دوئل ۱۰ روزه ۶ معامله‌گر هوش مصنوعی: چه کسی در بازاری بدون «مزیت اطلاعاتی» زنده می‌ماند؟

عنوان اصلی مقاله: "Six Major AI 'Traders' Ten-Day Duel: A Public Lesson on Trends, Discipline, and Greed"

نویسنده مقاله اصلی: Frank, PANews

در کمتر از ده روز، سرمایه دو برابر شد.

زمانی که DeepSeek و Qwen3 به این رکورد در معاملات زنده AlphaZero AI که توسط Nof1 راه‌اندازی شد دست یافتند، کارایی سود آن‌ها از اکثریت قریب به اتفاق معامله‌گران انسانی پیشی گرفت. این ما را مجبور می‌کند با یک سوال روبرو شویم: هوش مصنوعی در حال گذار از یک «ابزار تحقیق» به یک «معامله‌گر خط مقدم» است. آن‌ها چگونه فکر می‌کنند؟ PANews بررسی جامعی از نزدیک به ۱۰ روز معاملات شش مدل هوش مصنوعی اصلی در این رقابت انجام داد و تلاش کرد اسرار تصمیم‌گیری معامله‌گران هوش مصنوعی را کشف کند.

یک دوئل صرفاً فنی بدون «عدم تقارن اطلاعاتی»

قبل از تحلیل، باید یک پیش‌فرض را روشن کنیم: تصمیمات هوش مصنوعی در این رقابت «آفلاین» هستند. همه مدل‌ها دقیقاً همان داده‌های فنی (شامل قیمت فعلی، میانگین‌های متحرک، MACD، RSI، سود باز، نرخ‌های تأمین مالی، و داده‌های توالی ۴ ساعته و ۳ دقیقه‌ای و غیره) را به صورت غیرفعال دریافت می‌کنند و نمی‌توانند فعالانه برای به دست آوردن اطلاعات بنیادی آنلاین شوند.

این امر تداخل «عدم تقارن اطلاعاتی» را از بین می‌برد و این رقابت را به آزمون نهایی تبدیل می‌کند که آیا «تحلیل فنی خالص می‌تواند سودآور باشد یا خیر».

به طور خاص، محتوایی که هوش مصنوعی می‌تواند به آن دسترسی داشته باشد شامل موارد زیر است:

۱. وضعیت فعلی بازار دارایی: شامل اطلاعات قیمت فعلی، قیمت میانگین متحرک ۲۰ روزه، داده‌های MACD، داده‌های RSI، داده‌های سود باز، نرخ‌های تأمین مالی، و توالی‌های روزانه داده‌های فوق‌الذکر (فواصل ۳ دقیقه‌ای) و توالی‌های روند بلندمدت (فواصل ۴ ساعته) و غیره.

۲. اطلاعات حساب و عملکرد: شامل عملکرد کلی حساب، بازده، وجوه موجود، نسبت شارپ، عملکرد لحظه‌ای موقعیت‌های فعلی، سطوح فعلی حد سود و حد ضرر، و شرایط ابطال.

DeepSeek: استاد روند باثبات و ارزش «بازبینی»

تا ۲۷ اکتبر، حساب DeepSeek به سقف ۲۳,۰۶۳ دلار رسید، با حداکثر سود تحقق‌نیافته حدود ۱۳۰٪. بدون شک بهترین مدل عملکردی است و در تحلیل رفتار معاملاتی، متوجه خواهید شد که دلیل چنین عملکردی تصادفی نیست.

اول از همه، از نظر فرکانس معاملاتی، DeepSeek سبک فرکانس پایین معامله‌گران روند را نشان می‌دهد. در یک دوره ۹ روزه، در مجموع ۱۷ معامله را تکمیل کرد که کمترین میزان در بین تمام مدل‌ها است. از این ۱۷ معامله، DeepSeek ۱۶ بار موقعیت خرید (Long) و یک بار موقعیت فروش (Short) گرفت که کاملاً با روند بازگشت کلی بازار از کف در آن زمان همسو بود.

البته، این انتخاب جهت تصادفی نبود. DeepSeek با استفاده از شاخص‌هایی مانند RSI و MACD تحلیل جامعی انجام داد و دائماً معتقد بود که بازار کلی در یک روند صعودی قرار دارد، بنابراین با اطمینان خرید را انتخاب کرد.

