6 principali strategie di trading AI sulle criptovalute: chi guadagna e chi perde? I risultati sono davvero sorprendenti!

Autore: David, Deep Tide TechFlow

Titolo originale: 6 grandi AI danno vita a una battaglia di trading, il "Turing test" versione crypto avrà un buon risultato?

Buone notizie: dopo il crollo epico dell'11 ottobre, il trading crypto è tornato attivo.

La cattiva notizia è che a fare trading sono le AI.

Con l'inizio della nuova settimana, il mercato è diventato vivace e un progetto chiamato nof1.ai ha suscitato molte discussioni sui social crypto.

L'attenzione di tutti è semplice: osservare in tempo reale sei grandi modelli AI di questo progetto che fanno trading crypto su Hyperliquid per vedere chi guadagna di più.

Attenzione, non si tratta di un conto demo. Claude, GPT-5, Gemini, Deepseek, Grok e Qwen, ognuno di questi modelli ha 10.000 dollari reali per fare trading su Hyperliquid. Tutti gli indirizzi sono pubblici, chiunque può osservare in tempo reale questa "battaglia di trader AI".

La cosa interessante è che queste sei AI utilizzano esattamente gli stessi prompt e ricevono gli stessi dati di mercato. L'unica variabile è il loro "modo di pensare".

Nei pochi giorni successivi al lancio del 18 ottobre, alcune AI hanno già guadagnato oltre il 20%, mentre altre hanno perso quasi il 40%.

Nel 1950, Turing propose il famoso Turing test, cercando di rispondere alla domanda "le macchine possono pensare come gli esseri umani?"; ora, nel mondo crypto, 6 grandi AI si sfidano nell'Alpha Arena, rispondendo a una domanda ancora più interessante:

Se lasciamo che le AI più intelligenti facciano trading in un mercato reale, chi sopravviverà?

Forse, in questa versione crypto del "Turing test", il saldo del conto è l'unico giudice.

Saper guadagnare è ciò che conta: Deepseek attualmente in testa

Le valutazioni AI tradizionali, che si tratti di far scrivere codice, risolvere problemi matematici o scrivere articoli, si svolgono essenzialmente in un ambiente "statico".

Le domande sono fisse, le risposte prevedibili, e potrebbero persino essere già presenti nei dati di addestramento.

Ma il mercato crypto è diverso.

In un contesto di estrema asimmetria informativa, il prezzo cambia ogni secondo, non ci sono risposte standard ma solo profitti e perdite. Ancora più importante, il mercato crypto è un tipico gioco a somma zero: ciò che guadagni tu è ciò che perde qualcun altro. Il mercato punisce immediatamente e senza pietà ogni decisione sbagliata.

Il team di Nof1 che ha organizzato questa battaglia di trading AI ha scritto una frase sul loro sito:

Markets are the ultimate test of intelligence (I mercati sono il test definitivo dell'intelligenza AI).

Se il Turing test tradizionale chiede "puoi confondere gli umani facendogli credere che sei una macchina?", l'Alpha Arena chiede invece:

Puoi guadagnare nel mercato crypto? Questa è in realtà la vera aspettativa dei giocatori crypto verso l'AI.

Attualmente, i 6 grandi modelli AI hanno i seguenti indirizzi su Hyperliquid, e puoi facilmente consultare le loro posizioni e cronologia delle transazioni.

Allo stesso tempo, anche sul sito ufficiale di nof1.ai sono visualizzate in modo interattivo tutte le loro transazioni storiche, posizioni, profitti e processi di pensiero, rendendo facile per tutti consultare.

Per i lettori completamente ignari, le regole di trading delle AI sono:

Ogni AI riceve 10.000 dollari di capitale iniziale e può fare trading di contratti perpetui su BTC, ETH, SOL, BNB, DOGE e XRP, con l'obiettivo di massimizzare i profitti controllando il rischio. Tutte le AI devono decidere autonomamente quando aprire o chiudere una posizione e quanto leverage utilizzare. La season 1 durerà alcune settimane a seconda delle circostanze, mentre la Season 2 avrà importanti aggiornamenti.

Al 20 ottobre, ovvero al terzo giorno di trading, la situazione si è già differenziata chiaramente.

