Des recherches récentes menées par Kaiko, Binance Research et des groupes académiques révèlent que les modèles d'IA, y compris les réseaux neuronaux, offrent une précision prédictive limitée sur les marchés des cryptomonnaies. Les modèles classiques d'apprentissage automatique atteignent seulement une précision de 2 à 6 % au-dessus du hasard, tandis que des modèles avancés comme LSTM et GRU atteignent environ 8 %, mais uniquement sur de courtes fenêtres de test. Ces modèles ont du mal avec les données récentes en raison des changements de régime de marché, de l'augmentation du bruit et des événements macroéconomiques, ce qui entraîne des baisses significatives de précision lors des périodes de forte volatilité. Les algorithmes de carnet d'ordres peuvent expliquer 15 à 25 % des micro-mouvements, mais ne sont efficaces que sur des horizons de quelques minutes avec une liquidité profonde. Les signaux on-chain, tels que les importants flux entrants de stablecoins ou les sorties significatives de Bitcoin, fournissent des corrélations utiles mais pas des prédictions garanties. Les experts recommandent d'utiliser des modèles ensemblistes, de suivre les dérives des données et d'incorporer des filtres de régime pour améliorer l'efficacité de l'IA. Cependant, l'IA doit faire partie d'une stratégie plus large incluant les données on-chain, l'analyse du carnet d'ordres et les modèles de risque afin d'améliorer la prise de décision dans le trading de cryptomonnaies.