Ficou mal! Traders de IA coletivamente tiveram perdas, perdendo um terço em duas semanas, os investidores ainda têm coragem de confiar o dinheiro às máquinas?

A inteligência artificial está a abrir as portas de Wall Street, mas a primeira avaliação apresentada é tão feia quanto uma cena de acidente.

Uma série de dados iniciais de competições de negociação pública mostram que os principais modelos de linguagem de grande escala geralmente têm um desempenho ruim na negociação autónoma — a maioria dos sistemas registou perdas, com uma frequência de negociações tão alta que é inacreditável, e decisões completamente diferentes perante a mesma instrução.

O exemplo mais típico vem da competição Alpha Arena, operada pela startup tecnológica Nof1. Eles colocaram oito sistemas de IA de ponta, como Claude da Anthropic, Gemini do Google, ChatGPT da OpenAI, Grok do Elon Musk, entre outros, em quatro rodadas de competição, dando a cada modelo 10 mil dólares antes de cada rodada, para negociarem autonomamente ações tecnológicas americanas durante duas semanas.

E os resultados? A carteira de investimentos perdeu cerca de um terço. Das 32 operações, apenas 6 foram lucrativas. Jay Azhang, fundador da Nof1, afirmou sem rodeios: “Agora, entregar dinheiro diretamente a grandes modelos para eles negociarem por conta própria, não funciona.”

Os dados revelam várias falhas atuais da IA no cenário de negociação. Com o mesmo prompt, Qwen, da Alibaba, realizou 1.418 negociações numa rodada, enquanto o melhor desempenho do Grok foi apenas 158 ordens. O melhor resultado do Grok ocorreu na rodada em que pôde observar o desempenho dos concorrentes.

O blog Flat Circle acompanhou 11 arenas de mercado relacionadas, e os resultados mostraram que cada arena tinha pelo menos um modelo lucrativo, mas apenas duas arenas tinham um modelo mediano com retorno positivo — a maioria dos modelos não consegue superar o mercado.

As diferenças de decisão entre os modelos são ainda mais preocupantes. Azhang explicou que, na última rodada de testes do Alpha Arena, Claude tendia a ser mais otimista, Gemini não tinha resistência a posições vendidas, e Qwen preferia apostar com alta alavancagem.

Doug Clinton, responsável pelo fundo de investimento baseado em LLMs, Intelligent Alpha, afirmou: “Cada um tem a sua ‘personalidade’, gerir esses modelos é quase como gerir um analista humano.” Mas, ao informar os modelos sobre certos vieses, é possível melhorar os resultados até certo ponto.

Azhang destacou que os grandes modelos têm vantagens na pesquisa e na utilização de ferramentas, mas apresentam claras limitações na execução de negociações: eles não compreendem bem o peso de variáveis como avaliações de analistas, negociações internas ou mudanças de sentimento, o que leva a comprar no pico e vender no fundo, além de não gerirem bem as posições.

Os testes de referência do Intelligent Alpha oferecem uma visão relativamente otimista. Eles fornecem a 10 modelos de IA acesso a documentos financeiros, previsões de analistas, gravações de teleconferências de resultados, dados macroeconómicos e buscas na internet, avaliando apenas a direção da previsão de lucros. No quarto trimestre de 2025, o ChatGPT atingiu uma precisão de 68%, seu melhor resultado até então. Clinton afirmou que, a cada nova versão, o desempenho geral dos modelos melhora.

Há uma dificuldade fundamental na avaliação da capacidade de negociação da IA: estratégias quantitativas tradicionais dependem de backtests históricos, mas isso quase não funciona com grandes modelos — um modelo perguntado em 2026 como negociar o mercado de março de 2020 já “sabe” o que aconteceu naquela época. Essa “viés de previsão futura” obriga os pesquisadores a avaliarem os modelos em operações reais, levando ao surgimento de muitas arenas de competição.

Jim Moran, ex-cofundador da empresa de dados alternativos YipitData e autor do blog Flat Circle, acredita que a maioria dos experimentos públicos atuais são de duração curta, com muito ruído, e insuficientes para conclusões definitivas. Essas arenas também têm desvantagens naturais, como a falta de acesso a recursos exclusivos de pesquisa de ações e baixa qualidade de execução. Ele comentou: “Se um desses agentes de IA fosse transferido para uma grande gestora de fundos de hedge, seu desempenho provavelmente seria melhor.”

Alexander Izydorczyk, ex-chefe de ciência de dados na Coatue Management e atualmente na NX1 Capital, escreveu recentemente que nenhum dos robôs de negociação de IA que acompanha demonstra uma capacidade duradoura de obter lucros acima da média. Ele acredita que as limitações dessas arenas residem na ausência de técnicas de negociação práticas usadas por instituições secretas nos seus dados de treino.

Porém, deixou uma reflexão instigante: “Às vezes, os iniciantes veem coisas que os veteranos não percebem.” Em seu blog, escreveu: “Quando um agente de IA realmente começar a fazer estratégias de negociação eficazes, você não ouvirá nada de imediato.”

A Nof1 está a preparar a segunda temporada da Alpha Arena, com planos de oferecer a cada IA acesso a buscas na internet, mais tempo de reflexão, mais fontes de dados e capacidade de executar múltiplas etapas. Mas o núcleo do modelo de negócio da empresa é fornecer ferramentas de sistema para investidores individuais construírem seus próprios agentes de negociação de IA — e não colocar IA diretamente na mesa de negociações.

Essa própria definição talvez seja a maior prova de que, atualmente, a capacidade de negociação de IA ainda é bastante limitada e precisa de uma abordagem mais pragmática.

Siga-me para mais análises e insights em tempo real do mercado de criptomoedas! $BTC $ETH $SOL

#Gate广场五月交易分享 #BTC em recuo #CLARITY projeto de lei com dificuldades de avanço