Was ist xG (Expected Goals) und warum ist es für Wetten wichtig?

Ein Team gewinnt 3:0 und du nimmst an, es war überlegen. Dann schaust du auf die Zahlen: 0,8 xG für die Gewinner, 2,4 xG für den Verlierer – und alle drei Tore kamen durch einen Abstauber und zwei Weitschüsse ins Glück. Plötzlich sieht das Ergebnis ganz anders aus – und mit ihm die Quote für das nächste Spiel. Genau diese Lücke zwischen dem, was passiert ist, und dem, was hätte passieren *sollen*, ist der Bereich von Expected Goals. Und er ist eines der wirksamsten Werkzeuge für jeden Wettenden, der bereit ist, über das Endstand hinauszublicken.

Was ist Expected Goals (xG)?

Expected Goals (xG) ist eine Kennzahl, die jedem Schuss eine Wahrscheinlichkeit – zwischen 0 und 1 – zuweist, ob er zu einem Tor führt, basierend auf den Eigenschaften dieses Schusses. Ein Abstauber aus zwei Metern trägt vielleicht 0,85 xG. Ein spekulativer Weitschuss aus 35 Metern in den Winkel vielleicht 0,03. Addiert man alle xG-Werte aller Schüsse eines Teams in einem Spiel, erhält man das gesamte xG des Teams für dieses Spiel.

Die Eingaben für die Wahrscheinlichkeit jedes Schusses umfassen typischerweise: Torentfernung, Schusswinkel, ob Kopfball oder Schuss, Vorlagentyp (Flanke, Steilpass, ruhender Ball), genutzter Körperteil und ob der Schuss aus dem Spiel heraus oder nach einer ruhenden Kugel entstand. Ausgefeiltere Modelle berücksichtigen auch Torwartposition und Anzahl der Verteidiger zwischen Ball und Tor. Der gemeinsame Nenner ist Chancenqualität – nicht wie viele Schüsse ein Team abgegeben hat, sondern wie gefährlich diese Schüsse tatsächlich waren.

Warum xG Ergebnisse besser vorhersagt als Tore

Tore in einem einzelnen Spiel sind verrauscht. Ein gehaltener Elfmeter beim Stand von 0:0 anstelle eines Tores verändert danach alles. Eine persönliche Bestleistung eines Torwarts über sechs Spiele ist fast mit Sicherheit Glück. In einem kleinen Datensatz sagt das Ergebnis genauso viel darüber aus, wer Glück hatte, wie darüber, wer gut war.

xG ist stabiler, weil Chancenqualität schneller zum Mittelwert zurückkehrt als Tore. Teams, die pro Spiel 2,0 xG generieren, haben über eine Saison in der Regel starke Angriffe – nicht weil jedes Modell perfekt ist, sondern weil das konstante Herausspielen von hochqualitativen Chancen wiederholbare taktische und technische Qualität widerspiegelt. Umgekehrt: Ein Team, das über eine gesamte Saison 25 % mehr Tore schoss als sein xG vorhergesagt hat, war mit großer Wahrscheinlichkeit beim Abschluss und bei Torwartfehlern im Glück. Die Forschung zeigt konsistent: xG ist ein besserer Prädiktor für die Tore der nächsten Saison als die tatsächlichen Tore der letzten Saison.

Für Wettende entstehen dadurch Chancen. Der Markt bewertet aktuelle Ergebnisse stark. Ein Team, das zuletzt dreimal verlor, aber jedes Mal 2,0+ xG erzeugte, ist für das nächste Spiel möglicherweise zu niedrig bewertet. Ein Team mit fünf Siegen in Folge, aber durchschnittlich 0,7 xG pro Spiel, ist möglicherweise zu hoch bewertet. Der Markt orientiert sich an Ergebnissen; xG zeigt die zugrunde liegende Realität.

xG und xGA: das vollständige Bild

Jeder Schuss hat zwei Seiten. Das xG, das ein Team erzeugt, sagt etwas über seinen Angriff aus; das xGA (Expected Goals Against) – das xG, das Gegner gegen das Team ansammeln – sagt etwas über die Verteidigung. Ein Team mit hohem xG und niedrigem xGA ist wirklich dominant. Ein Team mit hohem xG, aber genauso hohem xGA ist konfusionsanfällig und varianzreich. Ein Team mit niedrigem xG, aber starkem xGA ist defensiv stabil, aber riskant im Konter.

Die für die Regressionsanalyse wichtigste Kennzahl ist die xG-Differenz (xGD): xG minus xGA pro Spiel. Tabellen, die auf xGD basieren, sagen die Abschlusstabellen einer Saison genauer voraus als Tabellen, die auf dem tatsächlichen Torverhältnis beruhen. Über eine volle Saison gleicht sich alles an, aber in der Mitte der Saison sind die Unterschiede – und damit die Wettchancen – am größten.

• Hohes xG, hohes xGA — offensiv, aber anfällig; Totals-Märkte oft falsch bewertet.
• Hohes xG, niedriges xGA — echte Qualität; Markt bewertet sie nach einigen Wochen meist korrekt.
• Niedriges xG, niedriges xGA — defensiv; Unentschieden wahrscheinlicher, Under-Märkte oft wertvoll.
• Niedriges xG, hohes xGA — strukturell schwach; aktuelle Ergebnisse schmeicheln ihnen, wenn sie gewinnen.

Wie Wettende xG konkret einsetzen

Der Kernanwendungsfall ist einfach: Teams identifizieren, deren Ergebnisse von ihrem xG abweichen – über eine aussagekräftige Stichprobe von mindestens 6–8 Spielen –, und dann prüfen, ob der Markt seinen Preis entsprechend angepasst hat. Hat er das nicht, könnte ein Vorteil vorliegen.

In der Praxis betrachtet man xG selten isoliert. Man kombiniert es mit anderen Signalen: Elo-Rating-Trends, Heim-/Auswärts-Splits, Verletzungskontext, direktem Vergleich. Die xG-Schicht hilft dabei zu unterscheiden, ob ein Team wirklich in Form ist oder nur Glück hat – genau die Art von Informationsasymmetrie, die langfristig profitable Wetten erzeugt. Wie unser Modell diesen Ansatz nutzt, siehst du auf der Modell- und Track-Record-Seite.

Über Ergebnismärkte (1X2) hinaus ist xG besonders relevant für Over/Under-Totals und Both Teams to Score (BTTS). Ein Spiel zwischen zwei Teams mit hohem xG und hohem xGA ist strukturell wahrscheinlich torreich, auch wenn die letzten Ergebnisse eng waren. Die Linie spiegelt das möglicherweise nicht wider, wenn der Markt an den Ergebnissen festhält.

Die echten Grenzen von xG

xG ist mächtig, aber keine Wunderzahl. Es gibt vier Einschränkungen, die man kennen sollte, bevor man echtes Geld auf ein Modell setzt, das xG verwendet.

• Kleine Stichproben. Unter 6 Spielen ist xG kaum zuverlässiger als Tore. Man braucht eine Spielserie, um Signal von Rauschen zu trennen. Eine einzige Niederlage mit hohem xG macht ein Team noch nicht zum Kauf.
• Spielstandseffekte. Teams, die 2:0 führen, drosseln oft ihre Intensität; ihr xG in den letzten 20 Minuten spiegelt das wider, nicht ihre tatsächliche Offensivqualität. Manche xG-Modelle korrigieren für den Spielstand; viele nicht.
• Elfmeter. Ein Elfmeter trägt unabhängig vom Kontext etwa 0,76 xG. Teams, die viele Elfmeter herausschinden, sehen aus wie xG-Maschinen, profitieren aber von einer separat zu erfassenden Fähigkeit außerhalb der Chancenqualität.
• Modellvarianz. Verschiedene Datenanbieter (Opta, StatsBomb, Understat) nutzen unterschiedliche Schussmodelle und Trainingsdaten. Der xG-Wert für dasselbe Spiel kann je nach Anbieter um 0,3–0,5 abweichen. Immer Gleiches mit Gleichem vergleichen.

Keine dieser Einschränkungen disqualifiziert xG – sie bedeuten nur, dass es am besten als einer von mehreren gut gewichteten Inputs funktioniert, nicht als alleiniges Orakel. Eine einzelne extreme xG-Zahl in einem einzigen Spiel verdient Skepsis. Ein konstantes Muster über acht Spiele im Heimkontext mit verletzungsbereinigten Aufstellungen ist eine andere Sache.

xG in einem statistischen Modell

Die rigoroseste Nutzung von xG ist keine manuelle Plausibilitätsprüfung – es ist das direkte Einbetten xG-basierter Features in ein prädiktives Modell, das gegen tausende historischer Spiele kalibriert wurde. Anstatt zu fragen 'Sieht das xG dieses Teams gut aus?', lernt ein trainiertes Modell das genaue Gewicht, das xG im Verhältnis zu Elo-Differenz, Heimvorteil, Liga-Kontext und Dutzenden anderer Signale erhalten sollte.

Das ist wichtig, weil reine xG-Frameworks in kleineren Ligen und ungewöhnlichen Situationen immer noch überfitten. Ein Modell, das 100.000 Spiele gesehen hat, weiß, dass xG in der Premier League aussagekräftiger ist als in unteren Ligen mit lückenhaften Daten – und gewichtet entsprechend. Das Ergebnis ist eine Wahrscheinlichkeitsschätzung, die man direkt gegen die implizierte Wahrscheinlichkeit des Buchmachers vergleichen kann – so entsteht Closing Line Value.

Bei TheSharpBook fließen xG-Inputs als Teil des Feature-Sets in Wahrscheinlichkeitsschätzungen für Fußballmärkte ein – 1X2, Over/Under, Both Teams to Score und Asian Handicap. Das Modell behandelt xG nicht als Wahrheit; es behandelt es als ein gut kalibriertes Signal, das dabei hilft, glückliche Teams von wirklich starken zu trennen. Genau dort entsteht nachhaltiger Wett-Vorteil.