Von Jacob Zhao @IOSG

In früheren Berichten zur Krypto-KI-Serie haben wir stets die Ansicht betont, dass die derzeit praktischsten Anwendungsszenarien im Kryptobereich hauptsächlich auf Stablecoin-Zahlungen und DeFi konzentriert sind, wobei Agenten die zentrale Nutzeroberfläche in der KI-Industrie darstellen. Daher sind im Trend der Verschmelzung von Krypto und KI die beiden wertvollsten Wege: Kurzfristig AgentFi, basierend auf bestehenden ausgereiften DeFi-Protokollen (wie Kredite, Liquiditätsmining sowie fortgeschrittene Strategien wie Swap, Pendle PT und Funding Rate-Arbitrage), und mittelfristig bis langfristig Agent Payment, das um Stablecoins abgewickelt wird und auf Protokollen wie ACP/AP2/x402/ERC-8004 basiert.

Prognosemärkte sind im Jahr 2025 zu einem bedeutenden neuen Trend in der Branche geworden, wobei das jährliche Handelsvolumen von etwa 9 Milliarden US-Dollar im Jahr 2024 auf über 40 Milliarden US-Dollar im Jahr 2025 explodiert ist – ein Wachstum von über 400 %. Dieses enorme Wachstum wird durch mehrere Faktoren angetrieben: Unsicherheiten durch makropolitische Ereignisse, die Reifung von Infrastruktur und Handelsmodellen sowie regulatorische Durchbrüche (wie Kalshi’s Sieg vor Gericht und die Rückkehr von Polymarket in die USA). Prognosemarkt-Agenten werden voraussichtlich Anfang 2026 erste frühe Formen zeigen und im kommenden Jahr zu einer neuen Produktkategorie im Bereich der Agenten werden.

1. Prognosemarkt: von Wett-Tools zur „globalen Wahrheits-Schicht“

Ein Prognosemarkt ist ein Finanzmechanismus, der auf den Ergebnissen zukünftiger Ereignisse basiert, wobei die Kontraktpreise im Wesentlichen das kollektive Urteil des Marktes über die Wahrscheinlichkeit eines Ereignisses widerspiegeln. Seine Effektivität beruht auf der Kombination von kollektiver Intelligenz und ökonomischen Anreizen: In einer anonymen, echten Geld-Wettumgebung werden verstreute Informationen schnell in gewichtsbasierte Preissignale integriert, was Rauschen und falsche Einschätzungen deutlich reduziert.

▲ Trenddiagramm des nominalen Handelsvolumens im Prognosemarkt, Datenquelle: Dune Analytics (Abfrage-ID: 5753743)

Bis Ende 2025 hat sich der Prognosemarkt weitgehend in eine Duopol-Struktur zwischen Polymarket und Kalshi entwickelt. Laut Forbes wird das Gesamtvolumen 2025 bei etwa 44 Milliarden US-Dollar liegen, wobei Polymarket ca. 21,5 Milliarden und Kalshi ca. 17,1 Milliarden beiträgt. Daten für Februar 2026 zeigen, dass Kalshis Handelsvolumen (25,9 Mrd. USD) Polymarkets (18,3 Mrd. USD) überholt hat und fast 50 % Marktanteil erreicht. Kalshi konnte durch den rechtlichen Sieg bei früheren Wahlverträgen, seine regulatorische Vorreiterrolle im US-Sportwettenmarkt sowie klare regulatorische Erwartungen schnell expandieren. Die Entwicklungspfade der beiden zeigen eine deutliche Differenzierung:

• Polymarket nutzt eine hybride Architektur mit „Off-Chain-Matching und On-Chain-Abwicklung“ (CLOB) sowie dezentraler Abwicklung, um einen globalen, nicht-verwahrenden Markt mit hoher Liquidität aufzubauen. Nach der Rückkehr in die USA wurde eine „Onshore + Offshore“-Doppelbetriebslösung etabliert.
• Kalshi integriert sich in das traditionelle Finanzsystem, verbindet sich via API mit Mainstream-Retail-Brokern und zieht Wall-Street-Marktteilnehmer durch tiefgehende Beteiligung an makro- und datenbasierten Verträgen an. Das Produkt ist durch traditionelle Regulierungsprozesse eingeschränkt, und die Nachfrage nach Nischen-Events sowie plötzlichen Ereignissen ist noch relativ gering.

