KI-Wahrscheinlichkeits-Engine

Predites KI-Wahrscheinlichkeits-Engine ist das Gehirn hinter dem Scanner. Sie schätzt die tatsächlichen Ereigniswahrscheinlichkeiten für Prediction-Market-Kontrakte, die anschließend mit den Marktpreisen verglichen werden, um Edge zu identifizieren. Dieses Dokument erklärt, wie sie funktioniert, worin sie gut ist und worin nicht.

Der Konsens-Ansatz mit 3 Modellen

Wir verlassen uns nicht auf ein einzelnes KI-Modell. Stattdessen laufen drei unabhängige Schätzmethoden, deren Ergebnisse zu einer finalen Wahrscheinlichkeit gewichtet werden:

Das ist der gesamte Input. Keine Nachricht, keine Umfrage, kein externer Feed wird abgerufen oder angehängt — das Modell denkt aus der Frage und den eigenen Zahlen des Marktes heraus, plus dem, was es ohnehin weiß. Betrachte es als gut belesene Zweitmeinung zu Formulierung und Preis, nicht als jemanden, der die heutigen Schlagzeilen gelesen hat.

Dieses Modell läuft nur, wenn ein LLM-Key konfiguriert ist. Fehlt er, wird es übersprungen und die anderen beiden werden auf 60/40 umgewichtet — gut zu wissen, denn das ändert die Bedeutung der Zahl.

Output: Wahrscheinlichkeitsschätzung mit strukturierter Begründung.

Nur der letzte Punkt hat eine Richtung. Die ersten drei legen fest, *wie weit* sich die Schätzung bewegen darf; der Favorite-Longshot-Term entscheidet, *wohin*. Bei einem Markt zwischen etwa 30% und 70%, wo dieser Bias nicht greift, gibt dieses Modell den Marktpreis zurück und steuert keinen Edge bei — absichtlich, denn keiner seiner Inputs kann dort YES von NO unterscheiden.

Output: numerische Schätzung ohne natürlichsprachliche Begründung.

Modell 3: Marktmikrostruktur (Gewicht 20%, 40% ohne LLM) Dieses schaut auf die Form der Quote, nicht auf das Thema. Es nutzt drei Inputs: den impliziten Spread zwischen YES- und NO-Preis, das gehandelte Volumen und die Stunden bis zur Auflösung. Ein weiter Spread schiebt die Schätzung vom Marktpreis weg; hohes Volumen (über $5M) verkleinert diesen Schub, weil ein belebter Markt als effizient gilt; dünnes Volumen (unter $50k) vergrößert ihn; und in den letzten 24 Stunden wird die gesamte Anpassung gedämpft, weil kaum noch Zeit für eine Neubewertung bleibt. Eine Tabelle historischer Basisraten gibt es in dieser Engine nirgends.

Warum drei Modelle und nicht eines

Jedes Modell hat bekannte Fehlermodi:

Durch ihre Kombination heben sich Fehler tendenziell gegenseitig auf. Die finale Schätzung ist robuster als jedes einzelne Modell.

Kalibrierung

Eine Wahrscheinlichkeitsschätzung von "70 % wahrscheinlich" sollte bedeuten, dass das Ereignis über viele solcher Vorhersagen hinweg tatsächlich in 70 % der Fälle eintritt. Das nennt man Kalibrierung.

Eine Einteilung in 5%-Wahrscheinlichkeitsbänder gibt es heute nicht, deshalb können wir dir noch keine Kurve von vorhergesagt gegen tatsächlich über den gesamten Bereich zeigen.

Die Kalibrierung wird periodisch in unserem Blog veröffentlicht. Sie ist das ehrlichste Maß für die Genauigkeit der KI.

Worin die KI gut ist

Etablierte Ereignistypen: Wahlen, Sport, Wirtschaftsindikatoren. Die KI verfügt über reichlich Trainingsdaten und klare Muster.

Märkte mit öffentlichen Informationen: nachrichtengetriebene Ergebnisse, bei denen die relevanten Daten frei verfügbar sind.

Quantitative Fragestellungen: "Wird X bis zum Datum Z den Wert Y überschreiten" mit klaren Schwellenwerten.

Aggregierte Argumentation: das Zusammenführen mehrerer Quellen zu einer einzigen Schätzung.

Womit die KI Schwierigkeiten hat

Insidergetriebene Märkte: Governance-Abstimmungen, M&A-Spekulationen, regulatorische Entscheidungen. Menschen mit privaten Informationen haben einen Edge, den die KI nicht replizieren kann.

Kulturelle Ereignisse: Oscars, Viralitätsvorhersagen, Mode. Die KI verfügt über keine guten Modelle für Geschmack.

