Prognosemärkte sind keine „Wahrheitsmaschinen“ – Eine detaillierte Erklärung der sieben wichtigsten strukturellen Ineffizienzen

Autor: Pi Squared

Übersetzung: Felix, PANews

Zusammenfassung: „Dummes Geld“ Mangel, anhaltende Arbitrage, Robotereinsatz, Feedback-Schleifen, Falschmeldungen, Insiderhandel und geringe Liquidität in Nischenmärkten.

Der Prognosemarkt formt zunehmend die Art und Weise, wie die Öffentlichkeit über die Zukunft nachdenkt. Von Wahlergebnissen, Inflationsraten bis hin zu Produkteinführungen und Großsportveranstaltungen bieten sie eine einfache, aber kraftvolle Idee: Investiere Kapital in Überzeugungen, damit der Markt die wahrscheinlichsten Ereignisse offenbart.

Diese Methode hat sich als erstaunlich effektiv erwiesen. In vielen Fällen stehen die Leistungen der Prognosemärkte traditionellen Meinungsumfragen und Expertenvorhersagen kaum nach, manchmal sind sie sogar überlegen. Indem sie Individuen mit unterschiedlichen Informationen, Motivationen und Ansichten erlauben, auf ein und dasselbe Ereignis zu handeln, bündeln diese Märkte verstreutes Wissen zu einem einzigen Signal: dem Preis. Es wird allgemein angenommen, dass ein Vertrag mit einem Preis von 0,7 USD für das Eintreten eines Ereignisses eine Wahrscheinlichkeit von 70 % widerspiegelt, basierend auf der kollektiven Einschätzung aller Teilnehmer.

Daher sind Prognosemärkte nicht mehr nur ein Kuriositätswerkzeug für Wenige. Entscheider, Forscher, Händler und verschiedenste Institutionen nutzen sie zunehmend, um in einer unsicheren Umgebung bessere Vorhersagen zu treffen. Mit dem Aufstieg von Web3 sind viele dieser Märkte auf die Blockchain umgezogen, wo sie durch Smart Contracts offene Teilnahme, transparente Abrechnung und automatische Zahlungen ermöglichen.

Trotz ihrer zunehmenden Verbreitung und ihrer theoretisch hohen Attraktivität sind Prognosemärkte jedoch keineswegs perfekt.

Die meisten Diskussionen konzentrieren sich auf offensichtliche Herausforderungen wie Regulierung, mangelnde Liquidität oder komplexe Bedienung. Diese Probleme bestehen zwar, sind aber nicht die ganze Wahrheit. Selbst wenn Prognosemärkte lebhaft, liquide und gut gestaltet erscheinen, können sie dennoch Preisverzerrungen, ungerechte Ergebnisse und irreführende Signale produzieren.

Dieser Artikel geht über oberflächliche Einschränkungen hinaus und untersucht tiefere, verborgene Ineffizienzen im Betrieb von Prognosemärkten. Diese versteckten Limitierungen (viele sind struktureller, weniger verhaltensbezogener Natur) schränken unbemerkt die Genauigkeit, Skalierbarkeit und Vertrauenswürdigkeit ein. Das Verständnis dieser Probleme ist nicht nur für eine effektive Nutzung von Prognosemärkten entscheidend, sondern auch für den Aufbau der nächsten Generation von Vorhersagesystemen.

Funktionsweise von Prognosemärkten

Prognosemärkte sind im Wesentlichen Märkte, auf denen Menschen die Ergebnisse zukünftiger Ereignisse handeln. Die Teilnehmer kaufen und verkaufen nicht Unternehmensaktien, sondern Verträge, die an bestimmte Fragen geknüpft sind, zum Beispiel:

• Wird Kandidat X die nächste Wahl gewinnen?
• Wird die Inflationsrate in diesem Jahr über 5 % liegen?
• Wird die Firma Z vor Juni ein neues Produkt veröffentlichen?
• Wird das Einspielergebnis eines Films am Wochenende 5 Millionen US-Dollar übersteigen?

Jedes mögliche Ergebnis wird durch einen Vertrag repräsentiert. Im einfachsten Fall zahlt der Vertrag bei Eintritt des Ereignisses 1 USD; bei Nicht-Eintreten 0 USD. Die Handelskurse dieser Verträge liegen zwischen 0 und 1 USD, und der Marktpreis wird üblicherweise als Wahrscheinlichkeit für das Eintreten des Ereignisses interpretiert.

