Fußball-Wahrscheinlichkeitsmodelle erklärt

Was ein Wahrscheinlichkeitsmodell tatsächlich leistet

Ein Fußballspiel hat drei grundlegende Ausgänge: Heimsieg, Unentschieden, Auswärtssieg. Ein Wahrscheinlichkeitsmodell weist jedem davon einen Prozentwert zu, der sich zu 100 % summiert. Ein Modell könnte beispielsweise sagen: „Heim 48 %, Unentschieden 27 %, Auswärts 25 %.“ Diese Zahlen sind kein Versprechen; sie sind eine Landkarte der Unsicherheit, die auf den verfügbaren Daten beruht.

Die Grundidee lautet: Fußball ist weitgehend ein stochastisches, zufälliges Spiel. Würde dasselbe Spiel „erneut ausgetragen“, könnte das Ergebnis anders ausfallen. Ein Modell versucht, die Verteilung dieser möglichen Welten zu schätzen. Deshalb ist das Ergebnis kein einzelnes Resultat, sondern eine Wahrscheinlichkeitsverteilung.

• Eingabe: Teamform, Torproduktion, Abwehrstärke, Heimvorteil, Datenqualität.
• Verarbeitung: statistische Engines wandeln diese Eingaben in Wahrscheinlichkeiten um.
• Ausgabe: Prozentwerte für jeden Markt (Spielergebnis, Über/Unter 2,5 Tore, Treffer beider Teams (BTTS) und so weiter).

Eine wichtige Unterscheidung: Dies ist keine Wettberatung und kein Tippschein. Das Ziel ist eine analytische Perspektive, die Fußball anhand von Zahlen liest, ihren eigenen Fehler misst und sich mit der Zeit selbst korrigiert.

Das Poisson-Modell: die Kunst, Tore zu zählen

Ausgangspunkt der Wahrscheinlichkeitsmodellierung ist meist die Poisson-Verteilung. Poisson ist ein mathematisches Werkzeug für „seltene Ereignisse, die in einem bestimmten Zeitraum im Durchschnitt X-mal auftreten“, und Fußballtore passen perfekt dazu: Ein Team erzielt pro Spiel eine bestimmte durchschnittliche Anzahl an Toren, und dennoch ist jedes Spiel anders.

Die Logik ist einfach. Für jedes Team berechnen Sie einen Wert der erwarteten Tore (xG) (Lambda), der sich aus Faktoren wie der Offensivstärke des Teams, der Abwehrschwäche des Gegners und dem Heimvorteil ergibt. Die Poisson-Formel beantwortet dann die Frage: „Wie hoch ist die Wahrscheinlichkeit, dass dieses Team 0, 1, 2, 3 … Tore erzielt?“

Wenn die Torverteilungen beider Teams kombiniert werden, erhalten Sie eine Wahrscheinlichkeitsmatrix für jedes Ergebnis. Jedes Resultat wie 1-0, 2-1 oder 0-0 erhält einen Prozentwert. Aus dieser Matrix können Sie die Wahrscheinlichkeiten von Märkten wie Spielergebnis, Über/Unter und Treffer beider Teams (BTTS) aufsummieren.

Die Stärke von Poisson ist seine Einfachheit, doch es hat einen Schwachpunkt: Im realen Fußball unterschätzt es tendenziell torarme Ergebnisse, insbesondere 0-0- und 1-1-Unentschieden. Genau hier setzt Dixon-Coles an.

Dixon-Coles und Elo: das Modell näher an die Realität bringen

Das Dixon-Coles-Modell ist eine Verfeinerung des klassischen Poisson-Ansatzes. 1997 von zwei Statistikern vorgeschlagen, führt es zwei wesentliche Korrekturen ein:

• Korrektur für torarme Ergebnisse: Es passt die Wahrscheinlichkeiten torarmer Ergebnisse wie 0-0, 1-0, 0-1 und 1-1 so an, dass sie der Realität näher kommen (der Rho-Parameter).
• Zeitgewichtung: Es gewichtet aktuelle Spiele stärker als ältere, sodass sich Formveränderungen im Modell widerspiegeln.

Die Elo-Wertung funktioniert nach einer völlig anderen Logik. Vom Schach auf den Fußball übertragen, weist Elo jedem Team einen einzelnen Stärkewert zu. Spielt ein Team besser als erwartet, steigt seine Wertung; bleibt es unter den Erwartungen, sinkt sie. Der Elo-Abstand zwischen zwei Teams lässt sich direkt in eine Siegwahrscheinlichkeit übersetzen.

Diese beiden Ansätze ergänzen einander. Poisson/Dixon-Coles konzentriert sich auf die Torproduktion, während Elo die allgemeine Teamstärke und die Formdynamik in den Blick nimmt. Eine seriöse Analyseplattform verlässt sich nicht auf ein einziges Modell; sie betreibt mehrere Engines parallel und vergleicht die Ergebnisse.

Monte Carlo: dasselbe Spiel tausendfach austragen

Die Monte-Carlo-Simulation ist der intuitivste Weg, Unsicherheit zu verstehen. Die Idee ist einfach: Man „spielt“ das Spiel auf einem Computer tausende, ja zehntausende Male durch und zählt, was dabei jeweils passiert.

In jedem virtuellen Spiel erzeugt das Modell auf Basis der berechneten Wahrscheinlichkeiten ein zufälliges Ergebnis. Hat die Heimmannschaft nach 10.000 Simulationen 4.800-mal gewonnen, liegt die Siegwahrscheinlichkeit bei rund 48 %. Bei komplexen Fragen spielt diese Methode ihre Stärke aus:

• Wie hoch ist die Wahrscheinlichkeit, dass ein Team die Liga unter den ersten drei abschließt?
• Wie stehen seine Chancen, das Halbfinale eines Turniers zu erreichen?
• Wie verhalten sich Abhängigkeiten zwischen verschiedenen Märkten?

Das Schöne an Monte Carlo ist, dass sich damit Szenarien modellieren lassen, die in keine einzelne Formel passen. Der Nachteil ist der Rechenaufwand: Für ein genaues Ergebnis benötigen Sie ausreichend viele Simulationen. Zu wenige Simulationen liefern verrauschte, unzuverlässige Ergebnisse.

Kalibrierung und Modellübereinstimmung: Wann ist ein Modell wirklich „gut“?

Ein Modell kann attraktive Zahlen liefern, doch das bedeutet nicht, dass es korrekt ist. Es gibt zwei zentrale Konzepte, um die Qualität eines Modells zu messen: Kalibrierung und Modellübereinstimmung.

Kalibrierung prüft, ob die von einem Modell ausgegebenen Prozentwerte der Realität entsprechen. Die einfache Regel: Von hundert Ereignissen, die das Modell als „70 % wahrscheinlich“ eingestuft hat, sollte es in etwa siebzig Fällen richtigliegen. Treten diese 70-%-Vorhersagen tatsächlich nur in 50 % der Fälle ein, ist das Modell zu selbstsicher und muss korrigiert (neu kalibriert) werden.

Modellübereinstimmung betrachtet, ob verschiedene Engines zum selben Ergebnis gelangen. Erzeugen die Poisson-, Elo- und die fortgeschrittene Engine für dasselbe Spiel ähnliche Wahrscheinlichkeiten, ist das Signal stärker und weniger verrauscht. Weichen die Engines voneinander ab, ist das ein Zeichen für Unsicherheit, und eine ehrliche Plattform verbirgt es nicht vor den Nutzern.

Diese Kennzahlen misst man durch Backtesting: Das Modell wird auf vergangene Spiele angewendet, ohne das Ergebnis zu kennen, und seine Vorhersagen werden mit den tatsächlichen Ausgängen verglichen. Ein leckagefreies Point-in-Time-Backtest ist der ehrlichste Spiegel dafür, ob ein Modell wirklich funktioniert. Sämtliche hier genannten ROI- und Trefferquoten-Werte sind simulierte Qualitätskennzahlen auf Basis historischer Daten; sie sind keine Garantie für ein künftiges Ergebnis.

Die Grenzen von Modellen und ein ehrlicher Umgang

Kein Wahrscheinlichkeitsmodell kann die Zukunft kennen. Der Fußball steckt voller Faktoren, die sich nicht modellieren lassen: Rote Karten, Verletzungen, Schiedsrichterentscheidungen, Wetter und der reine Zufall. Ein gutes Modell leugnet diese Unsicherheit nicht; im Gegenteil, es quantifiziert sie.

Deshalb umfasst ein verantwortungsvoller analytischer Ansatz Folgendes:

• Transparenz zur Datenqualität: In Ligen oder Turnieren mit wenigen Daten ist die Modellkonfidenz niedrig, und das sollte klar benannt werden.
• Risikostufen-Kennzeichnung: Jede Analyse wird mit Markern versehen, die zeigen, wie viel Unsicherheit sie birgt.
• Formulierungen ohne Garantie: Wörter wie „sicher“ oder „wird gewinnen“ werden nicht verwendet, denn Wahrscheinlichkeit enthält ihrem Wesen nach keine Garantie.

Genau das unterscheidet 11Stat von einer klassischen Vorhersageseite: Ziel ist nicht, einen Ausgang zu versprechen, sondern Fußball über Wahrscheinlichkeit, Datenqualität und Modellübereinstimmung lesbar zu machen. Dieser Inhalt ist keine Wettberatung; er dient der Bildung und der Datenanalyse.