Benchmark von über 40 LLMs im Finanzwesen: Claude Fable 5 & GPT-5
Wir haben über 40 LLMs im Finanzwesen anhand von 238 schwierigen Fragen aus dem FinanceReasoning-Benchmark evaluiert, um herauszufinden, welche Modelle bei komplexen finanziellen Denkaufgaben wie Bilanzanalyse, Prognosen und Kennzahlenberechnungen herausragen.
Überblick über den LLM-Finanzbenchmark
Wir haben LLMs anhand von 238 schwierigen Fragen aus dem FinanceReasoning-Benchmark (Tang et al.) evaluiert.1 Diese Teilmenge zielt auf die anspruchsvollsten Aufgaben im Finanzdenken ab und bewertet komplexe, mehrstufige quantitative Schlussfolgerungen, die Finanzkonzepte und -formeln beinhalten. Unsere Evaluierung verwendete ein benutzerdefiniertes Prompt-Design und Bewertungskriterien für Genauigkeit und Token-Verbrauch.
Eine detaillierte Erklärung, wie diese Metriken berechnet wurden und welches Framework für diese Evaluierung verwendet wurde, finden Sie in unserer Methodik zum Finanzbenchmark.
Ergebnisse: Welches LLM eignet sich am besten für den Finanzbereich?
Spitzenreiter (>83 % Genauigkeit):
claude-fable-5 erzielt die höchste Genauigkeit im Benchmark mit 90,34 % bei 183.258 Tokens. Es ist das erste Modell, das bei diesem Benchmark die 90 %-Marke überschreitet, vor claude-opus-4.8 (89,08 %).
claude-opus-4.8 erreicht 89,08 % Genauigkeit mit 113.434 Tokens, das zweitbeste Ergebnis und die niedrigste Ausgabetokenanzahl unter den Modellen über 88 %.
gpt-5-2025-08-07 erreicht 88,23 % Genauigkeit mit 829.720 Tokens, das drittbeste Ergebnis im Benchmark.
claude-opus-4.6 erreicht 87,82 % Genauigkeit mit 164.369 Tokens, eine nahezu Spitzenleistung bei einem Bruchteil der Tokenanzahl von gpt-5.
gpt-5-mini-2025-08-07 erreicht 87,39 % Genauigkeit mit 595.505 Tokens und bietet eine starke Alternative innerhalb der GPT-5-Familie.
gemini-3.5-flash erreicht 86,97 % Genauigkeit mit 1.191.757 Tokens, die höchste Genauigkeit in Googles Flash-Reihe, aber auch der größte Token-Verbraucher der Familie.
gemini-3.1-pro-preview erzielt 86,55 % Genauigkeit mit 475.148 Tokens und übertrifft damit seinen Vorgänger gemini-3-pro-preview (86,13 %), während es 35 % weniger Tokens (730.759 Tokens) verbraucht.
glm-5.2 erreicht 86,13 % Genauigkeit mit 735.988 Tokens. Es verbessert glm-4.5 (64,29 %) um 21,84 Punkte, den größten Sprung zwischen zwei Versionen derselben Modellfamilie im Benchmark; der nächstgrößere beträgt 3,79 Punkte. Die 735.988 Token sind der dritthöchste Wert in der Spitzengruppe, hinter gemini-3.5-flash und gpt-5-2025-08-07.
gemini-3-pro-preview und gpt-5.2 liegen mit 86,13 % Genauigkeit gleichauf. gpt-5.2 erreicht die gleiche Genauigkeit mit 247.660 Tokens und ist damit etwa dreimal effizienter in den Ausgabetokens als gemini-3-pro-preview mit 730.759 Tokens.
claude-opus-4.7 erzielt 85,29 % Genauigkeit mit 103.268 Tokens, das token-effizienteste Modell in der Spitzengruppe (37 % weniger Ausgabetokens als claude-opus-4.6 bei Überschreiten der 83 %-Schwelle).
