Preisprognose (Rohstoffe, Energie, Vormaterialien)

Seit den Energie- und Rohstoffschocks von 2021–2023 kann der Preis für Strom, Gas, Stahl, Kupfer, Polymere oder Weizen entscheiden, ob ein Fertigungsbetrieb im Mittelstand oder ein Stadtwerk Gewinn macht. KI-Preisprognosen verbinden die Marktgeschichte, fundamentale Treiber (Wetter, Erneuerbare, Brennstoffe, CO2, Lagerbestände, Wechselkurse) und zunehmend Signale aus Texten und liefern probabilistische Prognosen und Szenarien statt einer einzelnen Zahl. Einkauf, Treasury und Handel nutzen sie, um Käufe zeitlich zu steuern, Absicherungsquoten festzulegen, Budgets zu planen und eigene Angebote zu kalkulieren. Der Nutzen entsteht aus besseren Entscheidungen unter Unsicherheit. Niemand, auch keine KI, kann den Markt verlässlich „vorhersagen".

Problem & Nutzen

• Wer: Einkäufer von Energie und Rohstoffen in Fertigung, Lebensmittelindustrie, Chemie, Bau und Logistik; Versorger und Stadtwerke (Portfolio- und Tarifkalkulation); Energiehändler und Direktvermarkter; Controlling und FP&A (Budgetpreise); öffentlicher Einkauf (Energieausschreibungen von Kommunen).
• Heute: Einkäufer stützen sich auf Newsletter von Maklern, Berichte von Preisberichtsagenturen (PRA), eine Terminkurve und Bauchgefühl. Budgets verwenden einen einzigen „Planpreis", und Käufe werden oft nach dem Kalender statt nach Marktsignalen terminiert. Viele KMU haben gar keinen strukturierten Überblick über ihr Preisrisiko.
• Warum KI hilft: Die Preisbildung ist nichtlinear und hängt von vielen Treibern ab (Merit-Order, Einspeisung erneuerbarer Energien, Brennstoffwechsel, Lagerstände, Politik). ML und Zeitreihen-Foundation-Modelle verbinden diese Treiber besser als univariate Regeln und liefern kalibrierte Unsicherheitsbänder, die für Risikoentscheidungen wichtiger sind als die Punktprognose.
• Strukturwandel beim Strom: Seit dem Liefertag 1. Oktober 2025 wird die europäische einheitliche Day-Ahead-Marktkopplung (SDAC) in 15-Minuten-Marktzeiteinheiten statt in stündlichen abgerechnet [5]. Das vervierfacht die Zahl der Day-Ahead-Preispunkte und macht die Preisform innerhalb des Tages (Einbrüche zur Solarmittagszeit, Abendspitzen, negative Preise) für alle mit flexibler Last, Speicher oder PV wichtiger.
• Zahlen zum Nutzen: Anbieter veröffentlichen selten gemessene, prüfbare Einsparungen durch zeitliche Steuerung von Käufen. Betrachten Sie jede Behauptung als unbelegt, bis Sie sie an Ihrer eigenen Einkaufshistorie rückgetestet haben (siehe Kennzahlen).

