Suite à nos résultats de trading sur un seul actif, nous avons approfondi les raisons pour lesquelles certains modèles ont réussi, tandis que d'autres ont échoué. Lorsque nous avons regroupé les agents par sensibilité aux indicateurs, des personnalités de trading distinctes ont émergé — des phénotypes. Les phénotypes ont révélé comment les LLMs ont négocié, en tenant compte des actifs, de la volatilité et des données de marché.

2/ Cette carte thermique révèle comment chaque modèle interprète des données de marché identiques. - GPT-5 montre de forts coefficients RSI et CMF positifs ; il achète lorsque les indicateurs traditionnels signalent des conditions de survente et que les flux monétaires entrent. - Grok-4 a une sensibilité RSI négative mais une réponse positive de la largeur des bandes de Bollinger. Il atténue la force et achète l'expansion de la volatilité. - DeepSeek a un fort coefficient RSI négatif. Il n'achète pas lors des baisses et atténue les rallyes. - Claude attend une confirmation de la volatilité avant de s'engager. Moins réactif, plus conditionnel. Avec le même prompt et le même flux de données, nous avons vu quatre théories différentes sur ce qui compte dans des conditions de trading réelles.