Brandaktuelle Eilmeldungen: Trainingsdaten haben eine Verzögerung. Wichtige Ereignisse der letzten 24 Stunden sind möglicherweise nicht abgebildet.

Long-Tail-Ergebnisse: seltene Ereignisse ohne historischen Präzedenzfall.

Manipulationsanfällige Märkte: volumenschwache Märkte, in denen ein einzelner Trader den Preis bewegen kann.

Begegnen Sie KI-Schätzungen in diesen Kategorien mit Skepsis und verlassen Sie sich stärker auf Ihr eigenes Fachwissen.

So funktioniert die Nachrichtenintegration

Diese werden bei der Analyse zugehöriger Märkte in das Kontextfenster der KI eingespeist. Wenn es also ein wichtiges Nachrichtenereignis gibt, das einen Markt betrifft, spiegelt die Analyse der KI dies wider.

Einschränkung: Die Nachrichtenintegration hat Grenzen. Wir können nicht jede Nachrichtenquelle abdecken. Wir können keine Inhalte hinter Bezahlschranken lesen. Wir können keine Storys vorhersehen, die noch nicht veröffentlicht wurden.

So wird die KI-Konfidenz berechnet

Der Confidence-Score (0-100%) ist der gewichtete Durchschnitt der Confidence, die jedes Modell über sich selbst meldet — mit denselben Gewichten 50/30/20 wie bei der Wahrscheinlichkeit. Das hat eine Konsequenz, die man verinnerlichen sollte: Es gibt keinen Übereinstimmungsterm. Drei Modelle, die sich glatt widersprechen, erzeugen exakt dieselbe Schlagzeilen-Confidence wie drei, die übereinstimmen — solange jedes für sich sicher ist. Hohe Confidence heißt „jedes Modell war sich sicher", nicht „die Modelle sind konvergiert".

Was die Confidence der einzelnen Modelle bewegt: bei der Heuristik die Größe des gefundenen Edge; beim Mikrostruktur-Modell ein weiter Spread, hohes Volumen oder die Nähe zur Auflösung. Der Abstand zu 50% ist bei keinem ein Input.

Eine Schätzung mit 90 % Konfidenz ist tatsächlich zuverlässiger als eine mit 50 % Konfidenz. Vertrauen Sie der Konfidenzmetrik – sie ist kein Marketing-Geschwätz.

Häufige Fehler von Nutzern

Blindes Vertrauen in KI-Schätzungen: Die KI liegt manchmal falsch. Erhebliche Verluste entstehen durch zu selbstbewusste Positionsgrößen auf Basis von KI-Signalen.

Konfidenz ignorieren: Ein Edge von 10 Prozentpunkten bei 40 % Konfidenz ist schlechter als ein Edge von 5 Prozentpunkten bei 90 % Konfidenz. Berücksichtigen Sie beides.

Jedes Signal handeln: Die KI zeigt Hunderte kleiner Edges. Die meisten sind die Reibungskosten nicht wert. Filtern Sie als Ausgangsbasis nach >5 Prozentpunkten Edge + >70 % Konfidenz.

Sich an der Zahl der KI verankern: Wenn die KI 70 % sagt und der Markt bei 60 % liegt, besteht Ihre Aufgabe darin, zu beurteilen, OB die KI näher an der Wahrheit liegt als der Markt. Übernehmen Sie die KI-Schätzung nicht einfach als Ihre eigene Einschätzung.

Verbesserung der KI

Wichtige Änderungen werden in unserem Changelog angekündigt. Wenn Ihnen systematische KI-Fehler in bestimmten Marktkategorien auffallen, melden Sie diese über das In-App-Feedback (es geht tatsächlich an einen Menschen und wir lesen es).

Anwendungsfälle nach Plan

Starter-Plan: KI-Schätzungen im Scanner, nur lesend — sieh dir Signale an und lerne die Plattform kennen. Die Abdeckung der Handelsplätze hängt nicht am Plan: Der Scan jedes Plans holt und analysiert Polymarket *und* Kalshi, und die Chips POLY/KLSH filtern nur, was ohnehin schon da ist.

Pro-Plan: KI-Schätzungen über Polymarket und Kalshi hinweg. Plus Arbitrage-Signale (die KI vergleicht Preise plattformübergreifend).

Bot-Plan: KI-Schätzungen fließen in automatisierte Bot-Strategien. Die Vorlage EV Follower nutzt sie direkt.

Ehrliche Grenzen

Das steht im Einklang mit der grundlegenden Wahrheit: Prediction Markets sind überwiegend effizient, und ein informationeller Edge ist im Zeitalter der KI real, aber moderat. Wir versprechen keine 30 % monatliche Rendite. Wir stellen Werkzeuge bereit, um über Jahre hinweg konsistent einen moderaten Edge herauszuholen.

Verwandte Dokumente