Attualmente in testa c'è Deepseek Chat V3.1, con un capitale di $12.533 (+25,33%). Segue Grok-4 con $12.147 (+21,47%); Claude Sonnet 4.5 ha $11.047 (+10,47%).

Qwen3 Max ha una performance più modesta, $10.263 (+2,63%). In netto ritardo c'è GPT-5, con un saldo attuale di $7.442 (-25,58%); il peggiore è Gemini 2.5 Pro, con $6.062 (-39,38%).

La sorpresa più grande, ma anche la più logica, è sicuramente la performance di Deepseek.

È sorprendente perché questo modello non è così popolare nell'ambiente AI internazionale come GPT o Claude. Ma è logico perché dietro Deepseek c'è il team di Quantitative Phantasia.

Questa società di trading quantitativo, che gestisce oltre 100 billions di RMB, ha iniziato proprio con il trading algoritmico prima di entrare nell'AI. Dal trading quantitativo ai grandi modelli AI, e ora l'uso dell'AI per il trading crypto reale, Deepseek sembra essere tornata alle origini.

Al contrario, GPT-5 di OpenAI, di cui l'azienda va molto fiera, ha perso oltre il 25%, mentre Gemini di Google ha avuto risultati ancora peggiori: 44 operazioni e quasi il 40% di perdita.

Nel contesto reale del trading, forse avere solo grandi capacità linguistiche non basta: la comprensione del mercato è ancora più importante.

Stessa arma, stili diversi

Se hai seguito Alpha Arena dal 18 ottobre, avrai notato che all'inizio le AI erano tutte simili, ma col tempo le differenze sono aumentate.

Alla fine del primo giorno, la migliore, Deepseek, aveva guadagnato solo il 4%, la peggiore, Qwen3, aveva perso il 5,26%. La maggior parte delle AI oscillava tra il +2% e il -2%, come se stessero tutte testando il mercato.

Ma il 20 ottobre, tutto è cambiato. Deepseek è salita al 25,33%, mentre Gemini è scesa al -39,38%. In soli tre giorni, il divario tra la prima e l'ultima è salito a 65 punti percentuali.

Ancora più interessante è la differenza nella frequenza delle operazioni.

Gemini ha effettuato 44 operazioni, una media di 15 al giorno, come un trader speculativo ansioso. Claude ne ha fatte solo 3, Grok ha ancora posizioni aperte. Questa differenza non può essere spiegata dai prompt, visto che sono identici.

Guardando la distribuzione dei profitti e delle perdite, Deepseek ha avuto una perdita massima di 348 dollari in una singola operazione, ma un profitto totale di 2.533 dollari. Gemini ha avuto un profitto massimo di 329 dollari, ma una perdita massima di ben 750 dollari.

Diversi AI (modelli pubblici, senza ulteriori personalizzazioni) hanno un equilibrio completamente diverso tra rischio e rendimento.

Inoltre, puoi vedere nella sezione Model Chat del sito le chat e i processi di pensiero dei diversi modelli, e questi monologhi sono particolarmente interessanti.

Proprio come i trader umani hanno stili diversi, anche le AI sembrano mostrare personalità differenti. Il trading frenetico e i pensieri di Gemini ricordano un paziente iperattivo, la prudenza di Claude sembra quella di un gestore di fondi conservatore, Deepseek è solida come un veterano del trading quantitativo: parla solo delle posizioni, senza alcun commento emotivo.

Queste personalità non sembrano progettate, ma emergono naturalmente durante l'addestramento. Di fronte all'incertezza, le diverse AI tendono a rispondere in modi diversi.

Tutte le AI vedono le stesse candele, lo stesso volume, la stessa profondità di mercato. Usano persino gli stessi prompt. Allora, cosa causa una differenza così grande?

L'influenza dei dati di addestramento potrebbe essere la chiave.

Quantitative Phantasia, dietro Deepseek, ha accumulato enormi quantità di dati e strategie di trading in oltre dieci anni. Anche se questi dati non vengono utilizzati direttamente per l'addestramento, influenzano comunque la comprensione del team su "cosa sia una buona decisione di trading".

Al contrario, i dati di addestramento di OpenAI e Google potrebbero essere più orientati a paper accademici e testi online, e la comprensione del trading reale potrebbe non essere così concreta.

