Cashflow- & Liquiditätsprognose

Auch profitable Unternehmen scheitern, wenn ihnen das Geld ausgeht, doch die meisten Liquiditätsprognosen sind Tabellenkalkulationen, die wöchentlich aus Bankportalen, ERP-Exporten und E-Mails von Tochtergesellschaften zusammengebaut werden. KI-gestützte Cashflow-Prognose verbindet Bank- und ERP-Daten automatisch, kategorisiert jede Transaktion, lernt Zahlungsverhalten und saisonale Muster und erstellt rollierende 13-Wochen- und 12-Monats-Prognosen mit Bandbreiten statt einzelner Zahlen. Treasurer verbringen weniger Zeit mit dem Sammeln von Daten und mehr Zeit mit dem Handeln (Finanzierung, Anlage, Devisensicherung, Mahnwesen). Derselbe Prognose-Stack bedient auch die rollierenden GuV- und Budgetprognosen des FP&A-Teams.

Problem & Nutzen

• Wer: CFOs, Treasurer und Controller in mittelgroßen und großen Unternehmen, Inhaber und Steuerberater im Mittelstand, öffentliche Kassen (kommunale Liquiditäts- und Kassenkreditplanung) und Privathaushalte.
• Heute: Die Daten sind auf ERP, Banken, Planungssoftware und Excel verteilt. Prognosen stützen sich auf das Wissen der Abteilungen, und die Genauigkeit wird danach selten an den Istwerten gemessen. Microsoft nennt genau diese Probleme als Grund für seine ML-basierte Cashflow-Prognose in Dynamics 365 Finance [1].
• KI-Nutzen: automatisierte Datenerfassung und Transaktionskategorisierung, statistische/ML-Prognosen für die „unsicheren" Zahlungsströme (Zahlungszeitpunkt der Kunden, Karten- und E-Commerce-Eingänge, variable Kosten), Nachverfolgung von Prognose gegen Ist und Frühwarnung, wenn der Spielraum unter eine Schwelle fällt.
• Rechtlicher Treiber (DE): § 1 StaRUG verpflichtet Geschäftsleiter, Entwicklungen, die den Fortbestand des Unternehmens gefährden könnten, fortlaufend zu überwachen [2]. Drohende Zahlungsunfähigkeit nach § 18 InsO wird an einem Prognosezeitraum gemessen, der „in der Regel" 24 Monate beträgt [3]. Eine belastbare, dokumentierte Liquiditätsprognose ist daher eine Pflicht der Unternehmensführung, nicht nur eine Erleichterung.
• Berichtete Ergebnisse (vom Anbieter berichtet, nicht unabhängig geprüft): HighRadius behauptet bis zu 95 % Prognosegenauigkeit und zitiert einen nicht genannten Treasury-Kunden mit 20 % besserer Genauigkeit und einem täglichen Aufwand, der von 2 Stunden auf 15 Minuten sank [4]. TIS zitiert TomTom mit „70 % weniger Zeit für die Cashflow-Prognose" [5]. Prüfen Sie solche Aussagen immer an Ihrer eigenen Historie, denn die Definitionen von „Genauigkeit" unterscheiden sich.

Varianten

• KMU / Mittelstand: ein Cashflow-Werkzeug auf Bank-Feeds und Buchhaltungsdaten, mit einer rollierenden 13-Wochen- Prognose, Szenarien und einer Ansicht für den Steuerberater (Agicap, DATEV-basierte Werkzeuge, Banking-Apps).
• Treasury im Konzern: mandanten- und währungsübergreifende Prognose in einem Treasury-Management-System (TMS) oder im SAP Cash Management, mit In-House-Bank, Cash Pooling und Feeds zum Devisenexposure.
• Rollierende FP&A-Prognose (zusammengeführte Variante): Umsatz-, Kosten- und Budgetprognose als rollierende GuV- Prognose mit prädiktiver Planung, zum Beispiel SAP Analytics Cloud Predictive Planning, Jedox, Anaplan PlanIQ oder Board. Sie nutzt denselben Zeitreihen-Stack und bedient denselben Finanzeinkäufer. Der Planungswürfel-Workflow, Was-wäre-wenn-Modellierung in einfacher Sprache und Abweichungskommentare werden in DATA-024 und DATA-002 behandelt.
• Forderungsgetriebene Prognose: Zahlungsdatumsprognosen auf Rechnungsebene (PRED-021) werden zur Eingangszeile aggregiert. Das ist für B2B-Unternehmen meist der größte Genauigkeitsgewinn.
• Banken & Versicherer: untertägige und strukturelle Liquiditätsprognose für das Liquiditätsrisikomanagement. Dieselbe Technik unter strengerer Modellrisiko-Governance und den DORA-IKT-Regeln.
• Öffentlicher Sektor: kommunales und staatliches Kassenmanagement (Steuereinnahmen, Transfers, kurzfristige Kredite). Die makroökonomische Steueraufkommensprognose wird in PRED-047 behandelt.
• Privatnutzung: Prognose des „sicher ausgebbaren" Betrags und Erkennung wiederkehrender Zahlungen in Banking- und Budget-Apps (PERS-001).

