📈 Sistem Trading AI Hibrid 📈

Sebuah sistem pakar pendukung keputusan untuk trading ETF NASDAQ dan Minyak (WTI), memanfaatkan kecerdasan buatan hibrid 12-model untuk sinyal trading yang andal dan bernuansa.

📚 Daftar Isi

🌟 Tentang Proyek
📂 Struktur Proyek
🚀 Mulai Cepat
- ✅ Prasyarat
- ⚙️ Instalasi
🛠️ Penggunaan
- Mode Simulasi (Paper Trading)
- Eksekusi Nyata (Trading 212)
🧪 Backtesting Produksi
- Fitur
- Penggunaan
🤝 Berkontribusi
📜 Lisensi
📧 Kontak

🌟 Tentang Proyek

Sebuah sistem pakar pendukung keputusan untuk trading ETF NASDAQ dan Minyak (WTI), memanfaatkan kecerdasan buatan hibrid 12-model.

🚀 Strategi Dual-Ticker (Analisis vs. Trading)

Sistem menganalisis indeks global (mis. ^NDX untuk Nasdaq-100, CL=F untuk WTI) namun mengeksekusi pada ETF denominasi EUR (mis. SXRV.DE, CRUDP.PA). Pemisahan ini memastikan analisis pada data berketelitian tinggi dan eksekusi nyata pada aset yang dapat diakses melalui Trading 212.

🧠 Mesin AI Hibrid

Mesin menggabungkan model-model heterogen menjadi sebuah konsensus berbobot:

Model Scikit-Learn (RandomForest, GradientBoosting, LogisticRegression) — divalidasi dengan TimeSeriesSplit untuk mencegah kebocoran data. Sinyal kuantitatif agresif (25% dari bobot kognitif).
TimesFM 2.5 (Google Research) — model fondasi untuk peramalan deret waktu.
TensorTrade / PPO (stable-baselines3) — agen Reinforcement Learning di lingkungan Gymnasium kustom.
Gemma 4 12B (Ollama) — analisis tekstual (makro/berita) dan visual (chart teknikal); pertahanan JSON dua lapis menjamin JSON yang bersih meski mode berpikir <|think|> aktif.
Analisis Sentimen Hibrid (Alpha Vantage + AlphaEar + Hyperliquid).
Vincent Ganne Model — kunci geopolitik (WTI, Brent, gas, urea, DXY) yang hanya menghasilkan sinyal BUY untuk memvalidasi dasar Nasdaq.
OilBenchModel — model kognitif khusus untuk WTI (indikator teknikal + fundamental EIA + sentimen).

🧘 Filosofi Keputusan: "Kehati-hatian Kognitif"

Model kognitif (Gemma 4, sentimen, Vincent Ganne) memegang 75% bobot keputusan versus 25% untuk model kuantitatif agresif. Pembobotan berlebih yang disengaja ini memastikan konteks kualitatif menperangkan sinyal kuantitatif. Sinyal hanya dieksekusi jika kepercayaan global melampaui 40%; antara 20%–40% diturunkan menjadi HOLD.

