CoinQuant Perkenalkan Infrastruktur Perdagangan untuk Ekonomi Agen

TheNewsCryptoDipublikasikan tanggal 2026-05-26Terakhir diperbarui pada 2026-05-26

Abstrak

CoinQuant, platform perdagangan bertenaga AI yang telah menarik lebih dari 15.000 pengguna, kini memperkenalkan infrastruktur intelijen perdagangan terpadu untuk ekonomi agen. Infrastruktur ini dirancang untuk pedagang manusia dan agen AI otonom, berfungsi sebagai lapisan validasi dan manajemen risiko antara niat perdagangan dan penyebaran modal langsung. Platform ini menawarkan mesin intelijen yang menggabungkan backtesting tingkat institusi, data pasar terstruktur dari penyedia seperti Kaiko, optimisasi bertenaga AI, dan sistem Pakar Domain proprietary CoinQuant. Pedagang manusia dapat berinteraksi melalui antarmuka bahasa alami, sementara agen AI terhubung secara terprogram melalui API untuk memvalidasi strategi. Ekspansi ini mencerminkan dua vektor pertumbuhan: melayani basis pengguna retail yang ada dan memfasilitasi validasi strategi volume tinggi untuk sistem otonom. Setiap strategi yang diuji berkontribusi pada lapisan intelijen agregat anonim platform. CoinQuant juga bersiap meluncurkan lapisan eksekusi strategi otomatis di HyperLiquid dan sedang mengumpulkan pendanaan Seed $3 juta untuk pengembangan produk dan arsitektur multi-agen HYDRA. Dengan visi menjadi tulang punggung intelijen perdagangan algoritmik di era keuangan yang digerakkan oleh agen, CoinQuant bermarkas di Dubai dan terintegrasi dengan bursa serta penyedia data utama.

Ekonomi agen sedang membentuk ulang pasar keuangan. Kerangka kerja agen sumber terbuka mempercepat aktivitas keuangan otonom, dengan agen AI yang semakin banyak mengeksekusi perdagangan, mengelola portofolio, dan berinteraksi langsung dengan bursa. Namun infrastruktur keuangan yang mendukung pergeseran ini belum berkembang dengan kecepatan yang sama.

CoinQuant, platform perdagangan tanpa kode bertenaga AI yang telah menarik lebih dari 15.000 pengguna sejak diluncurkan, hari ini mengumumkan ekspansinya menjadi arsitektur intelijen perdagangan terpadu yang dibangun untuk trader manusia maupun agen AI otonom.

“Perdagangan otonom bukan lagi teori. Itu sudah terjadi. Fase selanjutnya membutuhkan validasi terstruktur, manajemen risiko yang disiplin, dan infrastruktur intelijen. Itulah yang disediakan CoinQuant,” kata Maan Ftouni, Pendiri dan CEO CoinQuant.

Lapisan kepercayaan untuk agen AI otonom

Karena agen AI semakin banyak terhubung langsung ke bursa dan dompet, banyak yang bergantung pada API mentah tanpa backtesting terstruktur, analisis risiko, atau jalur data yang divalidasi. CoinQuant memperkenalkan lapisan intelijen terstruktur antara niat perdagangan dan pengerahan modal langsung.

Tidak ada strategi yang dijalankan tanpa divalidasi, baik dibangun oleh manusia atau dibuat secara otonom. Backtesting, metrik risiko, dan optimasi parameter tertanam langsung ke dalam alur kerja, memastikan modal hanya dikerahkan setelah evaluasi sistematis.

Dari platform tanpa kode ke arsitektur intelijen perdagangan

Ekspansi CoinQuant mencerminkan evolusi mesin intinya. Di pusat platform terdapat sistem intelijen terpadu yang menggabungkan backtesting tingkat institusional, data pasar terstruktur dari penyedia termasuk Kaiko dan Financial Modeling Prep, optimasi bertenaga AI, dan sistem Domain Expert milik CoinQuant.

