Einkaufsteams wollen Prognosen, die sie vor einem Finanzvorstand vertreten können. Das ist eine höhere Hürde als ein Chart mit einer Linie darin. Es heißt zu wissen, was hinter der Linie steht: welche Eingaben das Modell nutzt, woher sie stammen und warum sich die Kurve heute Morgen bewegt hat, gestern aber nicht.
Dieser Artikel zeigt, wie Vesper seine KI-Preisprognosen aufbaut, die Architektur, die vier Eingabeebenen und die Datenquellen, die in eine einzige konkrete Prognose einfließen: US-WPC80 in Instant-Qualität, das führende Molkenproteinkonzentrat, das in Sportnahrung, RTD-Getränken und angereicherten Lebensmitteln eingesetzt wird.
Wenn sich die Methodik hinter KI-Rohstoffprognosen für Sie bisher wie eine Black Box angefühlt hat, ist dies der Artikel, der sie öffnet.
Eine Vesper-Prognose lesen: was Sie vor sich haben
Das Chart oben ist das Prognose-Widget, aufgezeichnet am 29. April 2026, für US-WPC80 instant, notiert in USD je Pfund und verankert an Vespers eigenem VPI-Benchmark auf EXW-Basis. Vier Elemente sind darin zu lesen.
Die durchgezogene blaue Linie ist die historische Preisreihe, also der Preis, zu dem US-WPC80 instant in den vergangenen zwölf Monaten tatsächlich gehandelt wurde. Die gestrichelte Linie, die dort ansetzt, wo die historische Reihe endet, ist die KI-Prognosekurve; sie projiziert den Preis sechs Monate voraus. Das schattierte Band um die gestrichelte Linie ist das Konfidenzintervall, also die Spanne, die das Modell an jedem Punkt der Prognose für plausibel hält. Je schmaler das Band, desto sicherer das Modell.
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. Am 12. November 2025 etwa lautete die Ein-Monats-Prognose des Modells 6,07 USD/lb gegenüber einem tatsächlichen Preis von 6,35 USD/lb, eine Abweichung von 4,4 %. Am 15. April 2026 stand die Prognose bei 10,38 USD/lb gegenüber tatsächlichen 10,80 USD/lb, eine Abweichung von 3,9 %. Beide trafen die Richtung, und beide lagen innerhalb des durchschnittlichen Fehlerbands des Modells. Das ist die Genauigkeitsprüfung direkt im Produkt: Jeder Einkäufer kann das Modell gegen die Realität abgleichen, ohne den Bildschirm zu verlassen.
Die Angabe von 96 % historischer Genauigkeit rechts im Chart fasst dieses Muster über die Ein-Monats-Prognosen der vergangenen zwei Jahre auf dieser Reihe zusammen. Die Kennzahl ist der MAPE (mittlerer absoluter prozentualer Fehler); das Modell lag also im Schnitt rund vier Prozent neben dem realisierten Preis. Über den Schalter lässt sich dieselbe Genauigkeitsangabe für Horizonte von drei, sechs und zwölf Monaten abrufen; die Genauigkeit nimmt ab, je weiter der Horizont reicht, was von jedem ehrlichen Prognosemodell zu erwarten ist.
Über alle mehr als 4.000 Rohstoffreihen hinweg, die Vesper abdeckt, liegen die plattformweiten Durchschnitte bei 97 % nach einem Monat, 94 % nach drei Monaten, 91 % nach sechs Monaten, 88 % nach neun Monaten und 85 % nach zwölf Monaten: der saubere Abfall, den ein ehrliches Modell zeigen sollte. Für US-WPC80 instant lauten die Werte 96 % nach einem Monat, 88 % nach drei Monaten und 79 % nach sechs Monaten. Der Abstand zwischen WPC80 und dem Plattformdurchschnitt wächst mit dem Horizont, und auch das ist informativ: WPC80 ist volatiler als der durchschnittliche von Vesper abgedeckte Rohstoff, das Modell wird hier auf längeren Horizonten also härter geprüft als etwa auf einem stabileren Käse- oder Butter-Benchmark.
Damit zu dem Teil, den die meisten Interessenten beantwortet haben wollen: Wie entsteht die gestrichelte Linie?
Die Architektur: Foundation-Modelle für Zeitreihen
Vespers Prognosen basieren auf Foundation-Modellen für Zeitreihen, einer Architektur, die der Funktionsweise großer Sprachmodelle für Text entspricht, nur auf numerische Daten über die Zeit angewandt.
Foundation-Modelle werden auf enormen Datensätzen aus vielen Bereichen vortrainiert, lange bevor sie Ihren konkreten Rohstoff zu sehen bekommen. Bei Sprachmodellen sind das Milliarden von Textseiten. Bei Zeitreihen sind es Milliarden von Datenpunkten aus Finanzmärkten, Energiepreisen, Wettermustern, landwirtschaftlichen Erträgen und einer langen Liste weiterer zeitlicher Datensätze. Wenn das Modell schließlich speziell auf US-WPC80 feinabgestimmt wird, hat es bereits gelernt, wie Angebotsschocks, Saisonalität, Nachfragezyklen und Regimewechsel in Preisdaten typischerweise aussehen, auch wenn es zuvor keine einzige Beobachtung von WPC80 gesehen hat.
Das ist eine bedeutsame architektonische Entscheidung. Ältere Prognoseansätze, ARIMA, exponentielle Glättung, frühe Machine-Learning-Modelle, behandeln jeden Rohstoff als geschlossenes System. Sie lernen aus der Historie dieser einen Reihe und schreiben sie fort. Foundation-Modelle übertragen dagegen Musterwissen zwischen Reihen. Deshalb kann eine Prognose für ein vergleichsweise nischiges Produkt wie WPC80 instant, das in geringeren Mengen gehandelt wird als etwa Butter oder Milch der Klasse III, dennoch auf Muster zurückgreifen, die das Modell aus Tausenden verwandter und nicht verwandter Reihen verinnerlicht hat.
Anschließend wird das Modell mit Vespers eigenen Trainingsdaten angereichert und auf die spezifische Dynamik von Agrarrohstoffen feinabgestimmt. Das Ergebnis ist eine Prognoseebene, die von Grund auf transparent ist: Nutzer sehen die Eingaben und Annahmen hinter der Kurve, statt eine Black-Box-Ausgabe zu erhalten.
Wo Vespers KI-Prognosen im Methodenspektrum stehen
Rohstoffpreise zu prognostizieren ist keine neue Disziplin. Die Methoden, die Einkaufsteams kennen, liegen auf einem Spektrum, auf dem der Foundation-Modell-Ansatz aufbaut, statt es zu ersetzen.
Die einfachste Ebene arbeitet nur mit Fundamentaldaten: Angebots- und Nachfragebilanzen, Inflationsraten, Energiepreise, Wechselkurse, Wetter. Das ist der Standard am Analystentisch, und er trifft vieles richtig. Eine fortgeschrittenere Ebene legt technische Indikatoren darüber: RSI, Bollinger-Bänder, MACD, gleitende Durchschnitte, stochastische Oszillatoren und ähnliche Werkzeuge, entlehnt aus den Finanzmärkten und auf Rohstoffreihen angewandt. Beide Ebenen lassen sich von Menschen mit Tabellenkalkulation und Disziplin 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, über mehr als 4.000 Rohstoffpreisreihen hinweg.
Der Punkt ist nicht, dass ältere Methoden falsch wären; sie sind die Grundlage. KI-Prognosen bauen darauf auf, und der Genauigkeitsgewinn ist genau das, was zu erwarten ist, wenn jede Ebene neue Information beisteuert.
Die vier Eingabeebenen hinter einer Prognose
Nach dem Training nutzt das Modell vier Kategorien von Eingaben, um die Forward-Kurve zu erzeugen. Für US-WPC80 instant sehen diese Ebenen so aus.
Preismuster. Ausgangspunkt ist die Reihe selbst, der historische Verlauf von US-WPC80 instant im VPI von Vesper. Darum herum liest das Modell auch benachbarte und verwandte Reihen: WPC34, WPI, MPC, Kasein, Laktose, US-Käseblockpreise und CME-Milch der Klasse III. WPC80 wird nicht isoliert gehandelt. Molke ist ein Koppelprodukt der Käseherstellung, die Käseökonomie wirkt also unmittelbar auf die Molkenverfügbarkeit. WPI und WPC34 sind Substitute auf unterschiedlichen Proteinstufen; wenn Einkäufer die Proteinleiter hinauf- oder hinuntergehen, bewegen sich diese Reihen gemeinsam, und das Modell greift diese Beziehung auf.
