Ein KI-gestützter automatischer Prognose-Market-Maker verwendet modellgestützte Schätzungen als Hilfe bei der Entscheidung, welche Preise und Mengen er anbieten möchte. Das Modell liefert weder Gewissheit über das Ereignis noch garantiert es beidseitige Ausführungen oder beseitigt die Notwendigkeit der Bestandsverwaltung. Seine Ausgabe ist eine Eingabe in einen Prozess, der schlüssig bleiben muss, wenn die Prognose falsch ist, sich Informationen ändern oder eine Order nicht sofort storniert werden kann.
Die besondere Herausforderung besteht darin, unsichere Ereignisanalyse mit ausführbaren Verpflichtungen zu verbinden. Eine flüssige Erklärung der Nachrichten reicht nicht zur Rechtfertigung eines Angebots. Das System braucht eine kontraktspezifische Prognose, Belege für deren Zuverlässigkeit und unabhängige Grenzen dafür, was im Konto platziert werden darf. Die folgenden Beispiele sind fiktiv und beschreiben Aufbauten zu Lehrzwecken statt einer nachgewiesen profitablen Market-Making-Methode.
Definiere die tatsächliche wirtschaftliche Aufgabe des Makers
Ein Market-Maker bietet Preise an, zu denen andere Teilnehmer handeln können, und akzeptiert dabei die Möglichkeit, dass nur eine Seite ausgeführt wird. Der Abstand zwischen angezeigtem Geld- und Briefkurs ist daher eine mögliche Bruttomarge und kein bereits verdientes Einkommen. Die resultierende Position kann bei Änderungen des Ereignisausblicks gewinnen oder verlieren.
Die offiziellen Market-Making-Hinweise von Polymarket International besprechen zweiseitige Angebote und Bestand als Teil des Betriebsprozesses. Es sollte nicht unterstellt werden, dass seine Kontomechanik unverändert für Polymarket US, Kalshi oder ein anderes Ereignismarktprodukt gilt. Jeder Adapter braucht die tatsächlichen Markt-, Konto- und Orderkonventionen.
Der Market-Making-Leitfaden für Prognosemärkte erklärt das zugrunde liegende Angebotsproblem. KI hinzuzufügen, sollte einen konkreten Teil dieses Prozesses verbessern, etwa Belege zu ordnen oder eine Wahrscheinlichkeit zu schätzen. Es sollte nicht die grundlegende Verpflichtung verdecken: Jedes ausführbare Angebot kann Geldbestand und Ergebnisexposition des Kontos verändern.
Gib dem Modell eine kontraktspezifische Frage
Eine Prognose muss den vollständigen Ergebnisregeln des Kontrakts entsprechen. Ereignis, maßgebliche Quelle, Schwelle, Zeitraum und außergewöhnliche Ergebnisse bestimmen, was vorhergesagt wird. Ein Modell, das eine breitere Nachrichtenfrage beantwortet, kann analytisch interessant und zugleich für die tatsächliche Auszahlung irrelevant sein.
Bei einem fiktiven Kontrakt darüber, ob eine benannte offizielle Veröffentlichung strikt über 4,0 liegt, sollte das Modell nicht prognostizieren, ob die zugrunde liegende Variable allgemein steigt. Es sollte auch keine Größer-oder-gleich-Bezeichnung verwenden, wenn Gleichheit nach der angegebenen Regel verliert. Kleine semantische Unterschiede können aus einer korrekten allgemeinen Beobachtung die falsche Handelsprognose machen.
Bewahre die geprüfte Kontraktversion mit der Modelleingabe. Ändern sich die Regeln oder ihre Interpretation, braucht die Prognose eine erneute Bewertung. Das System sollte nicht stillschweigend eine alte Wahrscheinlichkeit an eine neu verstandene Frage hängen, nur weil die Marktkennung gleich bleibt. Kontraktinterpretation ist eine erforderliche Abhängigkeit und keine optionale beschreibende Metadatenangabe.
Trenne Belegsammlung von Anweisungsbefugnis
Nachrichtenartikel, Marktbeschreibungen und Beiträge in sozialen Medien sind Analysedaten. Sie sollten weder Ausführungsberechtigungen des Modells noch Risikogrenzen des Kontos neu definieren dürfen. Ein abgerufener Text, der zum Platzieren einer Order auffordert, bleibt Quellinhalt und ist keine autorisierte Handelsanweisung.
