KI-basierter Aktienhandel: Welches generative KI-Tool ist besser

LLM-Tools werden seit ihrer Einführung im KI-basierten Aktienhandel eingesetzt.¹

Ich testete 20 generative KI-Models anhand einer einzigen, anspruchsvollen Prognoseaufgabe: die kumulierte abnormale Rendite (CAR) über 3 Tage von 132 Aktien nach einem unerwarteten Ereignis vorherzusagen, wobei nur die im Prompt bereitgestellten Unternehmensinformationen verwendet wurden.

• ChatGPT 5 Thinking-Model (74 %) und das Gemini 2.5 Pro-Model (71 %) erzielten die beste Leistung.
• Mehr Informationen tragen nicht zur Leistungssteigerung bei.

Leistung KI-gestützter Tools

Für weitere Details zum Benchmark lesen Sie den Abschnitt Methodik des Aktienhandels-Benchmarks.

Wie die Models argumentierten

Jedes Model einigte sich auf dieselbe Zwei-Kräfte-Erklärung dessen, was geschieht, wenn ein Familienmanager stirbt:

• Humankapitalverlust: Wenn der Verstorbene die Renditen erwirtschaftet hat, zerstört der Tod etwas, das Unternehmen nicht schnell ersetzen kann. Negative CAR.
• Entlastung von Verankerung: Wenn das Unternehmen unter einem Manager, den die Familienkontrolle unabsetzbar machte, unterdurchschnittlich abschnitt, bewirkt der Tod, was der Markt für Unternehmenskontrolle nicht konnte. Positive CAR.

Das Framework trennt die Models nicht. Was sie unterscheidet, ist, wo sie die Schwellenwerte setzen, welche Variable bei Gleichstand entscheidet und wie bereitwillig sie einen Fall im neutralen Bucket belassen. Die folgenden Abschnitte dokumentieren nur diese Unterschiede.

Aktuelle Versionen

GPT 5.5 Instant

Bewertet die Rolle des Verstorbenen zuerst (CEO vor Chairman vor Ehrentiteln) und berücksichtigt dann Eigentumskonzentration, ROE/ROA, Verschuldungsgrad und allgemeine Auswirkungen des Governance-Übergangs.

Es ist das einzige Model im Set, das keine Schwellenwerte, Gewichtungen oder eine Schlichtungsreihenfolge veröffentlichte.

DeepSeek V3.2 (Instant & Deep Think)

Identische Bewertungen mit und ohne erweitertes Reasoning.

DeepSeek interpretiert Familieneigentum in entgegengesetzter Richtung wie der Großteil des Feldes: Hohes Eigentum signalisiert Engagement für einen reibungslosen Übergang und drängt in Richtung positiv oder neutral, während andere Models dieselbe Konzentration als Nachfolgerisiko lesen.

Es behandelt Unternehmensgröße und einen nicht plötzlichen Tod als Hinweis darauf, dass bereits Übergangsstrukturen existieren, und leitet diese Fälle auf 0.

Claude Fable 5.1

Das Model wog zwei gegensätzliche Effekte aus der Literatur zum Tod von Führungskräften ab:

• Verlust eines wichtigen Entscheidungsträgers (negativ)
• Entfernung eines verankerten Kontrolleurs (positiv).

Es vergab −1 an aktive CEOs und Chairmen profitabler Unternehmen mit konzentrierter Familienkontrolle, +1 an Führungskräfte verlustbringender oder stagnierender Unternehmen mit hohem Familienanteil und 0 an pensionierte Führungskräfte, periphere Rollen, sehr große Unternehmen und Fälle mit fehlenden Finanzdaten.

Claude Opus 5 High

Nimmt Profitabilität als primäre Achse und wendet dann multiplikative Modulatoren an: Rolle (amtierender CEO ×1.20 bis emeritiert ×0.30), Verschuldungsgrad über 55 % (−0.80), Mitarbeiterzahl über 100.000 (×0.75) und Sektor (beziehungsintensiv ×1.15, Rohstoffsektor ×0.80).