Marktfundamentaldaten. Das ist die Angebots- und Nachfrageebene, und hier steckt der größte Teil der Erklärungskraft. Für US-Molkenproteine verarbeitet das Modell Daten aus dem Bericht USDA NASS Milk Production (monatlich), dem Bericht USDA Dairy Products (monatliche Produktion von Käse, Butter, NFDM und Molke), dem Bericht USDA Cold Storage (Bestände an Milchprodukten) und den Exportdaten des USDA FAS (wohin US-Molke geht; China, Mexiko und Südostasien sind die Mengentreiber). Auch EU-Produktionsdaten der Europäischen Milchmarktbeobachtungsstelle und Milchzahlen von DCANZ in Neuseeland fließen ein, denn das globale Angebot wirkt auf die US-Exportpreise. Futterkosten aus den CBOT-Reihen für Mais, Sojaschrot und DDGS gehen in das Modell ein, weil sie die Marge der Milcherzeugung prägen, die das Milchangebot prägt, das nachgelagert das Molkenangebot prägt.
Technische Indikatoren. Das Modell liest klassische technische Signale, angewandt auf die WPC80-Reihe: MACD für das Momentum, gleitende Durchschnitte für die Trendrichtung, RSI für überkaufte und überverkaufte Zustände, daneben Bollinger-Bänder und stochastische Oszillatoren. Jedes davon ist den Nutzern auch direkt in Vespers Ansicht zur technischen Analyse zugänglich, für die Prognose aber speisen sie das Modell. Allein entscheiden sie nichts, doch sie schärfen kurzfristige Prognosen, wenn zwischen zwei USDA-Berichten wenig fundamentale Daten anfallen.
Makro- und Konjunkturindikatoren. Breitere Signale, die die Rohstoffpreisbildung über Kategorien hinweg beeinflussen: der US-Dollar-Index (er prägt die Exportwettbewerbsfähigkeit von US-Molke), Energiepreise (ein wesentlicher Produktionsinput für die Sprühtrocknung von Molke) und makroökonomische Nachfrageindikatoren rund um funktionelle Lebensmittelkategorien. Wo Vesper Partnerdaten hat, etwa Frachtraten von Upply oder Branchenkostendaten von IBISWorld, fließen auch diese hier ein.
Das Modell gewichtet alle vier Ebenen gemeinsam. Kein einzelner Input bestimmt die Kurve.
Was die technische Ebene bei US-WPC80 gerade zeigt
Weil Vesper die technische Ebene direkt in der Plattform offenlegt, kann ein Einkäufer dieselben Signale lesen wie das Modell. Für US-WPC80 instant sieht das Bild Ende April 2026 so aus.
Der Preis liegt bei 10,90 USD/lb und damit deutlich über dem gleitenden 100-Tage-Durchschnitt (8,81 USD/lb) und dem gleitenden 150-Tage-Durchschnitt (7,98 USD/lb). Im Jahresvergleich steht ein Plus von 126 %. Das MACD-Signal ist mit +1,2 bullisch, und das Momentum baut sich weiter auf. Der RSI steht bei 100, also klar überkauft und weit jenseits der Schwelle von 70, die üblicherweise einen Markt markiert, der sich selbst vorausgelaufen ist.
Zusammen gelesen beschreiben diese Signale einen Markt, der kräftig gestiegen ist, sich von seinem mittelfristigen Trend gelöst hat und nun Ermüdungserscheinungen am Ende des Zyklus zeigt. Ob als Nächstes eine Seitwärtskonsolidierung folgt oder ein schärferer Rücksetzer: Die technische Ebene sagt den Einkäufern, dass das Aufwärtspotenzial dünn geworden ist.
Genau dieses Bild zeichnet auch die KI-Prognosekurve im Prognose-Widget: einen sanften Rückgang über die kommenden sechs Monate, während der Preis sich zurück in Richtung Trend abbaut. Die Fundamentaldatenebene und die technische Ebene stimmen in der Richtung überein, und das ist es, was Überzeugung in die Kurve bringt. Wären sie uneins, spiegelte die Prognose die Spannung wider und das Konfidenzband würde sich verbreitern.
Genau hier zahlen sich technische Indikatoren für die Einkaufsarbeit aus. Nicht als eigenständige Handelssignale, sondern als Plausibilitätsprüfung der Fundamentalsicht. Die Milchmarktfundamentaldaten können einen höheren Preis tragen; die technischen Indikatoren sagen Ihnen, ob der Markt ihn bereits eingepreist hat.
