Wie man Markov-Ketten nutzt, um jeden Trade zu gewinnen + [Quant-Framework]

Ich werde erklären, wie die besten Quant-Trader auf Polymarket den Preis als eine Abfolge von Zuständen modellieren, um beständig Trades mit hoher Wahrscheinlichkeit zu finden – und gebe dir das vollständige Framework, das du noch heute aufbauen kannst.

Kommen wir direkt zum Punkt →

Ruf einen beliebigen Markt auf und beobachte, was dein Gehirn tut. Du siehst „42¢“, du fühlst etwas zu günstig, zu teuer, genau richtig – und dieses Gefühl wird zu einem Klick. Das ist der gesamte Entscheidungsprozess für fast jeden auf der Plattform. Eine Zahl, eine Bauchreaktion, eine Position.

Beobachte jetzt, was ein professionelles Desk mit demselben Chart macht. Sie sehen keine Zahl. Sie sehen einen Preis, der die letzten sechs Wochen in bestimmten Bereichen verbracht hat, von anderen abgeprallt ist, gelegentlich an einer Kante hängengeblieben ist. Sie sehen ein Objekt, das sich mit einem Gedächtnis dafür bewegt, wo es ist, aber nicht, wo es war. Und sie haben einen Namen für Objekte, die sich genau so verhalten – weil dasselbe Verhalten bei Kreditausfällen, in Gensequenzen, beim Abprallen von Neutronen in einem Reaktorkern und in dem Algorithmus auftaucht, der entschied, welche Webseite wichtig war, bevor Google ein Verb wurde.

Dieses Objekt ist eine Markov-Kette. Es ist eines der kampferprobtesten Werkzeuge der angewandten Wahrscheinlichkeitstheorie – und so gut wie niemand auf Vorhersagemärkten verwendet es.

Die Masse ist damit beschäftigt, die falsche Frage zu beantworten. Sie wollen wissen: Wird das mit JA aufgelöst? Das ist ein Münzwurf im Gewand einer steilen These. Die Desks beantworten eine weitaus nützlichere Frage: Wo sitzt dieser Preis genau jetzt, wie sieht die gesamte Spanne der nächsten Bewegungen aus, und wie oft tritt jede einzelne tatsächlich ein? Beantworte das mit echten Daten, und die Trade-Größe ergibt sich von selbst.

Du brauchst keinen Quant-Abschluss, um das zu tun. Du brauchst fünf Schritte, ein paar Dutzend Zeilen Python und die Disziplin, dem Output mehr zu vertrauen als deinem Bauchgefühl. Das ist der ganze Artikel.

Das wirst du am Ende können: einen Kontrakt so lesen, wie es ein Zustandsautomat tut, nicht wie ein Spieler; rohe Preishistorie in eine Übergangskarte verwandeln, die jede Bewegung zeigt, die der Markt tatsächlich macht; zehntausend simulierte Auflösungen von dieser Karte in einem Bruchteil einer Sekunde durchführen; diese Ergebnisse mit 72,1 Millionen Trades an Beweisen zurück zur Realität biegen, damit dein Modell aufhört, für Außenseiter zu viel zu bezahlen; und die Ein-Klick-Ausführungsgewohnheit vermeiden, die deinen Vorteil lautlos an jemand anderen weitergibt, bevor der Markt überhaupt abgerechnet ist.

Teil 1 – Die Kernidee

Eine Markov-Kette modelliert ein System, das zwischen Zuständen wechselt, wobei die Wahrscheinlichkeit des nächsten Zustands nur vom aktuellen Zustand abhängt – nicht von der gesamten Vorgeschichte.

Auf Polymarket ist der „Zustand“ der Kontraktpreis.

Ein Kontrakt handelt zwischen 0¢ und 100¢. Zu jedem Zeitpunkt befindet sich der Preis in einem dieser Zustände. Wohin er sich als Nächstes bewegt, hängt davon ab, wo er jetzt ist – nicht davon, wo er vor drei Wochen war.

Diese eine Eigenschaft macht das Ganze handhabbar. Du musst nicht die gesamte Geschichte eines Marktes modellieren. Du musst nur zwei Dinge wissen: In welchem Zustand er sich jetzt befindet, und wie oft er sich historisch von diesem Zustand in jeden anderen Zustand bewegt hat.

