Modell-Wetten

Was genau ist Modell-Wetten und warum ist es die Zukunft des Sportwettens?

Modell-Wetten (Model Betting) ist ein systematischer, datengetriebener Ansatz, bei dem du mathematische oder statistische Modelle entwickelst, um Wahrscheinlichkeiten für Sportergebnisse zu berechnen. Diese selbst berechneten Wahrscheinlichkeiten vergleichst du anschließend mit den impliziten Wahrscheinlichkeiten der Buchmacherquoten. Liegt deine geschätzte Wahrscheinlichkeit deutlich über der Buchmacherbewertung, hast du eine potenzielle Value-Wette – also eine Wette mit mathematischem Vorteil – gefunden.

Das Kernprinzip ist einfach: Buchmacher sind nicht perfekt. Sie kalkulieren ihre Quoten basierend auf Masse-Geldflüssen, öffentlichen Meinungen und vereinfachten Heuristiken. Ein gut kalibriertes Modell, das auf präzisen Daten basiert, kann diese Marktineffizienzen aufdecken und ausnutzen. Dies ist nicht Glücksspiel – es ist Wahrscheinlichkeitsrechnung in der Praxis.

Wie unterscheidet sich Modell-Wetten von Bauchgefühl-Wetten?

Der fundamentale Unterschied liegt in der Konsistenz und Reproduzierbarkeit. Intuitive Wetter treffen Entscheidungen basierend auf Gefühl, Bauchgefühl und subjektiven Eindrücken. Das Problem: Diese Entscheidungen sind nicht konsistent nachvollziehbar und unterliegen kognitiven Verzerrungen wie dem Bestätigungsfehler (man erinnert sich eher an richtige Vorhersagen) oder dem Zielscheibenfehler (man erfindet nachträglich Erklärungen für Ergebnisse).

Ein Wettmodell hingegen funktioniert nach festen Regeln. Wenn du heute eine Wette mit deinem Modell platzierst, würde das Modell morgen unter gleichen Bedingungen die gleiche Entscheidung treffen. Dies ermöglicht Backtesting – die Überprüfung deines Modells anhand historischer Daten. Du kannst objektiv messen, ob dein Modell tatsächlich einen statistischen Vorteil bietet.

Die Geschichte der Wettmodelle im Sportwetten

Die Ursprünge von Wettmodellen reichen bis in die 1950er Jahre zurück. Akademische Mathematiker begannen, Sportergebnisse als statistische Phänomene zu untersuchen. Ein Meilenstein war die Anwendung der Poisson-Verteilung auf Fußballtore durch Statistiker in den 1970er Jahren. Diese mathematische Verteilung beschreibt die Häufigkeit seltener Ereignisse – und Tore in Fußballspielen folgen dieser Verteilung überraschend gut.

Mit dem Aufkommen von Computern in den 1980ern und 1990ern wurde es möglich, komplexe Modelle zu bauen und zu testen. Professionelle Wetter begannen, Elo-Rating-Systeme (ursprünglich für Schach entwickelt) auf Sportwetten anzuwenden. Das Internet ermöglichte schließlich den Zugang zu großen Datenmengen und automatisierten Backtesting-Tools.

Heute, im Zeitalter von Big Data und Machine Learning, sind Wettmodelle nicht mehr optional für professionelle Wetter – sie sind ein Muss. Die erfolgreichsten Wetter verwenden heute Kombinationen aus klassischen statistischen Modellen, Regressionsanalysen und sogar künstlicher Intelligenz. Der Trend ist klar: Wettmodelle werden immer präziser, und die Marktineffizienzen, die sie ausnutzen können, werden immer kleiner.

Welche mathematischen Grundlagen brauchst du für Modell-Wetten?

Wahrscheinlichkeitsrechnung und implizite Quoten

Das Fundament aller Modell-Wetten ist die Umrechnung von Quoten in Wahrscheinlichkeiten. Diese Umrechnung ist mathematisch einfach:

Implizite Wahrscheinlichkeit = 1 / Quote

Beispiel: Eine Quote von 2,50 für einen Heimsieg bedeutet eine implizite Wahrscheinlichkeit von 1/2,50 = 0,40 oder 40%. Der Buchmacher schätzt also die Siegchance auf 40%.

