Dwa modele AI dominują w konkursie tradingowym Alpha Arena

Eksperyment tradingowy AI Alpha Arena wchodzi w decydującą fazę (finał projektu zaplanowany jest na 3 listopada 2025 roku). Po wczesnym chaosie, który wymazał połowę kapitału kilku modeli, widoczni są już wyraźni zwycięzcy i przegrani.

Strategie dwóch dominujących modeli AI pozwoliły przetrwać zmienność Fed 29 października. Gołym okiem widoczna jest również korelacja krzywych dochodowości liderów. Jednocześnie Gemini 2.5 Pro i GPT-5 pozostają jak dotąd najbardziej zauważalnymi porażkami konkursu.

Żywy eksperyment tradingowy został uruchomiony kilka tygodni temu z ambitnymi twierdzeniami o zdolności AI do autonomicznej nawigacji na rynkach kryptowalut. Rzeczywistość pokazała więcej niuansów niż oczekiwano.

Analiza strategii liderów

Dwa obecnie najlepsze modele AI – DeepSeek ChatV3.1 i QWEN3 Max – pokazują jednocześnie zdyscyplinowane i agresywne wzorce tradingowe. Boty potrafią utrzymywać pozycje przez kilka kolejnych dni. Jednocześnie widoczne jest bardzo aktywne wykorzystanie dostępnych środków.

Na przykład DeepSeek zaangażował ponad 50% z dostępnych $17,600 w zabezpieczenie marży dla otwartych transakcji, otwierając jednocześnie 6 pozycji z 10x dźwignią.

Jak widać, wszystkie pozycje są długie. To wyjaśnia znaczący drawdown equity (ze szczytu $22,000 do $17,600) po wczorajszej rozczarowującej reakcji rynku kryptowalut na konferencję prasową szefa Fed Jerome’a Powella.

Liderzy utrzymują aktywne pozycje w BTC, ETH i wybranych altcoinach. Czas trwania pozycji waha się od kilku godzin do wielodniowych utrzymań. Wydaje się, że wiodące modele adaptują pracę z timeframe’ami w zależności od warunków rynkowych, a nie podążają za sztywnymi strategiami.

Podejścia do alokacji kapitału pokazują zaawansowane zarządzanie ryzykiem. Zamiast iść all-in w transakcjach o wysokim prawdopodobieństwie, DeepSeek i QWEN3 zazwyczaj rozpraszają 40-60% dostępnego kapitału jednocześnie na 3-5 pozycji. Ta dywersyfikacja chroniła ich w okresach zmienności.

Dyscyplina stop-loss

Prawie wszystkie modele pokazały zdolność do uznawania strat. Sądząc po liczbie zamkniętych transakcji z małymi stratami, albo stosowane są stop-lossy, albo wadliwe pozycje są natychmiast zamykane zanim drawdowny się pogłębią. Jeśli jesteś początkującym traderem, powinieneś wiedzieć z własnego doświadczenia, jak trudne są takie decyzje dla ludzkiego mózgu.

Co więcej: lider DeepSeek ma straty przekraczające $1,000, czego mogą nie mieć nawet przegrywające modele. Ale dlaczego wtedy widzimy tak dużą różnicę w wynikach?

Klasycznym błędem wydaje się częstotliwość tradingu: modele w drawdownie (Gemini 2.5 Pro i GPT-5) dokonały już od 84 do 100 transakcji, podczas gdy u liderów liczba ta wynosi od 20 do 40. To dobra okazja do przypomnienia starego dobrego „sztuki nierobienia nic na rynku”. Bardzo wygląda na to, że DeepSeek i QWEN3 zdołały pojąć ten zen.

Test zmienności po oświadczeniach Fed

Konferencja prasowa Rezerwy Federalnej 29 października gwałtownie zwiększyła zmienność rynku: Bitcoin spadł o 4% w ciągu godzin, a altcoiny doświadczyły ostrzejszych ruchów.

Absolutnie wszystkie modele AI weszły w drawdown po oświadczeniu Powella. Ale ich reakcje znowu się różniły. Nieudacznicy panikovali, albo chaotycznie zamykając wszystkie pozycje, albo uparcie je utrzymując. Liderzy redukowali ryzyko poprzez zmniejszenie wielkości pozycji.

Kup-i-trzymaj pozostaje opłacalną strategią

Tracker „kup-i-trzymaj”, włączony jako porównanie bazowe, pozostaje na plusie, pomimo wszystkich wydarzeń przez cały eksperyment. Ta prosta strategia polega na zakupie BTC na starcie konkursu i pasywnym utrzymaniu bez żadnej dodatkowej aktywności.

Aktywny trading liderów AI obecnie przewyższa zwroty tej strategii, częściowo uzasadniając złożoność i ryzyka. Ale mówiąc o outsiderach, stracili już do 75% depozytów. Zrób z tą informacją, co uważasz za stosowne.

GPT-5 i Gemini 2.5 Pro: anatomia porażki

Modele GPT-5 i Gemini 2.5 Pro weszły do konkursu ze znacznymi oczekiwaniami, biorąc pod uwagę możliwości AI Google i OpenAI. Jednak ich wydajność tradingowa okazała się katastrofalna, czyniąc je najbardziej zauważalnymi ofiarami konkursu.

Analiza transakcji ujawnia słaby timing wejścia (kupowanie w pobliżu lokalnych szczytów i sprzedawanie na supportach), arbitralny dobór wielkości pozycji (niektóre transakcje wykorzystywały 5% kapitału, inne do 40%) oraz brak podstawowej opłacalnej strategii tradingowej (przy stosunkowo niewielkich pojedynczych stratach, w mniej niż dwa tygodnie kapitał został utracony do krytycznych wartości).

Porażka pokazuje, że markowy AI nie gwarantuje sukcesu na rynkach finansowych. Przewidywanie ruchów cenowych na rynku wymaga innych możliwości niż przetwarzanie tablic informacji lub ogólne zadania rozumowania (w czym te modele zazwyczaj się wyróżniają).

AI-blogerzy

Interesującym fragmentem Alpha Arena jest to, że każdy z modeli prowadzi własny blog, komentując swoje działania i decyzje.

Na przykład nieudacznik Gemini pokazuje się jako dość uparty „niedźwiedź”: siedząc w głębokim drawdownie, pisze, że utrzymuje przekonanie o niedźwiedzim charakterze rynku, trzymając jednocześnie 6 zyskownych pozycji short.

Śledź wyniki na żywo na nof1.ai