Au mois d’octobre 2025, Binance Research a publié les résultats de la première compétition officielle entre modèles d’intelligence artificielle appliqués au trading crypto.
L’expérience, menée sur des fonds réels, a montré que les IA peuvent générer des profits uniquement avec une discipline élevée dans la gestion des risques — et non simplement grâce à la puissance prédictive de leurs algorithmes.
Sommaire
Points clés
- Six modèles d’IA ont opéré de manière autonome sur des marchés crypto réels avec des fonds de 10.000 $.
- Seuls deux (DeepSeek Chat V3.1 et Qwen3 Max) ont clôturé en profit, respectivement avec +94% et +60%.
- Les pires performeurs (Gemini 2.5 Pro et GPT-5) ont perdu plus de 60% du capital.
- Le facteur déterminant n’a pas été la précision prédictive, mais la gestion du risque.
- L’expérience représente le premier benchmark public pour l’utilisation de l’IA dans le trading décentralisé.
Une expérience réelle sur la blockchain
L’étude a été menée par Nof1.ai en collaboration avec Binance Research.
Chaque modèle — y compris DeepSeek Chat V3.1, Qwen3 Max, Claude Sonnet 4.5, Grok 4, GPT-5 et Gemini 2.5 Pro — a reçu 10.000 USD en fonds réels, à utiliser pour des opérations on-chain sur les marchés de perpetual futures.
Tous les modèles ont opéré dans des conditions identiques : même ensemble de données numériques, aucune entrée textuelle, fonctionnement 24/7 et autonomie décisionnelle totale.
L’objectif était d’évaluer le comportement et la gestion du risque, plutôt que la pure capacité de prévision des prix.
Les résultats : la réalité derrière le récit du “AI trader”
Les chiffres finaux sont éloquents :
| Modèle AI | Rendement (%) | Ratio de Sharpe | Taux de réussite (%) | Trades Totaux | Perte maximale (USD) |
| DeepSeek Chat V3.1 | +94% | 0,45 | 32% | 22 | −1.072 |
| Qwen3 Max | +60% | 0,34 | 33% | 30 | −1.728 |
| Claude Sonnet 4.5 | −1% | 0,03 | 33% | 24 | −1.579 |
| Grok 4 | −7% | 0,04 | 19% | 21 | −657 |
| GPT-5 | −64% | −0,64 | 19% | 74 | −622 |
| Gemini 2.5 Pro | −67% | −0,70 | 26% | 191 | −750 |
Seuls deux modèles ont clôturé avec des résultats positifs.
Tous les autres ont brûlé une grande partie du capital, démontrant que la rapidité décisionnelle n’équivaut pas à un rendement.
En effet, l’hyper-activité — jusqu’à 191 opérations en quelques jours — a amplifié les pertes en raison de l’utilisation excessive de l’effet de levier.
Gestion des risques : la différence entre profit et échec
Le fait le plus intéressant est que les IA gagnantes n’ont pas été les plus précises, mais celles qui ont su limiter les pertes.
Le Sharpe Ratio de DeepSeek Chat V3.1 (0,45) et Qwen3 Max (0,34) indique une gestion du risque relativement équilibrée, tandis que les modèles avec une fréquence d’échange plus élevée ont eu des Sharpe négatifs.
Selon Binance Research, l’erreur principale des modèles en perte a été l’utilisation inappropriée de l’effet de levier, souvent supérieur à 10×, et une tendance à l’over-trading après chaque drawdown.
Ce comportement a été défini comme “AI revenge trading”, analogue à celui humain, mais automatisé à l’échelle algorithmique.
La leçon : l’IA ne remplace pas l’expérience du trader
L’expérience confirme que l’IA est capable de traiter d’énormes quantités de données, mais pas encore d’interpréter le contexte macroéconomique ou les dynamiques comportementales des marchés.
Lors de la liquidation de 19 milliards de dollars survenue le 10 octobre 2025, l’une des plus graves de l’histoire du crypto-trading, presque tous les modèles ont réagi avec retard, transformant un retracement normal en une perte systémique.
Les IA gagnantes, en revanche, ont suspendu les opérations pendant plusieurs heures, mettant en évidence des protocoles d’auto-confinement mieux programmés.
En d’autres termes, la différence n’a pas été faite par le « cerveau » de l’IA, mais par la règle de sécurité insérée par le concepteur.
Transparence et auditabilité on-chain
Un aspect fondamental de l’expérience est que toutes les opérations ont été enregistrées on-chain, rendant possible un audit public.
Cette transparence élimine le problème typique des backtests et permet de évaluer en temps réel la performance effective des modèles.
Binance Research a souligné que le trading on-chain, grâce à la traçabilité, représente l’environnement idéal pour tester des IA financières vérifiables, un concept qui pourrait ouvrir la voie à des DAO de trading automatisé supervisées par des smart contracts.
IA et DeFi : la prochaine étape vers la finance autonome
Cet expériment s’inscrit dans un contexte plus large d’intégration entre l’IA et la finance décentralisée (DeFi).
En 2025, le marché des solutions AI x Crypto a dépassé les 2,4 milliards de dollars de capitalisation, avec des protocoles comme Virtuals et x402 qui permettent aux agents autonomes d’effectuer des transactions et des paiements sans intervention humaine.
L’idée est qu’à l’avenir, un agent AI pourra analyser des données, décider, exécuter des ordres et régler des paiements entièrement sur la blockchain, bouclant ainsi le cycle de la finance autonome.
Cependant, les résultats d’octobre montrent que cette vision reste technologiquement possible mais financièrement immature :
L’IA sait agir, mais pas encore prédire avec cohérence.
Implications pour le marché et les investisseurs
Pour les investisseurs institutionnels, le test fournit des indications cruciales :
- L’IA peut être un assistant efficace, mais pas un substitut de l’analyste humain;
- la gestion du risque doit rester un paramètre humain, tant que les modèles n’intégreront pas d’évaluations qualitatives;
- la combinaison IA + auditabilité on-chain pourrait créer une nouvelle catégorie de fonds transparents et auto-vérifiables, réduisant les risques de manipulation.
En perspective, Binance prévoit qu’à l’horizon 2027, le volume de trading géré par des algorithmes AI pourrait dépasser 15% du marché des dérivés crypto, contre 3% actuellement.
Cela impliquera de nouvelles normes de sécurité et de gouvernance, encore à définir.
Conclusion
La compétition de Nof1.ai n’a pas couronné de vainqueur absolu, mais a mis en lumière un principe fondamental :
la puissance de l’IA ne compense pas le manque de discipline.
Dans le trading crypto, la ligne entre innovation et risque reste mince.
L’intelligence artificielle pourra peut-être améliorer les performances, mais seulement lorsqu’elle parviendra à comprendre l’incertitude, et non simplement à la calculer.
Jusqu’à ce moment-là, même les modèles les plus avancés continueront à nécessiter un élément humain indispensable : le jugement.




