Membangun 35 Trading Bot dengan AI Pair-Programmer: Arsitektur, Biaya, dan Pelajaran

Gw baru-baru ini ngobrol sama seorang developer yang membangun 35 trading bot dengan bantuan AI pair-programmer. Bukan bot kuantitatif yang pake algoritma kompleks — tapi bot yang jalanin strategi spesifik di market crypto dan saham. Dan yang bikin ini menarik: dia bukan trader profesional. Dia developer biasa yang pake AI buat nulis sebagian besar kode bot-nya.

Sekarang, disclaimer dulu: gw bukan financial advisor. Artikel ini bukan saran trading. Yang gw bahas adalah arsitektur teknis, biaya operasional, dan pelajaran engineering dari proyek ini. Kalau lo tertarik di automated trading dari sisi teknis, ini breakdown-nya.

Kenapa 35 Bot? Kenapa Gak Satu?

Banyak orang mikir: "satu bot trading yang super canggih" — padahal pendekatan yang lebih efektif adalah fleet of simple bots. Masing-masing bot jalanin satu strategi spesifik di satu market. Alasannya simpel:

Isolasi resiko: Kalau satu bot error (salah kalkulasi, API rate limited, logic bug), efeknya terbatas ke strategi itu aja. Gak ngerusak seluruh portfolio.
Parallel execution: 35 bot bisa jalanin 35 strategi berbeda secara simultan. Satu strategi mungkin profit 2%/hari, yang lain rugi 0.5% — average-nya tetap positif.
Diversifikasi pasar: Gak semua bot trading di market yang sama. Ada yang di BTC, ETH, altcoin tertentu, saham AS, dan komoditas.
Testing lebih mudah: Testing bot individual lebih simpel daripada testing satu monolith trading system. Ganti strategi satu bot gak perlu takut ngerusak yang lain.

Ini arsitektur yang mirip dengan microservices — bedanya tiap service adalah trading bot yang fully independent. Bahkan tiap bot punya PostgreSQL connection sendiri-sendiri, jadi gak ada single point of failure di layer database.

Arsitektur Fleet

┌──────────────────┐     ┌──────────────────────┐
│  AI Assistant     │────▶│  Code Generator       │
│  (Claude/GPT-4)   │     │  (Python scripts)     │
└──────────────────┘     └──────────┬───────────┘
                                    ▼
┌─────────────────────────────────────────────────────────┐
│                    35 Bot Instances                      │
│  ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ │
│  │Bot 01│ │Bot 02│ │Bot 03│ │Bot 04│ │Bot 05│ │  ... │ │
│  └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ │
└─────┼────────┼────────┼────────┼────────┼────────┼──────┘
      ▼        ▼        ▼        ▼        ▼        ▼
┌─────────────────────────────────────────────────────────┐
│                    PostgreSQL Cluster                     │
│  ┌──────────────────────────────────────────────────┐   │
│  │ trades | strategies | pnl | orders | logs        │   │
│  └──────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘

Tiap bot adalah container Docker terpisah (mirip kayak yang kita bahas di container security hardening). Mereka jalanin Python script yang di-generate oleh AI pair-programmer. Setiap bot punya:

Satu file strategi: Logic spesifik — entry/exit condition, position sizing, stop loss
Koneksi API exchange: Via CCXT library (support 100+ exchange)
Database writer: Log tiap trade ke PostgreSQL untuk analisis
Healthcheck endpoint: Bot report status tiap 30 detik via WebSocket

Bagaimana AI Pair-Programmer Digunakan?

Ini bagian yang paling menarik. Developer ini gak nulis semua kode dari 0. Dia pake AI buat generate skeleton setiap bot, lalu manual review dan adjust parameter. Workflow-nya:

Prompt strategi: "Buat trading bot untuk BTC/USDT dengan strategi grid trading, entry tiap 0.5%, stop loss 2%."
AI generate kode: Dapet Python script lengkap dengan CCXT integration, error handling, rate limiting.
Review + Backtest: Lo harus baca kode yang dihasilkan. Jangan trust blind. Cek: position sizing bener? Error handling ada? Rate limiting dipatuhin?
Deploy sebagai container: Dockerfile + docker-compose entry. Tiap bot dapet satu container.
Monitor: Kalau bot rugi 3 hari berturut-turut, pause otomatis dan notify.

Yang perlu diingat: AI gak selalu bener. Ada kejadian dimana AI generate kode yang salah ngitung position size — mengakibatkan loss yang lebih besar dari yang seharusnya. Makanya review manual tetap penting. Tapi secara keseluruhan, AI nge-boost produktivitas dari 1 bot per minggu (nulis manual) jadi 3-5 bot per hari (AI-assisted).

Infrastructure dan Biaya

Salah satu concern terbesar: berapa biaya jalanin 35 bot 24/7?

Komponen	Spesifikasi	Biaya/bulan
VPS (1 server)	4 vCPU, 8GB RAM, 80GB SSD	~$25
PostgreSQL	Managed, 2GB RAM, 20GB storage	~$15
API data feeds	Market data subscriptions	~$50 (free tier beberapa exchange)
AI coding credits	Claude API / GPT-4 untuk generate + review	~$30
Monitoring + Alerting	Uptime Kuma + Telegram bot	~$5
Total		~$125/bulan

Bandrol $125/bulan untuk 35 bot itu sangat murah dibandingkan dengan subscription trading bot services yang bisa $50-$200 per bot per bulan. Lo literally dapet 35 bot dengan harga 1-2 bot subscription. Tapi biaya hidden-nya: waktu maintenance. Lo harus monitor, update API keys, handle exchange API changes, dan debugging bot yang error — bisa 5-10 jam per minggu.

Yang Paling Sering Salah

Dari pengalaman developer ini, ini adalah failure mode yang paling umum:

Over-leverage karena AI typo: AI generate kode dengan leverage 10x padahal yang diminta 2x. Selisih angka di parameter — bisa liquidate portfolio.
Rate limiting tidak di-handle: Exchange punya rate limit. Kalau gak di-handle, bot kena ban temporer — dan lo gak bisa trading pas market bergerak cepat.
No kill switch: Yang paling fatal. Beberapa exchange API gak punya cancel-all-orders endpoint yang reliable. Lo perlu kill switch di level infrastructure — matiin container atau block network access.
Database connection leak: Bot yang jalan 24/7 butuh connection pooling yang bener. Kalau ada connection leak, bot bakal crash setelah beberapa jam. Solusi: pake SQLAlchemy dengan connection pool timeout.
Strategi overfitting ke bull market: Backtest pake data 2024-2025 (bull run) — semuanya profit. Pas di-deploy di market sideways, semua rugi. Lo harus test pake data dari berbagai fase market.

Bottom Line

Membangun fleet trading bot dengan AI pair-programmer itu secara teknis feasible dan cost-effective. Tapi jangan lupa: kode bot adalah software yang handle uang. Error tolerance-nya nol. Setiap bug adalah potensi loss. Jadi meskipun AI nulis 80% kode, lo tetap harus review 100% dengan teliti.

Kalau lo tertarik setup monitoring buat bot-bot ini, baca artikel Docker logging dengan ELK vs Loki — centralized logging penting banget buat debug bot yang error di tengah malam. Juga CI/CD pipeline untuk automate testing strategi baru sebelum deploy ke production.