Starke Leistungen (80–83 % Genauigkeit):
grok-4.3 erreicht 84,87 % Genauigkeit mit 309.781 Tokens, das stärkste Ergebnis von xAI im Benchmark und eine Erholung vom früheren grok-4-0709
claude-opus-4.5 liefert 84,03 % Genauigkeit mit 144.505 Tokens und behält Claudes starke Balance zwischen Leistung und Effizienz bei.
claude-sonnet-4.6 und gemini-3-flash-preview sind mit 83,61 % Genauigkeit gleichauf. Claude Sonnet 4.6 verwendet 161.035 Tokens, während Gemini 3 Flash Preview dies mit 118.530 Tokens erreicht und damit die token-effizienteste Option unter allen Hochleistungsmodellen darstellt.
kimi-k2.5 erreicht 82,77 % Genauigkeit, benötigt aber 877.868 Tokens, den höchsten Verbrauch unter den Modellen dieser Leistungsstufe.
Mittlere Stufe (70–80 % Genauigkeit):
o3-pro-2025-06-10 (78,15 % Genauigkeit, 473.659 Tokens) und kimi-k2 (78,15 % Genauigkeit, 100.323 Tokens) sind gleichauf. Kimi-k2 ist das effizienteste Modell in dieser Gruppe.
o3-mini-2025-01-31 (77,31 % Genauigkeit, 376.929 Tokens), gpt-5-nano-2025-08-07 (76,89 % Genauigkeit, 1.028.909 Tokens) und claude-sonnet-4-20250514 (76,05 % Genauigkeit, 135.462 Tokens) folgen dicht dahinter.
Schwächere Leistungen (
claude-3-5-sonnet-20241022 (67,65 % Genauigkeit, 90.103 Tokens) und gpt-oss-20b (67,65 % Genauigkeit, 515.041 Tokens) führen diese Stufe an.
gemini-2.5-flash (65,55 % Genauigkeit, 286.603 Tokens), glm-4.5 (64,29 % Genauigkeit, 692.662 Tokens) und gpt-4.1-nano-2025-04-14 (63,45 % Genauigkeit, 171.096 Tokens) folgen.
Erkenntnisse zur Leistung:
Der Benchmark zeigt keine klare Korrelation zwischen Token-Verbrauch und Genauigkeit. deepseek-r1-0528 verbrauchte die meisten Tokens (1.251.064) und erreichte dennoch nur 62,18 % Genauigkeit, während claude-opus-4-20250514 80,25 % mit 132.274 Tokens erzielte.
Die Token-Effizienz variiert selbst bei Hochleistungsmodellen. gemini-3-flash-preview benötigt 118.530 Tokens, um 83,61 % Genauigkeit zu erreichen, während kimi-k2.5 877.868 Tokens für 82,77 % verbraucht (7,4× mehr Tokens für 0,84 Prozentpunkte weniger Genauigkeit).
Die obige Tabelle zeigt weitere KI-Modell-Benchmarks, einschließlich derjenigen, die für diesen Benchmark verwendet wurden.
Kosten pro Benchmark-Durchlauf
Allein die Ausgabetokens bestimmen nicht die Kosten, da sich die Preise für Eingabe- und Ausgabetokens bei den meisten Anbietern um eine Größenordnung unterscheiden. Wir haben die Dollarkosten für die Ausführung jedes Modells bei den 238 Fragen anhand des vom Anbieter zum Zeitpunkt der Ausführung angegebenen Token-Preises berechnet.
Bestes Kosten-Nutzen-Verhältnis im Spitzensegment. grok-4.3 erreicht 84,87 % Genauigkeit für 0,86 $ Gesamtkosten, die niedrigsten Dollarkosten im Genauigkeitsbereich über 83 %. Das nächstgünstige Spitzenmodell nach Kosten ist gemini-3-flash-preview mit 0,39 $ für 83,61 %.
Der neue Genauigkeitsspitzenreiter zahlt einen Aufpreis. claude-fable-5 erreicht die Spitzengenauigkeit des Benchmarks von 90,34 % zu 10,05 $ pro Durchlauf, etwa das Dreifache der Kosten von claude-opus-4.8 (3,28 $ für 89,08 %). claude-opus-4.8 bleibt das günstigste Modell im Benchmark, das eine Genauigkeit von 88 % übertrifft.
