampuan untuk meninjau percakapan sebelumnya, ia membangun pemahaman yang lebih baik tentang siapa Anda di setiap sesi.

## Fleksibilitas Penempatan dan Pilihan Model
Tidak perlu perangkat keras super mahal untuk menjalankan Hermes Agent. Anda dapat menjalankannya di VPS seharga $5, kluster GPU, atau infrastruktur *serverless* yang hampir tidak mengeluarkan biaya saat tidak aktif. Agen ini tidak terikat pada laptop Anda. Anda bisa berbicara dengannya dari Telegram saat ia bekerja di VM *cloud*.

Hermes Agent juga memberikan kebebasan dalam memilih model AI. Anda bisa menggunakan model apa pun yang diinginkan, termasuk yang ada di (platform *AI-native cloud* untuk Model API, Agent Sandbox, dan GPU Cloud), OpenAI, atau *endpoint* milik sendiri. Perpindahan antar model dapat dilakukan dengan `OpenRouter`, tanpa perlu perubahan kode atau *lock-in* pada satu penyedia layanan.

## Kompatibilitas Lintas Platform
Hermes Agent dirancang agar dapat diakses oleh banyak pengguna dengan berbagai sistem operasi. Berikut adalah daftar dukungan platformnya:

### Dukungan Sistem Operasi
| Sistem Operasi | Status | Catatan |
|---|---|---|
| Linux | Didukung | Installer `irm hermes.run | iex` atau jalur manual. |
| macOS | Didukung | Installer `irm hermes.run | iex` atau jalur manual. |
| WSL2 | Didukung | Perintah Linux/macOS berfungsi. Pengaturan paling teruji untuk Windows. Dibutuhkan untuk panel obrolan dashboard berbasis browser. |
| Termux | Didukung | Menginstal ekstensi `hermes-light` karena masalah kompatibilitas suara. |
| Windows (Native, PowerShell) | Beta Awal | Instal melalui PowerShell. Harap laporkan masalah yang ditemukan. |

Dukungan Windows native masih dalam tahap awal. Installer PowerShell mengurus semuanya, tetapi mungkin ada *bug*. Untuk pengalaman Windows yang paling stabil saat ini, disarankan menggunakan WSL2. Instalasi native Windows berada di `C:\Users\User\Documents\HermesAgent`, sementara WSL2 menginstal di `~/HermesAgent`. Satu-satunya fitur Hermes yang saat ini membutuhkan WSL2 adalah panel obrolan *dashboard* berbasis browser, yang menggunakan POSIX PTY. CLI dan *gateway* dapat berjalan secara *native*.

### Proses Instalasi
Installer Hermes Agent sangat komprehensif. Misalnya, untuk Windows PowerShell, Anda cukup menjalankan:
```powershell
irm hermes.run | iex
```
Installer ini akan menangani instalasi `uv`, Python 3.11, Node.js, `ripgrep`, `ffmpeg`, dan `MinGit` (Bundled Git Bash). Instalasi ini tidak memerlukan hak admin dan sepenuhnya terisolasi dari instalasi Git sistem apa pun. Hermes menggunakan Git Bash yang dibundel ini untuk menjalankan perintah *shell*. Jika Anda sudah memiliki Git terinstal, *installer* akan mendeteksinya dan menggunakannya. Jika tidak, unduhan MinGit sekitar 45MB akan dilakukan. Ini tidak akan mengganggu instalasi Git sistem.

## Memulai Percakapan dengan Hermes
Hermes menawarkan dua cara utama untuk berinteraksi:
*   **Antarmuka Terminal (CLI):** Mulai UI terminal dengan `hermes chat`.
*   **Gateway Pesan:** Jalankan *gateway* dan berkomunikasi dengannya dari aplikasi seperti Telegram, Discord, Slack, WhatsApp, Signal, atau Email.

Begitu Anda berada dalam percakapan, banyak perintah *slash* yang sama di kedua antarmuka. Anda dapat menemukan daftar perintah lengkap di dokumentasi resmi `docs.hermes.chat`.

## Migrasi dari OpenClaw
Bagi pengguna OpenClaw, Hermes Agent menawarkan migrasi otomatis. Hermes dapat mengimpor pengaturan, memori, keterampilan, dan kunci API Anda. Installer `hermes migrate` secara otomatis mendeteksi OpenClaw dan menawarkan untuk bermigrasi sebelum konfigurasi dimulai.