So funktioniert es

1. Bank-Feeds (camt.053 / PSD2-API / EBICS) + ERP-Offene-Posten + Pläne
2. Transaktionen normalisieren & kategorisieren (Regeln + ML/LLM-Klassifikator je Cashflow-Kategorie)
3. Zahlungsströme aufteilen: bekannt/vertraglich (Lohn, Kredite, Steuern, offene Verbindlichkeiten/Forderungen) vs. unsicher (Neugeschäft, Karteneingänge)
4. bekannte Ströme: deterministischer Zeitplan; Forderungen: Zahlungsdatumsprognose je Rechnung (PRED-021)
5. unsichere Ströme: Zeitreihenmodelle je Kategorie/Gesellschaft/Währung (Ensemble aus Statistik + GBM + Foundation-Modell)
6. über die Hierarchie abstimmen (Kategorie
7. Gesellschaft
8. Konzern), Währungen umrechnen
9. Vorhersageintervalle, Szenarien & Stresstests
10. Prüfung durch Treasurer & manuelle Übersteuerungen (Mensch-in-der-Schleife)
11. Veröffentlichung: Dashboard, Warnungen zu Spielraum/Covenants, vom LLM geschriebener Kommentar
12. Nachverfolgung Prognose gegen Ist
13. Nachtrainieren

• Prognosemotor: Für tägliche/wöchentliche Cashflow-Kategorien sind ETS/ARIMA/Theta starke Basislinien, danach Gradient Boosting mit Kalendermerkmalen (Monatsende, Feiertage, Lohntage, Steuertermine) und zunehmend Zeitreihen-Foundation-Modelle mit Kovariaten (Chronos-2, TimesFM) ohne Training (Zero-Shot) in einem Ensemble.
• Kategorisierung: auf historischen Buchungen trainierte Klassifikatoren, mit LLM als Rückfall bei ungewöhnlichen Verwendungszwecken.
• LLM-Schicht: beantwortet Fragen wie „Warum liegt Woche 32 unter der letzten Prognose?" aus strukturierten Abweichungsdaten, entwirft das wöchentliche Liquiditätsmemo und bearbeitet Szenarioanfragen über Tools/MCP. Das LLM erzeugt die Zahlen nie selbst.
• Mensch-in-der-Schleife (Human-in-the-Loop): Treasurer genehmigen Übersteuerungen (z. B. eine bekannte große Kundenzahlung), und jede Entscheidung zu Finanzierung, Anlage oder Absicherung bleibt gemäß Treasury-Richtlinie bei Menschen.

Datenaufbereitung

Cashflow-Prognosen brauchen Buchungen und offene Posten: Forderungen und Verbindlichkeiten aus Buchhaltung oder ERP (DATEV, SAP, Lexware), Kontoauszüge (EBICS-, FinTS- oder PSD2-Feeds), Lohn- und Steuerkalender, Verträge und Leasingpläne sowie Vertriebspipeline oder Auftragsbestand. In kleinen Unternehmen liegt vieles davon in Excel, auf Papierrechnungen oder nur im System des Steuerberaters.

Typische Lücken: Banktransaktionen ohne klaren Rechnungsbezug, nicht zugeordnete Zahlungen, doppelte oder fehlende offene Posten, uneinheitliche Kundennamen, Zahlungsbedingungen als Freitext, wiederkehrende Zahlungen in Sammelbuchungen versteckt und keine Aufzeichnung des tatsächlichen Zahlungsverhaltens je Kunde.

