So funktioniert unser Fußballmodell: 1X2, Over/Under, BTTS, Asian Handicap

Die meisten Wettseiten nennen dir eine Prognose. Fast keine erklärt dir, wie sie zustande kam. Dieser Beitrag öffnet die Haube unseres Fußballmodells — welche Daten einfließen, wie sich die beiden zugrunde liegenden Modelle unterscheiden, wo sie danebenliegen, und wie aus einer Wahrscheinlichkeit eine echte Wette auf unserer Modellseite wird. Nichts davon ist Hype: Wir zeigen dir reale Fehlermaße und erzählen ehrlich von den Fehlern, die wir im Live-Betrieb gefunden und behoben haben.

Zwei Modelle, vier Marktfamilien

Fußball ist kein einzelnes Vorhersageproblem — es sind mindestens zwei. Vorherzusagen, wer gewinnt (1X2: Heim / Unentschieden / Auswärts), ist ein Klassifikationsproblem. Vorherzusagen, wie viele Tore fallen (Over/Under, Asian Handicap, BTTS, Halbzeit-Märkte), ist ein Scoring-Problem. Wir nutzen für jedes ein eigenes Modell, weil eine einzelne Architektur, die beide Jobs erledigen soll, meist bei keinem wirklich gut ist.

• 1X2 (Spielergebnis) — ein XGBoost-Klassifikator, trainiert auf ~102.000 Spiele seit 2006.
• Over/Under, Asian Handicap, BTTS, Halbzeit — ein Poisson-Torenmodell mit Dixon-Coles-Korrektur.

Beide Modelle sind über die europäischen Top-Ligen trainiert — Premier League, La Liga, Serie A, Bundesliga, Ligue 1, Championship, Eredivisie, Primeira Liga — plus internationale Turniere. Die Abdeckung pro Wettbewerb findest du auf den einzelnen Liga-Hubs, zum Beispiel dem Premier-League-Hub.

Das XGBoost-1X2-Modell

Das Ergebnismodell ist ein Gradient-Boosted-Tree-Klassifikator (XGBoost), gefüttert mit 110 Input-Features pro Spiel. Es schaut nicht nur auf die Tabellenposition — es mischt mehrere Signalfamilien:

• Elo-Ratings — jede Nacht für jedes Team aktualisiert, mit konföderationsbewusster Behandlung für Nationalmannschaften (siehe Elo-Ratings erklärt) und ohne künstlichen Heimvorteil-Bonus bei neutralen Turnierorten.
• Aktuelle Form — rollende Fenster aus Ergebnissen, Toren und zugrunde liegender Leistung.
• Direktvergleich (Head-to-Head) zwischen beiden Teams.
• Ein xG-Proxy aus Torschüssen aufs Tor — echte Opta/StatsBomb-artige Expected-Goals-Daten sind nicht für jede Liga frei verfügbar, die wir abdecken. Deshalb bilden wir `xG_hat = Liga-Koeffizient × Schüsse aufs Tor`, pro Liga kalibriert (R² ≈ 0,46 über alle Ligen; der Premier-League-Koeffizient liegt zum Beispiel bei 0,316). Siehe Was ist xG (Expected Goals) für das zugrunde liegende Konzept.
• News-Sentiment und Wetter als kleinere unterstützende Signale.

Auf rohen historischen Daten liegt der Brier-Score des Modells — ein Standardmaß für probabilistische Genauigkeit, bei dem niedriger besser ist — bei rund 0,18. Nach der Kalibrierung (dazu unten mehr) verbessert er sich auf etwa 0,177. Zum Vergleich: Eine naive Münzwurf-Schätzung über drei Ergebnisse schneidet deutlich schlechter ab; der eigentliche Maßstab, an dem wir uns messen, ist die Genauigkeit von Pinnacles eigenem de-viggtem Markt — der schärfsten öffentlich verfügbaren Schätzung der wahren Wahrscheinlichkeit (mehr dazu in Devigging erklärt).