Hier kommt jedoch ein entscheidender Punkt: Buchmacher bauen eine Marge in ihre Quoten ein. Das bedeutet, wenn du die impliziten Wahrscheinlichkeiten aller möglichen Ausgänge eines Spiels addierst, erhältst du nicht 100%, sondern mehr – typischerweise 105–110%.

Beispiel mit Buchmacher-Marge:

• Heimsieg (Quote 2,50): 40% implizite WS
• Unentschieden (Quote 3,50): 28,6% implizite WS
• Auswärtssieg (Quote 2,80): 35,7% implizite WS
• Summe: 104,3% — Die überschüssigen 4,3% sind die Marge des Buchmachers

Dein Modell muss diese Marge berücksichtigen. Du berechnest die echte Wahrscheinlichkeit (ohne Marge) und vergleichst sie mit der impliziten Wahrscheinlichkeit (mit Marge). Nur wenn deine echte WS signifikant höher ist, hast du Value gefunden.

Erwartungswert und Value Betting

Der Erwartungswert (EV) ist das wichtigste Konzept für profitables Wetten. Er sagt dir, wie viel Gewinn oder Verlust du durchschnittlich pro Wetteinheit erwarten kannst, wenn du eine Wette unendlich oft wiederholst.

Formel für Erwartungswert:

EV = (geschätzte WS × Gewinn pro Wette) – (Gegenwahrscheinlichkeit × Einsatz)

Oder vereinfacht:

EV = (geschätzte WS × Quote) – 1

Ein positiver EV bedeutet, dass die Wette langfristig profitabel ist. Ein negativer EV bedeutet, dass du Geld verlierst.

Praktisches Beispiel: Angenommen, dein Modell schätzt die Wahrscheinlichkeit eines Heimsiegs auf 45%, der Buchmacher bietet eine Quote von 2,50 an (implizierte WS: 40%).

EV = (0,45 × 2,50) – 1 = 1,125 – 1 = 0,125 oder +12,5%

Das bedeutet: Wenn du 100 € einsetzt, erwartest du langfristig einen Gewinn von 12,50 €. Das ist eine Value-Wette.

Korrelationen und statistische Zusammenhänge

Ein häufiger Anfängerfehler ist, Korrelationen mit Kausalität zu verwechseln. Nur weil zwei Dinge zusammenhängen, bedeutet das nicht, dass eins das andere verursacht.

Beispiel: Du beobachtest, dass ein Team in den letzten 5 Spielen immer gewonnen hat, wenn es regnet. Du denkst: „Regen führt zu Siegen!" Das ist falsch. Der Regen verursacht nicht den Sieg. Es könnte sein, dass das Team einfach stark ist und zufällig in regnerischen Spielen gespielt hat. Dies ist der Zielscheibenfehler – du erfindest nachträglich eine Erklärung für ein Muster, das möglicherweise nur Zufall ist.

Ein robustes Modell berücksichtigt nur echte kausale Zusammenhänge:

• Spielerstärke → beeinflusst Sieg (kausal)
• Heimvorteil → beeinflusst Sieg (kausal, empirisch nachgewiesen)
• Verletzungen von Schlüsselspielern → beeinflussen Sieg (kausal)
• Formkurve → korreliert mit Sieg (aber nicht unbedingt kausal – könnte auch nur Varianz sein)

Um Korrelationen zu überprüfen, solltest du:

1. Große Stichproben verwenden (mindestens 100–200 Beobachtungen)
2. Statistische Signifikanz testen (nicht nur auf Zufall prüfen)
3. Plausibilität überprüfen (macht der Zusammenhang logisch Sinn?)
4. Backtesting auf neuen Daten durchführen (nicht nur auf den Daten, mit denen du das Modell gebaut hast)

Wie erstelle ich mein eigenes Wettmodell? (Schritt-für-Schritt)

Schritt 1: Ziel definieren und Wettmarkt auswählen

Bevor du anfängst, musst du genau definieren, worauf du wetten möchtest. Es ist unmöglich, ein universelles Modell zu bauen, das auf alle Märkte anwendbar ist. Erfolgreiche Modell-Wetter spezialisieren sich.

