Beurzen geven "rivierkreeften" (handelaren) een vaardigheidsboom; gaat Openclaw menselijke handelaren in het stof laten bijten?

Auteur: Frank, PANews

Van de ene op de andere dag lijkt iedereen rivierkreeften (een populair cryptocurrency-platform) te implementeren. Deze trend heeft eindelijk de crypto-industrie bereikt. Op 3 maart lanceerden Binance en OKX, twee cryptogiganten, gelijktijdig AI Skills-bibliotheken voor AI-agents en maakten deze open source, waardoor AI-agents rechtstreeks on-chain alpha-ontdekking en realtime handel kunnen realiseren via deze protocollen. Kort daarvoor lanceerde voorspellingsmarktleider Polymarket ook een CLI-tool speciaal voor agents.

Achter deze schijnbaar toevallige situatie ligt het feit dat AI de belangrijkste handelsentiteit wordt in de toekomst van de crypto-industrie, en deze verandering is al begonnen.

Maar de kernvraag waarmee gebruikers worden geconfronteerd is: zijn op agents gebaseerde transacties echt betrouwbaar?

Voorop lopen, crypto verwelkomt officieel AI-handelaren.

Laten we eens kijken wat Skill, die Binance en OKX deze keer open source hebben gemaakt, daadwerkelijk kan doen.

De zeven Skills van Binance zijn gepositioneerd als een "uniforme intelligente kern", die gefragmenteerde cryptomarktsignalen transformeert in uitvoerbare handelsbeslissingen. Specifiek stellen ze AI-agents in staat om de uitvoering van spothandel te automatiseren, zoals toegang tot realtime marktgegevens en het plaatsen van orders. Ze kunnen ook elk wallet-adres analyseren om smart money-trackingrapportages te genereren, inclusief gedetailleerde holdings. Andere functies omvatten tokenopvraging, copytrading en contractrisicomonitoring.

De OnchainOS AI-upgrade van OKX is gepositioneerd als een "on-chain besturingssysteem voor AI-agents." Het ondersteunt meer dan 60 on-chain functies met betrekking tot autonoom walletbeheer, transacties en betalingen. Deze omvatten functies zoals opzoeken van walletholdings (cross-chain activasaldi en portefeuilles), DEX-marktgegevens, handelsuitvoering en tokenontdekking.

De Rust CLI-interface van Polymarket, eerder gelanceerd, is een terminal voor AI-agents, waarmee ze rechtstreeks alle voorspellingsmarkten op Polymarket kunnen opvragen, verhandelen en beheren. Verder hebben Bitget en Coinbase ook vergelijkbare skillbibliotheken uitgebracht.

Vanuit functioneel perspectief bieden deze skills de basisfuncties die gewone gebruikers nodig hebben voor on-chain transacties of deelname aan andere cryptotransacties, inclusief marktonderzoek, orderuitvoering, smart money-tracking en meer.

Betekent dit echter dat iedereen nu koffie kan drinken terwijl ze toekijken hoe rivierkreeften achter de schermen geld voor hen verdienen?

Een gebruiker op sociale media deelde een "rivierkreeft" geldverdientool.

AI Agent ≠ Kwantitatieve Robot

Maar het werkelijke resultaat kan anders zijn dan de meeste mensen zich voorstellen.

Veel mensen stellen "AI-handel" gelijk aan kwantitatieve handelsrobots, maar de onderliggende logica van de twee is fundamenteel verschillend.

Het verschil is fundamenteel. Traditionele kwantitatieve handelsrobots zijn in wezen geautomatiseerde programma's die vooraf gedefinieerde regels uitvoeren, zoals "koop wanneer RSI onder de 30 daalt en verkoop wanneer het boven de 70 stijgt." Ze zijn extreem snel, maar ze hebben geen begrip van wat ze doen, kunnen het nieuws niet lezen en zijn zich niet bewust van het marktsentiment. De effectiviteit van hun strategie hangt volledig af van de persoon die de code schreef.

De kern van de AI Agent is een groot taalmodel. Het kan een nieuwsartikel over de Federal Reserve die de rente verhoogt lezen, begrijpen wat dit betekent voor de cryptomarkt en vervolgens beslissen of het zijn holdings moet verminderen.

Simpel gezegd: De bot voert de regels uit en de agent maakt de beoordelingen.