Premium-Denkleistung zum Premiumpreis. o1-pro ist das teuerste Modell im Benchmark mit 381 $ für 80,67 % Genauigkeit (angetrieben von 150 $/Mio. Eingabe- und 600 $/Mio. Ausgaberaten). o3-pro kostet 39,23 $ für 78,15 %, o1 kostet 46,59 $ für 74,79 %. Keines dieser Modelle erreicht das Spitzensegment; alle drei liegen unter claude-opus-4.7 bei der Genauigkeit und mehr als das Zehnfache über den Kosten.
Das Budgetsegment ist in puncto Genauigkeit immer noch wettbewerbsfähig. gpt-oss-120b erreicht 81,09 % Genauigkeit für insgesamt 0,06 $, der günstigste Durchlauf im Benchmark und in Reichweite der 83 %-Schwelle. llama-4-maverick erreicht 75,21 % für 0,10 $. Für Workloads, bei denen 80 % Genauigkeit ausreicht, kosten diese Modelle weniger als 1 % der Flaggschiffe im Spitzensegment.
Methodik des Benchmarks für finanzielle Schlussfolgerungen
Unser Benchmark bietet eine faire, transparente und reproduzierbare Bewertung der Leistung von Large Language Models (LLM) bei komplexen finanziellen Denkaufgaben.
Testaufbau & Datenkorpus
- Benchmark-Suite: Wir haben die Daten, den Code und die Evaluierungsskripte des FinanceReasoning-Benchmarks verwendet. Wir haben ihn aufgrund seines spezialisierten Fokus auf quantitative und inferentielle Finanzprobleme ausgewählt.
- Wissenskorpus & Testabfragen: Wir haben unsere Analyse auf die schwierige Teilmenge mit 238 anspruchsvollen Fragen konzentriert. Wie im Benchmark definiert, umfasst jeder Datenpunkt:
- Eine Frage, die mehrstufige logische und numerische Schlussfolgerungen erfordert.
- Einen Kontext, der oft dichte Informationen in strukturierten Formaten wie Markdown-Tabellen (z. B. Bilanzen, Aktienkursdaten) enthält.
- Eine endgültige Ground-Truth-Antwort für die objektive Bewertung.
- Veranschaulichende Abfragetypen: Die Schwierigkeit des Benchmarks ergibt sich aus der Anforderung, dass Modelle vielfältige und komplexe finanzielle Denkaufgaben bewältigen müssen. Um diese Bandbreite zu veranschaulichen, heben wir zwei repräsentative Beispiele aus dem Testsatz hervor:
Beispiel: Algorithmisches & Zeitreihen-Denken (technische Analyse)
Kontext: Ein Investor analysiert ... Aktienkurse der letzten 25 Tage ... um den Keltner-Kanal mit einem 10-Tage-EMA-Zeitraum und einem 10-Tage-ATR-Zeitraum sowie einem Multiplikator von 1,5 zu berechnen ...
Frage: Wie hoch ist der letzte obere Bandwert des Keltner-Kanals ...? Antwort auf zwei Dezimalstellen.
Diese Abfrage testet die Fähigkeit eines Modells, als quantitativer Analyst zu agieren, indem es:
- Zerlegung eines zusammengesetzten Indikators: Erkennen, dass der „Keltner-Kanal“ aus zwei anderen komplexen Indikatoren abgeleitet wird:
- den exponentiellen gleitenden Durchschnitt (EMA)
- Die durchschnittliche wahre Spanne (ATR).
- Implementierung algorithmischer Logik: Korrekte Implementierung der iterativen Algorithmen für EMA und ATR von Grund auf über eine Zeitreihe von 25 Datenpunkten.
- Synthese der Ergebnisse: Kombination der berechneten Werte gemäß der endgültigen Keltner-Kanal-Formel (Oberes Band = EMA + (Multiplikator × ATR)).
Kernprinzipien der Evaluierung
- Isolierte & standardisierte API-Aufrufe: Für jedes Modell führten wir die Evaluierung programmatisch über die jeweiligen API-Endpunkte (z. B. OpenRouter, OpenAI) durch. Dadurch wurde sichergestellt, dass jedes Modell genau dieselbe Eingabe unter identischen Bedingungen erhielt, wodurch Variabilität durch UI-Interaktionen ausgeschlossen wurde.
