ผู้เขียนต้นฉบับ: แฟรงค์, PANews

ในเวลาไม่ถึงสิบวัน เงินก็เพิ่มเป็นสองเท่า

เมื่อ DeepSeek และ Qwen3 ประสบความสำเร็จในการเทรดสดด้วย AI AlphaZero ของ Nof1 ประสิทธิภาพในการทำกำไรของพวกเขานั้นเหนือกว่าเทรดเดอร์ที่เป็นมนุษย์ส่วนใหญ่อย่างมาก สิ่งนี้บังคับให้เราต้องเผชิญหน้ากับคำถามที่ว่า AI กำลังเปลี่ยนผ่านจาก "เครื่องมือวิจัย" ไปเป็น "เทรดเดอร์แนวหน้า" พวกเขาคิดอย่างไร? PANews ได้ทำการทบทวนการเทรด 10 วันที่ผ่านมาอย่างครอบคลุมโดยโมเดล AI หลัก 6 ตัวในการแข่งขันครั้งนี้ เพื่อพยายามเปิดเผยความลับในการตัดสินใจของเทรดเดอร์ AI เหล่านี้

การดวลทางเทคนิคล้วนๆ ที่ไม่มี "ช่องว่างข้อมูล"

ก่อนที่เราจะเริ่มการวิเคราะห์ เราต้องชี้แจงสมมติฐานเบื้องต้น: การตัดสินใจของ AI ในการแข่งขันครั้งนี้ดำเนินการแบบออฟไลน์ แบบจำลองทั้งหมดได้รับข้อมูลทางเทคนิคเดียวกันแบบพาสซีฟ (รวมถึงราคาปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ MACD, RSI, อัตราดอกเบี้ยเปิด, อัตราเงินทุน และอนุกรมเวลา 4 ชั่วโมง 3 นาที) และไม่สามารถเชื่อมต่ออินเทอร์เน็ตเพื่อรับข้อมูลพื้นฐานได้

วิธีนี้จะช่วยขจัดการแทรกแซงจาก "ความไม่สมดุลของข้อมูล" และทำให้การแข่งขันครั้งนี้กลายเป็นบททดสอบขั้นสุดท้ายของแนวคิดโบราณที่ว่า "การวิเคราะห์ทางเทคนิคล้วนๆ จะสร้างกำไรได้หรือไม่"

ในแง่ของเนื้อหาที่เฉพาะเจาะจง AI สามารถรับลักษณะต่อไปนี้ได้:

1. สถานะตลาดปัจจุบันของสกุลเงิน: รวมถึงข้อมูลราคาปัจจุบัน ราคาเฉลี่ยเคลื่อนที่ 20 วัน ข้อมูล MACD ข้อมูล RSI ข้อมูลดอกเบี้ยเปิด อัตราการระดมทุน และชุดข้อมูลระหว่างวัน (รอบ 3 นาที) และชุดข้อมูลแนวโน้มระยะยาว (รอบ 4 ชั่วโมง) ของข้อมูลบางส่วนที่กล่าวถึงข้างต้น

2. ข้อมูลบัญชีและประสิทธิภาพการทำงาน: รวมถึงประสิทธิภาพโดยรวมของบัญชีเดินสะพัด อัตราผลตอบแทน เงินที่มีอยู่ อัตราส่วนชาร์ป ฯลฯ ประสิทธิภาพแบบเรียลไทม์ของสถานะปัจจุบัน จุดทำกำไร จุดตัดขาดทุน และเงื่อนไขการหมดอายุในปัจจุบัน ฯลฯ

DeepSeek: ผู้เชี่ยวชาญด้านเทรนด์ที่สงบและคุณค่าของ "การทบทวน"

ณ วันที่ 27 ตุลาคม บัญชีของ DeepSeek มีมูลค่าสูงสุดที่ 23,063 ดอลลาร์สหรัฐฯ โดยมีกำไรสูงสุดประมาณ 130% ซึ่งทำให้ DeepSeek เป็นโมเดลที่มีประสิทธิภาพดีที่สุดอย่างไม่ต้องสงสัย และจากการวิเคราะห์พฤติกรรมการซื้อขายของ DeepSeek พบว่าความสำเร็จนี้ไม่ใช่เรื่องบังเอิญ

