So funktioniert unser NHL-Modell: Poisson-Torerwartung und Advanced Stats

Eishockey ist eine torarme, hoch-variante Sportart, und das prägt, wie wir sie modellieren. Statt Sieg/Niederlage direkt vorherzusagen, sagt unser NHL-Modell Tore voraus – und überlässt es der Mathematik einer Poisson-Verteilung, diese Torerwartungen in Wahrscheinlichkeiten für jeden Markt umzuwandeln, auf den wir wetten. Hier siehst du, wie das konkret funktioniert – inklusive eines Lecks, das wir in einer früheren Version gefunden und behoben haben, denn diese Geschichte erklärt unseren gesamten Ansatz bei Features.

Tore statt Siege: der Poisson-Kern

Der Kern ist ein XGBoost-Poisson-Torenmodell. Gradient Boosting (XGBoost) betrachtet Form, Matchup-Kontext und Advanced Stats beider Teams und liefert für jede Seite eine einzige Zahl: die erwartete Anzahl Tore, oder Lambda. Aus zwei Lambdas – Heim und Auswärts – berechnet ein Poisson-Framework die vollständige Wahrscheinlichkeitsverteilung über jedes realistische Spielergebnis, woraus sich Preise für drei Märkte ergeben: Moneyline, Puck Line ±1,5 und Totals (Over/Under).

Das Modell wurde auf rund 10.400 NHL-Spielen von 2017 bis 2025 trainiert, aus der offiziellen NHL-API, mit 54 Features pro Spiel. Auf Testdaten liegt der mittlere absolute Fehler bei etwa 1,37 Toren für Heimteams und 1,36 für Auswärtsteams – das durchschnittliche Spiel weicht also nur gut ein Tor von der Modellerwartung ab, was gut zur genuinen Zufälligkeit eines einzelnen Eishockeyspiels passt.

Ein Detail, das für Totals wichtig ist: Die Trainingsergebnisse enthalten bereits Verlängerungs- und Penaltyschießen-Tore, wir schrauben also keine künstliche Korrektur für die Overtime nach – die Totals-Wahrscheinlichkeiten basieren durchgängig auf derselben Zählweise. Die volle Mechanik der Over/Under-Bepreisung erklären wir separat in Over/Under und Totals erklärt.

Das Elo-Leck, das wir gefunden haben – und warum ehrliche Features besser sind als beeindruckende

Die Teamstärke (Elo-Wertung) ist einer der Modell-Inputs, aber sie hat eine Geschichte, die eine ehrliche Erzählung verdient. Die erste Version dieses Modells fütterte jedes historische Trainingsspiel mit dem aktuellen Elo-Rating des Teams – jenem, das erst nach Jahren weiterer Ergebnisse berechnet wurde. Das ist ein Look-ahead-Leck: Dem Modell wurde beim Training effektiv jedes Mal ein Stück Zukunft gezeigt, und Elos Bedeutung im Modell war dadurch künstlich aufgebläht.

Der Fix, ausgeliefert als Modell v2, speichert für jedes historische Spiel eine Vor-dem-Spiel-Elo-Momentaufnahme, chronologisch, und trainiert nur mit dem Rating, wie es unmittelbar vor dem Anspiel stand. Die Gesamtgenauigkeit bewegte sich kaum – aber sie wurde ehrlich. Und bezeichnenderweise fiel Elo aus den Top-10 der wichtigsten Features heraus, sobald das Leck geschlossen war, weil sein alter Stellenwert schlicht leck-aufgeblähtes Vertrauen war, keine echte Vorhersagekraft.

Wir behandeln das als Lehrbuchbeispiel über alle Sportarten hinweg, die wir modellieren, nicht nur Eishockey: Jedes Feature muss vor dem tatsächlichen Anspiel bekannt sein können. Wenn eine Zahl erst im Nachhinein existieren konnte, gehört sie nicht in die Trainingsdaten, egal wie gut sie den Backtest aussehen lässt. Die volle Geschichte dieses Fixes liest du in Hockey Modell v2: ein Datenleck beheben, und das allgemeine Konzept hinter Teamstärke-Wertungen erklären wir in Elo-Wertungen erklärt.

