Die besten KI-Modelle für den Handel; Vergleich der 10 besten Modelle

Inhaltsverzeichnis

• Welche sind die besten KI-Modelle für den Handel?
• Wie wurden die KI-Modelle getestet?
• Welche Modelle waren im Wettbewerb?
• Ergebnis des ersten Tests; Überlegenheit der günstigen Modelle
• Ergebnis des zweiten Tests; bessere Leistung der Mittelklasse-Modelle
• Ergebnis des dritten Tests; Rückkehr der günstigen Modelle
• Die besten KI-Modelle für den Handel
• Ist Claude Opus 4.6 für den Handel geeignet?
• Welche gemeinsamen Merkmale hatten die erfolgreichen Strategien?
• Warum scheiterte die Mean-Reversion-Strategie?
• Können diese Modelle für den Handel mit Kryptowährungen verwendet werden?
• Worauf sollten wir bei der Auswahl der besten KI-Modelle für den Handel achten?
• Kann man der mit KI erstellten Strategie vertrauen?
• Zusammenfassung
• Häufig gestellte Fragen

In den letzten Jahren hat sich Künstliche Intelligenz zu einem der nützlichsten Werkzeuge für die Analyse von Finanzmärkten, die Identifizierung von Handelsmöglichkeiten und die Entwicklung von Handelsstrategien entwickelt. Dennoch unterscheiden sich die KI-Modelle hinsichtlich der Analysegenauigkeit, der Backtesting-Fähigkeit, des Risikomanagements und der Erstellung nachhaltiger Strategien erheblich. Zudem bedeutet eine höhere Leistung oder ein höherer Preis eines Modells nicht immer bessere Ergebnisse im Handel. In diesem Artikel untersuchen wir die besten KI-Modelle für den Handel basierend auf den Ergebnissen mehrerer praktischer Tests. In diesen Tests hatten verschiedene Modelle die Aufgabe, profitable und risikoarme Handelsstrategien zu entwickeln, und ihre Leistung wurde anhand von Marktdaten bewertet. Im Folgenden werden Sie mit der Durchführung der Tests, den Vergleichskriterien, den Merkmalen erfolgreicher Strategien und den wichtigsten Punkten zur Auswahl eines geeigneten Modells für den Handel vertraut gemacht. Wenn Sie wissen möchten, welche Modelle zuverlässigere Leistungen erbracht haben und ob teurere Modelle tatsächlich die bessere Wahl sind, bleiben Sie bis zum Ende dieses Artikels bei uns.

Welche sind die besten KI-Modelle für den Handel? {#i}

Die besten KI-Modelle für den Handel sind nicht unbedingt die teuersten oder fortschrittlichsten Modelle auf dem Markt. Ein geeignetes Modell sollte in der Lage sein, eine logische und testbare Handelsstrategie zu entwickeln, Risiken zu berücksichtigen und auch auf Daten, die es zuvor nicht gesehen hat, eine akzeptable Leistung zu erbringen. Daher reicht allein die Höhe des Gewinns im Backtesting nicht aus, um ein Modell auszuwählen; auch die Stabilität der Ergebnisse, der maximale Kapitalverlust und die Kosten für die Nutzung des Modells sind wichtig.
Kauf von Kryptowährungen mit 10.000 Toman!
Bei der Börse ArzPlus kannst du bereits mit 10.000 Toman und ohne Gebühren über 1.000 Kryptowährungen kaufen!

Einleitung

Basierend auf den Ergebnissen von drei praktischen Tests haben GPT-5-mini, Kimi K2.5, MiniMax 2.5 und die Gemini-Modelle eine bemerkenswerte Leistung bei der Entwicklung von Handelsstrategien gezeigt. Dennoch war kein Modell in allen Phasen der Gewinner, und die Ergebnisse variierten je nach Testbedingungen. Wichtig ist, dass mehrere günstige Modelle eine bessere Leistung als teurere Modelle und sogar als Marktbenchmarks erzielt haben. Daher sollte die Auswahl des geeigneten Modells auf praktischen Tests und der Qualität der Strategie basieren, nicht nur auf dem Ruf oder dem Preis.

Wie wurden die KI-Modelle getestet? {#i-2}

In dieser Untersuchung wurde eine Struktur namens Agenten-Schwarm (Agent Swarm) verwendet. Bei dieser Methode erhalten mehrere Modelle gleichzeitig die gleiche Aufgabe, versuchen jedoch unabhängig voneinander, das Problem zu lösen.

