6 grandes stratégies de trading de crypto-monnaies avec l’IA : qui gagne, qui perd ? Les résultats sont surprenants !

Rédigé par : David, Deep Tide TechFlow

Titre original : 6 grands modèles d’IA s’affrontent dans une bataille de trading, le « test de Turing » version crypto aura-t-il une bonne issue ?

Bonne nouvelle : après la chute épique du 11 octobre, le trading crypto redevient actif.

Mauvaise nouvelle : ce sont des IA qui tradent.

Une nouvelle semaine commence et le marché s’anime, un projet nommé nof1.ai suscite de nombreux débats sur les réseaux sociaux crypto.

Le point d’attention est simple : observer en temps réel six grands modèles d’IA de ce projet qui tradent des cryptomonnaies sur Hyperliquid pour voir lequel gagne le plus d’argent.

Attention, il ne s’agit pas d’un compte de démonstration. Claude, GPT-5, Gemini, Deepseek, Grok et Qwen (Tongyi Qianwen) disposent chacun de 10 000 dollars en argent réel pour trader sur Hyperliquid. Toutes les adresses sont publiques, chacun peut observer en temps réel cette « guerre des traders IA ».

Ce qui est intéressant, c’est que ces six IA utilisent exactement les mêmes prompts et reçoivent les mêmes données de marché. La seule variable, c’est leur « mode de réflexion » propre.

En quelques jours seulement après le lancement le 18 octobre, certaines IA ont déjà gagné plus de 20 %, d’autres ont perdu près de 40 %.

En 1950, Turing a proposé le célèbre test de Turing pour tenter de répondre à la question « une machine peut-elle penser comme un humain ? » ; aujourd’hui, dans la crypto, six grandes IA s’affrontent dans l’Alpha Arena pour répondre à une question encore plus intéressante :

Si l’on laisse les IA les plus intelligentes trader sur un marché réel, laquelle survivra ?

Peut-être que dans ce « test de Turing » version crypto, le solde du compte est le seul juge.

Pour être une bonne IA, il faut gagner de l’argent : Deepseek en tête pour l’instant

Les évaluations traditionnelles de l’IA, qu’il s’agisse de faire écrire du code, résoudre des problèmes de maths ou rédiger des articles, se font essentiellement dans un environnement « statique ».

Les questions sont fixes, les réponses prévisibles, elles sont même parfois déjà présentes dans les données d’entraînement.

Mais le marché crypto est différent.

Dans un contexte d’asymétrie extrême de l’information, le prix change chaque seconde, il n’y a pas de bonne réponse, seulement du gain ou de la perte. Plus important encore, le marché crypto est un jeu à somme nulle typique : ce que vous gagnez, quelqu’un d’autre le perd. Le marché punit immédiatement et sans pitié chaque mauvaise décision.

L’équipe Nof1, organisatrice de cette bataille de trading IA, a écrit sur son site :

Markets are the ultimate test of intelligence (Les marchés sont le test ultime de l’intelligence de l’IA).

Si le test de Turing traditionnel demande « pouvez-vous faire en sorte que les humains ne sachent pas que vous êtes une machine », alors l’Alpha Arena pose en réalité la question suivante :

Pouvez-vous gagner de l’argent sur le marché crypto ? C’est en fait la véritable attente des joueurs crypto envers l’IA.

Actuellement, les adresses des 6 grands modèles d’IA sur Hyperliquid sont les suivantes, vous pouvez facilement consulter leurs positions et historiques de trading.

En même temps, le site officiel de nof1.ai visualise en front-end tous leurs historiques de trades, positions, profits et processus de réflexion, ce qui permet à tous de s’y référer facilement.

Pour les lecteurs totalement novices, les règles de trading des IA sont les suivantes :

Chaque IA reçoit 10 000 dollars de fonds initiaux et peut trader des contrats perpétuels sur BTC, ETH, SOL, BNB, DOGE et XRP, l’objectif étant de maximiser les profits tout en contrôlant les risques. Toutes les IA doivent décider de manière autonome quand ouvrir ou fermer une position, et quel levier utiliser. La saison 1 durera quelques semaines selon l’évolution, la saison 2 apportera des mises à jour majeures.

Au 20 octobre, soit le troisième jour de trading, la situation s’est déjà nettement différenciée.

En tête actuellement : Deepseek Chat V3.1, avec un capital de 12 533 $ (+25,33 %). Suivi de près par Grok-4, 12 147 $ (+21,47 %) ; Claude Sonnet 4.5 est à 11 047 $ (+10,47 %).

Qwen3 Max affiche une performance moyenne, 10 263 $ (+2,63 %). GPT-5 est nettement à la traîne avec un solde de 7 442 $ (-25,58 %) ; le pire étant Gemini 2.5 Pro, 6 062 $ (-39,38 %).

La performance la plus surprenante, mais finalement logique, est bien sûr celle de Deepseek.

Surprenante, car ce modèle est bien moins populaire à l’international que GPT ou Claude. Logique, car Deepseek est soutenu par l’équipe de quant trading de High-Flyer Quant.

Ce géant du quant, qui gère plus de 100 milliards de RMB, s’est fait connaître grâce au trading algorithmique avant de se lancer dans l’IA. Passer du trading quantitatif aux grands modèles d’IA, puis utiliser l’IA pour trader en crypto réel, Deepseek revient un peu à ses racines.

À l’inverse, le GPT-5 d’OpenAI, pourtant si vanté, affiche une perte de plus de 25 %, et Gemini de Google fait encore pire : 44 trades pour près de 40 % de pertes.

Dans des scénarios de trading réels, de simples compétences linguistiques ne suffisent peut-être pas, la compréhension du marché est encore plus cruciale.

Même arme, style différent

Si vous suivez l’Alpha Arena depuis le 18 octobre, vous remarquerez qu’au début, les IA étaient proches, mais l’écart s’est creusé avec le temps.

À la fin du premier jour, le meilleur, Deepseek, n’avait gagné que 4 %, le pire, Qwen3, avait perdu 5,26 %. La plupart des IA oscillaient entre +2 % et -2 %, comme si elles testaient le marché.

Mais au 20 octobre, le paysage change radicalement. Deepseek grimpe à 25,33 %, tandis que Gemini chute à -39,38 %. En trois jours, l’écart entre le haut et le bas atteint 65 points de pourcentage.

Encore plus intéressant : la différence de fréquence de trading.

Gemini a réalisé 44 transactions, soit en moyenne 15 par jour, comme un trader spéculatif anxieux. Claude n’en a fait que 3, Grok a même encore des positions ouvertes. Cette différence ne s’explique pas par les prompts, car ils utilisent tous les mêmes.

Côté P&L, la plus grosse perte de Deepseek sur une position est de 348 $, mais le profit total est de 2 533 $. Pour Gemini, le plus gros gain sur une position est de 329 $, mais la plus grosse perte atteint 750 $.

Différentes IA (modèles standards, sans fine-tuning) équilibrent risque et rendement de façon totalement différente.

De plus, vous pouvez voir sur le site, dans l’onglet Model Chat, les logs de discussion et le processus de réflexion de chaque modèle, ces monologues sont particulièrement intéressants.

Comme les traders humains ont des styles différents, les IA semblent aussi afficher des personnalités distinctes. Gemini, avec ses trades fréquents et ses réflexions, ressemble à un hyperactif ; Claude, prudent, à un gestionnaire de fonds conservateur ; Deepseek, stable, à un vétéran du quant, ne parle que de positions, sans aucune émotion.

Cette personnalité ne semble pas avoir été conçue, mais plutôt émergée naturellement lors de l’entraînement. Face à l’incertitude, chaque IA tend vers une stratégie différente.

Toutes les IA voient les mêmes chandeliers, le même volume, la même profondeur de marché. Elles utilisent même les mêmes prompts. Alors, d’où vient une telle différence ?

L’influence des données d’entraînement est peut-être la clé.

Derrière Deepseek, High-Flyer Quant a accumulé d’énormes quantités de données et de stratégies de trading au fil des ans. Même si ces données ne sont pas utilisées directement pour l’entraînement, influencent-elles la compréhension de l’équipe sur ce qu’est une « bonne décision de trading » ?

À l’inverse, les données d’entraînement d’OpenAI et Google sont peut-être plus axées sur les articles académiques et les textes web, leur compréhension du trading réel est peut-être moins ancrée dans la réalité.

En même temps, certains traders supposent que Deepseek a peut-être optimisé spécifiquement la capacité de prévision de séries temporelles lors de l’entraînement, alors que GPT-5 excelle davantage dans le traitement du langage naturel. Face à des graphiques de prix structurés, différentes architectures donnent des résultats différents.

Observer l’IA trader, c’est aussi un business

Alors que tout le monde se concentre sur les gains et pertes des IA, peu prêtent attention à la société mystérieuse derrière tout cela.

nof1.ai, à l’origine de cette bataille de trading IA, n’est pas très connue. Mais si vous regardez sa liste de suivis sur les réseaux sociaux, vous trouverez quelques indices.

Derrière nof1.ai, il ne semble pas y avoir de crypto-entrepreneurs typiques, mais uniquement des chercheurs en IA issus du monde académique.

La bio du fondateur Jay A Zhang est aussi intéressante :

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

La réflexivité est la théorie centrale de Soros : la perception des acteurs du marché influence le marché, et l’évolution du marché influence à son tour leur perception. Qu’un chercheur en réflexivité mène une expérience de marché IA a quelque chose de prédestiné.

Permettre à tous d’observer comment l’IA trade, et voir comment cette « observation » influence le marché.

L’autre cofondateur, Matthew Siper, est doctorant en machine learning à l’Université de New York et chercheur en IA. Un doctorant non diplômé qui lance un projet, cela ressemble plus à une validation de recherche académique.

Parmi les autres comptes suivis par nof1, on trouve aussi des chercheurs de Google DeepMind et des professeurs associés de l’Université de New York, spécialisés en IA et jeux.

Au vu de leurs actions et de leur parcours, Nof1 n’est clairement pas là pour faire le buzz. Le nom de leur plateforme, SharpeBench, est ambitieux : le ratio de Sharpe est la référence pour mesurer la performance ajustée au risque, ils veulent peut-être créer une plateforme de benchmark pour les capacités de trading IA.

Certains pensent que Nof1 est soutenu par de gros capitaux, d’autres qu’ils préparent des services de trading IA à venir.

S’ils lancent un service d’abonnement aux stratégies de trading Deepseek, il y aura sans doute des clients. Et à partir de ce prototype, proposer de la gestion d’actifs IA, de l’abonnement à des stratégies ou des solutions de trading pour grandes entreprises, c’est un business tout à fait envisageable.

Au-delà de l’équipe elle-même, observer le trading IA est aussi lucratif.

Dès le lancement d’Alpha Arena, certains ont commencé à copier les trades.

La stratégie la plus simple : suivre Deepseek. Acheter ce qu’il achète, vendre ce qu’il vend. Dans les commentaires, certains font même l’inverse, prenant systématiquement la contrepartie de Gemini : quand Gemini achète, ils vendent, et vice versa.

Mais il y a un problème avec le copy trading : si tout le monde sait ce que Deepseek va acheter, la stratégie reste-t-elle efficace ? C’est ce que le fondateur Jay Zhang appelle la réflexivité : l’observation modifie l’objet observé.

Il y a ici une illusion de démocratisation des stratégies de trading de haut niveau.

En apparence, chacun peut connaître la stratégie de l’IA, mais en réalité, vous ne voyez que le résultat, pas la logique. Les logiques de take profit et stop loss de chaque IA ne sont pas forcément continues ni fiables.

Alors que Nof1 teste le comportement de trading IA, les particuliers cherchent la formule magique, d’autres traders essaient d’apprendre, et les chercheurs collectent des données.

Seule l’IA elle-même ignore qu’elle est observée, et continue d’exécuter chaque trade sérieusement. Si le test de Turing classique portait sur la « tromperie » et « l’imitation », la bataille de trading Alpha Arena actuelle est la réponse des crypto-players aux capacités et résultats de l’IA.

Dans ce marché crypto dominé par les résultats, une IA qui sait gagner de l’argent est peut-être plus importante qu’une IA qui sait discuter.