Bestätigte Aufstellungen bewegen die Zahl

Die Startelf wird alle 15 Minuten vor Anpfiff geprüft. Sobald eine Aufstellung bestätigt ist, kostet ein fehlender Stürmer rund −5,5 % der erwarteten Tore dieses Teams, ein fehlender Mittelfeldspieler −3,5 %, ein fehlender Verteidiger −2 %, gedeckelt bei maximal −20 %, damit ein einzelner Ausfall nicht die gesamte Prognose verzerrt — und die 1X2-Gewinnwahrscheinlichkeiten werden proportional angepasst, um dazu zu passen. Liegt noch keine bestätigte Aufstellung vor, springt eine schwächere Anpassung anhand der Verletztenliste als Fallback ein, bis die Teamnews da sind.

Die Poisson-Torengine

Over/Under, Asian Handicap, BTTS und Halbzeit-Märkte hängen alle an derselben zugrunde liegenden Größe: wie viele Tore jedes Team voraussichtlich erzielt. Das Modell sagt einen Expected-Goals-Wert (Lambda) für das Heimteam und einen für das Auswärtsteam voraus und nutzt dann die Poisson-Verteilung, um aus diesen beiden Zahlen Wahrscheinlichkeiten für jedes Spielergebnis, jeden Total- und jeden Handicap-Ausgang zu machen.

Ein einfaches Poisson-Modell hat eine bekannte Schwäche: Es bepreist torarme Spiele falsch. Es überschätzt systematisch 0:0-Unentschieden und unterschätzt 1:0 / 0:1 / 1:1-Ergebnisse, weil die Tore beider Teams in der Realität nicht perfekt unabhängig sind — vorsichtige, torarme Spiele erzeugen eine kleine zusätzliche Korrelation, die ein naives Modell übersieht. Wir korrigieren das mit der Dixon-Coles-Anpassung, mit einem Korrelationsparameter (Rho) der direkt auf unseren eigenen Spieldaten per Maximum-Likelihood gefittet wird, statt aus alter Literatur übernommen zu werden. Der klassische akademische Wert liegt bei Rho ≈ −0,13, aus englischen Fußballdaten der 1990er — auf unseren eigenen Daten erwies sich das als zu stark; unser gefitteter Wert liegt bei Rho ≈ −0,06.

Genauigkeit auf Testdaten: ein mittlerer absoluter Fehler von rund 0,94 Toren beim Heimteam und 0,85 Toren beim Auswärtsteam, sowie eine Over/Under-2,5-Trefferquote von 0,579 gegenüber einer Baseline von 0,549 für das reine Setzen auf die historische Basisrate. Das ist ein echter, wenn auch bescheidener Vorteil — Tore sind von Natur aus verrauscht, und kein Modell schließt diese Lücke vollständig.

Linienwahl und asiatische Viertel-Linien

Bei Over/Under-Märkten wettet die Engine nicht automatisch auf die Linie mit dem höchsten Expected Value — sie wettet auf die Linie, die am nächsten am erwarteten Gesamttotal des Modells liegt (Lambda Heim + Lambda Auswärts). Extreme Linien, weit weg vom erwarteten Total, sind genau der Bereich, in dem die Kalibrierung eines Torenmodells am schwächsten ist. Die Verankerung an der zentralen Schätzung vermeidet es, verrauschten Edges an den Rändern hinterherzujagen. Over/Under-Totals erklärt beschreibt die Marktmechanik ausführlicher.

Asian-Handicap- und Viertel-Linien (z. B. Over 2,75, Handicap +0,25) brauchen eine sorgfältige Push-Wahrscheinlichkeits-Normalisierung — ein Teil des Einsatzes kann zurückerstattet statt klar gewonnen oder verloren werden, und die EV-Formel muss das korrekt berücksichtigen. Siehe Asian Handicap erklärt für ein Rechenbeispiel, wie Viertel-Linien eine Wette auf zwei Halb-Linien aufteilen.

