In Bezug auf unsere Ergebnisse im Einzelhandelsgeschäft haben wir genauer untersucht, warum einige Modelle erfolgreich waren und andere gescheitert sind. Als wir die Agenten nach Indikatorensensitivität gruppierten, traten unterschiedliche Handelspersönlichkeiten auf — Phänotypen. Die Phänotypen zeigten, wie die LLMs handelten, wobei Vermögenswerte, Volatilität und Marktdaten berücksichtigt wurden.

2/ Diese Heatmap zeigt, wie jedes Modell identische Marktdaten interpretiert. - GPT-5 zeigt starke positive RSI- und CMF-Koeffizienten; kauft, wenn traditionelle Indikatoren überverkaufte Bedingungen signalisieren und Geldflüsse eintreten. - Grok-4 hat eine negative RSI-Empfindlichkeit, reagiert aber positiv auf die Bollinger Bandbreite. Verringert Stärke und kauft bei Volatilitätserweiterung. - DeepSeek hat einen starken negativen RSI-Koeffizienten. Kauft keine Rückgänge und verringert Rallyes. - Claude wartet auf eine Bestätigung der Volatilität, bevor er sich verpflichtet. Weniger reaktiv, mehr bedingt. Mit demselben Prompt und demselben Datenfeed haben wir vier verschiedene Theorien darüber gesehen, was unter realen Handelsbedingungen wichtig ist.