Trader manusia berinteraksi melalui antarmuka bahasa alami yang memungkinkan mereka mendeskripsikan, menguji, mengoptimalkan, dan menerapkan strategi tanpa menulis kode. Agen AI terhubung secara terprogram melalui integrasi API dan MCP untuk memvalidasi strategi dan mengakses data terstruktur dalam skala besar.

Antarmukanya hanyalah permukaan. Mesin intelijen di bawahnya adalah produknya.

Satu mesin, dua vektor pertumbuhan

Ekspansi ini merupakan perpanjangan alami dari model bisnis CoinQuant. Basis lebih dari 15.000 trader platform ini memvalidasi kesesuaian produk-pasar dan menghasilkan intelijen strategi terstruktur. Antarmuka agen melipatgandakan nilai tersebut melalui validasi terprogram volume tinggi dan alur kerja otomatisasi.

Setiap strategi yang dibangun, diuji, dan diterapkan berkontribusi pada lapisan intelijen agregat yang dianonimkan, menciptakan kumpulan data milik yang memetakan niat perdagangan ke logika, metrik validasi, dan hasil kinerja di berbagai kondisi pasar.

“Mesin yang sama yang mendukung backtest pertama seorang trader dapat memvalidasi ratusan strategi untuk sistem otonom secara paralel. Kami membangun satu fondasi intelijen untuk manusia dan agen AI,” tambah Ftouni.

Lapisan otomatisasi akan diluncurkan selanjutnya

CoinQuant bersiap untuk meluncurkan lapisan eksekusi strategi otomatisnya di HyperLiquid sebagai aliran pendapatan utama kedua.

Lapisan otomatisasi akan memungkinkan strategi yang telah divalidasi untuk beralih secara mulus dari backtest ke penyebaran langsung dalam kerangka intelijen yang sama.

Menggalang $3 juta untuk skala

CoinQuant saat ini sedang menggalang putaran Seed senilai $3 juta untuk mendukung pengembangan produk, penskalaan infrastruktur, dan ekspansi global. Perusahaan ini juga mengembangkan HYDRA, arsitektur multi-agen hierarkis yang dirancang untuk penelitian lanjutan, pemodelan risiko, dan optimasi strategi.

Dengan lebih dari 15.000 pengguna yang memvalidasi permintaan akan intelijen perdagangan terstruktur, CoinQuant bertujuan untuk menjadi tulang punggung intelijen perdagangan algoritmik di era keuangan yang digerakkan oleh agen.

Tentang CoinQuant

CoinQuant adalah platform perdagangan AI yang memungkinkan trader dan agen AI untuk membangun, memvalidasi, mengoptimalkan, dan mengotomatisasi strategi perdagangan menggunakan bahasa alami. Berbasis di Dubai, CoinQuant terintegrasi dengan bursa utama dan penyedia data institusional untuk memberikan infrastruktur perdagangan tingkat profesional kepada komunitas global.

Situs webhttps://coinquant.ai
Xhttps://x.com/CoinQuantX
Discordhttps://discord.gg/StNxg33z
Instagramhttps://www.instagram.com/coinquant.ai/
TikTokhttps://www.tiktok.com/@coinquant.ai
LinkedInhttps://www.linkedin.com/company/coinquant

Kontak media:

Nada Ali
[email protected]

Penyangkalan: TheNewsCrypto tidak mendukung konten apa pun di halaman ini. Konten yang digambarkan dalam Siaran Pers ini tidak mewakili saran investasi apa pun. TheNewsCrypto merekomendasikan pembaca kami untuk membuat keputusan berdasarkan penelitian mereka sendiri. TheNewsCrypto tidak bertanggung jawab atas kerusakan atau kerugian yang terkait dengan konten, produk, atau layanan yang dinyatakan dalam Siaran Pers ini.

Pertanyaan Terkait

QApa yang diumumkan oleh CoinQuant untuk menanggapi berkembangnya ekonomi agen dalam pasar keuangan?

ACoinQuant mengumumkan perluasan menjadi arsitektur kecerdasan perdagangan terpadu yang dibangun untuk pedagang manusia dan agen AI otonom.

QMenurut Maan Ftouni, apa yang dibutuhkan oleh fase selanjutnya dari perdagangan otonom?

AMenurut Maan Ftouni, fase selanjutnya memerlukan validasi terstruktur, manajemen risiko yang disiplin, dan infrastruktur kecerdasan.

QApa fungsi dari 'lapisan kepercayaan' yang diperkenalkan CoinQuant untuk agen AI otonom?

AFungsinya adalah sebagai lapisan kecerdasan terstruktur antara niat perdagangan dan penyebaran modal langsung, yang menyertakan backtesting, analisis risiko, dan validasi untuk memastikan strategi tidak langsung dijalankan tanpa evaluasi sistematis.

QBagaimana pedagang manusia dan agen AI berinteraksi dengan platform CoinQuant?

APedagang manusia berinteraksi melalui antarmuka bahasa alami tanpa kode. Agen AI terhubung secara terprogram melalui integrasi API dan MCP.

QApa yang akan diluncurkan CoinQuant pada HyperLiquid sebagai aliran pendapatan utama kedua?

ACoinQuant akan meluncurkan lapisan eksekusi strategi otomatis pada HyperLiquid.

Bacaan Terkait

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit4j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit4j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手7j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手7j yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

Peringatan Gelembung AI: Investasi AI Membawa Pengembalian Negatif bagi Sebagian Besar Raksasa Teknologi Demam AI kini memasuki tahap pemeriksaan keuangan. Raksasa cloud seperti Microsoft, Alphabet, Amazon, Meta, dan Oracle berencana menginvestasikan ratusan miliar dolar ke pusat data AI dalam lima tahun ke depan. Namun, analisis terhadap proyeksi pendapatan dan pengeluaran modal (capex) hingga 2030 mengungkap masalah: tingkat pengembalian investasi implisit diperkirakan sangat negatif bagi semua perusahaan kecuali Amazon, bahkan dalam skenario optimis ekstrem. Ini menunjukkan bahwa jika tren saat ini berlanjut, boom AI bisa menjadi salah satu peristiwa perusakan nilai pemegang saham terbesar. Ada dua jalan keluar: pendapatan yang jauh melebihi ekspektasi saat ini, atau pengurangan rencana investasi. Jalan pertama tampaknya mustahil, karena membutuhkan tambahan pendapatan triliunan dolar. Jalan kedua—pemotongan investasi—akan berdampak luas, meruntuhkan harga saham perusahaan-perusahaan teknologi global dan dapat mendorong ekonomi AS ke resesi, mengingat 93% pertumbuhan PDB AS belakangan ini didorong oleh investasi teknologi. IPO perusahaan AI seperti OpenAI dan Anthropic tahun ini bisa menjadi mekanisme transfer risiko, memindahkan ketidakpastian dari pemilik awal kepada investor ritail dan dana pensiun. Sementara euphoria pemasaran mungkin bertahan hingga setelah IPO tahun 2026, tekanan matematika yang tak terelakkan mungkin memaksa raksasa cloud mengumumkan pemotongan investasi pada 2027 atau 2028, mirip dengan jeda tiga tahun antara peringatan "irrational exuberance" Alan Greenspan pada 1996 dan pecahnya gelembung dotcom pada 2000.

marsbit8j yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

marsbit8j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

Dari Token ke Tenaga Kerja Mesin: AI Berubah dari Alat Menjadi "Pekerja" AI mulai menulis kode, menangani tiket dukungan pelanggan, dan meninjau dokumen hukum. Artikel ini mengusulkan kerangka baru: komersialisasi AI sedang bergerak menuju "pasar tenaga kerja mesin". Dalam pasar ini, token hanyalah unit pengukuran, GPU adalah bahan baku, dan model adalah alat produksi. Objek yang benar-benar ditetapkan harganya dan diperdagangkan adalah kerja ekonomi yang diselesaikan langsung oleh perangkat lunak. Mekanisme penetapan harga AI akan berkembang dari token mentah, kemampuan model yang terstandarisasi, tenaga kerja yang terspesialisasi industri, hingga pasar hasil yang dapat diprogram. Di masa depan, perusahaan mungkin tidak lagi peduli model atau GPU mana yang menyelesaikan suatu tugas, tetapi lebih pada apakah tugas itu diselesaikan dalam batas latensi, akurasi, keandalan, dan biaya yang ditentukan. Implikasinya, dampak AI pada pasar tenaga kerja manusia tidak hanya sekadar penggantian. Saat mesin mengambil alih lebih banyak pekerjaan yang dapat distandardisasi dan diverifikasi, peran manusia mungkin bergeser ke pengawasan, penanggung jawab, manajemen konteks, dan keputusan akhir. Dalam beberapa kasus, penilaian manusia untuk 1% akhir justru menjadi lebih berharga karena dapat membuka kunci 99% otomatisasi skala besar. Pasar AI adalah pasar ekspansif. Ketika biaya kerja turun, permintaan tidak tetap. Jika interaksi dukungan pelanggan menjadi lebih murah, perusahaan dapat menawarkan layanan 24/7, menciptakan pasar interaksi pelanggan yang lebih besar. Persaingan tahap berikutnya di pasar AI mungkin bukan lagi sekadar pertarungan kemampuan model atau perang harga daya komputasi, tetapi tentang siapa yang dapat pertama kali menstandarisasi, memverifikasi, dan menetapkan harga "pekerjaan", akhirnya menjadikan tenaga kerja mesin sebagai faktor produksi baru yang dapat dibeli, diselesaikan, dan diperdagangkan.

marsbit8j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

marsbit8j yang lalu

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

**Ringkasan:** Xiaomi MiMo memotong harga API MiMo-V2.5 hingga **99%**, memicu spekulasi tentang perang harga atau strategi merugi. Luo Fuli, kepala MiMo, merespons dengan mempublikasikan blog teknis 5000 kata yang merinci **enam pilar teknikal** di balik potongan harga besar ini. Intinya, diskon 99% terutama untuk **Input (Cache Hit)** – bagian dimana pengguna membaca ulang konteks historis dalam percakapan panjang. Ini menjadi mungkin karena serangkaian optimasi teknikal yang mengubah biaya komputasi untuk bagian tersebut mendekati nol. **Enam Pilar Teknikal:** 1. **Arsitektur Hybrid SWA:** Menggunakan Sliding Window Attention di sebagian besar lapisan model, mengurangi volume **KVCache** (memori jangka pendek model) hingga **1/7**. 2. **Manajemen KVCache Dua Kolam:** Mengalokasikan memori secara terpisah untuk lapisan SWA dan Full Attention, benar-benar mewujudkan penghematan teoretis 1/7 dan meningkatkan jumlah pengguna yang dapat dilayani secara bersamaan. 3. **Prefix Cache yang Dioptimalkan:** Meningkatkan aturan pencocokan cache untuk arsitektur SWA, menghasilkan **tingkat keberhasilan cache 93-95%** untuk pembacaan ulang. Artinya, sebagian besar permintaan "baca ulang" tidak memerlukan komputasi GPU baru. 4. **Sistem Cache Terdistribusi GCache:** Menyimpan data cache di **SSD bawaan mesin GPU**, menghilangkan biaya penyimpanan cluster khusus dan memperpanjang masa hidup cache. 5. **Sistem Penjadwalan LLM-Router:** Mengarahkan permintaan secara cerdas berdasarkan kesamaan prefix dan panjang konteks, memprioritaskan permintaan yang menggunakan cache, meningkatkan efisiensi dan mengurangi latensi. 6. **Multi-Token Prediction (MTP):** Mengoptimalkan proses generasi output model, mempercepat pembuatan respons dan melengkapi pengurangan biaya di sisi input. **Kesimpulan:** Penurunan harga 99% bukanlah gimmick pemasaran atau strategi merugi, tetapi hasil dari **efisiensi sistemik rekayasa AI** yang telah divalidasi di lingkungan produksi. Rantai optimasi ini secara kumulatif mengurangi biaya komputasi per permintaan hingga lebih dari 95%, memungkinkan penurunan harga ekstrem sambil mempertahankan profitabilitas. Luo Fuli menekankan bahwa ini adalah masalah teknikal yang terwujud, bukan sekadar perang harga.

marsbit10j yang lalu