Sechs große KI-„Trader“ im Zehntagesduell: Wer kann auf einem Markt ohne „Informationsvorsprung“ überleben?

Originaltitel: „Sechs große KI-‚Trader‘ im Zehn-Tage-Wettkampf: Eine öffentliche Lektion über Trends, Disziplin und Gier“

Originalautor: Frank, PANews

In weniger als zehn Tagen wurde das Kapital verdoppelt.

Als DeepSeek und Qwen3 im von Nof1 veranstalteten AlphaZero KI-Live-Trading diese Ergebnisse erzielten, übertrafen ihre Gewinn-Effizienzen bereits die der meisten menschlichen Trader deutlich. Das zwingt uns, eine Frage ernsthaft zu betrachten: KI entwickelt sich von einem „Forschungswerkzeug“ zu einem „Frontline-Trader“. Wie denken sie? PANews hat die Trades der sechs wichtigsten KI-Modelle in diesem Wettbewerb über die letzten zehn Tage umfassend analysiert, um die Entscheidungsgeheimnisse der KI-Trader zu entschlüsseln.

Ein reiner technischer Wettstreit ohne „Informationsvorsprung“

Vor der Analyse müssen wir eine Voraussetzung klarstellen: Die KI-Entscheidungen in diesem Wettbewerb erfolgen „offline“. Alle Modelle erhalten passiv exakt dieselben technischen Daten (einschließlich aktueller Preis, gleitende Durchschnitte, MACD, RSI, offene Kontrakte, Funding Rate sowie 4-Stunden- und 3-Minuten-Sequenzdaten usw.) und können keine fundamentalen Informationen aktiv aus dem Internet abrufen.

Das schließt Störungen durch „Informationsvorsprung“ aus und macht diesen Wettbewerb zum ultimativen Test der alten Frage, ob „reine technische Analyse profitabel sein kann“.

Im Detail umfassen die von der KI erhaltenen Inhalte folgende Aspekte:

1. Aktueller Marktstatus des Coins: Dazu gehören aktuelle Preisinformationen, 20-Tage-Durchschnittspreis, MACD-Daten, RSI-Daten, offene Kontrakte, Funding Rate sowie Intraday-Sequenzen (3-Minuten-Zyklus) und langfristige Trendsequenzen (4-Stunden-Zyklus) der genannten Daten.

2. Kontoinformationen und Performance: Dazu gehören die Gesamtperformance des aktuellen Kontos, Rendite, verfügbares Kapital, Sharpe Ratio usw. Die aktuelle Performance der Positionen, aktuelle Take-Profit- und Stop-Loss-Bedingungen sowie deren Gültigkeit.

DeepSeek: Ruhiger Trendmeister und der Wert des „Rekapitulierens“

Bis zum 27. Oktober erreichte das DeepSeek-Konto einen Höchststand von 23.063 US-Dollar, mit einem maximalen Buchgewinn von etwa 130%. Zweifellos ist es das am besten performende Modell, und bei der Analyse des Handelsverhaltens zeigt sich, dass dieser Erfolg kein Zufall ist.

Erstens zeigt DeepSeek in Bezug auf die Handelsfrequenz den Stil eines Trend-Traders mit niedriger Frequenz: In neun Tagen wurden insgesamt 17 Trades abgeschlossen, die wenigsten aller Modelle. Von diesen 17 Trades waren 16 Long-Positionen und eine Short-Position, was genau dem Marktverlauf in dieser Zeit entspricht, der sich vom Tief erholte.

Natürlich ist diese Richtungswahl kein Zufall: DeepSeek analysiert umfassend Indikatoren wie RSI und MACD und ist der Ansicht, dass der Gesamtmarkt derzeit bullisch ist, weshalb es konsequent Long geht.

Im konkreten Handelsprozess verliefen die ersten Orders von DeepSeek nicht reibungslos, die ersten fünf Orders endeten alle mit Verlusten, jedoch waren die Verluste jeweils gering und überschritten nie 3,5%. Auch die Haltedauer der ersten Orders war relativ kurz, die kürzeste Position wurde nach nur acht Minuten geschlossen. Mit der Entwicklung des Marktes in die erwartete Richtung wurden die Positionen von DeepSeek zunehmend länger gehalten.

DeepSeeks Positionsstil zeigt, dass es nach dem Einstieg einen relativ großen Take-Profit-Bereich und einen kleinen Stop-Loss-Bereich setzt. Am 27. Oktober lag der durchschnittliche Take-Profit-Bereich bei 11,39%, der durchschnittliche Stop-Loss bei -3,52%, das Chance-Risiko-Verhältnis lag bei etwa 3,55. Daraus ergibt sich, dass DeepSeeks Handelsstrategie auf kleine Verluste und große Gewinne abzielt.

