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 fielen die Day-Ahead-Preise in Deutschland bei Sonnenstrom-Überschuss bis in den tief negativen Bereich, am 2. Juli 2023 kurzzeitig auf −500 Euro/MWh, und stiegen bei Kälte und Windflaute auf mehrere hundert Euro/MWh. 2024 wiederholte sich das Muster, dazu kam im Juni 2024 ein technischer Fehler bei EPEX Spot, der die Day-Ahead-Auktion teilweise entkoppelte und über mehrere Stunden stark abweichende Preise zwischen Deutschland und den Nachbarländern erzeugte (Bericht der ZFK, siehe Quellen).

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. Wie viel eine bessere Preisprognose einem Stadtwerk mit eigener flexibler Erzeugung bringt, lässt sich nicht pauschal sagen, und eine belastbare Branchenzahl haben wir nicht gefunden. Eine frühere Fassung dieser Seite nannte für 50 MW „konservativ” 0,5 bis 2 Millionen Euro im Jahr, ohne Beleg. Rechnen lässt sich die andere Seite: was die Prognose mindestens bringen muss. Dazu unten mehr.

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. Wie groß ihr Anteil an der täglichen Preisvariation ist, hängt von Jahr und Marktlage ab; eine belastbare Zahl haben wir nicht gefunden. Du kannst sie selbst messen: Wie viel der Schwankung deiner Day-Ahead-Preise erklärt ein einfaches Modell aus Wind, PV, Last und Wochentag im Backtest?

Mit vs. ohne KI, ein ehrlicher Vergleich

Wichtig: Eine Verbesserung ist nur an normalen Markttagen zu erwarten. Und MAPE ist bei Strompreisen ein schwieriges Maß: Liegt der Preis nahe null oder negativ, explodiert der prozentuale Fehler. Miss zusätzlich den mittleren absoluten Fehler in Euro je MWh. 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, hoch (4/5) Bei aktivem Spotmarkthandel mit eigener flexibler Erzeugung kann der Hebel groß sein, weil schon Cent-Beträge je MWh auf großen Mengen zählen. Eine belastbare Zahl, wie groß er ist, haben wir nicht gefunden; die früher hier genannten 300.000–1.000.000 Euro waren unbelegt. Gerechnet werden kann die Schwelle: Ein Dienst für 20.000–60.000 Euro im Jahr muss bei 300 GWh gehandelter Menge 0,07–0,20 Euro je MWh besser abschneiden. Nur für die, die tatsächlich aktiv handeln.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist einer der schwierigsten Einstiege in der Energie-Branche. 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, mittel (3/5) Das Handelsbuch ist ein direktes Messgerät: Wie viel wurde pro MWh besser positioniert als die Benchmark? Die Kausalität ist aber nicht sauber zu ziehen, gute Märkte sorgen auch ohne KI für gute Handelsbücher. Den Modellbeitrag trennt nur ein Backtest über mindestens 18 Monate vom Marktumfeld, deshalb 3.

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 Grenzkosten thermischer Kraftwerke und wirken über deren Gebote direkt auf den Day-Ahead-Preis der Stunden, in denen Gas preissetzend ist.

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 nicht unter die Hochrisiko-Bereiche (keine Steuerung kritischer Infrastruktur). Wenn Prognosemodelle automatisch Gebote auslösen, also algorithmischen Handel betreiben, kommen die Pflichten nicht aus dem AI Act, sondern aus der Energiemarktaufsicht (REMIT, bei Derivaten zusätzlich MiFID II). Kläre sie mit deiner Compliance, bevor ein Modell selbst handelt.

REMIT: Die EU-Marktmissbrauchsverordnung für Energiemärkte (REMIT) verbietet den Einsatz von Insider-Informationen für Handelsentscheidungen. ML-Modelle, die nur auf öffentlichen Daten (ENTSO-E, EPEX-Historik, DWD-Wetterdaten) basieren, haben kein Insiderproblem. Marktmanipulation bleibt trotzdem verboten, auch wenn ein Modell sie auslöst. 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 , laut unserer Toolseite spezialisiert auf Wind- und Solarleistungsprognosen, stündlich aktualisiert bis sieben Tage voraus. Das ist ein wichtiger Eingang für jedes Preismodell, aber keine Preisprognose; ob der Anbieter auch Preisprognosen liefert, frag direkt an.

Montel Analytics / ICIS, Marktdaten und Analytics-Plattformen. Gut als Datenbasis für händlerseitige Entscheidungsunterstützung. Preise nur auf Anfrage.

