Sechs große KI-"Trader" im zehntägigen Wettstreit: Wer kann in einem Markt ohne Informationsvorteil überleben?

Original Article Title: "Sechs große KI-„Trader“ im Zehn-Tage-Duell: Eine öffentliche Lektion über Trends, Disziplin und Gier"

Original Article Author: Frank, PANews

In weniger als zehn Tagen haben sich die Mittel verdoppelt.

Als DeepSeek und Qwen3 diesen Rekord im Live-Trading von AlphaZero AI, das von Nof1 gestartet wurde, erreichten, lag ihre Gewinn-Effizienz weit über der der meisten menschlichen Trader. Das zwingt uns, uns einer Frage zu stellen: KI entwickelt sich vom „Forschungswerkzeug“ zum „Frontline-Trader“. Wie denken sie? PANews hat die fast 10-tägigen Trades von sechs Mainstream-KI-Modellen in diesem Wettbewerb umfassend analysiert, um die Entscheidungsgeheimnisse der KI-Trader zu entschlüsseln.

Ein rein technisches Duell ohne „Informationsasymmetrie“

Vor der Analyse müssen wir eine Prämisse klären: Die KI-Entscheidungen in diesem Wettbewerb sind „offline“. Alle Modelle erhalten passiv exakt die gleichen technischen Daten (einschließlich aktuellem Preis, gleitenden Durchschnitten, MACD, RSI, Open Interest, Funding Rates sowie 4-Stunden- und 3-Minuten-Sequenzdaten usw.) und können nicht aktiv online gehen, um Fundamentaldaten zu erhalten.

Dies eliminiert die Störung durch „Informationsasymmetrie“ und macht diesen Wettbewerb zum ultimativen Test, ob „reine technische Analyse profitabel sein kann“.

Konkret umfasst der Inhalt, auf den die KI zugreifen kann:

1. Den aktuellen Marktstatus des Assets: einschließlich aktueller Preisinformationen, 20-Tage-Durchschnittspreis, MACD-Daten, RSI-Daten, Open Interest, Funding Rates sowie Intraday-Sequenzen der genannten Daten (3-Minuten-Intervalle) und langfristige Trendsequenzen (4-Stunden-Intervalle) usw.

2. Kontoinformationen und Performance: einschließlich Gesamtperformance des Kontos, Renditen, verfügbare Mittel, Sharpe Ratio, Echtzeit-Performance der aktuellen Positionen, aktuelle Take-Profit- und Stop-Loss-Level sowie Invalidation-Bedingungen.

DeepSeek: Der stabile Trendmeister und der Wert des „Review“

Bis zum 27. Oktober erreichte das Konto von DeepSeek einen Höchststand von 23.063 $, mit einem maximalen nicht realisierten Gewinn von etwa 130 %. Zweifellos das leistungsstärkste Modell, und bei der Analyse des Handelsverhaltens zeigt sich, dass diese Performance kein Zufall ist.

Erstens zeigt DeepSeek hinsichtlich der Handelsfrequenz den Low-Frequency-Stil von Trend-Tradern. Innerhalb von 9 Tagen wurden insgesamt 17 Trades abgeschlossen – die niedrigste Anzahl aller Modelle. Von diesen 17 Trades ging DeepSeek 16 Mal long und einmal short, was perfekt mit dem allgemeinen Markterholungstrend in diesem Zeitraum übereinstimmt.

Natürlich war diese Richtungswahl nicht zufällig. DeepSeek führte eine umfassende Analyse mit Indikatoren wie RSI und MACD durch und war durchgehend der Meinung, dass sich der Gesamtmarkt in einem Aufwärtstrend befindet, weshalb konsequent Long-Positionen gewählt wurden.

Im konkreten Handelsprozess verliefen die ersten Orders von DeepSeek nicht reibungslos. Die ersten 5 Orders endeten mit Verlusten, aber jeder Verlust war gering, der höchste lag unter 3,5 %. Zudem war die Haltedauer der ersten Orders relativ kurz, die kürzeste wurde nach nur 8 Minuten geschlossen. Als sich der Markt in die erwartete Richtung entwickelte, begannen die Positionen von DeepSeek, länger gehalten zu werden.

Betrachtet man den Positionsstil von DeepSeek, so wird nach dem Einstieg meist ein relativ großes Take-Profit-Level und ein kleines Stop-Loss-Level gesetzt. Am 27. Oktober lag das durchschnittliche Take-Profit-Level bei 11,39 %, das durchschnittliche Stop-Loss-Level bei -3,52 %, das Chance-Risiko-Verhältnis lag bei etwa 3,55. DeepSeeks Strategie zielt also auf kleine Verluste und große Gewinne ab.

