Недавние исследования, проведённые Kaiko, Binance Research и академическими группами, показывают, что модели искусственного интеллекта, включая нейронные сети, обладают ограниченной точностью прогнозирования на рынках криптовалют. Классические модели машинного обучения достигают лишь 2–6 процентов точности выше случайности, в то время как продвинутые модели, такие как LSTM и GRU, достигают около 8 процентов, но только в коротких тестовых окнах. Эти модели испытывают трудности с новыми данными из-за изменений рыночных режимов, увеличения шума и макроэкономических событий, что приводит к значительному снижению точности в периоды высокой волатильности. Алгоритмы книги ордеров могут объяснять 15–25 процентов микродвижений, но эффективны только на минутных горизонтах при глубокой ликвидности. Ончейн-сигналы, такие как крупные притоки стейблкоинов или значительные оттоки биткоина, предоставляют полезные корреляции, но не гарантируют предсказания. Эксперты рекомендуют использовать ансамблевые модели, отслеживать дрейф данных и внедрять фильтры режимов для повышения эффективности ИИ. Однако ИИ должен быть частью более широкой стратегии, включающей ончейн-данные, анализ книги ордеров и модели управления рисками для улучшения принятия решений в криптотрейдинге.