WeatherNext 2 in die Engine verdrahten

Wir haben mit dem begonnen, was mit deutlichem Abstand das größte Prognose-Genauigkeits-Upgrade ist, das wir je versucht haben: Google DeepMinds WeatherNext 2 in den StormBot-Wahrscheinlichkeitskern einzufalten. Wenn wir das sauber hinbekommen, ändert es die zugrunde liegende Qualität jeder Edge, die die Engine kennzeichnet — und damit den erwarteten Ertrag jeder Order, die wir leiten.

Der Rest dieser Notiz behandelt, was WeatherNext 2 tatsächlich ist, wo es dem NOAA-GFS-Modell überlegen ist, von dem wir heute abhängen, warum die Integration schwieriger ist, als es klingt, und wie der Zugang nach handelsvolumen auf der Plattform gestaffelt wird, sobald wir live gehen.

Was ist WeatherNext 2?

WeatherNext 2 ist das fortschrittlichste Vorhersagemodell, das Google DeepMind je veröffentlicht hat. Ende 2025 vorgestellt und bereits in Google Search, Gemini, Pixel Weather und Google Maps im Einsatz, stellt es einen Generationssprung in der globalen Wettervorhersage dar.

Statt die physikalischen Gleichungen zu lösen, die die Atmosphäre beschreiben — der Ansatz, den NOAA GFS, das ECMWF-Modell und alle traditionellen Systeme seit Jahrzehnten verwenden — lernt WeatherNext 2 das atmosphärische Verhalten direkt aus jahrzehntelangen historischen Daten. Es basiert auf einer brandneuen Architektur namens Funktionales Generatives Netzwerk (FGN), die kontrolliertes Rauschen direkt in das Modell injiziert, sodass jede erzeugte Prognose physikalisch konsistent und über alle Variablen hinweg intern kohärent bleibt.

Warum es genauer ist als NOAA GFS

NOAAs Global Forecast System ist eine phänomenale Ingenieursleistung — aber es wurde in einer Ära vor Deep Learning entworfen, und die Grenzen physikbasierter Modellierung sind seit Jahren offensichtlich. Es gibt einen Grund, warum ECMWF historisch GFS um rund einen vollen Tag Vorhersagegüte übertroffen hat und warum fast jeder große Wetteranbieter heimlich begonnen hat, KI auf seinen traditionellen Stack zu legen.

Hier zieht WeatherNext 2 an GFS vorbei — speziell bei den Arten von kurz- bis mittelfristigen Temperaturvorhersagen, die Polymarkets Wetterkontrakte antreiben:

• Gelernte Atmosphärenmuster vs. gelöste Gleichungen — GFS nähert die Atmosphäre an, indem sie in ein Gitter diskretisiert wird und Navier-Stokes bei jedem Zeitschritt gelöst wird. Diese Näherungen häufen sich mit der Zeit. WeatherNext 2 hat das volle nichtlineare Verhalten der Atmosphäre aus ERA5-Reanalyse-Daten gelernt, sodass es nicht dieselbe Klasse numerischer Fehler ansammelt.
• Native probabilistische Ausgabe — GFS gibt eine Vorhersage pro Lauf. Für eine Verteilung benötigt man GEFS (das Ensemble), was Kosten und Latenz hinzufügt. WeatherNext 2 gibt die vollständige Verteilung nativ aus, wir sehen also die tatsächliche Wahrscheinlichkeit, dass eine Stadt 14°C erreicht, statt einer Punktschätzung, die wir selbst Bayesianisch einwickeln müssten.
• Höhere effektive Auflösung — WeatherNext 2 erstellt stundengenaue globale Prognosen. GFS läuft operationell mit einer horizontalen Auflösung von 13 km und 3-Stunden-Output für unseren Trading-Bereich. Für stadtspezifische Daily-Max- und Daily-Min-Kontrakte ist diese zusätzliche zeitliche Granularität ein echter Vorteil.
• Besser bei den Rändern — DeepMinds Benchmarks zeigen die größten Gewinne bei Ereignissen mit geringer Wahrscheinlichkeit und hohem Impact: Kälteeinbrüche, Hitzedome, Stürme. Das sind genau die Märkte, in denen falsch bepreiste Tails leben und aus denen unsere größten Trades stammen.
• Physikalisch konsistente Ensembles — die FGN-Architektur bedeutet, dass jedes Szenario im Ensemble intern konsistent ist (ein windiges Szenario hat auch den entsprechenden Druckgradienten). Genau das macht die Wahrscheinlichkeiten für die Preisfindung nutzbar.

Für die 0–3-Tage-Horizonte, die den Großteil von Polymarkets Wettermärkten ausmachen, ordnen unabhängige Auswertungen moderne KI-Modelle in dieselbe Liga ein wie — und oft sogar vor — ECMWFs Flaggschiff-IFS, das selbst deutlich vor GFS liegt. Grob übersetzt: ein paar Zehntel Grad RMSE bei der Tageshöchsttemperatur bei 48 Stunden und merklich engere Kalibrierung bei seltenen Ereignissen.

Warum das das Ergebnis der Trades verändert

Die gesamte Edge von StormBot ergibt sich aus einem mechanischen Schritt: die wahre Wahrscheinlichkeit eines Temperatur-Buckets genauer zu schätzen, als der Polymarket-Markt sie bepreist. Alles Nachgelagerte — Claudes YES/NO-Entscheidung, Kelly-Größenbestimmung, Exit-Logik, Trailing-Stops — speist sich aus dieser Wahrscheinlichkeitsschätzung.