Strukturiere die Analyseaufgabe um Belege: Welche Behauptung ist gestützt, wann wurde sie veröffentlicht, ist die Quelle für den Kontrakt relevant und welche Ungewissheiten bleiben? Die Ausführungskomponente sollte einen begrenzten Vorschlag durch eine getrennte Richtliniengrenze annehmen, statt direkt nach beliebigem vom Modell erzeugtem Text zu handeln.
Der Leitfaden zu KI-Prognosemarkt-Abläufen bietet verwandten analytischen Kontext. Diese Trennung ist besonders wichtig, wenn Modelle unbekanntes Material zusammenfassen. Eine überzeugende Erzählung sollte nicht allein deshalb Kontobefugnis erhalten, weil sie klar geschrieben ist oder den richtigen Marktnamen verwendet. Belegqualität und Autorisierung sind unterschiedliche Fragen.
Prognoseunsicherheit beim KI-gestützten automatischen Prognose-Market-Maker
Eine einzelne Wahrscheinlichkeit kann mehrere Arten von Unsicherheit verbergen: unvollständige Belege, Uneinigkeit zwischen Modellen, mehrdeutige Kontraktinterpretation und einen schwachen historischen Zusammenhang zwischen Merkmalen und Ergebnissen. Die Angebotsrichtlinie sollte wissen, welche davon vorliegt, statt jede Schätzung als gleich zuverlässig zu behandeln.
Angenommen, die zentrale Schätzung eines fiktiven Modells beträgt 0,60, während plausible alternative Interpretationen sie zwischen 0,48 und 0,65 einordnen. Diese Spanne ist nicht automatisch ein statistisch kalibriertes Konfidenzintervall. Sie ist eine Unsicherheitszusammenfassung, deren Konstruktion erklärt werden muss. Enge Angebote um 0,60 können das Konto einem viel größeren Fehler aussetzen, als der angezeigte Spread nahelegt.
Die Reaktion kann je nach Richtlinie und Markt kleinere Menge, weitere erlaubte Angebotsgrenzen oder kein neues Angebot sein. Vermeide es, Unsicherheit in eine feste kosmetische Anpassung umzuwandeln, die niemals verändert, ob das System handelt. Unsicherheit ist nur nützlich, wenn sie die Entscheidung auf eine durch die Kontogrenzen durchsetzbare Weise verändern kann.
Prüfe Kalibrierung über vergleichbare Prognosen hinweg
Kalibrierung fragt, ob Gruppen von Prognosen nach einer definierten Bewertungsmethode vernünftig mit beobachteten Häufigkeiten übereinstimmen. Sie bedeutet nicht, dass auf jede Prognose von 0,60 ein gewinnendes Ereignis folgen sollte. Einzelne Ergebnisse bleiben im gewöhnlichen Beispiel binär, selbst wenn die Wahrscheinlichkeitsschätzung gut kalibriert ist.
In einer fiktiven Menge von fünfzig unabhängigen gewöhnlichen binären Fällen, die alle mit 0,60 prognostiziert wurden, würden dreißig YES-Ergebnisse der durchschnittlichen Vorhersage der Gruppe entsprechen. Dieses kleine Ergebnis würde dennoch keine allgemeingültige Zuverlässigkeit über nicht zusammenhängende Ereignisse oder wechselnde Datenbedingungen belegen. Die Stichprobendefinition und Unsicherheit um die Schätzung sind wichtig.
Eine beispielhafte quadratische Fehlerkennzahl ist der Durchschnitt der quadrierten Differenz zwischen Wahrscheinlichkeit und Ergebnis. Für diese fünfzig Fälle tragen dreißig Gewinne jeweils 0,16 und zwanzig Verluste jeweils 0,36 bei, was durchschnittlich 0,24 ergibt. Eine konstante Prognose von 0,50 erzielt 0,25. Die Differenz beträgt in diesem Beispiel 0,01, bevor Stichprobenunsicherheit oder die Frage berücksichtigt wird, ob irgendeine Angebotsrichtlinie sie monetarisieren kann.
Übersetze die Prognose mit ausdrücklichen Annahmen in Preise
Die Prognose ist nicht automatisch der richtige Geld- oder Briefkurs. Angebote müssen Unsicherheit, erwartete Kosten, Bestand und die Wahrscheinlichkeit berücksichtigen, dass eine Gegenpartei gerade dann handelt, wenn die Schätzung des Makers veraltet ist. Ein gegenüber der zentralen Prognose günstig wirkender Preis kann unter plausiblen Alternativen dennoch schlecht sein.
