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

LLM-Tools wurden seit ihrem Aufkommen im KI-basierten Aktienhandel eingesetzt.¹

Ich habe 20 generative KI-Modelle mit einer einzigen, schwierigen Prognoseaufgabe getestet: die kumulierte abnormale Rendite (CAR) über 3 Tage von 132 Aktien nach einem unerwarteten Ereignis vorherzusagen – und zwar nur anhand der im Prompt bereitgestellten Unternehmensinformationen.

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

Leistung von KI-gestützten Tools

Weitere Einzelheiten zum Benchmark finden Sie im Abschnitt Aktienhandels-Benchmark-Methodik.

Wie die Modelle argumentierten

Alle Modelle kamen zu derselben Zwei-Kräfte-Erklärung dessen, was beim Tod eines Familienmanagers geschieht:

• Verlust von Humankapital: Wenn die verstorbene Person für die Renditen verantwortlich war, zerstört der Tod etwas, das Unternehmen nicht schnell ersetzen kann. Negative CAR.
• Entlastung von festgefahrener Führung: Wenn das Unternehmen unter einem Manager schlecht abschnitt, der durch die Familienkontrolle nicht entfernbar war, bewirkt der Tod das, was der Markt für Unternehmenskontrolle nicht konnte. Positive CAR.

Das Rahmenmodell unterscheidet die Modelle nicht. Was sie unterscheidet, ist, wo sie die Schwellenwerte setzen, welche Variable bei Gleichstand entscheidet und wie bereitwillig sie einen Fall im neutralen Bereich belassen. Die folgenden Abschnitte halten nur diese Unterschiede fest.

Aktuelle Versionen

GPT 5.5 Instant

Stuft die Rolle der verstorbenen Person zuerst ein (CEO vor Chairman vor Ehrentiteln), liest dann Eigentumskonzentration, ROE/ROA, Verschuldungsgrad und allgemeine Auswirkungen des Governance-Übergangs.

Es ist das einzige Modell im Set, das keine Schwellenwerte, Gewichtungen oder Entscheidungsreihenfolge veröffentlicht hat.

DeepSeek V3.2 (Instant & Deep Think)

Identische Bewertungen mit und ohne erweitertes Schlussfolgern.

DeepSeek liest Familieneigentum in die entgegengesetzte Richtung wie die meisten anderen Modelle: Hohe Eigentumsanteile signalisieren ein Engagement für einen reibungslosen Übergang und drängen in Richtung positiv oder neutral, während andere Modelle dieselbe Konzentration als Nachfolgerisiko lesen.

Es behandelt die Unternehmensgröße und einen nicht plötzlichen Tod als Beleg dafür, dass bereits eine Übergangsmaschinerie existiert, und leitet diese Fälle auf 0.

Claude Fable 5.1

Das Modell wog zwei gegensätzliche Effekte aus der Literatur zu Todesfällen von Führungskräften ab:

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

Es vergab −1 an aktive CEOs und Vorsitzende 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:

• Konditioniert das Eigentum am lokalen Kontrollmarkt: über 75 % ergibt +0.40 in Jurisdiktionen, in denen Übernahmen möglich sind, und −0.50, wo die Nachfolge dynastisch ist; außerdem wendet es eine eigene länderspezifische Anleger-Schutz-Anpassung an.
• Setzt zwei harte Randbedingungen: Rohe Vermögens-, Umsatz- und Schuldenzahlen werden als nicht vergleichbar über 24 Währungen verworfen, sodass nur Kennzahlen und Mitarbeiterzahlen bleiben; und ein +1 setzt unterdurchschnittliche Profitabilität voraus, da es ohne Underperformance nichts gibt, was der Tod erleichtern könnte.

Claude Fable 5

Rolle zuerst und explizit hinsichtlich seiner Verankerung in der ereignisbezogenen Literatur zu Todesfällen von Führungskräften. Es setzt die 18 zeremoniellen Fälle auf null, bevor es irgendetwas bewertet, und behandelt periphere Rollen als 0 mit einer Ausnahme: einen Familiensitz im Verwaltungsrat bei einem Eigentumsanteil ≥ 75 %, wo der Tod den Kontrollblock lockert.

Ein aktiver CEO oder Präsident wird standardmäßig mit −1 bewertet und springt auf +1 bei negativem Nettoergebnis oder ROE oder bei sehr hohem Eigentum in Verbindung mit mäßigen Renditen. Der Zweig für den aktiven Chairman ist die einzige Stelle im Benchmark, an der ein Modell ausdrücklich zwei Kräfte als aufhebend bezeichnet statt die größere auszuwählen: Durchschnittliche Leistung in einer Aufsichtsrolle wird mit 0 bewertet, weil sich verlorene Führung und Governance-Verbesserung ausgleichen.