- Freiform-Generierung: Wir haben die Modelle nicht auf ein Multiple-Choice-Format beschränkt, sondern sie dazu aufgefordert, eine umfassende, free-form-Antwort zu generieren, was eine authentischere Bewertung ihrer Denkfähigkeiten ermöglicht.
- Chain-of-Thought (CoT)-Prompting: Um den Denkprozess der Modelle zu initiieren und zu bewerten, haben wir eine Chain-of-Thought (CoT)-Prompting-Strategie eingesetzt. Der System-Prompt wies jedes Modell explizit an, zuerst „das Problem Schritt für Schritt zu durchdenken“, bevor es eine endgültige Antwort gibt. Dieser Ansatz ermöglicht eine tiefere Analyse, wie ein Modell zu seiner Schlussfolgerung gelangt, über die bloße Ausgabe hinaus.
Evaluierungsmetriken & Framework
Wir haben das vollautomatische Evaluierungsframework des FinanceReasoning-Benchmarks verwendet, um die Modellausgaben zu bewerten. Dieses Framework ist darauf ausgelegt, sowohl die konzeptionelle Korrektheit als auch die Rechenkosten zu messen.
1. Primäre Metrik: Genauigkeit
Diese Metrik beantwortet die entscheidende Frage: „Kann das Modell das Finanzproblem korrekt lösen?“ Der Bewertungsprozess umfasst eine ausgeklügelte zweistufige Pipeline:
- Schritt 1: LLM-basierte Antwortextraktion: Die Rohausgabe eines Modells ist unstrukturierter Text, der sowohl Denkprozesse als auch eine endgültige Antwort enthält. Um den numerischen oder booleschen Wert zuverlässig zu parsen, verwendeten wir ein Supervisor-Modell (anthropic/claude-sonnet-4.5) als Parser.
- Schritt 2: Toleranzbasierter Vergleich: Ein einfacher „exakter Vergleich“ reicht für numerische Probleme nicht aus. Daher wurde die extrahierte Antwort programmatisch mit der Ground Truth verglichen. Das Skript wendet eine numerische Toleranzschwelle (einen relativen Unterschied von 0,2 %) an, um geringfügige Gleitkomma- oder Rundungsabweichungen fair zu behandeln und sicherzustellen, dass konzeptionell korrekte Lösungen als richtig markiert werden.
2. Sekundäre Metrik: Token-Verbrauch
Diese Metrik beantwortet die Frage: „Wie rechenintensiv ist es für das Modell, diese Probleme zu lösen?“ Sie misst die Gesamtkosten, die mit der Generierung der 238 Antworten verbunden sind.
- Token-Berechnung: Bei jedem API-Aufruf haben wir prompt_tokens und completion_tokens aus dem Nutzungsobjekt des Anbieters erfasst. Der Token-Wert pro Modell ist die Summe der completion_tokens über alle 238 Fragen. Wir berichten Completion-Tokens (nicht Gesamt-Tokens), weil die Eingabe über Modelle hinweg nahezu konstant ist, die denselben Datensatz verwenden (66k–92k Eingabetokens pro Durchlauf, abhängig vom Tokenizer).
- Kostenberechnung: Wir haben die Dollarkosten als prompt_tokens × prompt_price_per_M + completion_tokens × completion_price_per_M berechnet, summiert über alle 238 Fragen. Die Preise sind die zum Zeitpunkt der Modellausführung angegebenen Token-Preise vom OpenRouter-Endpunkt /api/v1/models.
Dieser Zwei-Metriken-Ansatz, der vom FinanceReasoning-Benchmark selbst bereitgestellt wird, ermöglicht eine ganzheitliche Bewertung, die die reine Problemlösungsfähigkeit eines Modells (Genauigkeit) gegen seine betriebliche Effizienz (Token-Verbrauch) abwägt.
Finanzielles Denken mit Retrieval-Augmented Generation (RAG)
Um eigenständige Modelle zu übertreffen, haben wir ein benutzerdefiniertes RAG-Framework entworfen und implementiert, das sich von der ursprünglichen Implementierung des Benchmarks unterscheidet. Unser Ansatz basiert auf einem modernen Vektordatenbank-Stack (Qdrant), um LLMs zur Inferenzzeit mit relevantem, domänenspezifischem Wissen zu versorgen und ihnen so zu helfen, Probleme über ihre Trainingsdaten hinaus zu lösen. Wir haben dies an gpt-4o-mini getestet, um seine Auswirkungen zu messen.
