Alur Kerja Agen untuk Penelitian Kripto

insights.glassnodeDipublikasikan tanggal 2026-04-01Terakhir diperbarui pada 2026-04-01

Abstrak

Agen AI pengkodean mengubah cara analis dan peneliti berinteraksi dengan data. Artikel ini memberikan contoh penggunaan agen AI (seperti Claude Code) untuk meneliti data crypto dari Glassnode CLI hanya menggunakan perintah bahasa alami. Contoh hipotesis: "Apakah inflow ekstrem BTC ke exchange memprediksi penurunan harga 7 hari ke depan?". Agen secara otomatis menemukan metrik yang tepat, mengunduh data, menjalankan analisis statistik, dan menghasilkan ringkasan hasil. Hasil menunjukkan hari dengan inflow >2 standar deviasi di atas rata-rata mengalami drawdown 1.9% lebih tinggi, namun sampel terbatas. Agen juga dapat membuat visualisasi timeseries dari data tersebut. Glassnode CLI memungkinkan penelitian cepat tanpa boilerplate code. Cukup berikan pertanyaan penelitian dalam bahasa alami, dan agen akan menghasilkan hasil dalam hitungan menit.

Agen pengkodean AI mengubah cara analis dan peneliti berinteraksi dengan data. Alih-alih menulis skrip baris demi baris, Anda memberikan hipotesis atau pertanyaan penelitian kepada agen AI dan – ia menulis kode, mengambil data, menjalankan analisis, dan mengembalikan hasil.

Dalam artikel ini kami menyajikan contoh dunia nyata langkah demi langkah: Meminta agen AI untuk mengunduh data melalui Glassnode CLI, menjalankan analisis statistik, dan menghasilkan bagan siap terbit, semua dari perintah bahasa alami.

Apa yang Anda perlukan

  1. Akses ke agen AI

Kami menggunakan Claude Code dalam panduan ini, tetapi agen apa pun yang dapat menjalankan perintah Python dan shell akan bekerja, termasuk Codex ChatGPT, Cursor, Github Copilot, Google Gemini CLI, OpenClaw, atau alat serupa.

  1. Glassnode CLI (gn)

Antarmuka baris perintah untuk API Glassnode. Instal dan konfigurasikan kunci API Anda dengan mengikuti dokumen Glassnode CLI. Kunci API diperlukan.

Perintah (Prompt)

Kami akan mengevaluasi hipotesis berikut: Peristiwa masuk ekstrem ke bursa BTC bersifat prediktif terhadap penurunan (drawdown) 7 hari ke depan. Untuk melakukan itu, kami akan menginstruksikan Claude Code menggunakan perintah berikut:

Menggunakan Glassnode CLI, unduh masuk harian ke bursa BTC dan harga penutupan untuk tahun terakhir. Analisis apakah lonjakan masuk (hari dengan masuk > 2 standar deviasi di atas rata-rata) memprediksi penurunan dalam 7 hari berikutnya. Tunjukkan saya ringkasan dengan statistik dan hasil.

Itu saja. Satu kalimat yang menggambarkan pertanyaan, dan kalimat lain yang mendefinisikan metodologi. Agen yang akan melanjutkannya dari sana.

Sebuah perintah sederhana untuk agen AI

Apa yang dilakukan agen

Di balik layar, agen menjalankan serangkaian langkah:

  1. Menemukan metrik yang tepat dengan menjalankan gn metric list dan gn metric describe untuk menemukan jalur metrik yang benar dan parameter yang valid.
  2. Mengunduh data melalui gn metric get, menyimpan file CSV untuk kedua masuk ke bursa (transactions/transfers_volume_to_exchanges_sum) dan harga penutupan (market/price_usd_close).
  3. Menulis dan menjalankan analisis Python yang menghitung ambang batas lonjakan, mengidentifikasi hari lonjakan, menghitung penurunan maksimum 7 hari ke depan, dan membandingkan hari lonjakan dengan hari normal.

