KI-gestützte Prognose von Getreidepreisen

Die Ackerbaubetriebe erleben gerade ein Wechselbad der Gefühle. Zwar fiel die diesjährige Getreideernte deutlich größer aus als im Vorjahr. Aufgrund der steigenden Lagerbestände und guten Versorgungssituation am Weltmarkt sind die Getreidepreise zuletzt aber wieder auf das niedrige Niveau von Anfang 2018 gefallen. Die Betriebsleiter müssen nun eine wichtige Entscheidung treffen: Restbestände verkaufen oder warten und auf steigende Preise im Frühjahr hoffen? Diese Frage lässt sich nicht so leicht beantworten, da Getreidepreise – ähnlich wie ein Aktienkurs – eine Zufallsvariable darstellen, die sich niemals treffsicher vorhersagen lässt.

Der Grund ist, dass das Marktgeschehen einem komplexen Zusammenspiel zahlreicher Faktoren unterliegt, die wiederum selbst Zufallsvariablen sind. So stehen die Getreidepreise z.B. unter dem Einfluss der Witterungsbedingungen, Exporte, Vorräte, Wechselkurse, Börsen, Rohstoffmärkte und Politik. Der Megatrend „Künstliche Intelligenz (KI)“ erfasst inzwischen nahezu jede Branche und bietet auch im Bereich der Agrarmarktanalyse enorme Potenziale bei der Prognose von Preis- und Entwicklungsdynamiken. Wir sind noch ganz am Anfang, doch die KI ist jetzt schon ein hilfreiches Instrument, wenn es darum geht, die Wissensbestände der Welt in Echtzeit zu verarbeiten und Strukturen zu erkennen.

Liefert man ihr valides und qualitativ hochwertiges Datenmaterial, führt sie per Knopfdruck statistische und ökonometrische Analysen durch, für die man früher Tage oder Wochen benötigt hätte. Natürlich setzt dies eine profunde Fachkenntnis derjenigen Personen voraus, die die Prompts für die KI formulieren. In einem internen Pilotprojekt untersucht das Fachgebiet Ökonomie und Markt (31) aktuell den Einsatz von KI bei Preisprognosen für den Weizenmarkt. Es liegt noch viel Arbeit vor uns, doch die ersten Ergebnisse sind vielversprechend.

Im Folgenden wird ein Prognosemodell vorgestellt, das die Preise für Backweizen in der Marktregion Hessen für drei Zeitschritte, also bis April 2026 vorhersagt. Auf die Mathematik hinter der Methodik soll an dieser Stelle nicht eingegangen werden, da dies kein wissenschaftlicher Aufsatz ist. Vielmehr ist der vorliegende Artikel ein kurzer Auszug unserer Pionierarbeit auf diesem Gebiet und soll auch für Kolleginnen und Kollegen anderer Fachgebiete verständlich sein.

1. Datengrundlage & Struktur

• Zeitraum: Januar 2016 – Januar 2026
• Frequenz: monatlich
• Beobachtungen: 121
• Variable: Marktpreis Brotweizen (Hessen), Quelle: LLH.

2. Modellwahl: ARIMA mit Saisonkomponente (SARIMA)

• Verwendetes Modell:
• SARIMA(1,1,1)×(1,1,1)¹²
• AIC = 756 → für Agrarpreisdaten dieser Länge gut, konvergiert stabil

Parameter Interpretation

• MA(1) = 0,43 (signifikant)    Preisschocks wirken kurzfristig nach
• AR(1) nicht signifikant          kein stabiler kurzfristiger Trend

Das SARIMA-Modell (Seasonal Autoregressive Integrated Moving Average) ist eine statistische Methode zur Prognose von Zeitreihen, die saisonale Muster, externe Schocks und Trends berücksichtigt. Das Verfahren wird häufig in Bereichen wie Wirtschaft, Meteorologie und Finanzwesen eingesetzt, um verlässliche Vorhersagen zu erstellen.

Vereinfacht ausgedrückt, lassen sich die Weizenpreise in diesem Modell zum Teil mit den verzögerten Weizenpreisen aus der Vergangenheit vorhersagen. Die Zeitreihe hat gewissermaßen ein „langes Gedächtnis“ (AR-Anteil). Des Weiteren sind die Weizenpreise von heute und morgen aber auch das Ergebnis von früheren externen Schocks („Überraschungen“). Dazu zählen z.B. Trockenheit, Handelskonflikte, Corona oder der Ukraine-Krieg (MA-Anteil). Der heutige Weizenpreis wird also immer noch von diesen Schocks aus der Vergangenheit beeinflusst.