Beispielsweise deutet ein Handelspreis von 0,7 USD für einen „Ja“-Vertrag bei einer Wahlprognose darauf hin, dass die Wahrscheinlichkeit für den Sieg dieses Kandidaten bei 70 % liegt. Mit neuen Informationen wie Meinungsumfragen, Nachrichten, Wirtschaftsdaten oder Gerüchten passen Händler ihre Positionen an, was die Preise schwanken lässt.

Der Reiz von Prognosemärkten liegt nicht nur in ihrer Funktionsweise, sondern auch in den dahinterstehenden Anreizen. Teilnehmer drücken nicht nur ihre Meinungen aus, sondern tragen auch ein finanzielles Risiko. Richtig zu prognostizieren bringt wirtschaftliche Vorteile, falsche Vorhersagen kosten Geld. Dieses System fördert die Suche nach genaueren Informationen, fordert die Mainstream-Meinung heraus und ermutigt zu schnellem Handeln bei neuen Beweisen.

Im Lauf der Zeit entwickeln sich die Preise zu kontinuierlich aktualisierten, crowdsourcigen Vorhersagen.

In der Praxis existieren verschiedene Formen von Prognosemärkten. Plattformen wie PredictIt konzentrieren sich auf politische Vorhersagen und erlauben den Handel mit Wahlergebnissen und politischen Fragen. Kalshi, reguliert von der US Commodity Futures Trading Commission, bietet Märkte für wirtschaftliche Indikatoren, geopolitische Ereignisse sowie Zinssatz- oder Inflationsänderungen. Im Web3-Ökosystem laufen Prognosemärkte auf dezentralen Plattformen wie Polymarket und Augur auf der Blockchain, wo Smart Contracts den Handel verwalten und bei Ergebnisfeststellung automatisch Gewinne abrechnen.

Obwohl diese Plattformen Unterschiede in Regulierung, Architektur und Nutzererfahrung aufweisen, basieren sie alle auf der gleichen Grundannahme: Der Marktpreis ist ein kraftvolles Signal für die kollektive Erwartung an die Zukunft.

Warum Prognosemärkte effektiv sind (wenn sie es sind)

Die Popularität von Prognosemärkten ist kein Zufall. Unter geeigneten Bedingungen können sie äußerst präzise Vorhersageinstrumente sein, manchmal sogar besser als Meinungsumfragen, Fragebögen oder Expertenpanels. Hier einige zentrale Gründe:

Informationsaggregation: Kein einzelner Teilnehmer besitzt vollständiges Weltwissen. Manche haben lokale Informationen, andere konzentrieren sich auf Nischendatenquellen, wieder andere interpretieren öffentlich zugängliche Daten unterschiedlich. Prognosemärkte erlauben es, all diese verstreuten Informationen durch den Preis zu bündeln. Es geht nicht darum, wer die wichtigste Meinung hat, sondern um die Bewertung verschiedener Ansichten basierend auf Überzeugungen und Kapital.

Anreizmechanismus: Anders als bei Meinungsumfragen, bei denen falsche Antworten keine Konsequenzen haben, verlangt der Prognosemarkt von den Teilnehmern, Kapitalrisiken einzugehen. Dieses „Interessens“-System dämpft willkürliches Raten und belohnt diejenigen, die auf Basis besserer Informationen handeln. Mit der Zeit verlieren ungenaue Vorhersager Geld und Einfluss, während genauere Vorhersager gewinnen.

Selbstanpassung: Die Preise sind keine statischen Prognosen, sondern werden durch ständig neue Informationen aktualisiert. Eine plötzliche Nachricht, eine Datenveröffentlichung oder ein glaubwürdiges Gerücht können die Marktstimmung rasch verändern. Das macht Prognosemärkte in schnelllebigen oder unsicheren Umgebungen besonders nützlich, da statische Vorhersagen schnell veralten.

Historisch gesehen haben diese Eigenschaften – Anreizmechanismus, Selbstanpassung und Informationsaggregation – beeindruckende Ergebnisse geliefert. Politische Prognosemärkte können oft mit den Durchschnittswerten traditioneller Meinungsumfragen mithalten, in manchen Fällen sogar genauer sein. Im Finanz- und Wirtschaftsbereich werden Marktvoraussagen häufig als Frühindikatoren genutzt, da sie die Erwartungen in Echtzeit widerspiegeln, im Gegensatz zu verzögerten Berichten.

Zusammengefasst erklären diese Merkmale, warum Prognosemärkte zunehmend als ernsthafte Vorhersageinstrumente gelten, nicht nur als Glücksspielplattformen. Wenn sie breit genutzt werden, qualitativ hochwertige Informationen vorliegen und die Marktstrukturen gut sind, können die Preise bedeutungsvolle Prognosen für zukünftige Ereignisse liefern.