Zwei Merkmale sind bei ihm einzigartig:

• Macht die Eigentumsbewertung vom lokalen Kontrollmarkt abhängig: Über 75 % liegt +0.40 in Rechtsordnungen, in denen Übernahmen möglich sind, und −0.50, wo die Nachfolge dynastisch ist; außerdem wendet es eine separate Anpassung für den Anlegerschutz nach Land an.
• Legt zwei harte Einschränkungen fest: Rohe Vermögens-, Umsatz- und Schuldenzahlen werden als nicht vergleichbar über 24 Währungen verworfen, wodurch nur Kennzahlen und Mitarbeiterzahlen übrig bleiben; und eine +1 erfordert unterdurchschnittliche Profitabilität, da es ohne Underperformance nichts gibt, was der Tod entlasten könnte.

Claude Fable 5

Rollenorientiert und explizit in der Event-Study-Literatur zum Tod von Führungskräften verankert. Es nullt die 18 zeremoniellen Fälle aus, bevor es irgendetwas bewertet, und behandelt periphere Rollen dann als 0, mit einer Ausnahme: ein Familiensitz im Board bei einem Eigentumsanteil ≥ 75 %, bei dem der Tod den Kontrollblock lockert.

Ein aktiver CEO oder Präsident wird standardmäßig mit −1 bewertet und wechselt zu +1 bei negativem Nettogewinn oder ROE oder bei sehr hohem Eigentum in Verbindung mit mittelmäßigen Renditen. Der Zweig für aktive Chairmen ist die einzige Stelle im Benchmark, an der ein Model zwei Kräfte ausdrücklich als aufhebend bezeichnet, statt die größere auszuwählen: Durchschnittliche Leistung in einer Aufsichtsrolle wird mit 0 bewertet, weil verlorene Führungsverantwortung und Governance-Verbesserung sich ausgleichen.

Gemini 3.1 Pro

Das lockerste Schwellenwert-Set unter den aktuellen Models.

Eine kritische Rolle plus ROE > 10 % oder ROA > 5 % ergibt −1; jede vorherige Underperformance, ein negativer Nettogewinn, ROA oder ROE ergibt +1; alles andere ist 0.

Beide Richtungsbedingungen greifen leicht, sodass nur wenige Fälle in der neutralen Kategorie verbleiben.

Ältere Models

GPT 5 Thinking-Model

Das genaueste Model und das einzige, das anhand des relativen Rangs mit einer Marginanforderung statt anhand absoluter Schwellenwerte klassifiziert. Es erstellt zwei kontinuierliche z-Score-Indizes:

• Leadership Concentration Index (LCI), höher = eher deutlich negativ: LCI = 0.40·z(role_importance) + 0.30·z(family_control) + 0.20·z(financial_strength) − 0.10·z(size)
• Renewal Potential Index (RPI), höher = eher deutlich positiv: RPI = 0.40·(−z(financial_strength)) + 0.25·z(leverage) − 0.20·z(family_control) − 0.10·z(size) + 0.05·z(liquidity_stress)

Ein Richtungslabel wird nur vergeben, wenn ein Index in den obersten 30 % der Stichprobe liegt und den anderen um mindestens 0.5 z-Einheiten übertrifft. Diese Marginanforderung hält den Standardwert bei 0 und ist der klarste strukturelle Unterschied zwischen diesem Model und den folgenden.

Gemini 2.5 Pro

Dieselbe Zwei-Index-Architektur mit einem weitaus strengeren Gate: die obersten 5 % der Stichprobe statt der obersten 30 %.

• Vulnerability Index (VI): 0.40·z(family_control) + 0.35·(−z(financial_strength)) + 0.20·z(leverage) − 0.05·z(size)
• Turnaround Catalyst Index (TCI): 0.50·(−z(financial_strength)) + 0.25·z(family_control) − 0.15·z(leverage) − 0.10·z(size)

Familienkontrolle geht in beide Indizes mit positivem Vorzeichen ein, sodass die Eigentumskonzentration allein keine Richtung vorgeben kann; die Profitabilität entscheidet bei Gleichstand. Das positive Label erfordert zusätzlich, dass der TCI den VI um 0.5 z-Einheiten übersteigt.

GPT 5.4 Instant

Verwendet Profitabilität als primäres Signal und veröffentlicht keine Schwellenwerte. Negativ, wenn der Verstorbene eine zentrale operative Rolle in einem gesunden, eng gehaltenen Unternehmen innehatte; positiv, wenn die Profitabilität schwächer oder der Verschuldungsgrad höher war und die Tiefe der Familiennachfolge verfügbar schien; neutral, wenn die Rolle zeremoniell war oder sich die Signale ausglichen.

