Ich habe zehn KI-Modelle in einem Wettbewerb um die beste Handelsstrategie eingesetzt – und die günstigeren Modelle haben jedes Mal gewonnen. Claude Opus 4.6, das zehnmal teurer ist, schlug nie den S&P 500. Meine Artikel sind kostenlos zugänglich – kein Medium-Abo nötig, um den vollständigen Bericht zu lesen. Beim ersten Durchlauf glaubte ich den Ergebnissen nicht. Also wiederholte ich die Tests – und noch einmal. Es war ein „Agenten-Schwarm“: Zehn verschiedene Großmodelle, von kostengünstigen Open-Source-Modellen, die man hinterhältig als „Spionage-Software“ bezeichnet, bis hin zu den teuersten, am meisten gepriesenen KI-Systemen der Welt. Doch die „Spionagesoftware“ blieb stets Sieger. In drei getrennten Experimenten wechselten die Gewinner jeweils, die Verlierer jedoch blieben konstant. Was genau tat ich? Ein „Agenten-Schwarm“ bedeutet, mehrere KI-Modelle gleichzeitig zu starten und ihnen denselben Auftrag zu geben: „Entwickle die profitabelste und risikoadjustierte Handelsstrategie“. Jedes Modell agierte wie ein quantitativer Analyst. Es erstellte einen Forschungsplan, analysierte Marktdaten, testete Strategien, optimierte Parameter und lieferte schließlich eine Handelsstrategie. Alle Modelle arbeiteten unabhängig, aber mit demselben Ziel. Die Ergebnisse wurden über mehrere Wochen simuliert, mit realistischen Transaktionskosten und Marktschwankungen. Die Überraschung: Die kostengünstigsten Modelle – oft mit geringerem Speicherbedarf, weniger Parameter und Open-Source-Code – erzielten regelmäßig höhere Renditen und bessere Sharpe-Ratios. Sie waren schneller, agilere Entscheidungsträger, weniger überanfällig für Überanpassung und weniger geneigt, sich in komplexen, unnötigen Denkprozessen zu verlieren. Die teuren Modelle hingegen – trotz ihrer größeren Rechenleistung und angeblich höheren Intelligenz – gerieten oft in Überplanung, analysierten zu viel, handelten zu spät oder entwickelten Strategien, die auf historischen Daten perfekt aussahen, aber in der Praxis versagten. Dieser Befund wirft ernsthafte Fragen auf: Ist teure KI tatsächlich intelligenter? Oder ist sie nur komplexer? In der Praxis scheint die Effizienz, Klarheit und Geschwindigkeit oft wichtiger zu sein als bloße Modellgröße. Die günstigeren Modelle waren besser in der Fokussierung auf das Wesentliche, während die teuren oft „verloren“ im Detail. Branchenexperten sehen darin ein Paradigmenwechsel: „Die Ära der Größenwette ist vorbei“, sagt ein Quant-Analyst aus London. „Jetzt zählt die Effizienz, nicht die Komplexität.“ Unternehmen wie QuantConnect oder Alpaca haben bereits ähnliche Ansätze in ihre Plattformen integriert. Open-Source-Modelle wie Llama 3, Mistral oder Phi-3 werden zunehmend in Handelsstrategien eingesetzt – nicht weil sie „billiger“ sind, sondern weil sie schneller, anpassungsfähiger und in der Praxis wirksamer sind. Die Botschaft ist klar: In der KI-gestützten Finanzanalyse zählt nicht, was am teuersten ist – sondern was am besten funktioniert. Die Zukunft der Quant-Strategien könnte weniger bei den Gigant-Modellen liegen, sondern bei schlauen, agilen, kosteneffizienten Systemen, die genau das tun, was zählt: Gewinne erzielen.