Mögliche Wettmärkte:

• Over/Under Tore (z.B. Over 2,5 Tore) – Ideal für Poisson-Modelle
• 1X2 (Spielausgang) – Heimsieg, Unentschieden, Auswärtssieg
• Asian Handicap – Torhandicaps mit feineren Abstufungen
• Beide Teams erzielen Tore (BTTS) – Ja/Nein
• Torschütze Wetten – Wer erzielt das erste Tor?
• Ecken, Karten, rote Karten – Spezialisierte Märkte

Meine Empfehlung für Anfänger: Starten Sie mit Over/Under Toren in einer spezifischen Liga (z.B. Bundesliga). Dieser Markt hat:

• Viele historische Daten
• Relativ einfache Modellierung (Poisson-Verteilung)
• Gute Liquidität bei Buchmachern
• Weniger psychologische Verzerrungen als 1X2

Schritt 2: Relevante Daten sammeln und aufbereiten

Ein Modell ist nur so gut wie die Daten, auf denen es basiert. Garbage in, garbage out – wenn deine Eingabedaten falsch sind, sind auch deine Vorhersagen falsch.

Notwendige Daten für ein Fußballwetten-Modell:

• Historische Spielergebnisse – Mindestens 3–5 Saisons (100+ Spiele pro Team)
• Tore pro Spiel – Für Poisson-Modelle essentiell
• Heimvorteil-Statistiken – Unterschiede zwischen Heim- und Auswärtsspielen
• Spielerstärke – Aktuelle Spielerbesetzung, Verletzungen
• Formkurve – Letzte 5–10 Spiele
• Head-to-Head Statistiken – Direkte Vergleiche zwischen Teams
• xG-Werte (Expected Goals) – Schussqualität, nicht nur Tore

Datenquellen:

• Kostenlos: Understat.com, Whooscored.com, Flashscore.com
• Kostenpflichtig: Opta Sports, StatsBomb, Wyscout

Daten müssen bereinigt werden:

• Tippfehler korrigieren
• Fehlende Werte behandeln
• Ausreißer identifizieren (z.B. 7:0 Siege in sonst ausgeglichenen Ligen)
• Zeitreihen auf Konsistenz prüfen

Schritt 3: Einflussfaktoren identifizieren

Welche Faktoren beeinflussen das Ergebnis eines Spiels? Diese Frage ist zentral. Zu viele Faktoren machen das Modell komplex und anfällig für Overfitting. Zu wenige Faktoren machen es zu simpel.

Bewährte Einflussfaktoren (nach Wichtigkeit):

1. Spielerstärke / Team-Stärke (kritisch)

   • Wie stark ist jedes Team im Allgemeinen?
   • Gemessen durch: Elo-Ratings, Torquoten, Abwehrstatistiken

2. Heimvorteil (kritisch)

   • Teams spielen zuhause durchschnittlich 0,3–0,5 Tore besser
   • Empirisch sehr robust nachgewiesen

3. Aktuelle Form (wichtig)

   • Letzte 5–10 Spiele sind aussagekräftiger als Saisonschnitt
   • Gewichtung: Neuere Spiele stärker berücksichtigen

4. Verletzungen von Schlüsselspielern (wichtig)

   • Fehlt der beste Torschütze oder Torhüter, ändert sich die Dynamik
   • Schwer zu quantifizieren, aber nicht zu ignorieren

5. Psychologische Faktoren (mittel)

   • Motivation nach Niederlagen (Revanche-Effekt)
   • Müdigkeit gegen Saisonende
   • Druck in Spitzenspielen

6. Spielsystem und Taktik (mittel)

   • Ein Trainer-Wechsel kann die Dynamik verändern
   • Offensive vs. defensive Ausrichtung