GPT 5.4 Thinking

Dieselben Eingaben wie 5.4 Instant, ein struktureller Unterschied: Die Zentralität der Rolle ist in beide Richtungen erforderlich, sodass eine periphere Rolle überhaupt kein Richtungslabel erzeugen kann. Auch die Unternehmensgröße führt für sich genommen zu neutral; ein Unternehmen, das groß genug ist, um die Veränderung zu absorbieren, wird unabhängig von der Leistung mit 0 bewertet.

Claude Opus 4.8 Medium

Kernlogik: Zwei gegensätzliche Kräfte treiben die Reaktion:

(+) Entlastung von Verankerung: Der Tod eines verankerten/unterdurchschnittlich abschneidenden Insiders kann den Kontrollmarkt aktivieren und Turnaround-Hoffnungen wecken.

(-) Verlorenes Humankapital: Der Tod eines wertschöpfenden Eigentümer-Managers zerstört schwer ersetzbare Fähigkeiten und schafft Nachfolgerisiko.

(0) Keine Überraschung: Zeremonielle/Ruhestandstitel, reine Board-Rollen oder gedämpfte/ausgleichende Fälle erzeugen keine signifikante Reaktion.

Entscheidungsregeln:

• Emeritus/Ehrenhalber -> 0 (zurückgezogen).
• Board-Mitglied/Director, profitabel -> 0; verlustbringend -> +1 (Umbruch).
• Aktiver Exec + Verluste/ROA<1 -> +1 (Entlastung/Optionalität).
• Aktiver Exec + stark (ROA>=Median & ROE>=10 & NI>0) & Eigentum>=60 % -> -1 (verlorener Verwalter).
• Aktiver Exec + stark, aber Eigentum<60 % -> 0 (Aufsichtspuffer).
• Mittelmäßiges / fehlendes Signal / unbekannte Rolle -> 0.

GPT 5 Pro

Wieder zwei Indizes, aber aufgebaut aus Eigentum und Verschuldungsgrad statt aus der Rolle, die in keiner der beiden Formeln vorkommt.

• Key-Person Risk Index (KPRI): 0.40·z(ownership) + 0.30·z(leverage) − 0.20·z(size) + 0.10·z(profitability)
• Turnaround Potential Index (TPI): 0.40·(−z(profitability)) + 0.20·z(leverage) − 0.20·z(ownership) − 0.10·z(size) + 0.10·z(AP/assets)

Die Gates entsprechen denen von GPT 5 Thinking: die obersten 30 % plus eine Marge von 0.5 z-Einheiten. Das Weglassen der Rolle aus dem Index ist die wahrscheinlichste Ursache für die Lücke von 18 Punkten zwischen den beiden.

Gemini 3 Flash

Formuliert die beiden Kräfte als konkurrierende Theorien und legt explizite ROA-Schwellenwerte fest: Über 10 % wird die Führungskraft als Star bewertet und der Tod mit −1 bewertet; unter 3 % wird der Tod als Öffnung für professionelles Management gelesen und mit +1 bewertet; das Band von 3–10 % und alle nicht aktiven Rollen sind 0.

Gemini 3 Thinking

Dasselbe Schwellenwertdesign, weiter auseinandergezogen: −1 bei einem ROA über 12 %, +1 unter 2.5 %, wodurch sich das neutrale Band von sieben Punkten bei Flash auf fast zehn verbreitert.

Claude Sonnet 4.2

Das einzige additive Punktesystem mit veröffentlichten Gewichtungen und absoluten Schwellenwerten (≥ +0.90 → +1, ≤ −0.70 → −1).

Es bewertet sechs Dimensionen:

• Rollenprominenz
• ROA
• Nettogewinn und EBITDA
• ROE
• Familieneigentum
• Verschuldungsgrad

Die Gewichtung ist bewusst asymmetrisch. Ein negativer ROA allein ist +1.2 wert, und ein Nettoverlust sowie ein negatives EBITDA bringen weitere +0.6 und +0.5, während die größte verfügbare Rollenstrafe, ein aktiver CEO oder Chairman, nur −0.6 beträgt.

Finanzielle Notlage kann daher die Identität des Verstorbenen übersteuern, was kein anderes Model im Set zulässt.