Dieses zweite Ding – die Karte, wie sich Preise zwischen Zuständen bewegen – wird Übergangsmatrix genannt. Alles beginnt dort.

Teil 2 – Schritt 1: Erstelle die Übergangsmatrix

Die Übergangsmatrix ist die Karte deines Marktes. Sie sagt dir: Von einem gegebenen Preis aus, mit welcher Wahrscheinlichkeit bewegt er sich als Nächstes zu jedem anderen Preis?

So erstellst du sie.

Zuerst nimmst du die Preishistorie eines Marktes. Dann diskretisierst du den Preis in Zustände – für Polymarket funktionieren 10 Zustände gut [0-10¢, 10-20¢, … 90-100¢]. Dann zählst du, wie oft sich der Preis von jedem Zustand in jeden anderen Zustand bewegt hat, und normalisierst, sodass jede Zeile sich zu 1,0 summiert.

Die entscheidende Erkenntnis: Märkte nahe 50¢ haben breite Übergangsverteilungen – sie können in beide Richtungen ausschlagen. Märkte nahe 5¢ oder 95¢ haben enge Verteilungen – sie bleiben tendenziell an den Extremen fixiert.

Diese Asymmetrie ist die gesamte Grundlage des Außenseiter-Bias, den wir in Schritt 3 ausnutzen werden.

Eine entscheidende Regel: Jeder Zustand in deiner Matrix muss auf der Grundlage von mindestens 20-30 beobachteten Übergängen geschätzt werden. Wenn ein Preis-Bucket nur zweimal besucht wurde, ist seine Zeile Rauschen. Sammle entweder mehr Historie oder fasse seltene Zustände zusammen.

Teil 3 – Schritt 2: Führe eine Monte-Carlo-Simulation durch

Die Übergangsmatrix sagt dir, was in einem Schritt passiert. Aber es geht dir nicht um einen Schritt. Es geht dir darum, wo der Markt bei Auflösung landet.

Also simulierst du. Starte beim aktuellen Preis-Zustand. Gehe durch die Matrix nach vorne, einen zufälligen Schritt nach dem anderen, bis zum Verfall. Wiederhole das 10.000 Mal und zähle, wie viele Pfade im JA-Territorium endeten.

Dieser Bruchteil ist deine geschätzte wahre Wahrscheinlichkeit:

Jeder dieser 10.000 simulierten Pfade ist eine mögliche Zukunft. Einige schießen auf 90¢ (JA löst sich auf). Einige stürzen auf 5¢ ab (NEIN löst sich auf). Der Bruchteil, der im JA-Territorium landet, ist deine Wahrscheinlichkeitsschätzung – und 10.000 Simulationen laufen in etwa einer Zehntelsekunde.

Dies ist dieselbe Methode, mit der Physiker das Neutronenverhalten in den ersten Kernreaktoren simulierten. Du berechnest nicht jede mögliche Zukunft analytisch. Du ziehst Tausende von Stichproben und zählst.

Teil 4 – Schritt 3: Kalibriere gegen den Außenseiter-Bias

Hier brechen die Modelle der meisten Leute.

Deine Monte-Carlo-Simulation wird die Wahrscheinlichkeit von Außenseitern systematisch überschätzen. Warum? Weil die rohe Übergangsmatrix nicht weiß, dass günstige Kontrakte strukturell von der Masse überbewertet werden.

Wir wissen, dass sie es sind – wegen der Daten.

Im Jahr 2026 analysierte der Forscher Jonathan Becker 72,1 Millionen Trades mit einem Volumen von 18,26 Milliarden Dollar. Die größte empirische Studie zur Mikrostruktur von Vorhersagemärkten, die je veröffentlicht wurde. Die Ergebnisse sind brutal und konsistent:

Ein Kontrakt mit einem Preis von 5¢ sollte in 5 % der Fälle gewinnen. Tatsächlich gewinnt er in 4,18 %. Ein Kontrakt mit einem Preis von 1¢ sollte in 1 % der Fälle gewinnen. Tatsächlich gewinnt er in 0,43 %.

Für jeden Dollar, den du als Taker in 1¢-Kontrakte steckst, bekommst du 43 Cent zurück. Das ist schlechter als ein Spielautomat, der etwa 90 Cent pro Dollar zurückgibt.

Bevor du also auf der Grundlage deiner Monte-Carlo-Ergebnisse handelst, kalibrierst du sie gegen diesen bekannten Bias:

Es gibt eine zweite Erkenntnis, die du dir einprägen solltest. Becker fand heraus, dass NEIN bei 69 von 99 Preisniveaus besser abschneidet als JA. Taker kaufen überproportional JA – sie wetten auf ihr Team, ihren Kandidaten, ihre Coins. Diese Nachfrage treibt JA-Preise in die Höhe und drückt NEIN-Preise.

Die Regel: Wenn du als Taker unter 30¢ handeln musst, kaufe NEIN statt JA. Du bekämpfst den Bias nicht – du reitest auf ihm.

Teil 5 – Schritt 4: Größe mit Kelly

Du hast eine kalibrierte Wahrscheinlichkeit. Der Markt hat einen Preis. Es gibt einen Edge. Jetzt: Wie viel setzt du?

Die falsche Antwort ist: „Eine Menge, weil ich zuversichtlich bin.“ So gehen Trader mit echtem Edge trotzdem pleite – sie überdimensionieren, erwischen eine Pechsträhne und erholen sich nie.

Die richtige Antwort ist das Kelly-Kriterium, das dir die mathematisch optimale Einsatzhöhe für jeden Edge liefert.

Kelly macht etwas, was kein Bauchgefühl kann: Es skaliert deinen Einsatz automatisch mit deinem Edge. Winziger Edge, winziger Einsatz. Massiver Edge, großer Einsatz – aber niemals groß genug, um dich bei einer schlechten Serie auszulöschen.

Verwende Quarter-Kelly (0,25×). Volle Kelly maximiert das langfristige Wachstum auf dem Papier, aber die Verlustphasen sind psychologisch unerträglich, und ein einziger Schätzfehler kann katastrophal sein. Jeder Profi verwendet fractionale Größen.

Teil 6 – Schritt 5: Führe mit Limit-Orders aus

Du kannst ein perfektes Modell haben und trotzdem bei der Ausführung Geld verlieren. Das ist der Schritt, den Privatanleger überspringen – und er ist mehr wert als das Modell selbst.

Beckers Daten zu den 72,1 Millionen Trades ergaben die wichtigste Ausführungstatsache auf Vorhersagemärkten:

Maker (Limit-Orders) verdienen +1,12 % pro Trade. Taker (Markt-Orders) verlieren −1,12 % pro Trade.

Das ist eine Differenz von 2,24 Prozentpunkten, und sie ist statistisch untermauert über den gesamten Datensatz.

Hier ist der Teil, den die Leute übersehen: Maker gewinnen nicht, weil sie besser vorhersagen. Maker, die JA kaufen, verdienen +0,77 %. Maker, die NEIN kaufen, verdienen +1,25 %. Sie gewinnen, weil sie Liquidität für Leute bereitstellen, die systematisch zu viel bezahlen, um sofort ausgeführt zu werden.

Jede Markt-Order, die du aufgibst, zahlt das, was Becker die „Optimismus-Steuer“ nennt. Dein Monte Carlo mag BUY schreien – aber wenn du den Spread mit einer Markt-Order überschreitest, gibst du deinen Edge zurück, bevor der Trade überhaupt beginnt.

Auch die Kategorie spielt eine Rolle. Becker fand heraus, dass die Maker-Taker-Differenz um das 40-fache zwischen den Kategorien variiert. Finanzmärkte sind nahezu effizient (0,17 Prozentpunkte Differenz) – sie sind voll von Makroanalysten, die in Wahrscheinlichkeiten denken. Unterhaltungs- und Weltereignismärkte haben Differenzen von 4,79-7,32 Prozentpunkten – sie sind voll von Fans und narrativen Wettern, die für JA zu viel bezahlen.

Wenn du eine Maker-Strategie fährst, ziele auf Sport, Krypto und Unterhaltung, wo die Optimismus-Steuer am fettesten ist.

