Memperkirakan pergerakan Bitcoin bahkan satu hari ke depan adalah tugas yang membuat algoritma paling canggih sekalipun menyerah. Pasar kripto menggabungkan karakteristik aset keuangan klasik dan instrumen spekulatif berisiko tinggi: tren jangka panjang, celah harga yang tajam, dan noise yang hampir acak hidup berdampingan di sini. Sebagian besar jaringan saraf yang ada hanya mampu menangani tugas ini sebagian: mereka cukup baik dalam menangkap tren umum, tetapi bereaksi dengan penundaan yang nyata terhadap pembalikan arah. Pendekatan baru yang diusulkan dalam penelitian di arXiv mencoba memecahkan masalah ini dengan cara yang radikal berbeda — melalui hibrida operator Fourier dan perutean multi-ahli. Yang dimaksud adalah kerangka kerja MoFE (Mixture-of-Experts with Fourier Neural Operators), yang dikembangkan oleh Bowen Liu dan Mingming Sun. Karya ini dipresentasikan pada konferensi IEEE ICBC 2026, dan pracetaknya tersedia untuk publik pada bulan Agustus tahun yang sama.
Alih-alih memaksakan satu model universal untuk semua kondisi pasar, MoFE menggunakan kumpulan ahli khusus, yang masing-masing bertanggung jawab atas jenis dinamika harga tertentu, serta seorang koordinator dinamis yang memutuskan ahli mana yang harus didengarkan pada saat tertentu.
Mengapa pasar kripto begitu sulit diprediksi
Metode klasik peramalan deret waktu — dari autoregresi hingga LSTM — mengasumsikan bahwa data memiliki stasioneritas tertentu setidaknya pada segmen pendek. Untuk kripto, asumsi ini dilanggar karena beberapa alasan sekaligus. Pertama, pasar rentan terhadap pergantian rezim yang sering: tren yang tenang dapat berubah menjadi kepanikan atau reli irasional dalam hitungan jam. Kedua, di dalam deret harga, proses dari berbagai skala bekerja secara bersamaan — mulai dari siklus bertahun-tahun yang terkait dengan halving, hingga fluktuasi mikrostruktur dalam hitungan detik. Ketiga, proses-proses ini tidak independen secara statistik, melainkan membentuk jaringan stokastik yang kompleks.
Justru karena itulah model yang dilatih pada data historis sering memberikan prediksi yang bergeser dalam waktu. Mereka seolah-olah mengejar pasar, bukan mengantisipasinya. Keterlambatan fase ini terutama terlihat pada cakrawala pendek — satu hari atau satu minggu — di mana harga dapat berubah arah beberapa kali. Dalam kondisi seperti itu, sekadar memperdalam jaringan saraf tidak ada gunanya: kesalahan menumpuk dan menyebabkan penundaan yang lebih besar. MoFE mencoba menghilangkan kekurangan ini dengan menguraikan tugas menjadi komponen spektral dan menugaskan masing-masing komponen kepada ahli terpisah.
Bagaimana MoFE bekerja
Para ahli: Fourier dan konvolusi
Ide kunci MoFE adalah menggunakan transformasi Fourier sebagai cara untuk berpindah dari domain waktu ke domain frekuensi. Alih-alih memprediksi titik harga berikutnya secara langsung, model belajar memetakan "fungsi ke fungsi": model tidak menerima titik-titik individual, melainkan seluruh segmen deret waktu, dan menghasilkan segmen lain yang digeser ke depan. Pendekatan semacam ini dimungkinkan oleh operator Fourier — konstruksi matematis yang bekerja dengan fungsi, bukan vektor. Di dalam MoFE, digunakan varian adaptif dari operator Fourier (AFNO) yang bertanggung jawab atas pola spektral global. Selain itu, model menyertakan ahli konvolusional yang bekerja di dua domain sekaligus — baik waktu maupun frekuensi. Mereka menangkap fitur lokal dan mikrostruktur pasar yang luput dari analisis spektral murni.
Semua ahli dilatih pada pemetaan kontinu, yang memungkinkan model untuk menggeneralisasi ke kondisi pasar baru tanpa melatih ulang pada momen historis tertentu. Sudut pandang "fungsional" semacam ini sangat berguna untuk data keuangan, di mana yang penting bukan hanya nilai yang tepat, tetapi juga karakter perubahan kurva.
