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

Traders de IA enfrentam teste ao vivo no mercado enquanto DeepSeek assume a liderança

Um experimento de alto risco está colocando a inteligência artificial para operar em mercados de criptomoedas ao vivo, e a classificação inicial está desafiando suposições sobre quem cria os melhores robôs de negociação. Na Alpha Arena, um desafio com dinheiro real lançado pelo grupo de pesquisa americano Nof1, seis grandes modelos de linguagem conhecidos receberam US$ 10 mil cada para negociar contratos perpétuos de criptomoedas na corretora descentralizada Hyperliquid. Após um início turbulento, os modelos chineses DeepSeek e Qwen abriram vantagem, enquanto vários concorrentes ocidentais acumularam perdas pesadas.

Na tarde de segunda-feira, segundo a atualização mais recente publicada, o DeepSeek Chat V3.1 havia elevado o saldo de sua conta para cerca de US$ 22,5 mil, um ganho de aproximadamente 125% desde o início das negociações, em 18 de outubro. O Qwen 3 Max, da Alibaba, vinha em seguida, com alta próxima de 95%. O modelo chegou a ultrapassar brevemente o DeepSeek entre 24 e 26 de outubro, antes de voltar ao segundo lugar. Na outra ponta, o GPT 5, da OpenAI, e o Gemini 2.5 Pro, do Google DeepMind, registraram perdas acentuadas, de cerca de 60%. O Grok 4, da xAI, e o Claude 4.5 Sonnet, da Anthropic, tiveram ganhos modestos, na casa das dezenas baixas a médias.

A competição vai até 3 de novembro. Todas as operações são executadas de forma autônoma e registradas na blockchain. Uma tabela pública acompanha as posições, os retornos e as justificativas escritas pelos próprios modelos para explicar por que abriram ou encerraram operações. A ideia é simples de enunciar e difícil de dominar: ganhar dinheiro em mercados voláteis sem deixar de controlar os riscos. Após poucos dias, os resultados já mostram uma grande dispersão, reversões bruscas e lições bem humanas sobre disciplina, alavancagem e paciência.

Como funciona o experimento

A Alpha Arena transforma modelos de linguagem em agentes de negociação. Cada modelo recebe a mesma instrução de sistema e os mesmos dados de mercado, e então decide quando comprar, vender ou manter posições em swaps perpétuos vinculados a seis grandes ativos. Entre eles estão bitcoin, ether, solana, dogecoin, BNB e XRP. Os contratos perpétuos são um tipo de contrato futuro sem data de vencimento. Eles acompanham os preços à vista por meio de uma taxa de financiamento, que periodicamente remunera um lado do mercado e cobra do outro. Esse mecanismo pode criar oportunidades, mas também acrescenta complexidade quando os mercados se movem rapidamente. Os robôs podem usar alavancagem, precisam definir níveis de realização de lucro e de stop loss e são avaliados pelos retornos ajustados ao risco, não apenas pelo lucro bruto.

Regras e salvaguardas

Cada modelo começou com US$ 10 mil e opera na Hyperliquid por meio de um endereço de carteira exclusivo que pode ser acompanhado pelo público. Para manter condições iguais, os organizadores fornecem os mesmos dados a todos os participantes. Os agentes não têm acesso a notícias em tempo real nem a fluxos de dados proprietários, uma restrição que reduz o risco associado a notícias de última hora, mas também limita a capacidade de reagir a acontecimentos repentinos. A equipe da Alpha Arena reconheceu as preocupações da comunidade com a possibilidade de operadores anteciparem as negociações de modelos conhecidos, mas não detalhou medidas específicas para evitar isso, além da transparência e do escrutínio constante. Os organizadores afirmam que o objetivo não é coroar um campeão definitivo, mas testar o desempenho desses sistemas sob pressão, em um ambiente dinâmico e adversarial.

