Zeitreihenprognose bezeichnet die Vorhersage künftiger Werte einer zeitlich indizierten Variablen auf Basis historischer Beobachtungen sowie statistischer, Machine-Learning- oder Deep-Learning-Modelle, die Trend, Saisonalität und Autokorrelation abbilden.
Zeitreihenprognose (Time Series Forecasting) ist die Disziplin, künftige Werte einer zeitlich indexierten Größe aus vergangenen Beobachtungen vorherzusagen. Entscheidend ist dabei die Reihenfolge: Die Beobachtungen lassen sich nicht beliebig vertauschen, denn der Wert zum Zeitpunkt t hängt von den Werten zu den Zeitpunkten t-1, t-2 und so weiter ab. Diese zeitliche Struktur unterscheidet die Zeitreihenprognose von einer allgemeinen Regression oder Klassifikation. Genau deshalb gibt es dafür spezialisierte Modelle.
Im Finanzumfeld kann diese Größe der tägliche Zahlungseingang eines einzelnen Kunden sein, das wöchentliche Rechnungsvolumen je Geschäftsbereich, der monatliche DSO oder der EUR/USD-Kurs. In der Regel prognostizieren Sie über einen Horizont von Tagen bis Quartalen, häufig mit zugehörigen Konfidenzintervallen. Die moderne Praxis behandelt Forecasting als probabilistisches Problem: Das Ergebnis ist eine Verteilung über künftige Werte, keine einzelne Zahl.
Reale Zeitreihen sehen selten aus wie saubere Signale. Treasury- und FP&A-Teams müssen erkennen, welche Komponenten in ihren Daten stecken. Der Trend zeigt die langfristige Richtung an, etwa wenn die Forderungen mit dem Wachstum des Unternehmens langsam ansteigen. Saisonalität beschreibt regelmäßige Wiederholungen, die am Kalender hängen: Zahlungsspitzen zum Quartalsende, Sommerflauten oder wöchentliche Muster mit hohem Zahlungseingang am Montag. Zyklizität meint Wiederholungen, die nicht am Kalender hängen, etwa den übergeordneten Konjunkturzyklus, der sich auf Forderungsausfälle auswirkt.
Darüber hinaus zeigen Finanzzeitreihen häufig Niveauverschiebungen (ein Großkunde wandert ab, das Grundniveau sinkt), Autokorrelation (der gestrige Zahlungseingang verrät etwas über den heutigen) sowie Regimewechsel, bei denen sich der zugrunde liegende Prozess selbst verändert. Denken Sie an COVID, an Zyklen steigender Zinsen oder an den Umstieg vom Scheck auf ACH. Jedes Modell, das diese Strukturen ignoriert, bildet stabile Phasen zu ungenau ab oder reagiert bei Schocks über.
Heute sind vier große Verfahrensfamilien produktiv im Einsatz. Statistische Modelle umfassen ARIMA, SARIMA, exponentielle Glättung (ETS) und Zustandsraummodelle. Sie lassen sich leicht interpretieren, günstig trainieren und liefern bei kurzen Horizonten und gutmütigen Zeitreihen nach wie vor starke Referenzwerte. Machine-Learning-Ansätze setzen auf Gradient-Boosting-Bibliotheken wie XGBoost und LightGBM. Diese arbeiten mit konstruierten Merkmalen, Lags, gleitenden Mittelwerten, Kalender-Dummys und exogenen Einflussgrößen und skalieren gut über tausende verwandter Zeitreihen.
Deep Learning bringt rekurrente Architekturen (LSTM, GRU) und moderne Sequenzmodelle (Temporal Fusion Transformer, N-BEATS, DeepAR) ins Spiel. Sie lernen reihenübergreifende Muster und verarbeiten hohe Kardinalität von Haus aus. Foundation Models wie TimesFM, Chronos, Moirai und Lag-Llama sind auf Milliarden von Zeitpunkten vortrainiert und ermöglichen Zero-Shot-Prognosen über neue Zeitreihen hinweg.
Einen Forecaster zu bewerten ist schwieriger als einen Klassifikator zu beurteilen, denn die Daten sind zeitlich geordnet. Der Goldstandard heißt Rolling-Origin-Backtesting: Sie trainieren auf Daten bis zum Zeitpunkt t, prognostizieren die nächsten h Schritte, verschieben den Ursprung nach vorn und wiederholen das Ganze. So bilden Sie den realen Einsatz nach und erkennen, wie empfindlich das Modell auf Regimewechsel reagiert.
Für Punktprognosen zählen zu den gängigen Kennzahlen der MAE (mittlerer absoluter Fehler), der RMSE (Wurzel des mittleren quadratischen Fehlers), der MAPE (mittlerer absoluter prozentualer Fehler) sowie der sMAPE für Symmetrie. Bei probabilistischen Prognosen, die eine Verteilung statt eines einzelnen Werts liefern, sind die passenden Kennzahlen der Quantilverlust (auch Pinball Loss genannt) bei ausgewählten Quantilen und der CRPS (Continuous Ranked Probability Score). Finanzteams, die bei einer Punktprognose nur den MAPE im Blick behalten, tappen beim Tail-Risiko völlig im Dunkeln, also genau bei jenem Risiko, auf das es im Treasury ankommt.
Zeitreihenprognosen sind der Motor jeder Lösung zur Cashflow-Prognose. Denn wie jeder Kunde zahlt, ist eine Zeitreihe. Wie viel Volumen auf jede Rechnungskategorie entfällt, ist eine Zeitreihe. Jedes Währungspaar, jede Verzögerung bei der Klärung strittiger Rechnungen, jede Rückbelastungsquote, alles Zeitreihen. Eine 13-Wochen-Liquiditätsplanung besteht aus Hunderten oder Tausenden solcher Reihen, die Sie modellieren, abstimmen und aggregieren müssen.