Neben Polymarket und Kalshi entwickeln sich weitere Akteure im Prognosemarkt entlang zweier Hauptpfade:

• Erstens der konforme Distributionspfad: Event-Kontrakte werden in bestehende Konten und Abwicklungssysteme von Brokern oder großen Plattformen integriert, wobei Kanalabdeckung, regulatorische Qualifikationen und institutionelles Vertrauen Vorteile bieten (z. B. ForecastTrader von Interactive Brokers × ForecastEx, FanDuel × CME Group’s FanDuel Predicts). Diese Wege sind regulatorisch konform und verfügen über Ressourcen, sind aber noch in der frühen Entwicklungsphase.
• Zweitens der Crypto-native On-Chain-Pfad: Vertreten durch Opinion.trade, Limitless und Myriad, die Punktemining, Kurzzyklusverträge und Medienverteilung nutzen, um schnelle Volumensteigerung zu erzielen. Dabei wird auf Performance und Kapitaleffizienz gesetzt, doch die langfristige Nachhaltigkeit und Risikokontrolle sind noch zu prüfen.

Die beiden Wege – der traditionelle regulatorische Einstieg und der native Krypto-Ansatz – bilden zusammen ein vielfältiges Wettbewerbsumfeld im Prognosemarkt-Ökosystem.

Prognosemärkte ähneln auf der Oberfläche Glücksspielen, sind im Kern aber Zero-Sum-Spiele. Der entscheidende Unterschied liegt darin, ob sie positive Externalitäten erzeugen: Durch echtes Geld aggregieren sie verstreute Informationen und bepreisen reale Ereignisse öffentlich, wodurch eine wertvolle Signalschicht entsteht. Der Trend verschiebt sich vom reinen Spiel hin zu einer „globalen Wahrheits-Schicht“ – mit der Integration von Institutionen wie CME und Bloomberg werden Ereigniswahrscheinlichkeiten zu Metadaten, die direkt von Finanz- und Unternehmenssystemen abgerufen werden können, um zeitnahe, quantifizierbare Wahrheiten zu liefern.

Aus regulatorischer Sicht ist der Compliance-Pfad stark differenziert. Die USA sind das einzige große Land, das Prognosemärkte explizit im Rahmen der Finanzderivate reguliert. Europa, Großbritannien, Australien und Singapur betrachten sie meist als Glücksspiel und verschärfen die Regulierung. China, Indien und andere verbieten sie vollständig. Die globale Expansion hängt künftig stark von den regulatorischen Rahmenbedingungen der jeweiligen Länder ab.

2. Architekturdesign von Prognosemarktagenten

Derzeit befinden sich Prognosemarkt-Agenten in der frühen Praxisphase. Ihr Wert liegt nicht darin, dass KI „besser vorhersagt“, sondern darin, die Informationsverarbeitung und -ausführung im Prognosemarkt zu verstärken. Der Kern eines Prognosemarktes ist ein Informationsaggregationsmechanismus, bei dem die Preise kollektive Wahrscheinlichkeiten widerspiegeln. Marktineffizienzen entstehen durch Informationsasymmetrien, Liquiditäts- und Aufmerksamkeitseinschränkungen. Predictive Market Agents sind als „Executable Probabilistic Portfolio Management“ sinnvoll: Sie wandeln Nachrichten, Regeltexte und On-Chain-Daten in überprüfbare Preisabweichungen um, um Strategien schneller, disziplinierter und kostengünstiger auszuführen und durch plattformübergreifende Arbitrage sowie Portfolio-Risikomanagement strukturelle Chancen zu erfassen.

Ein idealer Prognosemarktagent lässt sich in eine vierstufige Architektur abstrahieren:

• Informationsschicht: sammelt Nachrichten, soziale Signale, On-Chain- und offizielle Daten;
• Analyseschicht: nutzt LLM und ML, um Fehlpreise zu erkennen und die Edge zu berechnen;
• Strategische Schicht: wandelt Edge durch Kelly-Formel, Batch-Positionierung und Risikomanagement in Positionsgrößen um;
• Ausführungsschicht: führt Multi-Markt-Orders aus, optimiert Slippage und Gas, führt Arbitrage aus und bildet so einen effizienten, automatisierten Closed-Loop.

