近日，組織方 Nof1 在其平台推出名為「Alpha Arena」的實盤加密貨幣交易實驗。參與者為六款主流大語言模型：包括 GPT‑5、Gemini 2.5 Pro、Claude Sonnet 4.5、Grok 4、Qwen3 Max 及 DeepSeek Chat V3.1。每款模型均獲得 1 萬美元初始資金，交易對象為比特幣（BTC）、以太坊（ETH）、SOL、BNB、DOGE、XRP 永續合約。
比賽設計
所有模型接收 相同系統提示 與 相同數位市場數據輸入（包括價格、成交量、技術指標）而不接收新聞或敘事資訊，僅憑「數值＋提示」決策。
交易在真實市場環境下進行——非模擬。具備手續費、滑點、實際交易對手。
每次決策模型需輸出：交易方向（多／空）、資產、槓桿、止盈止損計劃、信心分數。
模型表現
中國模型 DeepSeek V3.1 與 Qwen3 Max 表現搶眼。DeepSeek 在短期內將 1 萬美元增至約 2 萬元以上（約 100% + 回報）是目前領先者。
相比之下，GPT-5 與 Gemini 表現較差，報告顯示 GPT-5損失約 70%，Gemini 亦大幅虧損。
不同模型雖接收同樣輸入，但策略迥異。例如 DeepSeek 傾向高槓桿做多、交易頻率適中；而 Gemini 則交易頻繁、高槓桿但風險失控。
背後邏輯與啟示
語言模型 ≠ 量化交易模型：LLM 的訓練主要基於文本數據、模式識別，在需要適應快速變化、隨機波動極強的加密市場中，其數值敏感度與即時反應能力存在明顯劣勢。Nof1 指出：「大語言模型雖強於語言，但弱於數字／市場本質。
風險管理仍關鍵：表現較好的模型往往有較好的交易紀律、槓桿控制和倉位管理；而虧損嚴重模型多因交易頻繁、槓桿過高或持倉扭轉慢。對投資者而言，這一點比「跟 AI 炒幣」本身更為重要。
數據、提示與執行環境決定勝敗：實驗中，儘管所有模型共享輸入，但其訓練背景、偏好、架構不同導致行為差異。換句話說，成功不只是依賴 AI 能力，更依賴 環境、策略、執行。
「AI炒幣」仍處於實驗階段：該實驗表明，雖然有模型能在短期內獲得超額回報，但長期穩定性、市場極端情緒下的表現尚未驗證。將其作為輔助工具比純依賴更為穩妥。
評論
暫無評論
成為第一個評論的人