### Data yang Dimigrasi
Berikut adalah data yang dapat dimigrasi dari OpenClaw ke Hermes Agent:

| Sumber OpenClaw | Tujuan Hermes Agent | Keterangan |
|---|---|---|
| `memory.json`, `user.json` | `MEMORY.md`, `USER.md` | Entri memori dan pengguna. |
| Keterampilan yang dibuat pengguna | `skills/` | File keterampilan yang dibuat oleh pengguna. |
| Konfigurasi platform, pengguna yang diizinkan, direktori kerja | `settings/` | Berkas konfigurasi platform, daftar pengguna yang diizinkan, dan direktori kerja. |
| Rahasia yang diizinkan (Telegram, OpenRouter, OpenAI, Anthropic, ElevenLabs) | `secrets/` | Kunci API untuk berbagai layanan. |
| File audio ruang kerja | `workspace/audio/` | Semua file audio yang disimpan dalam ruang kerja. |

Untuk semua opsi, Anda bisa melihat `hermes migrate --help` atau menggunakan keterampilan `migrate` untuk migrasi interaktif dengan panduan agen dan *preview* simulasi.

## Kontribusi dan Komunitas
Kami menyambut kontribusi dari komunitas! Jika Anda tertarik untuk membantu pengembangan Hermes Agent, Anda bisa melihat `CONTRIBUTING.md` untuk panduan pengaturan lingkungan pengembangan, gaya kode, dan proses PR.

Untuk *quick start* bagi kontributor, Anda bisa menjalankan:
```bash
git clone https://github.com/NousResearch/hermes-agent.git && cd hermes-agent && ./setup.sh
```
Ada juga jalur manual yang setara, didokumentasikan dalam `CONTRIBUTING.md`. Komunitas juga memiliki jembatan WeChat yang memungkinkan Hermes Agent dan OpenClaw berjalan di akun WeChat yang sama.

Hermes Agent adalah proyek yang terus berkembang, menawarkan cara baru untuk berinteraksi dengan AI yang benar-benar belajar dan beradaptasi dengan kebutuhan Anda.

## Referensi
https://github.com/NousResearch/hermes-agent

Temukan Hermes Agent, agen AI canggih dari NousResearch yang belajar dari pengalaman, meningkatkan kemampuannya, dan beradaptasi dengan pengguna di berbagai platform dan OS.

Hermes Agent: Agen AI Otonom yang Belajar dan Berkembang Bersamamu

**MIT Scientists Collect Thousands of Math Olympiad Problems from 17 Languages** adalah berita besar di dunia AI dan pendidikan. Bayangkan, sebuah tim ilmuwan dari Massachusetts Institute of Technology (MIT), King Abdullah University of Science and Technology (KAUST), dan perusahaan HUMAIN baru saja meluncurkan platform bernama MathNet. Ini bukan sekadar koleksi soal biasa, melainkan dataset tingkat olimpiade yang luar biasa lengkap, berisi lebih dari 30.000 soal dan solusi matematika dari 47 negara, serta mencakup 17 bahasa berbeda.

MathNet dirancang untuk semua orang, baik peneliti AI yang ingin menguji batas penalaran matematika maupun siswa di seluruh dunia yang berlatih untuk Olimpiade Matematika Internasional (IMO). Proyek ini dipresentasikan di Konferensi Internasional tentang Representasi Pembelajaran (ICLR) di Brasil pada akhir April lalu. Kamu bisa mengaksesnya di math-net.ai.

### Mengapa MathNet Itu Penting?

MathNet berbeda dari dataset matematika sebelumnya yang umumnya hanya berasal dari kompetisi di Amerika Serikat dan Tiongkok. Dataset baru ini menjangkau puluhan negara di enam benua, menampilkan soal dan solusi berbasis teks serta gambar, dan mencakup empat dekade kompetisi matematika. Tujuannya jelas, yaitu menangkap seluruh spektrum perspektif matematika dan tradisi pemecahan masalah yang ada di komunitas matematika global, bukan hanya dari yang paling sering terlihat.

Shaden Alshammari, mahasiswa PhD MIT dan penulis utama makalah ini, menjelaskan bahwa setiap negara yang berpartisipasi di IMO biasanya membawa buklet berisi soal-soal paling orisinal dan terbaru mereka. Buklet ini dibagikan di antara delegasi lalu menghilang begitu saja. Sebelum MathNet, tidak ada upaya sistematis untuk mengumpulkan, merapikan, dan menyediakannya untuk umum. Ia berharap platform ini bisa menjadi wadah terpusat dengan soal dan solusi berkualitas tinggi bagi siswa yang ingin belajar.

