Dixon-Coles-Modell für Fußballwetten: Einen Spielprediktor bauen

Das Dixon-Coles-Modell ist das meistzitierte akademische Framework für Fußball-Spielvorhersagen. 1997 publiziert, löst es einen spezifischen Fehler der Standard-Poisson-Regression und bleibt der Maßstab für neuere Modelle.

Das Problem mit einfachem Poisson

Standard-Poisson modelliert Tore jedes Teams unabhängig. Das funktioniert insgesamt, unterschätzt aber systematisch torarme Ergebnisse — besonders 0:0, 1:0, 0:1 und 1:1.

Die Dixon-Coles-Korrektur

Dixon und Coles führten den Abhängigkeitsparameter Rho ein, der die gemeinsame Wahrscheinlichkeit torarmer Ergebnisse anpasst. Der Parameter Rho ist typischerweise eine kleine negative Zahl (etwa -0,13 bis -0,08), die 0:0 und 1:1 wahrscheinlicher macht.

💡

Der Rho-Effekt ist bei ausgeglichenen Teams mit niedrigem xG am bedeutendsten. In einem Spiel, wo beide Teams xG um 1,0 haben, kann die Dixon-Coles-Korrektur die Unentschieden-Wahrscheinlichkeit um 2-3 Prozentpunkte gegenüber einfachem Poisson verschieben — genug, um eine Wette vom negativen in den positiven Erwartungswert zu drehen.

Implementierungsschritte

1. Daten vorbereiten

Historische Spieldaten laden mit: Datum, Heimteam, Auswärtsteam, Heimtore, Auswärtstore.

2. Modellparameter definieren

Jedes Team hat einen Angriffsparameter und Verteidigungsparameter. Plus Heimvorteil und Rho. Für eine 18-Team-Liga: 37 Parameter (18 Angriff + 18 Verteidigung + 1 Heimvorteil).

3. Zeitabklinggewichtung anwenden

Gewicht = exp(-xi x t), wobei t die Tage seit dem Spiel ist. Xi von 0,005 bedeutet, dass ein 6 Monate altes Spiel etwa 40% des Gewichts eines gestrigen Spiels hat.

4. Maximum-Likelihood-Optimierung

SciPys minimize oder Rs optim finden die Parameter, die die Wahrscheinlichkeit maximieren.

5. Vorhersagen generieren

Beispiel: Bayern (Angriff 1,45, Verteidigung 0,75) vs Dortmund (Angriff 1,30, Verteidigung 0,90). Heim-xG = 2,35. Auswärts-xG = 1,17. Nach Korrektur: Heimsieg 55,4%, Unentschieden 21,8%, Auswärtssieg 22,8%.

Ein 30-€-Einsatz auf Unentschieden bei Quote 3,40 bringt 102 € — abzüglich 5% Sportwettensteuer. Wenn Ihr Modell 21,8% Unentschieden-Wahrscheinlichkeit gibt und die implizierte Quote 29,4% (1/3,40) beträgt, überbepreist der Buchmacher das Unentschieden — kein Wert für Sie.

⚠️

Dixon-Coles erfordert sorgfältige Implementierung. Kleine Fehler im Optimierungs-Setup können unsinnige Parameter produzieren. Prüfen Sie immer: Top-Teams sollten hohe Angriffsparameter haben, defensive Teams niedrige Verteidigungsparameter, und Heimvorteil sollte positiv sein. Testen Sie vor dem Echtgeldeinsatz.

Frequently Asked Questions

Was ist das Dixon-Coles-Modell?+

Von Mark Dixon und Stuart Coles 1997 publiziert, ist es eine modifizierte Poisson-Regression für Fußball. Es korrigiert eine Schwäche des Standard-Poisson — die Unterschätzung torarmer Unentschieden — durch einen Abhängigkeitsparameter (Rho), der Wahrscheinlichkeiten für Ergebnisse wie 0:0, 1:0, 0:1 und 1:1 anpasst.

Wie unterscheidet sich Dixon-Coles von einfacher Poisson-Regression?+

Einfache Poisson-Regression nimmt an, dass Heim- und Auswärtstore unabhängig sind. In Realität zeigen Fußballtore leichte positive Abhängigkeit bei niedrigen Werten. Dixon-Coles fügt den Korrelationsparameter Rho hinzu, der dies korrigiert und die Genauigkeit bei Unentschieden verbessert.

Welche Daten brauche ich für Dixon-Coles?+

Historische Spielergebnisse mit Heim- und Auswärtstoren für mindestens eine volle Saison. Bessere Modelle nutzen 2-3 Saisons mit Zeitabklinggewichtung. Teamnamen müssen konsistent sein. Keine zusätzlichen Statistiken nötig — das Modell leitet alles aus Tordaten ab.

Ist Dixon-Coles noch relevant?+

Ja. Obwohl komplexere xG- und Machine-Learning-Modelle existieren, bleibt Dixon-Coles eine starke Baseline. Viele professionelle Wetter nutzen es als Fundament und erweitern es um zusätzliche Daten, statt es komplett zu ersetzen.

Kann ich Dixon-Coles in einer Tabelle implementieren?+

Nicht praktikabel. Das Modell erfordert Maximum-Likelihood-Schätzung mit iterativer numerischer Optimierung. Python mit SciPy oder R sind die Standard-Implementierungstools. Eine funktionierende Implementierung benötigt etwa 100-150 Codezeilen.