Papalapit na ang Machine Learning Moment ng Crypto na ‘iPhone Moment’ habang nakikipagkalakalan ang mga AI Agent sa merkado

Ang AI-powered trading ay T pa umaabot sa isang "iPhone moment," kung kailan lahat ay may dalang algorithmic, reinforcement learning portfolio manager sa kanilang bulsa, ngunit may darating na ganoon, ayon sa mga eksperto.

Sa katunayan, ang kapangyarihan ng AI ay nakakatugon sa kanyang katapat kapag nahaharap sa pabago-bago at magulong larangan ng mga Markets ng kalakalan. Hindi tulad ng isang ahente ng AI na binibigyang-kaalaman ng walang katapusang mga circuit ng mga self-driving na sasakyan na natututong tumpak na makilala ang mga signal ng trapiko, walang dami ng data at pagmomodelo ang makakapagsabi ng hinaharap.

Dahil dito, ang pagpino ng mga modelo ng pangangalakal ng AI ay isang kumplikado at mahirap na proseso. Ang sukatan ng tagumpay ay karaniwang pagsukat ng tubo at pagkalugi (profit and loss o P&L). Ngunit ang mga pagsulong sa kung paano i-customize ang mga algorithm ay lumilikha ng mga ahente na patuloy na Learn balansehin ang panganib at gantimpala kapag nahaharap sa maraming kondisyon ng merkado.

Pagpapahintulot sa mga sukatan na nababagay sa panganib tulad ngSharpe RatioAng pagbibigay-impormasyon sa proseso ng pagkatuto ay nagpaparami sa pagiging sopistikado ng isang pagsusulit, sabi ni Michael Sena, punong opisyal ng marketing saMga Recall Lab, isang kompanya na nagpapatakbo ng humigit-kumulang 20 AI trading arenas, kung saan ang isang komunidad ay nagsusumite ng mga AI trading agent, at ang mga ahente na iyon ay nakikipagkumpitensya sa loob ng apat o limang araw.

“Pagdating sa pag-scan sa merkado para sa alpha, ang susunod na henerasyon ng mga tagapagtayo ay nagsasaliksik ng mga ALGO customization at espesyalisasyon, isinasaalang-alang ang mga kagustuhan ng gumagamit,” sabi ni Sena sa isang panayam. “Ang pagiging na-optimize para sa isang partikular na ratio at hindi lamang ang raw P&L ay mas katulad ng paraan ng paggana ng mga nangungunang institusyong pinansyal sa mga tradisyunal Markets. Kaya, kung titingnan ang mga bagay tulad ng, ano ang iyong max drawdown, gaano kalaki ang iyong value na nasa panganib upang makuha ang P&L na ito?”

Umaatras nang isang hakbang,isang kamakailang kompetisyon sa pangangalakal sa desentralisadong palitan na Hyperliquid, na kinasasangkutan ng ilang malalaking modelo ng wika (LLM), tulad ng GPT-5, DeepSeek at Gemini Pro, ay nagtakda ng baseline kung nasaan ang AI sa mundo ng kalakalan. Ang mga LLM na ito ay binigyan ng parehong prompt at isinagawa nang awtomatiko, na gumagawa ng mga desisyon. Ngunit T sila ganoon kahusay, ayon kay Sena, halos hindi nalampasan ang merkado.

"Kinuha namin ang mga modelo ng AI na ginamit sa paligsahan ng Hyperliquid at hinayaan namin ang mga tao na magsumite ng kanilang mga ahente sa pangangalakal na kanilang ginawa upang makipagkumpitensya sa mga modelong iyon. Gusto naming makita kung ang mga ahente sa pangangalakal ay mas mahusay kaysa sa mga pangunahing modelo, kasama ang karagdagang espesyalisasyon," sabi ni Sena.

Ang nangungunang tatlong puwesto sa kompetisyon ng Recall ay nakuha ng mga customized na modelo. "Ang ilang modelo ay hindi kumikita at hindi mahusay ang performance, ngunit naging malinaw na ang mga espesyalisadong trading agent na kumukuha ng mga modelong ito at naglalapat ng karagdagang lohika at hinuha at mga pinagmumulan ng datos at mga bagay na nasa itaas, ay mas mahusay kaysa sa base AI," aniya.

Ang demokratisasyon ng kalakalan na nakabatay sa AInagbubunga ng mga kawili-wiling tanongtungkol sa kung mayroon pang natitirang alpha na dapat sakupin kung lahat ay gumagamit ng parehong antas ng sopistikadong teknolohiya sa machine-learning.

“Kung lahat ay gumagamit ng iisang ahente at ang ahente na iyon ay nagsasagawa ng parehong estratehiya para sa lahat, ang ganoong uri ba ay pagbagsak sa sarili nito?” tanong ni Sena. “Nawawala ba ang alpha na nade-detect nito dahil sinusubukan nitong isagawa ito nang malawakan para sa lahat?”

Kaya naman ang mga pinakamahuhusay na makikinabang sa bentahe na idudulot ng AI trading sa kalaunan ay iyong mga may mapagkukunang-yaman upang mamuhunan sa pagbuo ng mga pasadyang tool, ani Sena. Tulad ng sa tradisyunal Finance, ang mga tool na may pinakamataas na kalidad na bumubuo ng pinakamaraming alpha ay karaniwang hindi pampubliko, dagdag niya.

“Gusto ng mga tao na KEEP pribado hangga't maaari ang mga tool na ito, dahil gusto nilang protektahan ang alpha na iyon,” sabi ni Sena. “Malaki ang binayaran nila para dito. Nakita mo iyan sa mga hedge fund na bumibili ng mga data set. Makikita mo iyan sa mga proprietary algorithm na binuo ng mga family office.”

"Sa tingin ko ang mahiwagang sweet spot ay kung saan mayroong isang produkto na isang portfolio manager ngunit ang gumagamit ay mayroon pa ring kaunting kapangyarihan sa kanilang diskarte. Maaari nilang sabihin, 'Ganito ako mahilig mag-trade at narito ang aking mga parameter, ipatupad natin ang isang bagay na katulad nito, ngunit pagbutihin pa natin ito.'"