Met andere woorden, de huidige agent monitort de markt niet zelf en plaatst dan direct een order wanneer zich een kans voordoet. De resulterende tokenkosten en tijdsvertraging zijn verwoestend voor de handel.

Huidige agenthandel heeft de neiging om een "arbeidsverdelingsmodel" te hanteren: traditionele programma's zijn verantwoordelijk voor monitoring en uitvoering, terwijl grote modellen alleen verantwoordelijk zijn voor analyse en besluitvorming.

Specifiek haalt een traditioneel programma voortdurend realtimeprijzen, on-chain gegevens, nieuws en andere informatie van de exchange, verpakt deze gegevens vervolgens en stuurt ze naar een groot model. Het grote model integreert multidimensionale informatie zoals marktomstandigheden, nieuws en on-chain anomalieën om een handelsbeslissing te geven, zoals "Koop ETH, 10% positie, orderprijs $2450". Ten slotte wordt de handelsinstructie teruggestuurd naar het traditionele programma, dat de order uitvoert via de exchange-interface en voortdurend de resultaten volgt.

Traditionele code fungeert als de "handen" en "ogen" van de agent, terwijl het algemene model dient als het "brein." De Skills die door de drie grote platforms worden aangeboden, bieden de agent in wezen gestandaardiseerde "handen" en "ogen", waardoor het snel toegang kan krijgen tot de gegevens en handelsmogelijkheden van verschillende handelsplatforms. Achter de schermen ontwerpen mensen echter nog steeds de handelslogica op basis van specifieke strategieën. Het gaat niet om simpelweg verbinding maken met de Skill en toekijken hoe je accountsaldo automatisch omhoog schiet.

Naast technologie en functionaliteit zijn er twee praktische problemen die moeten worden aangepakt.

De eerste is snelheid. Traditionele hoogfrequente kwantitatieve bots hebben een handelslatentie in het bereik van microseconden tot milliseconden, waarbij professionele systemen zelfs sub-milliseconde latentie bereiken. Het belangrijkste knelpunt voor AI-agents ligt echter in de tijd die nodig is voor grootschalige modelinferentie. Een volledige analyse en beslissingsoutput duurt doorgaans tussen enkele honderden milliseconden en enkele seconden, en in complexe scenario's kan dit zelfs meer dan 5 seconden zijn. Dit is duizenden of zelfs miljoenen keren langzamer dan traditionele bots.

Daarom kunnen agents gewoonweg niet concurreren met kwantitatieve bots qua snelheid. Ze kunnen geen hoogfrequente arbitrage uitvoeren of profiteren van prijsverschillen op milliseconde-niveau. Het concurrentievermogen van agents ligt in de kwaliteit van hun beslissingen: een kwantitatieve bot kan in milliseconden een order plaatsen, maar kent niet de betekenis van "de voorzitter van de Federal Reserve heeft zojuist een dovish tweet verzonden," terwijl een agent dat wel weet. Agents zijn beter geschikt voor het maken van één of twee weloverwogen transacties per uur, in plaats van het uitvoeren van duizenden mechanische operaties per seconde.

De tweede factor zijn de kosten. Traditionele bots hebben, eenmaal ontwikkeld, alleen serverkosten nodig om te draaien. Agents roepen echter elke keer dat ze een beslissing nemen grote modelinterfaces aan, wat kosten met zich meebrengt. Bijvoorbeeld, met GPT-5.2, als een agent elke 5 minuten de markt analyseert (288 keer per dag), bedragen de maandelijkse inferentiekosten ongeveer $106. Bij gebruik van de krachtigere Claude Opus 4.6 is dit ongeveer $238. Dit is geen aanzienlijk bedrag voor handelaren die grote bedragen beheren, maar voor particuliere beleggers met slechts een paar duizend dollar aan kapitaal maken deze inferentiekosten, gecombineerd met transactiekosten, het bereiken van een nettowinst veel moeilijker.

Als het gaat om geld verdienen als agent, zijn er meer valkuilen dan kansen.

Bovendien is de kwaliteit van de besluitvorming van de agent ook een groot probleem. Achter die schijnbaar logische en duidelijke beoordelingen kunnen zeer wel absurde beslissingen schuilen.