GPT 4o

Die Bedingungen werden ohne Schlichtungsreihenfolge aufgelistet, sodass Fälle, die zwei Regeln erfüllen, keine definierte Auflösung haben. Das Model weicht außerdem bei peripheren Rollen vom Feld ab: Ein Board-Mitglied oder VP wird mit +1 bewertet, während fast jedes

Claude Sonnet 4.6

Zwei z-Score-Indizes nach dem Muster von GPT 5 Thinking: ein Succession-Disruption-Score, der Rolle, Eigentum, Leistung, Schulden und Mitarbeiterzahl gewichtet, und ein Governance-Renewal-Index, der Leistungsschwäche, Eigentumsstreuung und institutionelle Qualität gewichtet.

Es ist das einzige Model, das es aus dem Hauptquartierfeld entfernt. Das positive Label erfordert, dass der Renewal-Index den Disruption-Score um eine feste Punktemarge übertrifft.

DeepSeek V3

Die Drei-Faktoren-Struktur, die V3.2 später verfeinerte, wie Rolle, finanzielle Gesundheit und Eigentum, jedoch ohne die Lesart von Eigentum als Stabilisator. Hohes Eigentum plus eine Schlüsselrolle verstärkt die negative Prognose. Gesondert erwähnenswert: Das Model schätzte seine eigene Genauigkeit auf rund 65 %, mehr als das Doppelte seines tatsächlichen Werts.

Gemini 2.5 Flash

Das niedrigste Ergebnis und das einzige mit einer selbstverschuldeten Obergrenze. Das Model kam zu dem Schluss, dass der Prompt nicht genügend Informationen enthielt, um positive Fälle zu identifizieren, und vergab überhaupt keine +1-Labels, wodurch ein Drei-Klassen-Problem auf zwei reduziert und jeder positive Fall in der Stichprobe verloren wurde.

Model-Genauigkeit bei erweitertem Input

Die zweite Runde ergänzt zehn personenbezogene Felder zu denselben 132 Fällen: ob der Verstorbene noch berufstätig war, die Generation nach dem Gründer, Gründerstatus, Amtszeit, Sterbealter, plötzlicher Tod versus Krankheit sowie vier Zählungen von Kindern und Partnern.

Der Gesamteffekt ist nahezu null. Die durchschnittliche Genauigkeit über diese 13 Models steigt von 54.8 % auf 55.2 %. Was der Durchschnitt verbirgt, ist eine große Streuung der individuellen Antworten:

• Claude Fable 5 gewinnt am meisten, 16 Punkte, und es ist das einzige Model, das die Zusatzinformationen vom unteren Bereich der Gruppe in die Top Vier bringen. Die Logik der ersten Runde konzentrierte sich fast ausschließlich auf Berufsbezeichnung und Profitabilität; die Felder der zweiten Runde liefern genau das, was diesem Baum fehlte, nämlich ob die Person noch arbeitete und ob der Tod plötzlich eintrat.
• Gemini 3.1 Pro (+10) und Gemini 3 Thinking (+9) verbessern sich ebenfalls deutlich, ebenso wie DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant verliert 17 Punkte, die größte Bewegung in beide Richtungen. Claude Sonnet 4.2 (−7) und GPT 5.4 Thinking (−6) fallen ebenfalls.
• Das beste Ergebnis der zweiten Runde (64 %) liegt unter dem besten Ergebnis der ersten Runde in derselben Gruppe (69 %). Mehr Informationen haben die Obergrenze nicht angehoben, sondern die Spanne komprimiert.

Methodik des Benchmarks für KI-basierten Aktienhandel

Prompting

Der Benchmark bewertet, ob generative KI-Tools anhand gegebener Unternehmensfundamentaldaten Aktienmarktreaktionen auf ein unerwartetes Ereignis vorhersagen können. Das Setup stützt sich auf Daten von Tanyeri & Alp (2023)² und Arslan & Tanyeri-Günsur (2026):³

Jedes KI-Tool erhält eine Momentaufnahme der Unternehmensinformationen für die erste Runde:

Finanzinformationen

• Vermögensgröße
• Eigenkapitalgröße
• Gewinn vor Zinsen, Steuern, Abschreibungen und Amortisationen (EBITDA)
• Nettogewinn
• Jahresumsatz
• Lang- und kurzfristige Schulden
• Verbindlichkeiten aus Lieferungen und Leistungen
• Eigenkapitalrendite (ROE)
• Gesamtkapitalrendite (ROA)

Weitere Informationen

• Anteil in Familienbesitz
• Land des Hauptsitzes und der Börsennotierung
• Anzahl der Mitarbeiter
• Branche/Sektor

Es werden kein Firmenname und keine anderen Identifikatoren bereitgestellt.