✨ Fitur Utama

Arsitektur LLM Hibrid Cloud/Local: integrasi free-llm-api-keys untuk memanfaatkan "Frontier Models" yang sangat cerdas (DeepSeek, Claude, Gemini) untuk analisis tekstual, dengan fallback lokal Ollama yang 100% andal (yang tetap menjadi mesin eksklusif untuk chart visual).
Pendekatan Dual-Ticker: analisis indeks, trading ETF.
Harga live T212: pengambilan harga EUR real-time melalui API Trading 212 (0,2 detik), dengan fallback yfinance dan cache parquet.
Spread Dated Brent: pemantauan ketegangan pasar fisik melalui spread antara Brent Spot (Dated) dan Brent berjangka.
Ketahanan jaringan: pemutus arus yfinance dengan pelacak terpisah (info vs. download), timeout 10 detik pada semua panggilan jaringan.
Invalidasi cache otomatis: cache Parquet mendeteksi kedaluwarsa (> 2 hari) dan memaksa penyegaran. Gunakan refresh_cache.py untuk pembersihan manual.
Paralelisasi panggilan LLM: panggilan model independen (text_llm, visual_llm, search_query, timesfm, tensortrade, grebenkov) berjalan dalam ThreadPoolExecutor untuk menumpuk inferensi Ollama dengan I/O. Jalur kritis biasanya 4–6 menit pada CPU dibanding 10+ menit berurutan.
Cache kueri-pencarian 24 jam: kueri pencarian web yang dihasilkan LLM di-cache di data_cache/search_queries/<ticker>_<date>_<price-sig>.json. Kunci berdasarkan tanggal + tanda aksi-harga (pengelompokan log2 dari close + bucket RSI), sehingga perubahan regime membatalkannya. Kueri fallback tidak pernah di-cache (satu kegagalan Ollama transien tidak dapat meracuni cache selama 24 jam).
Timeout siklus ketat: setiap siklus per ticker dibungkus dalam anggaran 40 menit (CYCLE_TIMEOUT_SECONDS di main.py). Saat timeout, thread pekerja di-shutdown(wait=F) agar ticker berikutnya segera dimulai; HOLD diterapkan ke ticker yang kedaluwarsa. Setiap future memiliki timeout per-tugas sendiri (pencarian 240 dtk, visual 300 dtk, teks 240 dtk, model CPU masing-masing 180 dtk, berita 90 dtk, crawl web 30 dtk).
Keamanan orphan-thread: saat timeout siklus, sebuah threading.Event per-ticker disetel agar pekerja orphan keluar sebelum panggilan execute_t212_trade apa pun — mencegah perdagangan uang nyata setelah pengguna melihat panel "HOLD diterapkan". Sebuah threading.Lock per-ticker lebih lanjut menyerikan penempatan order T212, menghilangkan risiko perdagangan-ganda di bawah tumpang-tindih scheduler atau pemanggilan --ticker duplikat.
Sentinel kegagalan LLM: ketika _query_ollama menghabiskan semua percobaan ulangnya, dict fallback membawa penanda "failed": True agar logika konsensus downstream dapat membedakan "model memilih HOLD" dari "model crash" (saat ini disebarkan namun tidak difilter — tindak lanjut yang diketahui).
Kognisi lanjutan: penggunaan Gemma 4 12B dengan pertahanan JSON dua lapis:
1. Penegakan skema sisi-server (format: SCHEMA_* dengan additionalProperties: false) — lapisan penopang; dilewatkan via parameter format Ollama di setiap titik panggilan. Skema didefinisikan di src/llm_client.py (SCHEMA_TRADING_DECISION, SCHEMA_SEARCH_QUERY, SCHEMA_OIL_ALLOCATION).
2. Akhiran system prompt defensif ("...never add a 'thought' key.") — garis kedua yang redundan-tapi-tak-merugikan, dipertahankan sebagai belt-and-braces terhadap setiap regresi masa depan lapisan skema.
Token pemikiran <|think|> aktif di keempat system prompt produksi (diaktifkan kembali 2026-06-06 di main setelah validasi pada cabang think-mode). Lapisan skema-lah yang benar-benar menetralkan cacat historis puing <|channel>thought JSON (penyebab akar Mei 2026): tests/check_llm_json.py mengonfirmasi bahwa kasus schema-strict (v3_schema, v6_schema, v7_schema_strict) menghasilkan JSON bersih bahkan dengan <|think|> aktif, sementara varian loose format:json gagal. Lihat docs/ADR-001-think-mode-dual-layer-defence.md untuk analisis lengkap dan prosedur pembalikan.
Agen Morning Brief otonom: sebuah alur kerja semalam berbasis smolagents (morning_brief/morning_brief.py) yang dijadwalkan otomatis pada 01:00 via schedule.py. Ia secara independen merayapi log API harian, mengunduh data inventaris fundamental EIA, dan menjadi arbiter perdebatan Bull vs Bear. Laporan markdown yang dihasilkan (morning_market_brief.md) secara otomatis disuntikkan ke dalam system prompt LLM tekstual selama siklus trading harian, menganugerahkan AI utama memori kontekstual yang dalam dan kesadaran fundamental tanpa memperlambat eksekusi pasar live.
🏛️ Weekend Council (Memori Strategis): retrospektif LLM multi-persona mingguan (src/council/weekend_council.py) yang berjalan setiap Sabtu pukul 01:00 via schedule.py. Enam persona — masing-masing pada keluarga model Ollama yang berbeda (Gemma 4 12B / GLM-4.6V-Flash / Qwen 3.5 9B / LFM 2.5 / Mistral Nemo 12B) untuk keberagaman penalaran yang nyata — berembuk dalam protokol 4 ronde (Problem Restate Gate → Analysis dengan STANCE eksplisit → Debat 1-vs-1 → sintesis Judge) dengan mekanisme anti-groupthink (kuota ketidaksetujuan, putusan unresolved-first). Judge (Qwen3.5-9B-MTP) memancarkan sikap per ticker yang menjadi suara berbobot ke-11 (9,5%) dalam konsensus real-time, dengan kepercayaan yang meluruh secara linier selama 7 hari. Anggaran token yang murah hati (num_predict hingga 12000, num_ctx hingga 65536) dan jendela scheduler 48 jam mengakomodasi model berpikir pada CPU. Dewan menganalisis data PROD nyata: akurasi model (model_performance.db), metrik portofolio dan peringatan kritis (performance_monitor.db), serta jurnal trading yang tereksekusi. Instal 6 model yang diperlukan dengan uv run python setup_council_models.py. Lihat docs/ADR-003-weekend-council-11th-voice.md.
Berita & Sentimen Blockchain: integrasi AlphaEar dan Hyperliquid untuk menangkap sentimen sosial dan spekulatif.
Penjadwal otomatis: skrip schedule.py untuk eksekusi berkelanjutan (8:30 – 18:00) di server.
Manajemen risiko terpusat: AdvancedRiskManager memusatkan logika Anti-Loss (Stop-Loss) dan Trailing Stop. Model individual tidak lagi mengelola risiko ini, memastikan strategi perlindungan modal yang terpadu dan ketat lintas regime pasar.
Kontrak data ketat: semua model AI sepenuhnya terstandarisasi untuk mengembalikan dataclass ModelResult yang bertipe kuat (signal, confidence, reasoning), memastikan 100% keseragaman di seluruh mesin konsensus.
Kesehatan kode diaudit: proyek mempertahankan standar kesehatan kode Grade B melalui audit otomatis (0 kode mati, indeks pemeliharaan tinggi).
Backtesting produksi: mesin backtest mandiri (backtest_prod.py) yang memutar ulang sinyal prod nyata terhadap harga nyata dengan biaya T212 — tanpa dependensi eksternal.
Kontrol dump debug: setel TRADING_DEBUG_DUMP=0 untuk menonaktifkan dump (dibatasi 5 MB) data_cache/llm_debug_fail.txt atas kegagalan LLM.