7. xG-Werte (mittel)

   • Schussqualität ist aussagekräftiger als Torquoten allein
   • Zeigt an, ob ein Team "Glück" hat oder verdient gewinnt

8. Wetter (niedrig)

   • Regen, Wind, Schnee beeinflussen Spiele minimal
   • Nur bei extremen Bedingungen relevant

Faktoren, die NICHT in dein Modell gehören:

• ❌ „Das Team trägt rote Trikots und gewinnt immer" (Zielscheibenfehler)
• ❌ „Der Trainer hat Geburtstag" (keine Kausalität)
• ❌ „Ich habe ein Gefühl" (nicht quantifizierbar)

Schritt 4: Das Modell bauen (Poisson & Alternativen)

Es gibt verschiedene Ansätze, ein Wettmodell zu bauen. Für Anfänger empfehle ich die Poisson-Verteilung. Für Fortgeschrittene gibt es Alternativen.

Die Poisson-Verteilung für Fußballwetten

Die Poisson-Verteilung ist eine mathematische Verteilung, die beschreibt, wie oft ein seltenes Ereignis in einem festen Zeitraum auftritt. Fußballtore folgen dieser Verteilung überraschend gut.

Wie funktioniert es?

1. Berechne die durchschnittlichen Tore pro Team:

   • Heimteam: Durchschnittliche Heimtore / Anzahl Heimspiele
   • Auswärtsteam: Durchschnittliche Auswärtstore / Anzahl Auswärtsspiele
   • Liga-Durchschnitt (für Normalisierung)

2. Berechne Angriffs- und Defensivstärke:

   • Angriffsstärke = (Tore des Teams / Spiele) / (Liga-Durchschnitt Tore)
   • Defensivstärke = (Gegentore des Teams / Spiele) / (Liga-Durchschnitt Gegentore)

3. Berechne erwartete Tore für das Spiel:

   • Erwartete Tore Heimteam = Heimteam-Angriff × Auswärtsteam-Defensive × Liga-Durchschnitt
   • Erwartete Tore Auswärtsteam = Auswärtsteam-Angriff × Heimteam-Defensive × Liga-Durchschnitt × Heimvorteil-Faktor

4. Nutze die Poisson-Formel, um Wahrscheinlichkeiten zu berechnen:

   P(X = k) = (e^(-λ) × λ^k) / k!
   

   Wobei λ = erwartete Tore, k = tatsächliche Tore

Diese Berechnung ist in Excel oder Google Sheets mit der Funktion POISSON.VERT() möglich.

Praktisches Beispiel: Angenommen, du modellierst Bayern München (Heimteam) vs. Schalke 04 (Auswärtsteam):

• Erwartete Tore Bayern: 2,1
• Erwartete Tore Schalke: 0,9
• Mit Poisson berechnest du die Wahrscheinlichkeit für 0 Tore, 1 Tor, 2 Tore, 3 Tore, etc.
• Du summierst die Wahrscheinlichkeiten für „Over 2,5 Tore" (3+ Tore)
• Wenn diese Wahrscheinlichkeit > 50% ist und der Buchmacher 1,75 (= 57%) bietet, ist es KEINE Value-Wette

Alternative Modelle

Elo-Rating System:

• Jedes Team hat eine Elo-Zahl (z.B. 1600 für starke Teams, 1200 für schwache)
• Nach jedem Spiel werden Elo-Zahlen aktualisiert
• Die Differenz zwischen zwei Teams bestimmt die Siegwahrscheinlichkeit
• Vorteil: Einfach, robust, gut für lange Zeitreihen
• Nachteil: Berücksichtigt nicht die Toranzahl, nur Sieg/Niederlage

Regressionsmodelle:

• Lineare oder logistische Regression mit mehreren Variablen
• Input: Spielerstärke, Form, Verletzungen, etc.
• Output: Wahrscheinlichkeit oder Toranzahl
• Vorteil: Flexibel, kann mehrere Faktoren kombinieren
• Nachteil: Komplexer, mehr Daten nötig, anfälliger für Overfitting

Machine Learning / Künstliche Intelligenz:

• Neuronale Netze, Random Forests, XGBoost, etc.
• Können komplexe, nicht-lineare Muster erkennen
• Vorteil: Höchste Präzision bei großen Datenmengen
• Nachteil: Black Box (du weißt nicht, warum das Modell eine Vorhersage macht), sehr anfällig für Overfitting, erfordert große Datenmengen

Meine Empfehlung: Starten Sie mit Poisson. Es ist einfach, robust und funktioniert. Wenn Sie Erfahrung sammeln, können Sie zu komplexeren Modellen übergehen.

Schritt 5: Backtesting durchführen

Backtesting ist die Überprüfung deines Modells anhand historischer Daten. Es ist der einzige Weg, objektiv zu überprüfen, ob dein Modell tatsächlich funktioniert.

Wie du richtig backtestest:

1. Teile deine Daten auf:

   • Training-Daten (z.B. 2015–2019): Hier baust du dein Modell
   • Test-Daten (z.B. 2020–2023): Hier testest du es (diese Daten hat dein Modell noch nie gesehen!)

2. Wende dein Modell auf Test-Daten an:

   • Berechne Wahrscheinlichkeiten für jedes Spiel
   • Vergleiche mit historischen Quoten
   • Identifiziere Value-Wetten
   • Zähle Gewinne und Verluste

3. Berechne wichtige Metriken:

   • Win Rate: Prozentsatz gewonnener Wetten
   • ROI (Return on Investment): Gewinn / Gesamteinsatz
   • Profit Factor: Gesamtgewinne / Gesamtverluste
   • Sharpe Ratio: Gewinn pro Einheit Risiko

4. Vermeide diese häufigen Backtesting-Fehler:

   • ❌ Look-Ahead-Bias: Dein Modell „kennt" Informationen, die zur Wettzeit nicht verfügbar waren
   • ❌ Zu kleine Stichproben: Weniger als 100 Wetten sagt nichts aus (könnte Zufall sein)
   • ❌ Overfitting: Du optimierst dein Modell so sehr auf historische Daten, dass es auf neue Daten nicht funktioniert
   • ❌ Cherry-Picking: Du wählst nur die Spiele aus, bei denen dein Modell gut war
   • ❌ Ignorieren von Quoten-Veränderungen: Historische Quoten sind nicht immer repräsentativ für zukünftige Quoten

Beispiel Backtesting-Ergebnis:

Zeitraum: 2020–2023 (304 Spiele)
Wetten platziert (mit Value): 47
Gewonnene Wetten: 28
Win Rate: 59,6%
Gesamteinsatz: 470 € (10 € pro Wette)
Gesamtgewinn: 156 € 
ROI: 33,2%
Profit Factor: 1,56

Ein ROI von 33% ist hervorragend. Allerdings: Dies sind historische Ergebnisse. Es gibt keine Garantie, dass dein Modell in der Zukunft genauso gut funktioniert.

Welche häufigen Fehler machen Anfänger bei Wettmodellen?

Zu simple Modelle und Overfitting

Es gibt zwei gegensätzliche Fehler:

Fehler 1: Das Modell ist zu simpel

• Du verwendest nur einen Faktor (z.B. nur Heimvorteil)
• Das Modell erklärt nicht genug Varianz
• Ergebnis: Schlechte Vorhersagen

Fehler 2: Das Modell ist zu komplex (Overfitting)

• Du verwendest 50 Variablen und optimierst sie alle
• Das Modell passt sich perfekt an historische Daten an
• Aber es funktioniert nicht auf neuen Daten
• Ergebnis: Im Backtest sieht es toll aus, live verlierst du Geld

Die Balance: Ein gutes Modell hat 5–15 sorgfältig ausgewählte Variablen. Jede Variable sollte eine logische Begründung haben und sich in Backtests als signifikant erweisen.

Bestätigungsfehler und Zielscheibenfehler

Der Bestätigungsfehler ist die Tendenz, Informationen zu suchen und zu interpretieren, die deine bestehende Überzeugung bestätigen.

