Deret Waktu Keuangan: Mengapa Titik Balik Begitu Sulit Ditangkap
Pasar dirancang dengan licik: volatilitas kadang mereda, kadang meledak, korelasi antar aset putus, dan karakteristik statistik data berubah seiring sentimen para pelaku perdagangan. Ketidakhomogenan semacam ini menghadirkan tugas yang hampir mustahil bagi para analis — menemukan momen ketika perilaku deret berubah secara radikal. Algoritma deteksi klasik yang tidak dapat dipelajari bekerja stabil hanya dalam kasus-kasus tertentu, tetapi gagal pada aset lain atau dalam mode pasar yang berbeda. Peneliti berpengalaman mengatasi masalah ini dengan memilih metode secara manual, menyesuaikan fitur dan hiperparameter dengan data spesifik, tetapi pendekatan semacam itu tidak dapat diskalakan.
Di sinilah otomatisasi memasuki panggung. Jika pencarian model dipercayakan bukan kepada manusia, melainkan kepada agen cerdas yang menganalisis data sendiri dan menyesuaikan strategi dengan sifat-sifatnya, tugas tersebut tidak lagi menjadi rutinitas. Sekelompok peneliti yang dipimpin oleh Lei Jiang dan Hao Ni mengusulkan solusi bernama EvoTS-Agent — agen LLM yang mampu berevolusi selama proses bekerja.
Keterbatasan Pendekatan Tradisional
Penyetelan manual pipeline deteksi titik perubahan adalah masalah besar bagi industri. Setiap aset baru atau mode pasar baru memerlukan keterlibatan ulang pakar: pemilihan model, konstruksi fitur, kalibrasi hiperparameter. Proses semacam itu memakan banyak waktu, mahal, dan tidak menjamin bahwa solusinya benar-benar andal.
Bahkan algoritma otomatis yang tidak memerlukan pembelajaran jarang menunjukkan hasil yang sama baiknya pada data yang berbeda. Algoritma tersebut sering kali dirancang khusus untuk jenis distribusi atau tingkat noise tertentu, sehingga gagal saat konteks pasar berubah. Hasilnya adalah lingkaran setan: entah harus mengorbankan akurasi, atau mengandalkan kerja manual analis yang mahal.
EvoTS-Agent: Pembelajaran Mandiri melalui Eksperimen
Para peneliti dari EvoTS-Agent menempuh jalan yang berbeda. Alih-alih mencari algoritma universal, mereka menciptakan agen yang secara mandiri membangun dan memodifikasi proses deteksi untuk setiap data spesifik. Agen ini tidak bekerja secara membabi buta, melainkan mengandalkan umpan balik dari validasi hasil.
Langkah pertama — eksplorasi. Agen melakukan analisis eksploratif terhadap kumpulan data yang masuk untuk memahami karakteristik khasnya: volatilitas tipikal, keberadaan tren, musiman, dan sifat-sifat lainnya. Berdasarkan analisis ini, ia menginisialisasi beberapa model kandidat yang dapat berperan sebagai detektor.
Kemudian dimulailah siklus utama evolusi. Agen tidak hanya mencoba opsi secara membabi buta — ia membangun lintasan eksperimen dan mengembangkannya secara terarah, menggunakan tiga operator kunci.
Tiga Operator Evolusi
Revision — operator yang bekerja dengan solusi terbaik saat ini. Ia mengambil varian sukses yang ada dan mencoba meningkatkannya: misalnya, mengoreksi parameter, menyempurnakan ambang pemicuan, atau mengadaptasi cara pemrosesan fitur. Ini adalah cara pencarian lokal dan pemolesan.
Alternative Strategy — operator yang aktif ketika kemajuan macet. Jika peningkatan pada pendekatan saat ini tidak lagi memberikan hasil, agen secara radikal mengubah arah: beralih ke model atau metode pemodelan data yang berbeda secara fundamental. Ini adalah jaring pengaman terhadap jebakan di optimum lokal.
Recombination — sintesis ide dari berbagai lintasan sukses. Ketika beberapa jalur menunjukkan hasil yang baik, agen menggabungkan kekuatan mereka, mengombinasikan elemen-elemen yang saling melengkapi ke dalam strategi baru.
Yang penting, seluruh evolusi dikendalikan oleh validasi. Setelah setiap langkah, agen memeriksa seberapa baik titik perubahan yang terdeteksi sesuai dengan ekspektasi pada data kontrol, dan mengarahkan perkembangan lintasan menuju solusi yang lebih akurat. Berkat siklus ini, agen beradaptasi dengan karakteristik statistik dari kumpulan data tertentu, tetapi tidak kehilangan kemampuan untuk melakukan optimasi yang andal.
Verifikasi Eksperimental
Para penulis menguji agen tersebut pada empat kumpulan data benchmark, membandingkannya dengan agen LLM yang sudah ada. Hasilnya menunjukkan keunggulan EvoTS-Agent yang konsisten. Tidak hanya dalam kualitas deteksi titik, tetapi juga dalam keandalan eksekusi: di semua pengujian, agen menunjukkan tingkat keberhasilan seratus persen dalam menyelesaikan tugas, terlepas dari model bahasa besar dasar apa yang digunakan di dalamnya.
Hasil semacam ini penting dari dua sudut pandang sekaligus. Pertama, ini mengonfirmasi gagasan bahwa evolusi mandiri yang dikombinasikan dengan LLM memberikan keunggulan praktis dalam tugas-tugas di mana data terlalu heterogen untuk solusi algoritmik tunggal. Kedua, keterlaksanaan 100% yang stabil berarti pipeline tidak "gagal" pada data yang kompleks, melainkan melewati semua tahap dengan benar — dari eksplorasi hingga evaluasi akhir.
Apa Artinya bagi Praktik
Karya ini memberikan kontribusi pada arah yang berkembang pesat dalam penggunaan model bahasa besar untuk otomatisasi proses ilmiah dan analitis. Alih-alih menggunakan LLM hanya sebagai generator kode, para peneliti mengubahnya menjadi agen yang mengambil keputusan tentang metodologi berdasarkan data. Agen semacam itu mampu melakukan siklus penuh: memahami data, memilih strategi, melakukan eksperimen, dan mengoreksi pendekatan.
Bagi sektor keuangan, ini berarti kemungkinan untuk mengidentifikasi titik balik dalam perilaku pasar dengan lebih cepat dan andal, tanpa melibatkan pakar untuk setiap tugas baru. Tentu saja, masih jauh dari sistem yang sepenuhnya otonom: hasilnya memerlukan analisis cermat oleh spesialis. Namun, kehadiran agen yang dengan percaya diri menangani ruang model dan hiperparameter yang sangat luas menghilangkan sebagian besar rutinitas dan membuka jalan menuju penelitian yang lebih mendalam.