In 2025 bood een AI-handelswedstrijd gehouden door Nof1 een treffend voorbeeld. Meerdere door grote modellen aangedreven agents concurreerden, met sterk uiteenlopende resultaten: de door GPT-5 aangedreven agent verloor 62% van zijn initiële kapitaal, terwijl Qwen3 en DeepSeek winsten behaalden van respectievelijk 22,3% en 4,89%. In deze AI-handelswedstrijd vertoonden sommige modellen, hoewel ze uiteindelijk winst maakten, extreem onstabiele kenmerken. DeepSeek in het bijzonder demonstreerde aanvankelijk hoge rendementen gevolgd door een aanzienlijke neergang, wat de marktverwachtingen temperde.

In het tweede seizoen van het experiment namen 15 AI-bots deel, elk met een hoofdsom van $10.000. Alleen GROK-4.2 behaalde een positief rendement. Over het algemeen behaalden slechts drie modellen positieve rendementen in beide seizoenen, terwijl de rest in een verlieslatende staat verkeerde.

Bovendien heeft PANews ook simulatiestudies uitgevoerd op verschillende van de krachtigste modellen van dat moment, en de uiteindelijke resultaten toonden aan dat, op de lange termijn, hun verwachte winsten allemaal negatief waren. (Gerelateerd artikel: Kwantitatieve AI-beoordeling: Verwachte winsten voor alle modellen minder dan 1, hoe ver staat kunstmatige intelligentie van het vervangen van handelaren?)

Op Polymarket is de meest klassieke AI-botstrategie wiskundige pariteitsarbitrage: wanneer de totale kosten van het kopen van zowel "ja"- als "nee"-contracten in een binaire markt minder dan $1 zijn, vergrendelt het tegelijkertijd kopen van beide risicovrije winsten. Veel bloggers hebben deze strategie zeer geprezen. Polymarket heeft echter gereageerd door dynamische tarieven en andere regelaanpassingen te introduceren, waardoor sommige arbitragestrategieën ineffectief werden.

Over het algemeen is agenthandel geen "geldprintmachine." Modelselectie, strategieontwerp en risicobeheersing zijn allemaal onmisbaar.

Naast deze zijn er ook verschillende andere risico's die in overweging moeten worden genomen bij agenttransacties.

Ten eerste, wat betreft beveiliging, de agent houdt de privésleutel vast en voert transacties autonoom uit. Als de werkomgeving wordt gecompromitteerd, kan dit leiden tot activaverlies. Eerdere gevallen hebben aangetoond dat kwaadaardige technieken zijn geïnjecteerd in open-sourceplatforms om gebruikerssleutels te stelen. Alle drie de platforms gebruikten voorzichtige disclaimers in hun verklaringen, waarbij Polymarket het zelfs direct labelde als "vroege experimentele software."

Ten tweede kan het "illusie"-probleem van grote modellen niet worden genegeerd. Modellen genereren soms analyses die redelijk lijken maar eigenlijk verkeerd zijn. In alledaagse gesprekken kan dit alleen gênant zijn, maar bij handel kan het een verlies van echt geld betekenen.

De homogenisatie van strategieën is ook een punt van zorg. Wanneer een groot aantal agents dezelfde skills en dezelfde modellen gebruikt om dezelfde markt te analyseren, worden hun beoordelingen zeer vergelijkbaar, worden koopsignalen tegelijkertijd geactiveerd, worden prijzen snel opgedreven en wordt de ruimte voor latere toetreders weggedrukt.

AI is slechts een wapen; het is nog steeds de mens die het hanteert.

De spelregels op de cryptomarkt ondergaan een diepgaande verschuiving naarmate exchanges beginnen met het ontwerpen van producten voor agents in plaats van voor mensen. Gegevens uit 2023 tonen aan dat geautomatiseerde systemen al goed waren voor meer dan 70% van het handelsvolume op de cryptomarkt, en dit percentage stijgt nog steeds.

Agenthandel bevindt zich echter nog steeds in de "vroege experimentele" fase. De onderliggende logica is dat dit slechts een verbetering van het gereedschap is, niet "het automatiseren van winstgeneratie." Vergeet niet dat instellingen met uitgebreide strategie- en kwantitatieve ervaring ook dezelfde tools gebruiken om verbeteringen aan te brengen.

Voor gewone beleggers is het beter om in plaats van gehaast hun eigen AI-agents te bouwen, eerst FOMO (angst voor speculatie) te beteugelen en hun beperkingen en zwaktes te begrijpen. Toegegeven, het tijdperk van agenthandel is aangebroken, maar winstgevendheid hangt nog steeds af van de strategische besluitvormingscapaciteiten van de mensen erachter.