Agen kembali dengan ringkasan yang dapat dibaca:

Meskipun ini hanya contoh ilustratif, eksperimen kami memang mengungkapkan hubungan moderat antara lonjakan masuk ke bursa dan penurunan berikutnya. Hari lonjakan melihat penurunan rata-rata kira-kira 1,9 poin persentase lebih banyak. Namun, dengan hanya 10 hari lonjakan dalam sampel dan efek yang terkonsentrasi dalam dua periode volatil, sinyalnya lebih bersifat sugestif daripada statistik yang kuat. Backtest yang ketat perlu memperhitungkan jendela yang tumpang tindih, mengontrol rezim volatilitas, menggunakan data point-in-time, dan memvalidasi out-of-sample.

Memvisualisasikan hasil

Memvisualisasikan data adalah cara yang baik untuk memvalidasi apakah angka-angkanya bertahan. Dalam proses ini, perintah tindak lanjut yang sederhana sudah cukup:

Buat visualisasi yang menunjukkan data sebagai deret waktu (timeseries).

Dari sini, Anda dapat terus beriterasi: sesuaikan bagan, perbaiki analisis, atau arahkan penelitian ke arah yang berbeda, semua melalui percakapan bahasa alami.

Visualisasi data Glassnode yang dihasilkan AI

Mulai dengan Penelitian Kripto AI pada Data Glassnode

Glassnode CLI memerlukan kunci API, tersedia untuk pelanggan Glassnode Professional.

  1. Instal Glassnode CLI dan konfigurasikan kunci API Anda. Lihat dokumentasi
  2. Buka agen pengkodean AI pilihan Anda (Claude Code, Codex, Cursor, Gemini CLI, OpenClaw, dll.)
  3. Mulai memberikan perintah. Coba pertanyaan seperti:
    • "Unduh deposit staking ETH untuk 6 bulan terakhir dan plot trennya"
    • "Bandingkan aliran bersih (netflows) bursa BTC dan ETH selama 90 hari terakhir"
    • "Temukan metrik mana yang memiliki korelasi tertinggi dengan pengembalian (returns) 30 hari BTC"

Glassnode CLI memungkinkan agen untuk menemukan dan mengambil data metrik tanpa memerlukan pencarian API manual atau penulisan kode boilerplate. Digabungkan dengan agen pengkodean AI, Glassnode CLI mengubah pertanyaan penelitian menjadi hasil dalam hitungan menit.

Pertanyaan Terkait

QApa yang dimaksud dengan AI coding agent dan bagaimana cara kerjanya dalam penelitian kripto?

AAI coding agent adalah alat kecerdasan buatan yang mengubah cara analis dan peneliti berinteraksi dengan data. Alih-alih menulis skrip secara manual, pengguna cukup memberikan hipotesis atau pertanyaan penelitian kepada agen AI, lalu agen akan menulis kode, mengambil data, menjalankan analisis, dan mengembalikan hasil secara otomatis.

QApa saja yang diperlukan untuk memulai penelitian kripto dengan AI menggunakan data Glassnode?

ADibutuhkan dua hal utama: (1) Akses ke AI agent seperti Claude Code, ChatGPT Codex, Cursor, atau tools serupa yang mampu menjalankan perintah Python dan shell, (2) Glassnode CLI (gn) yang sudah diinstal dan dikonfigurasi dengan API key dari Glassnode Professional subscription.

QBagaimana proses yang dilakukan AI agent untuk menganalisis data inflow exchange BTC?

AAgen AI menjalankan tiga langkah utama: (1) Menemukan metrik yang tepat dengan menjalankan perintah gn metric list dan gn metric describe, (2) Mengunduh data melalui gn metric get untuk exchange inflows dan harga penutupan BTC, (3) Menulis dan menjalankan analisis Python untuk menghitung threshold spike, mengidentifikasi hari spike, dan menghitung drawdown 7 hari ke depan.

QApa hasil yang ditemukan dari analisis hubungan antara inflow spike dan drawdown BTC?

AAnalisis menemukan asosiasi moderat antara inflow spike dan drawdown subsequent. Hari-hari dengan inflow spike menunjukkan drawdown rata-rata sekitar 1,9 persentase poin lebih tinggi. Namun dengan hanya 10 hari spike dalam sampel dan efek yang terkonsentrasi di dua periode volatil, sinyal ini lebih bersifat sugestif daripada statistik yang robust.

QApa saja contoh pertanyaan penelitian yang bisa diajukan ke AI agent untuk data Glassnode?

AContoh pertanyaan penelitian: (1) 'Unduh data deposit staking ETH selama 6 bulan terakhir dan plot trennya', (2) 'Bandingkan netflow exchange BTC dan ETH selama 90 hari terakhir', (3) 'Temukan metrik mana yang memiliki korelasi tertinggi dengan return BTC 30-hari'.

Bacaan Terkait

Dari 'Saham Kuno' Menjadi 'Aset Berharga Baru': Bagaimana AI Menilai Ulang Infrastruktur Lama, dari Dell hingga Nokia?

Dilansir dari Jim, MSX Macrotong, artikel ini membahas bagaimana perusahaan teknologi lama seperti Dell, Nokia, Cisco, Corning, dan Western Data kembali menjadi tren di pasar AI. Selama ini, pasar cenderung fokus pada Nvidia dan perusahaan di sektor komputasi yang lebih baru. Namun, dengan perkembangan AI yang semakin nyata dalam pembangunan infrastruktur data center, perusahaan-perusahaan lama dengan kemampuan pengiriman, integrasi sistem, dan pengalaman infrastruktur yang mapan mulai dihargai kembali. Artikel ini membagi perusahaan-perusahaan tersebut ke dalam tiga kategori utama berdasarkan peran mereka dalam rantai infrastruktur AI: 1. **Server dan Integrasi Sistem**: Dell dan HPE dinilai kembali karena peran mereka sebagai integrator sistem yang mampu menyediakan server AI lengkap, dari GPU hingga pendinginan cair dan pengiriman ke pelanggan. 2. **Jaringan dan Konektivitas**: Perusahaan seperti Corning (serat optik), Nokia (jaringan nirkabel AI-RAN), dan Cisco (switch data center) menjadi penting karena AI membutuhkan koneksi berkecepatan tinggi antar pusat data dan ke perangkat tepi. 3. **Penyimpanan Data**: Western Digital dan Seagate mendapat perhatian karena ledakan data AI meningkatkan permintaan akan hard disk berkapasitas tinggi untuk data pelatihan, log, dan arsip. Namun, tidak semua perusahaan lama akan dihargai kembali. Artikel menekankan tiga kriteria untuk membedakan "penilaian ulang yang nyata": * Adanya realisasi pesanan dan pendapatan terkait AI. * Adanya peningkatan panduan (guidance) pendapatan dari manajemen. * Peningkatan kualitas laba yang berkelanjutan, bukan hanya pertumbuhan pendapatan. Kesimpulannya, AI yang memasuki fase penerapan nyata membutuhkan infrastruktur kompleks, sehingga aset dan kemampuan lama perusahaan-perusahaan mapan ini kembali bernilai. Namun, hanya perusahaan yang benar-benar terintegrasi ke dalam rantai pengeluaran modal data center AI-lah yang akan mengalami perubahan logika penilaian yang mendalam.

marsbit1m yang lalu

Dari 'Saham Kuno' Menjadi 'Aset Berharga Baru': Bagaimana AI Menilai Ulang Infrastruktur Lama, dari Dell hingga Nokia?

