In Crazyrouter AI Trading Arena treten zwölf Sprachmodelle über 145 Fünf-Minuten-Runden gegeneinander an. Identische Preise, identische Regeln, identisches Startkapital von 10.000 USD. Die kumulierten Renditen liegen alle im einstelligen Prozentbereich — der Unterschied zwischen Platz 1 und Platz 12 beträgt 2,86 Prozentpunkte.
Die interessanteste Spalte in der öffentlichen Snapshot-Tabelle ist aber nicht die Rendite. Es ist die Anzahl der Trades.
Oben die aktivsten Modelle (16, 13, 11, 11 Trades), unten die passivsten (3, 3, 2, 1). Überlagert man die beiden Dimensionen, ergibt sich ein bemerkenswertes Bild: MiMo V2.6 Pro mit nur 4 Trades führt die Tabelle mit +3,66 % an, während GLM-5.3 Prime mit 16 Trades nur +1,04 % einfährt und auf Rang 10 landet. Kimi K3.1 Pro mit 13 Trades liegt ebenfalls im unteren Mittelfeld. Grok 4.6, mit lediglich 3 Trades, erreicht dagegen Rang 3.
Mehr Handeln ist nicht besser. Wenn man das Ergebnis mit den Regeln abgleicht, ergibt sich auch warum.
Die Rangliste zum Snapshot-Zeitpunkt zeigt den Kontext: Spitze bei +3,66 %, Ende bei +0,80 %, dazwischen eine große Mittelkohorte um +1 %. Innerhalb dieser Mittelkohorte entscheidet die Handelsfrequenz überproportional über den Platz.
Die Gebührenrechnung in Worten
Die Spielregel setzt die Gebühr auf 0,1 % pro Fill, einseitig. Das heißt: Jede Round-Trip-Umschichtung — kaufen und später wieder verkaufen — kostet 0,2 % der umgesetzten Summe. Nicht viel, mag es klingen, aber im Fünf-Minuten-Kontext ist es eine ernsthafte Hürde.
Rechnen wir das grob durch. Sagen wir, ein Modell handelt in 145 Runden zehnmal — fünf Käufe, fünf Verkäufe. Jeder Round-Trip frisst 0,2 % des eingesetzten Teils. Wenn jeder Trade ungefähr ein Viertel des Equity bewegt (was unter der 25-%-BUY-Grenze realistisch ist), ergibt sich für den Teil, der tatsächlich umgeschichtet wird, ein kumulierter Gebührendruck in der Größenordnung von fünf mal 0,2 % mal 25 % — rund 0,25 % des Equity allein für Transaktionskosten, bevor überhaupt eine Preisbewegung berücksichtigt wird.
Anders formuliert: damit ein Round-Trip profitabel ist, muss die Preisbewegung zwischen Kauf und Verkauf mindestens die 0,2 % Gebührensumme kompensieren. Auf der Fünf-Minuten-Zeitskala von BTC-USD kommen Bewegungen über 0,2 % zwar vor, aber in trending Phasen zeigen sie tendenziell in dieselbe Richtung. Wer dreht, fängt den Trend nicht, sondern bezahlt den Gebühr-Overhead jedes Mal. Und GLM-5.3 Prime hat nicht zehn, sondern sechzehn Trades gemacht.
Was GLM-5.3 Prime tatsächlich getan hat
Aus den Trade-Datensätzen im Dashboard ergibt sich, dass GLM zwischen SOL, ETH und wieder SOL hin- und hergeschaltet hat. Die letzte dokumentierte Begründung des Modells lautet im Original:
Just bought ETH, SOL is near the 50% cap, and all assets show fading short-term momentum near 24h highs, so keep 25% cash and let positions settle. —— GLM-5.3 Prime, confidence 0.62
Das klingt wie ein überlegtes Statement: eine Position aufbauen, auf Momentum achten, Cash halten. Bei Einzelbetrachtung wirkt jede der 16 Entscheidungen plausibel. Was hier nicht sichtbar wird, ist die kumulative Gebührenwirkung über alle Entscheidungen hinweg. Das Modell hat kein Feedback-Signal, das ihm sagt: "deine Umschichtungen kosten dich mehr, als sie bringen."
Vergleichen Sie das mit MiMo V2.6 Pro. Dieses Modell kaufte zweimal BTC und zweimal ETH, in den ersten paar Runden des Experiments, und hat seitdem nichts mehr getan. Der dazugehörige HOLD-Begründung:
Cash near zero blocks buying; 24h uptrend intact with mild consolidation, so hold BTC and ETH rather than chase or panic sell. —— MiMo V2.6 Pro, confidence 0.72
Nicht brillant, nicht clever, nicht raffiniert. Einfach: Position da, Trend da, Finger weg. Zufällig oder absichtlich hat MiMo damit genau das getan, was die Gebührenstruktur belohnt — nichts tun, wenn man gut positioniert ist.
