DeepSeek et Qwen s’envolent lors d’un test de trading crypto en direct, tandis que les modèles occidentaux trébuchent

Les traders IA passent l’épreuve des marchés en direct, avec DeepSeek en tête

Une expérience à haut risque met l’intelligence artificielle à l’épreuve des marchés des cryptomonnaies en conditions réelles, et le classement provisoire remet en question les idées reçues sur les meilleurs concepteurs de robots de trading. Dans Alpha Arena, un défi avec de l’argent réel lancé par le groupe de recherche américain Nof1, six grands modèles de langage réputés ont reçu chacun 10 000 dollars pour négocier des contrats perpétuels sur cryptomonnaies sur la plateforme d’échange décentralisée Hyperliquid. Après des débuts mouvementés, les modèles chinois DeepSeek et Qwen ont pris la tête, tandis que plusieurs concurrents occidentaux ont essuyé de lourdes pertes.

Lundi après-midi, selon la dernière mise à jour publiée, DeepSeek Chat V3.1 avait porté son compte à environ 22 500 dollars, soit un gain d’environ 125 % depuis le début des échanges, le 18 octobre. Qwen 3 Max, d’Alibaba, suivait avec un gain proche de 95 %, après avoir brièvement dépassé DeepSeek entre le 24 et le 26 octobre avant de repasser à la deuxième place. À l’autre extrémité du classement, GPT 5 d’OpenAI et Gemini 2.5 Pro de Google DeepMind ont subi de fortes baisses, de l’ordre de 60 %. Grok 4, de xAI, et Claude 4.5 Sonnet, d’Anthropic, ont enregistré des gains modestes, de quelques dizaines de pour cent tout au plus.

Le concours se poursuit jusqu’au 3 novembre. Toutes les transactions sont exécutées de manière autonome et consignées sur la blockchain. Un classement public suit les positions, les rendements et les explications rédigées par chaque modèle pour justifier l’ouverture ou la clôture de ses positions. L’objectif est simple à énoncer, mais difficile à atteindre : gagner de l’argent sur des marchés volatils tout en maîtrisant les risques. Après seulement quelques jours, les résultats révèlent déjà des écarts considérables, de brusques retournements et des leçons très humaines sur la discipline, l’effet de levier et la patience.

Comment fonctionne l’expérience

Alpha Arena transforme des modèles de langage en agents de trading. Chaque modèle reçoit la même instruction système et les mêmes données de marché, puis décide quand acheter, vendre ou conserver des positions sur des swaps perpétuels adossés à six actifs majeurs : le bitcoin, l’ether, le solana, le dogecoin, le BNB et le XRP. Les contrats perpétuels sont des contrats à terme sans date d’échéance. Ils restent proches des cours au comptant grâce à un taux de financement qui rémunère périodiquement un côté du marché et fait payer l’autre. Ce mécanisme peut créer des occasions, mais il ajoute aussi de la complexité lorsque les marchés évoluent rapidement. Les robots peuvent recourir à l’effet de levier et doivent définir des seuils de prise de bénéfices et de limitation des pertes. Ils sont évalués selon des rendements ajustés du risque, et pas seulement en fonction des profits bruts.

Règles et garde-fous

Chaque modèle a démarré avec 10 000 dollars et négocie sur Hyperliquid depuis une adresse de portefeuille dédiée, consultable par le public. Pour garantir des conditions équitables, les organisateurs fournissent les mêmes données à tous les participants. Les agents n’ont accès ni aux actualités en direct ni à des flux de données propriétaires. Cette contrainte réduit les risques liés aux nouvelles de dernière minute, mais limite aussi leur capacité à réagir à des événements soudains. L’équipe d’Alpha Arena a reconnu les inquiétudes de la communauté concernant une possible exécution anticipée des ordres des modèles les plus connus, sans préciser de mesure particulière au-delà de la transparence et d’une surveillance constante. Les organisateurs affirment que l’objectif n’est pas de désigner un champion permanent, mais de tester la capacité de ces systèmes à fonctionner sous pression dans un environnement dynamique et concurrentiel.

Qui est en tête actuellement ?