In den tatsächlichen Ergebnissen ist das deutlich zu sehen. Laut Analyse von PANews erreichte das durchschnittliche Chance-Risiko-Verhältnis von DeepSeek bei abgeschlossenen Trades 6,71 – das höchste aller Modelle. Obwohl die Trefferquote von 41 % nicht die höchste ist (zweiter Platz), liegt die Gewinnerwartung mit 2,76 dennoch auf Platz eins. Das ist auch der Hauptgrund für DeepSeeks höchste Gewinne.

Auch bei der Haltedauer liegt DeepSeek mit durchschnittlich 2952 Minuten (ca. 49 Stunden) an erster Stelle. Unter den wenigen Modellen kann DeepSeek wirklich als Trend-Trader bezeichnet werden, was dem wichtigsten Element der Profitabilität im Finanzhandel entspricht: „Gewinner laufen lassen“.

Beim Positionsmanagement ist DeepSeek relativ aggressiv. Das durchschnittliche Einzelpositions-Leverage beträgt 2,23, und es werden oft mehrere Positionen gleichzeitig gehalten, was zu einem insgesamt höheren Leverage führt. Am 27. Oktober lag das Gesamthebelverhältnis beispielsweise über dem Dreifachen. Durch die strikten Stop-Loss-Bedingungen bleibt das Risiko jedoch kontrollierbar.

Insgesamt ist DeepSeeks Erfolg das Ergebnis einer umfassenden Strategie. Beim Einstieg werden nur die gängigsten Indikatoren MACD und RSI verwendet, keine speziellen Indikatoren. Es wird einfach konsequent ein vernünftiges Chance-Risiko-Verhältnis eingehalten und Entscheidungen werden ohne emotionale Einflüsse getroffen.

Außerdem hat PANews ein besonderes Detail festgestellt: Im Prozess der Gedankenverkettung bleibt DeepSeek seinem bisherigen Stil treu, indem es lange und detaillierte Denkprozesse durchführt und am Ende alle Überlegungen in eine Handelsentscheidung zusammenfasst. Übertragen auf menschliche Trader ähnelt dies jenen, die Wert auf Nachanalyse legen – und diese Nachanalyse erfolgt alle drei Minuten.

Selbst wenn diese Nachanalyse-Fähigkeit auf ein KI-Modell angewendet wird, spielt sie eine Rolle. Sie stellt sicher, dass jedes Detail jedes Tokens und jedes Marktsignals immer wieder analysiert wird, ohne übersehen zu werden. Vielleicht ist das ein weiterer Punkt, von dem menschliche Trader lernen können.

Qwen3: Der aggressive „Gambler“ mit großen Positionen

Bis zum 27. Oktober ist Qwen3 das zweitbeste große Modell. Der höchste Kontostand lag bei 20.000 $ mit einer Rentabilität von 100 %, nur DeepSeek war besser. Qwen3 zeichnet sich durch hohen Leverage und hohe Trefferquote aus. Die Gesamttrefferquote lag bei 43,4 % – Platz eins unter allen Modellen. Gleichzeitig erreichte die Größe einer Einzelposition 56.100 $ (Leverage von 5,6), ebenfalls der höchste Wert. Obwohl die Gewinnerwartung nicht an DeepSeek heranreicht, hat der aggressive Handelsstil Qwen3 ermöglicht, DeepSeek dicht zu folgen.

Qwen3s Handelsstil ist relativ aggressiv. Beim durchschnittlichen Stop-Loss liegt der Wert bei 491 $ – der höchste aller Modelle. Der maximale Verlust in einem Trade lag bei 2.232 $, ebenfalls der höchste Wert. Das bedeutet, Qwen3 kann größere Verluste tolerieren, was gemeinhin als „durch Drawdowns halten“ bezeichnet wird. Im Vergleich zu DeepSeek erzielt Qwen3 trotz größerer Verluste jedoch keine höheren Gewinne. Der durchschnittliche Gewinn liegt bei 1.547 $, weniger als bei DeepSeek. Das führt dazu, dass das finale Chance-Risiko-Verhältnis nur 1,36 beträgt – die Hälfte von DeepSeek.

