So funktioniert unser NBA-Modell: Effizienz, Pace, Spreads und Totals

NBA-Märkte gehören zu den liquidesten und am genauesten beobachteten im Sportwetten-Bereich — Tausende Ballbesitze pro Nacht, Jahrzehnte an Boxscore-Historie und Buchmacher, die schnell reagieren. Das macht die NBA zu einem guten Test dafür, was ein Modell tatsächlich beitragen kann, wenn die offensichtlichen Vorteile längst weg sind. Hier erfährst du genau, wie unseres aufgebaut ist: worauf es trainiert wird, welche Features den Unterschied machen, eine ehrliche Geschichte über einen Datenausfall, der uns zwang, unsere eigene Stats-Pipeline zu bauen, und wie aus einem vorhergesagten Spielstand eine Wette wird, auf die du handeln kannst.

Drei Modelle und ein Ensemble

Wir setzen nicht auf einen einzigen Black-Box-Vorhersager. Das NBA-System besteht aus drei Modellen plus einer Ensemble-Schicht: einem XGBoost-Win-Klassifikator, der eine Moneyline-Wahrscheinlichkeit ausgibt, und zwei Punkte-Regressoren — einer sagt die Heimpunkte voraus, einer die Auswärtspunkte. Eine logistische-Regressions-Schicht kombiniert die Sieg-Wahrscheinlichkeit des Klassifikators mit dem Signal der Regressoren zu den finalen Wahrscheinlichkeiten, auf die wir wetten.

Die zwei Regressoren übernehmen eine Doppelfunktion. Ihre vorhergesagte Marge (Heimpunkte minus Auswärtspunkte) und ihr vorhergesagter Total (Heimpunkte plus Auswärtspunkte) sind die Rohdaten für Spreads und Totals — aber eine einzelne vorhergesagte Zahl ist noch keine Wahrscheinlichkeit. Wir kombinieren jede Vorhersage mit der empirischen Fehlerverteilung des Modells — einer Margen-Standardabweichung von rund 12,2 Punkten und einer Total-Standardabweichung von rund 16,9 Punkten, gemessen an tatsächlichen Vorhersagefehlern —, um aus „wir erwarten einen 4-Punkte-Heimsieg“ ein „es gibt eine X %-Chance, dass das Heimteam -3,5 covert“ oder „es gibt eine Y %-Chance, dass das Spiel über 224,5 geht“ zu machen. Genau das erlaubt es, dass ein vorhergesagter Spielstand drei getrennte Märkte speist: Moneyline, Spreads und Totals (plus einen kleinen, bewusst vorsichtigen Player-Props-Testlauf, der nicht der Kern des Modells ist).

Effizienz, Pace und die Features, die zählen

Die Grundphilosophie hinter dem NBA-Modell ist einfach zu formulieren und leicht zu unterschätzen: Effizienz schlägt Zählstatistiken. Ein Team, das bei 90 Ballbesitzen 115 Punkte erzielt, ist ein anderes Team als eines, das bei 105 Ballbesitzen dieselben 115 Punkte erzielt — auch wenn der Boxscore identisch aussieht. Rohe Punkte, Rebounds und Assists pro Spiel verwischen diesen Unterschied. Pro-Possession- und Pro-Wurf-Metriken tun das nicht.

Die stärksten Features im Modell sind Advanced Stats: Offensive Rating und Defensive Rating (erzielte/zugelassene Punkte pro 100 Ballbesitze), Pace (Ballbesitze pro 48 Minuten), Effective-Field-Goal-Prozentsatz (der den Mehrwert eines Dreipunktwurfs korrekt gewichtet), Offensive-Rebound-Rate und Free-Throw-Rate. Daneben stehen rollierende Fenster der jüngsten Torausbeute — erzielte Punkte über die letzten 10 Spiele — sowie Team-Elo-Werte. Nach Wichtigkeit geordnet sind die Top-Features:

• Jüngste Punkte — erzielte Punkte über die letzten 10 Spiele, ein schnell reagierender Formindikator.
• Durchschnittliche Pace — Ballbesitze pro 48 Minuten, der größte Hebel dafür, wie hoch ein Total ausfallen kann.
• Offensive Rating — erzielte Punkte pro 100 Ballbesitze, das klarste Signal für Wurfeffizienz.
• Elo-Differenz — die Stärkedifferenz zwischen den Teams, leckagefrei vor jedem Spiel aktualisiert.

Pace verdient besondere Erwähnung, weil sie doppelt zählt: einmal dafür, wie gut ein Team pro Ballbesitz ist, und ein zweites Mal direkt für die Totals. Zwei schnell spielende Teams können den Total eines Spiels allein dadurch aufblähen, dass sie mehr Ballbesitze spielen — selbst wenn keines der beiden Teams ungewöhnlich effizient ist. Wer Pace ignoriert, wird bei einem Totals-Modell genau die Paarungen falsch bepreisen, bei denen sich die Zahl am stärksten bewegt: Uptempo-gegen-Uptempo- und Grind-it-out-gegen-Grind-it-out-Spiele.

Warum wir eigene Advanced Stats berechnen

Hier ist ein Teil der Geschichte, den wir normalerweise nicht erzählen: Eine Zeit lang war unsere NBA-Pipeline still und leise kaputt. Die Advanced-Stats-Quelle, auf die wir ursprünglich setzten, stats.nba.com, blockiert Anfragen aus europäischen Servern geografisch — und blockierte unsere komplett. Spiele und Boxscores flossen weiterhin aus anderen Quellen, aber die Advanced-Stats-Anreicherung stoppte lautlos. Niemand schickte einen Fehler; die Pipeline hörte einfach auf, Offensive Rating, Defensive Rating und Pace für neue Spiele zu befüllen.

Der Fix bestand darin, nicht mehr von einer einzigen Proxy-Quelle abhängig zu sein. Wir haben die NBA-Datenbeschaffung auf ESPN-Boxscores umgestellt, die aus Europa erreichbar sind, und statt eine andere Seite zu suchen, die fertige Advanced Stats veröffentlicht, berechnen wir sie jetzt selbst direkt aus den rohen Boxscore-Daten — Possession-Schätzungen fließen in Offensive-/Defensive-Ratings, Pace, Effective-Field-Goal-Prozentsatz und den Rest ein, mit denselben Standardformeln, die auch die Branche verwendet. Das Ergebnis liegt eng an den offiziellen Zahlen (unser berechnetes Offensive Rating liegt im Schnitt bei rund 109 gegenüber offiziell ~111 — gleiche Skala, gleiche Form).

Die Berechnung selbst zu besitzen, statt die fertige Zahl einer fremden Seite zu scrapen, bringt neben der Umgehung der Geoblockade noch einen echten Vorteil: Wir kontrollieren exakt, wann eine Statistik relativ zu einem Spiel berechnet wird — und das ist wichtig, weil ein leicht zu übersehener Fehler sonst passiert: eine Statistik, die im Nachhinein berechnet wird (mit Informationen von nach dem Spiel, das sie eigentlich vorhersagen soll), lässt die Antwort ins Trainingssignal durchsickern. Unsere nächtliche Statistik-Aktualisierung ist zusammen mit den zugrunde liegenden Team-Elo-Ratings so gebaut, dass sie leckagefrei ist: Jeder Wert, der zur Vorhersage eines Spiels genutzt wird, spiegelt nur wider, was vor dem Anpfiff dieses Spiels bekannt war. Die Saisondaten werden aufgefrischt, und das Modell bekommt jeden Oktober ein frisches Retraining, sobald die neue NBA-Saison Spiele erzeugt.

Von Punkten zu Wahrscheinlichkeiten

Sobald die Regressoren einen vorhergesagten Heim- und Auswärtsscore ausgeben, ist alles Weitere Arithmetik auf einer Verteilung, nicht auf einer einzelnen Schätzung. Vorhergesagte Marge plus die ~12,2-Punkte-Margen-Standardabweichung ergibt eine Cover-Wahrscheinlichkeit für jede Spread-Linie. Vorhergesagter Total plus die ~16,9-Punkte-Total-Standardabweichung ergibt eine Over/Under-Wahrscheinlichkeit für jede Totals-Linie — dieselbe Idee wie beim Point-Spread-Betting, nur aus unserem eigenen vorhergesagten Spielstand aufgebaut statt aus der Markt-Linie.

Eine bewusste Entscheidung: Bei Totals wetten wir nicht automatisch auf die Linie mit dem höchsten Expected Value. Wir wetten auf die Linie, die dem eigenen erwarteten Total des Modells am nächsten liegt. Eine Linie, die weit vom tatsächlich erwarteten Wert des Modells entfernt liegt, kann allein am EV verlockend aussehen — meist ist das aber ein Zeichen für dünnere Kalibrierung an den Rändern, nicht für einen größeren echten Vorteil. Wetten nahe der Modellmitte hält uns in dem Bereich, in dem die Wahrscheinlichkeitsschätzungen am besten durch die Trainingsdaten gestützt sind.

Von der Wahrscheinlichkeit zur Wette

Eine Wahrscheinlichkeit ist für sich genommen keine Wette — sie muss mit einem Preis verglichen werden. Unser Anker ist de-viggtes Pinnacle: Wir entfernen die Buchmacher-Marge aus Pinnacles Linie, um die beste Schätzung des scharfen Marktes für die wahre Wahrscheinlichkeit zu erhalten, und messen unser eigenes Modell an dieser Zahl — nicht an der rohen Quote irgendeines einzelnen Buchmachers. Wenn ein weicherer Buchmacher eine Seite höher bepreist, als de-viggtes Pinnacle sie für wert hält, ist genau diese Lücke die Gelegenheit, nach der wir suchen.

Das vollständige Set an Leitplanken, bevor aus einer Zahl eine Wette wird:

• 5 % Mindest-EV — darunter können Rundungsfehler und kleine Kalibrierungsschwankungen den gesamten Vorteil auffressen.
• 18 % Maximal-EV — darüber ist es fast immer ein Datenartefakt statt einer echten Fehlbepreisung.
• 3,50 Maximalquote — hohe Außenseiterquoten sind der am wenigsten zuverlässig kalibrierte Teil jedes Modells.
• Fraktionelles Kelly bei 25 %, gedeckelt auf 5 % der Bankroll — bewusst konservative Einsatzbemessung, kein volles Kelly.

Der letzte Punkt zählt mehr, als er zunächst wirkt. Selbst ein gut kalibriertes Modell liegt oft genug falsch, dass ein voller Kelly-Einsatz leichtsinnig wäre — fraktionelles Kelly tauscht etwas langfristiges Wachstum gegen eine deutlich glattere Bankroll-Kurve.

Woran wir merken, dass es funktioniert

Das Modell ist auf rund 13.400 Spielen von 2015 bis 2026 trainiert. Seine Sieg-Wahrscheinlichkeits-Kalibrierung erreicht einen Brier-Score von 0,1877 — niedriger ist besser, und 0,25 wäre das Ergebnis eines Münzwurfs, das reflektiert also echte Vorhersagefähigkeit, kein Rauschen. Die Punkte-Regressoren haben einen mittleren absoluten Fehler von rund 8,2 Punkten bei Heimteams und 8,3 bei Auswärtsteams pro Spiel.

Aber ein guter Brier-Score bei der Moneyline bedeutet nicht automatisch, dass das Modell auf jedem Markt profitabel ist — und das behaupten wir auch nicht. Wir validieren unterschiedliche Märkte unterschiedlich. Für Moneyline-Wetten ist Closing Line Value — ob wir langfristig konsistent einen besseren Preis bekommen, als sich der Markt letztlich einpendelt — die wichtigste Kennzahl. Für Spreads und Totals stützen wir uns stärker auf realisierte ROI und Kalibrierungsprüfungen, denn wir haben bei unseren Modellen Fälle gemessen, in denen eine Wette positiven CLV zeigte, aber trotzdem Geld verlor — Handicap-artige Märkte können sich preislich günstig bewegen und trotzdem oft genug beim Ergebnis danebenliegen, sodass CLV allein in die Irre führen würde. Jeden Markt an der Kennzahl zu messen, die sein Verhalten tatsächlich widerspiegelt, statt an einer einzigen Zahl für alles, ist Teil dessen, ehrlich mit dem umzugehen, was die Daten zeigen.

Nichts davon ändert die grundlegende Realität der NBA-Märkte: Sie sind effizient, gut besetzt und bewegen sich schnell. Wir behaupten nicht, Pinnacle Nacht für Nacht auszutricksen — wir versuchen, dessen Genauigkeit zu erreichen und die Momente zu finden, in denen ein weicherer Buchmacher noch nicht nachgezogen hat. Das ist ein engeres, ehrlicheres Ziel als „die NBA schlagen“, und es ist das Ziel, das die obigen Zahlen tatsächlich stützen.

Neugierig, was das Modell für die heutigen Spiele ausgibt? Der NBA-Hub zeigt die heutigen Spiele, und unsere vollständige Methode — inklusive wie Spreads und Totals über alle von uns abgedeckten Sportarten bepreist werden — steht auf der Modell-Seite. Wenn du sehen willst, wie sich die Zahlen tatsächlich über die Zeit geschlagen haben, statt uns beim Wort zu nehmen: Der Track Record ist öffentlich und wird laufend aktualisiert.