Expected Goals (xG) für Fußballwetten richtig nutzen

Expected Goals — kurz xG — quantifiziert die Qualität von Torchancen und ist damit eines der mächtigsten Werkzeuge für informierte Fußballwetten. Statt nur auf Ergebnisse zu schauen, misst xG, wie viele Tore ein Team basierend auf seinen Chancen hätte erzielen müssen. Das Ergebnis: Ein tieferes Verständnis dafür, wer wirklich gut gespielt hat — unabhängig vom Glück des Torabschlusses.

Für Sportwetter ist xG Gold wert. Teams, die unter ihrem xG-Wert abschließen, sind wahrscheinlich besser als ihre Ergebnisse vermuten lassen. Teams, die darüber liegen, haben möglicherweise Glück gehabt, das sich ausgleichen wird. Daten statt Bauchgefühl — das ist der Vorteil, den xG bietet.

Was ist xG?

Expected Goals basiert auf einer einfachen Idee: Nicht jeder Schuss hat die gleiche Trefferwahrscheinlichkeit. Ein Schuss aus drei Metern Entfernung, zentral vor dem Tor, hat eine höhere Wahrscheinlichkeit reinzugehen als ein Schuss aus 25 Metern, spitzem Winkel, unter Bedrängnis. xG weist jedem Schuss eine Wahrscheinlichkeit zwischen 0 und 1 zu — basierend auf historischen Daten über ähnliche Schüsse.

Ein xG-Wert von 0,3 bedeutet: Dieser Schuss geht historisch gesehen in 30 Prozent der Fälle rein. Ein Wert von 0,8 bedeutet: 80 Prozent Trefferwahrscheinlichkeit. Ein Elfmeter hat typischerweise einen xG-Wert von etwa 0,76 — weil statistisch etwa drei von vier Elfmetern verwandelt werden. Die xG-Werte aller Schüsse eines Teams werden addiert — das ergibt die erwarteten Tore für das Spiel.

Ein Beispiel: Team A hat Schüsse mit xG-Werten von 0,3, 0,2, 0,1 und 0,05. Die Summe ist 0,65 — das Team hat also Chancen für etwa 0,65 Tore kreiert. Wenn es trotzdem 2:0 gewonnen hat, lag es über seinen Expected Goals. Wenn es 0:1 verloren hat, hat es Pech gehabt — oder der Gegner hat seine Chancen überdurchschnittlich gut genutzt.

Die Metrik wurde ursprünglich für Traineranalysen entwickelt, hat sich aber schnell im Wettbereich verbreitet. Der Markt für Online-Sportwetten generiert 1,8 Milliarden Euro Brutto-Spielerträge jährlich in Deutschland — und immer mehr dieser Wetten werden von xG-Daten beeinflusst.

Wie wird xG berechnet?

Machine Learning Modelle bilden die Grundlage. Sie werden mit Hunderttausenden historischer Schüsse trainiert: Position des Schützen, Winkel zum Tor, Entfernung, Spielsituation, Körperteil. Das Modell lernt, welche Faktoren die Trefferwahrscheinlichkeit beeinflussen — und wie stark.

Die wichtigsten Einflussfaktoren sind Entfernung und Winkel. Ein Schuss aus fünf Metern, zentral vor dem Tor, hat einen xG-Wert von etwa 0,6 bis 0,8. Derselbe Schuss aus spitzem Winkel sinkt auf 0,3 bis 0,4. Aus 20 Metern, zentral, liegt der Wert bei etwa 0,05. Die Geometrie des Schusses ist der wichtigste Faktor.

Weitere Faktoren umfassen: Kopfball vs. Fuß, Schuss nach Flanke vs. nach Pass, Konter vs. etablierter Angriff, Anzahl der Verteidiger zwischen Ball und Tor. Je nach Modell werden unterschiedliche Faktoren einbezogen — deshalb unterscheiden sich xG-Werte verschiedener Anbieter leicht.

Die Unterschiede zwischen Anbietern betragen typischerweise 0,1 bis 0,3 xG pro Spiel. Für grobe Analysen ist das irrelevant; für detaillierte Vergleiche sollte man konsistent eine Quelle nutzen, um Methodenunterschiede auszuschließen.

xG für Wetten nutzen

Über/Unter-Wetten profitieren direkt von xG-Analyse. Wenn zwei Teams durchschnittlich jeweils 1,5 xG pro Spiel kreieren, ist Über 2,5 eine logische Wette — zumindest wenn die Quoten stimmen. Teams mit hohen xG-Werten und niedriger Torausbeute werden ihre Chancen irgendwann nutzen; Teams mit niedrigen xG-Werten und hoher Torausbeute werden auf den Boden der Tatsachen zurückkommen.

Overperformer identifizieren ist der Schlüssel zum Value. Ein Team, das nach zehn Spieltagen 15 Tore bei nur 10 xG erzielt hat, liegt fünf Tore über seinen Expected Goals. Das ist kein Zufall — aber auch nicht nachhaltig. Die Wahrscheinlichkeit, dass dieses Team in den nächsten Spielen weniger trifft als erwartet, ist hoch. Gegen die Quoten für dieses Team zu wetten kann Value bieten.

Regression to the Mean ist das statistische Prinzip dahinter. Extreme Abweichungen vom Erwartungswert tendieren dazu, sich auszugleichen. Ein Team mit xG von 1,5, das vier Tore erzielt hat, wird beim nächsten Mal wahrscheinlich näher an 1,5 landen. Wer das versteht, kann Wetten finden, bei denen der Markt die aktuelle Trefferquote überschätzt.

Laut dem Glücksspiel-Survey spielen 36,5 Prozent der Bevölkerung an Glücksspielen — und ein wachsender Teil davon nutzt datengestützte Analysen wie xG für informiertere Wettentscheidungen.

xG-Datenquellen

Understat ist die populärste kostenlose Quelle. Die Website bietet xG-Daten für die großen europäischen Ligen: Premier League, La Liga, Bundesliga, Serie A, Ligue 1 und russische Premier Liga. Die Daten werden nach jedem Spiel aktualisiert und sind auf Spieler-, Team- und Spielebene verfügbar.

FBref bietet ähnlich umfassende Daten, eingebettet in eine breitere Statistikplattform. Die xG-Daten stammen von StatsBomb, einem der führenden Datenanbieter. FBref deckt mehr Ligen ab als Understat, einschließlich kleinerer europäischer Ligen und Pokalwettbewerbe.

Premium-Datenanbieter wie Opta oder StatsBomb bieten detailliertere Modelle und schnellere Updates. Die Kosten liegen bei mehreren Hundert Euro pro Monat — für professionelle Wetter oder Betting Syndicates relevant, für Hobbyanalysten Overkill.

Für die meisten Sportwetter reichen die kostenlosen Quellen völlig aus. Wer Bundesliga-Wetten analysiert, findet bei Understat alles, was er braucht: xG pro Spiel, xG pro Schuss, Over- und Underperformance über die Saison. Die Daten sind gut genug, um fundierte Entscheidungen zu treffen.

Grenzen von xG

xG berücksichtigt keine Torhüterqualität. Ein Schuss mit xG 0,3 ist gegen einen Weltklasse-Keeper schwerer zu verwandeln als gegen einen schwachen Torhüter. Das Modell geht von einem durchschnittlichen Keeper aus — was bei extremen Abweichungen nach oben oder unten zu Fehleinschätzungen führen kann.

Standardsituationen sind problematisch. Bei Freistößen und Ecken hängt die Trefferwahrscheinlichkeit stark von der Qualität des Schützen und der Kopfballstärke im Strafraum ab. Die meisten xG-Modelle unterschätzen die Gefährlichkeit gut trainierter Set-Piece-Teams.

Verzögerung in den Daten ist ein praktisches Problem. xG-Werte werden erst nach dem Spiel berechnet und veröffentlicht — für Live-Wetten sind sie nutzlos. Und auch für Pre-Match-Wetten sind sie immer etwas veraltet: Der aktuelle Formstand seit dem letzten Spiel ist nicht erfasst.

Kontextfaktoren fehlen. xG weiß nicht, dass ein Team heute ohne drei Stammspieler antritt, dass der Trainer gerade entlassen wurde oder dass es um den Abstieg geht. Die Metrik misst historische Chancenqualität — nicht die Motivation oder die Tagesform. Wer xG nutzt, sollte es als ein Werkzeug unter vielen betrachten, nicht als alleinige Entscheidungsgrundlage.