Quem está vencendo agora

O desempenho mudou rapidamente, mas um padrão começa a surgir. Os ganhos do DeepSeek aceleraram depois do primeiro fim de semana: o lucro inicial, de um dígito percentual, virou um crescimento de três dígitos no começo da segunda semana. O Qwen acompanhou o ritmo com grandes apostas direcionais e, em alguns momentos, liderou brevemente a disputa. Grok e Claude oscilaram entre o ponto de equilíbrio e ganhos modestos. GPT 5 e Gemini ficaram para trás, com perdas que chegaram a se aproximar ou ultrapassar metade do capital inicial. Quem acompanha as carteiras também observou fortes oscilações intradiárias. Uma atualização da comunidade apontou que o patrimônio do DeepSeek caiu mais de 40% durante uma forte queda do mercado, antes de se recuperar, um lembrete de que os ganhos não vieram sem riscos.

O contexto do mercado importa. O período incluiu uma recuperação do bitcoin e uma alta do ether após semanas de oscilações, condições que favoreceram os modelos dispostos a manter posições compradas. Vários agentes mudaram de direção ao mesmo tempo, passando de posições vendidas para posições compradas sincronizadas à medida que o sentimento melhorou. Esse comportamento de manada é uma das razões pelas quais os retornos às vezes se moveram em conjunto e também explica por que o grupo continua vulnerável a uma reversão repentina.

Quais estratégias os robôs parecem usar

Embora os seis agentes recebam dados idênticos, seus comportamentos não são iguais. Os registros públicos das transações e as próprias anotações dos modelos revelam diferenças claras no apetite por risco, no tamanho das posições e no momento das operações. Alguns concentram capital em uma única moeda e fazem apostas ousadas. Outros distribuem o risco entre vários ativos e usam alavancagem moderada. A qualidade da execução, a gestão de caixa e a disciplina no uso de ordens de stop diferenciaram os líderes dos últimos colocados.

DeepSeek: diversificação e disciplina

O DeepSeek tem preferido uma carteira diversificada entre os seis ativos disponíveis, em geral com alavancagem média e níveis de saída bem definidos. No começo da competição, o robô registrou ganhos em operações com ether, solana e bitcoin, e teve uma pequena perda com XRP. Seu fluxo de justificativas mostra um ritmo constante de entradas, perdas rápidas quando as regras são violadas e paciência para manter posições vencedoras. Observadores externos atribuem a vantagem do DeepSeek à disciplina, à alocação equilibrada de risco e à gestão ativa das posições, e não a apostas desenfreadas. A curva de patrimônio não avançou em linha reta, mas as altas foram fortes o suficiente para compensar as quedas.

Qwen: concentração ousada

O percurso do Qwen foi marcado por posições grandes e concentradas. Em determinado momento, o modelo apostou tudo em bitcoin, uma estratégia que funcionou bem durante uma alta. Mais tarde, passou a manter uma grande posição comprada em ether, com alavancagem maior, que deu errado durante uma correção e o fez cair do primeiro para o segundo lugar. A disposição para concentrar recursos em um único ativo explica tanto os saltos do Qwen quanto seus tropeços. Quando acerta a direção, os ganhos são grandes. Quando erra o momento, as perdas se acumulam rapidamente.

O desempenho dos outros

O Grok mostrou flexibilidade nas posições e períodos de ganhos constantes, mas também recuou depois de fases promissoras. O Claude se destacou ao abrir uma das maiores posições individuais da competição até agora, sinalizando disposição para assumir riscos depois de esperar por uma oportunidade de alta convicção. O GPT 5 ficou para trás após um início cauteloso e teve dificuldade para se adaptar às mudanças nas condições. As negociações rápidas e as frequentes mudanças de direção do Gemini ampliaram as perdas quando a volatilidade aumentou. Análises externas da competição apontaram que alguns modelos ocidentais tendem a devolver ganhos iniciais e perseguir os preços, um padrão compatível com sistemas ajustados a dados passados, em vez de feedback em tempo real.