Bei einer fiktiven Schätzung des fairen Werts von 0,60 erzeugen ein Geldkurs von 0,55 und ein Briefkurs von 0,65 einen angezeigten Spread von zehn Cent. Können tatsächlich 100 Einheiten zu 0,55 erworben und später zu 0,65 verkauft werden, beträgt die Bruttodifferenz des Hin- und Rückhandels vor Kosten zehn. Beide Preise zu stellen, belegt nicht, dass dieser Hin- und Rückhandel stattfinden wird.
Die Angebotsrichtlinie sollte angeben, wie ihre Parameter ausgewählt wurden und wie sie auf Unsicherheit reagieren. Einen Spread beliebig zu erweitern, bis ein Rücktest profitabel aussieht, kann Auswahlverzerrung verbergen. Die analytische Qualität des Modells und die wirtschaftliche Leistung der Angebotsrichtlinie sollten getrennt bewertet werden, bevor Schlussfolgerungen über das gemeinsame System gezogen werden.
Verstehe adverse Selektion im Moment einer Ausführung
Eine Gegenpartei kann handeln, weil neue Informationen den ruhenden Preis des Makers attraktiv machen. Die Ausführung des Makers ist daher keine zufällige Stichprobe jedes Moments, in dem er Angebote gestellt hat. Eine Strategie, die alle Ausführungen unter unveränderten Informationen unterstellt, kann den verbleibenden Spread überschätzen.
Angenommen, der fiktive Maker kauft 100 Einheiten zu 0,55 und gibt 55 aus. Neue Belege senken seine aktuelle Schätzung des Werts anschließend auf 0,42. Der modellierte Positionswert beträgt 42, ein Rückgang von dreizehn Einheiten gegenüber dem Kauf vor Kosten. Das ist eine analytische Bewertung und kein garantierter ausführbarer Verkaufserlös, zeigt aber, warum ein günstiger Einstieg gegenüber einer alten Prognose nicht ausreicht.
Untersuche, was mit Markt und Modell nach Ausführungen geschah. Blieb das Angebot aktuell oder häuften sich Ausführungen um Informationsänderungen? Der Polymarket-Market-Making-Leitfaden bespricht verwandte Bestandsfragen. Eine hohe Ausführungsquote kann nützliche Liquiditätsbereitstellung, veraltete Preisstellung oder beides signalisieren; die umgebenden Belege bestimmen die Interpretation.
Bestandsgrenzen beim KI-gestützten automatischen Prognose-Market-Maker
Jede mögliche Ausführung sollte anhand aktueller Bestände und ungeklärter Orders bewertet werden. Eine Modellaktualisierung kann keine neue Menge autorisieren, indem sie bestehende Verpflichtungen ignoriert. Die Risikosteuerung braucht eine Sicht auf Menge und Szenarioverluste, die entstehen könnten, wenn die aktuell ausführbaren Orders ausgeführt werden.
Bei einer fiktiven Obergrenze von 250 YES-Einheiten hat ein Konto, das bereits 200 hält und aus offenen Kaufgeboten weitere 40 erhalten könnte, nur zehn Einheiten Restkapazität. Ein neues Kaufgebot über 50 Einheiten überschreitet die Grenze, selbst wenn das Vertrauen des Modells gestiegen ist. Die unausgeführte Menge der alten Order bleibt relevant, bis Belege feststellen, dass sie nicht mehr ausgeführt werden kann.
Untersuche außerdem Konzentration über verwandte Kontrakte hinweg. Mehrere Märkte können von derselben Wirtschaftsveröffentlichung oder demselben Spielergebnis abhängen. Eine Bestandsgrenze für jedes einzelne Kürzel kann dennoch übermäßige Gruppenexposition erlauben. Szenariobasierte Kontrollen sollten außerhalb des Modells liegen, damit eine überzeugende Prognose die erlaubte Verluststruktur des Portfolios nicht umschreiben kann.
Weiterempfehlen und USDC verdienen
Weiterempfehlen und USDC verdienenUnser Partnerprogramm zahlt in Echtzeit.