Woher die Daten kommen
Vespers Datenarchitektur ist bewusst geschichtet, damit sich jede Eingabe zu ihrer Quelle zurückverfolgen lässt. Die Prognose für US-WPC80 sitzt auf einem Stapel, der von öffentlichen Referenzdaten über lizenzierte Daten und Partnerdaten bis zu eigenen Benchmarks reicht.
Die öffentliche Ebene umfasst USDA-Berichte, AHDB, ZuivelNL, Kempten und die entsprechenden Stellen in den Regionen, in denen Vesper tätig ist, also dieselben Primärquellen, denen US-Einkaufsteams ohnehin vertrauen. Die Futures-Ebene ergänzt CME (Milchprodukte, Getreide, Vieh), EEX (europäische Butter und Magermilchpulver) und NZX (neuseeländische Milchprodukte). Die Partnerebene bringt lizenzierte Daten von Oilworld, Fastmarkets, IBISWorld, Barchart, Upply und Euronext ein. Die proprietäre Ebene ist der Vesper Price Index, unabhängige Benchmarks für Nischenprodukte, für die es keine öffentliche Preisfindung gibt, darunter die WPC80-Instant-Reihe, die diesem Artikel zugrunde liegt.
Für eine Prognose zu US-WPC80 konkret ist der VPI die primäre Preisreihe, der Bericht USDA Dairy Products das primäre Angebotssignal, CME-Milch der Klasse III das primäre Signal zur Milchökonomie, und CBOT-Mais und -Sojaschrot verankern die Futterkostenebene. Dieselbe Logik gilt über die mehr als 4.000 Produkte hinweg, die Vesper abdeckt: anderer Rohstoff, andere Mischung aus öffentlichen Berichten, Futures-Kontrakten, Partnerquellen und eigenen Indizes, aber dasselbe architektonische Prinzip.
Warum KI- und Analystensicht getrennt bleiben
Eine Designentscheidung ist besonders hervorzuheben: Vesper trennt die KI-Prognose bewusst vom Analystenkommentar.
Die KI-Prognosekurve ist konstruktionsbedingt frei von Analystenmeinung. Sie spiegelt die Daten und nur die Daten. Vespers Analystenteam erstellt daneben Marktberichte in klarer Sprache, also das Warum hinter der Bewegung, doch die Analystensicht fließt nie in die Kurve selbst ein.
Der Grund ist das Vertrauen der Einkaufsteams. Wenn ein Einkäufer fragt, was Vesper für WPC80 in den nächsten sechs Monaten erwartet, gibt es zwei Antworten, und der Einkäufer sieht beide. Die KI sagt das eine, der Analyst das andere, und wo sie übereinstimmen, ist die Überzeugung hoch. Wo sie auseinandergehen, ist das ein Signal, genauer hinzusehen. Wettbewerber, die KI- und Analystensicht zu einer einzigen Ausgabe verschmelzen, nehmen genau dieses Signal heraus, und Einkaufsteams haben uns wiederholt gesagt, dass die Trennung das Vertrauen in die Prognose begründet.
Das Chart für Kaufentscheidungen lesen
Zwei Teile des Charts zählen am meisten, wenn ein Einkäufer eine Terminbindung dimensioniert: das Konfidenzband um die Forward-Kurve 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 Sie in den kommenden Prognosen mit mehr Revisionen rechnen sollten. Bleibt das Band ungewöhnlich schmal, sind die Eingaben im Einklang und die Überzeugung ist hoch. Wer eine physische 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. Ob die Schlagzeilenzahl von 96 % für Ihr Team etwas bedeutet, lässt sich sehr viel leichter beurteilen, nachdem Sie fünf oder zehn vergangene Vorhersagen auf einer Reihe stichprobenartig geprüft haben, die Sie tatsächlich einkaufen. Greifen Sie sich ein paar Monate aus den vergangenen zwei Jahren heraus, fahren Sie über die Linie und lesen Sie das Paar aus Prognose und tatsächlichem Wert. Hat das Modell Ihren Rohstoff gut nachgezeichnet, folgt die Überzeugung, auf die Forward-Kurve hin zu handeln, von selbst.
Was daraus folgt
Bei einer belastbaren Rohstoffprognose greifen drei Dinge ineinander: eine Modellarchitektur, die über Reihen hinweg generalisieren kann, ein transparenter Aufbau der Eingangsdaten, der auf bekannte Datenquellen zurückführt, und die Disziplin, KI-Kurve und menschliche Analystensicht getrennt zu halten, damit jede für sich bewertet werden kann.