💻 Stack Teknologi

Bahasa: Python 3.12+
Perhitungan & Data: pandas, numpy, yfinance, pyarrow, pandas_datareader, hyperliquid-python-sdk
Machine Learning: scikit-learn, shap
AI & LLM: google-genai (Gemini), requests, ollama
Scraping Web & Pencarian: beautifulsoup4, duckduckgo_search, crawl4ai
Visualisasi: matplotlib (backend Agg untuk thread safety), seaborn, mplfinance
Utilitas: tqdm, rich, python-dotenv, schedule

⚙️ Performa & Perangkat Keras

Sistem ini dirancang untuk berperforma pada perangkat keras konsumen tanpa memerlukan GPU khusus.

Hanya CPU: inferensi LLM (Gemma 4 12B Q6_K via Ollama) dan TimesFM berjalan sepenuhnya pada CPU. Throughput ~3–4 token/detik pada CPU 8-inti modern.
RAM yang disarankan: minimum 16 GB (32 GB disarankan untuk menjalankan Gemma 4 12B dengan nyaman bersama TimesFM dan TensorTrade).
Konkurensi Ollama: setel OLLAMA_NUM_PARALLEL=8 (sudah di .env yang direkomendasikan) agar beberapa panggilan LLM berbagi beban model. Dengan anggaran konteks default 4 GB, slot paralel mendapat masing-masing ~512 token — Ollama akan menyerikan jika prompt melebihi ctx per-slot, namun ThreadPoolExecutor menjaga tumpang-tindih wall-clock yang bermanfaat untuk langkah-langkah yang terikat-I/O (pengambilan berita, crawl web, model CPU).
Waktu eksekusi: ~6 sampai 9 menit per ticker pada CPU (dingin), ~3 sampai 5 menit per ticker saat cache kueri-pencarian terkena. Default menjalankan dua ticker (CRUDP.PA + SXRV.DE), jadi rencanakan ~15 menit total.
Timeout siklus: setiap siklus per ticker dibatasi 40 menit (CYCLE_TIMEOUT_SECONDS). Jika terlampaui, HOLD diterapkan dan ticker berikutnya segera dimulai.
Kecepatan API: integrasi Trading 212 ultra-cepat (<1 detik untuk pengambilan harga live).