Passe Angebote an, ohne vorzutäuschen, Bestand verschwinde
Bestandsbewusste Preisstellung kann nach der gewählten Richtlinie weiteren Aufbau weniger attraktiv und Reduzierungen attraktiver machen. Diese Anpassung ist ein Vorschlag über künftige Trades und keine unmittelbare Reduzierung der aktuellen Position. Das Konto bleibt exponiert, bis tatsächliche Ausführungen oder Abrechnung seine Bestände verändern.
Ein fiktiver Maker mit überschüssigem YES-Bestand könnte seine Kaufgebotsgröße reduzieren und seine angebotenen Verkaufsbedingungen überdenken. Die genaue Anpassung sollte Kontoziel, aktuelle Belege und erlaubte Preisgrenzen widerspiegeln. Es gibt keine allgemeingültige Verschiebung der Preisstellung, die ein ausgeglichenes Buch garantiert oder in jedem Ereignismarkt Profitabilität bewahrt.
Halte den Anpassungsgrund sichtbar. Eine durch aktualisierte Prognose verursachte Preisänderung unterscheidet sich von einer durch Bestandsdruck verursachten. Beides in einer unerklärten Zahl für den fairen Wert zu verbinden, erschwert spätere Prüfung. Das System sollte sagen können, ob es seine Ereignissicht oder die bei dieser Sicht zu haltende Risikomenge geändert hat.
Verlange Bestand und Sicherheiten für die beabsichtigten Orders
Der Angebotsplan muss zur tatsächlichen Finanzierungs- und Positionsmechanik des gewählten Produkts passen. Ein Verkaufsangebot kann gehaltenen Ergebnisbestand oder eine andere ausdrücklich unterstützte Regelung verlangen. Ein Kaufgebot verbraucht verfügbare Ausgabenkapazität und kann mit anderen Orders konkurrieren. Ein konzeptionelles zweiseitiges Diagramm belegt nicht, dass beide Seiten finanziert sind.
Erfasse, welche Ressourcen jedes Angebot stützen und ob eine andere offene Aktion sie bereits beansprucht. Unterstützt ein Markt Positionsumwandlungen, nutze deren tatsächliche Beschränkungen, statt zu unterstellen, beliebige YES- und NO-Bestände könnten über nicht zusammengehörige Bedingungen oder Handelsplätze hinweg kombiniert werden.
Ein einfaches fiktives Geldbudget von 100 kann nicht drei unabhängige Kaufgebote finanzieren, die jeweils 40 ausgeben können. Die Steuerung muss die gemeinsame Verpflichtung reservieren oder ihre Größe ändern. Diese Prüfung ist deterministisch und sollte nicht von der Meinung eines Modells abhängen, dass wahrscheinlich nicht alle drei Orders ausgeführt werden. Eine niedrige geschätzte Wahrscheinlichkeit ist nicht dasselbe wie unmögliche gleichzeitige Ausführung.
Veraltete Angebote beim KI-gestützten automatischen Prognose-Market-Maker
Ein Angebot wird veraltet, wenn seine stützenden Belege der Richtlinie nicht mehr genügen. Das kann geschehen, weil neue Informationen eintreffen, eine Datenquelle zurückfällt, sich Marktregeln ändern oder sich der Kontobestand bewegt. Das Alter einer Modellantwort ist ein Signal, aber nicht die einzige Ursache.
Definiere, welche Änderungen die Stornierung oder Ersetzung eines Angebots erfordern. Eine geplante Ereignisveröffentlichung kann eine geplante Angebotspause rechtfertigen, während ein unerwarteter Quellausfall das Stoppen neuer Angebote bis zur Wiederherstellung der Belege erfordern kann. Die Steuerung sollte während dieser Pause die Beobachtung bestehender Orders bewahren, statt aus dem bereits von ihr erzeugten Marktzustand zu verschwinden.
Ein veraltetes Angebot kann nicht allein durch Löschen aus einer lokalen Anzeige entfernt werden. Der unterstützte Stornierungsprozess muss eingeleitet und sein Ergebnis abgeglichen werden. Solange die Order nach den tatsächlichen Handelsplatzregeln noch ausführbar ist, bleibt sie Teil der möglichen künftigen Kontoexposition. Hier trifft analytische Frische auf betriebliche Realität.