Das Muster ist konsistent
Zieht man die Trade-Anzahl gegen den Rang auf, ist die inverse Korrelation nicht perfekt, aber deutlich:
| Modell | Trades | Rang | Rendite |
|---|---|---|---|
| MiMo V2.6 Pro | 4 | 1 | +3,66 % |
| MiniMax M3 | 11 | 2 | +3,52 % |
| Grok 4.6 | 3 | 3 | +1,72 % |
| DeepSeek V4 Pro | 4 | 4 | +1,41 % |
| Jev 1.14 | 1 | 5 | +1,13 % |
| DeepSeek V4.1 Flash | 11 | 6 | +1,11 % |
| Claude Opus 5.5 | 3 | 7 | +1,11 % |
| Kimi K3.1 Pro | 13 | 8 | +1,10 % |
| Gemini 4 Argon | 2 | 9 | +1,04 % |
| GLM-5.3 Prime | 16 | 10 | +1,04 % |
| GPT-6.1 Sol | 3 | 11 | +0,91 % |
| Qwen3.8 Max | 4 | 12 | +0,80 % |
Die Ausnahme am oberen Ende ist MiniMax M3 mit 11 Trades auf Rang 2 — dieses Modell hat trotz höherer Aktivität das Ergebnis gehalten, weil die Käufe früh in die Rally hineinliefen und die späteren Umschichtungen ebenfalls im Trend blieben. Die Ausnahme am unteren Ende ist Qwen3.8 Max mit nur 4 Trades auf Rang 12 — hier ist die Positionszusammensetzung ähnlich zu DeepSeek V4 Pro, aber das Timing in den ersten Runden war schlechter. Im Mittelfeld hingegen — Ränge 7 bis 10 — ist der Zusammenhang offensichtlich: die aktiveren Modelle stehen hinter den passiveren mit ähnlichem Equity.
Warum Reasoning allein die Kostenstruktur nicht erfasst
Dieses Experiment zeigt eine Eigenschaft von LLM-basierten Agenten, die in produktiven Setups oft unterschätzt wird: Die implizite Kostenstruktur von Aktionen wird im Prompt-basierten Reasoning nicht sauber bepreist.
Ein Modell mit Chain-of-Thought-Reasoning kann sehr präzise erklären, warum eine Umschichtung in diesem Moment sinnvoll erscheint. Es kann die Marktsignale analysieren, die aktuelle Allokation diskutieren, ein Ziel formulieren. Was es typischerweise nicht tut, ist, die Transaktionskosten der jeweils letzten N Aktionen aufzusummieren und als Nebenbedingung in die nächste Entscheidung einfließen zu lassen. Jede Entscheidung wird isoliert betrachtet; dass die vorherigen fünfzehn ähnlich motivierten Entscheidungen zusammen 3 % der Rendite aufgefressen haben, ist für den aktuellen Turn unsichtbar.
In der Praxis beim Design von Agenten mit realen Aktionskosten — API-Calls mit Preisschild, Rate-Limits, physische Operationen in robotischen Systemen, Infrastrukturnutzung — kehrt das Problem wieder. Ein paar Denkansätze, die sich aus der Beobachtung ableiten:
Der direkteste Ansatz ist, dem Modell in jedem Turn den aktuellen Kostenstand mitzugeben: wie viel es bisher in Transaktionskosten versenkt hat, welche Ergebnisse das gebracht hat. Die Konsequenz der nächsten Aktion wird damit wenigstens sichtbar — ob sie tatsächlich berücksichtigt wird, hängt vom Modell ab, aber ohne diese Information kann sie definitiv nicht berücksichtigt werden. Alternativ oder zusätzlich hilft ein hartes Action-Budget: eine Obergrenze an Aktionen pro Zeitfenster. Das Modell muss dann abwägen, welche Aktion wirklich wert ist, statt jede plausible Umschichtung durchzuwinken.
Ein dritter Ansatz ist, im System-Prompt explizit zu verankern, dass HOLD eine gültige und oft bessere Antwort ist. Die Erfahrung bei MiMo und Grok legt nahe, dass das auch ohne spezielles Training manchmal funktioniert — sie haben die Zurückhaltung aus den eigenen Trainingsdaten übernommen. Aber zuverlässig wird das Verhalten erst mit expliziter Regel. Und schließlich hilft Post-hoc-Analyse: die Modell-Entscheidungen protokollieren und nachträglich die Kostenauswirkung messen. Das gibt kein Feedback während der Entscheidung, aber es liefert das Material fürs Prompt-Tuning und für die Modellauswahl in der Produktion.
Das Experiment nachstellen
Die Arena stellt das Dashboard JSON unauthentifiziert bereit; die Liste aller Fills ist in der Antwort enthalten und erlaubt, die Gebührenwirkung je Modell exakt nachzurechnen. Die beteiligten Modelle sind über Crazyrouter direkt erreichbar — 11 der 12 Routes sind im Chat-Katalog gelistet, lediglich Jev 1.14 läuft über eine separate Decisions-API. Der Stack ist also für eigene Agent-Experimente verfügbar, die vollständige Integrationsanleitung steht in der Crazyrouter LLMs Integration Guide.
Fazit
Das Arena-Experiment ist weniger ein Test, "welches LLM am klügsten handelt", als ein Test, "welche Rolle Zurückhaltung spielt, wenn jede Aktion einen Preis hat". Nach 145 Runden ist die Antwort deutlich: Zurückhaltung gewinnt in einem steigenden, moderat volatilen Markt. Die Frage für die nächsten Runden ist, ob dieses Muster in einer Korrekturphase umkippt.
Für die Praxis beim Design von LLM-Agenten ist das Ergebnis portabel: Wer seinem Agenten nicht beibringt, Aktionen gegen ihre Kosten abzuwägen, zahlt im Zweifel eine stille Steuer auf jede erzwungene Entscheidung.
Verifikationsinformationen
- Snapshot: Beijing Time 2026-11-05 10:57,
updatedAt: 2026-11-05T02:57:44.907Z - Datenquelle: Crazyrouter public dashboard JSON, 145 Runden / 75 Trades /
marketError: false - Chat-API-Verfügbarkeit:
/v1/modelsHTTP 200, 170 gelistete Modelle, 11 der 12 Arena-Routes im Katalog - Trades und Reasons stammen direkt aus den vom Dashboard veröffentlichten Feldern
- Die Abbildung basiert auf diesem Snapshot, ohne manuelle Nachbearbeitung
- Sämtliche Kapitalbewegungen und Fills sind simuliert, keine Anlageberatung
Top comments (0)