🧠 Arsitektur AI & LLM (Gemini + Fallback Lokal)

Sistem memanfaatkan arsitektur multi-tingkat yang sangat andal untuk memastikan uptime maksimum dan pengambilan keputusan cerdas, yang terintegrasi mendalam ke dalam main.py dan Weekend Council.

Fallback Berjenjang 4-Tingkat:
1. Tingkat Gemini Berbayar (GEMINI_API_KEY_PAY): Prioritas tertinggi. Menggunakan model lanjutan seperti Gemini 2.5 Pro untuk penalaran kompleks, visi chart teknikal, dan keputusan trading final.
2. Tingkat Gemini Gratis (GEMINI_API_KEY): Digunakan untuk tugas yang lebih ringan dan bervolume tinggi seperti peringkasan konteks web.
3. Proxy API LLM gratis: Cadangan via free-llm-api-keys.
4. Ollama Lokal: Fallback CPU offline 100% andal jika semua layanan cloud gagal.
Proteksi biaya: tingkat berbayar dibatasi oleh anggaran biaya 30-hari bergulir (GEMINI_PAY_MONTHLY_BUDGET_EUR, default 8,6 €/bulan) — biaya setiap panggilan dihitung dari penggunaan token aktual × harga model dan diakumulasi; saat anggaran tercapai, panggilan jatuh ke tingkat gratis / Ollama. Backstop harian (GEMINI_PAY_DAILY_CAP, default 200) menjaga dari loop tak terkendali.
Integrasi: mesin eksekusi harian utama (main.py) menggunakan Gemini untuk konsensus multi-model real-time, sementara Weekend Council asinkron (council) mengintegrasikan Gemini secara khusus untuk peran tertentu (seperti Judge dan Sceptique) berdampingan dengan beragam model Ollama lokal.

🧠 FinAcumen (Memori Finansial)

Arsitektur FinAcumen telah diintegrasikan untuk menganugerahkan model AI lokal sebuah memori pengalaman dan alat deterministik. Ini memecahkan masalah amnesia LLM.

FinAcumen bekerja secara asinkron pada malam hari (via schedule.py) untuk memanfaatkan kekuatan penuh CPU tanpa memblokir siklus trading.
Laporannya yang kualitatif dan mendalam otomatis ditambahkan ke Morning Market Brief untuk membimbing LLM keputusan sepanjang hari trading.

📂 Struktur Proyek

Proyek diorganisir secara modular untuk pemeliharaan yang lebih baik.