3. Struktur der Zeitreihe

• Ausgeprägte Saisonalität mit regelmäßig schwächeren Preisen nach der Ernte und anziehenden Notierungen im Winter und Frühjahr, wenn Bestände sinken.
• Nichtstationäres Preisniveau, das insbesondere seit 2021 durch strukturelle Marktveränderungen geprägt ist (Ukraine-Krieg).
• Kurz- bis mittelfristige Preiszyklen, wie sie für Agrarmärkte typisch sind (Angebot, Lagerhaltung, internationale Marktimpulse).

➡️ Jahreszyklus ist statistisch klar vorhanden, für Vermarktungsstrategie nutzen!

4. Visuell (Zeitreihenplot):

• klar zyklische Bewegungen (mehrjährige Preiszyklen)
• starke Ausschläge 2021–2023 (Energiepreise, Ukraine-Krieg)
• kein stabiler langfristiger Trend, sondern Regimewechsel

➡️ Klassischer Fall für SARIMA mit saisonaler Differenzierung

5. Preiszyklen

• Mehrjährige Schwankungen (ca. 3–5 Jahre), konsistent mit:
• typischer Agrarrohstoff-Zyklus:
  hohe Preise → Flächenausdehnung
  Überangebot → Preisverfall
  Angebotsrückgang → neuer Preisanstieg
• globalen Angebotszyklen
• geopolitische Schocks
• Energie- & Düngemittelpreise

➡️ Diese werden im Modell indirekt über AR/MA-Struktur erfasst. Wir befinden uns aktuell in einer Korrektur- / Normalisierungsphase.

6. Marktlage aktuell

Das US-Landwirtschaftsministerium USDA hat seine Prognosen für die globalen Endbestände von Weizen, Mais und Sojabohnen im Januar überraschend nach oben korrigiert. Hinzu kommen steigende Exportmengen aus Russland und der Südhalbkugel (Australien und Argentinien). Am regionalen Getreidemarkt bleiben die Umsätze überschaubar. Vorrangig werden Kontrakte bedient. Lediglich für Futterzwecke werden einzelne Fuhren verladen. Die gewohnten Aufgelder für höherwertige Weizenpartien sind deutlich reduziert. Backweizen wird in Hessen aktuell mit 153 EUR/t frei Lager bewertet.

7. Prognoseergebnisse

Monat	Prognose Weizenpreis Hessen (EUR/t)
Feb 2026	148,9
Mär 2026	148,2
Apr 2026	152,0

Quelle: LLH, aus ChatGPT

Auf Basis des geschätzten Modells ergibt sich für die kommenden Monate folgende Entwicklung:

• Der Weizenpreis dürfte sich zunächst auf dem aktuellen Niveau stabilisieren.
• Im weiteren Verlauf ist ein leichter saisonaler Preisanstieg zu erwarten, der dem für das Frühjahr typischen Muster entspricht.
• Hinweise auf eine kurzfristige starke Abwärts- oder Aufwärtsbewegung ergeben sich aus dem Modell derzeit nicht.

Tatsächlich steht das Modell im Einklang mit der Trendkurve am Terminmarkt, die ab dem Liefermonat Mai steigende Kurse vorhersagt. In die Börsenkurse späterer Liefertermine fließen die Zukunftserwartungen der Anleger ein.

📉 Neutral-Seitwärts-Szenario (40–50 %)

• Preise bewegen sich in einer engen Spanne, weil fundamentale Faktoren (hohe Vorräte & stabile Produktion) keinen klaren Trend schaffen.
• Technische Indikatoren in EU-Charts signalisieren eher Neutralität.
• Große Preisbewegungen nach oben sind nicht zu erwarten.

8. Diskussion

Die Prognose bildet ausschließlich die statistische Fortsetzung historischer Muster ab. Bei der Interpretation der Prognoseergebnisse sind potenzielle Unsicherheiten durch mögliche Handelskonflikte, Veränderungen im Kriegsgeschehen (Ukraine) und witterungsbedingte Risiken zu berücksichtigen. Entsprechend ist die Prognose als indikative Kurzfristeinschätzung als verstehen. Darüber hinaus ist zu berücksichtigen, dass die Berechnungen der KI Fehler enthalten können, die nicht unmittelbar auffallen. Eine kritische Überprüfung ist in jedem Fall angezeigt. Trotz dieser Limitierungen ist davon auszugehen, dass die Prognosen mittels KI in den kommenden Jahren immer genauer werden und dem Instrumentarium im Fachgebiet 31 ein hoher Stellenwert beigemessen wird.