ประการแรก ในแง่ของความถี่ในการเทรด DeepSeek แสดงให้เห็นถึงสไตล์การเทรดแบบความถี่ต่ำของเทรดเดอร์ตามแนวโน้ม ตลอดระยะเวลาเก้าวัน DeepSeek ได้ทำการเทรดสำเร็จ 17 ครั้ง ซึ่งถือเป็นจำนวนน้อยที่สุดในบรรดาโมเดลทั้งหมด จากการเทรด 17 ครั้งนี้ DeepSeek เลือกเทรดแบบ long 16 ครั้ง และ short 1 ครั้ง ซึ่งสอดคล้องกับการฟื้นตัวของตลาดโดยรวมจากจุดต่ำสุดในช่วงเวลาดังกล่าว

แน่นอนว่าการเลือกทิศทางนี้ไม่ใช่เรื่องบังเอิญ DeepSeek ได้ทำการวิเคราะห์อย่างครอบคลุมผ่านตัวบ่งชี้ต่างๆ เช่น RSI และ MACD และเชื่อมั่นเสมอว่าตลาดโดยรวมมีแนวโน้มขาขึ้น จึงเลือกที่จะเปิดสถานะ Long ไว้อย่างมั่นคง

ในระหว่างกระบวนการซื้อขายจริง คำสั่งซื้อขายเริ่มต้นของ DeepSeek ไม่ราบรื่น โดยคำสั่งซื้อขายห้ารายการแรกล้มเหลวทั้งหมด อย่างไรก็ตาม การขาดทุนค่อนข้างน้อย โดยคำสั่งซื้อขายสูงสุดไม่เกิน 3.5% นอกจากนี้ ระยะเวลาการถือครองสำหรับคำสั่งซื้อขายช่วงแรกเหล่านี้ค่อนข้างสั้น โดยการปิดคำสั่งซื้อขายที่สั้นที่สุดใช้เวลาเพียงแปดนาที เมื่อตลาดเคลื่อนไหวไปในทิศทางที่ต้องการ สถานะของ DeepSeek ก็เริ่มแสดงให้เห็นถึงประสิทธิภาพที่ยั่งยืน

รูปแบบการเทรดของ DeepSeek ชี้ให้เห็น ว่ามีแนวโน้มที่จะกำหนดอัตรากำไรขั้นต้น (Take Profit Margin) สูงและอัตรากำไรขั้นต้น (Stop Loss Margin) ต่ำเมื่อเข้าเทรด ตัวอย่างเช่น ในวันที่ 27 ตุลาคม อัตรากำไรขั้นต้นเฉลี่ย (Take Profit Margin) อยู่ที่ 11.39% อัตรากำไรขั้นต้นเฉลี่ย (Stop Loss Margin) อยู่ที่ -3.52% และอัตราส่วนกำไรต่อขาดทุนอยู่ที่ประมาณ 3.55 ซึ่งชี้ให้เห็นว่ากลยุทธ์การเทรดของ DeepSeek เน้น การขาดทุนเล็กน้อยเพื่อกำไรจำนวนมาก

สิ่งนี้ก็เป็นจริงในผลลัพธ์จริงเช่นกัน จากการวิเคราะห์ของ PANews อัตราส่วนกำไร-ขาดทุนเฉลี่ยของ DeepSeek ในการซื้อขายที่ปิดแล้วอยู่ที่ 6.71 ซึ่งสูงที่สุดในบรรดาโมเดลทั้งหมด แม้ว่าอัตราการชนะ 41% จะไม่ใช่อัตราสูงสุด (อยู่อันดับสอง) แต่ก็ยังคงครองอันดับหนึ่งด้วยการคาดการณ์กำไรที่ 2.76 นี่คือเหตุผลหลักที่ทำให้ DeepSeek ทำกำไรได้สูงที่สุด

ยิ่งไปกว่านั้น DeepSeek ยังครองอันดับหนึ่งในแง่ของระยะเวลาการถือครอง ด้วยระยะเวลาการถือครองเฉลี่ย 2,952 นาที (ประมาณ 49 ชั่วโมง) ซึ่งทำให้ DeepSeek เป็นเทรดเดอร์ที่ซื้อขายตามแนวโน้มอย่างแท้จริงเมื่อเทียบกับโมเดลอื่นๆ โดยยึดหลักการ "ปล่อยให้โอกาสหลุดลอยไป" ซึ่งเป็นองค์ประกอบสำคัญที่สุดของการทำกำไรในการซื้อขายทางการเงิน

