Shipping-Daten & der globale Handel.

Etwa 90 % des globalen Warenverkehrs läuft über das Meer. Fast jedes größere Handelsschiff sendet sekündlich seine Position über AIS — ursprünglich aus Sicherheitsgründen entwickelt, heute eine der reichhaltigsten Alternative- Datenquellen überhaupt. Wer Schiffsbewegungen, Hafenfrequenzen und Container-Flüsse systematisch auswertet, hat eine Realtime-Sicht auf die Weltwirtschaft, die sich weit vor offiziellen Handelsstatistiken zeigt.

Was AIS ist und wer es sendet.

AIS — Automatic Identification System — ist ein UKW-basiertes Sendesystem, das seit 2002 für alle Schiffe über 300 BRT auf internationalen Routen verpflichtend ist. Jedes Schiff überträgt alle paar Sekunden: MMSI-ID, Position, Kurs, Geschwindigkeit, Tiefgang (was indirekt die Beladung anzeigt), Bestimmungshafen und ETA. Diese Signale werden von Küstenstationen und seit etwa 2010 zunehmend von Satelliten (Spire, ORBCOMM, exactEarth) eingefangen und in globale Datenbanken zusammengeführt.

Die offene Datenseite: AIS-Roh-Daten sind in Grenzen frei verfügbar (z. B. via MarineTraffic, VesselFinder), aber nur mit erheblichen Lücken in Mid-Ocean-Regionen und ohne saubere historische Tiefe. Für kommerzielle Analysen werden die Daten von Anbietern wie Kpler, Spire, MarineTraffic Pro, Lloyd's List Intelligence und OceanMind aufbereitet: dedupliziert, mit Schiffsdatenbanken angereichert, mit Hafen-Geofences versehen.

Welche Fragen Shipping-Daten beantworten.

Aus AIS-Daten lassen sich mit ausreichend Tiefe und Aufbereitung mehrere Klassen von Fragen beantworten, die für unterschiedliche Investment-Strategien relevant sind.

• Makro-Indikatoren: Wie viele Containerschiffe fahren von China nach Europa? Wie verändert sich der Welthandel im Vorlauf zu offiziellen Daten?
• Commodity-Flüsse: Wo gehen die Öltanker hin? Welche Mengen LNG werden aus Katar geliefert? Wo stauen sich Eisenerz-Carrier vor australischen Häfen?
• Hafen-Congestion: Wie viele Schiffe warten vor Los Angeles, Rotterdam, Shanghai? Wie lange ist die durchschnittliche Verweildauer?
• Sanktions-Tracking: Welche Tanker laden in russischen oder iranischen Häfen, schalten ihre AIS aus und tauchen einige Tage später in Indien wieder auf?
• Sektor-Performance: Container-Reedereien (Maersk, Hapag-Lloyd) lassen sich teilweise aus ihrer eigenen Schiffsbewegung und der Aktivität ihrer Flotte einschätzen.

Pipeline-Aufbau: Vom Rohdatenstrom zur Hafen-Statistik.

Die typische Pipeline für eine Hafen-Congestion-Strategie ist konzeptionell einfach, aber operativ aufwendig. Sie definieren Geofences um die wichtigsten globalen Häfen, klassifizieren Schiffe nach Typ (Container, Tanker, Bulker), messen Ankunfts- und Abfahrtszeiten und aggregieren zu Tages- oder Wochen-Statistiken.

import polars as pl
from shapely.geometry import Point, Polygon
import geopandas as gpd
from datetime import datetime, timedelta

PORTS = {
    'LA_LongBeach': Polygon([(-118.30, 33.65), (-118.10, 33.65),
                              (-118.10, 33.80), (-118.30, 33.80)]),
    'Rotterdam':    Polygon([(4.00, 51.85), (4.40, 51.85),
                              (4.40, 52.00), (4.00, 52.00)]),
    'Shanghai':     Polygon([(121.40, 30.80), (122.00, 30.80),
                              (122.00, 31.40), (121.40, 31.40)]),
}

def classify_port_visits(ais_df, ports=PORTS, vessel_types=None):
    """
    Findet Hafenaufenthalte: Schiff im Geofence, Geschwindigkeit < 1 kn,
    Aufenthaltsdauer mindestens 4 Stunden.
    """
    ais = ais_df.filter(pl.col('speed_kn') < 1.0)
    if vessel_types:
        ais = ais.filter(pl.col('vessel_type').is_in(vessel_types))

