Может ли ИИ пройти проп-челлендж? Итоги Alpha Arena

Может ли нейросеть торговать за человека? Самая наглядная проверка прошла осенью 2025 года в эксперименте Alpha Arena. Шесть крупнейших языковых моделей — GPT-5, Claude Sonnet 4.5, Gemini 2.5 Pro, Grok 4, DeepSeek V3.1 и Qwen3 Max — получили по $10,000 реальных денег и 17 дней торговали криптовалютой без участия человека. Четыре модели закончили с убытком от 42% до 59%. Две прибыльные, Qwen3 Max (+22.3%) и DeepSeek V3.1 (+4.9%), за первые десять дней удвоили счёт, но потом за считаные дни отдали рынку больше половины заработанного. По нашей оценке, на проп-челлендже такие дни нарушили бы стандартный дневной лимит просадки и счёт был бы закрыт вместе со всей прибылью. Ниже разбираем, что произошло, что говорят научные исследования и какой вывод из этого сделать трейдеру.

---

Это разбор фактов: цифры эксперимента, научные тесты и наш расчёт по правилам челленджа. Как применять ИИ в своей торговле, читайте в гайде «Как торговать с помощью ИИ».

Что такое Alpha Arena

Alpha Arena — эксперимент американской исследовательской компании Nof1. Он проверял простой вопрос: может ли универсальная языковая модель, та самая, с которой вы общаетесь в чате, сама торговать на настоящем рынке. Модели торговали не на исторических данных и не в симуляторе, а живыми деньгами, и каждая ошибка стоила реальных долларов.

Условия эксперимента

Все модели получали одинаковые инструкции и одинаковые данные: цены, индикаторы и состояние своего счёта. Выйти в интернет и почитать новости они не могли. Различались только решения, которые принимала каждая модель.

Чем это отличается от обычного теста

Большинство проверок ИИ в трейдинге — это бэктесты: модель «торгует» на исторических данных. Авторы исследования LiveTradeBench указывают на главную проблему такого подхода: утечку информации. Модель могла видеть эти данные при обучении, и тогда она не прогнозирует, а вспоминает. В Alpha Arena такой подсказки не было: модели торговали в реальном времени на рынке, будущего которого не знал никто, а все сделки были видны публично.

Итоги первого сезона

Сезон закончился 3 ноября 2025 года. Итоговые результаты опубликовал основатель Nof1, их пересказывает ForkLog:

Официальные страницы первого сезона на сайте Nof1 сейчас недоступны, поэтому мы опираемся на цифры, которые опубликовал основатель проекта. В пересказах СМИ встречаются немного другие значения, например для GPT-5, но расклад мест и общий вывод от этого не меняются.

Из шести моделей деньги заработали две. Остальные четыре потеряли почти половину счёта и больше. Но таблица показывает только финиш, а главное в этой истории — путь к нему.

Победители: дорога на вершину и обратно

К 27 октября, на десятый день сезона, обе будущие победительницы удвоили счёт. По данным South China Morning Post, DeepSeek вырос до $22,900 (+126%), а Qwen — до $20,850 (+108%).

Дальше рынок забрал почти всё. За следующую неделю DeepSeek потерял больше половины баланса, а Qwen откатился от максимума на 41%.

Стили у победителей были разными. Издание PANews разобрало сделки моделей за первые девять дней. DeepSeek торговал как терпеливый трендовый трейдер: всего 17 сделок, в среднем 49 часов в позиции, небольшие стопы и крупные цели по прибыли. Qwen действовал как игрок: обычно держал одну позицию, ставил на неё крупно и часто брал плечо 25× — максимум, разрешённый в соревновании.

Чтобы понять, насколько опасно такое плечо, достаточно простой арифметики. При плече 25× движение цены на 4% против позиции съедает 100% вложенной в неё маржи. Для криптовалюты изменение на 4% — вполне обычный день. Пока рынок рос, это умножало прибыль. Когда рынок развернулся, умножились и убытки.

Значит, «победитель» Alpha Arena — это модель, которая отдала рынку меньше заработанного, чем остальные. Итоговая доходность скрывает главное: насколько глубоко счёт проваливался по пути. Для проп-трейдера именно это решает всё. К этому мы вернёмся в расчёте ниже.