Behandle Stornierung und Ersatz als Orderlebenszyklus
Die aktuelle Orderlebenszyklus-Dokumentation von Polymarket International unterscheidet ruhende Orders, Zusammenführung und spätere Handelsabwicklung. Sie beschreibt außerdem bestimmte ausstehende Verzögerungszustände, in denen Stornierung nicht verfügbar ist. Ein allgemeiner Maker-Aufbau sollte daher nicht versprechen, dass jede unerwünschte Order in jedem Marktzustand sofort storniert werden kann.
Angenommen, von einem fiktiven Angebot über 80 Einheiten sind bei Anforderung einer Stornierung 20 ausgeführt. Weitere 15 werden ausgeführt, bevor die verbleibenden 45 storniert sind. Das Konto hat je nach Angebotsseite 35 Einheiten erworben oder verkauft. Die Ersatzorder muss diesen abgeglichenen Bestand nutzen und nicht die frühere Beobachtung von 20 Einheiten.
Eine neue Modellschätzung kann einen Ersatzpreis rechtfertigen, autorisiert aber nicht das Duplizieren der alten unausgeführten Menge, während die Stornierung ungeklärt bleibt. Verfolge ursprüngliche Order, Stornierungsvorgang und Ersatzabsicht getrennt. Ihre wirtschaftlichen Effekte hängen zusammen, doch jeder braucht eigene Belege, bevor die nächste Aktion korrekt bemessen werden kann.
Halte Modelllatenz von Angebotsfrische getrennt
Ein Modell kann schnell antworten und dabei veraltete Belege analysieren oder nach Empfang einer rechtzeitigen Aktualisierung langsam antworten. Miss sowohl das Alter der zugrunde liegenden Informationen als auch die Dauer der Analyseanfrage. Andernfalls kann die Optimierung der Antwortgeschwindigkeit das tatsächliche Frischeproblem unverändert lassen.
Bei einer fiktiven Ereignisaktualisierung, die um 10:00 veröffentlicht, um 10:02 empfangen und bis 10:02:05 analysiert wird, impliziert die Modellantwort von fünf Sekunden keine Informationsverzögerung von fünf Sekunden. Die Entscheidung nutzte Belege, die zwei Minuten nach Veröffentlichung eintrafen. Diese getrennten Zeitstempel erklären, ob Sammlung, Analyse oder Ausführung die meiste Verzögerung beigetragen hat.
Die Angebotsrichtlinie sollte definieren, wie lange eine genehmigte Prognose handlungsrelevant bleibt und welche Änderungen sie vorzeitig ungültig machen. Eine schnelle zwischengespeicherte Antwort sollte keine abgelaufene Prognose wiederbeleben. Ist keine frische Prognose verfügbar, kann die Steuerung ihrem vordefinierten eingeschränkten Modus folgen und dabei bestehende Verpflichtungen weiter verwalten.
Gleiche das vollständige wirtschaftliche Ergebnis des Makers ab
Die Wertentwicklung enthält abgeschlossene Hin- und Rückgeschäfte, verbleibenden Bestand, Gebühren, ungünstige Preisbewegung und Betriebskosten. Der angezeigte Spread allein ist nicht das Ergebnis. Halte realisierte Handelserlöse von Schätzungen der noch gehaltenen Position getrennt und identifiziere die für diese verbleibende Exposition verwendete Bewertungsmethode.
In einer fiktiven Sitzung verdienen abgeschlossene Hin- und Rückgeschäfte zwölf Einheiten vor sechs Einheiten zurechenbarer Kosten. Verbleibender Bestand verliert nach der angegebenen Bewertungsmethode zum Sitzungsende anschließend neun. Das gemeinsame Ergebnis auf Basis der aktuellen Bewertung beträgt minus drei, obwohl die realisierte Spread-Komponente positiv war. Wird der Bestand später anders abgerechnet, aktualisiere das Ergebnis mit der tatsächlichen Auszahlung und bewahre die frühere Bewertung als datierte Schätzung.
Anreizzahlungen sollten nur nach ihren tatsächlichen Berechtigungs- und Zahlungsregeln getrennt vom Handelserfolg erfasst werden. Eine erwartete Belohnung ist kein bereits empfangenes Geld, und die Existenz eines Programms macht nicht jedes Angebot profitabel. Die wirtschaftliche Begründung des Makers sollte vor und nach Berücksichtigung von Anreizen verständlich bleiben.
