Mengapa Pasar Bergerak Menuju Deteksi Aliran Beracun Berbasis AI — dan Mengapa Belum Ada yang Sepenuhnya Mencapainya

Bicara dengan cukup banyak broker di acara industri dan satu topik terus muncul: beberapa akun secara diam‑diam menggerogoti buku, dan tidak ada yang benar‑benar yakin bagaimana menghentikannya tanpa juga mengganggu klien yang baik. Industri menyebut ini “toxic flow” — order yang, apa pun niat trader, cenderung bergerak melawan broker dalam hitungan detik dan menit setelah eksekusi. Ini masalah lama. Yang lebih baru adalah seberapa sering “AI” muncul sebagai jawaban dalam percakapan ini — meskipun, dalam praktiknya, hampir tidak ada yang memiliki alat matang dan terbukti yang berjalan di produksi yet.

Selama hampir dua dekade terakhir, jawaban utama telah menjadi buku aturan: menandai perdagangan di atas ukuran tertentu, memperlebar spread sebelum berita, membatasi eksposur pada akun yang memegang posisi dalam waktu yang mencurigakan singkat. Aturan‑aturan ini bukan ide yang buruk, dan sebagian besar desk masih sangat mengandalkannya. Namun mereka memiliki satu kelemahan: sebuah aturan hanya menangkap pola yang ditulis untuknya, dan trader yang perlu dikhawatirkan biasanya adalah mereka yang paling cepat menyadari apa aturan tersebut dan menyesuaikan diri.

Why static thresholds keep losing ground

Banyak pola aliran beracun yang terkenal: arbitrase latensi, spoofing, memanfaatkan kutipan usang di berbagai venue: terdokumentasi dengan baik di seluruh industri, dan trader cenderung membaca materi yang sama dengan broker. Tandai apa pun yang ditahan kurang dari satu detik, dan trader mulai menahan selama 1.2. Perlebar spread 30 detik sebelum berita besar, dan perdagangan terjadi pada 45. Aturan tidak menjadi lebih pintar: trader yang melakukannya. Perlu dicatat bahwa bahkan penyedia platform terbesar masih sebagian besar beroperasi di ruang ini daripada ruang AI: MetaQuotes’ mesin pencocokan MT5 baru dilengkapi dengan dasbor pemantauan yang terintegrasi ke dalam terminal manajer yang memungkinkan broker melihat aliran order beracun dan eksposur A‑book/B‑book secara real time — sangat berguna, namun tetap berupa visibilitas dan dasbor bukan pemodelan prediktif.

Ada isu yang lebih halus juga: ambang batas tetap memperlakukan setiap akun sama, dan itu sebenarnya bukan cara risiko bekerja dalam praktik. LiquidityFinder memiliki penjelasan yang baik tentang bagaimana broker sebenarnya memikirkan aliran beracun, dan satu poin penting untuk ditekankan: toksisitas bersifat relatif terhadap bisnis, bukan properti tetap suatu perdagangan. Sesuatu yang hanya kesalahan pembulatan pada buku satu broker dapat menjadi masalah nyata bagi broker lain, tergantung pada biaya hedging, campuran klien, seberapa banyak A‑book dibandingkan B‑book. Satu aturan statis tidak dapat menampung dua definisi berbeda tentang “baik” secara bersamaan. Itulah kesenjangan yang terus disebutkan industri ketika membicarakan AI: sebuah model yang dilatih pada data eksekusi broker sendiri, secara teori, dapat mendekati jauh lebih baik.

What “AI-driven” would actually mean here

Perlu tepat tentang hal ini, karena “AI” kini melekat pada hampir segala sesuatu yang memiliki dasbor, dan sebagian besar yang dipasarkan di bawah label tersebut masih cukup mirip dengan aturan dengan langkah tambahan. Versi yang benar‑benar penting adalah pergeseran dari ambang batas statis ke model yang belajar dari markout: pergerakan harga dalam momen tepat setelah perdagangan ditutup: dengan jauh lebih banyak variabel daripada yang dapat secara wajar di‑encode secara manual: ukuran order relatif terhadap riwayat akun tersebut, waktu relatif terhadap volatilitas, korelasi dengan perilaku akun lain, serta sejumlah sinyal kecil yang hampir tidak berarti sendiri tetapi bersama‑sama membentuk pola.

Ada penelitian awal yang mengarah ke arah ini, meskipun penting untuk jelas tentang seberapa awalnya. Sebuah makalah 2023 tentang prediksi toksisitas waktu nyata menggunakan jaringan saraf Bayesian, yang diuji terhadap data transaksi FX langsung, menemukan bahwa model yang dilatih secara berurutan mengalahkan regresi logistik, random forest, dan estimator maksimum likelihood standar dalam memprediksi apakah sebuah perdagangan akan menjadi beracun: cukup cepat, secara prinsip, untuk memberi informasi keputusan internalisasi atau eksternalisasi secara real time. Itu merupakan hasil yang berarti dalam konteks akademik. Itu hal yang sama sekali berbeda dari broker yang menjalankan ini secara andal di produksi melawan aliran langsung, dengan semua penyesuaian false‑positive dan infrastruktur data yang diperlukan: dan sejauh yang saya tahu, sangat sedikit perusahaan yang sudah berada di sana yet.

Why this is harder than the pitch decks suggest

Tidak ada satupun dari ini yang menghilangkan ketegangan inti. Setiap sistem deteksi, baik aturan maupun model, harus berada di suatu titik antara menangkap aliran beracun yang sebenarnya dan menandai klien sah yang kebetulan berdagang dengan cara yang tidak biasa. Finance Magnates memiliki artikel yang bagus tentang bagaimana broker mengidentifikasi klien beracun, dan itu membuat poin yang adil: menandai terlalu agresif dan broker berakhir memperlebar spread atau memotong kredit pada orang yang tidak pernah menjadi masalah, dan klien tersebut tidak cenderung bertahan setelah itu.

Model tidak menghilangkan trade‑off tersebut, ia hanya mengubah bentuknya: secara teori memungkinkan broker menggambar batas dengan resolusi jauh lebih tinggi daripada “over $X lot size” atau “under Y milliseconds held.” Namun itu hanya berlaku jika model benar‑benar ter‑tuning dengan baik, yang memerlukan volume data historis bersih dan berlabel yang banyak, yang sebagian besar broker menengah belum miliki, serta kalibrasi ulang berkelanjutan yang hanya sedikit tim risiko yang saat ini memiliki staf untuk melakukannya. Model yang dilatih buruk akan salah mengklasifikasi dengan keyakinan yang sama seperti aturan usang: ia hanya tampak lebih tepat saat melakukannya, yang dapat dianggap membuatnya lebih berbahaya untuk dipercaya begitu saja.

Where this is probably heading

Penyebab penyebab mendasar aliran beracun — perdagangan institusional yang terinformasi, HFT yang memanfaatkan celah harga, order agresif besar di sekitar berita — sebenarnya tidak banyak berubah dalam satu dekade. Yang berubah adalah seberapa banyak data eksekusi historis yang dimiliki desk yang sudah mapan, yang merupakan bagian besar mengapa deteksi berbasis model kini dibahas secara serius dibanding lima tahun yang lalu, ketika kebanyakan broker tidak memiliki data bersih yang cukup untuk membuatnya layak.

Saya memperkirakan adopsi akan lebih lambat dan berantakan dibandingkan gelombang pemasaran AI saat ini. Sistem berbasis aturan tidak akan menghilang: mereka murah, mudah dijelaskan kepada tim kepatuhan, dan masih dapat menangkap kasus yang jelas dengan baik. Jalur yang lebih realistis adalah pengaturan berlapis selama beberapa tahun ke depan: aturan cepat dan dapat dijelaskan untuk kasus yang jelas, dengan penilaian berbasis model secara bertahap mengambil area abu‑abu yang jauh lebih besar di antaranya, setelah broker dan vendor sama‑sama benar‑benar melakukan pekerjaan untuk membuatnya dapat diandalkan bukan sekadar dipasarkan. Di Brokerpilot, area abu‑abu itulah yang kami pantau paling dekat saat kami memikirkan ke mana alat risiko harus pergi selanjutnya.