در طول فرآیند معاملاتی خاص، چند سفارش اول DeepSeek به آرامی پیش نرفت. ۵ سفارش اول با شکست مواجه شدند، اما هر ضرر قابل توجه نبود و بالاترین ضرر از ۳.۵٪ فراتر نرفت. علاوه بر این، زمان نگهداری موقعیت برای سفارش‌های اولیه نسبتاً کوتاه بود و کوتاه‌ترین آن تنها در ۸ دقیقه بسته شد. همانطور که بازار در جهت پیش‌بینی‌شده توسعه یافت، موقعیت‌های DeepSeek شروع به نشان دادن وضعیت پایدار کردند.

با نگاهی به سبک موقعیت DeepSeek، تمایل دارد پس از ورود به یک موقعیت، فضای حد سود نسبتاً بزرگ و فضای حد ضرر کوچک تنظیم کند. با در نظر گرفتن موقعیت‌های ۲۷ اکتبر به عنوان مثال، میانگین فضای حد سود تعیین شده ۱۱.۳۹٪، میانگین فضای حد ضرر -۳.۵۲٪ و نسبت سود به ضرر حدود ۳.۵۵ تنظیم شده بود. از این منظر، استراتژی معاملاتی DeepSeek به سمت ایده ضررهای کوچک و سودهای بزرگ متمایل است.

از نظر نتایج واقعی، این موضوع مشهود است. طبق تحلیل خلاصه PANews، در میان معاملات تسویه شده DeepSeek، میانگین نسبت سود به ضرر آن به ۶.۷۱ رسید که بالاترین میزان در بین تمام مدل‌ها است. اگرچه نرخ برد ۴۱٪ بالاترین نیست (رتبه دوم)، اما همچنان با انتظار سود ۲.۷۶ در رتبه اول قرار دارد. این دلیل اصلی دستیابی DeepSeek به بالاترین سود است.

علاوه بر این، از نظر زمان نگهداری، میانگین زمان نگهداری DeepSeek ۲۹۵۲ دقیقه (حدود ۴۹ ساعت) است که آن هم در رتبه اول قرار دارد. در میان مدل‌های معدود، می‌توان آن را واقعاً یک معامله‌گر روند نامید که با عنصر اصلی سودآوری در معاملات مالی، یعنی رویکرد «اجازه دادن به سودها برای رشد» همسو است.

از نظر مدیریت موقعیت، DeepSeek نسبتاً تهاجمی است. میانگین نسبت اهرم موقعیت تک آن به ۲.۲۳ می‌رسد و اغلب چندین موقعیت را همزمان نگه می‌دارد که منجر به نسبت اهرم کلی نسبتاً بالاتر می‌شود. برای مثال، در ۲۷ اکتبر، نسبت اهرم کل آن از ۳ برابر فراتر رفت. با این حال، به دلیل شرایط سخت‌گیرانه حد ضرر، ریسک در محدوده قابل کنترل باقی می‌ماند.

به طور کلی، دلیل عملکرد خوب معاملات DeepSeek نتیجه یک استراتژی جامع است. از نظر انتخاب ورود، فقط از رایج‌ترین MACD و RSI به عنوان معیار استفاده می‌کند و از هیچ شاخص خاصی استفاده نمی‌کند. فقط به سادگی از یک نسبت ریسک به پاداش معقول پیروی می‌کند و تصمیم می‌گیرد موقعیت‌ها را محکم نگه دارد بدون اینکه تحت تأثیر احساسات قرار گیرد.

علاوه بر این، PANews جزئیات نسبتاً خاصی را نیز پیدا کرده است. در فرآیند زنجیره‌سازی افکار، DeepSeek ویژگی گذشته خود یعنی فرآیند تفکر طولانی و دقیق را ادامه داده و در نهایت تمام فرآیندهای فکری را در یک تصمیم معاملاتی خلاصه کرده است. این ویژگی، هنگامی که در معامله‌گران انسانی منعکس می‌شود، بیشتر شبیه کسانی است که بر تحلیل پس از معامله تمرکز می‌کنند و این تحلیل پس از معامله هر سه دقیقه یک بار انجام می‌شود.

حتی زمانی که این توانایی تحلیل پس از معامله برای یک مدل هوش مصنوعی اعمال می‌شود، نقش خود را ایفا می‌کند. این اطمینان حاصل می‌کند که تمام جزئیات هر توکن و سیگنال بازار بارها و بارها بدون نادیده گرفته شدن تحلیل می‌شوند. شاید این حوزه دیگری باشد که معامله‌گران انسانی می‌توانند از آن بیاموزند.