DeepSeek ค่อนข้างเข้มงวดในการบริหารจัดการสถานะ โดยมีอัตราส่วนเลเวอเรจเฉลี่ยอยู่ที่ 2.23 ต่อสถานะ มักถือสถานะหลายสถานะพร้อมกัน ส่งผลให้อัตราส่วนเลเวอเรจโดยรวมค่อนข้างสูง ยกตัวอย่างเช่น ในวันที่ 27 ตุลาคม อัตราส่วนเลเวอเรจรวมสูงกว่า 3 เท่า อย่างไรก็ตาม ด้วยข้อกำหนด Stop Loss ที่เข้มงวด ความเสี่ยงจึงอยู่ภายใต้การควบคุมเสมอ

โดยรวมแล้ว ประสิทธิภาพการเทรดที่แข็งแกร่งของ DeepSeek เป็นผลมาจากกลยุทธ์ที่ครอบคลุม เมื่อเลือกตำแหน่งซื้อขาย DeepSeek จะใช้เฉพาะตัวบ่งชี้ MACD และ RSI ที่เป็นกระแสหลักที่สุด โดยไม่มีตัวบ่งชี้พิเศษใดๆ แต่ DeepSeek ยึดมั่นในอัตราส่วนกำไรต่อขาดทุนที่เหมาะสมอย่างเคร่งครัด และยึดมั่นในสถานะซื้อขายอย่างแน่วแน่โดยไม่คำนึงถึงอิทธิพลทางอารมณ์

PANews ยังค้นพบรายละเอียดที่เป็นเอกลักษณ์ กระบวนการคิดของ DeepSeek สำหรับการวิเคราะห์ลิงก์ก็ดำเนินไปในรูปแบบที่คล้ายคลึงกัน ซึ่ง เกี่ยวข้องกับกระบวนการที่ละเอียดและยาวนาน ซึ่งจะถูกสรุปเป็นการตัดสินใจซื้อขาย ลักษณะนี้เมื่อนำไปใช้กับเทรดเดอร์ที่เป็นมนุษย์ จะคล้ายคลึงกับผู้ที่มุ่งเน้นการเล่นซ้ำสถานะของตนเองมากกว่า และ การเล่นซ้ำนี้จะเกิดขึ้นทุกสามนาที

ความสามารถในการตรวจสอบแนวโน้มตลาดนี้ดูเหมือนจะมีประโยชน์แม้เมื่อนำไปใช้กับโมเดล AI ความสามารถในการตรวจสอบแนวโน้มตลาดนี้ช่วยให้มั่นใจได้ว่าทุกรายละเอียดของโทเค็นและสัญญาณตลาดจะได้รับการวิเคราะห์ซ้ำแล้วซ้ำเล่า โดยไม่มองข้ามรายละเอียดใดๆ นี่อาจเป็นอีกด้านที่เทรดเดอร์ที่เป็นมนุษย์สามารถเรียนรู้ได้ดีที่สุด

Qwen3: นักพนันหัวรุนแรง

ณ วันที่ 27 ตุลาคม Qwen3 เป็นโมเดลขนาดใหญ่ที่ให้ผลตอบแทนสูงเป็นอันดับสอง ด้วยยอดเงินคงเหลือสูงสุดในบัญชีที่ 20,000 ดอลลาร์สหรัฐ และอัตรากำไร 100% ทำให้ Qwen3 มีกำไรเป็นรองเพียง DeepSeek เท่านั้น Qwen3 โดด เด่นด้วยเลเวอเรจที่สูงและอัตราการชนะที่สูง อัตราการชนะโดยรวมอยู่ที่ 43.4% ซึ่งครองอันดับหนึ่งในบรรดาโมเดลทั้งหมด นอกจากนี้ ขนาดสถานะเดี่ยวยังสูงถึง 56,100 ดอลลาร์สหรัฐ (ด้วยเลเวอเรจ 5.6 เท่า) ซึ่งสูงที่สุดในบรรดาโมเดลทั้งหมด แม้ว่าการคาดการณ์กำไรจะไม่สูงเท่า DeepSeek แต่รูปแบบการเทรดที่ก้าวร้าวทำให้ผลประกอบการใกล้เคียงกับ DeepSeek อย่างมาก