Varianten

• Kurzfristige Strompreise (Day-Ahead / Intraday, 15 Min.): für Händler, Direktvermarkter, Speicher und flexible Industrielast. Fundamentaldaten plus ML, Horizont von Stunden bis wenigen Tagen. Speist OPT-039 und OPT-011.
• Mittel-/langfristige Energie (Terminkurven für Gas, Strom, CO2): für Budgetierung, Strategien mit Beschaffungstranchen und Tarifkalkulation bei Stadtwerken. Der Horizont reicht von Monaten bis Jahren, und üblich sind Szenarien statt Punktprognosen.
• Rohstoffe & Metalle für die Fertigung: Stahl, Aluminium, Kupfer, Nickel, Polymere (PP, PE, PVC), Papier/Zellstoff. Meist LME-/Börsenpreise oder PRA-Indizes plus Zuschläge. Der Horizont beträgt 1–12 Monate, genutzt für den Kaufzeitpunkt, Preisgleitklauseln und Angebotskalkulation (siehe PRED-032).
• Agrarerzeugnisse & Lebensmittel-Rohstoffe: Weizen, Mais, Kakao, Kaffee, Zucker, Milchprodukte, Pflanzenöle. Wetter- und Erntezustandsdaten, Satellitenindizes und Handelsströme sind die wichtigsten Treiber. Genutzt von Mühlen, Lebensmittelherstellern und Agrarhändlern.
• Fracht- & Logistikraten: Indizes für Container-, Massengut- und Straßenfracht als Eingangskosten.
• Öffentlicher Sektor: kommunale und staatliche Einkaufsgemeinschaften für Energie, die Tranchenkäufe zeitlich steuern; Wirtschaftsinstitute, die Rohstoffannahmen für Makroprognosen erstellen (PRED-047).
• Private Nutzung: Haushalte mit dynamischen Stromtarifen (in Deutschland müssen Lieferanten sie seit 2025 anbieten), die E-Auto-Laden, Wärmepumpe oder Batterie in günstige Viertelstunden verschieben. In der Praxis ist das eine Funktion der Tarif-App oder des Heimenergiemanagementsystems, kein eigenständiges Werkzeug.

So funktioniert es

1. Marktdaten (Börsen-/PRA-Preise, Terminkurven) + Fundamentaldaten (Last, Wind/PV, Brennstoffe, CO2, Wechselkurse, Lagerbestände) + Wettervorhersagen + Textsignale (Nachrichten, Berichte, Politik) [optional]
2. Datenpipeline: Abgleich von Zeitzonen/MTU, Feiertage, Kontraktwechsel, Normalisierung von Einheiten/Währungen
3. Merkmalsbildung (Verzögerungen, Kalender, Residuallast, Spreads, Form der Kurve)
4. Modell-Ensemble: statistische Baseline (LEAR/ARIMA/ETS) + Gradient Boosting + tiefes/Foundation-Zeitreihenmodell
5. probabilistische Ausgabe (Quantile, Szenarien) + Kalibrierungsprüfung
6. Entscheidungsschicht: Regeln kaufen/festschreiben/warten, Absicherungsquoten, Budgetszenarien, Optimierung (OPT-*)
7. menschliche Prüfung (Einkäufer / Risikoausschuss / Händler)
8. Bestellung, Absicherung oder Plananpassung
9. Rücktest & Überwachung gegen realisierte Preise

• Modelle: Für den Day-Ahead-Strompreis sind starke regularisierte lineare Modelle (LEAR) und DNNs die reproduzierbaren akademischen Baselines des offenen epftoolbox-Benchmarks (EPEX-BE/FR/DE, Nord Pool, PJM) [3][4]. Gradient-Boosted Trees (LightGBM/XGBoost/CatBoost) auf Fundamentalmerkmalen sind das Arbeitspferd der Industrie. Zeitreihen-Foundation-Modelle (Chronos-2, TimesFM, Moirai) liefern starke Zero-Shot-Baselines und akzeptieren seit 2025/2026 Kovariaten [1][2][7].
• LLMs erzeugen nicht die numerische Prognose. Sie extrahieren Signale aus Nachrichten und Berichten (Lieferausfälle, politische Änderungen, Streiks), schreiben den Marktkommentar und erklären Einkäufern die Treiber. Betrachten Sie von LLMs erzeugte Preisvorhersagen als unzuverlässig.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prognosen sind beratend. Kauf- und Absicherungsentscheidungen bleiben beim Einkäufer oder beim Risikoausschuss, im Rahmen einer dokumentierten Einkaufs-/Absicherungsrichtlinie (Limits, Tranchen, Genehmigungsstufen).

Datenaufbereitung

Benötigt werden historische Preise und Indizes (EPEX SPOT, EEX, LME, Preisberichtsagenturen), fundamentale Treiber (Brennstoffe, CO2, Wechselkurse, Wetter) sowie die eigene Einkaufshistorie und Verträge des Unternehmens. Im Mittelstand stammen die externen Daten aus E-Mails von Maklern, PDF-Marktberichten, Abonnement-Portalen und Excel-Tabellen, während die eigenen Käufe im ERP und in Vertragsdateien liegen. Typische Lücken: reine PDF-Berichte, Lizenzgrenzen für die Weitergabe von Preisdaten, unterschiedliche Einheiten und Währungen, fehlende Vertragsbedingungen in strukturierter Form und von Hand in Tabellen kopierte Preise.