Qwen3: «قمارباز» تهاجمی با موقعیت‌های بزرگ

تا ۲۷ اکتبر، Qwen3 دومین مدل بزرگ با عملکرد خوب است. بالاترین مبلغ حساب به ۲۰,۰۰۰ دلار با سودآوری ۱۰۰٪ رسید که تنها پس از DeepSeek قرار دارد. ویژگی‌های کلی Qwen3 اهرم بالا و نرخ برد بالا است. نرخ برد کلی آن به ۴۳.۴٪ رسید که در بین تمام مدل‌ها رتبه اول را دارد. در عین حال، اندازه یک موقعیت تک نیز به ۵۶,۱۰۰ دلار (نسبت اهرم ۵.۶ برابر) رسید که آن هم در بین تمام مدل‌ها بالاترین است. اگرچه از نظر انتظارات سود، به خوبی DeepSeek نیست، سبک معاملاتی تهاجمی آن به آن اجازه داده است تا نتایج DeepSeek را تا به امروز به دقت دنبال کند.

سبک معاملاتی Qwen3 نسبتاً تهاجمی است. از نظر میانگین حد ضرر، میانگین حد ضرر آن ۴۹۱ دلار است که بالاترین در بین تمام مدل‌ها است. حداکثر ضرر در یک معامله به ۲,۲۳۲ دلار رسید که آن هم بالاترین است. این بدان معناست که Qwen3 می‌تواند ضررهای بزرگ‌تری را تحمل کند، که معمولاً به عنوان نگه داشتن موقعیت در طول افت‌ها شناخته می‌شود. با این حال، جایی که در مقایسه با DeepSeek کوتاهی می‌کند این است که حتی با وجود تحمل ضررهای بزرگ‌تر، به بازدهی بالاتری دست نمی‌یابد. میانگین سود Qwen3 ۱,۵۴۷ دلار است که کمتر از DeepSeek است. این امر همچنین باعث می‌شود نسبت سود به انتظار نهایی آن تنها ۱.۳۶ باشد، یعنی نصف DeepSeek.

علاوه بر این، یکی دیگر از ویژگی‌های Qwen3 ترجیح آن به نگه داشتن یک موقعیت در یک زمان و دو برابر کردن آن موقعیت است. اهرم استفاده شده اغلب به ۲۵ برابر (بالاترین مضرب مجاز در رقابت) می‌رسد. ویژگی چنین معاملاتی به شدت به نرخ برد بالا متکی است زیرا هر ضرر باعث افت قابل توجهی خواهد شد.

در طول فرآیند تصمیم‌گیری، به نظر می‌رسد Qwen3 توجه ویژه‌ای به میانگین متحرک ۴ ساعته EMA 20 دارد و از آن به عنوان سیگنال ورود و خروج خود استفاده می‌کند. هنگام در نظر گرفتن استراتژی خود، Qwen3 همچنین به نظر می‌رسد آن را ساده نگه می‌دارد. از نظر نگه داشتن موقعیت‌ها، Qwen3 نیز بی‌صبری نشان می‌دهد، با میانگین زمان نگهداری ۱۰.۵ ساعت، که درست بالاتر از Gemini قرار دارد.

به طور کلی، اگرچه سودآوری فعلی Qwen3 امیدوارکننده به نظر می‌رسد، خطرات قابل توجهی در رویکرد معاملاتی آن‌ها وجود دارد. عواملی مانند اهرم بالا، سبک باز کردن همه چیز در یک معامله، اتکا به یک شاخص واحد، زمان نگهداری کوتاه و نسبت ریسک/پاداش کوچک می‌تواند چالش‌هایی برای معاملات آینده Qwen3 ایجاد کند. تا تاریخ پیش‌نویس ۲۸ اکتبر، وجوه Qwen3 حداکثر افت به ۱۶,۶۰۰ دلار را تجربه کرده است، با درصد افت ۲۶.۸٪ از اوج.

Claude: مجری سرسخت موقعیت خرید

اگرچه Claude نیز در وضعیت سودآور کلی قرار دارد، تا ۲۷ اکتبر، موجودی کل حساب به حدود ۱۲,۵۰۰ دلار رسید، با سودی در حدود ۲۵٪. در حالی که این داده به تنهایی ممکن است چشمگیر به نظر برسد، در مقایسه با DeepSeek و Qwen3 کمی کمتر پربار به نظر می‌رسد.

در واقع، هم از نظر فرکانس معاملاتی، اندازه موقعیت و نرخ برد، عملکرد داده‌های Claude کاملاً به DeepSeek نزدیک است. با مجموع ۲۱ معامله، نرخ برد ۳۸٪ و میانگین نسبت اهرم ۲.۳۲.