Gemini 3.1 Pro

Das lockerste Schwellenwert-Set unter den aktuellen Modellen.

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

Beide Richtungsbedingungen werden leicht ausgelöst, sodass nur wenige Fälle in die neutrale Kategorie gelangen.

Ältere Modelle

GPT 5 Thinking-Modell

Das genaueste Modell und das einzige, das nach relativem Rang mit einer Margenanforderung statt nach absoluten Schwellenwerten kennzeichnet. Es erstellt zwei kontinuierliche z-Score-Indizes:

• Führungskonzentrationsindex (LCI), höher = wahrscheinlicher deutlich negativ: LCI = 0.40·z(role_importance) + 0.30·z(family_control) + 0.20·z(financial_strength) − 0.10·z(size)
• Erneuerungspotenzialindex (RPI), höher = wahrscheinlicher 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)

Eine Richtungsmarkierung wird nur vergeben, wenn ein Index im oberen 30 % der Stichprobe liegt und den anderen um mindestens 0.5 z-Einheiten übertrifft. Diese Margenanforderung hält den Standardwert bei 0 und ist der klarste strukturelle Unterschied zwischen diesem Modell und den folgenden.

Gemini 2.5 Pro

Dieselbe Zwei-Index-Architektur mit einem weitaus strengeren Tor: obere 5 % der Stichprobe statt obere 30 %.

• Vulnerabilitätsindex (VI): 0.40·z(family_control) + 0.35·(−z(financial_strength)) + 0.20·z(leverage) − 0.05·z(size)
• Turnaround-Katalysatorindex (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 bestimmen 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 die verstorbene Person 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 keine Richtungsmarkierung erzeugen kann. Auch die Unternehmensgröße führt allein zu einem neutralen Wert; ein Unternehmen, das groß genug ist, um die Veränderung aufzufangen, wird unabhängig von der Leistung mit 0 bewertet.

Claude Opus 4.8 Medium

Kernlogik: Zwei gegensätzliche Kräfte treiben die Reaktion:

(+) Entlastung von festgefahrener Führung: Der Tod eines fest verankerten oder schwachen Insiders kann den Kontrollmarkt aktivieren und Turnaround-Hoffnungen wecken.

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

(0) Keine Überraschung: Zeremonielle Titel, Ruhestandstitel, reine Verwaltungsratsrollen oder gedämpfte/ausgleichende Fälle lösen keine signifikante Reaktion aus.

Entscheidungsregeln:

• Emeritiert/Ehrenamtlich -> 0 (zurückgezogen).
• Verwaltungsratsmitglied/Direktor, profitabel -> 0; verlustbringend -> +1 (Wachrütteln).
• Aktive Führungskraft + Verluste/ROA<1 -> +1 (Entlastung/Optionalität).
• Aktive Führungskraft + stark (ROA>=Median & ROE>=10 & NI>0) & Eigentum>=60 % -> -1 (verlorener Verwalter).
• Aktive Führungskraft + stark, aber Eigentum<60 % -> 0 (Aufsichtspuffer).
• Durchschnittliche / fehlende Signale / unbekannte Rolle -> 0.

GPT 5 Pro

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

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

Die Tore sind dieselben wie bei GPT 5 Thinking: obere 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 beiden.

Gemini 3 Flash

Beschreibt die beiden Kräfte als konkurrierende Theorien und knüpft explizite ROA-Schwellenwerte daran: Über 10 % wird der Leiter als Star bewertet und der Tod als −1; 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 über ROA 12 %, +1 unter 2,5 %, was das neutrale Band von sieben Punkten bei Flash auf nahezu zehn erweitert.

Claude Sonnet 4.6

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

Es bewertet sechs Dimensionen:

• Rollenprominenz
• ROA
• Nettoergebnis 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 fügen weitere +0.6 und +0.5 hinzu, während die größte verfügbare Rollenstrafe, ein aktiver CEO oder Chairman, nur −0.6 beträgt.

Finanzielle Notlagen können daher die Identität der verstorbenen Person übersteuern, was kein anderes Modell im Set zulässt.

GPT 4o

Bedingungen werden ohne Entscheidungsreihenfolge aufgeführt, sodass Fälle, die zwei Regeln erfüllen, keine definierte Auflösung haben. Es weicht außerdem bei peripheren Rollen vom Feld ab: Ein Verwaltungsratsmitglied oder VP wird mit +1 bewertet, wo nahezu jedes

DeepSeek V3

Die Drei-Faktoren-Struktur, die V3.2 später verfeinert hat – etwa Rolle, finanzielle Gesundheit und Eigentum –, aber ohne die Lesart des Eigentums als Stabilisator. Hohes Eigentum plus eine Schlüsselrolle verstärkt die negative Vorhersage. Gesondert erwähnenswert: Das Modell schätzte seine eigene Genauigkeit auf rund 65 %, mehr als das Doppelte seines tatsächlichen Wertes.