Doch diese Vorteile hängen von Annahmen ab, die in der Realität nicht immer zutreffen. Wenn diese Annahmen versagen, können Prognosemärkte irreführend sein.

Grenzen von Prognosemärkten

Wie jedes marktbasiertes System haben auch Prognosemärkte bekannte Grenzen. Die Teilnahme ist oft durch Regulierung eingeschränkt, z.B. unter PredictIt und Kalshi, die strengen rechtlichen Vorgaben unterliegen, welche die Identität der Trader und die Höhe der Einlagen beschränken. Liquidität konzentriert sich meist auf populäre Ereignisse, während Nischenthemen oft leer bleiben und starke Schwankungen zeigen.

In Bezug auf Nutzbarkeit, besonders bei Web3-basierten Plattformen wie Polymarket und Augur, bestehen weiterhin Herausforderungen wie komplizierte Registrierung, hohe Transaktionskosten und unzureichende Mechanismen zur Streitbeilegung. Diese Probleme sind in der Fachliteratur und Branchenkritik breit diskutiert.

Doch nur auf diese oberflächlichen Einschränkungen zu schauen, verkennt ein wichtigeres Problem. Selbst in liquiden, regulierten und aktiven Märkten können Preisverzerrungen, irreführende Wahrscheinlichkeiten und ungerechte Ergebnisse auftreten.

Diese Probleme sind nicht immer auf geringe Teilnahme oder schlechte Anreize zurückzuführen, sondern auf tiefere, strukturelle Ineffizienzen in der Informationsverarbeitung, im Handel und in der Ergebnisbildung. Diese versteckten Ineffizienzen begrenzen letztlich die Zuverlässigkeit und Skalierbarkeit von Prognosemärkten. Zu den wichtigsten verborgenen Ineffizienzen zählen:

1. Das „Dumme-Geld“-Problem

Prognosemärkte benötigen professionelle Trader und Laien, um richtig zu funktionieren, doch es ist schwierig, genügend Kleinanleger anzuziehen, um ausreichend Handelsvolumen zu generieren. Man kann es so formulieren: Wenn alle an einem Tisch Profis sind, will niemand spielen.

Ohne genügend Kleinanleger, die den Markt mit zusätzlicher Liquidität versorgen, reicht die Liquidität nicht aus, um professionelle Trader anzuziehen, die die Preise auf die tatsächliche Wahrscheinlichkeit bringen. Es entsteht ein Henne-Ei-Problem, das zu kleinen Märkten und geringer Effizienz führt.

2. Anhaltende Preisfehler und Arbitragemöglichkeiten

Wenn die Summe der „Ja“- und „Nein“-Anteile in einem binären Markt von 1 USD abweicht, entstehen risikofreie Gewinnchancen. Seit 2024 haben auf Polymarket einfache Arbitrage-Strategien allein über 39,5 Mio. USD Gewinn generiert.

Diese Chancen bestehen, weil die Marktpreise nicht sofort effizient korrigiert werden. Es ist zwar cleveres Trading, doch zeigt es, dass die Preise nicht immer die tatsächliche Wahrscheinlichkeit widerspiegeln, sondern systemische Ineffizienzen offenbaren.

3. Robotereinsatz und algorithmischer Handel

Studien belegen, dass Prognosemärkte zunehmend durch automatisierte Bots manipuliert werden. Automatisierte Handelssysteme agieren schneller als Menschen, was zu unfairen Wettbewerbsbedingungen führt. Laien verlieren dadurch oft Geld, was die Fairness und Genauigkeit der Märkte als Vorhersageinstrument erheblich beeinträchtigt.

4. Selbstverstärkende Feedback-Schleifen

Prognosemärkte leiden an einem Problem, bei dem Quoten durch Wetten selbst verstärkt werden: Händler nehmen die Quoten als wahre Wahrscheinlichkeit, ohne externe Informationen ausreichend zu berücksichtigen.

Das ist besonders gefährlich, weil es dazu führen kann, dass die Märkte von der Realität abweichen. Händler aggregieren keine neuen Informationen, sondern schauen nur, was der Markt sagt, und nehmen es für bare Münze an. Das kann eine Schleife erzeugen, die auch bei widersprechenden Beweisen bestehen bleibt.

5. Falschinformationen und Qualitätsprobleme bei Daten

Während der US-Präsidentschaftswahl 2020 gab es in Prognosemärkten wiederkehrende, manipulierbare Preisabweichungen, bei denen einige Teilnehmer auf falschen Informationen basierten und fälschlicherweise auf einen Sieg Donald Trumps setzten.

