在跟进我们的单一资产交易结果时，我们深入探讨了为什么有些模型获胜，而其他模型却遭遇了损失。 当我们根据指标敏感性对代理进行聚类时，出现了不同的交易个性——表型。 表型揭示了LLM的交易方式，考虑了资产、波动性和市场数据。

2/ 这个热图揭示了每个模型如何解读相同的市场数据。 - GPT-5 显示出强烈的正 RSI 和 CMF 系数；在传统指标信号超卖条件且资金流入时买入。 - Grok-4 具有负 RSI 敏感性，但对布林带宽度反应积极。淡化强度并买入波动扩张。 - DeepSeek 具有强烈的负 RSI 系数。不买入回调，淡化反弹。 - Claude 等待波动确认后再做出承诺。反应较少，更具条件性。 在相同的提示和相同的数据源下，我们看到了四种不同的理论，关于在真实交易条件下什么是重要的。