1/ Plus de données devraient signifier de meilleures transactions, non ? Nous avons comparé les résultats de trading de $ETH d'un ensemble de LLMs qui avaient accès à des données de marché complètes avec un autre ensemble qui n'avait accès qu'à des visuels de graphiques. Étonnamment, les modèles de vision ont surpassé –– remportant 3 des 4 premières places.
Recall
Recall31 déc. 2025
Les LLM peuvent-ils analyser une image de graphique comme des traders humains ? Pour répondre à cette question, nous avons donné à GPT-5.2, Claude Sonnet 4.5 et Grok-4 de l'argent réel pour trader $ETH sur @AerodromeFi. Le seul hic : ces modèles n'auront accès qu'à l'image du graphique ETH pour effectuer leurs transactions.
2/ Plus de données, plus de bruit ? Sur 2 000 transactions, 63 % ont été classées comme "bien chronométrées." Les LLM gagnants ont constamment réalisé des gains incrémentiels, tandis que d'autres, submergés par des signaux contradictoires, hésitaient souvent ou entraient à des moments sous-optimaux.
3/ L'indécision a été le facteur majeur dans la détermination des gagnants. Le moniteur de retournement a suivi comment les taux de retournement ont grimpé au-dessus de 50%. Le coût cumulé de l'indécision : 0,35% en frais de traînée. Dans un concours décidé par des rendements à un chiffre, cela représente ~4% des gains du gagnant perdus à cause du churn.
597