Die Prognose von Zeitreihen ist eines der herausforderndsten Probleme für die Menschheit. Traditionelle Prognosemethoden, die auf Mittelwertregressionsmodellen basieren, haben erhebliche Nachteile bei der Abbildung realweltlicher Schwankungen. Während neue probabilistische Methoden zur Rettung eilen, kämpfen sie mit technischen Schwierigkeiten wie Quantilsüberschneidungen oder der Auswahl einer A-priori-Verteilung. Um die verschiedenen Stärken dieser Bereiche zu vereinen und ihre Schwächen zu vermeiden, sowie um den Stand der Technik weiter voranzutreiben, stellen wir ForGAN vor – eine ein Schritt weiter gehende probabilistische Prognose mit generativen adversären Netzen (Generative Adversarial Networks). ForGAN nutzt die Leistungsfähigkeit bedingter generativer adversarer Netze, um die Datenverteilung zu lernen und daraus probabilistische Prognosen zu berechnen. Wir diskutieren, wie ForGAN im Vergleich zu Regressionsmethoden evaluiert werden kann. Um die probabilistischen Prognosefähigkeiten von ForGAN zu untersuchen, erstellen wir einen neuen Datensatz und demonstrieren unsere Methodik anhand dieses Datensatzes. Dieser Datensatz wird öffentlich zugänglich gemacht, um Vergleiche zu ermöglichen. Zudem testen wir ForGAN an zwei öffentlich zugänglichen Datensätzen: dem Mackey-Glass-Datensatz und dem Internet-Traffic-Datensatz (A5M). Die beeindruckenden Ergebnisse von ForGAN zeigen seine hohe Fähigkeit zur Vorhersage zukünftiger Werte.