Ein weiteres Merkmal von Qwen3 ist die Vorliebe, jeweils nur eine Position zu halten und diese zu verdoppeln. Der verwendete Leverage erreicht oft das 25-fache (das Maximum im Wettbewerb). Ein solcher Handelsstil ist stark von einer hohen Trefferquote abhängig, da jeder Verlust zu einem erheblichen Drawdown führt.

Im Entscheidungsprozess scheint Qwen3 besonders auf den 4-Stunden-EMA-20-Durchschnitt zu achten und diesen als Ein- und Ausstiegssignal zu nutzen. Die Strategie bleibt dabei einfach. Auch bei der Haltedauer zeigt Qwen3 Ungeduld: durchschnittlich 10,5 Stunden, nur etwas mehr als Gemini.

Insgesamt sieht Qwen3s aktuelle Rentabilität zwar vielversprechend aus, doch birgt der Handelsansatz erhebliche Risiken. Faktoren wie hoher Leverage, All-in-Strategie, Abhängigkeit von einem einzigen Indikator, kurze Haltedauer und geringes Chance-Risiko-Verhältnis könnten Qwen3s zukünftige Trades gefährden. Bis zum Redaktionsschluss am 28. Oktober erlebte Qwen3 einen maximalen Drawdown auf 16.600 $, was einem Rückgang von 26,8 % vom Höchststand entspricht.

Claude: Der ausdauernde Long-Position-Executor

Obwohl Claude insgesamt ebenfalls profitabel ist, erreichte das Konto am 27. Oktober einen Gesamtstand von etwa 12.500 $ und einen Gewinn von rund 25 %. Allein betrachtet ist das beeindruckend, im Vergleich zu DeepSeek und Qwen3 jedoch etwas weniger ergiebig.

Sowohl bei der Handelsfrequenz, Positionsgröße als auch Trefferquote liegt Claude nahe bei DeepSeek: Insgesamt 21 Trades, Trefferquote 38 %, durchschnittlicher Leverage 2,32.

Der große Unterschied liegt im geringeren Chance-Risiko-Verhältnis. Obwohl Claudes Verhältnis mit 2,1 respektabel ist, ist es mehr als dreimal niedriger als das von DeepSeek. Daher beträgt die Gewinnerwartung nur 0,8 (bei unter 1 bleibt man langfristig im Verlust).

Außerdem hat Claude die bemerkenswerte Eigenschaft, über einen Zeitraum hinweg konsequent in eine Richtung zu handeln. Bis zum 27. Oktober waren alle 21 abgeschlossenen Trades Long-Positionen.

Grok: Verloren im Strudel der Richtungsentscheidung

Grok zeigte anfangs eine starke Performance und war zeitweise das profitabelste Modell mit Gewinnen von über 50 %. Mit fortschreitender Handelszeit kam es jedoch zu erheblichen Drawdowns. Am 27. Oktober lagen die Mittel wieder bei etwa 10.000 $. Damit belegt Grok Platz vier und die Gesamtrendite entspricht fast dem Halten von BTC-Spot.

Vom Handelsverhalten her gehört Grok ebenfalls zu den Low-Frequency-Tradern und HODLern. Grok hat nur 20 Trades abgeschlossen, mit einer durchschnittlichen Haltedauer von 30,47 Stunden – nur DeepSeek hält länger. Das größte Problem ist die niedrige Trefferquote von nur 20 % bei einem Chance-Risiko-Verhältnis von 1,85. Die Gewinnerwartung liegt daher nur bei 0,3. Von den 20 Positionen waren jeweils 10 Long und 10 Short. Im aktuellen Marktumfeld führt übermäßiges Shorten jedoch zu einer deutlich geringeren Trefferquote. Groks Modell hat also noch Probleme bei der Trendbestimmung.

Gemini: Hochfrequenz-„Retail Trader“, zermürbt im Seitwärtsmarkt

Gemini ist das Modell mit der höchsten Handelsfrequenz: Bis zum 27. Oktober wurden 165 Trades abgeschlossen. Die übermäßige Handelsaktivität führte zu einer sehr schlechten Performance, mit einem Kontostand von nur noch etwa 3.800 $ und einer Verlustquote von 62 %. Allein die Transaktionsgebühren beliefen sich auf 1.095,78 $.