Gating dinamis
Bagaimana memutuskan ahli mana yang akan bekerja lebih baik pada momen berikutnya? Untuk itu, MoFE menggunakan mekanisme campuran ahli (Mixture-of-Experts). Sebuah gater khusus menganalisis kondisi pasar saat ini dan menghitung koefisien bobot untuk setiap ahli. Dalam satu rezim, ahli spektral yang menangkap tren jangka panjang mungkin memainkan peran lebih besar, sementara dalam rezim lain, ahli konvolusional yang sensitif terhadap lonjakan jangka pendek lebih dominan. Gater dilatih bersama dengan para ahli dan seiring waktu menyesuaikan diri untuk mengenali pola pasar yang khas. Berkat ini, model dapat langsung mengganti strategi tanpa perlu memulai ulang pelatihan.
Mengapa ini berhasil: persamaan stokastik
Para penulis MoFE membangun arsitektur berdasarkan teori persamaan diferensial stokastik. Menurut konsep ini, harga aset kripto adalah solusi dari persamaan di mana volatilitas bukanlah konstanta, melainkan superposisi dari beberapa proses osilasi. Misalnya, pertumbuhan harga fundamental terkait dengan perkembangan jaringan pengguna dan adopsi teknologi; komponen musiman disebabkan oleh siklus penambangan, perubahan kesulitan, dan halving; terakhir, komponen kaotik dihasilkan oleh sentimen kolektif para trader.
Masing-masing komponen ini memiliki profil frekuensinya sendiri, dan jika deret harga diuraikan menjadi profil-profil tersebut, maka prediksi direduksi menjadi kelanjutan setiap osilasi pada cakrawala pendek yang diikuti dengan superposisi hasilnya. Operasi inilah yang dilakukan MoFE, menggabungkan beberapa ahli khusus, yang masing-masing dilatih pada pita frekuensinya sendiri. Ini memungkinkan untuk menghindari rata-rata yang menjadi kecenderungan model universal, sekaligus menghaluskan noise tanpa kehilangan sinyal penting.
Eksperimen dan hasil
Untuk menguji efektivitasnya, para penulis melakukan eksperimen pada data Bitcoin dari Januari 2020 hingga Desember 2025. Model diuji untuk peramalan satu hari ke depan (T+1) dan lima hari ke depan (T+5). Menurut hasil yang dilaporkan, MoFE menunjukkan kinerja tingkat state-of-the-art pada sejumlah metrik. Secara khusus, model ini menunjukkan akurasi prediksi arah pergerakan harga (Directional Accuracy) yang jauh lebih tinggi dan nilai koefisien informasi (Information Coefficient) yang lebih baik dibandingkan model dasar.
Yang menarik secara khusus adalah simulasi perdagangan. Ketika prediksi MoFE digunakan untuk mengambil keputusan perdagangan di lingkungan virtual, model menunjukkan kelebihan pengembalian yang substansial sambil mempertahankan tingkat risiko yang rendah, yang tercermin dalam nilai rasio Sharpe yang tinggi. Ini berarti model tidak sekadar "menebak" tren, tetapi melakukannya dengan cukup stabil, tanpa penurunan yang katastropik. Keunggulan utama yang disebutkan para penulis adalah penghapusan keterlambatan fase: prediksi MoFE mengikuti perubahan harga dengan penundaan minimal, yang sangat penting untuk perdagangan nyata, di mana beberapa jam dapat bernilai puluhan persen keuntungan.
Kesimpulan
MoFE adalah langkah menuju pendekatan yang lebih cerdas dalam peramalan pasar keuangan. Alih-alih melawan non-stasioneritas dengan memperumit arsitektur, MoFE menerimanya sebagai fakta dan memecah tugas menjadi komponen yang telah dipelajari dengan baik. Operator Fourier menyediakan perangkat matematis yang kuat untuk bekerja dengan fungsi, sementara perutean multi-ahli menambahkan fleksibilitas dan adaptabilitas.
Kerangka kerja MoFE yang diusulkan menunjukkan bahwa kombinasi dua ide yang tampaknya berbeda — analisis spektral dan campuran ahli — dapat menghasilkan efek sinergis. Pengembangan lebih lanjut dari pendekatan ini kemungkinan akan terkait dengan penerapannya pada aset lain, penggunaan ahli yang lebih beragam, dan integrasi dengan data alternatif seperti sentimen sosial atau aliran blockchain. Tetapi sudah jelas sekarang: jika Anda ingin memprediksi pasar kripto, Anda harus memperhatikan hibrida semacam ini, bukan model "universal" yang sama baiknya dalam merata-ratakan tren dan noise.
