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

BitMine tambahkan 7.430 ETH, habiskan $86 juta untuk pembelian kembali saham – Mengapa?

BitMine secara drastis mengurangi pembelian Ethereum (ETH) minggu lalu, hanya membeli 7.430 ETH—pembelian mingguan terendah sejak Mei. Alih-alih memperluas perbendaharaan ETH, perusahaan mengalokasikan sekitar $86 juta untuk membeli kembali 5,5 juta saham biasa guna memprioritaskan pengembalian nilai bagi pemegang saham. Dengan 5,77 juta ETH (4,8% dari pasokan beredar), perbendaharaan BitMine tetap sangat besar dan hampir mencapai tujuan jangka panjangnya memiliki 5% dari seluruh ETH. Perusahaan telah men-staking 4,92 juta ETH (85% dari kepemilikannya) melalui platform MAVAN, dengan proyeksi pendapatan staking tahunan sekitar $247 juta. Sementara itu, harga ETH naik 7,44% dalam seminggu terakhir. Berbeda dengan strategi akumulasi Bitcoin yang agresif dari perusahaan seperti Strategy, BitMine kini fokus pada peningkatan nilai pemegang saham melalui pembelian kembali saham, sambil tetap mendekati target alokasi ETHnya.

ambcrypto15m yang lalu

BitMine tambahkan 7.430 ETH, habiskan $86 juta untuk pembelian kembali saham – Mengapa?

ambcrypto15m yang lalu

9,42 Juta Investor Ritel Berebut Saham Changxin Tech, Siapa yang Beruntung?

**Hasil Undian IPO Changxin Tech: 942 Juta Investor Ritel Berebut, Siapa yang Beruntung?** Hasil penawaran umum perdana (IPO) Changxin Technology resmi diumumkan. Sebanyak 942,88 juta investor ritel berpartisipasi dalam penawaran online, dengan jumlah saham yang efektif diajukan mencapai 816,9 miliar saham. Sebanyak 770 ribu nomor undian berhasil dialokasikan, menghasilkan tingkat keberhasilan undian sekitar 0,4714% — tertinggi dalam sejarah saham baru STAR Market. Mekanisme dialihkan (rebalancing) dari penempatan institusional ke penawaran online juga diterapkan, meningkatkan alokasi untuk investor ritel menjadi 3,85 miliar saham. Ini menjadikannya saham dengan penawaran online terbesar dalam sejarah STAR Market. Di sisi penempatan institusional, 285 lembaga mengelola 10.907 akun dan akhirnya dialokasikan 2,173 miliar saham, dengan tingkat alokasi sekitar 0,1756%. Asuransi Taikang Asset Management menjadi institusi dengan alokasi terbanyak. Di antara perusahaan publik, E Fund, Southern Fund, dan ICBC Credit Suisse memimpin. Pendiri perusahaan AI quant terkemuka, DeepSeek, Liang Wenfeng, melalui dua entitasnya (Ningbo Huanfang dan Zhejiang Jiuzhang), memperoleh alokasi terbesar di antara reksa dana privat, dengan total sekitar 20,25 juta saham senilai 1,75 miliar RMB. Jika kapitalisasi pasar Changxin Tech mencapai 3 triliun RMB setelah listing, diperkirakan akan menghasilkan keuntungan sekitar 730 juta RMB bagi portofolionya. Perkiraan valuasi pasar untuk Changxin Tech berkisar antara 1 triliun hingga lebih dari 4 triliun RMB. Saham ini dijadwalkan akan resmi tercatat pada 27 Juli, dan diprediksi akan menjadi saham teknologi dengan kapitalisasi pasar tertinggi di A-Shares. Namun, koreksi baru-baru ini di pasar saham teknologi global berpotensi memengaruhi kinerja harganya setelah listing.

marsbit40m yang lalu

9,42 Juta Investor Ritel Berebut Saham Changxin Tech, Siapa yang Beruntung?

marsbit40m yang lalu

USCR Crypto Stabil di $0.0022: Bisakah Memecoin Ini Membalikkan Kerugian Q2?

USCR crypto, memecoin yang melacak portofolio cadangan kripto resmi AS, menunjukkan tanda-tanda upaya pemulihan setelah jatuh ke level terendah dua bulan di $0,0022. Koin ini melonjak 65% pada Mei, namun anjlok 37% di Juni. Jika pemulihan berlanjut, target berikutnya adalah $0,0028 (level retracement Fibonacci 50%) dan puncak Mei di $0,0036, yang berarti potensi kenaikan 30-60%. Sentimen USCR sangat terikat pada perkembangan RUU cadangan Bitcoin strategis AS, yang saat ini mandek di Kongres dan hanya memiliki probabilitas 18% untuk disahkan sebelum 2027 di pasar prediksi. Meski begitu, basis pemegangnya tetap kuat sekitar 48.000, hanya turun 4.000 dari awal tahun. Pemulihan berkelanjutan bergantung pada kemajuan positif RUU tersebut.

ambcrypto1j yang lalu

USCR Crypto Stabil di $0.0022: Bisakah Memecoin Ini Membalikkan Kerugian Q2?

