Agentische KI entdeckt verborgene Zusammenhänge in Prognosemärkten

Prediction Markets ermöglichen es Nutzern, auf Ergebnisse realer Ereignisse zu spekulieren, doch sie leiden häufig unter Fragmentierung. Überlappende Fragen, implizite Äquivalenzen und versteckte Widersprüche führen zu einer unübersichtlichen Marktlandschaft.

Eine neue agentische KI-Pipeline löst dieses Problem, indem sie zunächst sämtliche Märkte in thematisch zusammenhängende Cluster gruppiert. Dabei nutzt sie natürliche Sprachverarbeitung, um Vertragsinhalte und Metadaten zu analysieren. Anschließend identifiziert sie innerhalb jedes Clusters Marktpaare, deren endgültige Ergebnisse starke Abhängigkeiten aufweisen – sei es Korrelation oder Antikorrelation.

Die Leistung der KI wurde anhand eines historischen Datensatzes von abgeschlossenen Märkten auf Polymarket getestet. Die erkannten Beziehungen erreichten eine Genauigkeit von etwa 60 % bis 70 %. Auf Basis dieser Erkenntnisse wurde ein einfacher Handelsalgorithmus entwickelt, der die Beziehungen in handelbare Signale umsetzt. Die daraus resultierenden Strategien erzielten durchschnittlich rund 20 % Rendite über einwöchige Zeiträume.

Diese Ergebnisse demonstrieren, dass agentische KI und große Sprachmodelle in der Lage sind, latente semantische Strukturen in Prognosemärkten aufzudecken und daraus konkrete, profitablen Handelssignale abzuleiten.