Expected Goals (xG) für Wetten: Wie die Metrik deine Prognosen verbessert

Warum xG die wichtigste Metrik im modernen Fußball ist

Wer Fußballwetten ernst nimmt, kommt an einer Zahl nicht vorbei: Expected Goals, kurz xG. Die Metrik hat in den letzten Jahren die Analyse des Spiels grundlegend verändert — nicht nur für Trainer und Scouts, sondern auch für Wetter, die ihre Prognosen auf mehr als Tabellenstände und Bauchgefühl stützen wollen.

Die Idee hinter xG ist bestechend einfach: Jeder Torschuss wird anhand historischer Daten bewertet und erhält einen Wert zwischen 0 und 1, der die Wahrscheinlichkeit eines Treffers aus exakt dieser Situation angibt. Ein Elfmeter liegt bei rund 0,76, ein Kopfball aus zehn Metern vielleicht bei 0,08. Addiert man alle xG-Werte eines Teams über 90 Minuten, ergibt sich ein Erwartungswert — unabhängig davon, ob der Ball tatsächlich im Netz landete.

Das Modell von Opta (Stats Perform) analysiert bis zu 20 kontextuelle Faktoren pro Schuss — Passtyp, Position des Torwarts, Druck des Verteidigers — und wurde auf rund einer Million historischer Schüsse trainiert. Was dabei herauskommt, ist keine Meinung, sondern ein statistisches Modell mit messbarer Aussagekraft.

Für Wetter bedeutet das: xG liefert eine Einschätzung der tatsächlichen Spielstärke, die über das reine Ergebnis hinausgeht. Ein Team, das 0:1 verliert, aber 2,3 xG produziert hat, war nicht schwach — es hatte Pech. Und genau solche Diskrepanzen zwischen Ergebnis und Leistung sind der Stoff, aus dem profitable Wettentscheidungen entstehen.

So funktioniert ein xG-Modell: Vom Schuss zur Zahl

Ein xG-Modell beginnt mit einer simplen Frage: Wie oft geht ein Schuss aus genau dieser Position, mit genau diesem Winkel, unter genau diesen Umständen rein? Die Antwort liefern Hunderttausende historischer Daten. Doch zwischen der Frage und der Antwort liegen Schichten von Komplexität, die den Unterschied zwischen einer brauchbaren und einer nutzlosen Prognose ausmachen.

Der Grundaufbau ist bei allen Anbietern ähnlich. Jeder Torschuss wird als Datenpunkt erfasst. Die Basisvariablen sind die Distanz zum Tor und der Winkel zur Torlinie. Daraus lässt sich bereits ein rudimentäres Modell bauen — allerdings eines, das Kopfbälle und Elfmeter gleich behandelt, was offensichtlich unsinnig ist.

Kommerzielle Modelle gehen deutlich weiter. Opta etwa berücksichtigt bis zu 20 Faktoren: den Typ des letzten Passes (Flanke, Steilpass, Rückpass), die Körperposition des Schützen, die Anzahl der Verteidiger zwischen Ball und Tor, den Spielstand zum Zeitpunkt des Schusses und die Spielphase. Eine bayesianische xG-Modellierung, die 2025 in einem Peer-Review-Journal veröffentlicht wurde, erreichte mit nur sieben Variablen — darunter der Torexpositionswinkel, die Schussdistanz und der Schusstyp — eine AUC von 0,781. Zum Vergleich: Das kommerzielle Modell von StatsBomb, das auf weit mehr Variablen zugreift, liegt bei AUC 0,801. Der Abstand ist erstaunlich gering.

Was bedeutet das für die Praxis? Ein AUC-Wert von 0,781 heißt: Das Modell unterscheidet in 78 von 100 Fällen korrekt zwischen einem Schuss, der ein Tor wird, und einem, der keines wird. Perfekt ist das nicht — aber es ist weit besser als jede subjektive Einschätzung.

Die Trainingsmethode variiert. Einfachere Modelle nutzen logistische Regression, komplexere setzen auf neuronale Netze oder Gradient Boosting. Das Prinzip bleibt gleich: Der Algorithmus lernt aus historischen Daten, welche Schusspositionen und -kontexte zu Toren führen, und überträgt dieses Wissen auf neue Situationen.

Entscheidend für Wetter ist weniger das mathematische Detail als das Ergebnis. Stats Perform formuliert es so: Buchmacher und Quotenersteller verwenden Modelle wie xG als Signal, um die Wahrscheinlichkeiten hinter ihren Quotenmodellen zu bauen und zu überprüfen. Wer xG versteht, versteht also einen Teil der Sprache, in der Buchmacher ihre Preise kalkulieren. Und wer diese Sprache beherrscht, kann Fehler in der Preisbildung erkennen — die Grundlage jeder Value-Wette.

Allerdings ist kein xG-Modell allwissend. Situationen mit geringer Datenlage — etwa Freistöße aus ungewöhnlichen Winkeln oder Distanzschüsse in Unterzahl — produzieren unsichere Schätzungen. Und kein Modell erfasst die psychologische Verfassung eines Schützen. xG misst, was die Situation hergibt, nicht was der Spieler daraus macht.

xG in der Wettpraxis: Overperformer und Underperformer erkennen

Die eigentliche Stärke von xG für Wetter liegt nicht in der Modellarchitektur, sondern in einer simplen Abweichung: der Differenz zwischen tatsächlich erzielten Toren und den Expected Goals. Teams, die mehr Tore schießen als ihr xG-Wert hergibt, sind Overperformer. Wer weniger trifft, ist Underperformer. Und beide Gruppen bieten Ansatzpunkte für profitable Wetten.