3. Strategischer Rahmen der Prognosemarktagenten

Im Vergleich zu traditionellen Handelsumgebungen unterscheiden sich Prognosemärkte erheblich in Abwicklungsmechanismen, Liquidität und Informationsverteilung. Nicht alle Märkte und Strategien eignen sich für automatisierte Ausführung. Der Kern eines Prognosemarktagenten ist die Entscheidung, ob er in Szenarien eingesetzt wird, die klare, kodierbare Regeln haben und mit den strukturellen Vorteilen übereinstimmen. Es folgt eine Analyse auf drei Ebenen: Zielauswahl, Positionsmanagement und Strategietypen.

Zielauswahl im Prognosemarkt

Nicht alle Prognosemärkte haben einen handelbaren Wert. Ihre Teilnahme hängt ab von: Klarheit der Abwicklung (ob Regeln eindeutig sind, ob Datenquellen eindeutig sind), Qualität der Liquidität (Markttiefe, Spreads, Volumen), Insider-Risiko (Informationsasymmetrie), Zeitstruktur (Verfallszeit, Ereignisrhythmus) sowie dem eigenen Informationsvorteil und Fachwissen. Nur wenn die meisten dieser Dimensionen erfüllt sind, ist eine Teilnahme sinnvoll. Die Teilnehmer sollten ihre eigenen Vorteile mit den Marktmerkmalen abgleichen:

• Menschliche Kernkompetenzen: Märkte, die auf Fachwissen, Urteilsvermögen und vage Informationsintegration setzen, mit relativ breiten Zeitfenstern (Tage/Wochen). Typisch sind politische Wahlen, makroökonomische Trends und Unternehmensmeilensteine.
• KI-Agenten-Kernvorteile: Märkte, die auf Datenverarbeitung, Mustererkennung und schnelle Ausführung angewiesen sind, mit extrem kurzen Entscheidungsfenstern (Sekunden/Minuten). Typisch sind Hochfrequenz-Kryptopreise, Cross-Market-Arbitrage und automatisiertes Market Making.
• Nicht geeignet: Märkte, die von Insiderinformationen oder rein zufälligen/manipulativen Faktoren dominiert werden, bieten keinen Vorteil für Teilnehmer.

Positionsmanagement im Prognosemarkt

Das Kelly-Kriterium ist die bekannteste Geldmanagementstrategie im wiederholten Spiel. Ziel ist nicht, einzelne Gewinne zu maximieren, sondern das langfristige Wachstum des Kapitals durch Zinseszins zu optimieren. Es basiert auf Schätzungen der Gewinnwahrscheinlichkeit und Quoten und berechnet das optimale Einsatzverhältnis:

• Klassisch: f* = (bp - q) / b, wobei b die Netto-Quote, p die Gewinnwahrscheinlichkeit und q=1−p ist.
• Für Prognosemärkte vereinfacht: f* = (p - Marktpreis) / (1 - Marktpreis), wobei p die subjektive wahre Wahrscheinlichkeit und Marktpreis die implizite Marktwahrscheinlichkeit ist.

In der Praxis bevorzugen professionelle Wettende und Marktteilnehmer oft regelbasierte Strategien, die leichter umsetzbar sind und weniger auf exakte Wahrscheinlichkeitsschätzungen angewiesen sind:

• Unit-System: Das Kapital wird in feste Einheiten (z. B. 1 %) aufgeteilt, je nach Vertrauensniveau unterschiedlich eingesetzt, um Risiko automatisch zu begrenzen.
• Flat Betting: Fester Anteil des Kapitals pro Wette, betont Disziplin und Stabilität, geeignet für risikoaverse oder unsichere Szenarien.
• Confidence Tiers: Diskrete Positionsstufen mit festen Obergrenzen, um Entscheidungsaufwand zu reduzieren und das Pseudo-Genauigkeitsproblem von Kelly zu vermeiden.
• Inverted Risk Approach: Von maximal tragbarem Verlust ausgehend, wird die Positionsgröße rückwärts berechnet, um Risiko zu begrenzen.

