DeepSeek und Qwen legen bei Live-Test für KI-Kryptohandel deutlich zu, während westliche Modelle zurückfallen

KI-Trader stellen sich dem Live-Markttest: DeepSeek übernimmt die Führung

Ein Experiment mit hohen Einsätzen setzt künstliche Intelligenz auf den Live-Kryptomärkten ein. Die frühe Rangliste stellt dabei die Annahmen darüber infrage, wer die besten Trading-Bots entwickelt. Bei Alpha Arena, einem Echtgeld-Wettbewerb der US-amerikanischen Forschungsgruppe Nof1, erhielten sechs bekannte große Sprachmodelle jeweils 10.000 Dollar, um auf der dezentralen Börse Hyperliquid mit Krypto-Perpetual-Kontrakten zu handeln. Nach einem turbulenten Auftakt liegen die chinesischen Modelle DeepSeek und Qwen vorn, während mehrere westliche Konkurrenten hohe Verluste verbuchen mussten.

Laut dem jüngsten veröffentlichten Update hatte DeepSeek Chat V3.1 sein Konto bis Montagnachmittag auf rund 22.500 Dollar gesteigert. Das entspricht einem Plus von etwa 125 Prozent seit Handelsbeginn am 18. Oktober. Qwen 3 Max von Alibaba folgte mit einem Gewinn von knapp 95 Prozent. Vom 24. bis zum 26. Oktober hatte das Modell DeepSeek kurzzeitig überholt, fiel dann aber wieder auf den zweiten Platz zurück. Am anderen Ende der Rangliste verzeichneten OpenAIs GPT 5 und Google DeepMinds Gemini 2.5 Pro starke Verluste von rund 60 Prozent. xAIs Grok 4 und Anthropics Claude 4.5 Sonnet verbuchten bescheidene Gewinne im niedrigen bis mittleren zweistelligen Prozentbereich.

Der Wettbewerb läuft bis zum 3. November. Alle Trades werden autonom ausgeführt und auf der Blockchain aufgezeichnet. Eine öffentliche Rangliste zeigt die Bestände, Renditen und die schriftlichen Begründungen der einzelnen Modelle dafür, warum sie Positionen eröffnet oder geschlossen haben. Die Idee ist einfach zu formulieren und schwer umzusetzen: in volatilen Märkten Geld verdienen und dabei das Risiko kontrollieren. Schon nach wenigen Tagen zeigen die Ergebnisse große Unterschiede, abrupte Wendungen und sehr menschliche Lektionen über Disziplin, Hebel und Geduld.

So funktioniert das Experiment

Bei Alpha Arena werden Sprachmodelle zu Trading-Agenten. Jedes Modell erhält denselben Systemprompt und dieselben Marktdaten und entscheidet dann, wann es Positionen in Perpetual Swaps auf sechs große Vermögenswerte kauft, verkauft oder hält. Dazu gehören Bitcoin, Ether, Solana, Dogecoin, BNB und XRP. Perpetuals sind eine Art Terminkontrakt ohne Ablaufdatum. Über einen Finanzierungssatz, der regelmäßig die eine Marktseite belohnt und der anderen Gebühren auferlegt, orientieren sie sich am Kassakurs. Dieser Mechanismus kann Chancen eröffnen, bringt bei schnellen Marktbewegungen aber zusätzliche Komplexität mit sich. Die Bots können Hebel einsetzen, müssen Take-Profit- und Stop-Loss-Marken festlegen und werden nicht nur nach ihrem absoluten Gewinn, sondern nach ihrer risikobereinigten Rendite bewertet.

Regeln und Schutzmaßnahmen

Jedes Modell startete mit denselben 10.000 Dollar und handelt auf Hyperliquid über eine eigene Wallet-Adresse, die öffentlich einsehbar ist. Um gleiche Bedingungen zu gewährleisten, versorgen die Veranstalter alle Teilnehmer mit denselben Eingaben. Die Agenten haben keinen Zugang zu aktuellen Nachrichten oder proprietären Datenströmen. Diese Einschränkung verringert das Nachrichtenrisiko, begrenzt aber zugleich ihre Fähigkeit, auf plötzliche Ereignisse zu reagieren. Das Alpha-Arena-Team hat Bedenken aus der Community geäußert, bekannte Modelle könnten gezielt überholt werden, zur Kenntnis genommen, aber über Transparenz und ständige Beobachtung hinaus keine konkreten Gegenmaßnahmen genannt. Nach Angaben der Veranstalter geht es nicht darum, einen dauerhaften Champion zu küren, sondern zu testen, wie gut diese Systeme unter Druck in einem dynamischen, wettbewerbsintensiven Umfeld funktionieren.

Wer derzeit vorne liegt

Die Rangfolge hat sich schnell verändert, doch ein Muster zeichnet sich ab. DeepSeeks Gewinne beschleunigten sich nach dem ersten Wochenende. Aus einem frühen Plus im einstelligen Prozentbereich wurde bis zum Beginn der zweiten Woche ein dreistelliger Zuwachs. Qwen hielt mit großen Richtungswetten Schritt und lag zeitweise kurzzeitig an der Spitze. Grok und Claude bewegten sich zwischen nahezu ausgeglichenen und leicht positiven Renditen. GPT 5 und Gemini fielen zurück, ihre Verluste näherten sich zeitweise der Hälfte des Startkapitals oder überstiegen diese Marke. Beobachter, die die Wallets verfolgten, stellten zudem dramatische Schwankungen im Tagesverlauf fest. Ein Community-Update berichtete, dass DeepSeeks Kontostand bei einem starken Markteinbruch um mehr als 40 Prozent fiel, bevor er sich wieder erholte. Das erinnert daran, dass die Gewinne nicht ohne Risiko zustande kamen.

Auch das Marktumfeld spielt eine Rolle. In diesem Zeitraum erholte sich Bitcoin, und auch Ether legte nach wochenlangen unruhigen Kursbewegungen wieder zu. Das kam Modellen zugute, die bereit waren, Long-Positionen zu halten. Mehrere Agenten änderten ihre Ausrichtung gleichzeitig und wechselten mit einer Aufhellung der Stimmung von Short- zu synchronen Long-Positionen. Dieses Herdenverhalten ist ein Grund dafür, dass sich die Renditen zeitweise im Gleichschritt bewegten. Zugleich macht es das Feld anfällig, falls es zu einer plötzlichen Kehrtwende kommt.

Welche Strategien die Bots offenbar verfolgen

Obwohl alle sechs Agenten dieselben Eingaben erhalten, verhalten sie sich nicht gleich. Die öffentlichen Transaktionsprotokolle und die eigenen Notizen der Modelle zeigen deutliche Unterschiede bei Risikobereitschaft, Positionsgröße und Timing. Manche konzentrieren ihr Kapital auf eine einzige Kryptowährung und setzen alles auf eine Karte. Andere verteilen das Risiko auf mehrere Vermögenswerte und nutzen moderate Hebel. Qualität der Ausführung, Liquiditätsmanagement und Disziplin beim Setzen von Stopps haben die Spitzenreiter von den Nachzüglern unterschieden.

DeepSeek: Diversifizierung und Disziplin

DeepSeek bevorzugt ein diversifiziertes Portfolio aus den sechs verfügbaren Vermögenswerten, häufig mit mittlerem Hebel und klar festgelegten Ausstiegspunkten. Zu Beginn des Wettbewerbs erzielte der Bot Gewinne mit Trades in Ether, Solana und Bitcoin, während er bei XRP einen kleinen Verlust hinnehmen musste. In seinem Begründungsfeed zeigen sich ein stetiger Rhythmus bei den Einstiegen, schnelle Verlustbegrenzungen bei Regelverstößen und Geduld bei profitablen Positionen. Außenstehende führen DeepSeeks Vorsprung auf Disziplin, ausgewogene Risikoverteilung und aktives Positionsmanagement statt auf waghalsige Wetten zurück. Die Entwicklung des Kontostands verlief nicht geradlinig, doch die starken Aufwärtsphasen glichen die Einbrüche mehr als aus.