Auch das Ergebnis bestätigt dies: Laut Analyse von PANews erreichte das durchschnittliche Chance-Risiko-Verhältnis bei DeepSeeks abgeschlossenen Trades 6,71 – das höchste aller Modelle. Obwohl die Trefferquote mit 41% nicht am höchsten ist (zweiter Platz), belegt es mit einer Gewinnerwartung von 2,76 den ersten Platz. Das ist der Hauptgrund für DeepSeeks höchste Profitabilität.

Auch bei der Haltedauer liegt DeepSeek mit durchschnittlich 2.952 Minuten (ca. 49 Stunden) an erster Stelle. Unter den Modellen ist es ein echter Trend-Trader und entspricht dem wichtigsten Prinzip im Finanzhandel: „Lass die Gewinne laufen“.

Beim Positionsmanagement ist DeepSeek relativ aggressiv, die durchschnittliche Hebelwirkung pro Position beträgt 2,23, und es werden oft mehrere Positionen gleichzeitig gehalten, sodass die Gesamt-Hebelwirkung ebenfalls relativ hoch ist. Am 27. Oktober lag die Gesamt-Hebelwirkung der Positionen bei über dem Dreifachen. Dank strikter Stop-Loss-Bedingungen bleibt das Risiko jedoch stets kontrollierbar.

Insgesamt ist DeepSeeks Erfolg das Ergebnis einer umfassenden Strategie. Für die Positionseröffnung werden nur die gängigsten Indikatoren wie MACD und RSI verwendet, keine besonderen Indikatoren. Entscheidend ist die konsequente Umsetzung eines vernünftigen Chance-Risiko-Verhältnisses und die unbeirrte Positionshaltung ohne emotionale Beeinflussung.

Ein weiteres interessantes Detail hat PANews festgestellt: DeepSeek folgt in seiner Denkweise weiterhin seinem bisherigen Stil und entwickelt einen langen, detailreichen Denkprozess, der am Ende zu einer Handelsentscheidung zusammengefasst wird. Übertragen auf menschliche Trader ähnelt dies jenen, die Wert auf ständiges Rekapitulieren legen – und das alle drei Minuten.

Diese Fähigkeit zur Rekapitulation ist selbst für KI-Modelle von Nutzen. Sie stellt sicher, dass jedes Detail von Token und Marktsignalen wiederholt analysiert wird und nichts übersehen wird. Das ist vielleicht ein weiterer Aspekt, den menschliche Trader von KI lernen können.

Qwen3: Der aggressive „Zocker“ mit großen Schwankungen

Bis zum 27. Oktober war Qwen3 das zweitbeste Modell. Das Konto erreichte einen Höchststand von 20.000 US-Dollar, die Gewinnrate lag bei 100% – nur DeepSeek war besser. Qwen3 zeichnet sich insgesamt durch hohe Hebelwirkung und hohe Trefferquote aus. Die Gesamt-Trefferquote beträgt 43,4% und ist damit die höchste aller Modelle. Die durchschnittliche Positionsgröße lag bei 56.100 US-Dollar (Hebel 5,6x) – ebenfalls der höchste Wert. Obwohl die Gewinnerwartung nicht an DeepSeek heranreicht, sorgt der aggressive Stil dafür, dass Qwen3 bislang dicht hinter DeepSeek liegt.

Qwen3s Handelsstil ist relativ aggressiv: Der durchschnittliche Stop-Loss beträgt 491 US-Dollar, der höchste aller Modelle. Der maximale Einzelverlust lag bei 2.232 US-Dollar, ebenfalls der höchste Wert. Das bedeutet, Qwen3 kann größere Verluste tolerieren, was man als „durchhalten“ bezeichnen könnte. Im Gegensatz zu DeepSeek bringt diese Risikobereitschaft jedoch keine höheren Gewinne: Der durchschnittliche Gewinn beträgt 1.547 US-Dollar, weniger als bei DeepSeek. Die Gewinnerwartung liegt daher nur bei 1,36 – halb so hoch wie bei DeepSeek.

Ein weiteres Merkmal von Qwen3 ist, dass es meist nur eine Position gleichzeitig hält und darauf hohe Einsätze setzt. Die verwendete Hebelwirkung erreicht oft das Maximum von 25x (vom Wettbewerb erlaubt). Solche Trades sind stark von einer hohen Trefferquote abhängig, da jeder Verlust zu einem erheblichen Drawdown führt.