Für Prognosemarktagenten sollte die Strategie auf Umsetzbarkeit und Stabilität ausgelegt sein, nicht auf theoretische Optimalität. Klare Regeln, einfache Parameter und Fehlertoleranz sind entscheidend. Unter diesen Bedingungen ist die Ladder-Confidence-Methode mit festen Positionsobergrenzen am besten geeignet. Sie basiert nicht auf exakter Wahrscheinlichkeitsabschätzung, sondern teilt Chancen in begrenzte Stufen und weist feste Positionsgrößen zu. Auch bei hoher Überzeugung werden klare Obergrenzen gesetzt, um Risiken zu kontrollieren.

Strategiewahl im Prognosemarkt

Aus Sicht der Strategietypen lassen sich Prognosemärkte hauptsächlich in zwei Kategorien einteilen:

• Deterministische Arbitragestrategien (Arbitrage): Klare, kodierbare Strategien, die auf Preis- und Abrechnungsregeln basieren, z. B.:

  • Abrechnungsarbitrage: Tritt auf, wenn das Ergebnis eines Ereignisses im Wesentlichen feststeht, der Markt aber noch nicht vollständig eingepreist ist. Gewinne entstehen durch schnelle Synchronisation und Ausführung. Diese Strategie ist klar geregelt, risikoarm und voll kodierbar.
  • Dutch-Book-Arbitrage: Nutzt die Abweichung der Summe der Preise bei sich ausschließenden, vollständigen Ereignissen von der Wahrscheinlichkeitsregel (∑P ≠ 1). Durch Portfolio-Kombinationen werden risikolose Gewinne gesichert. Diese Strategie basiert nur auf Regeln und Preisrelationen, ist risikoarm und gut automatisierbar.
  • Plattformübergreifende Arbitrage: Nutzt Preisabweichungen desselben Ereignisses auf verschiedenen Märkten. Geringes Risiko, aber hohe Anforderungen an Latenz und Überwachung. Für Agenten mit Infrastrukturvorteilen geeignet, aber der Margenverlust durch Konkurrenz ist hoch.
  • Bündel-Arbitrage: Nutzt Preisunterschiede zwischen verwandten Verträgen. Logisch klar, aber Chancen begrenzt. Kann automatisiert werden, erfordert aber technische Kenntnisse.

• Spekulative Richtungsstrategien (Speculative):

  • Strukturierte Informationshandelsstrategien: Basieren auf klaren, kodierbaren Ereignissen wie offiziellen Daten, Ankündigungen oder Entscheidungen. Solange die Quelle eindeutig ist, kann der Agent schnell und diszipliniert handeln. Bei semantischer Interpretation ist menschliches Eingreifen notwendig.
  • Signal-Following: Folgt gut performenden Konten oder Fonds, mit einfachen Regeln und automatisierter Ausführung. Risiko besteht in Signalverschlechterung und Gegenmanipulation, daher sind Filter und strenges Positionsmanagement notwendig.
  • Unstrukturierte / Rauschgetriebene Strategien: Setzen auf Emotionen, Zufall oder Partizipationsverhalten, bieten keine stabile Edge, sind langfristig instabil und ungeeignet für systematisches Agenten-Management.

Marktmikrostrukturen: Hochfrequenz-Strategien mit sehr kurzen Entscheidungsfenstern, kontinuierlichen Quotes oder Hochfrequenzhandel erfordern extrem niedrige Latenz, komplexe Modelle und hohes Kapital. Obwohl theoretisch geeignet, sind sie in Prognosemärkten durch Liquidität und Wettbewerb eingeschränkt und nur für infrastrukturell gut ausgestattete Akteure geeignet.

Risikomanagement und Hedging-Strategien: Dienen vor allem der Risikominderung, nicht der direkten Gewinnmaximierung. Klare Regeln, Zielklarheit und langfristige Einsatzfähigkeit.