ambcrypto1j yang lalu

Goddess dengan 3 Juta Pengikut Ternyata Rekayasa AI, Panti Asuhan Palsu, Amal Palsu Lintas Negara Runtuh dalam Semalam

[Artikel intisari] Terungkapnya Skandal Amal Palsu dengan AI: Influencer Australia dengan 3 Juta Pengikut Diduga Gunakan AI Buat Panti Asuhan Fiktif. Investigasi oleh ABC NEWS Verify membongkar kecurangan yang diduga dilakukan oleh influencer Australia Lily Jay (nama asli Lily Jay Hinson) dan yayasannya, Lily Jay Foundation. Yayasan ini, yang mengklaim melakukan pekerjaan amal di Nepal, Gaza, Uganda, dan Sudan, dituduh menggunakan gambar dan video yang dihasilkan AI untuk menipu pengikutnya yang hampir 3 juta. Bukti pemalsuan meliputi: - Video pembukaan panti asuhan di Uganda dengan anak-anak memegang permen lolipop. Analisis menunjukkan seluruh adegan, termasuk wanita yang bersorak, anak-anak, dan spanduk di belakang, adalah buatan AI. Terdapat juga kesalahan karakter huruf pada kaos yang khas pada gambar AI. - Panti asuhan "Ada Nur" tersebut tidak terdaftar secara sah di Uganda. - Foto-foto yang mengklaim Lily Jay memenangkan "Austral-Global Humanitarian Excellence Award 2026" mengandung tanda air digital SynthID dari ChatGPT, menandainya sebagai gambar AI. - Klaim tentang "toko roti" yang mengirim bantuan kemanusiaan di Gaza tidak dapat diverifikasi oleh organisasi lokal. Yayasan ini secara halus mengakui di situs webnya bahwa ia bukan organisasi amal terdaftar, yang berarti tidak tunduk pada audit keuangan yang ketat. Setelah investigasi ABC, halaman web menghapus tombol donasi dan video untuk pengunjung dari Australia, tetapi tetap terbuka bagi pengunjung internasional. Pakar seperti mantan CEO World Vision Australia Tim Costello memperingatkan bahwa gambar anak-anak rentan memicu emosi dan donasi. Kasus ini menunjukkan bagaimana AI dapat mengeksploitasi kepercayaan dan kebaikan publik dengan menciptakan narasi yang sangat meyakinkan dan sesuai harapan. Ini adalah peringatan tentang pentingnya skeptisisme dan verifikasi dalam era di mana konten palsu semakin mudah dibuat.

marsbit1j yang lalu

Goddess dengan 3 Juta Pengikut Ternyata Rekayasa AI, Panti Asuhan Palsu, Amal Palsu Lintas Negara Runtuh dalam Semalam

marsbit1j yang lalu

L2 'Recalibration': Ketika L1 Menjadi Rollup Miliknya Sendiri, Apa Akhir dari Ethereum?

"L2 'Rekalibrasi': Ketika L1 Menjadi Rollup-nya Sendiri, Apa Masa Depan Ethereum?" Artikel ini membahas evolusi hubungan antara Ethereum L1 dan L2 (Layer 2). Awalnya, L2 seperti Rollup bertugas utama memperluas kapasitas transaksi dengan biaya rendah, sementara L1 fokus pada keamanan dan desentralisasi. Namun, dengan peningkatan skalabilitas L1 sendiri melalui peningkatan Gas Limit, zkEVM, dan teknologi lainnya, peran L2 perlu dikaji ulang. Kedepannya, nilai L2 tidak lagi hanya pada transaksi murah dan cepat, tetapi lebih pada menyediakan fungsi yang terdiferensiasi seperti optimasi aplikasi spesifik, privasi, dan model tata kelola yang fleksibel. L1 akan menjadi pusat global yang tangguh untuk penyelesaian, status bersama, dan likuiditas. Artikel ini juga membahas tantangan interoperabilitas akibat fragmentasi di banyak L2. Solusi seperti kerangka Open Intents dan Ethereum Interoperability Layer (EIL) bertujuan membuat pengalaman pengguna terasa seperti menggunakan satu rantai tunggal. Selain itu, memperpendek waktu finalitas L1 menjadi hitungan detik sangat penting untuk aplikasi lintas rantai. Yang lebih menarik, dengan masuknya sistem bukti seperti zkEVM ke dalam protokol utama, suatu hari nanti L1 Ethereum mungkin beroperasi mirip dengan "Rollup untuk dirinya sendiri", di mana eksekusi dan verifikasi dapat dipisahkan. Ini mengaburkan batas tradisional antara L1 dan L2. Kesimpulannya, masa depan Ethereum bukanlah tentang L1 menggantikan L2 atau sebaliknya. Alih-alih, ini tentang menciptakan ekosistem di mana berbagai lingkungan eksekusi (L2) dengan fungsi berbeda dapat beroperasi bersama, dengan berbagi keamanan, likuiditas, dan hubungan status di bawah hub L1 yang kuat, memberikan pengalaman yang lebih mulus dan terpadu bagi pengguna.

marsbit1j yang lalu

L2 'Recalibration': Ketika L1 Menjadi Rollup Miliknya Sendiri, Apa Akhir dari Ethereum?

marsbit1j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow