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

Si 'Mulut Buruk' Terkenal di Wall Street, Kali Ini Mengincar NVIDIA

Disclosur terbaru Michael Burry, legenda "The Big Short", mengungkap daftar saham yang dibetotnya, termasuk Nvidia, Tesla, dan ETF semikonduktor SOXX. Alasannya berpusat pada isu akuntansi di balik ledakan AI: klaim bahwa perusahaan cloud seperti Microsoft dan Meta memperpanjang masa depresiasi chip AI menjadi 6 tahun (vs 2-3 tahun realistis), merapikan laba mereka. Burry juga mencurigai adanya pembiayaan "di luar neraca", di mana Nvidia diduga membantu klien membeli chipnya sendiri, menciptakan permintaan buatan. Reaksi pasar beragam. Harga Nvidia berfluktuasi setelah pengumuman Burry, sempat turun tajam pada akhir Juli menyusul laporan tentang jaminan pembiayaan Nvidia ke OpenAI, yang dikomentari Burry. Secara keseluruhan, posisi short-nya terhadap Nvidia masih sedikit rugi. Artikel ini menelusuri rekam jejak Burry pasca-kesuksesan 2008, menunjukkan campuran hit dan miss. Ia akurat dalam krisis struktural (subprime, pandemi), tetapi sering keliru waktu dalam short berbasis valuasi (seperti Tesla sebelumnya). Meski vokal, short interest di Nvidia masih rendah (~1.4% saham beredar), dan para investor seasoned lain memiliki pendekatan berbeda. Steve Eisman (juga dari "The Big Short") tidak membetot Nvidia untuk saat ini, sementara Jim Chanos setuju dengan kekhawatiran akuntansi tetapi memilih target short di tempat lain (perusahaan private equity). Kesimpulan kunci: Analisis Burry menyoroti risiko akuntansi dan siklus yang valid dan layak dipertimbangkan investor. Namun, mengidentifikasi masalah struktural berbeda dengan memprediksi waktu dan kedalaman koreksi pasar, yang juga dipengaruhi sentimen, permainan industri, dan katalis acak. Bagi investor, nilai terbesar terletak pada kerangka berpikir kritis ini—mempertanyakan angka, mencari risiko tersembunyi—bukan sekadar meniru posisi trading seorang "superstar" short-seller.

marsbit2m yang lalu

Si 'Mulut Buruk' Terkenal di Wall Street, Kali Ini Mengincar NVIDIA

marsbit2m yang lalu

Kurasi Minggu Ini | Guncangan Epik di Pasar Saham, IPO Changxin Technology Ubah Peta Penyimpanan, Saylor Targetkan STRC Re-Anchor Sekitar 8 September

**Ringkasan Pilihan Mingguan PANews** Pasar keuangan global mengalami volatilitas signifikan minggu ini. Saham Korea mengalami beberapa *circuit breaker* dengan saham teknologi seperti SK Hynix menjadi penyebab utama, memicu gelombang likuidasi di pasar derivatif kripto. Di tengah gejolak ini, mata uang kripto seperti Bitcoin justru menunjukkan stabilitas relatif. Sektor AI tetap menjadi fokus. Laporan Tiger Research menyoroti pertempuran dompet pintar agen AI untuk pembayaran mikro, dengan raksasa seperti Coinbase memasuki arena. Di China, konvergensi GPU domestik dan gelombang Agent menandakan fase baru di industri komputasi. Dari sisi makro,上市 (IPO) Changxin Technology (C长鑫) dengan valuasi triliunan menjadi sorotan, mencerminkan keberhasilan panjang pengembangan DRAM domestik. Sementara itu, Citigroup memperingatkan sembilan risiko ekstrem komoditas untuk paruh kedua 2026, dan Fed mengirim sinyal hawkish meski menjaga suku bunga. Figur seperti Tom Lee (Fundstrat) yakin koreksi AI hanyalah "deleveraging paksa" dan siklus bull belum berakhir. Raoul Pal (Real Vision) menekankan logika jangka panjang industri kripto tetap kuat. CEO Marathon Digital (MARA) membahas transisi penambang Bitcoin ke pengelola aset energi di era AI. Di ekosistem Web3, mekanisme "tarik kartu" dari proyek seperti Fake World Assets ($FWA) menghidupkan kembali perdagangan NFT. Analisis menunjukkan pendapatan protokol kripto tumbuh, namun hal itu tidak serta-merta mendorong harga token. Hyperliquid menghasilkan pendapatan besar dari mekanisme "biaya prioritas". Aset tokenisasi riil (RWA) telah mencapai skala besar, namun menghadapi tantangan utilisasi. Perkembangan penting lain termasuk peta jalan Ethereum 2030 untuk skalabilitas dan privasi, migrasi staking ETH besar-besaran oleh Lido, serta perang stablecoin yang semakin sengit. **Berita Singkat:** Saham AS menguat; Saham penambang kripto yang beralih ke AI meroket; Meta berkomitmen belanja besar untuk AI; Michael Saylor menargetkan realignment STRC sekitar 8 September; Aksi korporasi besar-besaran di Bitcoin dan Ethereum; Pendanaan besar untuk startup AI Simile dan Perceptron; Saham Korea dan Changxin Technology melonjak; Pertukaran Korea Upbit dan Bithumb menambahkan token baru.

