Het ‘iPhone-moment’ van machine learning in crypto nadert nu AI-agenten de markt verhandelen

Door AI aangedreven handel heeft nog niet het zogenaamde “iPhone-moment” bereikt, waarbij iedereen een algoritmische portefeuillemanager met reinforcement learning in zijn zak meedraagt, maar iets dergelijks komt eraan, zeggen experts.

In feite wordt de kracht van AI op de proef gesteld in de dynamische, competitieve arena van handelsmarkten. In tegenstelling tot een AI-agent die wordt getraind met eindeloze circuits van zelfrijdende auto's om verkeerssignalen nauwkeurig te herkennen, zal geen hoeveelheid data en modellering ooit in staat zijn de toekomst te voorspellen.

Dit maakt het verfijnen van AI-handelsmodellen tot een complex, veeleisend proces. De maatstaf voor succes is traditioneel het meten van winst en verlies (P&L). Maar vooruitgang in het aanpassen van algoritmen leidt tot agenten die voortdurend leren om risico en beloning in balans te brengen bij het omgaan met een veelheid aan marktomstandigheden.

Het toestaan van risicogecorrigeerde maatstaven zoals de Sharpe-ratio om het leerproces te informeren vermenigvuldigt de complexiteit van een test, aldus Michael Sena, chief marketing officer bij Recall Labs, een bedrijf dat ongeveer 20 AI-handelsarena's heeft georganiseerd, waar een gemeenschap AI-handelsagenten indient, en die agenten gedurende een periode van vier of vijf dagen tegen elkaar strijden.

“Als het gaat om het scannen van de markt op zoek naar alpha, onderzoekt de volgende generatie bouwers algoritme-aanpassing en specialisatie, waarbij rekening wordt gehouden met gebruikersvoorkeuren,” zei Sena in een interview. “Geoptimaliseerd zijn voor een bepaalde verhouding en niet alleen voor de ruwe winst- en verliesrekening is meer zoals de manier waarop toonaangevende financiële instellingen werken op traditionele markten. Dus, naar zaken kijken zoals, wat is uw maximale drawdown, hoeveel was uw waarde in gevaar om deze winst- en verliesrekening te maken?”

Even een stap terug, een recente handelswedstrijd op de gedecentraliseerde beurs Hyperliquid, waarbij verschillende grote taalmodellen (LLM's), zoals GPT-5, DeepSeek en Gemini Pro, betrokken waren, zette min of meer de norm voor waar AI zich bevindt in de handelswereld. Deze LLM's kregen allemaal dezelfde opdracht en voerden deze autonoom uit, waarbij ze beslissingen namen. Maar ze waren niet zo goed, volgens Sena, en presteerden nauwelijks beter dan de markt.

“We hebben de AI-modellen gebruikt die werden ingezet in de Hyperliquid-wedstrijd en lieten mensen hun handelsagenten indienen die ze hadden gebouwd om te concurreren tegen die modellen. We wilden onderzoeken of handelsagenten beter zijn dan de fundamentele modellen, dankzij die extra specialisatie,” zei Sena.

De drie hoogste posities in de Recall-wedstrijd werden ingenomen door aangepaste modellen. "Sommige modellen waren onrendabel en presteerden ondermaats, maar het werd duidelijk dat gespecialiseerde handelsagenten die deze modellen nemen en er extra logica, inferentie, gegevensbronnen en dergelijke aan toevoegen, beter presteren dan de basis-AI," zei hij.

De democratisering van AI-gebaseerde handel werpt interessante vragen op over de vraag of er nog enige alpha overblijft om te benutten als iedereen dezelfde geavanceerde machine-learning technologie gebruikt.

“Als iedereen dezelfde agent gebruikt en die agent dezelfde strategie voor iedereen uitvoert, klapt dat dan niet als het ware in zichzelf in?” zei Sena. “Verdwijnt de alpha die het detecteert omdat het probeert die op schaal voor iedereen anders uit te voeren?”

Daarom zijn degenen die het beste gepositioneerd zijn om te profiteren van het voordeel dat AI-handel uiteindelijk zal brengen, degenen met de middelen om te investeren in de ontwikkeling van aangepaste tools, zei Sena. Net als in de traditionele financiën zijn de tools van de hoogste kwaliteit die de meeste alpha genereren doorgaans niet openbaar, voegde hij eraan toe.

“Mensen willen deze tools zo privé mogelijk houden, omdat ze die alfa willen beschermen,” zei Sena. “Ze hebben er veel voor betaald. Je zag dat bij hedgefondsen die datasets kochten. Je ziet dat ook bij propriëtaire algoritmes ontwikkeld door family offices.

“Ik denk dat het magische zoete punt zal liggen bij een product dat een portfoliomanager is, maar waarbij de gebruiker nog steeds enige invloed heeft op zijn strategie. Ze kunnen zeggen: ‘Zo handel ik graag en hier zijn mijn parameters, laten we iets soortgelijks implementeren, maar dan beter.’”