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, verbreitetes Werkzeug für Energiemarktmodellierung bei größeren Versorgern und Tradingdesks. Preise nur auf Anfrage. Eher eine Option für große Handelsvolumina als für ein mittleres Stadtwerk.

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

Anbieter veröffentlichen keine Preise. Die Spannen unten sind Annahmen für die Rechnung, setz dein Angebot ein.

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

Rechnung am Beispiel, von der Kostenseite her: Stadtwerk mit 80 MW flexibler Erzeugung (BHKW, Speicher), aktiver Spotmarkthandel, 300 GWh gehandelte Menge im Jahr.

• Externer Dienst: 20.000–60.000 Euro im Jahr, also 1.700–5.000 Euro im Monat. Er trägt sich, wenn er das Handelsergebnis um 0,07–0,20 Euro je gehandelter MWh verbessert.
• Eigenes Modell: 60.000–120.000 Euro Entwicklung plus 15.000–30.000 Euro im Jahr (1.250–2.500 Euro im Monat). Auf drei Jahre verteilt sind das 35.000–70.000 Euro im Jahr, also 0,12–0,23 Euro je MWh.

Eine frühere Fassung dieser Seite rechnete hier mit „konservativ” 400.000 Euro Mehrertrag aus einem MAPE-Rückgang von 22 auf 18 Prozent. Dieser Betrag hatte keine Grundlage: Aus einem Prozentpunkt MAPE folgt kein Eurobetrag, solange niemand weiß, welche Entscheidungen sich durch die bessere Prognose tatsächlich ändern. Ob die Schwelle oben erreicht wird, zeigt nur das Backtesting.

Wie du den Nutzen misst: Einzige belastbare Methode ist das Benchmark-Backtesting: Was wäre das Handelsergebnis gewesen, wenn die KI-Prognosen in den letzten 18 Monaten die Basis der Handelsentscheidungen gewesen wären, im Vergleich zum tatsächlichen Ergebnis? 18 Monate, damit verschiedene Marktphasen (ruhig, volatil, Schock) darin vorkommen. Teile die Differenz durch die gehandelte Menge und vergleiche sie mit der Schwelle oben.

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. Ob ein Modell an deinen normalen Markttagen besser liegt als dein heutiges Verfahren, zeigt der Backtest. Für die Tage, an denen es danebenliegt, 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: Ein großer Teil der täglichen Preisvariation folgt vorhersehbaren Mustern aus Wind, Sonne, Last und Kalender. Wie groß dieser Teil in deinem Markt ist, misst du im Backtest, eine belastbare Pauschalzahl haben wir nicht gefunden. Wer ihn besser abdeckt, hat einen strukturellen Vorteil, unabhängig vom Rest.

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. Unter 100 GWh aktivem Handelsvolumen muss selbst ein externer Dienst 0,20–0,60 Euro je MWh besser abschneiden, um sich zu tragen; ein eigenes Modell rechnet sich erst ab etwa 200 GWh. 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 Day-Ahead-Preise für Deutschland (kostenlos über SMARD.de der Bundesnetzagentur oder die ENTSO-E Transparency Platform; die Historie direkt von EPEX ist lizenzpflichtig), DWD-Wetterdaten für deine Region (kostenlos über DWD Open Data) und deine eigenen Prognosen aus dem Handelssystem für denselben Zeitraum. Berechne deinen aktuellen MAPE und den mittleren Fehler in Euro je MWh.

Dann: Lade die drei Datensätze in NotebookLM oder Claude und stelle die Frage: „Welche Muster in den Wetterdaten hätten die größten Prognoseabweichungen vorhersagen können?” Lade dabei nur Preise, Wetter und deine Preisprognose hoch, keine Mengen, Positionen oder Handelsbuchdaten: Die gehören laut Datenschutzabschnitt oben nicht auf Server außerhalb der EU. Nutze einen Business-Zugang, der Eingaben nicht fürs Training verwendet.

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 und Mehrertrag: Keine belastbare Quelle gefunden; ein früherer Verweis auf „Fraunhofer ISE, Energiemarkt-Prognoseforschung” nannte keine prüfbare Veröffentlichung. Die Schwellenwerte je MWh sind eigene Rechnung aus den genannten Kosten.
• Day-Ahead-Preise kostenlos: SMARD.de (Bundesnetzagentur), ENTSO-E Transparency Platform.
• REMIT/MiFID-Compliance: EU-Verordnung über die Integrität und Transparenz des Energiegroßhandelsmarkts (REMIT, Verordnung (EU) Nr. 1227/2011), 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.