Провал! Колективний провал AI-трейдерів, за 2 тижні втрата третини, чи все ще роздрібні інвестори довіряють гроші машинам?

Штучний інтелект стукає у двері Волл-стріт, але перший звіт про результати здається жахливим, наче місце автокатастрофи.

Ранні дані з відкритих торгівельних змагань показують, що провідні великі мовні моделі зазвичай погано справляються з автономною торгівлею — більшість систем зазнають збитків, частота торгівлі неймовірно висока, а рішення, які вони приймають на одні й ті ж сигнали, кардинально різняться.

Найяскравішим прикладом є змагання Alpha Arena, яке проводить технологічна стартап-компанія Nof1. Вони запускали в чотири раунди восьмеро передових AI-систем: Anthropic’s Claude, Google’s Gemini, OpenAI’s ChatGPT, Elon Musk’s Grok, кожен раунд перед стартом отримував по 10 тисяч доларів для самостійної торгівлі американськими технологічними акціями протягом двох тижнів.

Який був результат? Загальний портфель зазнав збитків приблизно третини. З 32 торгівельних результатів лише 6 були прибутковими. Засновник Nof1 Джей Азьорґ прямо сказав: «Зараз довіряти великим моделям самостійно торгувати — шлях безперспективний.»

Дані виявили кілька недоліків AI у торгівельних сценаріях. Наприклад, при однакових підказках, Qwen від Alibaba здійснив 1 418 угод за один раунд, тоді як найкращий Grok — лише 158. Найкращий результат Grok показав у тому раунді, коли він міг спостерігати за поведінкою конкурентів.

Блог Flat Circle, що слідкує за 11 ринкових змагань, показав, що у кожному з них принаймні один модельний учасник отримав прибуток, але лише у двох серед них середня модель була з позитивним доходом — більшість моделей не змогли обіграти ринок.

Різниця у рішеннях між моделями ще більш ускладнює ситуацію. Азьорґ розповів, що у новому раунді тестування Alpha Arena Claude схиляється до довгих позицій, Gemini не має заперечень проти коротких, а Qwen любить грати на високому кредитному плечі.

Керівник фонду, що управляє LLM-двигуном Intelligent Alpha, Даг Клітон, зазначив: «У них кожен — як особистість, керувати ними майже так само складно, як і людину-аналітика.» Але, повідомив він, якщо повідомити моделям про їхні певні упередження, результати можна покращити.

Азьорґ підкреслив, що великі моделі мають переваги у дослідженні та виклику інструментів, але у виконанні торгівельних операцій вони явно слабкі. Вони не розуміють, як важливі такі змінні, як рейтинги аналітиків, внутрішньоринкові торги або емоційні коливання, тому часто купують на піку і продають на дні, а також погано керують позиціями.

Базові тести Intelligent Alpha дають досить позитивний приклад. Вони надають 10 моделям доступ до фінансових документів, прогнозів аналітиків, записів конференцій з фінансовими звітами, макроекономічних даних і пошукових систем — і лише визначають напрямок прибутковості. У четвертому кварталі 2025 року точність прогнозів ChatGPT досягла 68%, що є найкращим результатом. Клітон зазначив, що з кожним новим релізом модель показує загальне покращення.

Оцінка здатності AI до торгівлі стикається з фундаментальним методологічним бар’єром: традиційні квантові стратегії базуються на історичних тестах, але для великих моделей вони майже безглузді — модель, запитана у 2026 році, якби її спитали, як торгувати у березні 2020-го, вже давно «знає» хід тієї історії. Такий «передбачуваний зсув» змушує дослідників оцінювати їх через реальні торги, і тому з’являється безліч змагань.

Автор блогу Flat Circle, колишній співзасновник альтернативної компанії YipitData Джим Морен вважає, що більшість відкритих експериментів наразі занадто короткі і занадто шумні, щоб робити остаточні висновки. Також ці змагання мають природні недоліки, наприклад, вони не мають доступу до приватних досліджень акцій і мають низьку якість виконання. Він сказав: «Якщо б прямо перенести одного з цих AI-агентів у топовий хедж-фонд, його результати були б кращими.»

Колишній керівник відділу даних Coatue Management і тепер співробітник NX1 Capital, Александр Ізидорчик, нещодавно написав, що серед його слідкуваних AI-торгових роботів жоден не демонструє стабільного надприбутку. Він вважає, що обмеження цих змагань у тому, що у тренувальних даних відсутні секретні кількісні технології, які використовують професійні торгові організації.

Однак він залишив цікаву думку: «Початківці іноді бачать те, що досвідчені не помічають.» У своєму блозі він написав: «Коли агентські стратегії великих моделей почнуть справді працювати, ви не почуєте про це одразу.»

Nof1 готує другий сезон Alpha Arena, планує додати пошук у мережі, довше обдумування, більше джерел даних і багатоступеневе виконання. Але основна бізнес-модель компанії — це надання роздрібним інвесторам системних інструментів для створення AI-торгових агентів, а не безпосередньо запуск AI на торгових майданчиках.

Саме цей підхід, можливо, і є найреалістичнішим поясненням нинішніх можливостей AI у торгівлі.

Слідкуйте за мною: отримуйте більше аналізу та інсайтів крипторинку у реальному часі! $BTC $ETH $SOL

#Gate广场五月交易分享 #BTC відкат #CLARITY законопроект просувається з перешкодами