Schritte: Bank-Feeds anbinden und offene Posten exportieren (PREP-005), Papierrechnungen digitalisieren (PREP-006) und deren Daten extrahieren (DOC-001), Zahlungen Rechnungen zuordnen, um die tatsächlichen Zahlungsdauern je Kunde abzuleiten, Kundennamen vereinheitlichen (PREP-015), Zahlungsströme mit einem einfachen Schema kategorisieren (PREP-019) und einen Rückvergleichsdatensatz vergangener Monate vorhalten (PREP-018). Werkzeuge: Bankanbindung des Cashflow-Werkzeugs, Power Query, pandas, n8n. Siehe DATA-001, DATA-002 und GUIDE-003.

Aufwand: etwa ein Drittel des Projekts. Saubere Daten der letzten 12 bis 24 Monate genügen meist; für Saisonalität braucht es mindestens zwei Jahre. Stimmen Sie die Export-Schnittstellen mit dem Steuerberater ab.

Umsetzungswege

Welcher Weg für wen

• smb: A. Ausgereifte, in der EU gehostete Cashflow-Werkzeuge (zum Beispiel Agicap) verbinden sich mit Bank und Buchhaltung und bilden Standardprozesse zu KMU-Preisen ab.
• enterprise: B. Treasury ist Kerngeschäft, ERP- und Bankdaten sind spezifisch, und Prognosen müssen ein bestehendes TMS speisen, daher binden Sie Cloud-ML oder API-Prognosen mit Ihren eigenen Daten ein.
• developer: C. Offene Prognosebibliotheken (StatsForecast, Prophet-artig, Zeitreihen-Foundation-Modelle) laufen auf HW1 mit voller Kontrolle.
• public (Kommunen, Behörden): C. Budget- und Zahlungsdaten sind sensibel, und die Vergabe bevorzugt offene Stacks in einer souveränen Cloud.
• private: A. Budget- und Finanz-Apps decken die Haushaltsliquidität ohne eigene Infrastruktur ab.

Weg A — Kaufen (Standardsoftware)

• KMU / gehobener Mittelstand: Agicap (EU, Daten in Google Cloud Belgien gehostet; rollierende 13-Wochen-Prognosen, Szenarien, Agicap AI, Claude-Konnektor) [6]; Liquiditätswerkzeuge in Buchhaltungssoftware und Bankportalen.
• Konzern-TMS mit KI-Prognose: Kyriba (Cash Management AI seit 2022, neuerer agentischer Assistent TAI) [7][8], HighRadius (AutoML über mehr als 100 Modelle) [4], TIS (DE, Walldorf; AI Cash Forecasting, AI Assistant) [5], Coupa Treasury (früher Bellin, DE), Serrala (DE, Hamburg; Cash Management und Liquiditätsplanung in SAP eingebettet) [9], Trovata (bank-API-nativ) [10], GTreasury.
• ERP-nativ: SAP S/4HANA Cash Management mit KI-basierter Liquiditätsplanung [11]; Microsoft Dynamics 365 Finance Insights Cashflow-Prognose (Zeitreihen über AI Builder, Snapshot-Was-wäre-wenn) [1].
• FP&A: SAP Analytics Cloud Predictive Planning, Jedox (DE; JedoxAI, Planning Wizards für Umsatz-, Cashflow- und rollierende Prognosen) [12], Anaplan PlanIQ, Board.
• Wählen Sie A, wenn Bankanbindung, ERP-Konnektoren und Prüfpfade die schwierigen Teile sind, was meist der Fall ist. Prüfen Sie EU-Hosting, EBICS-/camt-Unterstützung, den DATEV-/SAP-Konnektor und ob die Prognose- genauigkeit transparent gemessen wird.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Prognosedienste: Google BigQuery ML (TimesFM, einschl. TimesFM 3.0 für kommerzielle Nutzung) [13], Amazon SageMaker/AutoGluon-Cloud mit Chronos-2 [14], Azure Machine Learning AutoML Forecasting. Nutzen Sie EU-Regionen (Frankfurt, Belgien, Niederlande, Schweden).
• LLM-Schicht: ein in der EU gehostetes Frontier-Modell (Mistral, Claude, GPT oder Gemini in EU-Regionen) für Kommentar und Fragen und Antworten über eine semantische Schicht, mit Tool-Aufrufen in den Prognosespeicher.
• Daten: Bankaggregation über PSD2-AISP-Anbieter (z. B. finAPI, Tink) oder EBICS, ERP-Extraktion und ein Data Warehouse (BigQuery, Snowflake, Databricks).
• Wählen Sie B, wenn Sie ein internes Datenteam haben und Prognosen in Ihrer eigenen BI wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: Nixtla StatsForecast (AutoARIMA, AutoETS, Theta, MSTL; hohe Geschwindigkeit bei großen Stapeln) [15], MLForecast/LightGBM, AutoGluon-TimeSeries 1.6 (Ensembles aus Statistik-, Baum-, DeepAR/TFT- und Chronos- Modellen, probabilistische Ausgabe) [16], Chronos-2 (Apache-2.0, 120 Mio. Parameter, Kovariaten, multivariat) [14][17]. Die Gewichte von TimesFM 2.5 stehen unter Apache-2.0, während die Gewichte von TimesFM 3.0 nur für nicht-kommerzielle Nutzung lizenziert sind [13].
• Orchestrierung und Oberfläche: Airflow/Dagster, PostgreSQL, Superset/Metabase-Dashboards. Nutzen Sie ein kleines lokales LLM (z. B. Mistral Small, Qwen3 8–32B über vLLM/Ollama) nur für Kommentare.
• Hardware: HW1. Ein CPU-Server bewältigt tausende Cashflow-Reihen, und Chronos-2 läuft auf der CPU. HW2 wird nur benötigt, wenn die lokale LLM-Kommentarschicht auf derselben Maschine läuft.
• Betriebsaufwand: mäßig, denn die Bank-/ERP-Konnektoren, nicht die Modelle, verursachen den größten Teil der Arbeit.

Weg D — Eigenes Training

Es lohnt sich selten. Das Feintuning eines Zeitreihen-Foundation-Modells auf Ihrer eigenen langen, hochfrequenten Cashflow-Historie (z. B. tausende Reihen aus Gesellschaft, Konto und Kategorie über mehrere Jahre) kann großen Konzernen oder Banken bei der untertägigen Liquidität helfen. Die meisten Unternehmen gewinnen mehr durch bessere Daten und durch die Forderungsprognose auf Rechnungsebene (PRED-021) als durch eigene Deep-Learning-Modelle.

Stand der Technik (2026)

• Zeitreihen-Foundation-Modelle sind ausgereift. Chronos-2 (Okt. 2025) unterstützt vergangene und bekannte zukünftige Kovariaten sowie multivariate Prognosen, und seine Autoren berichten die besten Ergebnisse unter vortrainierten Modellen auf fev-bench und GIFT-Eval [17]. Google hat TimesFM 3.0 im August 2026 mit Kovariaten- Unterstützung veröffentlicht, jedoch unter einer nicht-kommerziellen Gewichtelizenz (kommerzielle Nutzung über BigQuery ML) [13].
• Hybride „direkte + indirekte" Methode: Vertragliche Ströme werden deterministisch eingeplant, Forderungen werden je Rechnung prognostiziert und Restkategorien statistisch vorhergesagt. Das schlägt in der Praxis ein reines Top-down-Reihenmodell.
• Agentisches Treasury: TMS-Anbieter liefern Assistenten, die Liquiditätspositionen abfragen, Abweichungen erklären und Berichte entwerfen (Kyriba TAI, TIS AI Assistant, Agicaps Claude-Konnektor, Jedox MCP) [5][6][8][12].
• Grenzen: Zahlungsströme sind klumpig und ereignisgetrieben (große Aufträge, M&A, Betriebsprüfungen, Insolvenz von Kunden). Modelle können Strukturbrüche nicht vorhersehen, daher sind breite Intervalle und Szenarien ehrliche Ergebnisse. Die Datenqualität (nicht kategorisierte Transaktionen, fehlende Daten von Tochtergesellschaften) ist der Hauptengpass. LLM-Erklärungen müssen auf berechneten Abweichungen beruhen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Zeitreihen-Stack (Zeitreihen + Tabular-ML, HW1): PRED-001 Bedarf, PRED-002 Absatz- prognose, PRED-008 Preisprognose, PRED-011 Arbeitslast. Ein Prognosedienst (StatsForecast/ AutoGluon/Chronos-2) kann alle bedienen.
• Vorgelagerte Daten: AGENT-023 (Zahlungszuordnung liefert saubere Forderungen), PRED-021 (Zahlungsdatumsprognose speist die Eingänge), DOC-001 (Eingangsrechnungen liefern die Ausgänge), AGENT-006 (abgestimmte Bankdaten).
• Nachgelagert: DATA-024 FP&A-Planung und Szenarien, DATA-002 Berichtstexte, DATA-001 dialogbasierte BI auf Cashflow-Daten, ANOM-006 Anomalien im Hauptbuch bei unerwarteten Abflüssen.
• Gemeinsame LLM-/Agentenschicht mit anderen Finanz-Copiloten. Gemeinsame Workflow-Automatisierung (n8n, Power Automate) für die Aufnahme von Bankdateien.

Aufwand, Kosten & Kennzahlen

• Weg A: KMU-Werkzeuge in Tagen bis Wochen. Ein Konzern-TMS braucht oft mehrere Monate, überwiegend für Bankanbindung und ERP-Zuordnung. Die Kosten richten sich nach Gesellschaften, Bankkonten und Modulen.
• Weg B/C: 2–4 Monate für eine Produktionspipeline mit internem Datenteam. Die Rechenkosten sind vernachlässigbar, Engineering und Datenbereinigung dominieren.
• Kennzahlen: Prognosegenauigkeit je Horizont (WAPE/MAPE auf dem wöchentlichen Netto-Cashflow, Bias), Intervallabdeckung, Stunden je Prognosezyklus, Anteil automatisch kategorisierter Transaktionen, ungenutzte Liquidität und Kosten kurzfristiger Kredite, vermiedene Covenant-Verletzungen, DSO (mit PRED-021).

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Abteilungsleitung (Finanzen, Controlling oder Treasury); sie verantworten Prognose und Entscheidungen. Beziehen Sie die Buchhaltung als Endnutzer und Dateneigner ein: Sie kennt ungewöhnliche Zahlungen und Kunden. Die IT oder der Steuerberater richtet Bank- und ERP-Verbindungen ein. Kunden und Lieferanten werden nicht beteiligt, doch Zahlungsbedingungen können sich dadurch ändern.

Betriebsrat: in der Regel nein. Prognosen beruhen auf Cashflows des Unternehmens, nicht auf dem Verhalten von Beschäftigten. Relevant wird er, wenn das Werkzeug Nutzeraktivitäten protokolliert (§87(1) Nr. 6 BetrVG, wie bei den meisten Softwareprodukten) oder wenn Lohndaten auf Mitarbeiterebene einfließen; informieren Sie den Betriebsrat trotzdem nach §90(1) Nr. 3, wenn sich Arbeitsabläufe ändern.

Datenschutz: Rechnungen und Zahlungen von Einzelunternehmern und Privatpersonen sind personenbezogene Daten; schließen Sie einen AVV mit dem Werkzeuganbieter und prüfen Sie die Bedingungen der Bankanbindung (GUIDE-005, GUIDE-010). Fragen Sie die/den Datenschutzbeauftragte(n); eine DSFA ist in der Regel nicht erforderlich. KI-Kompetenz: Eine kurze Schulung zu Prognosebandbreiten und Szenariodenken unterstützt die Pflichten aus Art. 4 (GUIDE-006).

Starten Sie einen Pilot mit einer Gesellschaft oder Kontogruppe für drei Monate und vergleichen Sie Prognose und Istwerte jede Woche. Typische Sorgen sind „die Prognose ist falsch" und Kontrollverlust; begegnen Sie ihnen mit transparenten Annahmen, editierbaren Szenarien und einem Menschen, der vor jeder Finanzierungsentscheidung freigibt. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Die Liquiditätsprognose von Unternehmen ist keine Anwendung nach Anhang III. Die Kredit- würdigkeitsbewertung natürlicher Personen (Anhang III 5(b)) ist ein anderer Anwendungsfall (PRED-009). Art. 4 KI-Kompetenz gilt. Assistenten im Chatbot-Stil, die mit Menschen interagieren, fallen unter die Transparenzpflicht nach Art. 50 [18].
• DSGVO: überwiegend Unternehmensdaten, doch Banktransaktionen umfassen Löhne, Einzelunternehmer und private Kunden. Pseudonymisieren Sie Gegenparteien und schließen Sie einen AVV mit dem Anbieter. Der Kontozugriff nach PSD2 erfordert einen zugelassenen AISP. Private Budget-Apps verarbeiten sensible personenbezogene Finanzdaten.
• Gesellschaftsrecht: Dokumentieren Sie Prognosemethode und Annahmen (StaRUG § 1 Überwachung, § 18 InsO 24-Monats-Horizont) [2][3]. Geschäftsleiter müssen belegen können, wie die KI-Prognose geprüft wurde.
• Finanzsektor: Banken, Versicherer und Zahlungsinstitute müssen TMS-/Prognose-SaaS als IKT- Drittdienstleister nach DORA behandeln, und Liquiditätsrisikomodelle unterliegen der aufsichtlichen Modell-Governance.
• Risiken: übermäßiges Vertrauen in Punktprognosen, stille Datenlücken und Genauigkeitsaussagen von Anbietern, die nach anderen Definitionen gemessen wurden. Gegenmaßnahmen: Intervalle, Rückvergleich, Protokolle der Übersteuerungen und eine manuelle Mindestliquiditäts- grenze.

Erste Schritte

1. Cashflow-Daten inventarisieren: Bankkonten, Anbindung (EBICS/API), ERP-Offene-Posten und wiederkehrende Verpflichtungen (Löhne, Steuern, Kredite).
2. Cashflow-Kategorien und eine rollierende 13-Wochen-Vorlage festlegen. Jetzt mit der Messung von Prognose gegen Ist beginnen, damit Sie eine Basislinie haben.
3. Ein Werkzeug nach Weg A pilotieren (Agicap für KMU, ein SAP-integriertes TMS für Konzerne) oder ein StatsForecast-/ Chronos-2-Notebook auf 2–3 Jahren kategorisierter Bankhistorie.
4. Die Forderungsprognose auf Rechnungsebene (PRED-021) für die Eingangsseite ergänzen, dazu Szenarien und Warnungen zum Spielraum.
5. Methode, Übersteuerungen und Prüfung in der Treasury-Richtlinie dokumentieren. Dann auf den 12/24-Monats- Horizont und die rollierende FP&A-Prognose ausweiten.

Quellen

1. Microsoft Learn — Cash forecast (Finance insights, Dynamics 365 Finance) — https://learn.microsoft.com/en-us/dynamics365/finance/finance-insights/cash-flow-forecast-intro
2. § 1 StaRUG (crisis early detection) — https://www.gesetze-im-internet.de/starug/__1.html
3. § 18 InsO (imminent illiquidity, 24-month forecast period) — https://www.gesetze-im-internet.de/inso/__18.html
4. HighRadius — Cash forecasting software — https://www.highradius.com/product/cash-forecasting-software/
5. TIS (Treasury Intelligence Solutions) — AI Cash Forecasting — https://tispayments.com/
6. Agicap — cash flow management for SMBs and mid-market — https://agicap.com/en/
7. Treasury Management International — Kyriba launches AI-driven cash management (2022) — https://treasury-management.com/news/kyriba-launches-ai-driven-cash-management
8. Kognitos — Top AI cash-flow forecasting tools for treasury 2026 (industry overview, vendor claims) — https://www.kognitos.com/blog/top-ai-cash-flow-forecasting-tools-treasury-2026/
9. Serrala — finance automation & SAP-embedded cash management — https://www.serrala.com/
10. Trovata — bank connectivity and cash forecasting — https://www.trovata.io/
11. SAP — SAP S/4HANA Cloud for cash management — https://www.sap.com/uk/products/financial-management/cash-management.html
12. Jedox — AI planning platform — https://www.jedox.com/en/platform/ai/
13. Google Research — TimesFM repository (versions, licences, BigQuery ML) — https://github.com/google-research/timesfm
14. Hugging Face — amazon/chronos-2 model card — https://huggingface.co/amazon/chronos-2
15. Nixtla — StatsForecast documentation — https://nixtlaverse.nixtla.io/statsforecast/index.html
16. AutoGluon — Time series forecasting docs — https://auto.gluon.ai/stable/tutorials/timeseries/index.html
17. Amazon Science — chronos-forecasting repository (Chronos-2, benchmarks) — https://github.com/amazon-science/chronos-forecasting
18. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj