Wie hochpräzise Rohstoffprognosen entstehen: Vespers Methodik im Detail

Einkaufsteams, die Terminkontrakte für Agrarrohstoffe wie Butter, Molkenprotein, Zucker oder Pflanzenöl dimensionieren, stellen an eine Prognose, für die sie Budget binden sollen, meist zwei Fragen: Wie wurde sie erstellt, und wie genau ist sie bei genau dem Rohstoff, den ich tatsächlich einkaufe?

Die meisten Prognosewerkzeuge beantworten die erste Frage vage und die zweite mit einer einzigen Schlagzeilenzahl. Vesper beantwortet beide. Dieser Artikel beginnt mit den Genauigkeitswerten, die Vesper über die gesamte Rohstoffpreisabdeckung veröffentlicht, erläutert, was diese Werte von den Alternativen unterscheidet, die die meisten Einkaufsteams geprüft haben, und zeigt am Beispiel von US-Butter, wie sich eine einzelne Prognose auf dem Bildschirm lesen lässt.

Vespers Prognosegenauigkeit über 4.000+ Preisreihen

Vesper veröffentlicht die plattformweite Genauigkeit über mehr als 4.000 Rohstoffpreisreihen, gemessen über die Prognosen der vergangenen zwei Jahre. Über alle von Vesper abgedeckten Kategorien hinweg, von hochliquiden Märkten wie CME-Käse, MATIF-Weizen und Milch der Klasse III bis zu dünn gehandelten Spezialproteinen, EUDR-konformen Palmfraktionen und regionalen Zucker-Benchmarks, ergeben sich die folgenden Kennzahlen.

Leistung der Vesper-Preisprognose, gemessen als 1 − MAPE über 4.000+ Preisreihen der vergangenen zwei Jahre.

Hinter diesen Werten steht der mittlere absolute prozentuale Fehler (MAPE), der in die Genauigkeitskennzahl umgerechnet wird. Die Mechanik ist einfach: Liegt eine Prognose einen Monat im Voraus im Januar 3 % daneben, im Februar 4 % und im März 2 %, beträgt der durchschnittliche Fehler 3 %, das Modell wird also mit 97 % Genauigkeit ausgewiesen. Dieselbe Definition gilt für jede Reihe und jeden Horizont, und genau das macht die Zahl vergleichbar.

Zwei Muster in der Tabelle sind hervorzuheben.

Die Genauigkeitskurve fällt sauber ab, je weiter der Horizont reicht. Der Rückgang um 12 Prozentpunkte von 97 % bei einem Monat auf 85 % bei zwölf Monaten ist das, was ein ehrliches Prognosemodell liefert. Je weiter das Modell vorausschauen soll, desto härter wird der Test.

Und die Werte sind Durchschnitte über Tausende von Reihen, nicht über einen einzelnen handverlesenen Rohstoff. Eine hohe Genauigkeitsaussage für einen ruhigen Markt über wenige Monate lässt sich leicht herstellen; ein veröffentlichter Wert, gemittelt über 4.000+ Reihen und zwei Jahre, ist ein ganz anderer Test.

Drei Ebenen der Prognose, und wo Vesper steht

Rohstoffpreise zu prognostizieren ist keine neue Disziplin. Die Methoden, die Einkaufsteams kennen, liegen auf einem Spektrum, auf dem KI-Prognosen aufbauen, statt es zu ersetzen.

Die drei Ebenen der Rohstoffprognose. Vespers KI-Ebene baut auf den darunterliegenden Methoden auf und verstärkt sie.

Die einfachste Ebene arbeitet nur mit Fundamentaldaten: Angebots- und Nachfragebilanzen, Inflationsraten, Energie- und Ölpreise, Wechselkurse, Wetter. Das ist der Standard am Analystentisch, und wer diszipliniert vorgeht, kommt damit weit.

Eine fortgeschrittenere Ebene legt technische Indikatoren darüber: RSI, Bollinger-Bänder, MACD, gleitende Durchschnitte, stochastische Oszillatoren, entlehnt aus den Finanzmärkten und auf Rohstoffreihen angewandt. Beide Ebenen lassen sich von Menschen mit Tabellenkalkulation und Sorgfalt umsetzen.

KI-Prognosen setzen dort an, wo der menschengeführte Ansatz endet. Sie umfassen alles, was Fundamentaldaten und technische Indikatoren liefern, und fügen drei Dinge hinzu, die ein manueller Prozess nicht erreicht: rohstoffübergreifende Korrelationen über Tausende verwandter und nicht verwandter Reihen, maschinell abgeleitete Muster innerhalb dieser Korrelationen und „erlernte“ Indikatoren, die das Modell selbst identifiziert, also Beziehungen zwischen Variablen, die kein Regelwerk markiert hätte. Auf dieser Ebene arbeiten Vespers Prognosen.

Ältere Methoden sind nicht falsch, sie sind die Grundlage. KI baut darauf auf und verstärkt sie, und der Genauigkeitsgewinn ist genau das, was zu erwarten ist, wenn jede Ebene neue Information beisteuert.

Was Vespers Prognosen auszeichnet

Auf der KI-Ebene zu arbeiten ist der eine Teil der Geschichte. Die Entscheidungen, die aus dieser Fähigkeit eine Genauigkeit machen, die Einkaufsteams vertreten können, sind der andere. Die folgenden Punkte sind das, wonach Sie jeden Prognoseanbieter fragen sollten, und die Antworten, die Vesper offenlegt:

•       Genauigkeit über mehrere Horizonte wird veröffentlicht, nicht vermischt. MAPE für einen, drei, sechs, neun und zwölf Monate wird für jede Reihe getrennt ausgewiesen, samt sichtbarem Abfall über die Horizonte hinweg. Ein pauschaler oder dynamisch angegebener Genauigkeitswert verdeckt genau den Horizont, der den Einkäufer interessiert; die Offenlegung je Horizont macht die Frage beantwortbar.

•       Prognosen aktualisieren sich automatisch, rund um die Uhr. Sobald ein neuer Datenpunkt eintrifft, ein USDA-Bericht, ein frischer Vesper-Preistick, eine aktualisierte Angebots- und Nachfragebilanz, wird die Kurve neu berechnet. Es gibt keine Analysteneingriffe, auf die man warten müsste, und kein Risiko, dass die Prognose einem wichtigen Marktereignis hinterherläuft.

•       Jede Prognose läuft auf ihren eigenen Fundamentaldaten, plus denen verwandter Produkte. Manche Prognoseansätze hängen ein abgeleitetes Produkt an einen „Mutterrohstoff“, bepreisen Molkenprotein etwa über Käse. Vesper baut die Proteinkurve aus Proteinfundamentaldaten und den Käsefundamentaldaten, die die Molkenverfügbarkeit steuern. Beide Ebenen werden gewichtet; keine ist eine Abkürzung für die andere.

•       Stichproben im Produkt, auf dem Horizont, der Sie interessiert. Fahren Sie über einen beliebigen historischen Punkt im Chart und lesen Sie das Paar aus Prognose und tatsächlichem Wert ab. Dasselbe Genauigkeitspanel schaltet zwischen historischer 1-, 3-, 6- und 12-Monats-Genauigkeit für genau diesen Rohstoff um, sodass der Einkäufer sieht, wie sich das Modell in dem Zeitraum schlägt, der zur Entscheidung passt. Das ist deshalb wichtig, weil die meisten modernen Prognosen (auch die von Vesper) dynamisch sind: Sie passen sich täglich an neue Daten an, und genau das hält sie scharf. Ein einzelner Genauigkeitswert ohne Horizont sagt nichts darüber aus, wie weit im Voraus die Prognose erstellt wurde. Eine Vorhersage, die einen Tag vor dem realisierten Preis abgegeben wird, weist fast unabhängig vom Können eine hohe Genauigkeit aus. Erst der Horizontschalter macht die Zahl aussagekräftig.

•       KI- und Analystensicht werden bewusst getrennt. Die Prognosekurve entsteht ausschließlich aus Daten. Vesper-Analysten veröffentlichen daneben schriftliche Marktberichte, ihre Einschätzungen fließen aber nie in die Kurve ein. Wo KI und Analyst übereinstimmen, ist die Überzeugung hoch; wo sie auseinandergehen, ist das ein Signal, genauer hinzusehen. Und meist zählt die Richtung am meisten: Selbst wenn eine Prognose beim Preis nicht punktgenau ist, sagt die richtige Richtung, aufwärts oder abwärts, dem Einkäufer, ob er einen Kauf aufschieben oder jetzt handeln sollte. KI und Analyst stimmen bei der Richtung fast immer überein, und dort liegen die meisten Einkaufsentscheidungen tatsächlich.

•       Eigenentwickelte KI, aufgebaut lange bevor ChatGPT ein Begriff war. Vespers Prognosemodelle werden im eigenen Haus von einem Team in Amsterdam entwickelt, einem der KI-Zentren Europas. Die Architektur wird seit deutlich vor dem aktuellen KI-Boom weiterentwickelt, und das institutionelle Wissen zeigt sich darin, wie die Modelle rohstoffspezifische Sonderfälle behandeln und wie schnell neue Ansätze produktiv getestet werden können.

Wie Sie eine Vesper-Prognose lesen: US-Butter als durchgespieltes Beispiel

Die plattformweiten Zahlen sind die Schlagzeile. Damit sie greifbar werden, hier, wie eine einzelne Prognose auf dem Bildschirm aussieht und wie sie sich in der Praxis lesen lässt. Das folgende Beispiel ist US-Butter, verankert am Vesper Price Index (VPI) auf EXW-Basis, in USD je Pfund.

Prognose-Widget für US-Butter, historische Vorhersagen, sechsmonatige Forward-Kurve und 94 % historische Ein-Monats-Genauigkeit für genau diese Reihe.

Im Chart sind vier Dinge zu lesen.

Die durchgezogene Linie ist der historische Preis, zwölf Monate zurück. Die gestrichelte Linie setzt dort an, wo die historische Reihe endet, und projiziert den Preis sechs Monate voraus. Das schattierte Band um die gestrichelte Linie ist das Konfidenzband, also die Spanne, die das Modell an jedem Punkt der Prognose für plausibel hält. Je schmaler das Band, desto sicherer das Modell. Rechts vom Chart liegt das Genauigkeitspanel je Reihe: 94 % bei einem Monat, 83 % bei drei Monaten, 77 % bei sechs Monaten für genau diesen Rohstoff, mit einem Horizontschalter, damit der Einkäufer den Zeitraum wählen kann, der zur anstehenden Entscheidung passt.

Das Erste, was man mit jeder neuen Prognose tun sollte, ist eine Plausibilitätsprüfung. Fahren Sie über einen beliebigen Punkt der historischen Linie, und ein Tooltip zeigt zwei Zahlen nebeneinander: den tatsächlichen Preis an diesem Datum und den Wert, den das Modell einen Monat zuvor dafür prognostiziert hatte. Drei Beispiele bei US-Butter:

•       18. Juni 2025 - tatsächlich: 2,54 USD/lb. Prognose einen Monat im Voraus: 2,43 USD/lb. Abweichung: 4,5 %.

•       29. Oktober 2025 - tatsächlich: 1,58 USD/lb. Prognose einen Monat im Voraus: 1,59 USD/lb. Abweichung: 0,8 %.

•       18. März 2026 - tatsächlich: 1,88 USD/lb. Prognose einen Monat im Voraus: 1,73 USD/lb. Abweichung: 8,1 %.

Alle drei trafen die Richtung. Zwei lagen innerhalb des durchschnittlichen Ein-Monats-Fehlerbands des Modells; die dritte lag weiter daneben, während einer schärferen Bewegung in der Reihe. So sieht Genauigkeit in der Praxis aus, und die Tooltips machen jede vergangene Vorhersage der Reihe auf dieselbe Weise überprüfbar. Der Sinn dieser Übung ist nicht, eine einzelne Zahl zu bestätigen, sondern ein Gefühl dafür zu entwickeln, wie das Modell den betreffenden Rohstoff bisher behandelt hat, bevor Budget an seine Forward-Kurve gebunden wird.

Beachten Sie außerdem, dass die Werte je Reihe (94/83/77 für Butter) unter den plattformweiten Durchschnitten liegen (97/94/91/88/85). Butter ist volatiler als der durchschnittliche Rohstoff in Vespers Abdeckung, und das Modell wird hier härter geprüft als bei einer stabileren Reihe. Der Abstand ist informativ, nichts, was man verbergen müsste.

Hinter der Kurve: die vier Eingabeebenen

Nach dem Training nutzt Vespers Modell vier Kategorien von Eingaben. Für US-Butter sehen diese Ebenen so aus.

Preismuster. Ausgangspunkt ist die Reihe selbst plus benachbarte Produkte, die sich mit ihr bewegen. Für US-Butter heißt das: CME-Klasse-III-Milch, US-Rahmpreise, EU-Butter (EEX) und Butterreinfett fließen in dieselbe Kurve ein. Butter wird nicht isoliert gehandelt, und das Modell greift die Querbeziehungen auf.

Marktfundamentaldaten. USDA-Berichte zu Milchprodukten und Kühlhausbeständen, USDA NASS Milk Production, USDA-FAS-Exportdaten, Zahlen der EU-Milchmarktbeobachtungsstelle und DCANZ-Daten aus Neuseeland, denn das globale Angebot wirkt auf die US-Exportpreise. Futterkosten aus CBOT-Mais, Sojaschrot und DDGS fließen ebenfalls ein, weil sie die Marge der Milcherzeugung prägen, die das Milchangebot prägt, das wiederum die Butterverfügbarkeit nachgelagert prägt.

Technische Indikatoren. Klassische Signale, angewandt auf die Butterreihe: MACD, gleitende Durchschnitte, RSI, Bollinger-Bänder, stochastische Oszillatoren, direkt in der Plattform ablesbar und zugleich in das Prognosemodell eingespeist.

Makro- und Konjunkturindikatoren. Der US-Dollar-Index (Exportwettbewerbsfähigkeit für US-Milchprodukte), Energie- und Frachtkosten (Inputs für Produktion und Logistik) sowie makroökonomische Nachfragesignale aus Einzelhandels- und Foodservice-Kategorien. Wo Vesper Partnerdaten hat, Upply für Fracht, IBISWorld für Branchenkosten, fließen sie hier ein.

Das Modell gewichtet alle vier Ebenen gemeinsam. Kein einzelner Input bestimmt die Kurve.

Die technische Ebene neben der KI-Kurve lesen

Weil Vesper die technische Ebene direkt in der Plattform offenlegt, kann ein Einkäufer dieselben Signale lesen wie das Modell.

Technische Analyse für US-Butter: Kursverlauf gegenüber gleitenden Durchschnitten, MACD-Momentum und RSI.

Zum 29. April 2026 liest sich die technische Ebene für US-Butter wie folgt. Der Preis liegt bei 1,70 USD/lb und damit über dem gleitenden 100-Tage-Durchschnitt (1,63 USD) und dem 150-Tage-Durchschnitt (1,61 USD), ein bullisches strukturelles Setup. Der MACD ist bullisch mit positivem Momentum: Das Histogramm ist von roten Balken (Sep. 2025 bis Jan. 2026) zu blauen Balken gekippt, die sich seit Februar aufbauen, auch wenn Linie, Signal und Histogramm alle nahe null liegen. Der RSI steht bei 47,7, also neutral, mit reichlich Luft bis zur überkauften Schwelle von 70. Die prozentualen Bewegungen erzählen dieselbe Geschichte aus anderem Blickwinkel: im Jahresvergleich ‒28,31 % (der lange Abwärtstrend), im Quartalsvergleich +13,13 % (die Erholung von den Tiefs des ersten Quartals), im Monatsvergleich ‒6,39 % und im Wochenvergleich ‒0,88 % (eine leichte Abkühlung in diesem Monat).

Zusammen gelesen beschreiben diese Signale einen Markt, der im ersten Quartal seinen Boden gefunden hat, bis in den März kräftig gestiegen ist und nun oberhalb seines mittelfristigen Trends konsolidiert, weder in Schwierigkeiten noch überdehnt. Genau dieses Bild zeichnet auch die KI-Prognosekurve: ein sanftes Aufwärtsdriften über die kommenden sechs Monate.

Die Kurve für eine Kaufentscheidung lesen

Zwei Teile des Charts zählen am meisten, wenn ein Einkäufer eine Terminbindung dimensioniert: das Konfidenzband um die gestrichelte Prognoselinie und die Tooltips mit den historischen Vorhersagen auf der vergangenen Linie.

Im Konfidenzband liegt die eigentliche Kaufentscheidung. Ein schmales Band früh im Prognosehorizont, das weiter draußen breiter wird, ist die normale Form: Das Modell ist sich über den nächsten Monat sicherer als über das dritte Quartal des Folgejahres, und das sollte es auch sein. Wird das Band ungewöhnlich schnell breiter, signalisiert das Modell, dass die Eingaben widersprüchliche Botschaften senden und der Einkäufer in den kommenden Prognosen mit mehr Revisionen rechnen sollte. Bleibt das Band ungewöhnlich schmal, sind die Eingaben im Einklang und die Überzeugung ist hoch. Wer eine Terminbindung für das dritte Quartal eingeht, wettet nicht darauf, dass der Preis exakt auf der gestrichelten Mittellinie landet, sondern dimensioniert die Deckung gegen die Spanne, die das Band beschreibt.

Die Tooltips mit den historischen Vorhersagen sind es, die dem Band seine Glaubwürdigkeit überhaupt erst verschaffen. Greifen Sie sich ein paar Monate aus den letzten zwei Jahren bei dem Rohstoff heraus, den Sie tatsächlich einkaufen. Fahren Sie über die Linie. Lesen Sie das Paar aus Prognose und tatsächlichem Wert. Hat das Modell die Reihe gut nachgezeichnet, folgt die Überzeugung, auf die Forward-Kurve hin zu handeln, von selbst. Hat es das nicht, sagt Ihnen der Tooltip auch das, bevor Budget gebunden wird.

Was daraus folgt

Bei einer belastbaren Rohstoffprognose greifen einige Dinge ineinander: eine Modellarchitektur, die über Tausende von Reihen generalisieren kann, ein transparenter Aufbau der Eingangsdaten, der auf bekannte Datenquellen zurückführt, Genauigkeitswerte je Horizont, die sich am konkret vorliegenden Rohstoff überprüfen lassen, und die Disziplin, KI- und Analystensicht getrennt zu halten, damit jede für sich bewertet werden kann.

So entstehen Vespers Prognosen. Die Methodik steht auf dem Bildschirm, die Genauigkeit steht auf dem Bildschirm, und die Daten dahinter führen auf dieselben Primärquellen zurück, denen Einkaufsteams ohnehin vertrauen. Wählen Sie einen Rohstoff, fahren Sie über die Linie, und urteilen Sie selbst.

FAQ: Rohstoffpreisprognosen mit Vesper

Wie genau sind Vespers Prognosen bei genau dem Rohstoff, den ich einkaufe? Die Genauigkeit wird je Rohstoff und je Prognosehorizont in der Plattform veröffentlicht. Sie können die historische Genauigkeit über einen, drei, sechs und zwölf Monate für genau die Reihe einsehen, die Sie einkaufen, statt sich auf einen vermischten Durchschnitt zu verlassen.

Wie weit im Voraus sollte ich mich bei Kaufentscheidungen auf eine Prognose verlassen? Kürzere Horizonte sind in der Regel genauer, was sich in den Daten widerspiegelt. Die meisten Einkaufsentscheidungen liegen im Fenster von einem bis sechs Monaten, wo die Genauigkeit am höchsten und das Konfidenzband enger ist.

Stützt sich das Modell stärker auf Fundamentaldaten oder auf technische Indikatoren? Beides fließt ein, daneben Makrodaten und rohstoffübergreifende Beziehungen. Das Modell gewichtet alle Eingaben dynamisch, statt eine Kategorie über eine andere zu stellen.

Wie oft werden die Prognosen aktualisiert? Prognosen aktualisieren sich automatisch, sobald neue Daten verfügbar sind. Es gibt keinen festen Zeitplan, das Modell rechnet laufend neu, wenn sich Eingaben ändern.

Kann ich die vergangene Prognoseleistung selbst überprüfen? Ja. Historische Vorhersagen sind direkt im Chart sichtbar. Sie können prognostizierte und tatsächliche Preise an jedem Punkt vergleichen, um zu verstehen, wie das Modell abgeschnitten hat, bevor Sie sich auf künftige Projektionen verlassen.

Was passiert in hochvolatilen Märkten? Die Genauigkeit nimmt typischerweise ab, wenn die Volatilität steigt, was sich sowohl in den historischen Genauigkeitswerten als auch in der Verbreiterung des Konfidenzbands zeigt. Das ist zu erwarten und für den Nutzer sichtbar.

Fließen Analysteneinschätzungen in die Prognose ein? Nein. Die Prognose ist vollständig datengetrieben. Analystenberichte erscheinen neben der Modellausgabe, bleiben aber getrennt, sodass Sie beide Perspektiven vergleichen können.

Ist die Richtung wichtiger als der exakte Preis? Bei den meisten Einkaufsentscheidungen ja. Selbst wenn das genaue Preisniveau nicht perfekt vorhergesagt wird, entscheidet oft die richtige Richtung darüber, ob jetzt gekauft oder abgewartet wird.