Bewerte das Modell anhand einer einfacheren Vergleichsbasis
Eine KI-Komponente sollte ihre Komplexität verdienen, indem sie unter vergleichbaren Bedingungen eine definierte Messgröße gegenüber einer einfacheren Alternative verbessert. Eine Vergleichsbasis könnte eine feste Prognosemethode, eine marktabgeleitete Referenz oder eine eingeschränkte Angebotsrichtlinie nutzen. Der Vergleich sollte dieselbe Kandidatenmenge, Kosten und betrieblichen Beschränkungen verwenden.
Vermeide es, der KI-Strategie Zukunftsinformationen oder günstigere Ausführungen als der Vergleichsbasis zu geben. Bewahre Veröffentlichungs- und Empfangszeiten, wende dieselben Kontogrenzen an und beziehe dieselben Fälle fehlender Daten ein. Andernfalls misst der Test möglicherweise unterschiedliche Annahmen statt unterschiedlicher analytischer Qualität.
Trenne Prognosekennzahlen von wirtschaftlichen Ergebnissen. Bessere Wahrscheinlichkeitsschätzungen können wertvoll sein, ohne zu verfügbaren Preisen profitable Angebote zu erzeugen. Umgekehrt kann ein profitabler Zeitraum günstige Bestandsbewegung statt überlegener Prognose widerspiegeln. Beides zu melden, lässt den Prüfer verstehen, was das Modell beigetragen hat und welcher Ergebnisteil aus Ausführung oder Marktbedingungen stammte.
Versioniere Modell und Schutzgrenzen unabhängig
Eine Änderung an Modell, Prompt, Datenquelle oder Kalibrierungsmethode kann die Prognose verändern, selbst wenn die Angebotsrichtlinie fest bleibt. Eine Änderung von Bestandsgrenzen oder Stornierungsverhalten kann das Handelsergebnis verändern, selbst wenn die Prognosen identisch sind. Verfolge diese Versionen getrennt, damit ihre Auswirkungen bewertet werden können.
Lege vor Änderung eines aktiven Systems fest, wie bestehende Orders und Positionen behandelt werden. Ein neues Modell sollte die Begründung alter Ausführungen nicht löschen oder unterstellen, dass zuvor autorisierte Orders seine aktuelle Sicht widerspiegeln. Prüfe offene Verpflichtungen nach dem aktuellen Zustand und bewahre dabei die historische Richtlinie, die sie erzeugt hat.
Verhält sich ein neues Modell unerwartet, sollte ein Zurücksetzen eine bekannte Analysekonfiguration wiederherstellen, ohne aktuelles Kontowissen zu verlieren. Der tatsächliche Kontobestand ist kein Teil der Modellversion. Alten Code oder alte Prompts wiederherzustellen, kann keine frühere wirtschaftliche Position wiederherstellen, weshalb die Wiederherstellung die zwischenzeitlichen Ausführungen und Verpflichtungen bewahren muss.
Teste die Entscheidung, ein Angebot zurückzuhalten
Eine nützliche Bewertung enthält widersprüchliche Quellen, eine missverstandene Schwelle, eine veraltete Modellantwort, ausgeschöpfte Bestandskapazität und eine Stornierung, die nicht vor weiteren Ausführungen abgeschlossen wird. Das erwartete Ergebnis sollte manchmal kein neues Angebot sein. Ein System, das immer einen Preis erzeugt, hat nicht gezeigt, dass es unzureichende Belege erkennen kann.
Teste außerdem, ob das Modell Unsicherheit erklären kann, ohne Tatsachen zu erfinden. Die Ausführungssteuerung sollte unvollständige oder inkonsistente Vorschläge nach ihren eigenen Regeln ablehnen, selbst wenn das Modell selbstsichere Prosa liefert. Eine klare Ablehnung ist ein erfolgreiches Kontrollergebnis, wenn der Vorschlag die Kontoanforderungen nicht erfüllt.
Ein KI-gestützter automatischer Prognose-Market-Maker ist am nützlichsten, wenn der Modellbeitrag konkret und überprüfbar ist. Prognose, Angebotskonstruktion, Risikogrenzen und Orderwiederherstellung dienen unterschiedlichen Zwecken. Diese Verantwortlichkeiten ausdrücklich zu halten, erleichtert die Bewertung des gemeinsamen Prozesses, einschließlich der Möglichkeit, dass die Belege einen kleineren Umfang oder überhaupt keine aktive Angebotsstellung stützen.