Beispiel: Du glaubst, dass Mannschaften nach Niederlagen immer zurückschlagen. Wenn ein Team nach einer Niederlage gewinnt, denkst du: „Siehst du, meine Theorie stimmt!" Wenn es verliert, denkst du: „Das war eine Ausnahme." Du ignorierst Gegenbeweise.

Der Zielscheibenfehler ist die Tendenz, nachträglich Erklärungen zu erfinden.

Beispiel: Ein Team gewinnt überraschend 5:0. Du fragst dich: „Warum?" Und du erfindest eine Geschichte: „Ah, der neue Trainer hat ein brillantes System eingeführt!" Aber vielleicht war es nur Zufall – das Team hatte einfach einen guten Tag.

Wie du diese Fehler vermeidest:

1. Backtesting auf neuen Daten – nicht nur auf den Daten, mit denen du das Modell gebaut hast
2. Statistisches Testen – überprüfe, ob ein Muster statistisch signifikant ist
3. Große Stichproben – ein Muster in 3 Spielen ist nicht aussagekräftig
4. Dokumentieren – schreibe auf, welche Annahmen dein Modell macht, und überprüfe sie regelmäßig

Unzureichendes Backtesting

Viele Anfänger backtesten ihr Modell nicht richtig:

• Sie testen auf den gleichen Daten, mit denen sie das Modell gebaut haben (Look-Ahead-Bias)
• Sie testen auf nur 20–30 Spielen (zu kleine Stichprobe)
• Sie wählen nur die Spiele aus, bei denen ihr Modell gut war (Cherry-Picking)
• Sie ignorieren Kosten (Buchmacher-Margin, Kommissionen)

Richtige Backtesting-Praxis:

• Mindestens 100 Wetten, besser 300+
• Train/Test Split: 70% Training, 30% Test (und Test-Daten sind „unsichtbar" beim Training)
• Berücksichtige alle Wetten, nicht nur die Gewinner
• Berücksichtige Gebühren und Buchmacher-Margin

Ignorieren von Modell-Limitationen

Kein Modell ist perfekt. Jedes Modell hat Limitationen:

Wann versagt die Poisson-Verteilung?

• Bei Spielen mit extremer Motivation (Derbys, Playoff-Spiele)
• Gegen Saisonende, wenn Teams ihre Motivation verlieren
• Bei drastischen Spielerstärke-Veränderungen (Trainer-Wechsel, große Transfers)
• Bei Spitzenspielen, wo taktische Überlegungen wichtiger sind als Statistik

Wann versagt das Elo-Modell?

• Wenn sich die Ligastruktur ändert (Aufsteiger, Absteiger)
• Bei neuen Teams, die keine Elo-Geschichte haben

Wann versagen Machine Learning Modelle?

• Bei großen Datenveränderungen (neue Liga, neuer Sport)
• Wenn die Trainingsdaten nicht repräsentativ sind

Lösung: Überwache dein Modell kontinuierlich. Wenn die Vorhersagen plötzlich viel schlechter werden, könnte es sein, dass sich etwas Fundamentales geändert hat. Dann musst du dein Modell anpassen.

Wie nutze ich mein Modell praktisch zum Wetten?

Value-Wetten identifizieren und platzieren

Du hast dein Modell gebaut und backtestet. Jetzt kommt die praktische Anwendung.

Schritt-für-Schritt:

1. Berechne deine Wahrscheinlichkeit für ein Spiel

   • Nutze dein Modell (Poisson, Elo, etc.)
   • Beispiel: Dein Modell sagt, Bayern gewinnt mit 62% Wahrscheinlichkeit

2. Vergleiche mit der Buchmacher-Quote

   • Bayern-Sieg Quote: 1,80
   • Implizierte Wahrscheinlichkeit: 1/1,80 = 55,6%

3. Berechne den Erwartungswert

   EV = (0,62 × 1,80) – 1 = 1,116 – 1 = 0,116 oder +11,6%
   

4. Entscheide, ob es Value ist

   • EV > 0%: Value-Wette ✓ (platzieren)
   • EV < 0%: Keine Value-Wette ✗ (nicht platzieren)
   • Mindest-EV für Profis: 2–5% (um Fehler des Modells zu kompensieren)