Les performances ont évolué rapidement, mais une tendance se dessine. Les gains de DeepSeek se sont accélérés après le premier week-end, faisant passer un léger bénéfice initial à une progression à trois chiffres au début de la deuxième semaine. Qwen a suivi le rythme en prenant de grandes positions directionnelles et a même brièvement mené le classement. Grok et Claude ont oscillé autour de l’équilibre, avec de faibles gains. GPT 5 et Gemini ont décroché, leurs pertes ayant à un moment approché ou dépassé la moitié de leur capital de départ. Les observateurs qui suivent les portefeuilles ont également relevé de fortes variations en cours de séance. Selon une mise à jour de la communauté, la valeur du portefeuille de DeepSeek a chuté de plus de 40 % lors d’un brusque repli du marché, avant de se redresser : un rappel que les gains ne se sont pas faits sans risque.

Le contexte de marché compte. La période a été marquée par un rebond du bitcoin et une reprise de l’ether après plusieurs semaines d’évolutions erratiques, des conditions favorables aux modèles disposés à conserver des positions longues. Plusieurs agents ont infléchi leur stratégie dans le même sens, passant de positions vendeuses à des positions acheteuses synchronisées à mesure que le sentiment s’améliorait. Ce comportement grégaire explique en partie pourquoi les rendements ont parfois évolué de concert, et rend aussi le groupe vulnérable en cas de retournement soudain.

Les stratégies apparentes des robots

Bien que les six agents reçoivent les mêmes données, leurs comportements diffèrent. Les historiques de transactions publics et les notes rédigées par les modèles révèlent des écarts nets dans leur appétit pour le risque, la taille de leurs positions et leur calendrier d’intervention. Certains concentrent leur capital sur une seule cryptomonnaie et misent gros. D’autres répartissent les risques entre plusieurs actifs et recourent à un effet de levier modéré. La qualité d’exécution, la gestion des liquidités et le respect des seuils de perte ont distingué les premiers du classement des derniers.

DeepSeek : diversification et discipline

DeepSeek a privilégié un portefeuille diversifié sur les six actifs disponibles, en recourant souvent à un effet de levier moyen et à des seuils de sortie clairement définis. Au début du concours, le robot a enregistré des gains sur des transactions portant sur l’ether, le solana et le bitcoin, tout en essuyant une légère perte sur le XRP. Son flux de raisonnement fait apparaître un rythme régulier de prises de position, des pertes rapidement limitées lorsque les règles ne sont pas respectées et de la patience pour laisser courir les gains. Des observateurs extérieurs attribuent son avantage à sa discipline, à une répartition équilibrée du risque et à une gestion active des positions, plutôt qu’à des paris hasardeux. La courbe de valorisation n’a pas progressé en ligne droite, mais les hausses ont été suffisamment fortes pour compenser les replis.

Qwen : une concentration audacieuse

Qwen a misé sur de grandes positions concentrées. À un moment, le modèle a tout misé sur le bitcoin, une stratégie payante pendant une hausse. Il est ensuite passé à une importante position acheteuse sur l’ether, avec un effet de levier plus élevé, qui s’est retournée contre lui lors d’un repli, le faisant passer de la première à la deuxième place. Cette volonté de concentrer les mises sur un seul actif explique à la fois les envolées de Qwen et ses revers. Lorsque son pari directionnel est juste, les gains sont importants. Lorsque le timing est mauvais, les pertes s’accumulent rapidement.

Les performances des autres modèles

Grok a adopté des positions flexibles et connu des périodes de gains réguliers, mais a aussi reculé après des séquences prometteuses. Claude s’est distingué en ouvrant l’une des plus grandes positions individuelles du concours à ce jour, signe qu’il était prêt à prendre des risques après avoir attendu une configuration jugée plus convaincante. GPT 5 a pris du retard après des débuts prudents et a peiné à s’adapter à l’évolution des conditions. Les transactions rapides et les retournements fréquents de Gemini ont amplifié ses pertes lorsque la volatilité s’est accentuée. Des analyses externes du concours ont relevé que certains modèles occidentaux ont tendance à effacer leurs gains initiaux et à courir après les cours, un comportement caractéristique de systèmes ajustés aux données passées plutôt qu’aux signaux reçus en temps réel.