สไตล์การเทรดของ Qwen3 ค่อนข้างก้าวร้าว โดยมีจุดตัดขาดทุนเฉลี่ยอยู่ที่ 491 ดอลลาร์ ซึ่งสูงที่สุดในบรรดาโมเดลทั้งหมด ส่วนจุดตัดขาดทุนสูงสุดอยู่ที่ 2,232 ดอลลาร์ ซึ่งสูงที่สุดเช่นกัน ซึ่งหมายความว่า Qwen3 สามารถทนต่อการขาดทุนที่สูงกว่า ซึ่งโดยทั่วไปเรียกว่าการถือครองสถานะได้ อย่างไรก็ตาม Qwen3 ยังด้อยกว่า DeepSeek ตรงที่แม้จะมีการขาดทุนที่สูงกว่านี้ แต่ก็ไม่ได้รับผลตอบแทนที่สูงกว่า กำไรเฉลี่ยของ Qwen3 อยู่ที่ 1,547 ดอลลาร์ ซึ่งน้อยกว่า DeepSeek ส่งผลให้อัตราส่วนกำไรสุทธิต่อกำไรสุดท้ายอยู่ที่เพียง 1.36 ซึ่งน้อยกว่า DeepSeek เพียงครึ่งเดียว

อีกหนึ่งลักษณะเด่นของ Qwen3 คือแนวโน้มที่จะถือครองสถานะเดียวในแต่ละครั้งและวางเดิมพันหนักๆ เขามักใช้เลเวอเรจสูงถึง 25 เท่า (ซึ่งเป็นอัตราสูงสุดที่อนุญาตในการแข่งขัน) การซื้อขายประเภทนี้ต้องอาศัยอัตราการชนะที่สูง เนื่องจากทุกครั้งที่ขาดทุนจะส่งผลให้ขาดทุนอย่างมาก

ในกระบวนการตัดสินใจของเขา Qwen3 ดูเหมือนจะให้ความสนใจเป็นพิเศษกับเส้นค่าเฉลี่ยเคลื่อนที่ 20 วัน (ค่าเฉลี่ยเคลื่อนที่ 4 ชั่วโมง) โดยใช้เป็นสัญญาณเข้าและออก กระบวนการคิดของเขาดูเรียบง่าย นอกจากนี้ เขายังแสดงให้เห็นถึงการขาดความอดทนในการถือครองสถานะ โดยใช้เวลาถือครองเฉลี่ย 10.5 ชั่วโมง ซึ่งอยู่อันดับเหนือ Gemini เท่านั้น

โดยรวมแล้ว แม้ว่าผลกำไรในปัจจุบันของ Qwen3 จะดูมีแนวโน้มที่ดี แต่ก็มีความเสี่ยงสูงเช่นกัน เลเวอเรจที่มากเกินไป การเปิดสถานะที่ไม่รอบคอบ ตัวชี้วัดเพียงตัวเดียว ระยะเวลาถือครองที่สั้น และอัตราส่วนกำไรต่อขาดทุนที่ต่ำ ล้วนเป็นความเสี่ยงที่อาจเกิดขึ้นกับการซื้อขายในอนาคตของ Qwen3 ณ เวลาที่พิมพ์เผยแพร่เมื่อวันที่ 28 ตุลาคม กองทุนของ Qwen3 มีอัตราการถอนเงินสูงสุดอยู่ที่ 16,600 ดอลลาร์สหรัฐ ซึ่งคิดเป็นอัตราการถอนเงิน 26.8% จากจุดสูงสุด

คล็อด: ผู้ดำเนินการหลายหัวที่มุ่งมั่น

แม้ว่าโดยทั่วไปแล้ว Claude จะมีกำไร โดยมียอดเงินในบัญชีรวมประมาณ 12,500 ดอลลาร์ ณ วันที่ 27 ตุลาคม ซึ่งคิดเป็นกำไรประมาณ 25% แต่ตัวเลขนี้ก็ถือว่าน่าประทับใจในตัวของมันเอง แต่ก็ยังดูไม่สู้ดีเมื่อเทียบกับ DeepSeek และ Qwen3