    visits = []
    for port_name, polygon in ports.items():
        gdf = gpd.GeoDataFrame(
            ais.to_pandas(),
            geometry=gpd.points_from_xy(ais['lon'], ais['lat'])
        )
        inside = gdf[gdf.geometry.within(polygon)]

        for mmsi, group in inside.groupby('mmsi'):
            group = group.sort_values('timestamp')
            arrival = group['timestamp'].min()
            departure = group['timestamp'].max()
            duration = (departure - arrival).total_seconds() / 3600
            if duration >= 4:
                visits.append({
                    'mmsi': mmsi,
                    'port': port_name,
                    'arrival': arrival,
                    'departure': departure,
                    'duration_hours': duration,
                    'vessel_type': group['vessel_type'].iloc[0],
                })
    return pl.DataFrame(visits)

Die wirklichen Schwierigkeiten beginnen jenseits dieses Skeletts: Schiffe, die AIS ausschalten (vor allem im sanktionierten Geschäft), GPS-Spoofing (das in den letzten Jahren systematisch im Persischen Golf und vor Iran zugenommen hat), Mehrfach-MMSI-Identitäten desselben Schiffs und die Frage, wie Sie kleine Service-Boote von tatsächlichen Frachtern unterscheiden.

Strategie 1: Trans-Pazifik-Container-Index.

Ein klassisches makro-orientiertes Setup: Sie zählen täglich alle Containerschiffe, die in den vorangegangenen sieben Tagen einen chinesischen Hauptexporthafen (Shanghai, Ningbo, Yantian) verlassen haben und in den nächsten 14 Tagen auf US-Westküste (LA, Long Beach, Oakland) eintreffen werden. Diese Schätzung läuft offiziellen Handelsstatistiken um etwa drei bis sechs Wochen voraus.

def transpacific_container_index(ais_visits, lookback_days=14):
    """
    Schiffe, die China verlassen haben und auf US-WC steuern.
    Approximation: Departure-Polygon + Bestimmungshafen + ETA-Filter.
    """
    cutoff = datetime.utcnow() - timedelta(days=lookback_days)
    cn_ports = {'Shanghai', 'Ningbo', 'Yantian'}
    us_wc_ports = {'LA_LongBeach', 'Oakland', 'Seattle'}

    departures = ais_visits.filter(
        (pl.col('port').is_in(cn_ports)) &
        (pl.col('departure') >= cutoff) &
        (pl.col('vessel_type') == 'Container')
    )

    # ETA muss in den nächsten 30 Tagen auf US-WC zeigen
    in_transit = departures.join(
        ais_visits.filter(pl.col('port').is_in(us_wc_ports)),
        on='mmsi',
        suffix='_arrival',
    )

    daily = in_transit.groupby(pl.col('departure').dt.date()).agg(
        ship_count=pl.col('mmsi').n_unique(),
        avg_capacity_teu=pl.col('capacity_teu').mean(),
        total_capacity_teu=pl.col('capacity_teu').sum(),
    )
    return daily.sort('departure')

Dieser Index korreliert historisch stark mit dem Shanghai Containerized Freight Index (SCFI), aber mit eigenem Vorlauf — und zeigt strukturelle Brüche (Corona, Suezkanal-Sperrung 2021, Rotmeer-Krise 2024) deutlich früher als veröffentlichte Daten. Implikationen: Long/Short auf Container-Reedereien, FX-Trades auf asiatische Exportwährungen (CNH, KRW, TWD), Aufschläge für US-Importer-Tickers.

Strategie 2: Öltanker-Tracking.

Für Energie-Strategien ist die Schiffsverfolgung die zweite Säule neben den Lager-Satellitenbildern aus Cushing. Aus AIS-Daten lässt sich täglich bestimmen, wie viele beladene VLCCs (Very Large Crude Carriers) auf dem Weg nach China, Indien, Europa sind. Aus Tiefgangsdaten ergibt sich indirekt, wie viel Ladung an Bord ist — leere und volle Tanker liegen unterschiedlich tief im Wasser.

Anbieter wie Kpler haben das so weit perfektioniert, dass sie tägliche Schätzungen für globale Öl-Flüsse mit Genauigkeiten von ±3 % gegenüber offiziellen Statistiken liefern. Für eine deutsche Vermögensverwaltung, die in Energie-Mandanten aktiv ist, ist Kpler-Daten oft der erste Datenfeed-Kauf, der sich rechnet. Die Lizenzkosten liegen je nach Coverage zwischen 80 und 400 k EUR/Jahr.