Insgesamt konzentrieren sich die für Agenten geeigneten Strategien im Prognosemarkt auf klare, kodierbare Szenarien mit schwacher Subjektivität. Deterministische Arbitrage sollte die Haupteinnahmequelle sein, strukturierte Informations- und Signalstrategien ergänzen, während Rausch- und emotionale Trades systematisch ausgeschlossen werden. Der langfristige Vorteil liegt in hoher Disziplin, Geschwindigkeit und Risikokontrolle.

4. Geschäftsmodell und Produktform des Prognosemarktagenten

Das ideale Geschäftsmodell für Prognosemarktagenten bietet auf verschiedenen Ebenen unterschiedliche Erkundungspfade:

• Infrastruktur: Bietet Multi-Source-Echtzeitdaten, Smart Money-Adressbibliotheken, eine einheitliche Ausführungs-Engine und Backtesting-Tools, verdient B2B-Gebühren und erzielt stabile Umsätze unabhängig von der Prognosegenauigkeit.
• Strategielayer: Integriert Community- und Drittanbieter-Strategien, schafft wiederverwendbare, bewertbare Ökosysteme, und realisiert Wert durch Calls, Gewichtung oder Anteil an Ausführungen, um Abhängigkeit von einzelnen Alpha-Strategien zu verringern.
• Agenten-/Vault-Layer: Agenten verwalten direkt in Treuhandfunktion, basierend auf transparenter On-Chain-Aufzeichnung und strenger Risikokontrolle, und verdienen Management- und Performance-Gebühren.

Die Produktformen dieser Geschäftsmodelle lassen sich in drei Kategorien unterteilen:

• Entertainment / Gamification: Nutzt intuitive Tinder-ähnliche Interaktionen, um Einstiegshürden zu senken, maximiert Nutzerwachstum und Markterziehung, ist ideal für den Durchbruch, muss aber durch Abonnements oder Ausführungsprodukte monetarisiert werden.
• Strategie-Abonnement / Signale: Keine Fondsverwaltung, regulatorisch freundlich, klare Rechte und Pflichten, stabile SaaS-Umsätze. Derzeit die praktikabelste Form der Kommerzialisierung. Einschränkung: Strategien sind leicht kopierbar, es besteht Risiko bei der Ausführung, und die langfristige Umsatzobergrenze ist begrenzt. Durch halbautomatisierte „Signale + One-Click-Execution“ kann die Nutzererfahrung deutlich verbessert werden.
• Vault-Hosting: Bietet Skaleneffekte und Effizienz, ähnelt Asset-Management-Produkten, ist aber durch regulatorische Anforderungen, Vertrauensfragen und zentrale Risiken eingeschränkt. Das Geschäftsmodell ist stark vom Marktumfeld und der Profitabilität abhängig. Ohne langfristige Performance und institutionelle Unterstützung ist es nicht der Hauptweg.

Insgesamt trägt die diversifizierte Einkommensstruktur „Infrastruktur-Monetarisierung + Strategie-Ökosystem + Leistungsbeteiligung“ dazu bei, die Abhängigkeit von der Annahme zu verringern, dass KI den Markt dauerhaft schlägt. Selbst wenn Alpha mit Marktreife konvergiert, behalten die zugrundeliegenden Fähigkeiten wie Ausführung, Risikokontrolle und Abwicklung langfristigen Wert und schaffen so einen nachhaltigen Geschäftskreislauf.

5. Projektbeispiele für Prognosemarktagenten

Derzeit befinden sich Prognosemarktagenten noch in der frühen Erkundungsphase. Obwohl der Markt eine Vielzahl von Ansätzen vom zugrundeliegenden Framework bis zu Oberflächen-Tools hervorgebracht hat, existiert noch kein standardisiertes, ausgereiftes Produkt, das Strategieentwicklung, Ausführung, Risikomanagement und geschlossene Geschäftsprozesse vollständig integriert.

Das aktuelle Ökosystem lässt sich in drei Ebenen gliedern: Infrastruktur, autonome Agenten und Prognosemarkt-Tools.

Infrastruktur

Polymarket-Agenten-Framework

Polymarket Agents ist ein offizielles Entwickler-Framework, das entwickelt wurde, um die technische Standardisierung von „Verbindung und Interaktion“ zu lösen. Es umfasst Marktdatenzugriff, Order-Builder und eine grundlegende LLM-Call-API. Es löst das Problem „wie man per Code handelt“, bleibt aber bei Kernfunktionen wie Strategiegenerierung, Wahrscheinlichkeitskalibrierung, dynamischem Positionsmanagement und Backtesting weitgehend unbefriedigt. Es ist eher eine offizielle Schnittstelle als ein fertiges Produkt mit Alpha-Vorteil. Kommerzielle Agenten müssen darauf aufbauen, um vollständige Investment- und Risikokern zu entwickeln.

Gnosis-Prognosemarkt-Tools

Gnosis Prediction Market Agent Tooling (PMAT) bietet vollständigen Lese- und Schreibzugriff auf Omen/AIOmen und Manifold, aber für Polymarket nur Lesezugriff. Die Ökosystembarrieren sind hoch. Es ist eine Basis für die Entwicklung von Agenten im Gnosis-Ökosystem, aber für Entwickler, die Polymarket als Hauptplattform nutzen, begrenzt nutzbar.

Polymarket und Gnosis sind die einzigen Prognosemarkt-Ökosysteme, die „Agentenentwicklung“ explizit als offiziellen Rahmen kommerzialisieren. Andere wie Kalshi sind noch hauptsächlich auf API- und Python-SDK-Ebene, Entwickler müssen Strategien, Risikomanagement, Betrieb und Monitoring selbst ergänzen.

Autonome Agenten

Viele auf dem Markt befindliche „Prognosemarkt-KI-Agenten“ sind noch in der Frühphase. Obwohl sie als „Agenten“ bezeichnet werden, sind ihre Fähigkeiten weit von vollautomatisiertem, geschlossenem Handel entfernt. Es fehlt an unabhängigen, systematischen Risikokontrollschichten; Positionsmanagement, Stop-Loss, Hedging und Erwartungswert-Beschränkungen sind nicht in die Entscheidungsprozesse integriert. Die Produktisierung ist gering, und es existiert kein ausgereiftes System, das dauerhaft laufen kann.

Olas Predict

Olas Predict ist das derzeit am weitesten entwickelte Prognosemarkt-Agenten-Ökosystem. Das Kernprodukt Omenstrat basiert auf Gnosis Omen, nutzt FPMM und dezentrale Schiedsmechanismen, unterstützt kleine Beträge und Hochfrequenz-Interaktionen, ist aber durch geringe Liquidität im Omen-Einzelmarkt limitiert. Die „KI-Vorhersage“ basiert auf allgemeinen LLMs, es fehlen Echtzeitdaten und systematisches Risikomanagement. Die historische Gewinnrate variiert stark je nach Kategorie. Im Februar 2026 wurde Polystrat eingeführt, das Agentenfähigkeiten auf Polymarket erweitert: Nutzer können Strategien in natürlicher Sprache festlegen, der Agent erkennt Wahrscheinlichkeitsabweichungen im Markt innerhalb von 4 Tagen und führt Trades aus. Das System nutzt Pearl für lokale Ausführung, Self-Hosting Safe-Accounts und fest kodierte Limits, und ist der erste Consumer-Grade-Agent für Polymarket.

UnifAI Network Polymarket-Strategie

Bietet automatisierte Polymarket-Agenten mit Tail-Risiko-Strategien: Scan und Kauf von Verträgen mit impliziter Wahrscheinlichkeit >95 %, Ziel: Spread von 3–5 %. On-Chain-Daten zeigen eine Gewinnrate von ca. 95 %, aber die Renditen variieren stark je nach Kategorie. Die Strategie ist stark abhängig von Ausführungshäufigkeit und Kategorieauswahl.

NOYA.ai

NOYA.ai versucht, „Research – Judgment – Execution – Monitoring“ in einen geschlossenen Agenten-Loop zu integrieren. Die Architektur umfasst Intelligence Layer, Abstraktionsschicht und Ausführungsebene. Derzeit wurden Omnichain Vaults ausgeliefert; der Prediction Market Agent befindet sich noch in der Entwicklung, es gibt noch keinen vollständigen Mainnet-Loop, und es befindet sich in der Validierungsphase.

Prognosemarkt-Tools

Aktuelle Tools reichen nicht aus, um einen vollständigen „Prognosemarktagenten“ zu bilden. Ihr Wert liegt vor allem in der Informations- und Analyseschicht. Ausführung, Positionsmanagement und Risikokontrolle verbleiben beim Nutzer. Sie sind eher frühe Prototypen, die auf „Strategie-Abonnement / Signale / Forschungsförderung“ ausgerichtet sind.

Durch systematische Analyse und empirische Prüfung der in Awesome-Prediction-Market-Tools enthaltenen Projekte wurden repräsentative, bereits produktionsfähige und anwendungsnahe Beispiele ausgewählt. Schwerpunkt liegt auf vier Bereichen: Analyse- und Signalschicht, Alarm- und Walverfolgungssysteme, Arbitrage-Tools sowie Handels- und Ausführungsterminals.

Marktanalysetools

• Polyseer: Forschungsorientiertes Prognosemarkt-Tool, nutzt Multi-Agenten-Arbeitsaufteilung (Planner / Researcher / Critic / Analyst / Reporter) für Beweiserhebung und bayessche Wahrscheinlichkeitsaggregation, liefert strukturierte Berichte. Vorteil: transparent, prozessorientiert, Open Source.
• Oddpool: Positioniert als „Bloomberg für Prognosemärkte“, bietet plattformübergreifende Aggregation, Arbitrage-Scanning und Echtzeit-Dashboards für Polymarket, Kalshi, CME.
• Polymarket Analytics: Globale Datenanalyseplattform, zeigt systematisch Händler-, Markt-, Positions- und Transaktionsdaten, geeignet für Grundlagenforschung.
• Hashdive: Trader-Daten-Tool, nutzt Smart Score und Multi-Dimensional Screener, um Händler und Märkte zu filtern, praktisch für „Smart Money“-Erkennung.
• Polyfactual: Fokus auf KI-Markt-Intelligenz und Sentiment/Risiko-Analyse, integriert Analyseergebnisse in Trading-Interfaces via Chrome-Extension, für B2B und Institutionen.
• Predly: KI-basierte Fehlpreis-Erkennung, vergleicht Marktpreise mit KI-berechneten Wahrscheinlichkeiten, Warnungen mit 89 % Genauigkeit, für Signale und Opportunities.
• Polysights: Überwacht 30+ Märkte und On-Chain-Indikatoren, nutzt Insider Finder für ungewöhnliche Aktivitäten wie neue Wallets, große Wetten.
• PolyRadar: Multi-Modell-Analyseplattform, bietet Echtzeit-Interpretation, Timeline-Entwicklung, Konfidenzbewertungen, Quellen-Transparenz, Cross-Validation.
• Alphascope: KI-gestützte Prognosemarkt-Engine, liefert Signale, Zusammenfassungen und Wahrscheinlichkeitsänderungen, noch in frühen Phasen.

Warn- und Walverfolgung

• Stand: Klare Wal-Kopie- und Hochsicherheits-Warnungen.
• Whale Tracker: Kommerzialisierte Wal-Positionsänderungen.

Arbitrage-Tools

• ArbBets: KI-gestütztes Arbitrage-Discovery-Tool, fokussiert auf Polymarket, Kalshi und Sportwetten, erkennt plattformübergreifende Arbitrage- und +EV-Chancen.
• PolyScalping: Echtzeit-Arbitrage- und Scalping-Tool für Polymarket, scannt alle Märkte alle 60 Sekunden, berechnet ROI, sendet via Telegram, filtert nach Liquidität, Spread, Volumen.
• Eventarb: Leichtgewichtiges plattformübergreifendes Arbitrage-Tool, deckt Polymarket, Kalshi, Robinhood ab, kostenlos, Basisunterstützung.
• Prediction Hunt: Börsenübergreifendes Aggregations- und Vergleichstool, zeigt Preise von Polymarket, Kalshi, PredictIt, erkennt Arbitrage, Aktualisierung alle 5 Minuten.