Pourquoi les modèles chinois dominent le classement

Plusieurs facteurs pourraient expliquer les bonnes performances initiales de DeepSeek et de Qwen. DeepSeek est issu de High Flyer Quant, un fonds spéculatif connu pour ses stratégies quantitatives. Des investisseurs et des chercheurs ont avancé que l’entraînement de DeepSeek avait pu s’appuyer sur des signaux financiers de grande qualité et des cycles d’apprentissage par renforcement spécialement conçus pour la prise de décision sur les marchés. Le coût est un autre point d’intérêt. Selon des documents techniques cités par des analystes du secteur, l’entraînement complet de DeepSeek aurait coûté quelques millions de dollars, bien moins que les milliards consacrés à la mise au point de chatbots généralistes. Un coût inférieur ne garantit pas de meilleurs résultats, mais une approche d’entraînement très ciblée peut produire un modèle qui interprète plus efficacement la structure des marchés et les dynamiques de financement qu’un système conversationnel généraliste.

La manière dont les instructions et les règles ont été interprétées diffère également sur le plan pratique. Plusieurs spécialistes chevronnés des stratégies quantitatives qui suivent le concours estiment que des instructions approfondies dans un domaine comptent autant que la taille brute du modèle. Un jeu d’instructions soigneusement élaboré, qui insiste sur la taille des positions, les réserves de liquidités et le respect strict des seuils de perte, peut améliorer les décisions, même avec un modèle plus petit. À l’inverse, un chatbot généraliste capable d’écrire du code ou de répondre à des questions complexes à un niveau exceptionnel peut tout de même avoir du mal à trouver le bon rythme pour ouvrir et clôturer des positions dans un carnet d’ordres en direct.

Ce que les premiers résultats révèlent sur l’IA dans les marchés volatils

En haut du classement, les résultats sont impressionnants ; en bas, ils sont mauvais. Cet écart est riche d’enseignements. Les agents d’IA peuvent repérer la bonne tendance et la suivre, mais aussi enchaîner les erreurs lorsque les signaux de retour sont bruités. Des analystes ayant passé en revue la première semaine d’Alpha Arena ont averti que certains modèles occidentaux semblent surajustés aux tendances historiques et manquent d’adaptabilité lorsque les conditions changent rapidement. L’ampleur des pertes met en évidence des lacunes dans la maîtrise des risques, notamment en ce qui concerne l’effet de levier, la fréquence des transactions et le placement des seuils de perte.

Jay Azhang, fondateur de Nof1 et créateur d’Alpha Arena, estime que les marchés financiers sont le bon terrain pour tester ces limites.

Les marchés financiers sont le meilleur environnement d’entraînement pour la prochaine ère de l’IA.

La corrélation constitue une première source d’inquiétude. Si de nombreux agents reposent sur les mêmes modèles de base et reçoivent des instructions similaires, ils risquent d’adopter des comportements comparables, ce qui augmente la probabilité de positions encombrées. Quand le marché se retourne, de nombreux systèmes peuvent subir des pertes simultanément. L’opacité des décisions des modèles pose un autre problème. Le concours publie le raisonnement généré par les modèles pour chaque transaction, ce qui aide les observateurs à comprendre leurs intentions, mais ne garantit pas que ce raisonnement soit juste. Les modèles de langage sont également sujets aux hallucinations, terme poli pour désigner des absurdités formulées avec assurance, qui peuvent se traduire sur les marchés par des erreurs coûteuses si des règles strictes ne les encadrent pas.

Les avis des professionnels méritent aussi d’être pris en compte. Certains analystes actions estiment que, si les modèles de langage démontrent une surperformance durable avec des pertes maîtrisées, les investisseurs professionnels pourraient reconsidérer la nécessité de recourir à des architectures quantitatives toujours plus complexes. D’autres rappellent que les robots actuels n’ont pas accès aux actualités en direct et ne disposent ni des données propriétaires ni des infrastructures utilisées par les sociétés de trading modernes. Un compromis raisonnable se dessine : même si des agents entièrement autonomes ne parviennent pas à battre des équipes humaines expérimentées sur un cycle complet, les explications qu’ils produisent pourraient donner de nouvelles idées aux traders et accélérer leur mise à l’épreuve. En coulisses, les opérateurs de plateformes et les autorités de régulation suivront les questions d’équité, de transparence et de conformité si les agents automatisés se généralisent sur les marchés publics.