ในความเป็นจริง Claude และ DeepSeek มีประสิทธิภาพใกล้เคียงกันทั้งในด้านความถี่ของคำสั่งซื้อ ขนาดตำแหน่ง และอัตราการชนะ พวกเขาเปิดคำสั่งซื้อทั้งหมด 21 รายการ โดยมีอัตราการชนะ 38% และอัตราส่วนเลเวอเรจเฉลี่ยอยู่ที่ 2.32

ความแตกต่างอย่างมีนัยสำคัญอาจเป็นผลมาจากอัตราส่วนกำไรต่อขาดทุนที่ต่ำกว่า แม้ว่าอัตราส่วนกำไรต่อขาดทุนของ Claude ก็มีผลการดำเนินงานที่ดีเช่นกัน โดยอยู่ที่ 2.1 แต่ก็ยังต่ำกว่าของ DeepSeek มากกว่าสามเท่า ดังนั้น เมื่อพิจารณาจากข้อมูลรวมเหล่านี้ กำไรที่คาดการณ์ไว้จึงอยู่ที่ 0.8 เท่านั้น (อัตราส่วนที่น้อยกว่า 1 หมายถึงการขาดทุนในระยะยาว)

นอกจากนี้ อีกหนึ่งคุณสมบัติที่โดดเด่นของคล็อดคือ เขาจะซื้อขายในทิศทางเดียวเป็นระยะเวลาหนึ่งเท่านั้น ในบรรดาคำสั่งซื้อขายที่เสร็จสมบูรณ์ ณ วันที่ 27 ตุลาคม คำสั่ง 21 คำสั่งของคล็อดทั้งหมดเป็นคำสั่ง long

Grok: หลงอยู่ในวังวนแห่งการตัดสินทิศทาง

Grok มีผลงานที่ดีในช่วงแรก ๆ แม้กระทั่งกลายเป็นโมเดลที่ทำกำไรได้มากที่สุด ณ จุดหนึ่ง ด้วยผลตอบแทนสูงสุดเกิน 50% อย่างไรก็ตาม เมื่อระยะเวลาในการซื้อขายเพิ่มขึ้น Grok ก็ประสบปัญหาขาดทุนอย่างหนัก จนถึงวันที่ 27 ตุลาคม เงินทุนกลับมาอยู่ที่ประมาณ 10,000 ดอลลาร์สหรัฐฯ ซึ่งอยู่ในอันดับที่สี่จากโมเดลทั้งหมด โดยมีผลตอบแทนโดยรวมใกล้เคียงกับการถือครอง BTC

ในแง่ของพฤติกรรมการเทรด Grok ยัง โดดเด่นในการซื้อขายความถี่ต่ำและการถือครองระยะยาว ด้วยการซื้อขายที่เสร็จสมบูรณ์เพียง 20 ครั้ง ระยะเวลาการถือครองเฉลี่ยอยู่ที่ 30.47 ชั่วโมง ซึ่งต่ำกว่า DeepSeek เล็กน้อย อย่างไรก็ตาม ปัญหาใหญ่ที่สุดของ Grok อาจเป็นอัตราการชนะที่ต่ำเพียง 20% ประกอบกับอัตราส่วนกำไร-ขาดทุนเพียง 1.85 ส่งผลให้คาดการณ์กำไรได้เพียง 0.3 เท่านั้น สำหรับทิศทางการเทรด Grok มีสถานะ 20 สถานะ ประกอบด้วยสถานะซื้อ 10 สถานะ และสถานะขาย 10 สถานะ เห็นได้ชัดว่าการทำ Short มากเกินไปในสถานการณ์ตลาดนี้ทำให้อัตราการชนะลดลงอย่างมาก จากมุมมองนี้ โมเดล Grok ยังคงมีปัญหาเกี่ยวกับความสามารถในการคาดการณ์แนวโน้มตลาด

ราศีเมถุน: นักลงทุนรายย่อยที่มีความถี่สูงทำให้ตัวเองเหนื่อยล้าจากความผันผวนด้านข้างซ้ำแล้วซ้ำเล่า