Trading-AI/
├── morning_brief/                   # Agen otonom semalam untuk analisis fundamental mendalam
│   ├── morning_brief.py             # Orkestrator agen dan konfigurasi smolagents
│   └── output/                      # Laporan markdown harian yang dihasilkan (morning_market_brief.md)
├── src/                             # Modul inti
│   ├── adaptive_weight_manager.py   # Pembobotan model dinamis berbasis performa
│   ├── advanced_risk_manager.py     # Manajemen risiko Trend-Aware dan sizing
│   ├── bootstrap.py                 # Logika inisialisasi inti
│   ├── chart_generator.py           # Menghasilkan chart teknikal untuk LLM visual
│   ├── classic_model.py             # Ensemble model kuantitatif Scikit-learn
│   ├── config_weights.py            # Konfigurasi bobot dasar mesin hibrid
│   ├── data.py                      # Pengambilan, cache, dan prapemrosesan data
│   ├── database.py                  # Manajemen database SQLite untuk metrik
│   ├── eia_client.py                # Klien API Energy Information Administration
│   ├── enhanced_decision_engine.py  # Mesin fusi hibrid yang mengorkestrasi semua model
│   ├── enhanced_trading_example.py  # Skrip contoh penggunaan model
│   ├── features.py                  # Rekayasa fitur teknikal dan makroekonomi
│   ├── grebenkov_model.py           # Model matematika Trend-Following (Agnostic Risk Parity)
│   ├── hmm_model.py                 # Hidden Markov Model untuk deteksi regime
│   ├── llm_client.py                # Integrasi Ollama untuk inferensi LLM lokal
│   ├── news_fetcher.py              # Perayapan dan parsing berita finansial
│   ├── oil_bench_model.py           # Model trading WTI khusus energi
│   ├── performance_monitor.py       # Pelacakan akurasi dan riwayat model
│   ├── read_simul.py                # Alat untuk membaca output simulasi
│   ├── sentiment_analysis.py        # Integrasi sentimen Alpha Vantage & AlphaEar
│   ├── t212_executor.py             # Eksekusi nyata API Trading 212 dan portofolio
│   ├── tensortrade_model.py         # Sinyal Reinforcement Learning (PPO)
│   ├── timesfm_model.py             # Integrasi peramalan deret waktu TimesFM 2.5
│   └── web_researcher.py            # Scraping web makroekonomi dengan Crawl4AI
├── data_cache/                       # Semua cache (di-gitignore)
│   ├── *.parquet                     # Data OHLCV per ticker (yfinance)
│   ├── macro/                        # Deret waktu makro (FRED, multi-sumber)
│   ├── search_queries/               # Cache 24 jam kueri-pencarian LLM (per ticker+tanggal+price-sig)
│   └── llm_debug_fail.txt            # Dump (dibatasi 5 MB) kegagalan LLM — nonaktifkan dengan TRADING_DEBUG_DUMP=0
├── tests/                            # Skrip pengujian dan validasi
│   ├── test_full_cycle.py            # Test end-to-end T212 beli/tunggu/jual
│   ├── test_enhanced_decision_engine.py # Test untuk mesin fusi hibrid
│   ├── check_llm_json.py             # Diagnostik JSON-schema LLM (menguji keempat titik panggilan Ollama)
│   ├── check_live.py                 # Skrip verifikasi harga pasar live
│   └── ...                           # Test unit dan integrasi lainnya
├── i18n/                            # Internasionalisasi (README yang diterjemahkan)
├── assets/                          # Aset statis (gambar, banner)
├── memory-bank/                     # State deterministik 4-file + konteks long-form (lihat AGENTS.md §1)
├── backtest_prod.py                 # Mesin backtest produksi mandiri
├── main.py                          # Satu-satunya titik masuk (Analisis & Trading)
├── pyproject.toml                   # Dependensi dan konfigurasi proyek (uv)
├── refresh_cache.py                 # Utilitas CLI untuk memaksa penyegaran cache Parquet
├── schedule.py                      # Penjadwal live untuk eksekusi otomatis
├── setup_timesfm.py                 # Skrip instalasi TimesFM 2.5 vendor
├── .env.example                     # Contoh variabel lingkungan
└── README.md                        # Dokumentasi ini

🚀 Mulai Cepat

Ikuti langkah-langkah berikut untuk menyiapkan lingkungan pengembangan lokal Anda.

✅ Prasyarat

Python 3.12+ (via uv)
Ollama terpasang dan berjalan secara lokal.
Model LLM yang telah diunduh: ollama pull hf.co/unsloth/gemma-4-12b-it-GGUF:Q6_K
Model Weekend Council (opsional, namun diperlukan untuk keragaman penalaran dewan): dewan menjalankan setiap persona pada keluarga model yang berbeda (Gemma / GLM / Qwen / LFM). Pasang semuanya sekaligus dengan uv run python setup_council_models.py.

⚙️ Instalasi

Kloning repositori:

git clone https://github.com/laurentvv/Trading-AI.git
cd Trading-AI

Pasang uv (jika belum): Lihat astral.sh/uv untuk instruksi pemasangan.
Buat dan aktifkan lingkungan virtual (LANGKAH KRITIS): Anda harus membuat dan mengaktifkan .venv sebelum memasang model fondasi.
```
uv venv
source .venv/bin/activate  # Di Windows, gunakan `.\.venv\Scripts\activate.ps1`
```
Pasang Model Fondasi: Jalankan skrip instalasi untuk mengkloning model ke vendor/ dan menerapkan tambalan:
```
python setup_timesfm.py
```
Inisialisasi dan sinkronisasi lingkungan:
```
uv sync
```

Pasang browser untuk riset Web (Crawl4AI):

uv run python -m playwright install chromium

Konfigurasikan kunci API Anda: Buat berkas .env di root proyek:

ALPHA_VANTAGE_API_KEY="KUNCI_ANDA"
EIA_API_KEY="KUNCI_ANDA"

# Opsional namun sangat disarankan: Integrasi Gemini AI
GEMINI_API_KEY_PAY="KUNCI_TINGKAT_BERBAYAR_ANDA"  # Untuk penalaran/visi kompleks (Gemini 2.5 Pro)
GEMINI_API_KEY="KUNCI_TINGKAT_GRATIS_ANDA"         # Untuk tugas yang lebih ringan (peringkasan)
GEMINI_PAY_MONTHLY_BUDGET_EUR=8.6        # Anggaran biaya 30-hari bergulir (€) — penjaga penagihan utama
GEMINI_PAY_DAILY_CAP=200                 # Backstop: maks. panggilan API berbayar per hari

🛠️ Penggunaan

Sistem melatih model-modelnya pada data terbaru di setiap eksekusi sebelum memberikan keputusan.