Проигравшие: слишком много сделок

У аутсайдеров проблема была другой, и она неожиданная: они не рисковали слишком сильно. По данным PANews, у GPT-5 и Gemini среднее плечо на позицию было меньше 1×. Их подвела частота.

Gemini к 27 октября совершил 165 сделок и только на комиссиях потратил больше $1,000. Он выходил при малейшей прибыли и малейшем убытке, и каждая сделка понемногу съедала счёт. GPT-5 сделал 63 сделки, из которых прибыльными оказались около 20%. Оба часто входили в рынок позже лидеров, когда движение уже прошло.

Итог — две противоположные ошибки, знакомые любому трейдеру. Лидеров подвело слишком большое плечо, аутсайдеров — суета. Поэтому мы и повторяем трейдерам: высокое плечо математически несовместимо с лимитами просадки, а частые сделки без перевеса только кормят комиссии. Плечо около 5× — осознанный выбор: при нём одна неудачная сделка не уничтожает счёт.

«Характер» нейросетей

Подводя итоги, основатель Nof1 Джей Азханг отметил: у моделей проявились устойчивые склонности, которые сохранялись весь сезон и при многих изменениях инструкций. По его словам, это похоже на инвестиционную «личность».

На практике это значит, что каждая модель повторяла свой стиль снова и снова, даже когда он переставал работать. Qwen продолжал ставить всё на одну позицию с большим плечом, а Gemini — открывать десятки мелких сделок. Так же ведёт себя трейдер, который из раза в раз повторяет одну и ту же ошибку.

Второй сезон: другой рынок — другой лидер

В конце 2025 года Nof1 провёл Season 1.5. Восемь моделей торговали уже американскими акциями в четырёх параллельных конкурсах. Первое место по опубликованным итогам заняла другая модель, а не победитель первого сезона. Это ещё один аргумент: успех в одном коротком эксперименте не переносится автоматически на другой рынок и другой период.

Прошли бы нейросети проп-челлендж: наш расчёт

Итоговая доходность Alpha Arena отвечает на вопрос «кто заработал больше». Трейдеру важнее другой вопрос: смогла бы модель торговать на счёте, где действуют правила риска? Чтобы ответить на него, мы наложили результаты моделей на правила челленджа Upscale. Они типичны для проп-трейдинга, поэтому вывод верен не только для нашей платформы.

Какие правила мы проверяем

Два важных уточнения. Баланс считается с учётом открытых позиций: убыток, который ещё не зафиксирован, тоже уменьшает баланс. А торговый день начинается в 00:00 UTC, и дневной лимит каждый день отсчитывается заново. Подробнее — в правилах челленджа.

Результат по моделям

С четырьмя проигравшими всё просто: счёт, потерявший 42–59%, закрылся бы по любому правилу. Интереснее две прибыльные модели. Общий лимит от начального баланса они, вероятнее всего, не нарушили бы: в первые дни они были в плюсе, а финишировали выше $10,000. Подвёл бы их дневной лимит.

Как мы считали

Полной истории баланса по каждой минуте в открытом доступе нет, поэтому мы опирались на опубликованные значения: максимум 27 октября и финиш 3 ноября. Этого хватает, чтобы сделать вывод. Покажем на примере DeepSeek.

Допустим, с 28 октября по 3 ноября DeepSeek ни разу не терял больше 5% за день. Тогда за эти семь дней его баланс мог снизиться максимум до 70% от уровня на начало 28 октября (0.95 в седьмой степени ≈ 0.70). Модель финишировала с $10,489, значит, на начало 28 октября у неё было бы не больше $15,020.

Но 27 октября баланс DeepSeek составлял $22,900. Получается, что всего за один день, 27 октября, он должен был потерять около 34%. В любом из двух вариантов дневной лимит нарушен. Тот же расчёт для Qwen даёт падение минимум на 16% за один день.

Почему удвоенный счёт не спас бы модели

Кажется логичным: если модель удвоила счёт, у неё большой запас. Но дневной лимит проверяется каждый день, а не только в начале. Когда баланс вырос до $22,900, 5% от него — это около $1,145. Модели же теряли тысячи долларов за сутки.

