Sześciu głównych „traderów” AI w dziesięciodniowym starciu: kto przetrwa na rynku bez „przewagi informacyjnej”?

Original Article Title: "Sześciu głównych AI 'Traderów' w dziesięciodniowym pojedynku: publiczna lekcja o trendach, dyscyplinie i chciwości"

Original Article Author: Frank, PANews

W mniej niż dziesięć dni środki zostały podwojone.

Kiedy DeepSeek i Qwen3 osiągnęły ten wynik w ramach handlu na żywo AlphaZero AI uruchomionego przez Nof1, ich efektywność zysków znacznie przewyższyła większość ludzkich traderów. Zmusza nas to do zmierzenia się z pytaniem: AI przechodzi z roli „narzędzia badawczego” do „tradera na pierwszej linii”. Jak myślą? PANews przeprowadziło kompleksowy przegląd niemal 10-dniowego handlu sześciu głównych modeli AI w tych zawodach, próbując odkryć tajemnice podejmowania decyzji przez traderów AI.

Czysto techniczny pojedynek bez „asymetrii informacji”

Przed analizą musimy wyjaśnić jedno założenie: decyzje AI w tych zawodach są „offline”. Wszystkie modele pasywnie otrzymują dokładnie te same dane techniczne (w tym aktualną cenę, średnie kroczące, MACD, RSI, open interest, funding rates oraz sekwencje danych 4-godzinnych i 3-minutowych itd.) i nie mogą aktywnie uzyskiwać informacji fundamentalnych online.

Eliminuje to wpływ „asymetrii informacji” i sprawia, że te zawody są ostatecznym testem, czy „czysta analiza techniczna może być zyskowna”.

Konkretne treści, do których AI ma dostęp, obejmują:

1. Aktualny stan rynku aktywa: w tym bieżące informacje o cenie, 20-dniową średnią kroczącą, dane MACD, dane RSI, open interest, funding rates oraz sekwencje intraday powyższych danych (co 3 minuty) i długoterminowe sekwencje trendów (co 4 godziny) itd.

2. Informacje o koncie i wydajność: w tym ogólną wydajność konta, zwroty, dostępne środki, Sharpe ratio, bieżącą wydajność pozycji, aktualne poziomy take-profit i stop-loss oraz warunki unieważnienia.

DeepSeek: Stabilny mistrz trendów i wartość „analizy”

Na dzień 27 października konto DeepSeek osiągnęło poziom 23 063 USD, z maksymalnym niezrealizowanym zyskiem około 130%. Bez wątpienia jest to najlepiej radzący sobie model, a analiza zachowań handlowych pokazuje, że taki wynik nie jest przypadkowy.

Przede wszystkim, jeśli chodzi o częstotliwość handlu, DeepSeek prezentuje niską częstotliwość typową dla traderów trendowych. W ciągu 9 dni wykonał łącznie 17 transakcji, najmniej spośród wszystkich modeli. Z tych 17 transakcji, DeepSeek otwierał pozycje long 16 razy i short raz, idealnie wpisując się w ogólny trend odbicia rynku w tym okresie.

Oczywiście ten wybór kierunku nie był przypadkowy. DeepSeek przeprowadził kompleksową analizę przy użyciu wskaźników takich jak RSI i MACD, konsekwentnie uznając, że rynek znajduje się w trendzie wzrostowym, dlatego zdecydowanie wybierał pozycje long.

W konkretnym procesie handlowym pierwsze kilka zleceń DeepSeek nie przebiegło pomyślnie. Pierwsze 5 zleceń zakończyło się niepowodzeniem, ale każda strata była niewielka, a największa nie przekroczyła 3,5%. Ponadto czas trzymania pozycji w początkowych zleceniach był stosunkowo krótki, najkrótsze zamknięto już po 8 minutach. W miarę jak rynek rozwijał się w przewidywanym kierunku, pozycje DeepSeek zaczęły wykazywać trwałość.

Patrząc na styl zarządzania pozycją przez DeepSeek, po wejściu na rynek ustawia on stosunkowo duży zakres take-profit i mały zakres stop-loss. Na przykład pozycje z 27 października miały średni zakres take-profit 11,39%, średni zakres stop-loss -3,52%, a stosunek zysku do straty ustawiony był na około 3,55. Z tej perspektywy strategia DeepSeek opiera się na idei małych strat i dużych zysków.

Wyniki potwierdzają tę strategię. Według analizy podsumowującej PANews, wśród zamkniętych transakcji DeepSeek średni stosunek zysku do straty wyniósł 6,71, najwyżej spośród wszystkich modeli. Choć skuteczność (win rate) na poziomie 41% nie jest najwyższa (drugie miejsce), to i tak plasuje się na pierwszym miejscu z oczekiwanym zyskiem 2,76. To główny powód, dla którego DeepSeek osiągnął najwyższy zysk.

Dodatkowo, jeśli chodzi o czas trzymania pozycji, średni czas DeepSeek to 2952 minuty (około 49 godzin), również najwięcej spośród wszystkich modeli. Spośród nielicznych modeli, można go naprawdę nazwać traderem trendowym, co odpowiada podstawowej zasadzie zyskowności w tradingu finansowym, czyli „pozwól zyskom rosnąć”.

Jeśli chodzi o zarządzanie pozycją, DeepSeek jest stosunkowo agresywny. Średni lewar pojedynczej pozycji wynosi 2,23, a często trzyma kilka pozycji jednocześnie, co prowadzi do wyższego ogólnego poziomu lewarowania. Na przykład 27 października całkowity lewar przekroczył 3x. Jednak dzięki ścisłym warunkom stop-loss ryzyko pozostaje pod kontrolą.

Ogólnie rzecz biorąc, powód, dla którego trading DeepSeek wypada tak dobrze, to efekt kompleksowej strategii. Przy wyborze wejścia korzysta tylko z najbardziej podstawowych wskaźników MACD i RSI, nie używa żadnych specjalnych wskaźników. Po prostu ściśle przestrzega rozsądnego stosunku ryzyka do zysku i podejmuje decyzje o trzymaniu pozycji bez wpływu emocji.

Dodatkowo, PANews zauważyło jeszcze jeden szczegół. W procesie łańcucha myśli DeepSeek kontynuuje swoją wcześniejszą cechę długiego i szczegółowego procesu myślowego, podsumowując wszystkie etapy rozumowania w końcowej decyzji handlowej. Ta cecha, gdyby odnieść ją do ludzkich traderów, przypomina tych, którzy skupiają się na analizie post factum, a taka analiza jest przeprowadzana co trzy minuty.

Nawet gdy ta zdolność analizy post factum zostaje zastosowana w modelu AI, odgrywa ona rolę. Zapewnia, że każdy szczegół każdego tokena i sygnału rynkowego jest analizowany wielokrotnie i nic nie zostaje pominięte. Być może to kolejny aspekt, z którego ludzcy traderzy mogą czerpać naukę.

Qwen3: Agresywny „hazardzista” z dużymi pozycjami

Na dzień 27 października Qwen3 jest drugim najlepiej radzącym sobie dużym modelem. Najwyższa wartość konta osiągnęła 20 000 USD, a zyskowność 100%, ustępując jedynie DeepSeek. Ogólne cechy Qwen3 to wysoki lewar i wysoka skuteczność. Ogólny win rate wyniósł 43,4%, najwięcej spośród wszystkich modeli. Jednocześnie wielkość pojedynczej pozycji sięgnęła 56 100 USD (lewar 5,6x), również najwięcej spośród wszystkich modeli. Choć pod względem oczekiwanego zysku nie dorównuje DeepSeek, agresywny styl handlu pozwolił mu dotrzymywać kroku DeepSeek do tej pory.

Styl handlu Qwen3 jest stosunkowo agresywny. Średni stop loss wynosi 491 USD, najwięcej spośród wszystkich modeli. Maksymalna strata na pojedynczej transakcji sięgnęła 2 232 USD, również najwięcej. Oznacza to, że Qwen3 może tolerować większe straty, czyli tzw. „przetrzymywanie pozycji przez obsunięcia”. Jednak w porównaniu do DeepSeek, mimo że znosi większe straty, nie osiąga wyższych zysków. Średni zysk Qwen3 to 1 547 USD, mniej niż DeepSeek. To sprawia, że końcowy stosunek zysku do oczekiwań wynosi tylko 1,36, połowę tego, co DeepSeek.

Kolejną cechą Qwen3 jest preferowanie trzymania jednej pozycji naraz i dokładania do tej pozycji. Używany lewar często sięga 25x (najwyższy dozwolony w zawodach). Taki styl handlu mocno opiera się na wysokiej skuteczności, bo każda strata powoduje znaczne obsunięcie.

W procesie podejmowania decyzji Qwen3 wydaje się zwracać szczególną uwagę na 4-godzinną średnią kroczącą EMA 20 i używa jej jako sygnału wejścia i wyjścia. Rozważając swoją strategię, Qwen3 również wydaje się ją upraszczać. Jeśli chodzi o trzymanie pozycji, Qwen3 wykazuje także niecierpliwość, ze średnim czasem trzymania 10,5 godziny, tuż przed Gemini.

Ogólnie rzecz biorąc, choć obecna zyskowność Qwen3 wygląda obiecująco, w jego podejściu handlowym tkwią poważne ryzyka. Wysoki lewar, styl all-in, poleganie na jednym wskaźniku, krótki czas trzymania i niski stosunek ryzyka do zysku mogą stanowić wyzwanie dla przyszłych transakcji Qwen3. Na dzień 28 października środki Qwen3 doświadczyły maksymalnego obsunięcia do 16 600 USD, co stanowi 26,8% od szczytu.

Claude: Wytrwały egzekutor pozycji long

Chociaż Claude również ogólnie jest na plusie, na dzień 27 października saldo konta wyniosło około 12 500 USD, co daje zysk około 25%. Choć same te dane wyglądają imponująco, w porównaniu do DeepSeek i Qwen3 wypadają nieco słabiej.

W rzeczywistości, zarówno pod względem częstotliwości handlu, wielkości pozycji, jak i skuteczności, wyniki Claude są bardzo zbliżone do DeepSeek. Łącznie 21 transakcji, skuteczność 38%, średni lewar 2,32.

Znacząca różnica może tkwić w niższym stosunku ryzyka do zysku. Choć Claude osiąga przyzwoity stosunek 2,1, to ponad trzykrotnie mniej niż DeepSeek. Dlatego na podstawie tych danych oczekiwany zysk wynosi tylko 0,8 (poniżej 1 oznacza stratę w długim terminie).

Co więcej, Claude ma wyraźną cechę trzymania się jednego kierunku przez pewien czas. Na dzień 27 października wszystkie 21 zakończonych transakcji Claude to pozycje long.

Grok: Zagubiony w wirze błędnych ocen kierunku

Grok miał mocny start, w pewnym momencie stając się najbardziej zyskownym modelem z zyskiem ponad 50%. Jednak z czasem Grok doświadczył znacznych obsunięć. Na dzień 27 października środki spadły do około 10 000 USD. Czwarte miejsce wśród wszystkich modeli, ogólny zwrot zbliżony do trzymania BTC spot.

Pod względem nawyków handlowych Grok również należy do obozu niskiej częstotliwości i HODLerów. Grok wykonał tylko 20 transakcji, średni czas trzymania to 30,47 godziny, drugi po DeepSeek. Jednak największym problemem Grok jest niska skuteczność – tylko 20%, przy stosunku ryzyka do zysku 1,85. To sprawia, że oczekiwany zysk wynosi tylko 0,3. Patrząc na kierunek transakcji, z 20 pozycji Grok, 10 było long, 10 short. Jednak w obecnej fazie rynku nadmierne shortowanie znacząco obniża skuteczność. Z tej perspektywy model Grok nadal ma problemy z oceną trendu rynkowego.

Gemini: Wysokoczęstotliwościowy „drobny trader”, wykańczany przez wahania rynku

Gemini to model o najwyższej częstotliwości handlu – do 27 października wykonał łącznie 165 transakcji. Zbyt częsta aktywność handlowa doprowadziła do bardzo słabych wyników Gemini, z najniższym saldem konta na poziomie około 3 800 USD i stratą 62%. Same opłaty transakcyjne wyniosły 1 095,78 USD.

Za wysoką częstotliwością handlu kryje się bardzo niska skuteczność (25%) i stosunek ryzyka do zysku tylko 1,18, a oczekiwany zysk to zaledwie 0,3. Przy takich danych Gemini jest skazany na straty. Być może z powodu braku pewności w decyzjach, Gemini utrzymuje bardzo małą wielkość pozycji, z lewarem tylko 0,77 na transakcję i średnim czasem trzymania 7,5 godziny.

Średni stop loss to tylko 81 USD, a średni take profit 96 USD. Wyniki Gemini przypominają typowego drobnego tradera – szybkie realizowanie zysków, szybkie wychodzenie ze strat. Wielokrotnie wchodzi na rynek podczas wahań, stopniowo wyczerpując kapitał konta.

GPT5: „Podwójne zabójstwo” niskiej skuteczności i niskiego stosunku ryzyka do zysku

GPT5 to obecnie najgorzej radzący sobie model, a jego ogólne wyniki i wykres są bardzo podobne do Gemini, z poziomem strat powyżej 60%. W porównaniu do Gemini, GPT5 nie handluje aż tak często, wykonał 63 transakcje. Stosunek ryzyka do zysku to tylko 0,96, co oznacza średni zysk 0,96 USD na transakcję przy odpowiadającym stop lossie 1 USD. Jednocześnie skuteczność GPT5 to zaledwie 20%, tyle co Grok.

Pod względem wielkości pozycji GPT5 jest bardzo podobny do Gemini, ze średnim lewarem około 0,76, co wskazuje na bardzo ostrożne podejście.

Przypadki GPT5 i Gemini pokazują, że niższe ryzyko pozycji niekoniecznie sprzyja zyskowności konta. Ponadto przy wysokiej częstotliwości handlu zarówno skuteczność, jak i stosunek ryzyka do zysku są z natury niewiarygodne. Dodatkowo ceny wejścia na pozycje long tych dwóch modeli są znacznie wyższe niż w modelach zyskownych, takich jak DeepSeek, co wskazuje, że ich sygnały wejścia są opóźnione.

Podsumowanie obserwacji: Dwa typy „ludzkiego” handlu widziane przez AI

Ogólnie rzecz biorąc, analiza zachowań handlowych AI daje nam ponowną okazję do przyjrzenia się strategiom tradingowym. W szczególności analiza dwóch skrajnych wyników – wysokozyskownych graczy DeepSeek i wysokostratnych modeli Gemini oraz GPT5 – jest najbardziej pouczająca.

1. Zachowania modeli wysokozyskownych charakteryzują się: niską częstotliwością, długim czasem trzymania, dużym stosunkiem ryzyka do zysku i odpowiednim timingiem wejścia.

2. Zachowania modeli stratnych charakteryzują się: wysoką częstotliwością, krótkoterminowym handlem, niskim stosunkiem ryzyka do zysku i opóźnionym timingiem wejścia.

3. Wysokość zysku nie jest bezpośrednio związana z ilością informacji rynkowej. W tych zawodach wszystkie modele AI mają dostęp do tych samych informacji, które są bardziej ograniczone niż u ludzkich traderów. Mimo to mogą osiągać poziomy zyskowności znacznie przewyższające większość traderów.

4. Długość procesu myślowego wydaje się kluczowa dla rzetelności handlu. Proces decyzyjny DeepSeek jest najdłuższy spośród wszystkich modeli, przypominając zasady tradingu ludzkich traderów, którzy są dobrzy w analizie i dokładnym rozważaniu każdej decyzji. Z kolei proces myślowy słabo radzących sobie modeli jest bardzo krótki, bardziej przypominający impulsywne decyzje ludzi.

5. Wraz z zyskownością modeli takich jak DeepSeek i Qwen3, wielu zastanawia się, czy można po prostu kopiować te modele AI. Jednak takie podejście wydaje się nierozsądne – mimo że obecna zyskowność poszczególnych AI jest niezła, szczęście wydaje się odgrywać rolę, bo akurat trafiły w trend rynkowy w tym okresie. Gdy rynek wejdzie w nową fazę, nie wiadomo, czy ta przewaga się utrzyma. Niemniej jednak, warto uczyć się od AI pod względem egzekucji transakcji.

Na koniec, kto odniesie ostateczne zwycięstwo? PANews przesłało te dane wydajności do kilku modeli AI i wszystkie jednogłośnie wybrały DeepSeek, argumentując, że jego oczekiwany zysk najlepiej odpowiada logice matematycznej, a nawyki handlowe są najbardziej korzystne.

Co ciekawe, jako drugi najbardziej faworyzowany model, niemal wszystkie AI wybrały... siebie.