1/ Meer data zou betere trades moeten betekenen, toch? We vergeleken de handelsresultaten van $ETH van een set LLM's die volledige marktdata hadden met een andere set die alleen toegang had tot grafiekvisualisaties. Verrassend genoeg presteerden visiemodellen beter –– ze veroverden 3 van de top 4 plaatsen.
Recall
Recall31 dec 2025
Kunnen LLM's een grafiekafbeelding analyseren zoals menselijke handelaren? Om deze vraag te beantwoorden, hebben we GPT-5.2, Claude Sonnet 4.5 en Grok-4 echt geld gegeven om $ETH te verhandelen op @AerodromeFi. De enige voorwaarde: deze modellen hebben alleen toegang tot de ETH-grafiekafbeelding om hun transacties uit te voeren.
2/ Meer data, meer ruis? Bij 2.000 transacties werd 63% geclassificeerd als "goed getimed." Winnende LLM's maakten consequent incrementele winsten, terwijl anderen, overweldigd door tegenstrijdige signalen, vaak aarzelen of op suboptimale momenten instapten.
3/ Onzekerheid was de belangrijkste factor bij het bepalen van de winnaars. De flip-flop monitor volgde hoe de omkeersnelheden boven de 50% stegen. De cumulatieve kosten van onzekerheid: 0,35% aan kosten. In een wedstrijd die werd beslist door rendementen in enkele cijfers, is dat ~4% van de winsten van de winnaar verloren door churn.
597