Was genau ist der CFA?
Der CFA, kurz für Chartered Financial Analyst (zertifizierter Finanzanalyst), ist eine angesehene Zertifizierung für Fachleute im Investment- und Finanzbereich. Dieses Programm gliedert sich in drei Stufen, von denen jede andere Fähigkeiten prüft. Die erste Stufe konzentriert sich anhand eigenständiger Multiple-Choice-Fragen auf grundlegende Kenntnisse. Die zweite Stufe untersucht die Anwendung und Analyse mithilfe von Fragensätzen, die auf Fallstudien basieren. Die dritte Stufe prüft schließlich komplexe Synthesen und die Portfoliokonstruktion anhand einer Kombination aus Multiple-Choice-Fragen und Fragen, die schriftliche Antworten erfordern. Es handelt sich um einen anspruchsvollen Prozess, der präzise Berechnungen, fundierte Analysen und schlüssige Überlegungen erfordert.
Die Studie untersucht, wie moderne Modelle künstlicher Intelligenz diese Prüfungen bewältigen. Verwendet wurde eine Reihe simulierter Tests mit insgesamt 980 Fragen: drei Tests für die erste Stufe (540 Fragen), zwei für die zweite (176 Fragen) und drei für die dritte (264 Fragen). Diese Tests stammen aus offiziellen Materialien des CFA Institute und aus Quellen wie AnalystPrep und spiegeln die Aktualisierungen des Lehrplans aus den Jahren 2024 und 2025 wider, einschließlich neuer Spezialisierungswege für die dritte Stufe.
Wie wurden die Tests durchgeführt?
Die Forscher reproduzierten zunächst die Ergebnisse älterer Modelle wie ChatGPT (GPT-3.5-turbo), GPT-4 und GPT-4o, um eine Vergleichsbasis zu schaffen. Anschließend testeten sie fortschrittliche Modelle wie GPT-5, Gemini 3.0 Pro, Gemini 2.5 Pro, Grok 4, Claude Opus 4.1 und DeepSeek-V3.1. Die Tests wurden in zwei Modi durchgeführt: Zero-Shot, bei dem das Modell die Frage direkt und ohne weitere Anweisungen erhielt, und Chain-of-Thought, bei dem es aufgefordert wurde, schrittweise zu denken und seine Überlegungen zu erläutern.
Für die Bewertung verwendeten sie präzise Erfolgskriterien. In der ersten Stufe musste das Modell in jedem Themenbereich mindestens 60 % und insgesamt 70 % erreichen. In der zweiten Stufe waren es 50 % in jedem Bereich und insgesamt 60 %. In der dritten Stufe genügte eine durchschnittliche Punktzahl von 63 % aus einer Kombination von Multiple-Choice-Fragen und schriftlichen Antworten. Die schriftlichen Antworten wurden von einem automatisierten System auf Basis von Modellen wie o4-mini unter Verwendung des Bewertungsrasters von AnalystPrep beurteilt.
Die Tests deckten zehn Hauptthemen der ersten und zweiten Stufe ab, darunter quantitative Methoden, Wirtschaftswissenschaften, Finanzberichterstattung, Unternehmensemittenten, Aktienanlagen, festverzinsliche Wertpapiere, Derivate, alternative Anlagen und Portfoliomanagement. In der dritten Stufe konzentrierten sie sich auf Bereiche wie Vermögensallokation, Portfoliokonstruktion, Performancemessung, Derivate und Risikomanagement, ethische Standards sowie Spezialisierungswege.
Ergebnisse: KI übertraf die Erwartungen
Ältere Modelle wie ChatGPT erreichten in der ersten Stufe Werte von etwa 58,9 % bis 68,4 %, was zum Bestehen nicht ausreichte. GPT-4 bewältigte die erste Stufe mit 73,3 % bis 80,9 %, scheiterte jedoch an der zweiten. GPT-4o bestand die erste und zweite Stufe mit 90,6 % beziehungsweise 73,9 % und sogar die dritte mit 66,7 % bei den schriftlichen Fragen.
Die fortschrittlichen Modelle dominierten jedoch. Gemini 3.0 Pro erreichte im Zero-Shot-Modus in der ersten Stufe einen Rekordwert von 97,6 %. GPT-5 lag in der zweiten Stufe mit 94,3 % vorn. In der dritten Stufe überzeugte Gemini 2.5 Pro bei den Multiple-Choice-Fragen mit 86,4 %, während Gemini 3.0 Pro bei den schriftlichen Antworten 92,0 % erreichte. Alle diese Modelle bestanden sämtliche Stufen, wobei die Rangfolge nach der Gesamtleistung wie folgt lautete: Gemini 3.0 Pro, Gemini 2.5 Pro, GPT-5, Grok 4, Claude Opus 4.1 und DeepSeek-V3.1.
Der Chain-of-Thought-Modus führte bei älteren Modellen zu Verbesserungen, bei neueren Modellen war der Effekt jedoch gemischt – bei Gemini 3.0 Pro kam es beispielsweise zu einem leichten Rückgang bei den Multiple-Choice-Fragen, aber zu einer deutlichen Verbesserung bei den schriftlichen Antworten. Die Fehler konzentrierten sich vor allem auf ethische Standards, wobei Modelle wie GPT-5 in der zweiten Stufe eine Fehlerquote von 17–21 % aufwiesen.
Details zu den getesteten Modellen und Daten
Die Modelle wurden mit einer auf 0 eingestellten Temperatur getestet, um die Zufälligkeit zu minimieren, und die Ergebnisse umfassten Durchschnittswerte mit Abweichungen. GPT-5 verwendete beispielsweise die Kennung gpt-5-preview vom 7. August 2025, Gemini 3.0 Pro gemini-3-pro-preview vom 18. November 2025 und Grok 4 grok-4 vom 9. Juli 2025.
Die Daten wurden sorgfältig ausgewählt, um die aktuellen Lehrpläne widerzuspiegeln. In der dritten Stufe umfassten sie beispielsweise spezialisierte Fragen zu Themen wie Portfoliomanagement, Privatmärkte oder privates Vermögensmanagement. Der Vergleich mit einer früheren Studie bestätigte, dass die neuen Tests eine ähnliche Themenverteilung aufweisen, jedoch aufgrund der Lehrplanaktualisierungen einen geringeren Anteil an Rechenaufgaben enthalten.
Die Studie erkennt Einschränkungen an, etwa das Risiko einer Datenkontamination durch die Trainingsdatensätze der Modelle oder potenzielle Verzerrungen bei der automatischen Bewertung schriftlicher Antworten, bei der längere Texte bevorzugt werden könnten. Für die dritte Stufe wurden Materialien von Drittanbietern wie AnalystPrep verwendet, die möglicherweise nicht vollständig den offiziellen Prüfungen entsprechen.
Diese Erkenntnisse deuten darauf hin, dass künstliche Intelligenz ein Niveau erreicht hat, auf dem sie Wissen und Synthese auf dem Niveau erfahrener Finanzanalysten beherrscht.
