Wahrscheinlichkeiten im Fußball berechnen: Methoden und Modelle im Vergleich

Das Fundament jeder guten Prognose

Wer auf Prediction Markets erfolgreich sein will, muss eine Kernfähigkeit beherrschen: eigene Wahrscheinlichkeiten für Fußballereignisse berechnen und mit den Marktpreisen vergleichen. Nur wenn deine Einschätzung vom Markt abweicht, gibt es eine Handelsgelegenheit.

Aber wie kommt man zu präzisen Wahrscheinlichkeiten? Dieser Guide stellt die wichtigsten Methoden vor – von einfach bis fortgeschritten.

Methode 1: Historische Basisraten

Die einfachste und oft unterschätzte Methode: Was ist historisch passiert?

Heimsieg-Basisraten in der Bundesliga

Über die letzten zehn Bundesliga-Saisons gilt grob:

• Heimsieg: ~44-46%
• Unentschieden: ~26-28%
• Auswärtssieg: ~28-30%

Das klingt simpel, aber: Wenn ein Prediction Market "Bayern gewinnt zu Hause" bei 60% preist und du weißt, dass Bayern historisch zuhause 82% gewinnt – ist das bereits ein Signal.

Turnier-Basisraten

Bei Turniersieger-Märkten kannst du historische Daten nutzen:

• Champions League: Topfavorit (höchster UEFA-Koeffizient) gewinnt in ~30% der Fälle
• Bundesliga: In den letzten 10 Saisons hat Bayern 8 Mal gewonnen

Diese Basisraten sind der Ausgangspunkt – nicht das Endurteil.

Grenzen der historischen Methode

Reine Basisraten ignorieren aktuelle Informationen: Formkurve, Verletzungen, Kader-Qualität. Sie sind ein Anchor, kein vollständiges Modell.

Methode 2: Das Poisson-Modell

Das Poisson-Modell ist der Standard für Tore-basierte Fußball-Wahrscheinlichkeiten. Es basiert auf einer einfachen Beobachtung: Tore in Fußball folgen annähernd einer Poisson-Verteilung.

So funktioniert es

Schritt 1: Berechne Angriffs- und Defensiv-Stärken für jedes Team.

Angriffsstärke = (geschossene Tore / Spiele) / Liga-Durchschnitt
Defensiv-Schwäche = (kassierte Tore / Spiele) / Liga-Durchschnitt

Schritt 2: Berechne erwartete Tore (λ) für das spezifische Spiel.

λ_Heim = Heim-Angriff × Auswärts-Defensive × Heim-Faktor
λ_Auswärts = Auswärts-Angriff × Heim-Defensive × Auswärts-Faktor

Der Heim-Faktor liegt typischerweise bei 1,2-1,4 (20-40% mehr Tore für Heimteams).

Schritt 3: Berechne Tore-Wahrscheinlichkeiten mit der Poisson-Formel.

P(k Tore) = (e^(-λ) × λ^k) / k!

Beispiel: Wenn λ = 1,5 für das Heimteam:

• P(0 Tore) = e^(-1,5) ≈ 22,3%
• P(1 Tor) = 1,5 × e^(-1,5) ≈ 33,5%
• P(2 Tore) ≈ 25,1%
• P(3+ Tore) ≈ 19,1%

Schritt 4: Erstelle eine Matrix aller möglichen Spielergebnisse (z.B. 0:0 bis 4:4) und summiere Wahrscheinlichkeiten für Heim-Sieg, Unentschieden, Auswärtssieg.

Wann das Poisson-Modell funktioniert

• Gut für: Tore-Märkte (Over/Under), Grundtendenz (Heimsieg/Auswärtssieg)
• Weniger gut für: Spiele mit extremen Stärkeunterschieden, Taktik-intensive Spiele

Das Modell ist ein guter Ausgangspunkt und auf Atlas Markets kannst du die resultierenden Wahrscheinlichkeiten direkt mit den Marktpreisen vergleichen.

Methode 3: Expected Goals (xG) als Qualitätsindikator

Expected Goals (xG) misst die Qualität der Torchancen, nicht nur die erzielten Tore. Eine Chance aus 6 Metern Entfernung hat einen xG-Wert von ~0,7 (70% Tor-Wahrscheinlichkeit), ein Kopfball aus 15 Metern nur ~0,05.

Warum xG Prognosen verbessert

Ein Team kann 0:1 verlieren und trotzdem 2,3 xG erzeugt haben, während der Gegner nur 0,4 xG hatte. Das Ergebnis ist eine statistische Anomalie – das Leistungsbild deutet auf das überlegene Team hin.

xG für Prediction Markets nutzen

1. Finde Diskrepanzen: Teams, die deutlich besser/schlechter sind als ihr Ergebnis (xG >> tatsächliche Tore = "unlucky")
2. Warte auf Markt-Ineffizienzen: Wenn der Markt "unlucky"-Teams noch nicht korrekt bewertet
3. Setze auf Regression zur Mitte: Statistisch werden diese Teams in Folgespielen besser abschneiden

Kostenlose xG-Quellen: Understat.com, FBRef.com, Sofascore

Methode 4: Elo-basierte Ratings

Elo-Ratings (aus dem Schach bekannt) wurden für Fußball adaptiert und sind ein exzellentes Werkzeug für Stärke-Vergleiche.

Wie Elo funktioniert

Jedes Team startet mit einem Basiswert (z.B. 1500). Nach jedem Spiel:

• Gewinner bekommt Punkte vom Verlierer (basierend auf der Überraschung)
• Klarer Favorit gewinnt = wenig Punkt-Transfer
• Underdog gewinnt = viel Punkt-Transfer

Elo-Wahrscheinlichkeit berechnen

P(A gewinnt) = 1 / (1 + 10^((Elo_B - Elo_A) / 400))

Bei einer Elo-Differenz von 200 Punkten (z.B. Bayern 1900, Wolfsburg 1700):

P(Bayern) = 1 / (1 + 10^(-200/400)) = 1 / (1 + 10^(-0,5)) ≈ 76%

Welche Elo-Systeme existieren

• ClubElo.com – spezialisiert auf europäischen Klubfußball, kostenlos
• FiveThirtyEight – bietet Saison-Simulationen (Fokus auf US-Sport, aber auch Fußball)
• WorldFootballElo.com – internationale Teams

Methode 5: Machine Learning-Ansätze

Für technisch Versierte bieten Machine-Learning-Modelle die präzisesten Prognosen – aber auch den höchsten Aufwand.

Typische Features (Input-Variablen)

• xG der letzten 5/10/20 Spiele (Heim/Auswärts separat)
• Punkte der letzten 5 Spiele (Form)
• Elo-Rating zum Zeitpunkt des Spiels
• Tage seit letztem Spiel (Erholung)
• Reisedistanz (Auswärtsspiele)
• Schiedsrichter (manche Refs bevorzugen statistisch bestimmte Spielstile)
• Saisonphase (Dezember/März haben andere Muster)

Modell-Typen für Einsteiger

• Logistische Regression – einfach, interpretierbar, guter Ausgangspunkt
• Random Forest – robuster gegen Überanpassung
• Gradient Boosting (XGBoost) – oft am präzisesten für Sportprognosen

Wichtige Warnung: Overfitting

Das größte Risiko bei ML-Modellen: Das Modell lernt historische Zufälligkeit auswendig, statt echte Muster zu erkennen. Immer mit separaten Test-Daten validieren!

Methode 6: Prediction Market-Daten als Input

Ein oft übersehener Ansatz: Nutze andere Prediction Markets als Signal.

Wenn Atlas Markets Bundesliga-Märkte anbietet, aggregieren diese die Einschätzungen vieler Experten. Manchmal sind spezialisierte Märkte – z.B. Torschützen-Märkte – effizienter als allgemeine Spielausgangs-Märkte.

Cross-Market-Analyse: Wenn Markt A sagt "Bayern gewinnt 75%" und Markt B sagt "Bayern schießt over 2,5 Tore 65%", aber das implizierte Risiko einer Pleite in Markt A eigentlich nur 45% Torwahrscheinlichkeit braucht – könnte eine der Märkte mispriced sein.

Die Kombination macht den Unterschied

Keine Methode ist perfekt. Profis kombinieren mehrere:

1. Basisrate als Anchor
2. Poisson/xG für aktuelle Stärkeeinschätzung
3. Elo als Konsistenz-Check
4. Situative Faktoren (Verletzungen, Motivation, Wetter)
5. Marktpreis als Gegenprüfung

Das Endresultat: Eine Wahrscheinlichkeit, die du mit dem Marktpreis auf Atlas Markets vergleichst. Gibt es eine Diskrepanz von >5%? Dann könnte eine Handelsgelegenheit vorliegen.

Kalibrierung: Wie gut sind deine Wahrscheinlichkeiten?

Das wichtigste Qualitätsmerkmal eines Prognose-Systems: Kalibrierung. Ein gut kalibriertes Modell macht folgende Vorhersage wahr: Wenn du 70% sagst, tritt das Ereignis in ~70% der Fälle ein.

Brier Score

Der Brier Score misst Kalibrierung:

BS = (1/N) × Σ(f_i - o_i)²

• f_i = deine Wahrscheinlichkeit (0-1)
• o_i = tatsächliches Ergebnis (1 oder 0)
• Niedriger Score = besser (0 = perfekt, 1 = maximal schlecht)

Ein gutes Kalibrierungs-Tool: Erstelle Wahrscheinlichkeits-Bins (55-60%, 60-65%, etc.) und prüfe, wie oft die Ereignisse in jedem Bin tatsächlich eintreten.

Fazit: Wahrscheinlichkeiten berechnen ist ein Handwerk

Präzise Fußball-Wahrscheinlichkeiten zu berechnen ist keine Magie – es ist ein erlernbares Handwerk. Starte mit einfachen Methoden (historische Basisraten + Poisson), validiere deine Prognosen systematisch und entwickle schrittweise komplexere Modelle.

Der Marktpreis auf Atlas Markets ist dein Maßstab: Wenn du nach intensiver Analyse zu einem anderen Ergebnis kommst als der Markt, hast du eine potenzielle Handelsgelegenheit gefunden. Wenn du konsistent besser als der Markt kalibrierst, wirst du langfristig profitabel sein.

Das ist das Schöne an Prediction Markets: Hier gewinnt echtes Wissen, nicht Glück.