Kalibrierung: Wahrscheinlichkeiten ehrlich machen

Die rohe Ausgabe eines Modells ist selten perfekt kalibriert — wenn es "40 %" sagt, könnte die tatsächliche langfristige Häufigkeit in Wirklichkeit 35 % oder 45 % sein. Wir korrigieren das mit isotonischer Kalibrierung, einer Technik, die eine monotone Abbildung von rohen Modellwahrscheinlichkeiten auf beobachtete Ergebnishäufigkeiten lernt.

Ein ehrliches Detail, das wir teilen wollen: Eine einzige gemeinsame Kalibrierungs-Abbildung funktioniert bei Fußball nicht gut, weil sich Vereinsfußball und Länderspiele unterschiedlich verhalten. In unseren eigenen Daten musste die rohe Unentschieden-Wahrscheinlichkeit bei Vereinsspielen Richtung Realität geschrumpft werden, während sie bei Länderspielen bereits nah an korrekt lag — beide durch denselben Kalibrator zu schicken, überkorrigierte Länderspiel-Unentschieden fast bis auf null, was falsch war. Der Fix war, die Kalibrierung nach Domäne zu trennen: Der isotonische Kalibrator wird nur auf Vereinsspielen gefittet und nur auf Vereinsspiele angewendet; Länderspiele (Nationalmannschaften) behalten die rohe, unkalibrierte Modellausgabe. Wir haben das im Live-Betrieb gefunden, gegen den Markt geprüft und behoben — statt es mit einem Anzeige-Filter zu überdecken.

Von der Wahrscheinlichkeit zur Wette

Eine kalibrierte Wahrscheinlichkeit ist für sich genommen keine Wette. Sie wird erst eine, wenn sie an einem Preis gemessen wird. Unser Anker ist Pinnacles de-viggte Schlusslinie — die schärfste öffentlich verfügbare Schätzung der wahren Wahrscheinlichkeit (siehe Devigging erklärt für die genaue Rechnung hinter dem Entfernen der Marge). Wir vergleichen die Wahrscheinlichkeit unseres Modells mit dem, was ein Buchmacher tatsächlich bietet, und berechnen den Expected Value:

Das Staking nutzt fraktionelles Kelly bei 25 %, gedeckelt bei 5 % der Bankroll pro einzelner Wette — ein bewusst konservativer Bruchteil des theoretischen vollen Kelly-Einsatzes, weil Modellwahrscheinlichkeiten Unsicherheit tragen, die volles Kelly ausblendet.

Woher wir wissen, dass es funktioniert — und wo nicht

Wir verfolgen zwei unterschiedliche Dinge, weil sie zwei unterschiedliche Fragen beantworten. Closing Line Value (CLV) — ob unsere Wette konsequent einen besseren Preis bekommt, als der Markt am Ende abrechnet — ist das verlässliche langfristige Signal für Moneyline-artige Märkte wie 1X2. Bei Over/Under und Asian Handicap kann CLV allein irreführend sein (es ist möglich, positives CLV zu haben und trotzdem bei einer bestimmten Marktform Geld zu verlieren), deshalb stützen wir uns dort stattdessen auf realisierten ROI und Kalibrierungsgenauigkeit als führende Kennzahlen.

Wir veröffentlichen jede abgerechnete Wette auf unserer Erfolgsbilanz — Gewinne, Verluste, Einsätze und CLV, keine kuratierte Bestenliste. Kleine Stichproben sind verrauscht: Hundert Wetten sagen sehr wenig aus, fünfhundert beginnen statistisch aussagekräftig zu werden. Eine Rendite im Bereich von 3–8 % über eine große Stichprobe ist realistisch für einen disziplinierten Value-Betting-Ansatz; alles, was über eine kurze Strecke dramatisch höher liegt, ist eher Varianz (oder Overfitting) als ein dauerhafter Edge — das sagen wir auch dann, wenn die Zahl besser aussähe, würden wir es verschweigen.

Das Modell ist keine Kristallkugel und wird nie eine sein. Unentschieden sind schwer vorherzusagen. Torarme Spiele sind verrauscht. Länderspiele haben dünnere Daten als ein titelverteidigendes Premier-League-Team. Was wir versprechen können, ist ein transparenter, ehrlich validierter Prozess — keinen garantierten Gewinn.