Por que os modelos chineses estão no topo da tabela

Vários fatores podem explicar o desempenho superior do DeepSeek e do Qwen neste início. O DeepSeek surgiu da High Flyer Quant, um fundo de hedge conhecido por suas estratégias quantitativas. Investidores e pesquisadores especulam que o treinamento do DeepSeek incluiu sinais financeiros de alta qualidade e ciclos de aprendizado por reforço voltados especificamente à tomada de decisões no mercado. O custo também chama atenção. Segundo materiais técnicos citados por analistas do setor, o treinamento completo do DeepSeek custou alguns milhões de dólares, muito menos do que os bilhões gastos para desenvolver chatbots de uso geral. O custo menor não garante resultados melhores, mas uma abordagem de treinamento bastante focada pode produzir um modelo que interpreta a estrutura do mercado e a dinâmica das taxas de financiamento com mais eficácia do que um sistema conversacional amplo.

Também há diferenças práticas na interpretação das instruções e das regras. Vários quantos experientes que acompanham a competição argumentam que instruções profundamente especializadas importam tanto quanto a escala bruta do modelo. Um conjunto de instruções cuidadosamente elaborado, que enfatize o dimensionamento das posições, as reservas de caixa e os stops rigorosos, pode levar a um comportamento melhor, mesmo em um modelo menor. Em contrapartida, um chatbot de uso geral que seja excepcional para escrever código ou responder a perguntas complexas ainda pode ter dificuldade com o ritmo de abertura e encerramento de posições em um livro de ofertas ao vivo.

O que os primeiros resultados mostram sobre IA em mercados voláteis

O placar impressiona no topo e assusta na parte de baixo. Essa diferença serve como um alerta útil. Agentes de IA podem identificar a tendência certa e acompanhá-la, mas também podem acumular erros quando o ciclo de feedback é ruidoso. Analistas que avaliaram a primeira semana da Alpha Arena alertaram que alguns modelos ocidentais parecem superajustados a padrões históricos e têm pouca capacidade de adaptação quando as condições mudam rapidamente. O tamanho das perdas aponta para falhas no controle de risco, especialmente no uso de alavancagem, na frequência das operações e na definição dos stops.

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

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

Uma preocupação é a correlação. Se muitos agentes forem construídos com os mesmos modelos de base e receberem instruções parecidas, poderão se comportar de maneira semelhante. Isso aumenta a chance de operações muito concentradas. Quando o mercado muda de direção, vários sistemas sofrem perdas ao mesmo tempo. Outro problema é a natureza opaca das decisões dos modelos. A competição publica as justificativas geradas pelos modelos para cada operação, o que ajuda o público a entender suas intenções, mas não garante que o raciocínio esteja correto. Modelos de linguagem também são propensos a alucinações, um termo delicado para dizer bobagens com confiança, algo que nos mercados pode se transformar em erros caros se não houver regras rígidas para contê-los.

Também vale considerar as opiniões de profissionais. Alguns analistas de ações sugeriram que, se os modelos de linguagem demonstrarem desempenho superior duradouro com perdas controláveis, investidores profissionais poderão repensar a necessidade de estruturas quantitativas cada vez mais complexas. Outros contrapõem que os robôs atuais não acompanham notícias em tempo real e não dispõem dos dados proprietários nem da infraestrutura usados pelas empresas modernas de negociação. Um meio-termo razoável começa a se formar: mesmo que agentes totalmente autônomos não consigam superar equipes humanas experientes ao longo de um ciclo, as explicações produzidas por esses modelos podem oferecer novas ideias aos traders e acelerar os testes. Nos bastidores, operadores de plataformas e órgãos reguladores acompanharão questões de equidade, divulgação de informações e conformidade caso o uso de agentes automatizados se expanda nos mercados públicos.

Como acompanhar a competição e o que diz o público

A Alpha Arena foi criada para permitir o escrutínio público. Cada robô tem um endereço exclusivo de carteira na Hyperliquid. A tabela de classificação mostra as posições, os ganhos realizados e não realizados e as justificativas mais recentes em linguagem simples. No fim da primeira semana, surgiram mercados de previsão sobre o resultado. Na Polymarket, apostadores atribuíram ao DeepSeek a maior probabilidade de terminar em primeiro lugar: quatro chances em dez e dezenas de milhares de dólares em volume em um determinado momento. O espetáculo atraiu comentários de figuras importantes do setor de criptomoedas. Um tema recorrente entre profissionais é que estratégias únicas importam mais do que poder de fogo bruto, ponto frequentemente levantado por operadores experientes de corretoras e gestores de fundos ao avaliar concorrentes algorítmicos.

Quem quiser acompanhar pode começar pelo site dos organizadores, que reúne links para a tabela de classificação, as regras e as páginas dos modelos. O portal agrupa as carteiras, posições e comentários em um só lugar, para que o público veja quais serão as próximas decisões dos robôs. O site está aqui: nof1.ai.

O que vem a seguir

A temporada atual termina em 3 de novembro, e as posições ainda podem mudar. Os organizadores dizem que pretendem expandir o formato para além das criptomoedas, incluindo ações e outros ativos. Uma plataforma para consumidores voltada a investimentos com agentes está nos planos e permitirá que pessoas testem ou implementem agentes com salvaguardas. A comunidade em geral já experimenta desafios derivados e agentes abertos com os quais qualquer pessoa pode interagir para simular uma operação. Esse impulso está transformando a Alpha Arena em um laboratório de pesquisa ao vivo sobre o comportamento de sistemas autônomos nos mercados.

É preciso ter cautela. As perdas pesadas de vários modelos mostram que um chatbot inteligente não substitui um sistema de negociação completo. Os mercados ao vivo penalizam reações tardias, dimensionamento inadequado das posições e execução descuidada. O lado positivo é que a competição está gerando um conjunto de dados público raro sobre as decisões de agentes sob pressão. Esse registro, com vitórias ou derrotas, pode ser o resultado mais valioso de todos, pois oferece a engenheiros e traders uma referência comum para aprimorar os sistemas. Com vários dias ainda pela frente na temporada, cada posição continua tendo peso, e cada stop ou ordem de realização de lucro revelará um pouco mais sobre o que esses robôs realmente entendem.

O essencial

• A Alpha Arena começou em 18 de outubro e vai até 3 de novembro, com seis modelos de linguagem negociando contratos perpétuos de criptomoedas na Hyperliquid.
• Cada modelo começou com US$ 10 mil, recebeu instruções e dados de mercado idênticos e precisa buscar retornos ajustados ao risco.
• O DeepSeek Chat V3.1 liderava a competição na tarde de segunda-feira, com ganhos de cerca de 125%, enquanto o Qwen 3 Max registrava aproximadamente 95%.
• O GPT 5, da OpenAI, e o Gemini 2.5 Pro, do Google, sofreram perdas acentuadas, próximas de 60%. O Grok 4 e o Claude 4.5 Sonnet tiveram ganhos modestos.
• Painéis públicos mostram cada operação, posição e explicação do próprio modelo para suas decisões, além dos endereços das carteiras registrados na blockchain.
• Em determinado momento, apostadores da comunidade na Polymarket atribuíram ao DeepSeek a maior chance de terminar em primeiro lugar, com cerca de quatro chances em dez.
• Analistas apontam o superajuste, a baixa capacidade de adaptação e os controles de risco frágeis como motivos para as grandes perdas de alguns modelos ocidentais.
• A experiência do DeepSeek em pesquisa quantitativa e seu foco mais especializado podem ajudá-lo a interpretar melhor as taxas de financiamento e a estrutura do mercado.
• Os organizadores planejam ampliar o teste para ações e outros ativos e lançar uma plataforma para consumidores com agentes e salvaguardas.
• A grande disparidade nos retornos mostra que agentes de IA podem acompanhar tendências, mas também ampliar erros em mercados que se movem rapidamente.