Ergebnisse und Analyse: Der RAG-Trade-off
Die Einführung von RAG hatte einen signifikanten und messbaren Einfluss auf die Leistung von gpt-4o-mini.
Wichtige Erkenntnisse aus der RAG-Evaluierung:
- Signifikante Genauigkeitsverbesserung: RAG hat die Problemlösungsfähigkeit des Modells nachweislich verbessert und die Genauigkeit um über 10 Prozentpunkte gesteigert. Dies bestätigt, dass das Bereitstellen externen, relevanten Kontexts für komplexe, domänenspezifische Denkaufgaben äußerst effektiv ist.
- Der Preis der Genauigkeit: Dieser Leistungsgewinn ging mit hohen Kosten einher. Der Gesamt-Token-Verbrauch stieg um fast das 18-fache, und die Gesamtausführungszeit stieg um das 20-fache. Dies ist auf die zusätzlichen API-Aufrufe für Embeddings und, was noch wichtiger ist, auf die erheblich größeren und komplexeren Prompts zurückzuführen, die das LLM verarbeiten muss.
- Implikationen für größere Modelle: Die Ergebnisse von gpt-4o-mini deuten darauf hin, dass RAG zwar eine höhere Leistung ermöglichen kann, die Anwendung dieser Methode auf größere, teurere Modelle wie GPT-4o oder Claude Opus jedoch erheblich kostspieliger und zeitaufwändiger sein wird. Dies unterstreicht den entscheidenden Trade-off zwischen Genauigkeit, Kosten und Latenz bei der Entwicklung produktionsreifer Finanz-KI-Systeme.
Methodik für finanzielles Denken mit RAG
Unsere RAG-Pipeline basiert auf einem modernen Stack mit Qdrant als Vektordatenbank und OpenAIs text-embedding-3-small-Modell zur Erzeugung semantischer Vektorrepräsentationen. Der Prozess besteht aus zwei Hauptphasen: einer Offline-Indizierungsphase und einer Online-Abruf-und-Generierungsphase.
1. Indizierung des Wissenskorpus
- Korpuserstellung: Wir haben eine spezialisierte Wissensbasis aus zwei vom Benchmark bereitgestellten Quellen kuratiert:
- Finanzdokumente: Eine Sammlung von Artikeln (financial_documents.json), die verschiedene Finanzkonzepte und -begriffe erklären.
- Finanzfunktionen: Eine Bibliothek mit gebrauchsfertigen Python-Funktionen (functions-article-all.json), die zur Lösung spezifischer Finanzberechnungen entwickelt wurden.
- Intelligente Aufteilung & Embedding: Um diesen Korpus für eine effiziente Abfrage vorzubereiten, wurde jedes Dokument und jede Funktion verarbeitet und indiziert:
- Aufteilung: Dokumente wurden in kleinere, semantisch kohärente Abschnitte basierend auf ihren Abschnitten segmentiert. Jede Python-Funktion wurde als einzelner atomarer Chunk behandelt. Dadurch wird sichergestellt, dass der abgerufene Kontext fokussiert und relevant ist.
- Embedding: Jeder Chunk wurde dann mithilfe des text-embedding-3-small-Modells in einen 1536-dimensionalen Vektor umgewandelt.
- Indizierung: Diese Vektoren wurden in zwei separaten Collections innerhalb unserer lokalen Qdrant-Instanz indiziert (financial_documents_openai_small und financial_functions_openai_small), optimiert für die Kosinus-Ähnlichkeitssuche.
2. RAG-gestützte Inferenz
Bei jeder der 238 Fragen wurde der Denkprozess des Modells durch die folgenden automatisierten Schritte erweitert:
- Embedding-Generierung (API-Aufrufe 1 & 2): Die Benutzerabfrage (Frage + Kontext) wurde in einen Embedding-Vektor umgewandelt. Dies erforderte zwei Aufrufe der Embedding-API von OpenAI, um die Suchen in beiden Collections vorzubereiten.
