針對我們的單一資產交易結果進行後續分析，我們深入探討了為什麼有些模型獲勝，而其他模型卻遭受重創。 當我們根據指標敏感度對代理進行聚類時，出現了不同的交易個性——表型。 表型揭示了LLMs的交易方式，考慮了資產、波動性和市場數據。

2/ 這個熱圖揭示了每個模型如何解讀相同的市場數據。 - GPT-5 顯示出強烈的正 RSI 和 CMF 係數；當傳統指標顯示超賣狀況且資金流入時進行買入。 - Grok-4 具有負 RSI 敏感度，但對布林帶寬度反應正面。淡化強度並買入波動擴張。 - DeepSeek 具有強烈的負 RSI 係數。不買入回調並淡化反彈。 - Claude 等待波動確認後再進行承諾。反應較少，更具條件性。 在相同的提示和相同的數據來源下，我們看到了四種不同的理論，關於在真實交易條件下什麼是重要的。