Suivre le concours et les réactions du public

Alpha Arena est conçu pour être scruté par le public. Chaque robot dispose d’une adresse de portefeuille Hyperliquid qui lui est propre. Le classement indique les positions, les gains réalisés et latents, ainsi que les justifications récentes en langage courant. Plus tard au cours de la première semaine, des marchés de prédiction ont fait leur apparition autour de l’issue du concours. Sur Polymarket, les parieurs donnaient à DeepSeek les meilleures chances de terminer premier, avec une probabilité de quatre sur dix et des dizaines de milliers de dollars de volume à un instant donné. Le spectacle a suscité des commentaires de personnalités du secteur des cryptomonnaies. Les professionnels soulignent régulièrement que les stratégies originales comptent davantage que la puissance brute, un point souvent avancé par les opérateurs expérimentés de plateformes d’échange et les gestionnaires de fonds lorsqu’ils évaluent des concurrents algorithmiques.

Pour suivre le concours, il suffit de consulter le site des organisateurs, qui fournit des liens vers le classement, les règles et les pages consacrées aux modèles. Ce portail rassemble les portefeuilles, les positions et les commentaires afin que le public puisse voir les prochaines décisions des robots. Le site est accessible ici : nof1.ai.

La suite

La saison en cours s’achève le 3 novembre, et le classement peut encore changer. Les organisateurs prévoient d’élargir le format au-delà des cryptomonnaies, aux actions et à d’autres actifs. Une plateforme grand public d’investissement par agents figure également sur la feuille de route ; elle permettrait aux particuliers de tester ou de déployer des agents dotés de garde-fous. La communauté élargie expérimente déjà des défis dérivés et des agents ouverts que tout le monde peut solliciter pour passer un ordre fictif. Cette dynamique fait d’Alpha Arena un laboratoire de recherche en direct sur le comportement des systèmes autonomes sur les marchés.

La prudence reste de mise. Les lourdes pertes subies par plusieurs modèles montrent qu’un chatbot astucieux ne remplace pas un système de trading complet. Les marchés en direct sanctionnent les réactions tardives, les positions mal calibrées et les exécutions approximatives. Le concours a toutefois un avantage : il produit un rare jeu de données public sur les décisions d’agents soumis au stress. Ces données, que les modèles gagnent ou perdent, pourraient être son apport le plus précieux, car elles fournissent aux ingénieurs et aux traders une référence commune pour progresser. À quelques jours de la fin de la saison, chaque position compte encore, et chaque seuil de perte ou de prise de bénéfices en dira un peu plus aux observateurs sur ce que ces robots comprennent réellement.

L’essentiel

• Alpha Arena a débuté le 18 octobre et se poursuit jusqu’au 3 novembre. Six modèles de langage négocient des contrats perpétuels sur cryptomonnaies sur Hyperliquid.
• Chaque modèle a démarré avec 10 000 dollars, les mêmes instructions et les mêmes données de marché, et doit viser des rendements ajustés du risque.
• Lundi après-midi, DeepSeek Chat V3.1 menait le classement avec environ 125 % de gains, tandis que Qwen 3 Max affichait une progression d’environ 95 %.
• GPT 5 d’OpenAI et Gemini 2.5 Pro de Google ont essuyé de lourdes pertes, proches de 60 %, tandis que Grok 4 et Claude 4.5 Sonnet ont enregistré des gains modestes.
• Les tableaux de bord publics présentent chaque transaction, chaque position et les explications des modèles, ainsi que les adresses de portefeuilles sur la blockchain.
• À un instant donné, les parieurs de Polymarket estimaient que DeepSeek avait le plus de chances de finir premier, avec une probabilité d’environ quatre sur dix.
• Les analystes évoquent le surajustement, le manque d’adaptabilité et la faiblesse des contrôles des risques pour expliquer les fortes pertes de certains modèles occidentaux.
• L’expérience de DeepSeek en recherche quantitative et son approche plus spécialisée pourraient l’aider à mieux interpréter les taux de financement et la structure des marchés.
• Les organisateurs prévoient d’étendre le test aux actions et à d’autres actifs, et de lancer une plateforme grand public d’agents dotée de garde-fous.
• Les grands écarts de rendement montrent que les agents d’IA peuvent profiter des tendances, mais aussi amplifier leurs erreurs lorsque les marchés évoluent rapidement.