При нарушении лимита счёт закрывается сразу, а вся накопленная прибыль аннулируется. Модели не выводили деньги, поэтому потеряли бы весь заработок разом. Если бы на фандед-счёте трейдер запросил выплату ближе к пику, выведенная часть сохранилась бы. Но нейросеть сама об этом не думает: это решение человека.

В этом и смысл дневного лимита. Он не наказывает трейдера, а останавливает его в тот день, когда всё идёт не так, пока плохой день не превратился в потерю всего счёта.

Ограничения расчёта

Это оценка, а не точное моделирование. Мы накладываем путь баланса на лимиты риска, но не проходим этапы челленджа: в настоящем челлендже при переходе на следующий этап позиции закрываются, и дальнейшая торговля сложилась бы иначе. Кроме того, у нас есть только отдельные снимки баланса, а не вся история по минутам. Сам вывод от этого не меняется: дни с такими убытками несовместимы с дневным лимитом в 5%.

Что говорят научные исследования

Alpha Arena — один эксперимент длиной 17 дней. Учёные проверяли ИИ-трейдеров дольше и на других рынках. Вот главные работы последнего года и их выводы простыми словами.

Картина складывается такая: ИИ может торговать в плюс в отдельные периоды, но стабильного преимущества над рынком пока не доказано. А там, где агенты показывали хороший результат, решающим было не «интеллект» модели, а правила, по которым она работала.

Почему «умная» модель — ещё не хороший трейдер

Языковая модель училась на текстах: она хорошо объясняет, что такое плечо или тренд, но это не значит, что она умеет управлять риском. Основатель Nof1 отмечал, что языковые модели плохо работают с числовыми рядами — а график цены и есть такой ряд.

Есть и вторая проблема. Модель отвечает по-разному на один и тот же вопрос, и в торговле эта случайность превращается в случайные сделки. Человек может выработать дисциплину; модель следует ровно тем правилам, которые ей заданы, — и ничему сверх них.

Что это значит для трейдера

Может ли ИИ торговать за вас

Технически — да: нейросеть уже умеет открывать и закрывать сделки без участия человека. Но на сегодня нет доказательств, что она делает это стабильно прибыльно и при этом соблюдает лимиты риска. Эксперименты показывают обратное: модели зарабатывают на удачном отрезке и отдают заработанное, когда рынок разворачивается.

Это не значит, что ИИ в трейдинге бесполезен. Он хорошо работает как помощник: разбирает новости, помогает писать и проверять код, анализирует ваши сделки. Пять уровней использования ИИ в торговле — от аналитика до автономного агента — мы разобрали в гайде «Как торговать с помощью ИИ».

Ограничения риска — в коде, а не в инструкции для модели

Если вы автоматизируете торговлю, главный урок Alpha Arena простой: нельзя надеяться, что модель сама остановится. Предельное плечо, размер позиции и дневной стоп должны быть прописаны жёсткими правилами в программе, которую нейросеть не может обойти. Как подключить бота к челленджу и какие правила действуют для автоматической торговли, мы рассказали в статье «Торговля через API».

Те же ошибки совершают и люди

Слишком большое плечо, слишком частые сделки, попытка отыграться после убытка — это ошибки не только нейросетей. Если ваш челлендж закрылся, AI-разбор в личном кабинете покажет статистику по всем сделкам, три главные ошибки и план улучшений под каждую из них. Это хороший пример того, как ИИ полезен в трейдинге: не угадывать рынок, а помогать человеку видеть собственные ошибки.

С чего начать, если хочется торговать с ИИ

Начните с задач, где ошибка нейросети ничего не стоит: попросите её объяснить незнакомый термин, разобрать новость или проанализировать выгрузку ваших прошлых сделок. Следующий шаг — код. ИИ поможет написать индикатор или простого бота, но первые версии запускайте только на демо-счёте, а API-ключ не передавайте в чат. На реальный челлендж стоит переходить, только когда стратегия показала себя на демо, а лимиты по плечу, размеру позиции и дневному убытку жёстко прописаны в коде. Каждый из этих шагов подробно разобран в гайде «Как торговать с помощью ИИ».

Короткий эксперимент не доказывает, что нейросеть умеет торговать. За 17 дней Alpha Arena две модели из шести заработали, но обе по пути отдали рынку больше половины прибыли. Во втором сезоне на другом рынке лидер сменился. Научные исследования подтверждают ту же картину: стабильного преимущества ИИ над рынком пока нет.

