Batteriemetalle: Wo KI-Muster versagen und wo sie helfen
Lithium, Nickel und Kobalt zwischen Substitutionspfaden und Angebotsengpässen.
Batteriemetalle sind volatil, weil Angebot und Nachfrage auf wenige Standorte und wenige Technologien konzentriert sind. Wir prüfen, wo maschinelles Lernen hier hilft und wo es an strukturelle Grenzen stößt.
Fragestellung
Können Mustererkennungsverfahren die Volatilität von Lithium-, Nickel- und Kobaltpreisen besser erklären als ein einfaches gleitendes Mittel?
Datenbasis
Verwendet werden tägliche Preise, Meldungen zu Produktionsausfällen und öffentliche Angaben zu Batteriechemien. Substitutionspfade werden als kategoriale Merkmale codiert, nicht als harte Zahlen.
Modell
Ein Gradient-Boosting-Modell arbeitet mit diesen Merkmalen. Die Auswertung trennt Phasen mit und ohne bekannte Produktionsstörungen, weil sich das Verhalten der Reihen in beiden Regimen deutlich unterscheidet.
Lesart
In ruhigen Phasen hilft das Modell wenig. Bei Produktionsstörungen erkennt es Sprünge früher als ein gleitendes Mittel — überschätzt aber die Dauer der Engpässe. Der Mehrwert von KI liegt in der Regimenerkennung, nicht in einer dauerhaft besseren Prognose.
Was hier nicht behauptet wird
Sie empfiehlt keine Batteriemetalle als Anlage. Sie nennt keine Wertpapiere und ist keine Anlageberatung. Wer Engpässe handeln will, braucht eine zugelassene Beratung und eigene Risikoprüfung.