Welche Methode Sie wählen, wirkt sich sofort aus. ARIMA auf Top-Line-Ebene funktioniert bei stabilen Zahlungseingängen, versagt aber, sobald ein Großkunde sein Zahlungsverhalten ändert. Gradient Boosting auf Basis kundenspezifischer Merkmale erfasst die Heterogenität, verlangt aber durchdachtes Feature Engineering. Deep-Learning-Modelle nutzen Muster über alle Kunden hinweg, brauchen dafür jedoch GPU-Infrastruktur. Foundation Models liefern Zero-Shot-Genauigkeit auch bei Long-Tail-Kunden, für die statistische Modelle zu wenig Daten haben, das allerdings auf Kosten der Inferenzlatenz. Welche Architektur zu einer rollierenden Prognose passt, hängt davon ab, wie viele Reihen Sie abbilden, wie weit Sie vorausschauen, welche Genauigkeit Sie anstreben und welches Betriebsbudget Ihnen zur Verfügung steht.
Transformance.ai setzt moderne Zeitreihenmethoden ein, darunter Foundation Models, über die gesamten debitorengestützten Cashflow-Prognoseprozesse hinweg. Werfen Sie einen Blick in unsere Research Notes zu Genauigkeits-Benchmarks aus der Praxis.
Der häufigste Fehler ist der Look-ahead-Bias: Sie nutzen beim Training Informationen, die im Produktivbetrieb noch gar nicht vorlägen. Eng verwandt sind Train-Test-Leakage durch zufällig gemischte Datensplits sowie das Ignorieren bekannter Zukunftsvariablen wie Feiertagskalender. Viele Teams greifen zudem standardmäßig zu Punktprognosen, obwohl das Treasury eigentlich Prognoseintervalle braucht. Denn entscheidend ist nicht, wie hoch der Liquiditätsstatus sein wird, sondern wie wahrscheinlich er unter die Covenant-Schwelle fällt.
Zu den heutigen Best Practices zählen probabilistische Prognosen mit Quantilausgaben (P10, P50, P90) und die hierarchische Abstimmung, damit sich Prognosen auf Kundenebene konsistent zur Geschäftsbereichs- und Konzernebene aufsummieren (Top-down, Bottom-up oder Middle-out). Hinzu kommen explizite Feiertagskalender sowie exogene Variablen wie Fakturierungsvolumen, Vertriebspipeline oder Makroindikatoren. Kombinieren Sie das mit sorgfältigen rollierenden Backtests, dann wird aus der Cashflow-Prognose statt eines vierteljährlichen Kunstprojekts ein belastbarer, prüfungssicherer Prozess.
Bei der Regression gelten die Beobachtungen als austauschbar, und Sie sagen eine Zielgröße aus Merkmalen voraus. Zeitreihenprognosen berücksichtigen dagegen die zeitliche Reihenfolge. Sie modellieren Autokorrelation, Trend und Saisonalität und werden per Rolling-Origin-Backtest bewertet, statt die Daten zufällig in Trainings- und Testdaten aufzuteilen.
Es gibt keinen eindeutigen Sieger. Statistische Modelle wie ARIMA und ETS bilden eine starke Ausgangsbasis für kurze Prognosehorizonte bei stabilen Reihen. Gradient Boosting punktet, wenn viele verwandte Reihen und gute Merkmale vorliegen. Deep Learning und Foundation Models wie TimesFM und Chronos liegen bei komplexen Problemen mit hoher Kardinalität vorn, kosten im Betrieb aber mehr. Prüfen Sie die Methoden anhand Ihrer eigenen Daten im Benchmark.
Eine probabilistische Prognose liefert eine vollständige Verteilung über künftige Werte statt eines einzelnen Punktwerts. Typische Ergebnisse sind Quantile wie P10, P50 und P90. Für den Finanzbereich ist das entscheidend, denn Covenant-Verletzungen, Liquiditätspuffer und Risikoentscheidungen hängen von den Verteilungsrändern ab, nicht nur vom Median.
Für Punktprognosen eignen sich je nach Skalierung und Symmetrieanforderung MAE, RMSE, MAPE oder sMAPE. Für probabilistische Prognosen nutzen Sie den Quantilverlust (Pinball Loss) an den gewählten Quantilen sowie CRPS. Bewerten Sie immer per Rolling-Origin-Backtest, um den Live-Einsatz nachzubilden.
Wenn Prognosen auf mehreren Ebenen vorliegen (Kunde, Segment, Geschäftsbereich, Konzern), stimmt die Summe der Prognosen auf den unteren Ebenen oft nicht mit der Prognose auf der obersten Ebene überein. Methoden der hierarchischen Abstimmung (Top-down, Bottom-up, Middle-out, MinT) passen die Prognosen so an, dass sie über die gesamte Hierarchie hinweg konsistent bleiben, ohne dass die Genauigkeit leidet.
Die Cashflow-Prognose wendet die Zeitreihenprognose auf Debitoren-Zahlungseingänge, Kreditoren-Auszahlungen, Devisenströme und andere Finanzreihen an. Sie prognostizieren jede zugrunde liegende Reihe einzeln und führen sie anschließend zu einer 13-Wochen-Liquiditätsplanung oder rollierenden Cashflow-Prognose zusammen. Die Wahl der Prognosemethode bestimmt unmittelbar sowohl die Genauigkeit als auch die Infrastrukturkosten.