Die Hauptanweisung des Tests war sehr einfach: <>

Nach Erhalt dieser Anweisung agierte jedes Modell wie ein quantitativer Marktanalyst. Die Modelle entwickelten zunächst einen Forschungsplan, sammelten dann die erforderlichen Informationen, schlugen eine Handelsstrategie vor und testeten diese mit historischen Marktdaten. Einige Modelle änderten auch nach der Beobachtung der ersten Ergebnisse die Parameter und Regeln der Strategie.

Die Leistung der Strategien wurde nicht nur anhand von Trainings- und historischen Daten bewertet. Um eine realistischere Bewertung zu erzielen, wurde auch ein Out-of-Sample-Test durchgeführt. In diesem Test wird die Strategie auf einem Teil der Daten ausgeführt, der dem Modell während der Gestaltung und Optimierung nicht zur Verfügung stand. Dieser Schritt zeigt, ob die Strategie tatsächlich zuverlässig ist oder nur übermäßig an historischen Daten angepasst wurde.

Welche Modelle waren im Wettbewerb? {#i-3}

Die teilnehmenden Modelle wurden in drei Hauptgruppen eingeteilt:

Hochpreisige Modelle

• Claude Opus 4.6

Mittelpreisige Modelle

• GPT-5.2
• Claude Sonnet 4.6
• Gemini Pro 3.0
• Gemini Pro 3.1

Niedrigpreisige Modelle

• Kimi K2.5
• GPT-5-mini
• MiniMax 2.5
• GLM-5
• Gemini Flash 3.0

Das Hauptziel war herauszufinden, ob teurere Modelle tatsächlich bessere und zuverlässigere Handelsstrategien entwickeln oder ob auch günstigere Modelle in diesem Bereich konkurrieren können.

Ergebnis des ersten Tests; Überlegenheit der Niedrigpreisigen Modelle {#i-4}

Im ersten Test wurde der SPY-ETF als Vergleichsmaßstab herangezogen, um festzustellen, ob jede Strategie nur profitabel war oder in der Lage war, eine höhere Rendite als der Markt zu erzielen. Dieser ETF folgt nahezu der Performance des S&P 500 und gilt als Vertreter des allgemeinen Zustands des US-Aktienmarktes. Daher hatte jede Strategie, die eine höhere Rendite als der SPY erzielte, in diesem Test eine bessere Leistung als der Markt.

Basierend auf dem ersten Test konnten nur Kimi K2.5 und Gemini Flash 3.0 eine höhere Rendite als der SPY erzielen und eine bessere Marktleistung aufweisen.

Dieses Ergebnis war hinsichtlich der Kosten von großer Bedeutung. Die Kosten für die Nutzung von KI-Modellen werden normalerweise basierend auf dem Volumen der Informationen berechnet, die sie empfangen und erzeugen. Kimi K2.5 kostete etwa 0,45 USD für die Verarbeitung jeder Million Texteingaben und etwa 2,20 USD für die Erzeugung derselben Menge an Text. Für Gemini Flash 3.0 lagen die Kosten bei etwa 0,50 USD und 3 USD. Daher konnten beide Modelle trotz der sehr niedrigen Nutzungskosten eine bessere Leistung als mehrere teurere Modelle erbringen. Zum Beispiel blieb Claude Opus 4.6, obwohl es in der teuersten Kategorie eingestuft wurde, hinter dem Basisindex zurück.

Das Ergebnis des ersten Tests zeigte, dass man zur Identifizierung der besten KI-Modelle für den Handel nicht nur auf den Preis, die Marke oder die öffentliche Stellung des Modells achten kann.

Ergebnis des zweiten Tests; bessere Leistung der Mittelpreisigen Modelle {#i-5}

Die Ergebnisse des zweiten Tests waren anders als die der ersten Phase. In dieser Phase hatten die Mittelpreisigen Modelle eine bessere Leistung, und beide Google-Modelle konnten im Out-of-Sample-Test den Markt übertreffen. Ihre risikoadjustierte Rendite war ebenfalls besser als der Basisindex.

In diesem Test zeigte auch Claude Sonnet 4.6 eine akzeptable Leistung und übertraf den Markt um mehr als 9 Prozent. Dennoch konnte Claude Opus 4.6 erneut kein zufriedenstellendes Ergebnis erzielen.