Im Entscheidungsprozess scheint Qwen3 besonders auf die 4-Stunden-EMA-20-Linie zu achten und nutzt diese als Ein- und Ausstiegssignal. Die Denkweise von Qwen3 wirkt ebenfalls sehr einfach. Auch bei der Haltedauer zeigt Qwen3 wenig Geduld: Die durchschnittliche Haltedauer beträgt 10,5 Stunden, nur etwas mehr als bei Gemini.

Insgesamt sieht Qwen3s aktuelles Ergebnis zwar gut aus, birgt aber erhebliche Risiken: zu hohe Hebelwirkung, alles-oder-nichts-Strategie, einseitige Indikatoren, kurze Haltedauer und ein geringes Chance-Risiko-Verhältnis könnten Qwen3s weitere Entwicklung gefährden. Bis zur Veröffentlichung am 28. Oktober ist Qwen3s Kapital bereits auf 16.600 US-Dollar zurückgegangen, ein Drawdown von 26,8% vom Höchststand.

Claude: Der beharrliche Long-Executor

Claude ist insgesamt ebenfalls profitabel: Bis zum 27. Oktober lag das Kontoguthaben bei etwa 12.500 US-Dollar, ein Gewinn von etwa 25%. Für sich genommen ist das ein beachtliches Ergebnis, im Vergleich zu DeepSeek und Qwen3 jedoch etwas schwächer.

Was Handelsfrequenz, Positionsgröße und Trefferquote betrifft, ähnelt Claude DeepSeek: Insgesamt 21 Trades, Trefferquote 38%, durchschnittlicher Hebel 2,32.

Der Hauptunterschied liegt im geringeren Chance-Risiko-Verhältnis: Obwohl Claude mit 2,1 ebenfalls gut abschneidet, ist das Verhältnis mehr als dreimal niedriger als bei DeepSeek. Entsprechend liegt die Gewinnerwartung nur bei 0,8 (bei unter 1 ist langfristig mit Verlusten zu rechnen).

Ein weiteres auffälliges Merkmal von Claude ist, dass es über einen Zeitraum nur in eine Richtung handelt: Bis zum 27. Oktober waren alle 21 abgeschlossenen Trades Long-Positionen.

Grok: Verloren im Strudel der Richtungsentscheidung

Grok zeigte anfangs gute Ergebnisse und war zeitweise das profitabelste Modell mit über 50% Gewinn. Mit zunehmender Handelsdauer kam es jedoch zu starken Drawdowns. Bis zum 27. Oktober sank das Kapital auf etwa 10.000 US-Dollar. Unter allen Modellen belegt es Platz vier, die Gesamtrendite ähnelt der Kurve eines BTC-Spot-Investments.

Vom Handelsstil her gehört Grok ebenfalls zu den Low-Frequency- und Long-Hold-Tradern. Es wurden nur 20 abgeschlossene Trades gezählt, die durchschnittliche Haltedauer beträgt 30,47 Stunden, nur DeepSeek hält länger. Das größte Problem von Grok ist jedoch die niedrige Trefferquote von nur 20% und ein Chance-Risiko-Verhältnis von nur 1,85. Die Gewinnerwartung liegt daher nur bei 0,3. Von den 20 Trades waren jeweils zehn Long- und zehn Short-Positionen. In der betrachteten Marktphase führte zu häufiges Shorten jedoch zu einer niedrigeren Trefferquote. Grok hat also Probleme bei der Markteinschätzung.

Gemini: Hochfrequenz-„Retail-Trader“, der sich im Hin und Her aufreibt

Gemini ist das Modell mit der höchsten Handelsfrequenz: Bis zum 27. Oktober wurden 165 Trades abgeschlossen. Die übermäßige Handelsaktivität führte zu sehr schlechten Ergebnissen: Das Kontoguthaben fiel auf etwa 3.800 US-Dollar, ein Verlust von 62%. Allein die Gebühren beliefen sich auf 1.095,78 US-Dollar.

Hinter dem Hochfrequenzhandel stehen eine sehr niedrige Trefferquote (25%) und ein Chance-Risiko-Verhältnis von nur 1,18, die Gewinnerwartung beträgt nur 0,3. Unter diesen Bedingungen ist Geminis Trading zwangsläufig verlustreich. Vielleicht aus Mangel an Selbstvertrauen sind auch die Positionsgrößen klein, der durchschnittliche Hebel pro Position beträgt nur 0,77, und die durchschnittliche Haltedauer liegt bei nur 7,5 Stunden.

Der durchschnittliche Stop-Loss beträgt nur 81 US-Dollar, der durchschnittliche Take-Profit 96 US-Dollar. Geminis Verhalten ähnelt dem eines typischen Retail-Traders: Bei kleinen Gewinnen wird sofort verkauft, bei kleinen Verlusten ausgestiegen. Durch ständiges Hin und Her im volatilen Markt wird das Kapital kontinuierlich aufgebraucht.

GPT5: „Doppelschlag“ aus niedriger Trefferquote und niedrigem Chance-Risiko-Verhältnis

GPT5 ist derzeit das Schlusslicht unter den Modellen, die Performance und die Kurve ähneln stark denen von Gemini, mit einem Verlust von über 60%. Im Vergleich zu Gemini handelt GPT5 zwar weniger häufig, hat aber dennoch 63 Trades durchgeführt. Das Chance-Risiko-Verhältnis beträgt nur 0,96, d.h. der durchschnittliche Gewinn pro Trade liegt bei 0,96 US-Dollar, der entsprechende Stop-Loss bei 1 US-Dollar. Gleichzeitig ist die Trefferquote mit 20% genauso niedrig wie bei Grok.

Bei der Positionsgröße ähneln sich GPT5 und Gemini sehr, der durchschnittliche Hebel liegt bei etwa 0,76 – sehr vorsichtig.

Die Fälle von GPT5 und Gemini zeigen, dass ein geringes Positionsrisiko nicht unbedingt zu Gewinnen führt. Bei Hochfrequenzhandel sind Trefferquote und Chance-Risiko-Verhältnis kaum zu gewährleisten. Außerdem liegen die Einstiegspreise für Long-Positionen bei beiden Modellen deutlich über denen von DeepSeek und anderen profitablen Modellen, was auf eine gewisse Trägheit der Einstiegssignale hindeutet.

Beobachtungen: Zwei Arten von „Menschlichkeit“ im KI-Trading

Insgesamt bietet die Analyse des Handelsverhaltens von KIs erneut die Gelegenheit, Handelsstrategien zu reflektieren. Besonders aufschlussreich sind die Analysen der extremen Modelle: DeepSeek mit hohen Gewinnen und Gemini/GPT5 mit hohen Verlusten.

1. Modelle mit hohen Gewinnen zeichnen sich durch folgende Merkmale aus: niedrige Frequenz, lange Haltedauer, hohes Chance-Risiko-Verhältnis, rechtzeitiger Einstieg.

2. Verlustmodelle zeigen folgende Merkmale: hohe Frequenz, kurzfristig, niedriges Chance-Risiko-Verhältnis, verspäteter Einstieg.

3. Die Höhe des Gewinns steht in keinem direkten Zusammenhang mit der Menge an Marktinformationen: In diesem KI-Trading-Wettbewerb hatten alle Modelle identische Informationen, ihre Quellen sind sogar einheitlicher als bei menschlichen Tradern. Dennoch erzielen sie Gewinne, die weit über denen der meisten Trader liegen.

4. Die Länge der Denkprozesse scheint entscheidend für die Strenge der Handelsentscheidungen zu sein: DeepSeeks Entscheidungsprozess ist der längste aller Modelle, was bei menschlichen Tradern jenen entspricht, die regelmäßig rekapitulieren und jede Entscheidung ernst nehmen. Die schwächeren Modelle haben sehr kurze Denkprozesse, vergleichbar mit spontanen Bauchentscheidungen von Menschen.

5. Mit dem Erfolg von Modellen wie DeepSeek und Qwen3 diskutieren viele, ob man deren Trades direkt kopieren sollte. Das scheint jedoch nicht ratsam: Auch wenn einzelne KIs derzeit profitabel sind, spielt wohl auch Glück eine Rolle, da sie zufällig dem aktuellen Trend folgten. Ob dieser Vorteil in anderen Marktphasen bestehen bleibt, ist ungewiss. Die Ausführungsstärke der KI ist jedoch durchaus nachahmenswert.

Wer wird am Ende gewinnen? PANews hat die Performance-Daten mehreren KI-Modellen vorgelegt, und alle wählten DeepSeek als Sieger, weil dessen Gewinnerwartung mathematisch am logischsten und die Handelsgewohnheiten am besten sind.

Interessanterweise wählten sie als zweitbestes Modell fast immer sich selbst.