Torhüter und die Aufstellungsebene

Eishockey ist eine Sportart, in der ein einzelner Spieler ein Ergebnis stärker im Alleingang kippen kann als in fast jeder anderen Mannschaftssportart, und dieser Spieler ist der Torhüter. Das Modell berücksichtigt den bestätigten oder erwarteten Start-Torhüter jedes Teams samt dessen Fangquoten-Statistiken. In einer Sportart, in der schon ein paar Prozentpunkte Unterschied in der Fangquote fast ein ganzes Tor pro Spiel ausmachen können, ist das Wissen darüber, wer tatsächlich im Kasten steht – ein formstarker Stammtorhüter gegenüber einem Ersatzmann an einem Ruhetag –, eine der spielentscheidendsten Tatsachen, die vor dem Anspiel verfügbar sind.

MoneyPuck-Priors: Corsi, xGF% und der PDO-Glücksdetektor

Über rohe Tore und Siege hinaus beziehen wir Advanced-Shot-Quality-Metriken von MoneyPuck ein, wöchentlich aktualisiert und stets als Vorsaison-Feature (N-1) genutzt, damit keine Leckage aus der laufenden, noch unabgeschlossenen Saison in ein vorherzusagendes Spiel gelangt:

• CF% (Corsi For %) – der Anteil aller Torschussversuche (aufs Tor, verfehlt und geblockt), den ein Team bei Fünf-gegen-fünf kontrolliert. Ein Proxy für territoriale Dominanz und Puckbesitz, der über das Endergebnis hinausgeht.
• xGF% (Expected-Goals-For %) – dieselbe Idee, aber nach Schussqualität statt nur Schussvolumen gewichtet, sodass ein Team mit vielen hochwertigen Chancen höher bewertet wird, selbst bei moderater roher Schusszahl.
• PDO – On-Ice-Torabschlussquote plus Fangquote, die sich bei jedem Team über eine ausreichend große Stichprobe um 100 einpendelt.

PDO ist von den dreien am interessantesten, weil es sich wie ein struktureller Glücksdetektor verhält. Ein Team mit einem PDO von 103 hat mehr seiner Chancen verwertet und mehr gegnerische Abschlüsse pariert, als auf Dauer haltbar ist – es lief heiß, und die Zahl tendiert dazu, sich wieder Richtung 100 zurückzubewegen. Der Wettmarkt, der dieselbe jüngste Siegesserie sieht wie alle anderen, überbewertet häufig genau diese Teams. Indem PDO ins Modell einfließt, kann es gegen diesen Trend gehen, wenn der zugrunde liegende Prozess nicht zur jüngsten Bilanz passt.

Das spiegelt ein Muster, das wir über alle von uns modellierten Sportarten hinweg gefunden haben: Effizienzmetriken schlagen konsistent einfache Counting Stats wie erzielte Tore oder Schüsse allein, weil sie den Prozess hinter dem Ergebnis erfassen und nicht nur das Ergebnis selbst.

Playoffs und weiterer Kontext

Playoff-Eishockey ist ein anderes Tier als ein Oktober-Dienstag. Wir identifizieren Playoff-Spiele direkt aus dem eigenen Spiel-ID-Format der NHL, und sobald ein Spiel als Playoff markiert ist, greift ein Satz Serien-Kontext-Features: welche Spielnummer innerhalb der Serie es ist, der aktuelle Serienstand jedes Teams und ob eines der Teams vor einem Must-Win-Ausscheidungsspiel steht. Das erlaubt es dem Modell, ein Ausscheidungsspiel in Spiel 7 anders zu behandeln als ein Februar-Back-to-back auf Reisen – Einsatz, Verzweiflung und Trainerentscheidungen unterscheiden sich real, und die Modell-Inputs spiegeln das jetzt wider.

Von der Wahrscheinlichkeit zur Wette

Eine Modellwahrscheinlichkeit ist für sich genommen keine Wette. Jeder Kandidat durchläuft dieselbe Value-Betting-Disziplin, die wir über alle von uns abgedeckten Sportarten hinweg anwenden. Zuerst dient ein de-viggter Pinnacle-Preis – Pinnacles Quote, aus der die Buchmacher-Marge mathematisch entfernt wurde – als Wahrheitsanker; gibt es keine verfügbare Pinnacle-Linie, gibt es auch keine Wette, ohne Ausnahme. Wie diese Entfernung funktioniert, zeigt Devigging erklärt mit durchgerechneten Beispielen.

Bei Moneyline und Puck Line darf die implizite Wahrscheinlichkeit unseres Modells Pinnacles de-viggte implizite Wahrscheinlichkeit um nicht mehr als rund 10 % übersteigen; bei Totals ist die Toleranz mit rund 20 % weiter gefasst, weil sich Totals-Linien auch aus strukturellen Gründen jenseits reiner Wahrscheinlichkeit bewegen. Speziell bei Totals wetten wir außerdem immer auf die Linie, die am nächsten an der tatsächlichen Modellerwartung (Heim-Lambda plus Auswärts-Lambda) liegt, statt auf jene Linie, die auf dem Papier zufällig den höchsten rohen EV zeigt – die Kalibrierung ist an den extremen Linien am schwächsten, und dort dem Max-EV nachzujagen bedeutet meist, Rauschen nachzujagen.

Sobald eine Wette die Anker-Prüfung besteht, braucht sie einen Mindestvorteil von 5 % Expected Value, gedeckelt bei 18 % – alles darüber ist ein nahezu sicheres Zeichen für ein Daten-Artefakt statt echter Fehlbepreisung. Die Quoten sind bei 3,50 gedeckelt, da Außenseiter-Märkte am schwersten präzise zu kalibrieren sind. Die Einsätze werden mit fraktionellem Kelly bei 25 % bemessen, gedeckelt bei 5 % der Bankroll pro einzelner Wette – das hält die Varianz auch über eine kalte Phase hinweg tragbar.

• Pinnacle-Anker Pflicht – keine de-viggte Pinnacle-Linie, keine Wette, bei jedem Markt.
• Anker-Toleranz – die implizite Modell-Wahrscheinlichkeit darf Pinnacles de-viggte implizite Wahrscheinlichkeit um höchstens ~10 % (Moneyline/Puck Line) bzw. ~20 % (Totals) übersteigen.
• Linienwahl bei Totals – am nächsten zur Modellerwartung (Heim-Lambda + Auswärts-Lambda), nicht der höchste rohe EV.
• EV-Floor / -Cap – mindestens 5 % Expected Value, gedeckelt bei 18 %.
• Maximalquote – 3,50, um die Belastung durch schlecht kalibrierte Außenseiter zu begrenzen.
• Staking – fraktionelles Kelly bei 25 %, gedeckelt bei 5 % der Bankroll pro Wette.

Woher wir wissen, dass es funktioniert

Wir messen uns je nach Markt an unterschiedlichen Validierungsmaßstäben, weil eine einzelne Metrik nicht überall die ganze Geschichte erzählt. Für Moneyline verfolgen wir den Closing Line Value (CLV) – haben wir konsistent einen besseren Preis bekommen als die finale, informierteste Marktzahl –, weil diese Metrik bei einfachen Sieg/Niederlage-Märkten verlässlich ist. Für Totals und Puck Line stützen wir uns stattdessen auf realisierten ROI und Kalibrierung, weil CLV bei Handicap-artigen Märkten genuin irreführend sein kann: Wir haben Phasen gemessen, in denen CLV positiv war, während der Markt real trotzdem Geld verlor. Sich dort nur auf CLV zu verlassen, hätte ein echtes Problem verdeckt.

Bei der reinen Vorhersagegenauigkeit ist der mittlere absolute Fehler des Torenmodells von rund 1,37/1,36 Toren (Heim/Auswärts) die Zahl, die wir über die Zeit verfolgen, sobald neue Saisons abgeschlossen und das Modell neu trainiert wird.

Nichts davon verspricht Gewinn bei einer einzelnen Wette oder an einem einzelnen Abend – die Varianz im Eishockey ist real, und auch ein gut kalibriertes Modell verliert reichlich einzelne Wetten. Das Ziel ist ein echter, über Hunderte von Wetten hinweg tragfähiger statistischer Vorteil, aufgebaut auf Features, die das Modell tatsächlich vor dem Anspiel kennen konnte. Wenn du die aktuellen Modell-Outputs sehen willst: Unser NHL-Hub zeigt Live-Wertungen und Matchups, unsere Modellseite erklärt die volle Methodik über alle Sportarten hinweg, und unser Track Record zeigt die abgerechneten Ergebnisse, Gewinne wie Verluste eingeschlossen.