Energiehandelsprognose

Das echte Ausmaß des Problems

Der EPEX-Spotmarkt — wo Strom für den nächsten Tag oder die nächste Stunde gehandelt wird — ist einer der volatilsten Märkte Europas. Im Jahr 2023 schwankten die Day-Ahead-Preise in Deutschland zwischen -50 Euro/MWh (Überproduktion durch Sonnenstrom) und über 300 Euro/MWh (Kälteeinbruch, wenig Wind). 2024 wiederholte sich das Muster — inklusive eines technischen Fehlers bei EPEX Spot am 25. Juni 2024, der den Day-Ahead-Preis auf 492 Euro/MWh trieb, während in Frankreich gleichzeitig 3 Euro/MWh galten. Stadtwerke, die an diesem Tag Netto-Käufer waren, verloren in wenigen Stunden mehr als in einem normalen Monat.

Wer falsch liegt, verliert auf beiden Seiten: Wer zu viel Strom zu 80 Euro kauft und für 60 Euro weiterverkaufen muss, macht direkten Verlust. Wer bei 200 Euro nichts eingekauft hat, weil er mit 80 Euro rechnete, muss seinen Kunden teuer aus dem Spotmarkt bedienen.

Für Stadtwerke, die eigene Erzeugung (PV, BHKW, Wasserkraft) mit Kundenbedarf ausbalancieren, ist Prognosequalität direkt entscheidend für die Wirtschaftlichkeit des Handelsbuchs. Ein mittelgroßes Stadtwerk mit 50 MW eigener flexibler Erzeugungskapazität kann durch bessere Preisprognosen konservativ 500.000 bis 2 Millionen Euro pro Jahr besser positionieren — was den Unterschied zwischen einem profitablen und einem defizitären Handelsbuch ausmacht.

Der Irrtum, dem viele verfallen: KI wird Marktschocks vorhersagen. Das stimmt nicht. Exogene Schocks wie der Ukraine-Krieg 2022 (Erdgaspreis ×10 in 6 Monaten) oder technische Börsenfehler lassen sich nicht aus historischen Preisdaten ableiten. Was KI gut kann: die vorhersehbaren Muster, die täglich wiederkehren — Wochentag-Wochenend-Effekte, saisonale Temperaturprofile, Wind- und Sonnenprofile nach Region. Diese Muster machen 70–80 Prozent der täglichen Preisvariation aus (Schätzwert aus Praxisberichten).

Mit vs. ohne KI — ein ehrlicher Vergleich

Wichtig: Diese Verbesserung gilt für normale Markttage. Bei Black-Swan-Ereignissen (Ukraine-Krieg, EPEX-Technologiefehler) hilft kein Modell. KI-Prognosen müssen immer mit Risikomanagement-Mechanismen kombiniert werden — Stop-Loss-Logik, Positionslimits, Intraday-Korrekturfähigkeit.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Händler sparen tägliche Recherchezeit (Marktdaten sichten, ENTSO-E-Reports lesen). Das ist real, aber nicht der Hauptwert. Die Kernarbeitszeit eines Händlers bleibt ähnlich — der Wert liegt in der Qualität der Entscheidungen, nicht in deren Geschwindigkeit.

Kosteneinsparung — sehr hoch (5/5) Bei aktivem Spotmarkthandel mit eigener Erzeugung oder größerem Portfolio ist der Hebel riesig. 300.000–1.000.000 Euro Mehrertrag für mittelgroße Händler sind realistisch — durch bessere Positionierung bei alltäglichen Marktmustern. Das macht diesen Anwendungsfall zum profitabelsten der Energie-Branche — aber nur für die, die tatsächlich aktiven Handel betreiben.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der schwierigste Einstieg unter allen 15 Energie-Anwendungsfällen. Ein eigenes Prognosemodell braucht 8–14 Monate bis zur Validierung. Daten-Lizenzfragen (kommerzielle Nutzung von EPEX-Marktdaten), Modellentwicklung, Backtesting für verschiedene Marktphasen (ruhige Märkte, Preis-Schock-Perioden), Parallelbetrieb — das ist ein ernsthaftes Projekt. Ein externer Prognose-Dienst kann in 4–8 Wochen startklar sein, hat aber weniger Anpassbarkeit.

ROI-Sicherheit — hoch (4/5) Das Handelsbuch ist ein direktes Messgerät: Wie viel wurde pro MWh besser positioniert als die Benchmark? Die Kausalität ist aber nicht trivial sauber zu ziehen — gute Märkte sorgen auch ohne KI für gute Handelsbücher. Deshalb nicht ganz 5/5: Der Modellbeitrag muss sorgfältig vom Marktumfeld getrennt werden.

Skalierbarkeit — mittel (3/5) Das Modell skaliert mit dem Handelsvolumen — mehr Positionen, mehr Einsparungspotenzial. Aber: Es skaliert nicht automatisch auf neue Marktstrukturen. Wenn der deutsche Strommarkt durch mehr Speicher, H₂-Kraftwerke und grenzüberschreitende Kapazitäten strukturell verändert wird (2028–2032), müssen Prognosemodelle grundlegend neu kalibriert werden.

Richtwerte — stark abhängig von Handelsvolumen, Marktstruktur und Modellqualität.

Was das Prognosemodell konkret macht

Predictive Analytics auf mehreren Datensignalen gleichzeitig — Strompreismodellierung ist Multi-Faktor-Problem:

Erneuerbare Einspeisung: Die wichtigste Determinante für Niedrig- und Negativpreise ist das Wind- und PV-Angebot. Einspeiseprognosen von ENTSO-E sind der Startpunkt. ML-Modelle verfeinern diese mit lokalen Wettervorhersagen und historischen Einspeiseprofilen für die relevanten Cluster im Markt.

Lastprognose: Temperaturmodelle und Kalendereffekte sind die stärksten Treiber. Montagmorgen nach einem kalten Wochenende hat eines der steilsten Lastrampenmuster des Jahres.

Kraftwerksverfügbarkeit: ENTSO-E veröffentlicht geplante Abschaltungen (Unavailability Plans) mit Vorlauf — diese Informationen fließen in ein gutes Modell ein.

Gas- und CO₂-Preise: Beeinflussen die Marginalkosten thermischer Kraftwerke und damit den Preis-Setting-Mechanismus. Gaspreisänderungen haben typischerweise einen Delay von 24–48 Stunden auf den Spotmarkt.

Das Modell gibt nicht einen Punktpreis aus, sondern ein Szenario-Set: Basisfall, optimistisches Szenario, pessimistisches Szenario mit Wahrscheinlichkeiten. Anhand dieser Szenarien werden Handelsentscheidungen getroffen: Wann kauft man Day-Ahead, wann wartet man auf Intraday, wann aktiviert man Flexibilitätserzeugung (BHKW, Speicher)?

Rechtliche Besonderheiten

EnWG und Bilanzkreisverantwortung: Handelsentscheidungen, die auf KI-Prognosen basieren, ändern nichts an der rechtlichen Verantwortung des Bilanzkreisverantwortlichen. Wer einen KI-gestützten Prognose-Dienst nutzt und trotzdem falsch liegt, haftet selbst.

Datenlizenzierung: Die kommerzielle Nutzung von EPEX-Historik-Daten für Modelltraining erfordert eine explizite Lizenz. Das ist ein häufig unterschätzter Stolperstein in der frühen Projektphase — Klärung vor dem Start, nicht nach der Modellentwicklung.

EU AI Act: Handelsprognosen für Energiemärkte fallen typischerweise in eine niedrigere Risikoklasse (keine Steuerung kritischer Infrastruktur). Trotzdem: Wenn Prognosemodelle in automatisierte Handelsentscheidungen (Algorithmischen Handel) eingebunden werden, sind die regulatorischen Anforderungen an Transparenz und Aufsicht erhöht.

REMIT: Die EU-Marktmissbrauchsverordnung für Energiemärkte (REMIT) verbietet den Einsatz von Insider-Informationen für Handelsentscheidungen. ML-Modelle, die auf öffentlichen Daten (ENTSO-E, EPEX-Historik, DWD-Wetterdaten) basieren, sind REMIT-konform. Modelle, die auf nicht-öffentlichen Daten aufbauen (z.B. Kraftwerks-Einzeldaten außerhalb der Veröffentlichungspflicht), bedürfen rechtlicher Prüfung.

