Торговые ИИ не показали перевеса: почти половина сделок после роста закрылась в минус

Кратко

За шесть месяцев авторы наблюдали за двумя действующими криптоторговыми системами: торговые программы сильнее зависели от настроек платформы и её интерфейса, чем от текста заданной стратегии. В 43,2% сделок цена сначала двигалась минимум на 300 базисных пунктов в выгодную сторону, но почти половина таких сделок завершалась убытком; явного преимущества на рынке системы не показали.

Зачем это знать

Для оценки торговых ИИ недостаточно смотреть только на текст их стратегий: важную роль могут играть настройки и устройство платформы. Но это непрорецензированный препринт, основанный лишь на двух криптоторговых системах, поэтому вывод нельзя автоматически переносить на другие рынки или модели.

Разбор

Авторы не запускали ИИ в лабораторной симуляции, а собрали журналы работы реальных торговых программ. В одну часть наблюдений вошли 3 505 пользовательских хранилищ, которые торговали настоящим ETH на рынке мемкоинов Base, в другую — флот из 500–599 агентов, работавших с бессрочными фьючерсами на Hyperliquid. Затем исследователи сопоставили решения программ с настройками платформы, поведением интерфейса и рыночной волатильностью — то есть проверяли не только «ум» модели, но и среду, в которой она действует.

Так удалось увидеть детали, которые теряются в обычном отчёте о доходности. Ползунок риска заметно менял кредитное плечо, а индивидуальные особенности агентов объясняли 60% различий в их поведении. Даже граница между первыми тремя строчками рейтинга влияла на то, кого выбирали пользователи: попадание выше этой границы увеличивало вероятность выбора в 1,75 раза. При этом размер позиции почти не подстраивался под волатильность: медианное плечо оставалось одинаковым во всех шести группах рынка по уровню колебаний. Одна комбинация настроек, занимавшая 11% объёма сделок, дала 62% ликвидаций.

Авторы отдельно проверили, могли ли программы удержать прибыльное движение после удачного старта. Простое механическое правило — заранее выставленный защитный и целевой уровни, без дополнительного «рассуждения» модели — добавляло в среднем 39 базисных пунктов на позицию. Но в целом флот DXAP оказался убыточным и проиграл сопоставимому ориентиру среди обычных розничных трейдеров Hyperliquid: выигрышными были 41% круговых сделок против 50% у ориентира. В дополнительном сравнении 416 реальных производственных сценариев передовые модели принимали решения примерно одинакового качества на этом горизонте, хотя заметно различались по стабильности выбора.

Ключевые цифры

3 505 хранилищЭто большая группа реальных пользовательских счетов, а не несколько демонстрационных запусков в тестовой среде.

7,5 млн вызовов моделиАвторы проследили за миллионами отдельных обращений к ИИ, поэтому выводы основаны на длительном рабочем журнале, а не на нескольких примерах.

5,0×Типичный размер кредитного плеча оставался пятикратным даже при разной рыночной бурности, что указывает на слабую адаптацию к риску.

41% против 50%В круговых сделках флот ИИ выигрывал реже, чем сопоставимая группа обычных розничных трейдеров.

Можно ли доверять

Это препринт с arXiv, поэтому его ещё не проверили независимые рецензенты. Сильная сторона — наблюдение за тысячами реальных пользовательских хранилищ и проверка выводов несколькими статистическими способами; главное ограничение — всего две системы одной линии разработки, крипторынки и сравнительно короткий период, поэтому результат нельзя автоматически переносить на другие модели и рынки.

Пересказано ИИ по научной статье. Как это устроено

Источник и детали

ЖурналarXiv (via Hugging Face)

Дата публикации у нас9 сентября 2026 г.

Дата источника3 сентября 2026 г.

ОригиналОткрыть

АвторыT. J. Barton, Chris Constantakis, Patti Hauseman, Annie Mous, Alaska Hoffman, Brian Bergeron, Hunter Goodreau