Qwen: mutige Konzentration

Qwens Entwicklung war von großen, konzentrierten Positionen geprägt. Zeitweise setzte das Modell alles auf Bitcoin, was sich während einer Rally auszahlte. Später wechselte es zu einer großen Ether-Long-Position mit höherem Hebel, die bei einem Rücksetzer Verluste einbrachte und Qwen vom ersten auf den zweiten Platz zurückwarf. Die Bereitschaft, stark auf einen einzelnen Vermögenswert zu setzen, erklärt sowohl Qwens Sprünge nach oben als auch seine Rückschläge. Stimmt die Richtung, fallen die Gewinne groß aus. Stimmt das Timing nicht, summieren sich die Verluste schnell.

Wie die übrigen Modelle abschnitten

Grok zeigte eine flexible Positionierung und verbuchte zeitweise stetige Gewinne, gab nach vielversprechenden Phasen aber auch wieder nach. Claude fiel auf, weil das Modell bisher eine der größten Einzelpositionen des Wettbewerbs eröffnete. Das signalisiert die Bereitschaft, ein Risiko einzugehen, nachdem es auf eine Gelegenheit mit hoher Überzeugung gewartet hatte. GPT 5 lag nach einem vorsichtigen Auftakt zurück und tat sich schwer, sich an veränderte Bedingungen anzupassen. Geminis schnelles Handeln und häufige Richtungswechsel führten bei steigender Volatilität zu verstärkten Verlusten. Externe Analysen des Wettbewerbs haben darauf hingewiesen, dass einige westliche Modelle frühe Gewinne wieder abgeben und Kursbewegungen hinterherlaufen. Das passt zu Systemen, die auf historische Daten statt auf laufende Rückmeldungen abgestimmt sind.

Warum chinesische Modelle die Rangliste anführen

Mehrere Faktoren könnten erklären, warum DeepSeek und Qwen zu Beginn besser abgeschnitten haben. DeepSeek ging aus High Flyer Quant hervor, einem für quantitative Strategien bekannten Hedgefonds. Anleger und Forschende vermuten, dass DeepSeeks Training hochwertige Finanzsignale und gezielte Lernschleifen mit Verstärkung zur Entscheidungsfindung an den Märkten umfasste. Auch die Kosten sind bemerkenswert. Laut technischen Unterlagen, auf die Branchenanalysten verweisen, beliefen sich die gesamten Trainingskosten von DeepSeek auf einige Millionen Dollar und lagen damit weit unter den Milliardenbeträgen, die in die Entwicklung allgemeiner Chatbots flossen. Niedrigere Kosten garantieren keine besseren Ergebnisse. Ein eng fokussierter Trainingsansatz kann jedoch ein Modell hervorbringen, das Marktstrukturen und Finanzierungsdynamiken besser erfasst als ein breit aufgestelltes Konversationssystem.

Auch bei der Auslegung der Prompts und Regeln gibt es praktische Unterschiede. Mehrere erfahrene Quant-Analysten, die den Wettbewerb beobachten, halten ausführliche fachspezifische Prompts für ebenso wichtig wie die schiere Modellgröße. Sorgfältig formulierte Anweisungen, die Positionsgrößen, Liquiditätsreserven und strikte Stopps betonen, können zu besseren Entscheidungen führen, selbst wenn das Modell kleiner ist. Umgekehrt kann ein allgemeiner Chatbot, der hervorragend programmieren oder komplizierte Fragen beantworten kann, dennoch Schwierigkeiten mit dem Rhythmus von Ein- und Ausstiegen in einem Live-Orderbuch haben.

Was die frühen Ergebnisse über KI in volatilen Märkten aussagen

An der Spitze sind die Ergebnisse beeindruckend, am unteren Ende ernüchternd. Diese Kluft ist eine wichtige Erinnerung: KI-Agenten können einen passenden Trend erkennen und ihm folgen, aber in einer unruhigen Rückkopplungsschleife auch Fehler vervielfachen. Analysten, die die erste Woche von Alpha Arena ausgewertet haben, warnen, einige westliche Modelle schienen zu stark auf historische Muster zugeschnitten zu sein und könnten sich bei schnellen Veränderungen nur schlecht anpassen. Die hohen Verluste deuten auf Schwächen bei der Risikokontrolle hin, insbesondere beim Einsatz von Hebeln, der Handelsfrequenz und dem Setzen von Stopps.

Jay Azhang, Gründer von Nof1 und Entwickler von Alpha Arena, hält die Finanzmärkte für den richtigen Ort, um diese Grenzen auszuloten.

Finanzmärkte sind das beste Trainingsumfeld für die nächste Ära der KI.

Ein Problem ist die Korrelation. Wenn viele Agenten auf denselben Basismodellen beruhen und ähnliche Prompts erhalten, können sie sich ähnlich verhalten. Das erhöht das Risiko überfüllter Trades. Dreht der Markt, erleiden viele Systeme gleichzeitig Verluste. Ein weiteres Problem ist die Blackbox-Natur der Modellentscheidungen. Der Wettbewerb veröffentlicht die von den Modellen generierten Begründungen für jeden Trade. Das hilft Außenstehenden, die Absichten nachzuvollziehen, garantiert aber nicht, dass die Überlegungen zutreffen. Sprachmodelle neigen außerdem zu Halluzinationen, eine höfliche Umschreibung für selbstbewussten Unsinn. An den Märkten kann das zu kostspieligen Fehlern führen, wenn keine strikten Regeln sie eindämmen.

Auch Einschätzungen von Fachleuten sollten berücksichtigt werden. Einige Aktienanalysten meinen, anhaltend überdurchschnittliche Renditen bei kontrollierten Verlusten könnten professionelle Anleger dazu bringen, den Bedarf an immer komplexeren quantitativen Systemen neu zu bewerten. Andere halten dagegen, dass die aktuellen Bots aktuelle Nachrichten nicht berücksichtigen können und weder Zugang zu den proprietären Daten noch zur Infrastruktur moderner Handelsfirmen haben. Ein pragmatischer Mittelweg zeichnet sich ab: Selbst wenn vollständig autonome Agenten erfahrene menschliche Teams über einen Marktzyklus hinweg nicht schlagen können, könnten ihre Erklärungen Tradern neue Ideen liefern und dabei helfen, diese schneller zu testen. Börsenbetreiber und Aufsichtsbehörden werden hinter den Kulissen Fragen zu Fairness, Offenlegung und Einhaltung von Vorschriften beobachten, falls autonome Agenten an öffentlichen Märkten stärker zum Einsatz kommen.

So lässt sich der Wettbewerb verfolgen und darüber spricht die Community

Alpha Arena ist auf öffentliche Nachvollziehbarkeit ausgelegt. Jeder Bot hat eine eigene Wallet-Adresse bei Hyperliquid. Die Rangliste zeigt Positionen, realisierte und unrealisierte Gewinne sowie die jeweils jüngste Begründung in verständlicher Sprache. Gegen Ende der ersten Woche entstanden Prognosemärkte zum Ausgang des Wettbewerbs. Auf Polymarket hielten Wettende DeepSeek zum Zeitpunkt einer Momentaufnahme am ehesten für den späteren Sieger. Die geschätzte Gewinnchance lag bei vier zu zehn; das Handelsvolumen betrug Zehntausende Dollar. Das Spektakel hat Kommentare prominenter Vertreter der Kryptoszene ausgelöst. Ein häufiges Motiv unter Praktikern: Einzigartige Strategien seien wichtiger als schiere Rechenleistung. Das betonen erfahrene Börsenbetreiber und Fondsmanager häufig, wenn sie algorithmische Konkurrenten beurteilen.

Wer den Wettbewerb verfolgen möchte, findet auf der Website der Veranstalter Links zur Rangliste, den Regeln und den Seiten der einzelnen Modelle. Dort sind Wallets, Positionen und Kommentare gebündelt, sodass die Öffentlichkeit sehen kann, welche Entscheidungen die Bots als Nächstes treffen. Die Website ist hier zu finden: nof1.ai.

Wie es weitergeht

Die laufende Saison endet am 3. November, die Rangfolge kann sich aber noch ändern. Die Veranstalter planen, das Format über Kryptowährungen hinaus auf Aktien und andere Vermögenswerte auszuweiten. Auf ihrer Roadmap steht eine Plattform für Privatanleger, mit der sie Agenten unter Schutzvorkehrungen testen oder einsetzen können. Die Community experimentiert bereits mit Ablegern des Wettbewerbs und offenen Agenten, die jeder mit einem simulierten Trade beauftragen kann. Dadurch entwickelt sich Alpha Arena zu einem Live-Forschungslabor für das Verhalten autonomer Systeme an den Märkten.

Vorsicht ist geboten. Die hohen Verluste mehrerer Modelle zeigen, dass ein ausgefeilter Chatbot kein vollständiges Handelssystem ersetzt. Live-Märkte bestrafen verspätete Reaktionen, schlecht bemessene Positionen und eine nachlässige Ausführung. Positiv ist, dass der Wettbewerb einen seltenen öffentlichen Datensatz zu den Entscheidungen von Agenten unter Stress hervorbringt. Diese Dokumentation könnte unabhängig von Gewinn oder Verlust der wertvollste Ertrag sein: Sie gibt Ingenieuren und Tradern einen gemeinsamen Maßstab, an dem sie Verbesserungen messen können. Bis zum Ende der Saison sind es noch einige Tage. Jede Position zählt weiterhin, und jeder Stopp oder Take-Profit verrät den Beobachtern ein wenig mehr darüber, was diese Bots wirklich verstehen.

Das Wichtigste

• Alpha Arena begann am 18. Oktober und läuft bis zum 3. November. Sechs Sprachmodelle handeln dabei auf Hyperliquid mit Krypto-Perpetuals.
• Jedes Modell startete mit 10.000 Dollar, identischen Prompts und denselben Marktdaten. Bewertet werden risikobereinigte Renditen.
• Bis Montagnachmittag lag DeepSeek Chat V3.1 mit einem Plus von etwa 125 Prozent vorn, Qwen 3 Max verbuchte rund 95 Prozent.
• OpenAIs GPT 5 und Googles Gemini 2.5 Pro erlitten hohe Verluste von knapp 60 Prozent. Grok 4 und Claude 4.5 Sonnet erzielten bescheidene Gewinne.
• Öffentliche Dashboards zeigen jeden Trade, jede Position und die Begründung des jeweiligen Modells sowie die Wallet-Adressen auf der Blockchain.
• Wettende aus der Community räumten DeepSeek bei einer Momentaufnahme auf Polymarket die höchste Chance auf den ersten Platz ein: etwa vier zu zehn.
• Analysten führen die hohen Verluste einiger westlicher Modelle auf Überanpassung, mangelnde Anpassungsfähigkeit und schwache Risikokontrollen zurück.
• DeepSeeks Erfahrung mit quantitativer Forschung und der stärkere fachliche Fokus könnten dem Modell helfen, Finanzierung und Marktstruktur besser zu erfassen.
• Die Veranstalter wollen den Vergleich auf Aktien und andere Vermögenswerte ausweiten und eine Plattform für Privatanleger mit Schutzvorkehrungen herausbringen.
• Die starken Renditeunterschiede zeigen: KI-Agenten können Trends nutzen, in schnelllebigen Märkten aber auch Fehler verstärken.