Gemini เป็นโมเดลที่มีการซื้อขายบ่อยที่สุด โดยมีการซื้อขาย 165 ครั้ง ณ วันที่ 27 ตุลาคม การเปิดคำสั่งซื้อขายบ่อยเกินไปนี้ส่งผลให้ประสิทธิภาพการซื้อขายบนแพลตฟอร์มย่ำแย่ โดยยอดเงินคงเหลือในบัญชีต่ำสุดลดลงเหลือประมาณ 3,800 ดอลลาร์สหรัฐฯ ส่งผลให้มีอัตราการขาดทุน 62% ในจำนวนนี้ 1,095.78 ดอลลาร์สหรัฐฯ ถูกใช้ไปกับค่าธรรมเนียมเพียงอย่างเดียว

การซื้อขายความถี่สูงมีลักษณะเด่นคืออัตราการชนะที่ต่ำมาก (25%) และอัตราส่วนกำไรต่อขาดทุนเพียง 1.18 ส่งผลให้คาดการณ์กำไรรวมเพียง 0.3 จากสถิติเหล่านี้ การซื้อขายของ Gemini มีแนวโน้มที่จะขาดทุน อาจเป็นเพราะความไม่มั่นใจในการตัดสินใจ ขนาดสถานะเฉลี่ยของ Gemini จึงมีขนาดเล็กมาก โดยมีอัตราส่วนเลเวอเรจเพียง 0.77 ต่อสถานะ และแต่ละสถานะถือครองเพียง 7.5 ชั่วโมง

จุดตัดขาดทุนเฉลี่ยอยู่ที่เพียง 81 ดอลลาร์สหรัฐฯ และจุดทำกำไรเฉลี่ยอยู่ที่ 96 ดอลลาร์ สหรัฐฯ Gemini มีพฤติกรรมคล้ายกับนักลงทุนรายย่อยทั่วไป คือขายทำกำไรเมื่อได้กำไรเพียงเล็กน้อย และขายทำกำไรเมื่อขาดทุนเพียงเล็กน้อย พวกเขา มักจะส่งคำสั่งซื้อขายซ้ำๆ ท่ามกลางความผันผวนของตลาด ทำให้เงินทุนในบัญชีลดลงอย่างต่อเนื่อง

GPT5: "การฆ่าสองครั้ง" ของอัตราการชนะต่ำและอัตรากำไรต่อการสูญเสียต่ำ

ปัจจุบัน GPT5 เป็นโมเดลที่มีอันดับต่ำสุด โดยมีประสิทธิภาพโดยรวมและกราฟเส้นกราฟใกล้เคียงกับ Gemini มาก โดยทั้งสองโมเดลมีอัตราการขาดทุนเกิน 60% แม้จะไม่ได้บ่อยเท่า Gemini แต่ GPT5 ก็ยังทำการซื้อขายได้ 63 ครั้ง อัตราส่วนกำไร-ขาดทุนอยู่ที่เพียง 0.96 ซึ่งหมายความว่ามีกำไรเฉลี่ย 0.96 ดอลลาร์ต่อการซื้อขาย โดยมีจุดตัดขาดทุนที่สอดคล้องกันอยู่ที่ 1 ดอลลาร์ นอกจากนี้ อัตราการชนะการซื้อขายของ GPT5 อยู่ที่เพียง 20% ซึ่งเทียบเท่ากับ Grok

ในแง่ของขนาดตำแหน่ง GPT5 และ Gemini มีความใกล้เคียงกันมาก โดยมีอัตราส่วนเลเวอเรจตำแหน่งเฉลี่ยอยู่ที่ประมาณ 0.76 ซึ่งดูระมัดระวังมาก

กรณีศึกษา GPT5 และ Gemini แสดงให้เห็นว่าความเสี่ยงจากสถานะซื้อขายที่ต่ำไม่ได้นำไปสู่บัญชีที่ทำกำไรเสมอไป ยิ่งไปกว่านั้น การซื้อขายความถี่สูงทำให้ทั้งอัตราการชนะและอัตราส่วนกำไร-ขาดทุนไม่น่าเชื่อถือโดยเนื้อแท้ นอกจากนี้ ราคาเปิดของสถานะซื้อในคู่สกุลเงินเดียวกันในสองแบบจำลองนี้สูงกว่าราคาเปิดของแบบจำลองที่ทำกำไรได้ เช่น DeepSeek อย่างมาก ซึ่งบ่งชี้ว่าสัญญาณการเข้าซื้อขายดูเหมือนจะล่าช้าไปบ้าง