Teil 7 – Das vollständige System

Hier ist alles zu einer Pipeline zusammengefasst. Preishistorie geht hinein. Eine vollständige Handelsentscheidung – Richtung, Größe und Ausführungsanweisung – kommt heraus.

Das ist das gesamte Framework. Fünf Schritte, eine Klasse, vollständig ausführbar. Füttere es mit der Preishistorie eines Marktes und dem aktuellen Preis, und es gibt eine kalibrierte, richtig dimensionierte, korrekt ausgeführte Handelsentscheidung zurück – oder sagt dir, dass du passen sollst.

Das 5-Schritte-System, zusammengefasst

1. Erstelle das Markov-Modell. Nimm 30-60 Tage Preishistorie. Diskretisiere in 10 Zustände. Berechne die Übergangsmatrix. Dies erfasst, wie sich der Markt tatsächlich bewegt, nicht wie du denkst, dass er sich bewegt.
2. Führe Monte Carlo durch. Starte vom aktuellen Zustand. Führe 10.000 zufällige Läufe durch die Matrix durch. Der Bruchteil, der im JA-Territorium endet, ist deine rohe Wahrscheinlichkeitsschätzung.
3. Kalibriere gegen den Bias. Wende Beckers empirische Korrektur an. Aus rohen 5 % werden echte 4,18 %. Diesen Schritt zu überspringen, ist der Grund, warum die meisten selbstgebauten Modelle Geld verlieren.
4. Dimensioniere mit Quarter-Kelly. Setze niemals mehr, als die Mathematik erlaubt. Volle Kelly ist auf dem Papier optimal und in der Praxis ruinös. Quarter-Kelly überlebt.
5. Führe mit Limit-Orders aus. Maker = +1,12 %. Taker = −1,12 %. Diese 2,24 Prozentpunkte sind mehr wert als dein Modell. Überschreite niemals den Spread, es sei denn, dein Edge ist enorm und zeitkritisch.

Fazit – Was als Nächstes zu tun ist

Dieses Framework ist an einem Wochenende vollständig implementierbar. Die Übergangsmatrix ist ein Dutzend Zeilen Python. Monte Carlo ist eine Zehntelsekunde. Die Kalibrierungstabelle steht direkt in diesem Artikel, abgeleitet aus 72,1 Millionen echten Trades.

Aber ein Backtest ist kein Live-Handel. Bevor du einen Dollar riskierst, tue drei Dinge:

Erstens, teste es mit einem Walk-Forward. Schätze die Übergangsmatrix bei jedem Schritt neu, wobei du nur die zu diesem Zeitpunkt verfügbaren Daten verwendest. Lass niemals zukünftige Preise in vergangene Schätzungen einfließen. Ein Modell, das mit Lookahead-Bias brillant aussieht, wird dich im Live-Betrieb leise ausbluten lassen.

Zweitens, beginne mit Papier-Trades. Führe das vollständige System zwei Wochen lang auf Live-Märkten ohne echtes Geld aus. Vergleiche seine kalibrierten Wahrscheinlichkeiten mit den tatsächlichen Auflösungen. Wenn es gut kalibriert ist, sollten die 55 %-Vorhersagen in etwa 55 % der Fälle mit JA aufgelöst werden.

Drittens, respektiere die Annahmen. Die Markov-Eigenschaft ist eine Näherung – Märkte haben manchmal ein längeres Gedächtnis als einen Schritt. Übergangswahrscheinlichkeiten driften im Laufe der Zeit, also schätze sie in einem rollierenden Fenster neu. Und vertraue niemals einer Matrix-Zelle, die auf weniger als 20-30 Übergängen basiert.

Die Markov-Kette sagt nicht die Zukunft voraus. Sie tut etwas Nützlicheres: Sie quantifiziert die Wahrscheinlichkeit jeder möglichen Zukunft, gegeben deinen aktuellen Standort, und sagt dir genau, wann der Markt diese Wahrscheinlichkeit falsch bepreist hat.

Das ist der gesamte Edge. Die Masse beobachtet den Preis. Du beobachtest die Struktur darunter.

Jetzt leg los und baue es!