Schritte der Aufbereitung: (1) die wenigen Preisreihen auswählen, die die Kosten wirklich bestimmen, (2) Feeds oder APIs abonnieren, wo die Lizenzen es erlauben, (3) Download und Auswertung der Berichte automatisieren (n8n oder Python-Skripte, OCR für PDFs), (4) Einheiten, Währungen und Zeitzonen in einer Tabelle vereinheitlichen, (5) eigene Einkaufspreise und -mengen aus dem ERP extrahieren, (6) ein Protokoll von Prognosen gegenüber Istwerten zur Auswertung führen. Nützliche PREP-Anwendungsfälle: PREP-005, PREP-011, PREP-006. Außerdem DATA-003 und DOC-018 für die Extraktion aus Berichten.

Grober Aufwandsanteil: etwa 20–30 Prozent, da Preisreihen meist sauber und numerisch sind. Der größte Teil der Arbeit liegt in Lizenzierung und Automatisierung der Feeds. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Einkaufs- und Energiepreis-Werkzeuge oder Makler-Dienste mit fertigen Prognosen und Warnungen decken den Standardbedarf günstig ab.
• Großunternehmen — Weg B: Prognosen sollten eigene Verträge, Mengenplanungen und Marktdaten über APIs innerhalb eines bestehenden Einkaufs- oder Risikosystems verbinden.
• Entwickler — Weg C: Open-Source-Zeitreihenmodelle auf HW1 mit lizenzierten oder öffentlichen Preisdaten erlauben transparente, testbare Prognosen.
• Öffentlicher Sektor — Weg C: Öffentliche Einkäufer und Stadtwerke bevorzugen selbst betriebenes oder souveränes Hosting und nachvollziehbare Methoden für Einkauf und Budgetierung.
• Privat — Weg A: Tarif- und Kraftstoffpreis-Apps liefern einfache Prognosen für private Entscheidungen.

Weg A — Kaufen (Standardsoftware)

• Prognosen & Analytik für Energiemärkte: Volue (NO/EWR; SpotEx-Preisprognosen, Insight) [8], Montel (NO/EWR), Aurora Energy Research (UK, mit Büro in Berlin; langfristige Szenarien), energy & meteo systems/emsys (DE; Prognosen zu Erneuerbaren und Preisen für Händler) sowie die Prognosedienste von Energieversorgern und Direktvermarktern. Prüfen Sie die Marktabdeckung (Gebotszone DE-LU, 15 Min.) und das Lieferformat (API, Excel).
• Prognosen für Rohstoffe & Waren im Einkauf: ChAI (UK; KI-Prognosen für Metalle, Energie, Kunststoffe und Agrarrohstoffe, dazu ein Produkt zur Preisrisikoabsicherung) [9]; Expana (früher Mintec; Preise und Prognosen für Lebensmittel und Agrarrohstoffe); PRAs mit Prognosediensten (Argus, ICIS, Fastmarkets, S&P Global Commodity Insights). Einige Einkaufssuiten (SAP Ariba/S/4HANA, Coupa, Jaggaer) binden externe Preisindizes in das Kategorienmanagement ein.
• Wählen Sie A, wenn: Sie Einkäufer sind, kein Händler. Externe Prognosen plus eine dokumentierte Tranchenstrategie decken die meisten Bedürfnisse im KMU ab, und die Datenlizenzen des Anbieters (Börsen- und PRA-Daten) sind oft mehr wert als das Modell.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltete Prognosen: Google BigQuery ML AI.FORECAST (TimesFM; zugleich der lizenzierte Weg zur kommerziellen Nutzung von TimesFM 3.0) [2]; Amazon SageMaker / Bedrock mit Chronos-Modellen und AutoGluon-TimeSeries [1]; Azure Machine Learning AutoML Forecasting; Nixtla TimeGPT API [10]. Wählen Sie EU-Regionen (Frankfurt, Niederlande, Paris).
• Daten: API der ENTSO-E Transparency Platform (Preise, Last, Erzeugungsprognosen für alle EU-Zonen), Bundesnetzagentur SMARD (deutsche Großhandelspreise und Erzeugung, kostenloser Download) [6], EEX DataSource (lizenziert) [11], Börsen- und PRA-Feeds, Wetterdaten von ECMWF/DWD.
• LLM-Schicht: Ein Spitzenmodell oder EU-Modell (z. B. Mistral, Claude, GPT, Gemini über EU-Endpunkte) fasst Nachrichten und Berichte zu strukturierten Ereignissen zusammen (Ausfall, Tarif, Sanktion), die zu Merkmalen werden, und schreibt das wöchentliche Briefing für Einkäufer.
• Wählen Sie B, wenn: Sie ein Datenteam haben und spezifische Preistreiber (z. B. eigene Zuschlagsformeln, regionale Indizes), die generische Anbieter nicht abdecken.