تفاوت قابل توجه ممکن است در نسبت ریسک/پاداش پایین‌تر باشد. اگرچه نسبت ریسک/پاداش Claude در ۲.۱ قابل احترام است، اما بیش از سه برابر کمتر از DeepSeek است. بنابراین، بر اساس این داده‌های جامع، انتظار سود آن تنها ۰.۸ است (در درازمدت هنگام زیر ۱ در ضرر باقی می‌ماند).

علاوه بر این، Claude همچنین ویژگی قابل توجهی در چسبیدن به یک جهت برای یک دوره زمانی دارد. تا ۲۷ اکتبر، تمام ۲۱ معامله تکمیل شده Claude موقعیت‌های خرید (Long) بوده‌اند.

Grok: گم شده در گرداب قضاوت جهت‌دار

Grok عملکرد قدرتمندی در مراحل اولیه داشت، حتی در یک مقطع با سودهای بیش از ۵۰٪ به سودآورترین مدل تبدیل شد. با این حال، با پیشرفت زمان معاملات، Grok افت‌های قابل توجهی را تجربه کرد. تا ۲۷ اکتبر، وجوه به حدود ۱۰,۰۰۰ دلار بازگشت. در رتبه چهارم در بین تمام مدل‌ها، بازده کلی نزدیک به نگه داشتن BTC اسپات است.

از منظر عادات معاملاتی، Grok نیز متعلق به اردوگاه معاملات فرکانس پایین و HODLerها است. Grok تنها ۲۰ معامله را تکمیل کرده است، با میانگین زمان نگهداری ۳۰.۴۷ ساعت، که تنها پس از DeepSeek قرار دارد. با این حال، بزرگترین مشکل Grok ممکن است نرخ برد پایین تنها ۲۰٪ آن باشد، با نسبت ریسک-پاداش ۱.۸۵. این همچنین منجر به انتظار سود آن تنها ۰.۳ می‌شود. با نگاهی به جهت معاملات، از ۲۰ موقعیت Grok، معاملات خرید و فروش هر دو ۱۰ بار اجرا شدند. با این حال، در مرحله فعلی بازار، بدیهی است که فروش بیش از حد بازار به طور قابل توجهی نرخ برد را کاهش می‌دهد. از این منظر، مدل Grok هنوز در قضاوت روند بازار مشکلاتی دارد.

Gemini: «معامله‌گر خرد» فرکانس بالا، ساییده شدن تا «مرگ» در نوسانات

Gemini مدلی با بالاترین فرکانس معاملاتی است که تا ۲۷ اکتبر در مجموع ۱۶۵ معامله را تکمیل کرده است. فعالیت معاملاتی بیش از حد مکرر منجر به عملکرد بسیار ضعیف Gemini شده است، به طوری که کمترین موجودی حساب به حدود ۳,۸۰۰ دلار کاهش یافته و منجر به نرخ ضرر ۶۲٪ شده است. علاوه بر این، کارمزدهای تراکنش به تنهایی به ۱,۰۹۵.۷۸ دلار رسید.

پشت معاملات فرکانس بالا نرخ برد بسیار پایین (۲۵٪) و نسبت ریسک-پاداش تنها ۱.۱۸ قرار دارد، با انتظار سود جامع تنها ۰.۳. با چنین داده‌های عملکردی، معاملات Gemini محکوم به ضرر هستند. شاید به دلیل عدم اعتماد به تصمیم‌گیری خود، Gemini همچنین میانگین اندازه موقعیت بسیار کوچکی را حفظ می‌کند، با نسبت اهرم تنها ۰.۷۷ در هر معامله، و میانگین زمان نگهداری تنها ۷.۵ ساعت.

میانگین حد ضرر تنها ۸۱ دلار است، در حالی که میانگین حد سود ۹۶ دلار است. عملکرد Gemini شبیه به یک معامله‌گر خرد معمولی است، سریع در سود گرفتن اما سریع در خروج هنگام ضرر. این مدل به طور مکرر در فراز و نشیب‌های بازار معامله می‌کند و به طور مداوم سرمایه حساب را از بین می‌برد.

GPT5: «کشتار دوگانه» نرخ برد پایین و نسبت ریسک-پاداش پایین

GPT5 در حال حاضر مدل رتبه آخر است، با عملکرد کلی و منحنی آن که بسیار شبیه به Gemini است، با نرخ ضرر بیش از ۶۰٪. در مقایسه، اگرچه GPT5 به اندازه Gemini فرکانس بالا نیست، اما ۶۳ معامله را اجرا کرده است. با نسبت ریسک-پاداش تنها ۰.۹۶، به این معنی که میانگین سود ۰.۹۶ دلار در هر معامله، با حد ضرر مربوطه ۱ دلار. در عین حال، نرخ برد معاملاتی GPT5 نیز به اندازه ۲۰٪ پایین است، هم‌تراز با Grok.