marsbit1m yang lalu

Roadmap Bitcoin Menuju $500.000: Analis Tunjukkan Cara Harga Mencapainya

Analis Crypto Tice memproyeksikan Bitcoin (BTC) dapat mencapai target bullish ambisius sebesar $500.000 berdasarkan analisis pola teknis jangka panjang. Dalam roadmapnya, ia mengidentifikasi tiga fase utama dalam siklus harga Bitcoin, di mana saat ini aset kripto tersebut diduga sedang memasuki fase kedua yang berpotensi memicu reli kuat menuju target tersebut, menyusul "sentuhan pertama" ke batas tengah suatu saluran naik. Namun, Bitcoin baru saja mengalami penurunan harga signifikan sebesar 17% dalam tiga hari, jatuh ke kisaran $61.300 dan menghapus sekitar $250 miliar dari kapitalisasi pasarnya. Tekanan jual ini juga memengaruhi pasar kripto luas, dengan aset seperti Ethereum turun ke level terendah 13 bulan. Analis lain, Ash Crypto, mencatat divergensi yang tidak biasa dengan pasar saham AS yang tetap kuat, dan menyoroti kemungkinan adanya manipulasi pasar atau bahwa koreksi kripto mungkin mendahului penurunan di pasar tradisional.

bitcoinist15m yang lalu

Roadmap Bitcoin Menuju $500.000: Analis Tunjukkan Cara Harga Mencapainya

bitcoinist15m yang lalu

Harapan Penerimaan Rp16,4 Triliun dari Kripto Menyusut Tajam Dalam Program Pengungkapan Israel

Hanya 58 orang yang maju dalam program pengungkapan sukarela aset kripto Israel, jauh dari harapan otoritas pajak yang berharap bisa mengumpulkan miliaran dolar. Program ini menawarkan kesempatan memperbaiki kesalahan pelaporan lama tanpa tuntutan pidana, jika pemegang aset mematuhi aturan dan membayar pajaknya. Namun, responsnya sangat kecil. Otoritas pajak memperkirakan potensi pendapatan hingga $1 miliar, tetapi modal kripto yang diungkapkan hanya sekitar $50 juta. Kurangnya jalur anonim dan kekhawatiran bahwa mengungkapkan diri justru memberi negara gambaran yang lebih jelas tentang aset yang sebelumnya tersembunyi diduga menjadi penyebab rendahnya partisipasi. Program ini memiliki kondisi khusus, seperti batas maksimum setara $522.000 dan tenggat waktu hingga 31 Agustus 2026. Angka partisipasi yang rendah ini kontras dengan estimasi Bank Israel bahwa penduduknya memegang sekitar $1 miliar aset digital pada paruh pertama 2024, menunjukkan hanya sebagian kecil pasar yang terungkap.

bitcoinist27m yang lalu

Harapan Penerimaan Rp16,4 Triliun dari Kripto Menyusut Tajam Dalam Program Pengungkapan Israel

bitcoinist27m yang lalu

Probabilitas dalam Harga: Bagaimana Odds Piala Dunia Dihitung

**Ringkasan: Probabilitas dalam Harga – Bagaimana Peluang Piala Dunia Dihitung** Sebelum Piala Dunia 2026, dua sistem otoritatif memberikan "probabilitas juara" yang berbeda. Pasar prediksi (seperti Polymarket, Kalshi) menempatkan Prancis sebagai favorit utama, sekitar **17%**. Sementara model superkomputer Opta menempatkan Spanyol (juara Euro) sebagai favorit, **16.1%**. Angka-angka ini terlihat seperti "probabilitas", tetapi diproduksi dengan cara yang sangat berbeda. **Probabilitas pasar** berasal dari harga yang terbentuk dari perdagangan miliaran dolar. Harga kontrak (dalam sen) dibaca langsung sebagai probabilitas tersirat. Namun, penelitian menunjukkan adanya bias **longshot bias**, di mana underdog cenderung dilebih-lebihkan, bahkan di pasar prediksi kripto yang modern. Likuiditas yang masih terbatas juga memengaruhi keandalan harga. Di sisi lain, **probabilitas model** seperti dari Opta dihasilkan dengan mensimulasikan seluruh turnamen ribuan kali berdasarkan data tim dan peringkat. Menariknya, model ini juga memasukkan informasi dari peluang pasar taruhan tradisional sebagai salah satu inputnya. Pertanyaan mana yang lebih akurat tidak dapat dijawab dengan pasti, karena tidak ada studi akademis ketat yang membandingkan keduanya secara langsung di Piala Dunia sebelumnya. Transparansi pasar prediksi berbasis blockchain memungkinkan audit publik, namun ketidakpastian regulasi di berbagai yurisdiksi (seperti larangan di Minnesota, AS) juga menjadi faktor yang memengaruhi. Kesimpulannya, ketika melihat angka "probabilitas juara", penting untuk menanyakan: **Bagaimana angka ini diproduksi?** Apakah itu harga pasar dengan bias dan dinamika likuiditasnya, atau hasil simulasi model yang mungkin telah menyerap informasi pasar? Akurasi sejati akan terlihat setelah turnamen berakhir.

marsbit30m yang lalu

Probabilitas dalam Harga: Bagaimana Odds Piala Dunia Dihitung

marsbit30m yang lalu

Terbaru! Anthropic Serukan Semua Pihak untuk Hentikan Penelitian AI

**Ringkasan Artikel: Anthropic Serukan Penghentian Penelitian AI** Anthropic baru saja mempublikasikan temuan mengejutkan melalui blog resmi mereka: AI telah memulai proses evolusi mandiri, atau *recursive self-improvement* (RSI). Data internal menunjukkan bahwa model mereka, Claude, kini menulis lebih dari 80% kode yang digunakan di internal Anthropic—lonjakan drastis dari sebelumnya yang hanya berupa angka tunggal. Produktivitas insinyur melonjak delapan kali lipat per kuartal pada 2026 dibandingkan periode 2021-2025, didorong oleh kemampuan coding Claude. Yang lebih mengkhawatirkan adalah peningkatan kualitas dan kreativitasnya. Dalam tugas pemrograman yang kompleks dan terbuka, tingkat keberhasilan Claude naik dari 26% menjadi 76% hanya dalam enam bulan. Claude bahkan kini digunakan untuk mereview kode, berhasil mencegah sepertiga bug yang sebelumnya lolos dari insinyur manusia. Anthropic memperkenalkan metrik baru: "durasi tugas perangkat lunak yang dapat diselesaikan AI secara mandiri." Kemampuan ini berlipat ganda setiap empat bulan. Jika tren berlanjut, pada 2027 AI dapat mengerjakan proyek yang memakan waktu manusia berminggu-minggu. Peran manusia dalam pengembangan AI semakin menyempit, dari penulis kode, reviewer, hingga pelaksana eksperimen. Keunggulan terakhir manusia saat ini mungkin hanya "selera penelitian," namun ini bisa saja segera tersaingi. Anthropic menggarisbawahi tiga kemungkinan masa depan RSI: stagnasi, akselerasi dengan kendali manusia, atau AI yang sepenuhnya mendesain generasi penerusnya sendiri—sebuah skenario yang membawa manfaat besar sekaligus risiko kegagalan *alignment* dan kehilangan kendali. Oleh karena itu, Anthropic secara terbuka menyerukan perlambatan atau bahkan jeda dalam perlombaan pengembangan AI, **asalkan ada mekanisme terverifikasi yang dapat memastikan semua laboratorium AI mematuhinya**. Seruan ini mendapat gema dari OpenAI yang juga mengaku melihat tanda-tanda awal RSI dalam sistem mereka.

marsbit30m yang lalu

Terbaru! Anthropic Serukan Semua Pihak untuk Hentikan Penelitian AI

marsbit30m yang lalu

Trading

Spot
Futures
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow