WeatherBot Kini Belajar dari Kesalahannya Sendiri — Mesin Intelijen Penyempurna Diri

Sebagian besar bot trading bersifat statis. Mereka menjalankan logika yang sama hari ini seperti yang mereka jalankan pada hari pertama. Jika mereka melakukan trade buruk, mereka akan dengan senang hati melakukan trade buruk yang persis sama lagi besok. Kami memutuskan itu tidak cukup baik.

Mulai hari ini, WeatherBot memiliki mesin perbaikan-diri — sistem dari lima modul yang saling terhubung yang terus melacak, menganalisis, dan belajar dari setiap perdagangan yang dilakukan bot. Bot secara harfiah menjadi lebih pintar seiring waktu, menyesuaikan strateginya berdasarkan hasil nyata, bukan hanya model teoretis.

Berikut cara persis setiap modul bekerja:

1. Pelacak hasil trade & kalkulator tingkat kemenangan

Setiap trade yang keluar — baik melalui stop-loss, target profit, atau resolusi pasar — direkam permanen dengan konteks lengkapnya: pertanyaan pasar, harga entry, harga exit, kota mana, tanggal mana, mode trading mana yang aktif, apa yang diprediksi model prakiraan, dan P&L akhir.

Dari data ini, mesin menghitung tingkat kemenangan waktu nyata yang dipecah berdasarkan kota, mode trading, rentang harga masuk, dan time period. Setelah beberapa hari trading saja, pola mulai muncul. Mungkin bot menang 85% pada trade London tapi hanya 45% pada Seoul. Mungkin tampil cemerlang pada entry di bawah 15¢ tapi buruk di atas 40¢. Ini bukan firasat — ini angka keras dari trade nyata, dan langsung masuk ke keputusan Claude berikutnya.

2. Lingkar umpan balik pasca-resolusi — pelacakan akurasi model

Ini adalah ilmu meteorologi murni. Setelah setiap pasar diselesaikan, mesin mencatat apa yang diprediksi oleh setiap model cuaca versus apa yang sebenarnya terjadi. Seiring waktu, ini membangun sebuah basis data akurasi model per kota.

Hasilnya? Setelah 30 hari data, bot mungkin tahu bahwa "ECMWF konsisten berjalan 0,8°C terlalu hangat untuk Seoul di Maret" atau "GFS 1,2°C terlalu dingin untuk Miami di musim panas." Bias sistematis ini secara otomatis dimasukkan ke perhitungan konsensus. Tidak ada bot trading cuaca lain yang punya ini — kebanyakan memperlakukan semua model setara terlepas dari rekam jejaknya untuk kota dan musim tertentu.

3. Claude menilai trade-nya sendiri — analisis post-mortem AI

Ini adalah modul paling kuat. Setiap 30 menit, bot meninjau perdagangan yang baru saja kalah dan mengirim setiap dari mereka kembali ke Claude dengan pertanyaan sederhana: "Apa yang salah?"

Claude memeriksa trade secara retrospektif — data prakiraan yang tersedia, harga entry, hasil aktual — dan menulis post-mortem ringkas: apa kesalahannya dan satu aturan yang bisa dilakukan untuk menghindarinya di masa depan. Pelajaran ini berakumulasi menjadi "playbook" yang disuntikkan ke setiap prompt AI di masa depan.

Setelah 100 trade, Claude pada dasarnya telah menulis manual trading-nya sendiri berdasarkan pengalaman nyata. Contoh pelajaran yang kami lihat dalam pengujian:

• "Hindari BUY_YES di atas 30¢ untuk kota-kota Asia — pasar biasanya sudah efisien pada harga tersebut"
• "Saat GFS dan ECMWF berbeda lebih dari 2°C, selalu SKIP — ketidakpastiannya terlalu tinggi"
• "Suhu di Seoul secara konsisten lebih rendah dari konsensus model di bulan Maret — terapkan koreksi -1°C"

4. Kalibrasi kepercayaan AI

Ketika Claude mengatakan bahwa sebuah perdagangan memiliki kepercayaan "VERY_HIGH", seberapa sering ia benar-benar menang? Modul ini melacak jawabannya dengan tepat. Tingkat kepercayaan setiap perdagangan dicatat bersama dengan hasilnya, membangun tabel kalibrasi:

Data ini disuntikkan langsung ke prompt Claude. Jika Claude melihat panggilan VERY_HIGH-nya hanya menang 60% dari waktu, ia secara alami menjadi lebih selektif — mencadangkan VERY_HIGH untuk hasil yang benar-benar pasti. Kepercayaan AI menjadi benar-benar bermakna alih-alih sewenang-wenang, yang langsung meningkatkan sizing trade (karena taruhan lebih besar ditempatkan pada tingkat kepercayaan lebih tinggi).

5. Konteks kinerja bergulir — pengenalan pola

Setiap analisis AI sekarang menerima ringkasan kinerja bergulir 7 hari yang menampilkan:

• Catatan menang/kalah keseluruhan dan P&L bersih
• Kota berperforma terbaik (di mana bot menang konsisten)
• Kota berperforma terburuk (di mana harus berhati-hati atau dihindari)
• Win rate per kisaran harga masuk (<15¢, 15-40¢, >40¢)

Claude secara alami menyesuaikan perilakunya berdasarkan konteks ini. Jika trade London sedang dalam 9 kemenangan beruntun, ia bersandar lebih agresif pada peluang London. Jika Seoul konsisten kalah, ia menetapkan standar lebih tinggi sebelum merekomendasikan trade Seoul. Strategi bot berkembang setiap hari berdasarkan apa yang benar-benar berhasil.