Einige der Niedrigpreisigen Modelle, die in der ersten Phase gewonnen hatten, konnten im zweiten Test kein glaubwürdiges Portfolio erstellen. Die Überprüfung des Ausführungsprozesses der Modelle zeigte, dass dieses Problem wahrscheinlich auf vorübergehende Infrastrukturstörungen zurückzuführen war und nicht direkt als Schwäche der Modelle angesehen werden kann.

Aus diesem Grund wurde der Wettbewerb zum dritten Mal durchgeführt, um zu einem zuverlässigeren Ergebnis zu gelangen.

Ergebnis des dritten Tests; Rückkehr der Niedrigpreisigen Modelle {#i-6}

Im dritten Test belegten die Niedrigpreisigen Modelle erneut die oberen Plätze. MiniMax 2.5 und GPT-5-mini erzielten die beste Leistung in dieser Phase und übertrafen deutlich die viel teureren Modelle.

Ein bemerkenswerter Punkt in dieser Phase war die sehr schwache Leistung von Claude Opus 4.6. Dieses Modell entwarf eine Strategie, die Aktien von Unternehmen mit soliden finanziellen Verhältnissen und einem steigenden Preistrend auswählte. Anschließend testete es mit einem genetischen Algorithmus verschiedene Einstellungen der Strategie, um die beste Kombination zu finden. Die ersten Ergebnisse waren vielversprechend, aber als die Strategie mit neuen Daten getestet wurde, die in der Design- und Einstellungsphase nicht verwendet worden waren, war die Leistung sehr schwach und führte zu erheblichen Verlusten.

Im zweijährigen Test wuchs der Markt um etwa 45 %, aber die von Opus entwickelte Strategie hatte einen Verlust von etwa 73 %. Der maximale Kapitalverlust dieser Strategie betrug sogar 98 %. Einfach ausgedrückt, das Kapital einer Person, die diese Strategie umsetzte, wäre fast vollständig verloren gegangen.

Dieses Ergebnis ist ein klares Beispiel für das Risiko der Überanpassung (Overfitting). Überanpassung tritt auf, wenn eine Strategie zu stark an historische Daten angepasst wird. Eine solche Methode mag in Backtests sehr profitabel erscheinen, kann jedoch bei neuen Daten oder im realen Markt schlecht abschneiden.

Die besten KI-Modelle für den Handel

Die Ergebnisse dreier Tests zeigten, dass man nicht nur ein Modell als die beste Option unter allen Bedingungen betrachten kann. Die Gewinner wechselten in jeder Phase; jedoch hatten einige Modelle eine bemerkenswertere Leistung.

• Kimi K2.5
  Kimi K2.5 war im ersten Test eines der wenigen Modelle, das besser als der Markt abschnitt. Die niedrigen Kosten und die Fähigkeit, eine relativ angemessene Strategie zu entwickeln, machten dieses Modell zu einer bemerkenswerten Wettbewerbsoption.

• Gemini Flash 3.0
  Gemini Flash 3.0 schnitt ebenfalls im ersten Test besser als der Markt ab. Dieses Modell konnte trotz niedriger Kosten mehrere teurere Modelle übertreffen.

• Gemini Pro 3.0 und Gemini Pro 3.1
  Die Gemini Pro-Modelle zeigten im zweiten Test eine angemessene Leistung und erzielten sowohl in Bezug auf den Gewinn als auch auf die risikoadjustierte Rendite erfreuliche Ergebnisse. Insbesondere Gemini 3.1 Pro war eines der stabileren Modelle im Wettbewerb; jedoch sind weitere Tests erforderlich, um es als das beste Modell zu bestätigen.

• GPT-5-mini
  GPT-5-mini war im dritten Test eines der beiden besten Modelle. Dieses Modell entwarf die Quality Value-Strategie, die in allen Jahren der Schulungsperiode, einschließlich des Bärenmarktes 2022, profitabel blieb. Diese Stabilität zeigte, dass die Strategie nicht nur für Bullenmärkte konzipiert war.

• MiniMax 2.5
  MiniMax 2.5 war ein weiterer Gewinner des dritten Tests. Dieses Modell konnte mit deutlich geringeren Kosten als die hochklassigen Modelle eine erfolgreichere Strategie entwickeln.