- Mehrquellen-Abruf: Der Abfragevektor wurde verwendet, um gleichzeitig eine semantische Suche in beiden Qdrant-Collections durchzuführen, um die relevantesten Informationen abzurufen:
- Die 3 relevantesten Dokument-Chunks aus der financial_documents-Collection.
- Die 2 relevantesten Python-Funktionen aus der financial_functions-Collection.
- Prompt-Erweiterung: Die abgerufenen Dokumente und Funktionen wurden dynamisch in den Prompt eingefügt, wodurch ein reichhaltiges, kontextbewusstes „Informationspaket“ entstand. Dadurch erhöhte sich die Größe des Eingabe-Prompts erheblich (von ~300–500 Tokens auf ~3.000–5.000+ Tokens).
- Generierung der endgültigen Antwort (API-Aufruf 3): Dieser erweiterte Prompt wurde an das gpt-4o-mini-Modell gesendet, um die endgültige, begründete Antwort zu generieren.
Als bevorzugte Quelle hinzufügenEinschränkungen des LLM-Finanzbenchmarks
Unser Benchmark, so umfassend er auch ist, unterliegt mehreren wesentlichen Einschränkungen:
- Risiko der Datenkontamination: Es ist möglich, dass diese Modelle auf dem Datensatz des Benchmarks trainiert wurden, da der Datensatz öffentlich ist. Dies könnte zu überhöhten Werten führen und die tatsächliche Denkfähigkeit schwer zu bewerten machen.
- RAG-Analyse mit nur einem Modell: Die RAG-Evaluierung wurde an einem einzigen Modell (gpt-4o-mini) durchgeführt, sodass die beobachteten Trade-offs zwischen Leistung und Kosten möglicherweise nicht für alle anderen Modelle gelten.
Fazit
Unser Benchmark mit über 40 Modellen bei komplexen finanziellen Denkaufgaben zeigt folgende Hauptergebnisse:
- Höchste Genauigkeit im Benchmark: claude-fable-5 mit 90,34 % bei 183.258 Tokens, das erste Modell, das bei diesem Benchmark die 90 %-Marke überschreitet. Es kostet 10,05 $ pro Durchlauf, etwa das Dreifache von claude-opus-4.8.
- Bestes Preis-Leistungs-Verhältnis an der Spitze: claude-opus-4.8 mit 89,08 % bei 113.434 Tokens. Es übertrifft gpt-5-2025-08-07 (88,23 %) mit etwa 7× weniger Ausgabetokens und weniger als der Hälfte der Kosten (3,28 $ vs. 8,38 $). Es ist das günstigste Modell im Benchmark mit einer Genauigkeit über 88 %.
- Mehrere starke Alternativen existieren: claude-opus-4.6 (87,82 %) und gpt-5-mini-2025-08-07 (87,39 %) bieten nahezu Spitzenleistung, wobei Claude Opus 4.6 dies mit deutlich geringerem Token-Verbrauch (164.369 Tokens) erreicht.
- Generationssprünge zählen: gemini-3.1-pro-preview (86,55 %) übertrifft gemini-3-pro-preview (86,13 %) und verbraucht dabei 35 % weniger Tokens, was zeigt, dass iterative Modell-Updates sowohl Genauigkeit als auch Effizienz verbessern können.
- Effizienz und Genauigkeit: gemini-3-flash-preview erreicht 83,61 % Genauigkeit mit 118.530 Tokens und beweist, dass hohe Leistung und niedrige Kosten koexistieren können. Ähnlich demonstriert gpt-5.2 eine starke Effizienz mit 247.660 Tokens bei 86,13 % Genauigkeit.
- RAGs Wirkung: Retrieval-Augmented Generation (RAG) steigert die Genauigkeit eines Modells erheblich (+10 Prozentpunkte für gpt-4o-mini), allerdings mit erheblichen Kosten in Bezug auf Token-Verbrauch (18× Anstieg) und Latenz (20× langsamer).
Änderungsprotokoll
Mit jeder neuen Version fügen wir diesem Benchmark Modelle hinzu.
22. Juni 2026
- Zhipu AI: GLM-5.2 (z-ai/glm-5.2)
10. Juni 2026
- Anthropic: Claude Fable 5 (anthropic/claude-fable-5)
2. Juni 2026
- Anthropic: Claude Opus 4.8 (anthropic/claude-opus-4.8)
22. Mai 2026
- Google: Gemini 3.5 Flash (google/gemini-3.5-flash)
- xAI: Grok 4.3 (x-ai/grok-4.3)
- Spalte „Kosten pro Benchmark-Durchlauf“ und Umschalter für das Genauigkeits-Kosten-Diagramm hinzugefügt. Methodik mit der Kostenberechnungsformel und der Änderung des Antwort-Extraktors (claude-sonnet-4.5) aktualisiert.
20. April 2026
- Anthropic: Claude Opus 4.7 (anthropic/claude-opus-4.7)
20. Februar 2026
- Google: Gemini 3.1 Pro Preview (google/gemini-3.1-pro-preview)
- Anthropic: Claude Sonnet 4.6 (anthropic/claude-sonnet-4.6)
6. Februar 2026
- Anthropic: Claude Opus 4.6 (anthropic/claude-opus-4.6)
- Anthropic: Claude Opus 4.5 (anthropic/claude-opus-4.5)
- Anthropic: Claude Sonnet 4.5 (anthropic/claude-sonnet-4.5)
- Google: Gemini 3 Pro Preview (google/gemini-3-pro-preview)
- Google: Gemini 3 Flash Preview (google/gemini-3-flash-preview)
- OpenAI: GPT-5.2 (openai/gpt-5.2)
- Moonshot AI: Kimi K2.5 (moonshotai/kimi-k2.5)
Weiterführende Literatur
Finanzanalyse kann sich auf verschiedene Fähigkeiten beziehen, wie Aktienanalyse, Interpretation von Finanzrecht und finanzielle Schlussfolgerungen. In unserem Benchmark haben wir uns speziell auf finanzielle Schlussfolgerungen konzentriert, während andere Aufgaben in separaten Artikeln behandelt werden:
- LLM für die Aktienanalyse: Diese Modelle helfen bei der Verarbeitung von Marktdaten, Unternehmensberichten und Nachrichten, um Investitionsmöglichkeiten zu identifizieren. (Siehe vollständige Analyse hier: KI-basierter Aktienhandel)
- KI für Finanzrecht: Einige LLMs können Finanzvorschriften, Verträge und Compliance-Anforderungen interpretieren, um bei juristisch-finanziellen Aufgaben zu helfen. (Siehe unsere Liste mit Legal-AI-Tools hier: Legal AI-Tools)
FAQs
Ein LLM (Large Language Model) im Finanzwesen ist ein KI-Modell, das Techniken der natürlichen Sprachverarbeitung einsetzt, um komplexe Finanzanalysen, Compliance-Management und Dokumentenverständnis durchzuführen. Diese Modelle unterstützen Finanzinstitute dabei, sich im Finanzrecht, bei regulatorischen Anforderungen und den dynamischen Anforderungen der Finanzbranche zurechtzufinden.
Intelligente Chatbots:
LLM-gestützte virtuelle Assistenten ermöglichen es Finanzunternehmen, rund um die Uhr automatisierten Kundensupport anzubieten, indem sie Routineanfragen und Onboarding-Aufgaben ohne menschliches Eingreifen bearbeiten. Dies verkürzt Wartezeiten und verbessert die Kundenzufriedenheit, während menschliche Mitarbeiter für komplexe Probleme frei werden.
Beratung & Analyse:
Investmentbanken nutzen LLMs, um Markttrends, Finanznachrichten und Kundendaten zu analysieren. Diese Modelle verarbeiten große Mengen unstrukturierter Informationen und ermöglichen es Beratern, personalisierte Anlageberatung und Portfoliomanagement mit Echtzeit-Erkenntnissen anzubieten.
Analyse von Regulierungsdokumenten:
Anwaltskanzleien und Finanzinstitute setzen LLMs ein, um dichte Regulierungsdokumente wie SEC-Einreichungen zu verarbeiten. Diese Modelle extrahieren wichtige Informationen und fassen Berichte zusammen, wodurch die manuelle Prüfzeit reduziert und Unternehmen bei der Einhaltung sich wandelnder Vorschriften unterstützt werden.