Handelsterminal / Aggregierte Ausführung

• Verso: YC Fall 2024-Unterstützung, institutionelles Prognosemarkt-Trade-Terminal, Bloomberg-ähnlich, verfolgt 15.000+ Kontrakte in Echtzeit, bietet Deep-Dive-Analysen und KI-Nachrichten.
• Matchr: Plattformübergreifendes Aggregations- und Ausführungstool, 1.500+ Märkte, optimales Routing, automatisierte Strategien für hochwahrscheinliche Ereignisse, Cross-Market-Arbitrage.
• TradeFox: Professionelle Plattform von Alliance DAO und CMT Digital, bietet fortgeschrittene Order-Ausführung (Limit, SL/TP, TWAP), Self-Hosting, Multi-Platform-Routing, für institutionelle Trader, geplant für Kalshi, Limitless, SxBet.

6. Zusammenfassung und Ausblick

Derzeit befinden sich Prognosemarkt-Agenten in der Anfangsphase der Entwicklung.

1. Marktbasis und wesentliche Entwicklung: Polymarket und Kalshi haben eine Duopol-Struktur gebildet, um die Liquidität und Szenarienbasis für Agenten zu gewährleisten. Der fundamentale Unterschied zu Glücksspielen ist die positive Externalität: Durch echte Transaktionen werden verstreute Informationen aggregiert und reale Ereignisse öffentlich bepreist, was sich allmählich zu einer „globalen Wahrheits-Schicht“ entwickelt.
2. Kernpositionierung: Prognosemarktagenten sollten als ausführbare probabilistische Asset-Management-Tools verstanden werden, deren Aufgabe es ist, Nachrichten, Regeltexte und On-Chain-Daten in überprüfbare Preisabweichungen umzuwandeln und Strategien mit höherer Disziplin, geringeren Kosten und plattformübergreifender Fähigkeit auszuführen. Die Architektur lässt sich in vier Schichten abstrahieren: Information, Analyse, Strategie und Ausführung. Die tatsächliche Handelbarkeit hängt stark von der Klarheit der Abwicklung, der Liquiditätsqualität und der Strukturierung der Informationen ab.
3. Strategiewahl und Risikokontrolllogik: Aus der Perspektive der Strategietypen sind deterministische Arbitragestrategien (einschließlich Abrechnungsarbitrage, Wahrscheinlichkeitserhaltung und plattformübergreifende Spread-Arbitrage) am besten für die automatisierte Ausführung durch Agenten geeignet, während richtungsbezogene Spekulation nur ergänzend eingesetzt werden kann. Das Positionsmanagement sollte auf Umsetzbarkeit und Fehlertoleranz setzen, wobei die Ladder-Confidence-Methode mit festen Obergrenzen am besten geeignet ist. Diese basiert nicht auf exakter Wahrscheinlichkeitsabschätzung, sondern teilt Chancen in begrenzte Stufen und weist feste Positionsgrößen zu, auch bei hoher Überzeugung.
4. Geschäftsmodell und Zukunftsaussichten: Die Monetarisierung erfolgt vor allem in drei Schichten: Infrastruktur (Datenaggregation, stabile B2B-Einnahmen), Strategielayer (Community- und Drittanbieter-Strategien, Wertschöpfung durch Calls, Gewichtung oder Anteil an Ausführungen) und Agenten-/Vault-Layer (direkte Teilnahme an realen Transaktionen, Management- und Performance-Gebühren). Die Produktformen reichen von Entertainment/Gamification, Strategie-Abonnements/Signale (derzeit am praktikabelsten) bis hin zu Vault-Hosting mit Skaleneffekten und Effizienz. Die diversifizierte Einkommensstruktur reduziert die Abhängigkeit von der Annahme, dass KI den Markt dauerhaft schlägt. Auch bei Marktreife behalten die zugrundeliegenden Fähigkeiten wie Ausführung, Risikokontrolle und Abwicklung langfristigen Wert und schaffen einen nachhaltigen Geschäftskreislauf.

Obwohl im Ökosystem der Prognosemarkt-Agenten bereits vielfältige Ansätze vom Framework bis zu Oberflächen-Tools existieren, fehlt es noch an ausgereiften, standardisierten Produkten, die Strategieentwicklung, Ausführung, Risikomanagement und geschlossene Geschäftsprozesse vollständig abdecken. Zukünftig wird die Weiterentwicklung dieser Agenten erwartet.