marsbit8m yang lalu

Kurasi Minggu Ini | Guncangan Epik di Pasar Saham, IPO Changxin Technology Ubah Peta Penyimpanan, Saylor Targetkan STRC Re-Anchor Sekitar 8 September

marsbit8m yang lalu

Saat Pasar Mulai Mempertanyakan Pengeluaran Modal AI: Analisis Lengkap Laporan Keuangan Kuartal II Lima Raksasa Teknologi

Analisis Laporan Kuartal II 2026 Lima Raksasa Teknologi AS menunjukkan tren utama: pertumbuhan pendapatan dan laba melampaui ekspektasi, didorong oleh permintaan kuat untuk bisnis terkait AI, namun pasar mulai mempertanyakan pengeluaran modal besar-besaran untuk infrastruktur AI. Google melaporkan pertumbuhan pendapatan dua digit selama 12 kuartal berturut-turut, dengan Google Cloud melonjak 82%. Namun, pengeluaran modal yang berlipat ganda menyebabkan arus kas bebas negatif untuk pertama kalinya, membuat saham turun 7%. Intel mencatat pertumbuhan pendapatan terkuat dalam 15 tahun, tetapi kenaikan panduan pengeluaran modal juga menekan sahamnya. Microsoft menjadi pengecualian positif. Azure mencapai pendapatan tahunan $100 miliar, dan perusahaan menurunkan panduan pengeluaran modal untuk 2026 sambil menjanjikan arus kas bebas positif, mendorong saham mencapai kinerja terbaik dalam 18 tahun. Sebaliknya, Meta menghadapi penjualan terberat karena pengeluaran modal yang melonjak dan arus kas bebas yang menyusut drastis, dengan saham anjlok hampir 10%. Apple mencatat rekor pendapatan dan laba, namun panduan untuk kuartal berikutnya yang lebih rendah dari ekspektasi karena kendala rantai pasokan dan fluktuasi mata uang menyebabkan kapitalisasi pasarnya terkikis $300 miliar dalam sehari. Kesimpulannya, meskipun permintaan AI tetap kuat, fokus pasar telah bergeser dari pertumbuhan pendapatan ke jalan menuju pengembalian arus kas dari investasi besar-besaran tersebut, yang tercermin dari reaksi harga saham yang berbeda-beda.

Odaily星球日报15m yang lalu

Saat Pasar Mulai Mempertanyakan Pengeluaran Modal AI: Analisis Lengkap Laporan Keuangan Kuartal II Lima Raksasa Teknologi

Odaily星球日报15m yang lalu

a16z: Dari Perusahaan ke DAO, DUNA atau Menjadi Bentuk Organisasi Generasi Berikutnya

a16z menyoroti evolusi bentuk organisasi dari perusahaan tradisional ke DAO dan peran potensial DUNA sebagai struktur hukum baru. Sejarah kolaborasi bisnis dimulai dari usaha keluarga seperti Marco Polo hingga perusahaan modern seperti VOC Belanda, yang memperkenalkan tanggung jawab terbatas dan kemampuan mengumpulkan modal. Namun, perusahaan menghadapi tantangan seperti birokrasi dan masalah keagenan. DAO muncul sebagai model tata kelola terdesentralisasi berbasis blockchain, tetapi menghadapi ketidakpastian hukum, terutama terkait regulasi sekuritas AS (tes Howey) dan kurangnya perlindungan tanggung jawab terbatas bagi anggotanya. Saat ini, proyek crypto sering menggunakan yayasan luar negeri sebagai solusi sementara, yang dapat menyebabkan misalignments insentif. DUNA (Decentralized Unincorporated Nonprofit Association) ditawarkan sebagai solusi. Bentuk hukum ini, yang sudah diadopsi di beberapa negara bagian AS seperti Wyoming, memberikan badan hukum dan tanggung jawab terbatas kepada kelompok terdesentralisasi. DUNA memungkinkan jaringan yang dikelola komunitas untuk beroperasi secara sah, melakukan kontrak, dan memegang aset tanpa struktur manajemen terpusat tradisional, sekaligus menjaga prinsip desentralisasi. Meski tidak menyelesaikan semua tantangan tata kelola atau secara ajaib mengatasi hukum sekuritas, DUNA mengisi kekosongan hukum penting. Ini mewakili langkah evolusioner baru, memperluas pilihan organisasi dan memungkinkan kolaborasi skala internet antar orang asing dengan risiko pribadi yang diminimalkan, menjawab tantangan kolaborasi bisnis yang sudah berlangsung lama.

marsbit1j yang lalu

a16z: Dari Perusahaan ke DAO, DUNA atau Menjadi Bentuk Organisasi Generasi Berikutnya

marsbit1j yang lalu

Laporan Pertengahan Tahun RWA On-Chain 2026: Kapitalisasi Pasar Saham Tokenisasi Meningkat Dua Kali Lipat dalam Setahun, Namun 90% Hak Hanyalah Cangkang Kosong

Laporan Tengah Tahun RWA On-Chain 2026: Kapitalisasi Pasar Saham Ter-tokenisasi Melonjak Dua Kali Lipat dalam Setahun, Namun 90% Hak Adalah 'Cangkang Kosong' Meski data menunjukkan nilai pasar saham ter-tokenisasi terdistribusi naik dari $951 juta (Maret 2026) menjadi $1.89 miliar (Juli 2026), laporan dari insights4vc ini mengungkap kontradiksi mendasar di balik angka tersebut. Mayoritas produk yang memiliki likuiditas tinggi (seperti dari Ondo dan xStocks yang menguasai 72.7% nilai) adalah produk 'pembungkus' yang tidak memberikan hak kepemilikan hukum yang nyata atas saham dasarnya. Sebaliknya, produk yang memiliki hak hukum penuh (seperti saham kanonik) masih sangat terbatas likuiditas dan distribusinya. Pasar berkembang ke arah dua jalur berbeda: produk lepas pantai berfokus pada keterjangkauan dan kompatibilitas lintas blockchain, sementara infrastruktur AS yang teregulasi fokus pada kepastian hukum dan integrasi dengan sistem penyelesaian tradisional (seperti DTC). Tidak ada produk yang saat ini secara berskala menggabungkan keempat elemen kunci: kepemilikan hukum standar, distribusi luas, likuiditas institusional, dan penemuan harga mandiri di on-chain. Pertumbuhan besar didorong terutama oleh beberapa produk saja (SECZ, FGRS, STRCx). Konsentrasi tinggi terjadi di beberapa platform, dan meski tersebar di berbagai jaringan blockchain, banyak produk masih bergantung pada penyedia jasa keuangan tradisional yang sama. Intinya, laporan ini menekankan perlunya kehati-hatian: angka kapitalisasi pasar yang besar tidak mencerminkan arus dana investor atau keutuhan hak kepemilikan. Mayoritas nilai yang dilaporkan berasal dari instrumen yang lebih menyerupai kontrak turunan daripada kepemilikan saham langsung yang sah.

marsbit1j yang lalu

Laporan Pertengahan Tahun RWA On-Chain 2026: Kapitalisasi Pasar Saham Tokenisasi Meningkat Dua Kali Lipat dalam Setahun, Namun 90% Hak Hanyalah Cangkang Kosong

marsbit1j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow