Zwei Traditionen in der Prognostik: Märkte vs. Maschinelles Lernen

Die Prognostik hat sich entlang zweier leistungsstarker Pfade entwickelt: Prognosemärkte, die menschliche Überzeugungen in Echtzeit aggregieren, und statistische Modelle, die aus historischen Daten lernen. Die nächste große Herausforderung besteht nicht darin, sich für das eine oder das andere zu entscheiden, sondern beide zu einem stärkeren Entscheidungssystem zu kombinieren.

Es gibt zwei sehr unterschiedliche Traditionen in der Prognostik.

1) Die Markttradition: Preise als Wahrscheinlichkeit

Eine stammt von den Märkten. In einem Prognosemarkt bewegen sich die Preise, wenn Menschen Geld auf ihre Überzeugungen setzen. Wenn ein Kontrakt bei 0,63 gehandelt wird, sagt die Masse damit effektiv aus, dass die Wahrscheinlichkeit für dieses Ergebnis bei 63 % liegt.

Die Idee ist nicht neu. Bereits im 19. Jahrhundert wetteten Amerikaner massiv auf Wahlausgänge – teils mit höherer Liquidität als bei frühen Meinungsumfragen. Ende der 1980er Jahre zeigten die Iowa Electronic Markets, dass kleine, gut strukturierte Märkte traditionelle Umfragen übertreffen konnten. In jüngerer Zeit haben Plattformen wie Polymarket das Modell durch Online-Handel in Echtzeit globalisiert.

In mehreren jüngeren Fällen waren diese Märkte bemerkenswert präzise. Während der US-Wahl 2020 passten sich Prognosemärkte schneller an sich ändernde Wahrscheinlichkeiten an als viele öffentliche Umfragen. Im Jahr 2022 preisten die Märkte die Wahrscheinlichkeit großer Zinserhöhungen der Zentralbanken weit vor den offiziellen Ankündigungen ein. Im Jahr 2024 reagierten kryptobasierte Märkte innerhalb von Minuten auf Gerüchte über politische Rückzüge und Signale von Unternehmensereignissen und näherten sich dem tatsächlichen Ergebnis oft noch vor den Mainstream-Kommentaren an. In schnelllebigen, informationssensiblen Umgebungen bezogen die Preise neue Signale fast augenblicklich ein.

2) Die Data-Science-Tradition: Modelle als Muster-Extraktoren

Die andere Tradition stammt aus der Statistik und dem maschinellen Lernen. Hier werden Prognosen auf Basis historischer Daten erstellt: Zeitreihenmodelle, Regression, Gradient Boosting und neuronale Netze. Anstatt Menschen nach ihren Überzeugungen zu fragen, extrahiert das Modell Muster aus dem, was bereits geschehen ist.

Märkte glänzen tendenziell dann, wenn Informationen über viele Individuen verstreut sind und wenn die Fragestellung binär oder ereignisgesteuert ist. Data Science ist dort überlegen, wo es eine tiefe historische Struktur gibt, aus der man lernen kann – etwa bei Umsatz, Nachfrage und operativen Kennzahlen.

Kein Ersatz – sondern Ergänzung

Sie sind kein Ersatz füreinander.

Die eine aggregiert menschliche Informationen in Echtzeit. Die andere extrahiert statistische Regelmäßigkeiten aus Daten.

Die interessante Herausforderung besteht nicht darin, zwischen ihnen zu wählen, sondern beide Signale in einem einzigen Prognosesystem zu kombinieren.

Bitte beachten Sie, dass die deutsche Version von Ai unterstützt wird und daher geringfügige Fehler auftreten können.

AUTOR

Über ABN Asia: Ai Base Network (ABN), ABN Asia wurde im Jahr 2012 gegründet und ist ein Unternehmen mit akademischem Hintergrund, das von Lehrkräften und ehemaligen Studierenden aus Ungarn, den Niederlanden, Russland, Deutschland und Japan gegründet wurde. Wir teilen eine gemeinsame Leidenschaft und eine klare Vision für Technologie, die Innovation und erstklassige Qualität für unsere Kunden bringt. Unser Motto lautet: Besser. Schneller. Sicherer. In vielen Fällen: Günstiger.

Zögern Sie nicht, uns zu kontaktieren, wenn Sie IT-Dienstleistungen, digitale Beratung, Standardsoftwarelösungen benötigen oder uns Angebotsanfragen (RFPs) senden möchten. Sie können uns unter [email protected] kontaktieren. Wir sind bereit, Ihnen bei all Ihren Technologiebedürfnissen zu helfen.