Konkrete Werkzeuge — was wann passt

Für externe Prognose-Dienste (schnellster Einstieg):

energy & meteo systems — Marktführer für Einspeise- und Preiskorrelationsprognosen in Deutschland. Standardprodukte für Day-Ahead-Preisprognosen, direkte API-Anbindung. Gut für Einstieg ohne eigenes Data-Science-Team.

Montel Analytics / ICIS — Marktdaten und Analytics-Plattform. Gut als Datenbasis für händlerseitige Entscheidungsunterstützung. Preise auf Anfrage, typisch 20.000–60.000 Euro/Jahr.

Für eigene Modellentwicklung:

Eigenes Python-Modell auf ENTSO-E-Daten, DWD-Wetterdaten und EPEX-Historik ist realisierbar. Frameworks wie XGBoost, LightGBM oder NeuralProphet liefern für Day-Ahead-Prognosen akzeptable Ergebnisse. AWS SageMaker oder Azure ML als Trainings- und Deployment-Plattform. Entwicklungsaufwand: 60.000–120.000 Euro einmalig; danach niedrige laufende Kosten.

Für Visualisierung und Entscheidungsunterstützung:

Power BI als Prognose-Dashboard für Händler: Day-Ahead-Szenario-Bänder, Intraday-Nachführung, Abweichungsanalyse, Positionsbewertung. Integrierbar mit jedem ML-Backend.

Enterprise-Handelslösungen:

Energy Exemplar PLEXOS — marktführendes Tool für Energiemarktmodellierung. Industriestandard bei größeren Versorgern und Tradingdesks. Lizenz 50.000–200.000 Euro/Jahr. Realistische Option ab aktivem Handelsvolumen von 500 GWh+.

Datenschutz und Datenhaltung

Energiehandels-Marktdaten (EPEX-Historik, ENTSO-E-Daten) sind öffentlich und nicht personenbezogen — der DSGVO-Aspekt ist minimal. Relevant ist die Vertraulichkeit des Handelsbuchs: Prognosemodelle, die auf dem eigenen Handelsbuch trainiert werden, enthalten sensible Wettbewerbsinformationen. Diese Daten sollten nicht auf Drittanbieter-Servern außerhalb der EU gespeichert werden.

Für Cloud-Deployment des Eigenmodells: EU-Hosting (Azure Westeuropa, AWS Frankfurt) empfohlen. Bei externen Prognose-Diensten: Datenlizenzvertrag klärt, ob und wie Prognose-Anfragen (die indirekt das Portfolio-Setup verraten können) vertraulich behandelt werden.

Was es kostet — realistisch gerechnet

Externer Prognose-als-Service:

• Lizenzkosten: 20.000–60.000 Euro/Jahr
• Kein Implementierungsaufwand, innerhalb von 4–8 Wochen einsatzbereit
• Einschränkung: standardisiertes Modell, keine Portfolio-spezifische Anpassung

Eigenes ML-Modell:

• Entwicklung: 60.000–120.000 Euro einmalig
• Laufende Kosten: 15.000–30.000 Euro/Jahr (Infrastruktur, Datenbeschaffung, Modellwartung)
• Sinnvoll ab aktivem Handelsvolumen von mehr als 200 GWh/Jahr

ROI-Rechnung am Beispiel: Stadtwerk mit 80 MW flexibler Erzeugung (BHKW, Speicher), aktiver Spotmarkthandel, 300 GWh Jahresabsatz. Prognosequalitäts-Verbesserung um 15 Prozent (MAPE von 22 auf 18 Prozent) ermöglicht bessere Positionierung bei alltäglichen Preisspitzen. Konservative Schätzung: 400.000 Euro Mehrertrag/Jahr durch bessere Kauf/Verkauf-Entscheidungen. Modellkosten: 80.000 Euro/Jahr. Netto-Mehrwert: 320.000 Euro/Jahr.

Wie du den Nutzen misst: Einzige belastbare Methode ist das Benchmark-Backtesting: Was wäre das Handelsergebnis gewesen, wenn die KI-Prognosen in den letzten 12 Monaten die Basis der Handelsentscheidungen gewesen wären — im Vergleich zum tatsächlichen Ergebnis? Dieses Backtesting sollte mindestens 18 Monate abdecken, um verschiedene Marktphasen (ruhig, volatil, Schock) zu erfassen.

Typische Einstiegsfehler

1. Zu viel auf den Punktpreis verlassen. Prognosemodelle geben Wahrscheinlichkeitsbänder aus — nicht eine Zahl. Wer das Modell als „Preis ist 62 Euro” behandelt statt als „60% Wahrscheinlichkeit für 55–70 Euro”, verliert den eigentlichen Informationsgehalt. Der Umgang mit Unsicherheitsbändern ist eine Kompetenz, die Händler explizit entwickeln müssen.

2. Modell auf ruhigen Märkten trainieren, auf volatilen einsetzen. Ein Modell, das auf Daten von 2019–2021 trainiert wurde (ruhige Preisphase), versagt 2022–2023 (Energie-Krise, extreme Volatilität) spektakulär. Backtesting muss explizit Krisenperioden einschließen — und die Prognose-Schwächen in diesen Perioden offen kommuniziert werden.

3. Keine Stop-Loss-Logik für Modell-Fehler definieren. KI-Prognosen können falsch liegen. Jeder Händler weiß das. Trotzdem wird selten definiert: Ab welcher Abweichung zwischen Prognose und Intraday-Realität greife ich manuell ein? Ohne diese Regel entstehen automatisierte Verlustspiralen — das Modell liegt falsch, Positionen werden nicht korrigiert, der Verlust wächst.

4. Händler werden nicht in Modell-Review eingebunden. Das häufigste Misserfolgsszenario: Das Datenteam baut ein Modell, das technisch gut funktioniert. Aber die Händler vertrauen ihm nicht — weil sie nicht wissen, welche Daten es nutzt, warum es an bestimmten Tagen falsch liegt und was seine Grenzen sind. Lösung: Monatliches 30-Minuten-Review mit dem Handelsteam, bei dem aktuelle Modell-Performance transparent diskutiert wird.

Was mit der Einführung wirklich passiert — und was nicht

Energiehändler sind professionelle Skeptiker. Ein Modell, das einmal dramatisch falsch liegt — und das wird passieren — verliert sofort Vertrauen. Der Aufbau dieses Vertrauens braucht Monate konsequenter Transparenz: Wo lag das Modell richtig? Wo falsch? Was war der Unterschied?

Das zweite Hindernis ist die Kultur: Erfahrene Händler haben ihren Instinkt jahrelang als Asset behandelt. Ein Modell, das ihnen sagt, dass ihr Instinkt systematisch bestimmte Muster übersieht, ist nicht willkommen — auch wenn es stimmt. Der produktive Umgang damit: Das Modell als Werkzeug für das Händler-Urteil positionieren, nicht als Ersatz. „Das Modell sagt X, was denkst du?” ist produktiver als „Folge dem Modell.”

Drittes Hindernis: Die IT-Integration. Day-Ahead-Handelsentscheidungen haben feste Deadlines (typisch 12 Uhr für den Folgetag). Das Modell muss rechtzeitig und zuverlässig liefern. Ein Modell, das manchmal um 11:50 Uhr noch nicht fertig gerechnet hat, ist in der Praxis nicht nutzbar — egal wie gut es im Schnitt ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Der Energiemarkt ist zu unvorhersehbar für KI-Prognosen.” Für Extremereignisse stimmt das. Für den täglichen Betrieb nicht: Wochentag-Wochenend-Effekte, saisonale Temperaturmuster, Wind- und Sonnenprofile nach Region — diese Muster sind statistisch stabil und für ML-Modelle gut lernbar. Gute Modelle machen bei 8 von 10 normalen Markttagen merklich bessere Prognosen. Für die anderen 2 Tage gibt es Risikomanagement-Mechanismen.

„Wir haben ein kleines Handelsteam — für ein KI-Modell fehlt uns das Know-how.” Für ein eigenes Modell stimmt das. Für einen externen Prognosedienst nicht. Dienste wie energy & meteo oder Montel liefern Prognosen als fertiges Produkt — das Handelsteam interpretiert die Szenarien, nicht die Algorithmen. Eine halbtägige Einführung reicht als Einstieg.

„Was nutzt mir eine bessere Prognose, wenn der Markt durch Fremdeinflüsse bewegt wird?” Fremdeinflüsse (OPEC-Entscheidung, politisches Ereignis) sind nicht modellierbar. Aber: 70–80 Prozent der täglichen Preisvariation entsteht durch vorhersehbare Muster (Schätzwert aus Praxisberichten). Wer diese 70–80 Prozent besser abdeckt, hat einen strukturellen Vorteil — unabhängig von den verbleibenden 20–30 Prozent Unsicherheit.

Woran du merkst, dass das zu dir passt

• Du bist Bilanzkreisverantwortlicher und trägst das Ausgleichsenergierisiko selbst
• Dein aktives Handelsvolumen liegt über 100 GWh/Jahr und du nutzt Spotmarkt regelmäßig
• Du hast eigene flexible Erzeugungskapazität (BHKW, Speicher, Wasserkraft), die du nach Preis disponieren kannst
• Ausgleichsenergiekosten oder ungünstige Handelspositionen sind in der Kostenrechnung ein sichtbarer Posten

Wann es sich (noch) nicht lohnt: Wenn das Stadtwerk Strom komplett fremd beschafft und keine aktive Dispatchentscheidung trifft, gibt es keinen Hebel. Wenn das Handelsvolumen unter 50 GWh liegt, ist der ROI eines eigenen Modells nicht darstellbar — externer Dienst als niederschwelligerer Einstieg. Wenn das Handelsteam aus weniger als 2 Personen besteht, fehlt die Kapazität für strukturiertes Modell-Review.

Weiteres Ausschlusskriterium: Wenn das Unternehmen keine Intraday-Handelsfähigkeit hat, nutzt die beste Day-Ahead-Prognose wenig — denn Fehler lassen sich nicht mehr intraday korrigieren. Und: Wenn die regulatorische Compliance für algorithmischen Handel nicht geklärt ist, sollte kein automatisierter Handel auf Basis von Modell-Output erfolgen. Für den Energiegroßhandel ist REMIT der maßgebliche Rahmen; MiFID II gilt primär für Finanzinstrumente und greift zusätzlich, wenn Energiederivate als Finanzinstrumente eingestuft werden.

Das kannst du heute noch tun

Hol dir 3 Monate historische EPEX-Day-Ahead-Preise (kostenlos von der EPEX-Website), DWD-Wetterdaten für deine Region (kostenlos über DWD Open Data) und deine eigenen Prognosen aus dem Handelssystem für denselben Zeitraum. Berechne deinen aktuellen MAPE.

Dann: Lade die drei Datensätze in NotebookLM oder Claude und stelle die Frage: „Welche Muster in den Wetterdaten hätten die größten Prognoseabweichungen vorhersagen können?”

Quellen & Methodik

• EPEX-Preisvolatilität 2023/2024: EPEX SPOT Marktdaten; FfE, „German electricity prices on the EPEX Spot exchange in 2025”.
• EPEX-Technologiefehler Juni 2024: ZFK, „Preisturbulenzen bei EPEX Spot: Das hat sicherlich viele Stadtwerke betroffen” (2024); encentive.de.
• MAPE-Verbesserungswerte: Fraunhofer ISE, Energiemarkt-Prognoseforschung; eigene Projekterfahrungswerte.
• REMIT/MiFID-Compliance: EU-Marktmissbrauchsverordnung für Energiemärkte (REMIT 2014/1227/EU) — maßgeblicher Rahmen für den Energiegroßhandel. MiFID II gilt ergänzend für Energiederivate, die als Finanzinstrumente eingestuft werden.
• EU AI Act: Industr.com, „Was Energie-Unternehmen jetzt umsetzen müssen” (2025).

Du willst wissen, welche Marktdatenquellen und Prognose-Tools für dein Handelsvolumen realistisch sind? Meld dich — wir schauen gemeinsam, was du heute schon hast und welcher nächste Schritt den größten Hebel bringt.