In Märkten mit geringem Handelsvolumen können wenige Akteure durch Falschinformationen die Preise stark verzerren. Das zeigt ein Grundproblem: Wenn falsche Informationen in den Markt gelangen, korrigieren sie sich nicht immer schnell, vor allem wenn viele an die Falschmeldungen glauben.

6. Insiderhandel und Informationsasymmetrien

Eines der größten Bedenken bei Prognosemärkten ist die weit verbreitete Existenz von Informationsasymmetrien: Manche verfügen über nicht-öffentliche Informationen, die ihnen einen unfairen Vorteil verschaffen.

Im Gegensatz zur US-amerikanischen SEC, die Insiderhandel verbietet, erlaubt die Rahmenordnung der US Commodity Futures Trading Commission (CFTC) in vielen Fällen den Handel auf Basis nicht-öffentlicher Informationen. So können Sportler auf ihre Verletzungen wetten oder Politiker auf ihre zukünftigen Pläne, was die Fairness erheblich beeinträchtigt.

7. Geringe Liquidität in Nischenmärkten

Märkte mit geringer Liquidität sind leichter manipulierbar, und Nischenthemen sind oft die ungenauesten. Wenn wenige Händler aktiv sind, kann eine große Transaktion die Preise stark bewegen, und es fehlt an Teilnehmern, um falsche Preise zu korrigieren. Das bedeutet, Prognosemärkte sind vor allem für populäre, stark gehandelte Ereignisse geeignet und haben dadurch eine eingeschränkte Anwendbarkeit.

Diese Ineffizienzen sind für Laien oft kaum sichtbar, doch selbst bei scheinbar gut funktionierenden Märkten beeinflussen sie die Ergebnisse unbemerkt. Für jeden, der Prognosemärkte nutzen oder Systeme entwickeln möchte, die über die bestehenden Grenzen hinausgehen, ist das Verständnis dieser Probleme essenziell.

Um diese Herausforderungen anzugehen, ist ein Umdenken in der Grundarchitektur notwendig. Derzeit stoßen Prognosemärkte oft an eine Sortierschranke: Ob Wahl oder Sport, alle Trades müssen in eine gemeinsame Warteschlange eingereiht werden. Diese Verzögerung verlängert Arbitragemöglichkeiten und verhindert, dass Preise die Wahrheit in Echtzeit widerspiegeln.

Neue Infrastrukturprojekte wie FastSet versuchen, dieses Problem durch parallele Abrechnung zu lösen. Sie können gleichzeitig nicht-konfliktierende Trades verarbeiten und eine endgültige Konsistenz in weniger als 100 Millisekunden erreichen. Wenn die Abrechnungsgeschwindigkeit hoch genug ist, schließen sich Arbitragemöglichkeiten, bevor sie ausgenutzt werden, und die Preise spiegeln die tatsächliche Wahrscheinlichkeit genauer wider. Laien profitieren ebenfalls von weniger strukturellen Verzögerungen. Das ist nicht nur eine Leistungssteigerung, sondern eine fundamentale Veränderung in der fairen und effizienten Funktionsweise von Prognosemärkten.

Fazit

Prognosemärkte wandeln Meinungen in Preise, Überzeugungen in Wetten. Wenn sie gut funktionieren, sind ihre Vorhersagen für die Zukunft erstaunlich, manchmal sogar besser als Umfragen, Experten oder Analysten.

Doch ihre Wirksamkeit ist nicht garantiert. Neben bekannten Herausforderungen wie Regulierung und Akzeptanz gibt es tiefere, strukturelle Ineffizienzen, die Preise verzerren und Signale schwächen. Liquiditätsfallen, anhaltende Preisfehler, algorithmische Manipulation, Feedback-Schleifen, Falschinformationen und fragile Mechanismen führen dazu, dass die tatsächliche Leistung von Prognosemärkten hinter ihren Versprechen zurückbleibt.

Um diese Kluft zu überbrücken, braucht es mehr als nur mehr Teilnehmer oder stärkere Anreize. Es erfordert eine tiefgehende Reflexion der Annahmen und Strukturen, die das heutige Funktionieren prägen. Nur durch die Lösung dieser fundamentalen Beschränkungen kann sich das Prognosemarkt-System zu einem wirklich zuverlässigen Entscheidungsinstrument entwickeln.

Weiterführend: Prognosemärkte und der Kampf um die Wahrheit: Wenn KI lernt, Meinungen zu fälschen