Inoltre, alcuni trader ipotizzano che Deepseek abbia ottimizzato in modo particolare la capacità di previsione delle serie temporali durante l'addestramento, mentre GPT-5 potrebbe essere più abile nell'elaborazione del linguaggio naturale. Di fronte a grafici di prezzo, che sono dati strutturati, le diverse architetture si comportano in modo diverso.

Guardare le AI fare trading è anche un business

Mentre tutti si concentrano sui profitti e le perdite delle AI, pochi notano l'azienda misteriosa dietro tutto questo.

nof1.ai, che ha creato questa battaglia di trading AI, non è molto conosciuta. Ma se guardi la lista dei follower sui social, puoi trovare qualche indizio.

Sembra che dietro nof1.ai non ci sia un gruppo di tipici imprenditori crypto, ma solo ricercatori AI accademici.

La biografia personale di Jay A Zhang (fondatore) è interessante:

"Big fan of strange loops – cybernetics, RL, biology, markets, meta-learning, reflexivity".

Reflexivity (riflessività) è la teoria centrale di Soros: la percezione dei partecipanti al mercato influenza il mercato stesso, e i cambiamenti del mercato influenzano la percezione dei partecipanti. Far condurre un esperimento di mercato AI a qualcuno che studia la "riflessività" sembra quasi un destino.

Permettere a tutti di vedere come le AI fanno trading, e osservare come questa "osservazione" influenzi il mercato.

L'altro co-fondatore, Matthew Siper, è un dottorando in machine learning alla New York University e anche ricercatore AI. Un dottorando che non si è ancora laureato che lancia un progetto sembra più un esperimento di ricerca accademica.

Tra gli altri account seguiti da nof1 ci sono anche ricercatori di Google DeepMind e professori associati della New York University che studiano AI e giochi.

Dalle loro azioni e background, è chiaro che Nof1 non vuole solo fare scalpore. Il nome della piattaforma, SharpeBench, è già molto ambizioso: lo Sharpe ratio è il gold standard per misurare i rendimenti aggiustati per il rischio; forse il loro vero obiettivo è creare una piattaforma di benchmark per le capacità di trading AI.

C'è chi ipotizza che dietro Nof1 ci siano grandi capitali, altri pensano che stiano preparando il terreno per futuri servizi di trading AI.

Se dovessero lanciare un servizio di abbonamento alle strategie di trading Deepseek, probabilmente non mancherebbero i clienti. E partendo da questo prototipo, offrire asset management AI, abbonamenti a strategie e soluzioni di trading per grandi aziende sarebbe un business prevedibile.

Oltre al team stesso, anche osservare il trading AI può essere redditizio.

Appena lanciata Alpha Arena, qualcuno ha iniziato a copiare le operazioni.

La strategia più semplice è seguire Deepseek: compra quello che compra, vendi quello che vende. Nei commenti ci sono anche persone che fanno l'opposto, cioè fanno trading contro Gemini: quando Gemini compra, loro vendono, e viceversa.

Ma c'è un problema nel copiare: se tutti sanno cosa sta per comprare Deepseek, questa strategia funziona ancora? Questo è ciò che il fondatore Jay Zhang chiama riflessività: l'osservazione stessa cambia l'oggetto osservato.

Qui c'è anche una falsa impressione di democratizzazione delle strategie di trading di alto livello.

In apparenza, tutti possono conoscere le strategie di trading delle AI, ma in realtà vedono solo i risultati, non la logica delle operazioni. La logica di take profit e stop loss di ogni AI non è necessariamente continua o affidabile.

Mentre Nof1 testa il comportamento di trading AI, i retail cercano la chiave della ricchezza, altri trader cercano di imparare, e i ricercatori raccolgono dati.

Solo le AI non sanno di essere osservate e continuano a eseguire ogni operazione con serietà. Se il classico Turing test riguarda "inganno" e "imitazione", la battaglia di trading Alpha Arena di oggi è la risposta dei giocatori crypto alle capacità e ai risultati delle AI.

In questo mercato crypto guidato dai risultati, un'AI che sa guadagnare potrebbe essere più importante di una che sa conversare.