Ein klassisches Szenario: Ein Bundesliga-Team gewinnt fünf von sechs Spielen, steht auf Platz drei und wird vom Markt als Titelanwärter gehandelt. Die Quoten spiegeln die Ergebnisse. Die xG-Daten erzählen eine andere Geschichte: Das Team hat in diesen sechs Spielen xG-Werte von insgesamt 7,2 produziert, aber 12 Tore geschossen. Die Conversion Rate liegt deutlich über dem langfristigen Durchschnitt. Das ist nicht nachhaltig.

Die Regression zum Mittelwert ist in solchen Fällen keine Theorie, sondern ein statistisches Gesetz. Teams mit extremer Überperformance — sei es durch individuelle Brillanz, glückliche Abpraller oder schwache Torwartleistungen des Gegners — fallen fast immer zurück. Wer diesen Rückfall erkennt, bevor der Markt ihn einpreist, findet Value auf der Gegenseite.

Umgekehrt funktioniert das Prinzip genauso. Ein Team mit hohen xG-Werten, das trotzdem verliert, wird vom Markt bestraft. Die Quoten steigen. Doch wenn die zugrunde liegende Chancenproduktion stimmt, ist der Leistungsabfall oft nur temporär. Hier bieten sich Einstiegspunkte, weil der Markt kurzfristige Ergebnisse überbewertet und langfristige Trends ignoriert.

Praktisch lässt sich das über drei Schritte umsetzen. Erstens: Vergleiche die xG-Bilanz eines Teams über die letzten acht bis zehn Spiele mit den tatsächlichen Ergebnissen. Ein Delta von mehr als 0,3 xG pro Spiel — in beide Richtungen — ist ein Signal. Zweitens: Prüfe, ob die Abweichung durch einen identifizierbaren Faktor erklärt werden kann. Hat das Team einen Weltklasse-Stürmer, der dauerhaft über seinem xG performt? Dann ist die Regression langsamer. Ist die Überperformance breit verteilt? Dann kommt die Korrektur schneller. Drittens: Vergleiche deine Einschätzung mit den aktuellen Quoten. Nur wenn die Diskrepanz groß genug ist, um die Buchmachermarge zu überwinden, entsteht ein echter Edge.

Datenquellen für xG gibt es mittlerweile reichlich. FBref, Understat und WhoScored veröffentlichen xG-Statistiken kostenlos. Die Tiefe variiert — Understat zeigt xG-Werte auf Schussebene, FBref liefert aggregierte xG-Daten inklusive xA (Expected Assists). Für die Bundesliga sind beide Quellen nutzbar, wobei FBref auf StatsBomb-Daten basiert und damit ein etwas anderes Modell zugrunde liegt als bei Understat (Opta-nah).

Ein häufiger Fehler: xG-Werte einzelner Spiele überbewerten. Ein Spiel mit 0,4 xG gegen 2,1 xG klingt nach Dominanz, kann aber durch einen einzigen Elfmeter und zwei Fernschüsse mit niedrigem xG zustande kommen. Erst über eine Stichprobe von mindestens sechs bis acht Spielen werden xG-Trends belastbar. Wer auf Einzelwerte reagiert, handelt nicht datengetrieben — er handelt impulsiv mit einer Zahl als Alibi.

xG richtig nutzen — Grenzen und Chancen

xG ist kein Orakel. Die Metrik erfasst nicht, wer im Tor steht, wie müde die Abwehrkette ist oder ob der Stürmer gerade eine Scheidung durchmacht. Sie bildet die Qualität der Chancen ab, nicht die Qualität der Ausführung. Wer das vergisst, macht aus einem analytischen Werkzeug ein blindes Dogma.

Trotzdem ist xG das beste verfügbare Instrument, um die tatsächliche Spielstärke eines Teams von der zufälligen Ergebnisebene zu trennen. Die Stärke liegt in der Aggregation: Über eine Saison hinweg korreliert die xG-Bilanz deutlich stärker mit der Endplatzierung als die Ergebnisse der ersten fünf Spieltage. Für Wetter heißt das: xG zeigt, wo der Markt falsch liegt — vorausgesetzt, man analysiert Trends statt Einzelwerte.

Die Grenzen sind real. Set-Pieces werden von vielen Modellen noch immer unzureichend abgebildet. Konterspielende Teams produzieren weniger, aber hochwertigere Chancen — ein Durchschnitts-xG-Wert kann das verschleiern. Und die Qualität der zugrunde liegenden Daten variiert je nach Liga und Anbieter erheblich. In der Bundesliga ist die Datenlage gut, in der dritten Liga oder bei Länderspielen kleinerer Nationen wird es dünn.

xG misst nicht, was passiert ist — sondern was hätte passieren sollen. Genau darin liegt der Vorteil für Wetter. Denn Quoten reagieren auf Ergebnisse, nicht auf Prozesse. Wer den Prozess versteht und die Abweichung zum Ergebnis quantifizieren kann, hat einen strukturellen Informationsvorsprung. Keinen garantierten Gewinn — aber einen messbaren Edge.