4 min
Il mondo crypto ha appena assistito a un esperimento che dovrebbe far riflettere chiunque pensi di delegare le proprie operazioni di trading a un'intelligenza artificiale: ChatGPT di OpenAI ha bruciato il 63% del proprio capitale in appena due settimane di competizione, classificandosi ultimo tra sei modelli di linguaggio avanzati messi alla prova sui mercati delle criptovalute. La competition "Alpha Arena", organizzata da Nof1 e conclusasi lunedì scorso, ha evidenziato come anche i sistemi AI più sofisticati possano rivelarsi inadeguati quando si tratta di gestire posizioni reali nel volatile settore degli asset digitali.
Il torneo ha messo a confronto sei LLM di punta - ChatGPT, Google Gemini, Grok di X, Claude Sonnet di Anthropic, Qwen3 Max di Alibaba e DeepSeek - fornendo a ciascuno un budget iniziale di 10.000 dollari e dataset identici per operare. Il risultato? Solo due modelli hanno chiuso in profitto, mentre gli altri quattro hanno accumulato perdite significative che ricordano i peggiori errori dei trader retail durante i periodi di alta volatilità.
Qwen3 Max di Alibaba si è aggiudicato la vetta della classifica con un gain di 2.232 dollari, seguito da DeepSeek con un più modesto profitto di 489 dollari. Sul versante opposto dello spettro, ChatGPT ha registrato una perdita secca di 6.267 dollari, con Gemini che lo ha seguito a ruota bruciando 5.671 dollari. Grok e Claude hanno completato il quadro negativo con rispettivamente -4.531 e -3.081 dollari.
L'analisi delle transazioni rivela un problema fondamentale che affligge molti trader crypto alle prime armi: l'overtrading. Secondo Nof1, i profitti sono stati "dominati dai costi di negoziazione nelle prime sessioni", con gli agenti AI che hanno eseguito troppe operazioni inseguendo piccoli guadagni rapidamente erosi dalle commissioni. Gemini ha toccato il record con 238 operazioni eseguite, mentre Claude si è dimostrato più conservativo con sole 38 transazioni.
Paradossalmente, Qwen3 Max ha sostenuto le commissioni più elevate in assoluto con 1.654 dollari di fees, eppure è riuscito comunque a sovraperformare tutti gli altri modelli grazie a una selezione disciplinata delle operazioni. Questo dato suggerisce che nel trading crypto la frequenza operativa conta meno della qualità delle entry e della gestione del rischio - una lezione che molti investitori retail faticano ancora ad apprendere.
Jay Azhang, fondatore di Nof1, ha definito l'evento uno "stress test controllato" per sistemi di AI generativa. "Gli LLM non gestiscono particolarmente bene i dati numerici in serie temporale, eppure è tutto il contesto che abbiamo fornito loro", ha spiegato Azhang, sottolineando come ogni modello abbia affrontato "regole rigide e finestre di contesto limitate" identiche.
Un aspetto particolarmente interessante emerso dalla competizione riguarda quella che Azhang definisce una "personalità d'investimento" unica per ciascun modello di linguaggio. Questa caratteristica suggerisce che gli LLM sviluppano tendenze prevedibili nell'approccio ai mercati, proprio come i trader umani manifestano bias cognitivi ricorrenti. La divergenza nei risultati, nonostante l'accesso agli stessi dati e prompt, evidenzia quanto l'architettura sottostante di ciascun sistema influenzi le decisioni operative.
Per il settore crypto, questo esperimento rappresenta un campanello d'allarme significativo. Mentre numerosi progetti DeFi stanno esplorando l'integrazione di AI per strategie di yield farming automatizzato e rebalancing di portafoglio, i risultati dell'Alpha Arena dimostrano che la capacità narrativa dei modelli di linguaggio non si traduce automaticamente in competenza operativa sui mercati. ChatGPT può elaborare analisi tecniche articolate e generare report convincenti, ma l'esecuzione pratica richiede abilità che vanno oltre la comprensione linguistica.
Il divario prestazionale tra i modelli cinesi Qwen3 Max e DeepSeek rispetto alle controparti occidentali solleva inoltre interrogativi sulla specializzazione degli algoritmi. È possibile che determinati sistemi siano stati addestrati su dataset più ricchi di informazioni finanziarie o che presentino architetture più adatte all'elaborazione di pattern quantitativi rispetto all'analisi testuale pura.
Azhang ha già annunciato l'intenzione di organizzare un secondo round della competizione, questa volta con prompt raffinati e maggiore rigore statistico. L'obiettivo è comprendere se le performance possano migliorare con istruzioni più precise o se i limiti osservati siano intrinseci all'attuale generazione di modelli di linguaggio applicati al trading crypto.
Per gli investitori retail, la lezione principale rimane chiara: l'AI può certamente assistere nell'analisi di dati on-chain, sentiment di mercato e pattern tecnici, ma non può sostituire una strategia strutturata e una rigorosa gestione del rischio. Il fatto che tutti i modelli abbiano mostrato win rate inferiori al 30% conferma come nei mercati crypto la disciplina operativa superi la capacità predittiva, un principio che vale tanto per le macchine quanto per gli esseri umani.