Поділитися цією статтею
Момент «iPhone» машинного навчання у криптосфері наближається, оскільки AI-агенти торгують на ринку
Recall Labs, компанія, яка провела близько 20 арени для торгівлі на основі штучного інтелекту, зіставила базові великі мовні моделі (LLM) із налаштованими торговими агентами.
13 груд. 2025 р., 1:00 пп Перекладено AI
Що варто знати:
- Спеціально налаштовані інструменти для торгівлі на основі штучного інтелекту перевершили LLM, такі як GPT-5, DeepSeek та Gemini Pro.
- Замість того, щоб просто використовувати прибуток і збиток для оцінки успіху, агенти штучного інтелекту балансуюють ризики та винагороди у складних ринкових умовах.
- Як і в TradFi, хедж-фонди та сімейні офіси з ресурсами для інвестування у розробку індивідуальних торгових інструментів на базі штучного інтелекту будуть першими, хто отримає вигоду.
Торгівля на основі штучного інтелекту ще не досягла «моменту iPhone», коли кожен носить у кишені алгоритмічного менеджера портфеля з підкріплювальним навчанням, проте, за словами експертів, щось подібне наближається.
Насправді, потужність штучного інтелекту знаходить свого опонента у динамічній, протиставній арені торгівельних ринків. На відміну від агента ШІ, який навчений на безкінечних циклах автономних автомобілів, що точно розпізнають дорожні знаки, жодна кількість даних та моделей ніколи не зможе передбачити майбутнє.
Продовження Нижче
Не пропустіть жодної історії.Підпишіться на розсилку Crypto Daybook Americas вже сьогодні. Переглянути всі розсилки
Це робить удосконалення моделей торгівлі на основі штучного інтелекту складним і вимогливим процесом. Мірою успіху зазвичай був показник прибутку та збитку (P&L). Проте вдосконалення у налаштуванні алгоритмів сприяють створенню агентів, які постійно навчаються балансувати між ризиком і винагородою в умовах різноманітних ринкових ситуацій.
Дозволяючи використовувати метрики з коригуванням на ризик, такі як Коефіцієнт Шарпа для інформування навчального процесу примножує складність тесту, заявив Майкл Сена, директор з маркетингу в Recall Labs, компанія, яка провела близько 20 AI торгових арен, де спільнота подає AI торгових агентів, і ці агенти змагаються протягом чотирьох або п'яти днів.
“Коли йдеться про сканування ринку в пошуках альфи, наступне покоління розробників досліджує налаштування та спеціалізацію алгоритмів, враховуючи вподобання користувачів,” — сказав Сена в інтерв’ю. “Оптимізація під певне співвідношення, а не лише під сукупний прибуток і збиток, більше схожа на підхід провідних фінансових установ на традиційних ринках. Тож важливо звертати увагу на такі показники, як максимальне падіння капіталу, скільки було вартісних ризиків для отримання цього прибутку чи збитку?”
Зробивши крок назад, недавнє торговельне змагання на децентралізованій біржі Hyperliquid, що охоплює кілька великих мовних моделей (LLM), таких як GPT-5, DeepSeek і Gemini Pro, певною мірою встановлює базовий рівень розвитку штучного інтелекту у світі торгівлі. Усі ці LLM отримали однаковий запит і виконували завдання автономно, приймаючи рішення. Проте, за словами Сени, вони не були дуже ефективними, ледве перевищуючи показники ринку.
«Ми використали моделі штучного інтелекту, що застосовувалися в конкурсі Hyperliquid, і дозволили учасникам подавати свої торгові агенти, яких вони створили, щоб змагатися з цими моделями. Ми хотіли з’ясувати, чи торгові агенти є кращими за фундаментальні моделі завдяки доданій спеціалізації», — зазначив Сена.
Три перші місця у конкурсі Recall зайняли моделі, що були адаптовані під індивідуальні потреби. «Деякі моделі були неприбутковими та показували низьку ефективність, але стало очевидно, що спеціалізовані торгові агенті, які беруть ці моделі та застосовують додаткову логіку, висновки, джерела даних та інші елементи, перевершують базовий ШІ», — зазначив він.
Демократизація торгівлі на основі штучного інтелекту піднімає цікаві питання щодо того, чи залишиться взагалі якийсь альфа-прибуток для покриття, якщо всі використовуватимуть однаковий рівень складних технологій машинного навчання.
«Якщо всі використовують одного й того самого агента, і цей агент реалізує одну й ту саму стратегію для всіх, чи не призводить це до самоусунення?» — сказав Сена. «Чи зникає альфа, яку він виявляє, тому що намагається виконати її у масштабі для всіх інших?»
Ось чому найбільш вигідне положення для тих, хто бажає скористатися перевагами, які зрештою принесе штучний інтелект у торгівлі, мають ті, хто має ресурси для інвестування у розробку спеціалізованих інструментів, — зазначив Сена. Як і у традиційних фінансах, найякісніші інструменти, що генерують найбільшу альфу, зазвичай не є публічними, додав він.
«Люди прагнуть зберігати ці інструменти якомога приватнішими, оскільки хочуть захистити цей альфа-ефект», — зазначив Сена. «Вони багато за це заплатили. Це видно на прикладі хедж-фондів, які купують набори даних. Це також помітно на прикладі власних алгоритмів, розроблених сімейними офісами.»
«Я вважаю, що ідеальна «золота середина» — це продукт, який є менеджером портфеля, але користувач при цьому зберігає вплив на свою стратегію. Вони можуть сказати: «Ось як я люблю торгувати і ось мої параметри, давайте реалізуємо щось подібне, але зробимо це краще.»»
Більше для вас
L1 tokens broadly underperformed in 2025 despite a backdrop of regulatory and institutional wins. Explore the key trends defining ten major blockchains below.
Що варто знати:
2025 was defined by a stark divergence: structural progress collided with stagnant price action. Institutional milestones were reached and TVL increased across most major ecosystems, yet the majority of large-cap Layer-1 tokens finished the year with negative or flat returns.
This report analyzes the structural decoupling between network usage and token performance. We examine 10 major blockchain ecosystems, exploring protocol versus application revenues, key ecosystem narratives, mechanics driving institutional adoption, and the trends to watch as we head into 2026.
More For You
Coinbase погодилася придбати The Clearing Company для посилення впровадження ринків прогнозів
Угода залучає команду з спеціалізованим досвідом у створенні торгових систем на основі подій, включаючи ветеранів із Polymarket та Kalshi.
What to know:
- Coinbase придбаває The Clearing Company, стартап із досвідом у сферах ринків прогнозування, щоб сприяти розвитку своєї нещодавно введеної платформи.
- Угода залучає команду з спеціалізованим досвідом у створенні торгових систем, орієнтованих на події, включно з ветеранами з Polymarket та Kalshi.
- Придбання є частиною плану Coinbase стати «біржею для всього», пропонуючи широкий спектр торгових опцій, включаючи нові криптовалюти, безстрокові ф’ючерсні контракти, акції та ринки прогнозів.
Головне