Weg C — Selbst betreiben (Open Source)

• Bibliotheken: Nixtla statsforecast / neuralforecast (NHITS, TFT, PatchTST, TiDE und andere, mit Unterstützung exogener Variablen, Apache-2.0) [12]; Darts; sktime; AutoGluon-TimeSeries; LightGBM/XGBoost; epftoolbox für Baselines und Auswertung bei Strompreisen [3].
• Foundation-Modelle mit offenen Gewichten: Chronos-2 (120M Parameter, Apache-2.0, multivariat und kovariatenfähig, veröffentlicht Okt. 2025) und Chronos-Bolt [1]; TimesFM 2.5 (Gewichte unter Apache-2.0). Beachten Sie, dass die Gewichte von TimesFM 3.0 (Aug. 2026) unter einer nichtkommerziellen Lizenz stehen [2]. Außerdem Moirai 2.0 (Salesforce uni2ts; Gewichte unter CC-BY-NC-4.0, also nichtkommerziell) [7].
• Hardware: HW1 genügt. Gradient Boosting und Modelle mit 9M–200M Parametern laufen auf CPU-Servern. Eine kleine GPU beschleunigt nur Feintuning oder große Rücktests. Orchestrierung mit Airflow/Dagster, Speicherung in TimescaleDB/ClickHouse/Parquet, Dashboards in Grafana/Superset.
• Betriebsaufwand: Der größte Teil der Arbeit ist Datenengineering (Feeds, Lizenzen, Kontraktwechsel, Mischen von 15-Min.-/Stundenwerten, Zeitumstellung) und laufendes Rücktesten, nicht das Modell.

Weg D — Eigenes Training

Lohnt sich für Händler, Versorger und große Einkäufer, deren Vorteil von eigenen Fundamentaldaten (eigenes Portfolio, Anlagenverfügbarkeit, regionale Zuschläge) oder von sehr kurzen Horizonten (Intraday) abhängt. Typische Konstellationen: Feintuning von Chronos-2/TimesFM auf mehreren Jahren Ihrer eigenen Preis- und Treiberhistorie oder das Training eigener probabilistischer Modelle (Quantilregression, verteilungsbasierte DNNs, konforme Kalibrierung). Sie brauchen mindestens mehrere Jahre sauberer Historie, die verschiedene Marktphasen abdeckt (vor 2021, Krise, Zeit nach der Krise), und zeitpunktgenaue Kopien der Prognosen, die zum Entscheidungszeitpunkt tatsächlich verfügbar waren (um Look-ahead-Verzerrung zu vermeiden).

Stand der Technik (2026)

• Foundation-Modelle wurden multivariat. Chronos-2 (Okt. 2025) und TimesFM 3.0 (Aug. 2026) verarbeiten vergangene und bekannte zukünftige Kovariaten nativ [1][2]. Kovariaten sind für die Preisprognose am wichtigsten (Residuallast, Brennstoffpreise), und die Chronos-Autoren berichten die größten Gewinne bei Aufgaben mit exogenen Merkmalen [1]. Ranglisten wie GIFT-Eval und fev-bench stufen diese Modelle ein, decken aber allgemeine Zeitreihen ab und ersetzen keinen Rücktest auf Ihrem eigenen Markt.
• Praxis beim Strom: Hybride Modelle aus Fundamentaldaten + ML dominieren. Von Experten entworfene Merkmale (Residuallast = Last − Wind − PV, durch Gas/CO2 implizierte Grenzkosten) plus LEAR/GBM/DNN-Ensembles sind weiterhin schwer zu schlagen. Die Bewertung folgt der Best Practice des epftoolbox: mehrjährige Testzeiträume, mehrere Märkte und Signifikanztests wie Diebold–Mariano [3][4]. Der Wechsel auf 15-Minuten-MTU (SDAC, Okt. 2025) [5] zwang die meisten Modelle dazu, auf einer neuen Auflösung mit nur kurzer Historie nachtrainiert zu werden.
• Probabilistische Prognosen (Quantile, Szenariensätze, konforme Vorhersage) werden inzwischen erwartet. Einkäufer planen mit P10/P50/P90 statt mit einem Preis.
• Text- und LLM-Signale: Von LLMs aus Nachrichten, Ausfallmeldungen (REMIT-Plattformen für Insiderinformationen) und politischen Ankündigungen extrahierte Ereignisse werden als Merkmale oder zur Unterstützung von Analysten genutzt. Belege dafür, dass sie mittelfristige Prognosen durchgängig verbessern, sind weiterhin uneinheitlich.
• Grenzen und Fehlerbilder: Strukturbrüche (Kriege, Sanktionen, politische Schocks, Pandemien) stecken nicht in den Trainingsdaten. Langfristige Rohstoffprognosen schlagen die Terminkurve oft kaum. Modelle können in Rücktests durch Look-ahead-Leckage hervorragend aussehen, nutzen Sie daher zeitpunktgenaue Daten. Negative Preise und Preisspitzen beim Strom sprengen naive Fehlermaße. Prognosen, nach denen viele Marktteilnehmer handeln, können sich selbst entkräften.

Gemeinsame Bausteine & Kombinationen

• Gleicher Zeitreihen-Stack (time-series + tabular-ml, HW1): PRED-001 Bedarfsprognose, PRED-007 Prognose von Energielast & erneuerbarer Erzeugung (ihre Ausgaben sind Kernmerkmale für Strompreise), PRED-016 Cashflow-Prognose (Preisszenarien treiben die Kostenzeilen), PRED-047 Nowcasting der Konjunktur. Ein Feature Store, ein Prognosedienst (z. B. AutoGluon/Nixtla + Chronos-2) und ein Rücktest-Rahmen können alle bedienen.
• Wettereingaben: gemeinsam mit PRED-017 KI-Wettervorhersage und PRED-007.
• Nachgelagerte Entscheidungen: OPT-039 algorithmischer Stromhandel und OPT-011 Einsatz von Batteriespeichern (beide verbrauchen 15-Min.-Preisprognosen); OPT-004 dynamische Preisgestaltung (Weitergabe von Einstandskosten); OPT-010 Portfolio/Absicherung; AGENT-005 Einkaufsagent (Kaufzeitpunkt, Lieferantenverhandlung mit Preisausblick); PRED-032 Should-Cost / Angebotskalkulation (Materialkostenanteil); DATA-024 FP&A-Copilot (Budgetpreis-Szenarien).
• Textsignale: LANG-017 Marktbeobachtung und ANOM-011 Überwachung von Lieferantenrisiken teilen sich die Pipeline aus web-scraping + llm-general, die Nachrichten in strukturierte Ereignisse verwandelt. DATA-015 Ausgabenanalyse zeigt Ihnen, welche Rohstoffe für Ihre Ausgaben wirklich zählen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen. Die Kosten sind vor allem Abonnement und Datenlizenzen (Börsen- und PRA-Daten können mehr kosten als die Prognosesoftware).
• Weg B/C: 1–3 Monate für eine erste Produktivpipeline für 3–10 Schlüsselrohstoffe, der größte Teil davon Datenintegration. Die Rechenkosten sind vernachlässigbar, Datenlizenzen und eine Data-Scientist- bzw. Engineering-Stelle jedoch nicht.
• Weg D: Quartale, mit einem eigenen Quant-/Datenteam. Lohnt sich nur im Handel oder bei großen Portfolios.
• Kennzahlen: Prognosefehler im Vergleich zu naiven Benchmarks und der Terminkurve (MAE, sMAPE, Pinball-Loss/CRPS für Quantile, Abdeckung der P10–P90-Bänder); Einkaufskennzahlen: realisierter Einkaufspreis gegenüber Marktdurchschnitt oder Referenzindex im Zeitraum, Budgetabweichung, Wirksamkeit der Absicherung; beim Strom der erzielte Wert der Flexibilität (EUR/MWh). Messen Sie immer gegen eine Baseline „gleichmäßig über die Zeit kaufen".

Menschen & Veränderung

Beziehen Sie die Geschäftsführung (Risikobereitschaft, Absicherungsrichtlinie) und die Leitung von Einkauf oder Energiemanagement als Prozessverantwortliche ein. Einkäufer sind die Anwender und müssen der Prognose vertrauen und sie hinterfragen. Die IT richtet Datenfeeds und Zugriffe ein; Recht und Compliance prüfen Datenlizenzen, Absicherungsregeln und gegebenenfalls Marktregulierung. Lieferanten und Makler sollten wissen, dass Prognosen ihre Beratung ergänzen, nicht ersetzen.

Betriebsrat: im typischen Fall nein, weil das System Marktpreise prognostiziert und keine Beschäftigten überwacht; wenn Einkaufsentscheidungen je Person zur Beurteilung protokolliert werden, könnte §87 Abs. 1 Nr. 6 BetrVG greifen, halten Sie die Protokolle daher auf Prozessebene. §90 Abs. 1 Nr. 3 BetrVG verlangt dennoch, einen bestehenden Betriebsrat frühzeitig über KI-gestützte Planung zu unterrichten.

Datenschutz: Preisdaten sind nicht personenbezogen; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird nur benötigt, wenn Kontaktdaten oder persönliche Notizen enthalten sind. Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit einer Schulung zur Prognoseunsicherheit: Preise sind teilweise unvorhersehbar, und eine Prognose ist keine Garantie (GUIDE-006). Starten Sie einen Pilot mit einem Rohstoff und einem Einkäufer und verfolgen Sie Prognose gegenüber Istwert, bevor Sie sie für Entscheidungen nutzen (GUIDE-009). Typische Sorgen: Scheingenauigkeit (zeigen Sie Spannen und Szenarien) und Schuldzuweisungen, wenn die Prognose falsch liegt (dokumentieren Sie, dass die Entscheidung beim Einkäufer bleibt). Über jeden Kauf und jede Absicherung entscheiden Menschen. Siehe GUIDE-002.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko in der typischen Form. Preisprognose ist keine Kategorie nach Anhang III und betrifft keine Praxis nach Art. 5; die Pflicht zur KI-Kompetenz nach Art. 4 gilt. Der Einsatz von Preisprognosen in Sicherheitsbauteilen kritischer Infrastruktur wäre ein anderer Fall, aber Marktprognose ist keine Sicherheitssteuerung [13].
• DSGVO: normalerweise keine personenbezogenen Daten. Die Ausnahme sind Lastdaten von Haushalts- oder KMU-Smart-Metern, die für kundenspezifische Tarifprognosen verwendet werden; sie brauchen eine Rechtsgrundlage und Datenminimierung.
• Energiemarktrecht (REMIT): Die Verordnung (EU) Nr. 1227/2011, geändert durch die Verordnung (EU) 2024/1106 (REMIT II), verbietet Insiderhandel und Marktmanipulation auf den Energiegroßhandelsmärkten. REMIT II ergänzt außerdem Pflichten für den algorithmischen Handel. Prognosesysteme dürfen keine nicht veröffentlichten Insiderinformationen verwenden, und automatisierter Handel auf Basis von Prognosen fällt unter diese Regeln [14][15].
• Finanzmarktregulierung: Die MiFID-II-Regeln zum algorithmischen Handel und die MAR gelten, wenn Prognosen den automatisierten Handel mit Finanzinstrumenten (Rohstoffderivate) steuern. DORA gilt für das IKT- und Drittparteienrisiko von Finanzunternehmen. Hedge Accounting (IFRS 9) braucht dokumentierte Absicherungsstrategien, und das Prognosemodell wird Teil dieser Dokumentation.
• Governance: eine schriftliche Einkaufs-/Absicherungsrichtlinie mit Limits, ein Prozess des Modellrisikomanagements (Validierung, Rücktests, Änderungsprotokolle) und Trennung zwischen Prognose und Ausführung. Prüfen Sie die Datenlizenzen: Viele Börsen- und PRA-Lizenzen verbieten die Weitergabe abgeleiteter Daten.
• Typische Risiken: Überzuversicht in Punktprognosen, Regimebrüche, Look-ahead-Verzerrung, Black-Box-Angebote von Anbietern und Herdenverhalten. Gegenmaßnahmen: probabilistische Ausgaben, Vergleich mit der Terminkurve, Stressszenarien, menschliche Freigabe.

Erste Schritte

1. Nutzen Sie die Ausgabenanalyse (DATA-015), um die 3–10 Rohstoffe und Energieträger zu finden, die den größten Teil Ihres Kosten- und Margenrisikos bestimmen, und halten Sie fest, wie Sie heute einkaufen (Tranchen, Festschreibung, Indexklauseln).
2. Sammeln Sie zeitpunktgenaue Historie: Ihre Einkaufspreise und -daten, die relevanten Indizes/Terminkontrakte (z. B. SMARD und ENTSO-E für Strom, LME/PRA für Metalle) und die wichtigsten Treiber.
3. Bauen Sie eine transparente Baseline (Terminkurve, saisonal naiv, LEAR/GBM) und testen Sie ein Zero-Shot-Foundation-Modell (Chronos-2 oder TimesFM 2.5) in einem Rücktest, oder probieren Sie 1–2 Anbieter aus Weg A für denselben Zeitraum aus.
4. Übersetzen Sie Prognosen in Entscheidungsregeln (z. B. eine Tranche vorziehen, wenn P50 um mehr als X über das Budget steigt), genehmigt in einer Einkaufs-/Absicherungsrichtlinie.
5. Laufen Sie 3–6 Monate im Schattenbetrieb und vergleichen Sie die realisierten Einkaufspreise mit der Baseline „gleichmäßig kaufen", bevor die Prognosen den Kaufzeitpunkt steuern dürfen.

Quellen

1. Amazon Science — Chronos forecasting (Chronos-2, Chronos-Bolt; model sizes, licence, release dates) — https://github.com/amazon-science/chronos-forecasting
2. Google Research — TimesFM (versions 2.5 and 3.0, covariates, licences, BigQuery ML) — https://github.com/google-research/timesfm
3. epftoolbox — open benchmark and toolbox for electricity price forecasting (LEAR, DNN; EPEX-BE/FR/DE, Nord Pool, PJM) — https://github.com/jeslago/epftoolbox
4. Lago, Marcjasz, De Schutter, Weron — Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark, Applied Energy 293 (2021) — https://arxiv.org/abs/2008.08004
5. NEMO Committee — SDAC 15-minute MTU go-live (1 Oct 2025) — https://www.nemo-committee.eu/sdac
6. Bundesnetzagentur — SMARD market data platform — https://www.smard.de/en
7. Salesforce AI Research — uni2ts / Moirai 2.0 — https://github.com/SalesforceAIResearch/uni2ts
8. Volue — energy market data & SpotEx price forecasts — https://www.volue.com/
9. ChAI — AI commodity price forecasting and price-risk products — https://www.chaipredict.com/
10. Nixtla — TimeGPT documentation — https://www.nixtla.io/docs
11. EEX — market data and DataSource — https://www.eex.com/en/market-data
12. Nixtla — neuralforecast (models, exogenous support, Apache-2.0) — https://github.com/Nixtla/neuralforecast
13. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
14. Regulation (EU) No 1227/2011 (REMIT) — https://eur-lex.europa.eu/eli/reg/2011/1227/oj
15. Regulation (EU) 2024/1106 (REMIT II amendment) — https://eur-lex.europa.eu/eli/reg/2024/1106/oj