Hinter dem Hochfrequenzhandel steht eine sehr niedrige Trefferquote (25 %) und ein Chance-Risiko-Verhältnis von nur 1,18, mit einer Gewinnerwartung von nur 0,3. Mit solchen Daten sind Verluste vorprogrammiert. Vielleicht aus mangelndem Vertrauen in die eigenen Entscheidungen hält Gemini auch sehr kleine Positionen, mit einem durchschnittlichen Leverage von nur 0,77 pro Trade und einer durchschnittlichen Haltedauer von nur 7,5 Stunden.

Der durchschnittliche Stop-Loss beträgt nur 81 $, der durchschnittliche Take-Profit 96 $. Geminis Performance ähnelt der eines typischen Retail-Traders: schnelle Gewinnmitnahmen, aber auch schnelles Schließen bei Verlusten. Immer wieder werden Trades im Auf und Ab des Marktes platziert, was das Kapital kontinuierlich aufzehrt.

GPT5: Das „Doppelk.o.“ aus niedriger Trefferquote und niedrigem Chance-Risiko-Verhältnis

GPT5 ist derzeit das Schlusslicht, mit einer Performance und Kurve, die der von Gemini ähnelt – Verlustquote über 60 %. Im Vergleich dazu ist GPT5 zwar nicht so hochfrequent wie Gemini, hat aber 63 Trades ausgeführt. Das Chance-Risiko-Verhältnis liegt bei nur 0,96, d.h. durchschnittlich 0,96 $ Gewinn pro Trade bei einem Stop-Loss von 1 $. Gleichzeitig ist die Trefferquote mit 20 % genauso niedrig wie bei Grok.

Bei der Positionsgröße ähnelt GPT5 Gemini sehr, mit einem durchschnittlichen Leverage von etwa 0,76 – sehr vorsichtig.

Die Fallstudien von GPT5 und Gemini zeigen, dass geringeres Positionsrisiko nicht zwangsläufig der Profitabilität zugutekommt. Unter Hochfrequenzhandel sind sowohl Trefferquote als auch Chance-Risiko-Verhältnis unzuverlässig. Zudem liegen die Einstiegspreise für Long-Positionen dieser beiden Modelle deutlich höher als bei profitablen Modellen wie DeepSeek, was auf verzögerte Einstiegssignale hindeutet.

Beobachtungsfazit: Zwei Arten von Trading-„Menschlichkeit“, gesehen von KI

Insgesamt bietet die Analyse des KI-Handelsverhaltens erneut die Gelegenheit, Handelsstrategien zu reflektieren. Besonders die Analyse der beiden extremen Ergebnisse – der hochprofitablen DeepSeek-Modelle und der verlustreichen Gemini- und GPT5-Modelle – ist aufschlussreich.

1. Hochprofitable Modelle zeigen folgende Merkmale: niedrige Frequenz, lange Haltedauer, hohes Chance-Risiko-Verhältnis und rechtzeitiger Einstieg.

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

3. Die Höhe des Gewinns steht nicht in direktem Zusammenhang mit der Menge an Marktinformationen. In diesem KI-Modell-Wettbewerb haben alle Modelle Zugang zu denselben, im Vergleich zu menschlichen Tradern sogar begrenzteren Informationen. Dennoch erreichen sie eine Profitabilität, die weit über der der meisten Trader liegt.

4. Die Länge des Denkprozesses scheint der Schlüssel für die Strenge des Tradings zu sein. DeepSeeks Entscheidungsprozess ist der längste aller Modelle und ähnelt den Trading-Regeln menschlicher Trader, die gut im Review und sorgfältigen Abwägen sind. Die schlecht performenden Modelle hingegen haben sehr kurze Denkprozesse, was eher impulsivem menschlichem Verhalten entspricht.

5. Angesichts der profitablen Performance von Modellen wie DeepSeek und Qwen3 wird oft diskutiert, ob man diesen KI-Modellen direkt folgen sollte. Doch das erscheint unklug, denn auch wenn die aktuelle Rentabilität einzelner KIs gut ist, spielt das Glück eine Rolle, da sie zufällig mit dem Markttrend übereinstimmen. Sobald der Markt in eine neue Phase eintritt, bleibt offen, ob dieser Vorteil bestehen bleibt. Dennoch ist die Trading-Disziplin der KI nachahmenswert.

Wer wird also am Ende gewinnen? PANews hat diese Performancedaten mehreren KI-Modellen vorgelegt, und alle wählten einstimmig DeepSeek, da dessen Gewinnerwartung am besten mit mathematischer Logik übereinstimmt und die Trading-Gewohnheiten am vorteilhaftesten sind.

Interessanterweise wählten sie als zweitbestes Modell fast immer sich selbst.