Strategie 3: Hafen-Congestion und Logistik-Aktien.

Während der Pandemie war Hafen-Congestion das Top-Thema im globalen Handel: Wartezeiten vor LA/LB explodierten von zwei Tagen auf elf Tage, Spot-Container- Raten verzehnfachten sich. Wer AIS-Daten lesen konnte, sah den Aufbau der Staus in Echtzeit — und konnte entsprechend in Reederei-Aktien (ZIM, Maersk), Hafen-Operator-Aktien und Logistik-Equities positionieren.

Heute ist die Strategie subtiler, aber funktioniert weiter. Eine plötzliche Stauung in einem großen Hafen — sei es durch Streik, Wetter oder Cyber-Angriff — ist meist 24 bis 48 Stunden in AIS-Daten sichtbar, bevor Newswire-Headlines erscheinen. Wer eine automatisierte Anomalie-Erkennung auf Hafen-Verweildauern laufen lässt, hat einen Vorsprung auf reaktive Strategien.

Compliance und Sanktions-Risiken.

Ein Sonderkapitel ist Sanktions-Compliance. Seit 2022 nutzen viele Vermögensverwaltungen AIS-Daten zur Eigen-Prüfung, ob sie indirekt in Schiffe oder Reedereien investiert sind, die in sanktionierten Trades aktiv sind. Anbieter wie OceanMind und Windward haben sich auf diese Forensik spezialisiert. Aus regulatorischer Sicht (OFAC, EU-Sanctions) ist die saubere Dokumentation der Schiffsbewegungen heute Teil der Sorgfaltspflicht.

Für die Strategie-Seite eröffnet das interessante Substrategien: Long-Short auf Reedereien, die saubere von schmutzigen Flotten betreiben, mit Sicht auf wachsende Regulierung und ESG-Filter institutioneller Investoren. Die Korrelation zwischen Sanktions-Forensik-Ergebnissen und ESG-Ratings ist im Schifffahrtssektor erheblich.

Realistische Ergebnisse und Fallstricke.

Drei Punkte, die in der Praxis immer wieder Strategien torpedieren: Erstens die Bestimmungshafen-Angabe ist freitext. Captains schreiben „NEXT PORT" oder „FOR ORDERS" oder geben absichtlich falsche Ziele an — insbesondere bei sanktionierten Trades. Ohne Cross-Validation gegen tatsächliche Routenverläufe sind ETA-basierte Indizes unzuverlässig.

Zweitens: Satelliten-Coverage-Lücken. Vor allem in der Mitte des Pazifiks kann es zwischen zwei AIS-Empfangsfenstern mehrere Stunden dauern. Die Lücken sind in den letzten Jahren kleiner geworden, aber sie existieren. Echtzeit-Strategien müssen damit umgehen.

Drittens: Saisonalitäten und Strukturbrüche. Chinesisches Neujahr, Golden Week, Ramadan in muslimischen Häfen — die Saisonalitäten in Shipping-Daten sind erheblich, und wer sie nicht in Modelle einbaut, hält jedes Februar-Tief für ein bearishes Signal. Strukturbrüche (Suezkanal 2021, Rotes Meer 2024) machen historische Modelle in Tagen wertlos.

Einstieg: Wo Sie anfangen können.

Für einen ernsthaften Einstieg ohne sofortigen Kpler-Vertrag würde ich heute empfehlen: Spire-AIS-Daten über einen Forschungs-Tier-Vertrag (etwa 20 bis 40 k EUR/Jahr) plus eine eigene Pipeline auf zwei bis drei Häfen und einer klar definierten Strategie. Daraus entwickelt sich in sechs bis zwölf Monaten ein klares Bild, ob die Daten für Ihr Portfolio einen Mehrwert liefern oder ob Sie unter dem Strich einfach den Spot-Container-Rate-Index hätten beobachten sollen.

Shipping-Daten sind eines der Felder, in denen Alternative Data nicht magisch ist, aber wirklich tragfähig. Wer geduldig baut, klare Strategie- Hypothesen formuliert und realistische Edge-Erwartungen mitbringt, gewinnt über die Jahre ein konsistentes Plus — gerade weil das Feld trotz seiner Größe operativ anspruchsvoll bleibt und viele schnelle Geld-Sucher früh wieder aussteigen.

Sie überlegen, Shipping-Daten in Ihr makroökonomisches oder sektorales Investment-Modell zu integrieren? Erstgespräch buchen — wir besprechen Datenanbieter, Pipeline-Aufbau und realistische Strategie-Optionen.