Solusi di MathNet juga punya ciri khas. Berbeda dengan *benchmark* matematika sebelumnya yang mungkin hanya memberikan jawaban satu baris, solusi di MathNet ini berbentuk **bukti panjang** atau *long-form proofs*. Ini berarti solusi tersebut ditulis oleh para ahli, melewati proses tinjauan sejawat, dan sering kali terdiri dari beberapa halaman, bahkan menjelaskan berbagai pendekatan untuk masalah yang sama.

### Perjalanan di Balik Pengumpulan Data MathNet

Membangun MathNet bukan pekerjaan mudah. Tim harus melacak 1.595 volume PDF, totalnya lebih dari 25.000 halaman, mencakup dokumen digital dan hasil pindaian dari puluhan tahun lalu dalam belasan bahasa. Sebagian besar arsip ini datang dari sumber yang tidak terduga, yaitu Navid Safaei, seorang tokoh senior di komunitas IMO yang juga salah satu *co-author*. Ia telah mengumpulkan dan memindai buklet-buklet ini secara manual sejak tahun 2006, membangun arsip pribadi yang kini menjadi tulang punggung dataset tersebut.

Tidak seperti dataset matematika lainnya yang sering mengandalkan forum komunitas seperti Art of Problem Solving (AoPS), MathNet secara eksklusif mengambil semua soal dari **buklet kompetisi nasional resmi**. Ini menjamin kualitas tingkat ahli, konsistensi gaya, dan terhindar dari anotasi yang mungkin kurang rapi di koleksi *crowd-sourced*.

### Teknologi Canggih untuk Ekstraksi dan Validasi

Mengambil pasangan soal dan solusi yang selaras dari koleksi dokumen matematika yang beragam ini jelas bukan hal sepele. Kadang, buklet memisahkan soal dan solusi, kadang menginterlakannya, dan skema penomoran serta konvensi penamaan bervariasi antarnegara, bahkan dalam satu dokumen. Oleh karena itu, tim merancang **pipa LLM (Large Language Model) multi-tahap** yang canggih.

1.  **Tahap 1, Parsing:** Semua buklet diubah ke Markdown menggunakan **nougat-ocr**, sebuah *framework* parsing dokumen multibahasa yang dirancang untuk PDF digital maupun hasil pindaian. Proses ini mengidentifikasi segmen soal dan solusi, lalu mencatat penulis, petunjuk, catatan, berkas sumber, dan nomor halaman untuk tujuan *provenance*.
2.  **Tahap 2, Ekstraksi:** Kemudian, **math-parser** mengekstrak soal dan solusi yang sesuai dalam format Markdown yang ramah LaTeX, bersama dengan *buffer* teks di sekitarnya untuk menangani kasus di mana konten membentang melintasi batas konteks.

Setiap pasangan yang diekstrak harus melewati tiga pemeriksaan independen sebelum disimpan:

*   **Pengecekan Kesamaan Teks:** Ini memastikan kemiripan teks antara ekstraksi dan *output* OCR asli. Tujuannya adalah memastikan LLM hanya melakukan perubahan format dan tidak mengintroduksi konten yang berhalusinasi.
*   **Pengecekan Visual:** GPT-4.1 membandingkan *screenshot* halaman dengan pasangan yang diekstrak untuk menangkap kesalahan OCR, asosiasi gambar yang tidak tepat, atau solusi yang tidak lengkap.
*   **Tinjauan Manusia:** Kasus dengan tingkat kepercayaan rendah ditinjau secara manual oleh para *annotator*. Sebuah pasangan baru akan disimpan jika ketiga mekanisme ini setuju.

MathNet juga menyertakan **taksonomi gaya olimpiade** yang terkurasi. Domain tingkat atas mencakup Geometri, Aljabar, Kombinatorika, Teori Bilangan, Analisis, dan Probabilitas & Statistik. Setiap soal memiliki jalur topik hierarkis, seperti *Number Theory / Diophantine Equations / Pell's equation*. Ini bisa dipakai untuk evaluasi berjenjang atau menyusun kurikulum.