از نظر اندازه موقعیت، GPT5 بسیار شبیه به Gemini است، با میانگین نسبت اهرم موقعیت حدود ۰.۷۶، که نشان‌دهنده یک رویکرد بسیار محتاطانه است.

مطالعات موردی GPT5 و Gemini نشان می‌دهد که ریسک موقعیت پایین‌تر لزوماً به سودآوری حساب کمک نمی‌کند. علاوه بر این، تحت معاملات فرکانس بالا، هم نرخ برد و هم نسبت ریسک-پاداش ذاتاً غیرقابل اعتماد هستند. علاوه بر این، قیمت‌های ورود برای موقعیت‌های خرید این دو مدل به طور قابل توجهی بالاتر از مدل‌های سودآور مانند DeepSeek است، که نشان می‌دهد سیگنال‌های ورود آن‌ها تا حدودی با تأخیر به نظر می‌رسند.

خلاصه مشاهده: دو نوع «انسانیت» معاملاتی دیده شده توسط هوش مصنوعی

به طور کلی، از طریق تحلیل رفتار معاملاتی هوش مصنوعی، ما بار دیگر فرصت بررسی استراتژی‌های معاملاتی را داریم. به ویژه، تحلیل دو نتیجه معاملاتی افراطی بازیکنان سودآور DeepSeek و مدل‌های زیان‌ده Gemini و GPT5 تأمل‌برانگیزترین است.

۱. رفتار مدل‌های سودآور دارای ویژگی‌های زیر است: فرکانس پایین، دوره‌های نگهداری طولانی، نسبت ریسک-پاداش بزرگ و زمان‌بندی ورود به موقع.

۲. رفتار مدل‌های زیان‌ده دارای ویژگی‌های زیر است: فرکانس بالا، معاملات کوتاه‌مدت، نسبت ریسک-پاداش پایین و زمان‌بندی ورود دیر.

۳. میزان سود مستقیماً با میزان اطلاعات بازار مرتبط نیست. در این رقابت معاملاتی مدل هوش مصنوعی، همه مدل‌ها به اطلاعات یکسانی دسترسی دارند که در مقایسه با معامله‌گران انسانی محدودتر است. با این حال، آن‌ها همچنان می‌توانند به سطوح سودآوری بسیار فراتر از اکثریت قریب به اتفاق معامله‌گران دست یابند.

۴. طول فرآیند تفکر به نظر می‌رسد کلید تعیین دقت معامله باشد. فرآیند تصمیم‌گیری DeepSeek طولانی‌ترین در بین تمام مدل‌ها است، که شبیه به قوانین معاملاتی معامله‌گران انسانی است که در بازبینی و بررسی دقیق هر تصمیم مهارت دارند. از سوی دیگر، فرآیند تفکر مدل‌های با عملکرد ضعیف بسیار کوتاه است، بیشتر شبیه به فرآیند تصمیم‌گیری تکانشی انسان‌ها.

۵. با عملکرد سودآور مدل‌هایی مانند DeepSeek و Qwen3، بسیاری بحث کرده‌اند که آیا دنبال کردن مستقیم این مدل‌های هوش مصنوعی امکان‌پذیر است یا خیر. با این حال، این رویکرد غیرعاقلانه به نظر می‌رسد، اگرچه سودآوری فعلی هوش مصنوعی‌های فردی مناسب است، به نظر می‌رسد شانس نقش دارد، زیرا آن‌ها اتفاقاً در این دوره با روند بازار همسو شده‌اند. هنگامی که بازار وارد مرحله جدیدی می‌شود، مشخص نیست که آیا این مزیت می‌تواند حفظ شود یا خیر. با این وجود، توانایی اجرای معاملات هوش مصنوعی هنوز ارزش یادگیری دارد.

در نهایت، چه کسی پیروزی نهایی را به دست خواهد آورد؟ PANews این داده‌های عملکرد را برای چندین مدل هوش مصنوعی ارسال کرده است و آن‌ها به اتفاق آرا DeepSeek را انتخاب کردند، با این استدلال که انتظار سود آن به بهترین وجه با منطق ریاضی همسو است و عادات معاملاتی آن مطلوب‌ترین است.

جالب اینجاست که مدل مورد علاقه دوم آن‌ها، تقریباً همه خودشان را انتخاب کردند.

لینک مقاله اصلی