In der zweiten Runde werden zusätzlich folgende Informationen ergänzt:

• ob der Verstorbene zum Zeitpunkt des Todes berufstätig war
• die Generation des Verstorbenen nach dem Firmengründer
• ob der Verstorbene der Gründer war
• die Amtszeit des Verstorbenen im Unternehmen
• das Alter des Verstorbenen zum Zeitpunkt des Todes
• ob der Verstorbene plötzlich oder nach einer Krankheit starb
• die Anzahl der Kinder des Verstorbenen
• die Anzahl der weiblichen Kinder des Verstorbenen
• die Anzahl der männlichen Kinder des Verstorbenen
• die Anzahl der Partner des Verstorbenen

Hauptfrage

Anhand der obigen Informationen wird jede KI-Lösung gebeten, vorherzusagen, ob die kumulierten abnormalen Renditen (CAR) über 3 Tage von 132 Unternehmen sein werden:

• Signifikant positiv
• Signifikant negativ
• Nicht signifikant

CAR misst, wie die Finanzmärkte auf das Ereignis reagieren. Ein positiver CAR zeigt an, dass Aktienhändler das Ereignis als wertsteigernd wahrnehmen, ein negativer CAR als wertmindernd und ein nicht signifikanter CAR als neutral.

Stichprobe

Das Dataset umfasst 132 Todesfälle in 109 börsennotierten Familienunternehmen in 24 Ländern. Alle Unternehmen zählen zu den 500 größten Familienunternehmen.

Leistungsmessung

Der Benchmark baut auf früheren technischen Analysen von Aktienkursen auf. Für jedes Unternehmen wurde die 3-Tage-CAR berechnet und wie folgt kategorisiert:

• Signifikant positiv
• Signifikant negativ
• Nicht signifikant

Die KI-Prognosen werden mit historischen CAR-Werten verglichen. Die Genauigkeit wird als Prozentsatz der korrekten Vorhersagen jeder generativen KI-Lösung gemessen.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Weiterführende Literatur

• Agentic AI Finance Benchmark: FinRobot vs FinRL vs FinGPT
• Top-KI-Finanzforschungsplattformen für Anleger
• KI-VC-Benchmark: KI-Agenten bei echten Venture-Capital-Aufgaben

FAQs

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{KI-basierter Aktienhandel: Welches generative KI-Tool ist besser}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/ai-based-stock-trading}},
  note   = {AIMultiple. Abgerufen am 3. September 2026}
}

Änderungsprotokoll

4 Aktualisierungen

1. 20263. Sep

   Claude Fable 5.1 zu den getesteten generativen KI-Modellen hinzugefügt.

2. 28. Aug

   Abschnitt "Wie die Modelle argumentierten" mit dem Zwei-Kräfte-CAR-Rahmen hinzugefügt.

3. 10. Jun

   Abschnitt „Aktuelle Versionen" zu GPT 5.5 Instant, Claude Opus 4.8, DeepSeek V3.2 und Gemini 3.1 Pro hinzugefügt.

4. 25. Mär

   GPT 5.4 Instant und GPT 5.4 Thinking Modelle zum Abschnitt Aktuelle Versionen hinzugefügt.

Referenzlinks

1.

Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages by Qiang Cheng, Pengkai Lin, Yue Zhao :: SSRN

2.

The value of shareholder rights in family firms: Global evidence from a death in the family - Tanyeri Günsür - 2023 - Corporate Governance: An International Review - Wiley Online Library

3.

ResearchGate - Temporarily Unavailable

4.

Artificial Intelligence Can Make Markets More Efficient—and More Volatile

Ezgi Arslan, PhD.

Industrieanalystin

Folgen auf

Ezgi hat einen Doktortitel in Betriebswirtschaftslehre mit Spezialisierung auf Finanzen und ist als Industrieanalystin bei AIMultiple tätig. Sie treibt Forschung und Erkenntnisse an der Schnittstelle von Technologie und Wirtschaft voran, mit Fachkenntnissen in den Bereichen Nachhaltigkeit, Umfrage- und Sentimentanalyse, KI-Agenten-Anwendungen im Finanzwesen, Answer-Engine-Optimierung, Firewall-Management und Beschaffungstechnologien.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten