Expected Goals (xG) für Sportwetten nutzen

Expected Goals – kurz xG – haben die Fußballanalyse in den letzten Jahren grundlegend verändert. Was als akademisches Konzept begann, ist heute fester Bestandteil der Taktiktafeln in Proficlubs, der Fernsehübertragungen und zunehmend auch der Sportwetten-Analyse. Für Wetter bieten xG-Daten einen entscheidenden Vorteil: Sie messen nicht, was passiert ist, sondern was hätte passieren sollen. Und genau diese Differenz zwischen Erwartung und Realität ist der Punkt, an dem sich Value versteckt.

Was Expected Goals messen – und was nicht

Der xG-Wert einer Torchance gibt an, mit welcher Wahrscheinlichkeit ein durchschnittlicher Spieler aus dieser Position, in dieser Spielsituation, mit diesem Körperteil ein Tor erzielt hätte. Ein Elfmeter hat einen xG-Wert von etwa 0,76 – in 76 Prozent der Fälle geht er rein. Ein Kopfball aus sechs Metern nach einer Flanke liegt bei 0,10 bis 0,15. Ein Fernschuss aus 25 Metern bei 0,03.

Die Summe aller xG-Werte einer Mannschaft in einem Spiel ergibt den Gesamt-xG. Wenn Bayern München in einer Partie Chancen mit einem kumulierten xG von 2,4 herausspielt und der Gegner nur 0,8 erreicht, dann war Bayern die klar bessere Mannschaft – unabhängig davon, ob das Spiel 3:0 oder 1:1 endete. Ein 1:1 bei 2,4 gegen 0,8 xG wäre ein Ergebnis, das die Leistung nicht widerspiegelt. Und genau solche Diskrepanzen sind für Wetter interessant.

Was xG nicht messen: Kontexte wie Motivation, Drucksituationen, individuelle Tagesform oder taktische Umstellungen innerhalb eines Spiels. Ein Team, das nach einer Roten Karte in der 30. Minute mit einem Mann weniger spielt, generiert über 60 Minuten naturgemäß weniger xG. Das Modell erfasst die geringere Chancenqualität, aber nicht den Grund dafür. Für die Wettanalyse bedeutet das: xG sind ein mächtiges Werkzeug, aber kein Ersatz für kontextuelle Bewertung.

Auch die Art der Torchance spielt eine Rolle, die nicht immer intuitiv ist. Elfmeter haben mit 0,76 xG den höchsten Einzelwert, sind aber gleichzeitig binäre Ereignisse: Tor oder kein Tor, ohne Abstufung. Ein Team, das in einem Spiel zwei Elfmeter bekommt, hat allein dadurch 1,52 xG – eine Zahl, die eine Dominanz suggeriert, die taktisch so nicht stattgefunden hat. Umgekehrt unterschätzt das Modell Teams, die viele Distanzschüsse abgeben, weil deren xG-Wert pro Schuss extrem niedrig ist. Manche Mannschaften produzieren aber aus dem Fernschuss regelmäßig Tore – weil sie Spieler haben, deren individuelle Abschlussqualität über dem Durchschnitt liegt, den das Modell zugrunde legt.

Die Datenbasis hinter xG-Modellen ist enorm. Moderne Anbieter wie StatsBomb, Opta oder Understat werten hunderttausende Torschüsse aus, um ihre Modelle zu trainieren. Die Unterschiede zwischen den Anbietern sind gering, aber vorhanden – StatsBomb berücksichtigt etwa die Körperposition des Schützen, während einfachere Modelle nur Distanz und Winkel einbeziehen. Es lohnt sich, bei der Analyse konsistent eine Quelle zu verwenden, statt Werte verschiedener Anbieter zu mischen.

xG für die Quotenbewertung einsetzen

Der praktische Nutzen von xG für Wetter liegt in der Identifikation von Teams, die über oder unter ihrem erwarteten Leistungsniveau liegen. Ein Team, das nach zehn Spieltagen 20 Punkte hat, aber einen xG-Schnitt aufweist, der nur 14 Punkte rechtfertigt, hat Glück gehabt. Ein Team mit 10 Punkten und einem xG-Profil, das 16 Punkte nahelegt, hat Pech gehabt. Beide Szenarien erzeugen Quotenverzerrungen.

Die Buchmacher nutzen ebenfalls xG in ihren Modellen, aber nicht ausschließlich. Die Quoten werden auch von Einsatzvolumina, öffentlicher Wahrnehmung und historischen Daten beeinflusst. Wenn die breite Masse auf den Tabellenstand schaut und das Team mit 20 Punkten als stark einschätzt, drückt das deren Siegquote nach unten – möglicherweise unter den fairen Wert, den die xG-Daten nahelegen. Umgekehrt steigt die Quote für das „Pech-Team“ über den fairen Wert. Genau hier entsteht Value.

Der Heimvorteil im europäischen Fußball ist in den letzten Jahren von historisch 60 bis 65 Prozent auf 55 bis 58 Prozent der Heimpunkte gesunken. xG-Modelle erfassen diesen Trend, weil sie auf aktuellen Daten basieren. Wetter, die den Heimvorteil mit veralteten Annahmen überschätzen, liegen systematisch daneben. xG korrigiert diesen Bias automatisch – vorausgesetzt, man lässt sich von den Zahlen leiten statt vom Bauchgefühl.

Ein konkretes Vorgehen: Vor jedem Spieltag die xG-Bilanzen beider Teams der letzten fünf bis acht Spiele ansehen. Teams mit einer positiven xG-Differenz, die in der Tabelle hinter den Erwartungen liegen, sind Kandidaten für unterbewertete Quoten. Teams mit negativer xG-Differenz, die in der Tabelle besser dastehen als erwartet, sind Kandidaten für überbewertete Quoten. Dieser einfache Filter eliminiert zwar keine Unsicherheit, aber er fokussiert die Aufmerksamkeit auf die Spiele, bei denen die Wahrscheinlichkeit einer Marktineffizienz am höchsten ist.

Ein Beispiel aus der Praxis: Ein Bundesliga-Aufsteiger hat nach zwölf Spieltagen 18 Punkte und steht auf Platz 8. Die xG-Bilanz zeigt allerdings: Der xG-Schnitt pro Spiel liegt bei 0,9 erzielten und 1,6 erwarteten Gegentoren. Das ergibt eine xG-Differenz von -0,7, die eher auf eine Platzierung um Rang 14 bis 16 hindeutet. Die 18 Punkte basieren auf überdurchschnittlicher Torwart-Leistung und effizienter Chancenverwertung – zwei Faktoren, die erfahrungsgemäß zur Mitte regredieren. Die Wettquoten spiegeln aber die reale Tabelle wider, nicht die xG-Tabelle. Der Markt unterschätzt die Wahrscheinlichkeit, dass dieses Team in den kommenden Wochen schwächelt.

Datenquellen und praktische Umsetzung

Die gute Nachricht für Wetter in Deutschland: xG-Daten sind frei verfügbar. Understat bietet detaillierte xG-Statistiken für die Bundesliga, Premier League, La Liga, Serie A und Ligue 1. FBref, betrieben von Sports Reference, liefert xG-Werte auf Basis von StatsBomb-Daten. Beide Quellen aktualisieren ihre Zahlen zeitnah nach jedem Spieltag.

Der legale deutsche Glücksspielmarkt erzielte 2024 laut GGL-Tätigkeitsbericht Bruttospielerträge von rund 14,4 Milliarden Euro. Ein Markt dieser Größe zieht professionelle Analysten an, die mit genau diesen Daten arbeiten. Für den informierten Hobbywetter bedeutet das: Die frei zugänglichen xG-Daten sind besser als kein Modell, aber sie reichen allein nicht aus, um professionelle Quotensetzer systematisch zu schlagen. Sie sind ein Werkzeug, kein Allheilmittel.

Für den Einstieg empfiehlt sich ein simpler Workflow. Erstens: Vor dem Spieltag die xG-Tabelle der Liga neben die reale Tabelle legen und Diskrepanzen markieren. Zweitens: Für auffällige Paarungen die xG pro Spiel beider Teams prüfen – Angriff und Verteidigung getrennt. Drittens: Die eigene Wahrscheinlichkeitseinschätzung mit den angebotenen Quoten vergleichen. Nur wenn die Differenz groß genug ist, um die Buchmacher-Marge zu überwinden, ist ein Einsatz gerechtfertigt.

Fortgeschrittene Wetter integrieren xG in eigene Poisson-Modelle, um aus den erwarteten Torzahlen beider Teams Wahrscheinlichkeiten für jedes Ergebnis zu berechnen. Das erfordert etwas mehr Aufwand, liefert aber deutlich präzisere Einschätzungen als die bloße Betrachtung der xG-Differenz.

Dabei lohnt es sich, zwischen xG und xGOT zu unterscheiden. xG misst die Qualität des Torschusses vor dem Abschluss – Position, Winkel, Spielsituation. xGOT (Expected Goals on Target) berücksichtigt zusätzlich die Qualität des Schusses selbst: Geschwindigkeit, Platzierung, ob der Ball aufs Tor kommt. Ein Spieler, der aus fünf Metern knapp neben das Tor schießt, erzeugt xG, aber kein xGOT. Für die Wettanalyse ist xG in der Regel aussagekräftiger, weil es weniger von individueller Tagesform abhängt und die strukturelle Chancenqualität einer Mannschaft abbildet. xGOT eignet sich eher für die Bewertung einzelner Spieler – etwa bei Torschützenwetten.

Ein weiterer Aspekt, den viele Einsteiger übersehen: Die Stichprobengröße. xG-Daten nach drei Spieltagen sind nahezu wertlos. Die Varianz ist zu hoch, um verlässliche Muster zu erkennen. Ab dem achten bis zehnten Spieltag stabilisieren sich die Werte, und die Divergenz zwischen realer und xG-Tabelle wird aussagekräftig. Wer zu früh in der Saison auf xG-Basis wettet, reagiert auf Rauschen statt auf Signale. Geduld ist hier keine Tugend, sondern eine mathematische Notwendigkeit.

xG als Filter, nicht als Orakel

Expected Goals sind der beste frei verfügbare Indikator für die tatsächliche Spielstärke einer Fußballmannschaft. Für Wetter liegt ihr Wert nicht in der Vorhersage einzelner Ergebnisse, sondern in der Identifikation systematischer Diskrepanzen zwischen Leistung und Tabellenstand – und damit zwischen tatsächlicher Stärke und Marktpreis. Wer xG als Filter einsetzt, trifft keine perfekten Entscheidungen, aber deutlich bessere als ohne.