• Claude Sonnet 4.6
  Claude Sonnet 4.6 schnitt im zweiten Test über 9 % besser als der Markt ab. Das Ergebnis dieses Modells zeigte, dass unter den Claude-Produkten die Sonnet-Version eine geeignetere Wahl für die Entwicklung von Handelsstrategien als Opus sein könnte.

• GLM-5
  GLM-5 erzielte in den Schulungsdaten eine Rohrendite von 501 %. Dennoch zeigte die Logik seiner Strategie Anzeichen von Überanpassung. Daher kann der sehr hohe Gewinn dieses Modells nicht ohne eine gründliche Überprüfung des Out-of-Sample-Tests als eindeutiger Vorteil angesehen werden.

Insgesamt können die Ergebnisse dieser drei Tests wie folgt zusammengefasst werden:

Insgesamt, wenn das Auswahlkriterium eine Kombination aus Nutzungskosten, Strategiequalität und Ergebnisstabilität ist, sind GPT-5-mini, die Gemini-Modelle, Kimi K2.5 und MiniMax 2.5 bemerkenswerte Optionen. Dennoch sind drei Testdurchläufe nicht ausreichend, um das beste KI-Modell für den Handel eindeutig zu benennen, da die Ergebnisse je nach Marktbedingungen, Art des Vermögenswerts, Zeitrahmen, den dem Modell gegebenen Anweisungen und der Bewertungsmethode variieren können.

Ist Claude Opus 4.6 für den Handel geeignet?

Claude Opus 4.6 war das teuerste Modell in diesem Wettbewerb; jedoch konnte es in keinem der drei Tests besser abschneiden als der S&P 500. Dieses Modell entwickelte sogar in einer Phase eine Strategie, die im zweijährigen Test 73 % des ursprünglichen Kapitals verlor. Darüber hinaus fiel der Wert des Portfolios im schlechtesten Moment um 98 % im Vergleich zum vorherigen Höchststand.

Diese Ergebnisse bedeuten nicht, dass Claude Opus in allen Bereichen schwach ist. Ein Modell kann in der Textanalyse, im Argumentieren, Programmieren oder bei der Ausführung komplexer Aufgaben sehr leistungsfähig sein, aber diese Fähigkeit führt nicht zwangsläufig zur Entwicklung einer profitablen Handelsstrategie.

Die Gestaltung einer Strategie hängt von Faktoren wie der Auswahl geeigneter Kriterien, der Vermeidung von Überanpassung, dem Risikomanagement, dem Verständnis der Marktbedingungen und der gründlichen Prüfung neuer Daten ab. Die Gesamtstärke eines Modells kann diese Prinzipien nicht ersetzen.

Welche gemeinsamen Merkmale hatten die Gewinnerstrategien?

Die erfolgreichen Strategien in diesem Wettbewerb waren in der Regel nicht sehr komplex. Das wichtigste gemeinsame Merkmal war die Verwendung von Qualitätsfiltern.

Zum Beispiel könnte eine Strategie nur Aktien von Unternehmen auswählen, die profitabel sind, eine angemessene finanzielle Lage haben oder in Bezug auf die Bewertung in akzeptablen Bedingungen sind. Diese einfachen Regeln sorgen dafür, dass schwache und risikobehaftete Vermögenswerte aus dem Portfolio ausgeschlossen werden.

Die von GPT-5-mini entwickelte Quality Value-Strategie ist ein Beispiel für diese Methode. Diese Strategie kombinierte anstelle der Verwendung sehr komplexer Beziehungen die Kriterien für Wert und Qualität und konnte in verschiedenen Zeiträumen, einschließlich des Bärenmarktes von 2022, profitabel bleiben.

Die Ergebnisse zeigten, dass eine einfache und logische Strategie in den Finanzmärkten besser abschneiden kann als eine sehr komplexe, die mit fortschrittlichen Algorithmen optimiert wurde.

Warum scheiterte die Mean Reversion-Strategie? {#i-9}

Ein häufiger Fehler vieler Modelle war die Verwendung der Mean Reversion-Strategie.

Bei dieser Methode wird angenommen, dass der Preis nach einer Abweichung von seinem Durchschnitt wieder in den vorherigen Bereich zurückkehrt. Solche Strategien können unter bestimmten Marktbedingungen nützlich sein, können jedoch in starken Aufwärts- oder Abwärtstrends erhebliche Verluste verursachen.

Mean Reversion-Strategien erscheinen oft in Backtests attraktiv, da in historischen Daten viele Gelegenheiten zum Kauf zu niedrigen Preisen und zum Verkauf nach einer Preisrückkehr zu sehen sind. Wenn der Markt jedoch in einen langen Trend eintritt, kann der Preis für lange Zeit nicht zum vorherigen Durchschnitt zurückkehren.

Im untersuchten Zeitraum hatte der US-Markt aufgrund des Wachstums der Technologieaktien einen starken Aufwärtstrend. Unter solchen Bedingungen schnitten Momentum- (Preisschub) und Qualitätsstrategien besser ab als Mean Reversion-Methoden.

Können diese Modelle für den Handel mit Kryptowährungen verwendet werden? {#i-10}

Dieses Experiment konzentrierte sich hauptsächlich auf Aktienmarktstrategien und Indizes wie S&P 500, SPY und QQQ. Daher können die Ergebnisse nicht ohne erneute Tests direkt auf den Kryptowährungsmarkt übertragen werden.

Der Kryptomarkt ist rund um die Uhr aktiv, hat höhere Volatilität und wird stark von Liquidität, Nachrichten, dem Verhalten von Walen und Änderungen der Händlerstimmung beeinflusst. Eine Strategie, die im Aktienmarkt erfolgreich ist, kann im Kryptomarkt völlig andere Ergebnisse liefern.

Um diese Modelle im Kryptowährungshandel zu verwenden, sollten folgende Punkte beachtet werden:

• Die Strategie sollte an historischen Daten derselben Kryptowährung getestet werden.
• Handelsgebühren und Preisgleitungen sollten in die Berechnungen einbezogen werden.
• Die Ergebnisse sollten an Daten außerhalb der Stichprobe überprüft werden.
• Die Strategie sollte in Aufwärts-, Abwärts- und Seitwärtsmärkten getestet werden.
• Vor der Verwendung von echtem Kapital sollte sie eine Zeit lang in einem Demokonto ausgeführt werden.
• Für jeden Handel sollten Stop-Loss, Positionsgröße und maximaler zulässiger Verlust festgelegt werden.

Künstliche Intelligenz kann bei der Erstellung und Bewertung von Strategien helfen, bietet jedoch keine Garantie für Rentabilität im Kryptowährungsmarkt.

Worauf sollten wir bei der Auswahl der besten KI-Modelle für den Handel achten? {#i-11}

Bei der Auswahl der besten KI-Modelle für den Handel sollte nicht nur der endgültige Gewinn berücksichtigt werden. Eine Strategie kann hohe Gewinne erzielen, aber auch ein hohes Risiko und Kapitalverluste mit sich bringen.

Wichtigere Kriterien für die Auswahl der besten KI-Modelle für den Handel sind:

• Leistung außerhalb der Probe: Die Strategie sollte an Daten getestet werden, die zum Zeitpunkt des Designs nicht im Modell vorhanden waren. Gute Leistung ist nur auf vertrauenswürdigen Trainingsdaten nicht ausreichend.
• Maximaler Kapitalverlust: Der maximale Kapitalverlust zeigt, um wie viel der Wert des Portfolios in der schlimmsten Phase gesunken ist. Eine Strategie mit hohen Gewinnen und einem Kapitalverlust von 98 % ist für die meisten Trader praktisch nicht nutzbar.
• Risikoadjustierte Rendite: Kennzahlen wie das Sharpe-Verhältnis und das Sortino-Verhältnis zeigen, wie viel Rendite im Verhältnis zum eingegangenen Risiko erzielt wurde. Diese Kennzahlen bieten in der Regel ein genaueres Bild von der Qualität der Strategie.
• Stabilität unter verschiedenen Marktbedingungen: Eine geeignete Strategie sollte nicht nur in einem bullischen Markt profitabel sein. Ihre Leistung sollte auch in rückläufigen, neutralen und volatilen Phasen überprüft werden.
• Kosten der Modellenutzung: Wenn ein günstigeres Modell eine ähnliche oder bessere Strategie entwickeln kann, ist die Nutzung eines teuren Modells wirtschaftlich nicht gerechtfertigt. Dies wird besonders wichtig, wenn mehrere Faktoren implementiert und zahlreiche Tests durchgeführt werden.

Kann man der mit KI entwickelten Strategie vertrauen? {#i-12}

Eine Strategie sollte nicht allein aufgrund der Tatsache, dass sie von einem leistungsstarken Modell erstellt wurde, direkt im realen Markt umgesetzt werden. Selbst die besten KI-Modelle für den Handel können Informationen falsch analysieren, überanpassen oder die realen Marktbedingungen nicht korrekt berücksichtigen.

Der logische Weg zur Nutzung einer KI-Strategie ist folgender:

1. Überprüfung der Regeln und Logik der Strategie
2. Backtesting mit validen Daten
3. Out-of-Sample-Tests
4. Überprüfung der Leistung in verschiedenen Marktphasen
5. Berücksichtigung von Gebühren, Slippage und Liquiditätsbeschränkungen
6. Testlauf ohne echtes Kapital
7. Beginn mit begrenztem Kapital
8. Kontinuierliche Überwachung der Leistung und Risiken

Die Möglichkeit, eine Strategie automatisch auszuführen, bedeutet nicht, dass sie sicher oder profitabel ist. Die endgültige Entscheidung sollte auf einer gründlichen Bewertung und Risikomanagement basieren.

Zusammenfassung {#i-13}

Die Ergebnisse dieser Tests zeigten, dass ein höherer Preis eines KI-Modells nicht unbedingt eine größere Fähigkeit zur Entwicklung von Handelsstrategien bedeutet. In vielen Fällen konnten günstigere Modelle einfachere, stabilere und risikoärmere Strategien entwickeln und besser abschneiden als teurere Optionen.

Daher sollte bei der Auswahl der besten KI-Modelle für den Handel nicht nur auf den Ruf, die Leistung oder die Kosten des Modells geachtet werden. Auch die Qualität der Logik der Strategie, das Risikoniveau, der maximale Kapitalverlust, die Stabilität der Ergebnisse und die Leistung auf neuen Daten sollten gleichzeitig überprüft werden.

Letztendlich kann KI ein nützliches Werkzeug für Forschung, Marktanalyse, Strategieentwicklung und -vergleich sowie zur Identifizierung möglicher Fehler sein; sie kann jedoch das Risikomanagement, die menschliche Überprüfung und die informierte Entscheidungsfindung des Traders nicht ersetzen. Daher sollte jede empfohlene Strategie vor der Verwendung im realen Handel gründlich getestet und bewertet werden.

Häufig gestellte Fragen {#i-14}

1. Benötigen wir Programmierkenntnisse, um KI zur Entwicklung von Handelsstrategien zu nutzen?

Nein, um Ideen zu erhalten, eine erste Marktanalyse durchzuführen oder allgemeine Regeln für eine Strategie zu entwerfen, sind Programmierkenntnisse nicht immer erforderlich. Für präzises Backtesting, automatisierte Datenerfassung und die Ausführung von Strategien ist jedoch in der Regel ein gewisses Verständnis von Handelswerkzeugen notwendig.

2. Hat ein KI-Modell mit direktem Zugang zu Echtzeitpreisen eine bessere Leistung?

Der Zugang zu Echtzeitinformationen kann die Analyse aktueller machen, führt jedoch nicht allein zu Rentabilität. Die Qualität der Daten, die Geschwindigkeit der Informationsbeschaffung, die Logik der Strategie und das Risikomanagement beeinflussen ebenfalls das Endergebnis.

3. Ändert sich die Antwort des KI-Modells mit einer Änderung der Benutzeranfrage?

Ja, die Art und Weise, wie die Anfrage oder der Prompt formuliert wird, kann einen erheblichen Einfluss auf das Ergebnis haben. Die Angabe des gewünschten Marktes, des Zeitrahmens, des akzeptablen Risikoniveaus, des Anfangskapitals und der Bewertungsmaßstäbe hilft dem Modell, eine genauere und relevantere Strategie zu liefern.

4. Ist es besser, ein Modell oder mehrere Modelle zur Strategieentwicklung zu verwenden?

Die Verwendung mehrerer Modelle ermöglicht den Vergleich von Ideen und die Identifizierung von Schwächen jeder Strategie. Man kann ein Modell zur Entwicklung der Strategie und andere Modelle zur Kritik, Risikobewertung und Vorschlag von Anpassungen verwenden; dennoch sollte das Endergebnis weiterhin mit validen Daten getestet werden.