Mode Simulasi (Paper Trading)

Untuk menguji sistem tanpa risiko dengan modal fiktif sebesar €1000, gunakan flag --simul. Sistem akan mengelola riwayat pembelian dan penjualan yang ketat.

# Jalankan analisis simulasi (Default: SXRV.DE - Nasdaq 100 EUR)
uv run main.py --simul

# Jalankan pada Minyak (WTI)
uv run main.py --ticker CRUDP.PA --simul

Eksekusi Nyata (Trading 212)

Sistem kini sepenuhnya terintegrasi dengan Trading 212:

Verifikasi portofolio: sebelum aksi apa pun, robot mengonsultasikan kas dan posisi nyata Anda.
Manajemen API: mencakup mekanisme coba-ulang otomatis terhadap batas permintaan (Rate Limiting).

# Jalankan analisis dengan eksekusi nyata (Demo atau Real sesuai .env)
uv run main.py --t212

🧪 Backtesting Produksi

Sistem mencakup mesin backtest produksi mandiri (backtest_prod.py) yang memutar ulang sinyal prod nyata dari logs_prod/trading_journal.csv terhadap harga nyata dari berkas Parquet data_cache/.

Fitur

Sinyal nyata: memutar ulang keputusan tepat dari mesin hibrid 12-model.
Harga nyata: menggunakan data OHLCV ETF aktual (SXRV.DE, CRUDP.PA) — tanpa proksi US.
Biaya T212: mensimulasikan model biaya per-trade 0,1% Trading 212.
Perbandingan baseline: secara otomatis menghitung performa buy-and-hold sebagai tolok ukur.
Metrik: Rasio Sharpe, Drawdown Maksimum, Win Rate, Alpha, Total Imbal Hasil per ticker.

Penggunaan

uv run python backtest_prod.py

Hasil disimpan ke logs_prod/backtest_report.json dengan kurva ekuitas dalam CSV.

🤝 Berkontribusi

Kontribusi diterima! Jangan ragu untuk men-fork proyek dan membuka Pull Request.

📜 Lisensi

Didistribusikan di bawah Lisensi MIT.

📧 Kontak

Tautan proyek: https://github.com/laurentvv/Trading-AI

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

📈 Sistem Trading AI Hibrid 📈

📚 Daftar Isi

🌟 Tentang Proyek

🚀 Strategi Dual-Ticker (Analisis vs. Trading)

🧠 Mesin AI Hibrid

🧘 Filosofi Keputusan: "Kehati-hatian Kognitif"

✨ Fitur Utama

💻 Stack Teknologi

⚙️ Performa & Perangkat Keras

🧠 Arsitektur AI & LLM (Gemini + Fallback Lokal)

🧠 FinAcumen (Memori Finansial)

📂 Struktur Proyek

🚀 Mulai Cepat

✅ Prasyarat

⚙️ Instalasi

🛠️ Penggunaan

Mode Simulasi (Paper Trading)

Eksekusi Nyata (Trading 212)

🧪 Backtesting Produksi

Fitur

Penggunaan

🤝 Berkontribusi

📜 Lisensi

📧 Kontak

FilesExpand file tree

README_id.md

Latest commit

History

README_id.md

File metadata and controls

📈 Sistem Trading AI Hibrid 📈

📚 Daftar Isi

🌟 Tentang Proyek

🚀 Strategi Dual-Ticker (Analisis vs. Trading)

🧠 Mesin AI Hibrid

🧘 Filosofi Keputusan: "Kehati-hatian Kognitif"

✨ Fitur Utama

💻 Stack Teknologi

⚙️ Performa & Perangkat Keras

🧠 Arsitektur AI & LLM (Gemini + Fallback Lokal)

🧠 FinAcumen (Memori Finansial)

📂 Struktur Proyek

🚀 Mulai Cepat

✅ Prasyarat

⚙️ Instalasi

🛠️ Penggunaan

Mode Simulasi (Paper Trading)

Eksekusi Nyata (Trading 212)

🧪 Backtesting Produksi

Fitur

Penggunaan

🤝 Berkontribusi

📜 Lisensi

📧 Kontak