Heute ensemblen wir GFS, ECMWF, UKMO und NWS, mischen sie Bayesianisch mit der historischen NCEI-Klimatologie und wenden eine Normal-CDF auf die Vorhersagefehler-Verteilung an, um zu einer Wahrscheinlichkeit zu kommen. Es funktioniert. Aber es ist grundsätzlich durch die Genauigkeit der zugrunde liegenden Modelle begrenzt.

Diese Wahrscheinlichkeitsschätzung durch WeatherNext 2 als primäres Signal zu ersetzen hat sehr konkrete Auswirkungen:

• Schärfere Edge-Erkennung. Eine halbe Grad Verbesserung der Prognose-RMSE übersetzt sich direkt in 1-3% mehr erkennbaren Edge auf Borderline-Märkten, die derzeit von unserer 2%-Schwelle herausgefiltert werden. Mehr Signale erreichen Claude.
• Bessere Kalibrierung. Wenn wir „78 % Wahrscheinlichkeit für YES" sagen, muss es bei einer großen Stichprobe tatsächlich zu 78 % so eintreten. Die native probabilistische Ausgabe von WeatherNext 2 ist deutlich besser kalibriert als alles, was wir aus deterministischen Modellen synthetisieren können.
• Weniger katastrophale Tail-Trades. Die stärkere Leistung des Modells bei seltenen Ereignissen bedeutet, dass wir die Fat Tails seltener falsch bepreisen — historisch unsere größte Kategorie unerwarteter Verluste.
• Schnellere Modell-Turnaround. Unser aktueller Vorhersage-Fetch-Zyklus ist durch ratenbegrenzte kostenlose Wetter-APIs latenzbeschränkt. WeatherNext 2 über Vertex AI von Google Cloud zu betreiben bedeutet, dass wir Prognosen nach unserem eigenen Zeitplan aktualisieren können, nicht nach deren.

Warum das ein schwieriges Problem ist

Wir wollen ehrlich sein: Das ist die schwierigste Engineering-Arbeit, die wir seit der Infrastrukturmigration von v2 übernommen haben. "Ein neues Modell anschließen" ist nie so einfach, wie es klingt, und WeatherNext 2 insbesondere hat eine Reihe scharfer Kanten.

Erwartete Genauigkeitssteigerung

Basierend auf den veröffentlichten Benchmarks von DeepMind und unserer eigenen internen Modellierung, wie sich der Vorhersagefehler durch unseren Edge-Rechner fortpflanzt, hier ist, wo wir erwarten, dass sich die Leistung von StormBot bewegt, sobald die Integration eintrifft:

Zugang: nach Volumen für treue Nutzer

Wir müssen hier ehrlich über die Ökonomie sein. WeatherNext-2-Inferenz über Vertex AI ist nicht kostenlos, und die Infrastrukturarbeit stellt eine erhebliche Engineering-Investition dar. Wir können es nicht jedem am ersten Tag geben — und ehrlich gesagt wollen wir das auch nicht. Die Nutzer, die StormBot tatsächlich zu dem gemacht haben, was es heute ist, sollten diejenigen sein, die es zuerst bekommen.

Wenn WeatherNext 2 startet, wird der Zugang begrenzt durch das Handelsvolumen auf der Plattform. Dein kumuliertes Handelsvolumen — jeder Dollar pUSD, den du über StormBot in Polymarket-Märkte eingesetzt hast — wird zur Währung, die die aufgewertete Engine freischaltet. Je mehr du gehandelt hast, desto früher und tiefer dein Zugang.

Eine kurze Anmerkung zur Fairness: Volumenstufen werden aus deiner Handelsaktivität auf der Plattform berechnet, nicht aus deiner Wallet-Größe. Ein Nutzer mit einem kleineren Bankroll, der den Bot aber konsistent handeln lässt, wird die Stufen schneller erklimmen als jemand, der ein großes Guthaben einzahlt und untätig liegen lässt. Das ist beabsichtigt — wir wollen die Leute belohnen, die StormBot tatsächlich so nutzen, wie er genutzt werden soll.

Zeitplan

Keine Versprechen zu exakten Daten — das ist ernsthafte Ingenieursarbeit, und wir werden sie nicht überstürzt in die Produktion bringen. Aber hier ist die ehrliche Roadmap:

• Jetzt: Google-Cloud-Konto bereitgestellt, Vertex-AI-Early-Access angefordert, Shadow-Mode-Prototyp wird gegen historische Daten gebaut.
• Nächste Wochen: Refaktorisierung der Edge-Engine zur Verarbeitung probabilistischer Ensembles. Paralleles Logging neben der aktuellen Engine.
• Folgende Wochen: Shadow-Run in der Produktion — WeatherNext 2-Prognosen werden für jeden Markt protokolliert, mit den tatsächlichen Auflösungen verglichen und Kalibrierungsberichte hier veröffentlicht.
• Sobald die Benchmarks bestanden sind: Geschlossene Alpha für Tier-1-Nutzer. Feedback-Schleife mit dem Engineering-Team. Letztes Feintuning.
• Nach Alpha: Stufenweiser Rollout über Tier 2, dann Tier 3.