Event-Extraktion aus News strukturierte Ereignisse statt Sentiment.

Die meisten News-Auswertungen im Trading kochen alles auf eine Zahl herunter: ein Sentiment-Score zwischen negativ und positiv. Das ist bequem, aber grob — denn „negativ“ kann ein Produktrückruf, eine Klage, eine Gewinnwarnung oder schlicht ein verärgerter Kommentator sein, und diese Ereignisse bewegen einen Kurs völlig unterschiedlich. Ein Sentiment-Score wirft sie alle in denselben Topf und verschenkt damit den größten Teil der Information, die in einer Meldung steckt. Event-Extraktion geht den anderen Weg: Statt einer Stimmung liefert sie konkrete, strukturierte Ereignisse — wer ist betroffen, was ist passiert, wann, in welche Richtung wirkt es. So entsteht ein Signal, mit dem man tatsächlich handeln kann, weil es zwischen einem Lieferengpass und einer Übernahme unterscheidet. Dieser Beitrag zeigt, wie LLMs solche Events aus Nachrichtentexten herausziehen, wie man die Ergebnisse strukturiert und prüfbar macht und wo die Methode an Grenzen stößt. Es geht darum, aus dem Rauschen der Nachrichtenflut handelbare Ereignisse zu destillieren — präziser als jeder Positiv-Negativ-Score.

Warum Sentiment allein zu grob ist.

Ein Sentiment-Score komprimiert eine ganze Meldung auf eine Achse. Das hat einen Charme — es ist einfach, schnell und über viele Titel hinweg vergleichbar. Aber es wirft Information weg, die für den Kurs entscheidend ist.

Zwei Beispiele machen es deutlich. Eine Meldung über eine angekündigte Übernahme und eine über eine teure Produkthaftungsklage können denselben Sentiment-Score tragen — beide „negativ“ aus Sicht des übernehmenden Unternehmens, etwa wegen des Kaufpreises. Doch die Kursreaktion ist diametral verschieden. Ein Score, der beide gleich behandelt, ist nicht nur ungenau, er ist irreführend.

Hinzu kommt die Frage der Richtung und der betroffenen Entität. „Wettbewerber X senkt die Preise“ ist für X selbst ambivalent, für dessen Konkurrenten aber klar negativ. Ein einfacher Score erfasst weder, wer betroffen ist, noch in welche Richtung das Ereignis für wen wirkt. Genau diese Dimensionen liefert die Event-Extraktion.

Was strukturierte Events ausmacht.

Ein extrahiertes Event ist mehr als ein Label — es ist ein kleiner Datensatz mit klar definierten Feldern. Bewährt hat sich eine Struktur mit mindestens diesen Bestandteilen:

• Ereignistyp: aus einer festen Liste — Rückruf, Klage, Guidance-Senkung, Guidance-Anhebung, Übernahme, Führungswechsel, Großauftrag, Insolvenz und so weiter.
• Betroffene Entität: das Unternehmen oder die Unternehmen, um die es geht, eindeutig identifiziert.
• Richtung: ob das Ereignis für die jeweilige Entität tendenziell günstig oder ungünstig ist.
• Zeitbezug: ist das Ereignis bereits eingetreten, angekündigt oder erwartet.
• Quellenverweis: aus welchem Satz der Meldung das Event stammt.

Diese Struktur macht aus einer diffusen Stimmung ein handelbares Faktum. Man kann nach Ereignistyp filtern, nach betroffenen Titeln aggregieren, die Richtung gegen die Kursreaktion testen. Vor allem aber kann man unterscheiden — und Unterscheidung ist genau das, was ein Sentiment-Score nicht leistet.

Wie das Modell Events zuverlässig extrahiert.

Damit die Extraktion verlässlich läuft, braucht es zwei Dinge. Erstens eine klar definierte, geschlossene Liste von Ereignistypen. Lässt man das Modell den Typ frei formulieren, entstehen dutzende Varianten desselben Ereignisses, die niemand mehr aggregieren kann. Eine feste Aufzählung — und ein Sammelwert „sonstiges“ für alles, was nicht passt — hält die Daten sauber.

Zweitens eine erzwungene strukturierte Ausgabe gegen ein Schema. Das Modell gibt nicht Fließtext aus, sondern eine Liste von Event-Objekten mit den oben genannten Feldern. So ist garantiert, dass jedes Event parsebar ist und keine Felder fehlen oder erfunden werden.

Eine Meldung kann mehrere Events enthalten — eine Übernahme, die zugleich eine Führungsveränderung und eine geänderte Guidance mit sich bringt. Das Schema muss eine Liste erlauben, nicht nur ein einzelnes Event. Und es muss den Fall abdecken, dass eine Meldung gar kein handelbares Event enthält — die meisten Nachrichten sind schlicht Rauschen, und das ehrlich als „kein Event“ zu kennzeichnen ist wertvoller, als krampfhaft eines zu finden.

Von extrahierten Events zu handelbaren Signalen.

Ein extrahiertes Event ist noch kein Signal — es ist ein strukturierter Rohstoff. Der Weg zum handelbaren Signal führt über mehrere Schritte, die jeweils eigene Sorgfalt verlangen.

Zunächst gilt es, die Events zu entdoppeln. Dasselbe Ereignis wird oft von mehreren Quellen gemeldet; ohne Deduplizierung zählt man ein einzelnes Ereignis mehrfach und überschätzt sein Gewicht. Anschließend lohnt eine historische Validierung: Wie hat sich ein bestimmter Ereignistyp in der Vergangenheit auf den Kurs ausgewirkt, und wie verlässlich? Nicht jeder Ereignistyp trägt ein verwertbares Signal.

Wichtig ist der Umgang mit dem Zeitbezug. Ein bereits eingetretenes Ereignis ist oft schon eingepreist, ein erwartetes noch nicht. Das Feld zum Zeitbezug entscheidet mit darüber, ob ein Event überhaupt noch handelbar ist. Wer diese Unterscheidung ignoriert, handelt auf Information, die der Markt längst verarbeitet hat — der klassische Fehler, alte Nachrichten für neu zu halten.

Genauigkeit und typische Fehler.

Die Genauigkeit der Event-Extraktion hängt stark vom Ereignistyp ab. Klar definierte, häufige Ereignisse — Rückrufe, Guidance-Änderungen, Übernahmen — erkennt ein gutes Modell zuverlässig. Seltene, mehrdeutige oder branchenspezifische Ereignisse sind fehleranfälliger.

Zwei Fehlertypen treten regelmäßig auf. Erstens die falsche Richtung: Das Modell erkennt das Ereignis korrekt, ordnet aber die Wirkung falsch zu — etwa weil der Zusammenhang im Text subtil ist. Zweitens die falsche Entität: Bei Meldungen, die mehrere Unternehmen nennen, wird das Event gelegentlich dem falschen zugeordnet. Beide Fehler sind tückisch, weil das extrahierte Event formal sauber aussieht.

Realistisch liegt die Trefferquote bei der reinen Ereigniserkennung für klar definierte Typen hoch, bei der korrekten Zuordnung von Richtung und Entität niedriger — und genau diese Zuordnung ist die handelsrelevante. Deshalb gehört eine Stichprobenprüfung gegen die Originalmeldungen zum festen Bestandteil jeder produktiven Pipeline, gerade in der Einführungsphase.

Grenzen, Aufwand und realistischer Einstieg.

Event-Extraktion ist aufwendiger als ein Sentiment-Score — sie verlangt ein durchdachtes Schema, eine gepflegte Ereignistypen-Liste und nachgelagerte Schritte für Deduplizierung und Validierung. Bei kleinem Nachrichtenvolumen rechtfertigt der Mehraufwand den Mehrwert oft nicht; der einfache Score reicht. Der Nutzen entfaltet sich erst, wenn man große Mengen Nachrichten systematisch verarbeitet und die Unterscheidung zwischen Ereignistypen tatsächlich in eine Strategie einfließt.

Eine grundsätzliche Grenze: Auch das beste extrahierte Event sagt nichts darüber aus, ob der Markt schon reagiert hat. Die Extraktion liefert das Was, nicht das Ob-noch-handelbar. Diese Brücke schlägt nur die historische Validierung — und sie ist die eigentliche Arbeit.

Ein sinnvoller Einstieg beginnt mit wenigen, klar definierten Ereignistypen, die für das eigene Universum nachweislich relevant sind, und prüft die Extraktion über mehrere Wochen gegen die tatsächlichen Kursreaktionen, bevor irgendetwas automatisiert gehandelt wird. Wer Event-Extraktion als sorgfältig validiertes Werkzeug zur Verfeinerung seiner Nachrichtenauswertung versteht und nicht als fertige Signalmaschine, holt den größten und nachhaltigsten Wert heraus.

Sie wollen aus Ihrer Nachrichtenflut handelbare Ereignisse extrahieren, statt sich auf grobe Sentiment-Scores zu verlassen? Unverbindlich anfragen — wir definieren gemeinsam die für Ihr Universum relevanten Ereignistypen, das passende Schema und die Validierung gegen reale Kursreaktionen.