### MathNet dalam Angka

Berikut adalah ringkasan fitur utama MathNet:

| Fitur MathNet                  | Detail                                                                           |
|:-------------------------------|:---------------------------------------------------------------------------------|
| Jumlah Soal                    | Lebih dari 30.000                                                                |
| Jumlah Negara Asal             | 47                                                                               |
| Jumlah Bahasa                  | 17                                                                               |
| Cakupan Waktu                  | Empat dekade kompetisi (sejak awal 2000-an)                                      |
| Sumber Data                    | Buklet kompetisi nasional resmi, bukan forum komunitas                           |
| Jenis Solusi                   | Bukti panjang (long-form proofs), multi-halaman, oleh para ahli                   |
| Tujuan Utama                   | Evaluasi penalaran matematika AI, *retrieval benchmarks*, pelatihan siswa        |
| Validasi                       | Tiga tahap (kesamaan teks, visual oleh GPT-4.1, tinjauan manusia)                 |
| Lisensi Data (default)         | CC BY-NC-SA 4.0 (dengan tetap menghormati hak cipta asli negara/organisasi)      |

### Manfaat dan Batasan MathNet

MathNet ditujukan untuk evaluasi penalaran tingkat olimpiade, evaluasi matematika multibahasa, matematika multimodal berbasis gambar, analisis berlapis topik, dan *retrieval benchmarks* untuk struktur matematika. Kumpulan solusi yang ditulis oleh para ahli menyediakan *rewards* padat untuk masalah dengan jawaban yang dapat diverifikasi. Pasangan kesamaan yang sadar matematika juga membuka dimensi baru, yaitu menghargai model untuk mengambil masalah yang secara struktural setara, yang merupakan sinyal yang alami dan dapat diverifikasi secara otomatis tanpa memerlukan jawaban *closed-form*.

Namun, ada batasan yang perlu diingat. Soal-soal olimpiade telah diindeks secara luas, jadi ada kemungkinan kebocoran data saat mengevaluasi model yang sudah dilatih sebelumnya. Tim juga menyebutkan bahwa ada *preview* publik sebelum rilis penuh, dan beberapa bidang yang diperkaya (seperti metadata topik) belum sepenuhnya diaudit manusia.

### Misi Global dan Hak Cipta

Dengan dukungan Presiden IMO Gregor Dolinar, tim peneliti telah menghubungi para pemimpin semua negara peserta dan mendapatkan izin untuk membagikan dataset ini secara publik. Jika ada negara atau organisasi kompetisi yang mengklaim hak ciptanya sendiri, hak cipta tersebut tetap dipertahankan dan diutamakan. Untuk semua soal yang tidak ada klaim hak cipta eksplisit, dataset ini dirilis di bawah lisensi **CC BY-NC-SA 4.0**. Singkatnya, kamu bisa menggunakannya secara bebas, tinggal mengutip makalahnya, dan menghormati hak-hak eksplisit yang diklaim oleh tim nasional asli.

Proyek ini sebagian didanai oleh Schwarzman College of Computing Fellowship dan National Science Foundation. Sultan Albarakati, salah satu *co-author*, saat ini bertugas di dewan IMO, dan para peneliti juga sedang berupaya membagikan kumpulan data ini langsung kepada yayasan IMO. Ini menunjukkan komitmen kuat untuk mendukung komunitas matematika global.

MathNet bukan hanya koleksi data, melainkan jembatan yang menghubungkan komunitas matematika global dengan kemajuan AI, membuka peluang baru bagi penelitian dan pendidikan.

## Referensi
*   https://github.com/ShadeAlsha/MathNet
*   https://www.detik.com/edu/detikpedia/d-8472564/ilmuwan-mit-kumpulkan-ribuan-soal-olimpiade-matematika-dari-17-bahasa-dan-jawabannya

Ilmuwan MIT, KAUST, dan HUMAIN telah meluncurkan MathNet, sebuah dataset global komprehensif berisi lebih dari 30.000 soal dan solusi olimpiade matematika dari 47 negara dan 17 bahasa, bertujuan mendukung riset AI dan pembelajaran siswa. MathNet menjadi referensi baru untuk evaluasi penalaran model bahasa.

Ilmuwan MIT Persembahkan MathNet, Dataset Raksasa Soal Olimpiade Matematika dari 17 Bahasa

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#pembelajaran-mesin

Getting Lastest Post..

Populer Bulan Ini