สรุปการสังเกต: การซื้อขายสองประเภท "ธรรมชาติของมนุษย์" ที่ถูกเปิดเผยโดย AI

โดยรวมแล้ว การวิเคราะห์พฤติกรรมการซื้อขายด้วย AI ถือเป็นอีกหนึ่งโอกาสสำหรับการพิจารณากลยุทธ์การซื้อขายอีกครั้ง การวิเคราะห์แบบจำลองของผลลัพธ์การซื้อขายที่สูงมากสองแบบ ได้แก่ ผลการดำเนินงานที่ทำกำไรได้สูงของ DeepSeek และการขาดทุนอย่างมากของ Gemini และ GPT5 ถือเป็นข้อมูลเชิงลึกที่น่าสนใจอย่างยิ่ง

1. พฤติกรรมของโมเดลที่มีกำไรสูงมีลักษณะดังต่อไปนี้: ความถี่ต่ำ ถือครองยาวนาน อัตรากำไรต่อขาดทุนสูง และเข้าได้ทันเวลา

2. พฤติกรรมของแบบจำลองการขาดทุนมีลักษณะดังต่อไปนี้: ความถี่สูง ระยะสั้น อัตรากำไรต่อขาดทุนต่ำ และระยะเวลาเข้าล่าช้า

3. ไม่มีความสัมพันธ์โดยตรงระหว่างผลกำไรและข้อมูลตลาด ในการแข่งขันซื้อขายด้วย AI นี้ โมเดลทั้งหมดได้รับข้อมูลเดียวกัน ทำให้แหล่งข้อมูลของโมเดลเหล่านี้มีข้อจำกัดมากกว่าแหล่งข้อมูลของเทรดเดอร์ที่เป็นมนุษย์ กระนั้น โมเดลเหล่านี้ก็ยังสามารถสร้างผลกำไรได้สูงกว่าเทรดเดอร์ส่วนใหญ่

4. ความยาวของกระบวนการคิดดูเหมือนจะเป็นปัจจัยสำคัญในการกำหนดความเข้มงวดในการเทรด กระบวนการตัดสินใจของ DeepSeek ถือว่ายาวนานที่สุดในบรรดาโมเดลทั้งหมด กระบวนการนี้คล้ายคลึงกับกระบวนการของเทรดเดอร์มนุษย์ที่เชี่ยวชาญในการทบทวนและพิจารณาการตัดสินใจแต่ละครั้งอย่างจริงจัง ในทางกลับกัน กระบวนการคิดของโมเดลที่มีประสิทธิภาพต่ำนั้นสั้นมาก คล้ายกับกระบวนการตัดสินใจของมนุษย์ที่อาศัยสัญชาตญาณมากกว่า

5. ด้วยความสามารถในการทำกำไรของโมเดลอย่าง DeepSeek และ Qwen3 หลายคนจึงถกเถียงกันว่าการคัดลอกโมเดล AI เหล่านี้โดยตรงนั้นเหมาะสมหรือไม่ อย่างไรก็ตาม แนวทางนี้ดูเหมือนจะไม่เป็นที่ต้องการ แม้ว่าโมเดล AI บางโมเดลในปัจจุบันจะแสดงให้เห็นถึงความสามารถในการทำกำไรที่แข็งแกร่ง แต่ก็ดูเหมือนว่าจะมีปัจจัยบางอย่างที่เกี่ยวข้องกับโชค นั่นคือ การที่มันบังเอิญเป็นไปตามแนวโน้มของตลาดโดยรวมในช่วงเวลา ใดเวลาหนึ่ง ข้อได้เปรียบนี้จะยังคงสามารถรักษาไว้ได้หรือไม่เมื่อตลาดเข้าสู่ช่วงใหม่ อย่างไรก็ตาม ความสามารถในการดำเนินการซื้อขายของ AI ยังคงคุ้มค่าต่อการศึกษา

สุดท้ายแล้วใครจะชนะ? PANews ได้ส่งข้อมูลประสิทธิภาพเหล่านี้ไปยังโมเดล AI หลายตัว และทั้งหมดเลือก DeepSeek เพราะความคาดหวังผลกำไรสอดคล้องกับตรรกะทางคณิตศาสตร์มากที่สุด และมีพฤติกรรมการซื้อขายที่ดีที่สุด

ที่น่าสนใจคือโมเดลรองเกือบทั้งหมดเลือกตัวเอง