Betrugserkennung:
LLMs analysieren riesige Finanzdatensätze in Echtzeit, um verdächtige Transaktionsmuster und neue Betrugstaktiken zu erkennen. Ihre kontinuierliche Lernfähigkeit ermöglicht eine schnellere und präzisere Betrugserkennung als herkömmliche Methoden.
Automatisierung von Recht und Compliance:
Anwaltskanzleien und Compliance-Teams nutzen LLMs, um Verträge zu prüfen, Bankgesetze zu interpretieren und die Einhaltung von Vorschriften zu überprüfen. Die Automatisierung dieser Aufgaben reduziert Prüfzeit und Rechtskosten und stellt gleichzeitig die Einhaltung komplexer Finanzvorschriften sicher.
Dokumenten-Q&A und Named Entity Recognition (NER):
Finanzinstitute setzen LLMs ein, um Fragen von Investoren zu beantworten, indem sie Daten aus Finanzberichten und Earnings Calls extrahieren. NER ermöglicht die automatische Kennzeichnung von Firmennamen, Aktientickern (Börsenkürzeln) und Regulierungsinstanzen und optimiert so die Datenabfrage.
Effizienz und Automatisierung: LLMs automatisieren Routineanalysen (z. B. Zusammenfassung von Quartalsberichten, Bearbeitung von Krediten oder Einreichungen), sparen Analystenzeit und reduzieren Fehler.
24/7-Kundenservice: KI-gestützte virtuelle Assistenten und Chatbots, die auf LLMs basieren, können Kundenanfragen rund um die Uhr mit konversationellen Antworten bearbeiten und so das Kundenerlebnis und die Zufriedenheit verbessern.
Personalisierte Finanzberatung: Durch die Analyse der Historie und des Risikoprofils eines Kunden liefern LLMs maßgeschneiderte Finanz- oder Anlageberatung.
Betrugserkennung & Risikomanagement: LLMs durchforsten große Transaktionsdatensätze, um Anomalien oder Betrugsmuster zu erkennen, sich an neue Betrugsmethoden anzupassen und bei der Erstellung von Risikoprofilen zu helfen.
Compliance & Berichterstattung: LLMs erstellen automatisch regulatorische Berichte, extrahieren politikrelevante Fakten und helfen, komplexes Finanzrecht und Vorschriften für die Compliance zu analysieren.
Ja, es gibt mehrere größere domänenspezifische Modelle für das Finanzwesen. Beispielsweise ist BloombergGPT darauf ausgelegt, bei Finanzregulierung, Kapitalmärkten und Compliance-Management zu unterstützen, indem es große Finanzdatensätze verarbeitet, einschließlich Dokumenten der nationalen Wertpapierbörsen und regulatorischer Einreichungen.
Weitere Modelle wie FinBERT und FinGPT konzentrieren sich auf Finanzrecht, internationales Bankrecht und personalisierte Finanzberatung, indem sie große Sprachmodelle an das spezialisierte Vokabular des Finanzwesens wie Börsenkürzel und regulatorische Texte anpassen.
Finanzielles Denken ist die Fähigkeit, Finanzdaten zu analysieren, um fundierte Geschäfts- oder Investitionsentscheidungen zu treffen.
Zu den wichtigsten Aufgaben gehören:
– Analyse von Finanzberichten (Gewinn, Cashflow, Bilanz)
– Budgetierung und Prognosen
– Bewertung von Investitionen (NPV, IRR, ROI)
– Verwaltung von Cashflow und Liquidität
– Bewertung finanzieller Risiken und Leistungskennzahlen
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{sar2026,
author = {Sarı, Ekrem},
title = {{Benchmark von über 40 LLMs im Finanzwesen: Claude Fable 5 & GPT-5}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/finance-llm}},
note = {AIMultiple. Abgerufen am 30. Juni 2026}
}Ergebnisse und Zeitstempel von 46 Datenpunkten. Laden Sie die in diesem Artikel verwendeten Daten als ZIP-Datei herunter, die eine CSV-Datei und eine README enthält.
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.