Решает не «интеллект» модели, а правила, по которым она торгует. Модели теряли деньги не из-за недостатка знаний, а из-за ошибок в управлении риском: лидеров подвело высокое плечо, аутсайдеров — слишком частые сделки и комиссии. Там, где ИИ-агенты показывали хороший результат, важнее всего было устройство агента и встроенные ограничения риска.

Для трейдера на челлендже вывод практический. ИИ стоит использовать как помощника — для анализа, кода и разбора своих сделок, — а не как автопилот. Если вы автоматизируете торговлю, лимиты по плечу, размеру позиции и дневному убытку должны быть жёстко прописаны в коде. Дневной лимит просадки работает так же: он останавливает торговлю в плохой день, пока потеря дня не превратилась в потерю счёта.

---

Начни прямо сейчас: 👉 Upscale.trade | Telegram-бот

Подписывайтесь: 📺 YouTube | 𝕏 Twitter

Коммьюнити: 💬 Telegram-чат | 🎮 Discord

Что такое Alpha Arena?

Alpha Arena — эксперимент исследовательской компании Nof1, в котором языковые модели торговали реальными деньгами без участия человека. В первом сезоне, с 18 октября по 3 ноября 2025 года, шесть моделей — GPT-5, Claude Sonnet 4.5, Gemini 2.5 Pro, Grok 4, DeepSeek V3.1 и Qwen3 Max — получили по $10,000 и торговали бессрочными фьючерсами на криптовалюты на бирже Hyperliquid. Все модели получали одинаковые инструкции и данные.

Какая нейросеть победила в Alpha Arena?

Первый сезон выиграла Qwen3 Max от Alibaba: она закончила с $12,231, или +22.3%. Второе место заняла DeepSeek V3.1 с результатом +4.9%. Остальные четыре модели ушли в минус: Claude Sonnet 4.5 (−42.0%), Gemini 2.5 Pro (−45.6%), Grok 4 (−57.9%) и GPT-5 (−58.7%). Во втором сезоне, на американских акциях, победила уже другая модель.

Почему большинство ИИ-моделей ушли в минус?

У аутсайдеров главной проблемой были слишком частые сделки. По данным PANews, Gemini за девять дней совершил 165 сделок и потратил на комиссии больше $1,000, а у GPT-5 прибыльными оказались лишь около 20% сделок. Плечо у них было небольшим. Лидеров, наоборот, подвело высокое плечо: Qwen часто торговал с плечом 25×, и после разворота рынка обе прибыльные модели отдали больше половины заработанного.

Может ли нейросеть пройти проп-челлендж?

Доказательств этому пока нет. По нашей оценке, даже две прибыльные модели Alpha Arena нарушили бы стандартный дневной лимит просадки в 5%: в отдельные дни они теряли 15% баланса и больше. При нарушении лимита счёт закрывается, а вся накопленная прибыль аннулируется. Четыре убыточные модели нарушили бы и общий лимит просадки.

Можно ли копировать сделки ИИ-моделей?

Это рискованная идея. Результат короткого эксперимента не гарантирует будущей прибыли: во втором сезоне Alpha Arena лидер сменился, а научные исследования не находят у ИИ-трейдеров стабильного преимущества над рынком. Аналитики PANews тоже отмечали, что в успехе лидеров была доля удачи: они совпали с общим ростом рынка. Кроме того, сделки с плечом до 25× несовместимы с лимитами просадки большинства проп-челленджей.

Какая нейросеть лучше всего торгует криптовалютой?

Однозначного ответа нет. В первом сезоне Alpha Arena лучше всех выступила Qwen3 Max, но 17 дней — слишком короткий срок для выводов. Исследование LiveTradeBench показало, что место модели в общих рейтингах почти не связано с её торговыми результатами, а Agent Market Arena — что устройство агента влияет на результат сильнее выбора модели.

Можно ли торговать с помощью ИИ на Upscale?

Да. На Upscale можно подключить собственного бота через API, в том числе написанного с помощью ИИ, — подробности в статье «Торговля через API». На автоматическую торговлю распространяются те же лимиты просадки, что и на ручную. А после закрытия челленджа можно запросить AI-разбор: статистику по сделкам, три главные ошибки и план улучшений.