Gemini 2.5 Flash

Das niedrigste Ergebnis und das einzige mit einer selbstverschuldeten Obergrenze. Das Modell 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 verspielt wurde.

Modellgenauigkeit mit umfangreichen Eingaben

Die zweite Runde ergänzt zehn personenbezogene Felder zu denselben 132 Fällen: ob die verstorbene Person noch arbeitete, Generation nach dem Gründer, Gründerstatus, Amtszeit, Alter beim Tod, plötzlicher Tod versus Krankheit sowie vier Angaben zu Kindern und Partnern.

Der Gesamteffekt ist nahezu null. Die durchschnittliche Genauigkeit über diese 13 Modelle bewegt sich von 54,8 % auf 55,2 %. Was der Durchschnitt verbirgt, ist eine große Streuung der individuellen Reaktionen:

• Claude Fable 5 gewinnt am meisten, 16 Punkte, und ist das einzige Modell, das durch die zusätzlichen Informationen von der Nähe des Gruppenendes unter die ersten vier gelangt. Seine Runde-eins-Logik stützte sich fast ausschließlich auf Berufsbezeichnung und Profitabilität; die Runde-zwei-Felder liefern genau das, was dieser Entscheidungsbaum vermisst hat: ob die Person noch arbeitete und ob der Tod plötzlich eintrat.
• Gemini 3.1 Pro (+10) und Gemini 3 Thinking (+9) verbessern sich ebenfalls erheblich, ebenso wie DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant verliert 17 Punkte, die größte Bewegung in beide Richtungen. Claude Sonnet 4.6 (−7) und GPT 5.4 Thinking (−6) fallen ebenfalls.
• Das beste Ergebnis in Runde zwei (64 %) ist niedriger als das beste Ergebnis in Runde eins in derselben Gruppe (69 %). Mehr Informationen haben die Obergrenze nicht angehoben; sie haben die Spannweite verringert.

Methodik des KI-basierten Aktienhandels-Benchmarks

Prompting

Der Benchmark bewertet, ob generative KI-Tools Aktienmarktreaktionen auf ein unerwartetes Ereignis anhand gegebener Unternehmensfundamentaldaten vorhersagen können. Der Aufbau 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
• Ergebnis vor Zinsen, Steuern, Abschreibungen und Amortisationen (EBITDA)
• Nettoergebnis
• Jahresumsatz
• Lang- und kurzfristige Schulden
• Verbindlichkeiten aus Lieferungen und Leistungen
• Eigenkapitalrendite (ROE)
• Gesamtkapitalrendite (ROA)

Weitere Informationen

• Familienbesitzanteil
• Land des Hauptsitzes und der Börsennotierung
• Anzahl der Beschäftigten
• Branche/Sektor

Es werden keine Firmennamen oder sonstigen Identifikatoren bereitgestellt.

In der zweiten Runde werden zusätzlich folgende Informationen ergänzt:

• ob die verstorbene Person zum Zeitpunkt des Todes noch arbeitete
• die Generation der verstorbenen Person nach dem Firmengründer
• ob die verstorbene Person der Gründer war
• Amtszeit der verstorbenen Person im Unternehmen
• Alter der verstorbenen Person zum Zeitpunkt des Todes
• ob die verstorbene Person plötzlich oder nach einer Krankheit starb
• die Zahl der Kinder der verstorbenen Person
• die Zahl der weiblichen Kinder der verstorbenen Person
• die Zahl der männlichen Kinder der verstorbenen Person
• die Zahl der Partner der verstorbenen Person

Hauptfrage

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

• Signifikant positiv
• Signifikant negativ
• Nicht signifikant

Die CAR misst, wie die Finanzmärkte auf das Ereignis reagieren. Eine positive CAR deutet darauf hin, dass Aktienhändler das Ereignis als wertsteigernd wahrnehmen, eine negative CAR als wertmindernd und eine nicht signifikante CAR als neutral.

Stichprobe

Der Datensatz 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 der Aktienkurse auf. Für jedes Unternehmen wurde die 3-Tage-CAR berechnet und kategorisiert als:

• Signifikant positiv
• Signifikant negativ
• Nicht signifikant

Die KI-Vorhersagen 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-KI-Finance-Benchmark: FinRobot vs. FinRL vs. FinGPT
• Top-KI-Finanzforschungsplattformen für Investoren
• 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{arslan2026,
  author = {Arslan, Ezgi},
  title  = {{KI-basierter Aktienhandel: Welches Gen-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

2026

1. 3. 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