DeepSeek e Qwen disparam em teste ao vivo de negociação de cripto com IA enquanto modelos ocidentais tropeçam

Comerciantes de IA enfrentam teste de mercado ao vivo com DeepSeek na liderança

Uma experiência de alto risco está a colocar a inteligência artificial a trabalhar nos mercados de criptomoedas em direto, e a primeira classificação desafia pressupostos sobre quem constrói os melhores bots de negociação. Na Alpha Arena, um desafio com dinheiro real lançado pelo grupo de investigação americano Nof1, seis modelos de linguagem de grande escala bem conhecidos receberam cada um 10.000 dólares para negociar contratos perpétuos de criptomoedas na exchange descentralizada Hyperliquid. Após um período inicial turbulento, os modelos de origem chinesa DeepSeek e Qwen tomaram a dianteira, enquanto vários concorrentes ocidentais sofreram pesadas perdas.

Na tarde de segunda-feira, na última atualização publicada, o DeepSeek Chat V3.1 tinha elevado a sua conta para cerca de 22.500 dólares, um ganho de aproximadamente 125% desde o início das negociações a 18 de outubro. O Qwen 3 Max, da Alibaba, seguiu com um ganho próximo de 95%, tendo ultrapassado brevemente o DeepSeek durante a janela de 24 a 26 de outubro antes de deslizar de volta para o segundo lugar. No outro extremo do espetro, o GPT 5 da OpenAI e o Gemini 2.5 Pro do Google DeepMind registaram quedas acentuadas de cerca de 60%. O Grok 4 da xAI e o Claude 4.5 Sonnet da Anthropic apresentaram ganhos modestos na casa das dezenas baixas a médias.

A competição decorre até 3 de novembro, com todas as operações executadas de forma autónoma e registadas on-chain. Um ranking público acompanha as posições, os retornos e o raciocínio escrito por cada modelo sobre por que entrou ou saiu de posições. A ideia é simples de enunciar e difícil de dominar: fazer dinheiro em mercados voláteis ao gerir o risco. Após alguns dias, os resultados já mostram dispersão considerável, reversões abruptas e lições muito humanas sobre disciplina, alavancagem e paciência.

Como funciona a experiência

A Alpha Arena transforma modelos de linguagem em agentes de negociação. Cada modelo recebe o mesmo prompt de sistema e as mesmas entradas de mercado, decidindo depois quando comprar, vender ou manter posições em swaps perpétuos ligados a seis principais ativos. Esses ativos incluem bitcoin, ether, solana, dogecoin, BNB e XRP. Os perpétuos são um tipo de contrato de futuros sem data de expiração. Mantêm-se ancorados aos preços spot através de uma taxa de financiamento que periodicamente recompensa um lado do mercado e cobra ao outro. Esse mecanismo pode criar oportunidades, mas também introduz complexidade adicional quando os mercados se movem depressa. Os bots podem usar alavancagem, têm de definir níveis de take profit e stop loss, e são avaliados com base nos retornos ajustados ao risco e não apenas no lucro bruto.

Regras e salvaguardas

Cada modelo começou com os mesmos 10.000 dólares e negocia na Hyperliquid sob um endereço de carteira dedicado que o público pode monitorizar. Para manter o terreno nivelado, os organizadores fornecem as mesmas entradas a todos os participantes. Os agentes não têm acesso a notícias em direto nem a fluxos de dados proprietários, uma restrição que reduz o risco de manchetes mas também limita a sua capacidade de reagir a acontecimentos súbitos. A equipa da Alpha Arena reconheceu as preocupações da comunidade quanto a possível vantagem competitiva de front running de modelos bem conhecidos, mas não detalhou uma mitigação específica para além da transparência e da constante escrutínio. Os organizadores afirmam que o objetivo não é coroar um campeão permanente, mas testar o quão bem estes sistemas operam sob pressão num ambiente dinâmico e adversarial.

Quem está a ganhar de momento

O desempenho mudou rapidamente, mas um padrão está a emergir. Os ganhos do DeepSeek aceleraram após o fim de semana inicial, transformando um lucro inicial de um dígito em crescimento de três dígitos até ao início da segunda semana. O Qwen acompanhou ao fazer apostas direcionais grandes e por vezes liderou brevemente o grupo. O Grok e o Claude mantiveram-se perto do equilíbrio a retornos positivos baixos. O GPT 5 e o Gemini ficaram para trás, com perdas que em determinado momento se aproximaram ou excederam metade do capital inicial. Observadores que acompanhavam as carteiras também registaram oscilações intra-dia dramáticas. Uma atualização da comunidade notou que o património do DeepSeek caiu mais de 40% durante uma forte descida do mercado antes de recuperar, um lembrete de que as vitórias não vieram sem risco.

O contexto de mercado importa. O período incluiu uma recuperação do bitcoin e uma recuperação do ether após semanas de ação errática, condições que recompensaram os modelos dispostos a manter exposição comprada. Vários agentes alteraram o viés em conjunto, passando de posições vendidas para posições compradas sincronizadas à medida que o sentimento melhorou. Esse comportamento de rebanho é uma razão pela qual os retornos por vezes se moveram em sincronia, e é também por isso que o grupo permanece frágil se chegar uma reversão súbita.

Que estratégias os bots parecem usar

Embora todos os seis agentes vejam entradas idênticas, o seu comportamento não tem sido idêntico. Os registos públicos de transações e as notas dos próprios modelos mostram diferenças claras no apetite pelo risco, na dimensão das posições e no timing. Alguns concentram capital numa única moeda e apostam forte. Outros espalham o risco por vários ativos e usam alavancagem moderada. A qualidade de execução, a gestão de caixa e a disciplina nos stops separaram os líderes dos retardatários.

DeepSeek: diversificação e disciplina

O DeepSeek privilegiou um livro diversificado entre os seis ativos disponíveis, usando frequentemente alavancagem média e níveis de saída claramente definidos. No início da competição, o bot registou lucros em operações de ether, solana e bitcoin enquanto assumia uma pequena perda em XRP. Uma cadência constante de entradas, perdas rápidas quando as regras são violadas e paciência com os vencedores refletem-se no seu fluxo de raciocínio. Observadores externos atribuem a vantagem do DeepSeek à disciplina, à alocação equilibrada do risco e à gestão ativa de posições em vez de apostas impulsivas. A curva de património não foi uma linha reta, mas as subidas foram fortes o suficiente para compensar as descidas.

Qwen: concentração audaciosa

O percurso do Qwen caracterizou-se por posições grandes e concentradas. Em determinado momento foi all-in no bitcoin, o que funcionou bem durante uma alta. Mais tarde, mudou para uma posição comprada grande e de maior alavancagem em ether, que correu mal durante uma correção, fazendo-o cair do primeiro para o segundo lugar. Essa disponibilidade para carregar num único ativo explica tanto as subidas como as quedas do Qwen. Quando a direção está certa, os ganhos são grandes. Quando o timing falha, as quedas acumulam-se depressa.

Como os outros se desenrascaram

O Grok mostrou posicionamento flexível e períodos de vitórias constantes, mas também escorregou após momentos promissores. O Claude destacou-se ao abrir uma das maiores posições individuais na competição até à data, sinalizando disponibilidade para assumir risco após aguardar uma configuração de maior convicção. O GPT 5 ficou para trás após uma abertura cautelosa, lutando por adaptar-se à medida que as condições mudavam. A negociação rápida do Gemini e as inversões frequentes traduziram-se em perdas amplificadas quando a volatilidade disparou. A análise externa da competição salientou a tendência de alguns modelos ocidentais de devolver ganhos iniciais e de perseguir o preço, um padrão coerente com sistemas ajustados a dados históricos em vez de a feedback em direto.

Porque é que os modelos chineses lideram a tabela

Vários fatores podem explicar por que o DeepSeek e o Qwen superaram os restantes no início. O DeepSeek surgiu do High Flyer Quant, um hedge fund conhecido pelas suas estratégias quantitativas. Investidores e investigadores especularam que o treino do DeepSeek incluiu sinais financeiros de alta qualidade e ciclos de reforço orientados especificamente para a tomada de decisões de mercado. O custo é outro ponto de interesse. De acordo com materiais técnicos citados por analistas do setor, o custo total de treino do DeepSeek situou-se na ordem de alguns milhões de dólares, muito abaixo dos milhares de milhões gastos para construir chatbots gerais. Um custo inferior não garante melhores resultados, mas uma abordagem de treino estreitamente focada pode produzir um modelo que lê a estrutura de mercado e as dinâmicas de financiamento de forma mais eficaz do que um sistema conversacional amplo.

Existem também diferenças práticas na forma como prompts e regras foram interpretados. Vários quants experientes que acompanham a competição argumentaram que prompts profundos de domínio contam tanto quanto a escala bruta do modelo. Um conjunto de instruções cuidadosamente elaborado que enfatize a dimensão das posições, os colchões de caixa e stops rigorosos pode conduzir a um melhor comportamento mesmo que o modelo seja mais pequeno. Por contraste, um chatbot geral que seja do melhor nível mundial em escrever código ou responder a questões complicadas ainda pode ter dificuldades com o ritmo das entradas e saídas num livro de ordens em direto.

O que os primeiros resultados dizem sobre a IA em mercados voláteis

O marcador é impressionante no topo e preocupante em baixo. Essa divisão é um lembrete útil. Os agentes de IA podem agarrar-se à tendência certa e segui-la, mas também podem agravar erros quando o ciclo de feedback é ruidoso. Analistas que revisaram a primeira semana da Alpha Arena alertaram que alguns modelos ocidentais parecem sobreajustados a padrões históricos e carecem de adaptabilidade quando as condições mudam rapidamente. A dimensão das quedas aponta para lacunas no controlo de risco, especialmente em relação à alavancagem, à frequência das operações e à colocação de stops.

Jay Azhang, fundador da Nof1 e criador da Alpha Arena, defende que os mercados financeiros são o lugar certo para testar esses limites.

Os mercados financeiros são o melhor ambiente de treino para a próxima era da IA.

Uma preocupação é a correlação. Se muitos agentes são construídos sobre os mesmos modelos de base e alimentados com prompts semelhantes, podem comportar-se de forma semelhante. Isso aumenta a probabilidade de operações sobreconcentradas. Quando o mercado inverte, as perdas atingem muitos sistemas ao mesmo tempo. Outra questão é a natureza de caixa negra das decisões dos modelos. A competição publica o raciocínio gerado pelo modelo para cada operação, o que ajuda os observadores externos a compreender a intenção, mas não garante que o raciocínio esteja correto. Os modelos de linguagem são também propensos à alucinação, um termo elegante para nonsense confiante, que nos mercados pode transformar-se em erros onerosos se não for delimitado por regras rigorosas.

Há também leituras humanas a considerar. Alguns analistas de ações sugeriram que, se os modelos de linguagem demonstrarem desempenho superior duradouro com quedas geríveis, os investidores profissionais poderiam repensar a necessidade de pilhas quantitativas cada vez mais complexas. Outros contrapõem que os bots atuais são cegos às notícias em direto e carecem dos dados proprietários e da infraestrutura que as empresas de negociação modernas utilizam. Um meio-termo justo está a formar-se: mesmo que agentes totalmente autónomos não consigam vencer equipas humanas experientes ao longo de um ciclo, as explicações que estes modelos produzem podem dar aos traders ideias frescas e uma forma mais rápida de as testar. Nos bastidores, os operadores das plataformas e os reguladores estarão a observar questões de equidade, divulgação e conformidade caso os agentes automatizados se expandam nos mercados públicos.

Como acompanhar a competição e o que o público está a dizer

A Alpha Arena foi construída para escrutínio público. Cada bot tem um endereço de carteira Hyperliquid exclusivo. O ranking mostra as posições, os ganhos realizados e não realizados e a justificação mais recente em linguagem simples. Mais tarde na primeira semana, surgiram mercados de previsão em torno do resultado. Na Polymarket, os apostadores atribuíram ao DeepSeek a maior probabilidade de terminar em primeiro lugar, com probabilidades de quatro em dez e dezenas de milhares de dólares em volume num determinado instante. O espetáculo atraiu comentários de figuras proeminentes do mundo cripto. Um tema recorrente dos praticantes é que as estratégias únicas contam mais do que a força bruta, um ponto frequentemente levantado por operadores de exchanges experientes e gestores de fundos quando avaliam concorrentes algorítmicos.

Quem quiser acompanhar pode começar no site do organizador, com ligações para o ranking, as regras e as páginas dos modelos. Esse centro agrega as carteiras, as posições e os comentários num único lugar, permitindo ao público ver o que estes bots decidem a seguir. O site é este: nof1.ai.

O que vem a seguir

A temporada atual termina a 3 de novembro e as classificações ainda podem inverter-se. Os organizadores afirmam que planeiam alargar o formato para além das criptomoedas, incluindo ações e outros ativos. Uma plataforma para consumidores destinada a investimento baseado em agentes está no roadmap, o que permitiria a indivíduos testar ou implementar agentes com salvaguardas. A comunidade mais vasta já está a experimentar desafios derivados e agentes abertos que qualquer pessoa pode invocar para colocar uma operação simulada. Este momentum está a transformar a Alpha Arena num laboratório de investigação em direto sobre como os sistemas autónomos se comportam nos mercados.

É necessária uma cautela. As pesadas perdas de vários modelos mostram que um chatbot esperto não substitui um sistema de negociação completo. Os mercados em direto punem reações tardias, má dimensão das posições e execução descuidada. O lado positivo é que a competição está a gerar um conjunto de dados público raro sobre decisões de agentes sob stress. Esse registo, ganhe ou perca, poderá ser o resultado mais valioso de todos, porque dá a engenheiros e traders uma referência comum para melhorar. Com ainda vários dias de temporada, cada posição continua a ter peso, e cada stop ou take profit dirá aos observadores um pouco mais sobre o que estes bots realmente compreendem.

O essencial

• A Alpha Arena começou a 18 de outubro e decorre até 3 de novembro, com seis modelos de linguagem a negociar perpétuos de criptomoedas na Hyperliquid.
• Cada modelo começou com 10.000 dólares, prompts idênticos e as mesmas entradas de mercado, e tem de visar retornos ajustados ao risco.
• O DeepSeek Chat V3.1 liderava o grupo na tarde de segunda-feira com cerca de 125% de ganhos, enquanto o Qwen 3 Max registou aproximadamente 95%.
• O GPT 5 da OpenAI e o Gemini 2.5 Pro do Google sofreram pesadas perdas perto de 60%, com o Grok 4 e o Claude 4.5 Sonnet a mostrar ganhos modestos.
• Painéis públicos mostram cada operação, posição e a explicação do próprio modelo sobre por que agiu, juntamente com os endereços de carteira on-chain.
• Apostadores da comunidade na Polymarket deram ao DeepSeek a maior probabilidade de terminar em primeiro num determinado instante, com probabilidades de cerca de quatro em dez.
• Analistas apontam o sobreajuste, a fraca adaptabilidade e os débeis controlos de risco como razões para grandes quedas em alguns modelos ocidentais.
• O background do DeepSeek em investigação quantitativa e um foco mais especializado podem estar a ajudá-lo a ler melhor o financiamento e a estrutura de mercado.
• Os organizadores planeiam alargar o benchmark às ações e a outros ativos e lançar uma plataforma de agentes para consumidores com salvaguardas.
• A forte dispersão dos retornos sublinha que os agentes de IA podem capturar tendências mas também podem amplificar erros em mercados rápidos.