5. Platziere die Wette

   • Nur bei Value-Wetten wetten
   • Niemals „für Spaß" oder „aus Bauchgefühl" wetten

Häufiger Anfängerfehler: Sie wetten auf jedes Spiel, auch wenn es keine Value hat. Das ist wie an der Börse zu handeln, ohne zu wissen, ob eine Aktie über- oder unterbewertet ist. Langfristig verlierst du Geld.

Bankroll Management und Einsatzgröße

Wie viel solltest du pro Wette einsetzten? Das ist eine kritische Frage.

Das Kelly-Kriterium: Das Kelly-Kriterium ist eine mathematische Formel, die die optimale Einsatzgröße basierend auf deinem Edge und deiner Bankroll berechnet:

f* = (Edge × Quote – 1) / (Quote – 1)

Wobei:

• f* = Anteil deiner Bankroll, den du einsetzen solltest
• Edge = dein Vorteil (EV)
• Quote = die Buchmacher-Quote

Beispiel:

• Deine Bankroll: 1.000 €
• Edge: 11,6% (wie oben)
• Quote: 1,80
• f* = (0,116 × 1,80 – 1) / (1,80 – 1) = 0,0888 / 0,80 = 0,111 oder 11,1%
• Einsatz: 1.000 € × 0,111 = 111 €

Das Kelly-Kriterium sagt dir: Setze 11,1% deiner Bankroll ein.

Aber Vorsicht: Das vollständige Kelly-Kriterium ist aggressiv und kann zu großen Schwankungen führen. Professionelle Wetter verwenden oft Fractional Kelly (z.B. 25–50% des Kelly-Einsatzes), um das Risiko zu reduzieren.

Praktische Bankroll-Management-Regeln:

1. Setze niemals mehr als 5% deiner Bankroll pro Wette ein (für Anfänger)
2. Profis setzen 2–3% pro Wette ein
3. Wenn du eine Wette verlierst, reduziere deine Einsätze nicht emotional
4. Wenn du eine Serie von Verlusten hast, überprüfe dein Modell, nicht deine Einsatzgröße

Kontinuierliche Optimierung und Anpassung

Dein Modell ist nicht statisch. Es muss sich an neue Daten und verändernde Bedingungen anpassen.

Monatliche Überprüfung:

• Wie viele Value-Wetten hast du gefunden?
• Wie ist deine Win Rate?
• Wie ist dein ROI?
• Gibt es Muster in deinen Verlusten?

Jährliche Überprüfung:

• Backteste dein Modell auf neuen Daten
• Überprüfe, ob deine Einflussfaktoren noch relevant sind
• Füge neue Daten hinzu (z.B. neue Spieler, neue Trainer)
• Überprüfe, ob sich die Ligadynamik geändert hat

Kontinuierliche Verbesserung:

• Wenn ein Faktor konsistent falsch vorhersagt, entferne ihn
• Wenn ein neuer Faktor in deinen Tests signifikant ist, füge ihn hinzu
• Dokumentiere alle Änderungen und ihre Auswirkungen

Welche Wettmodell-Typen gibt es?

Das Poisson-Modell für Fußballwetten

Die Poisson-Verteilung ist das beliebteste Modell für Fußballwetten, besonders für Over/Under Tore und Asian Handicaps.

Vorteile:

• ✓ Mathematisch elegant und robust
• ✓ Basiert auf echten Daten (Torverteilungen folgen Poisson)
• ✓ Relativ einfach zu implementieren
• ✓ Gutes Verhältnis von Komplexität zu Genauigkeit

Nachteile:

• ✗ Berücksichtigt nicht die Toranzahl-Korrelation (wenn ein Team viele Tore schießt, schießt das andere weniger)
• ✗ Funktioniert nicht gut für „Beide Teams erzielen Tore" Wetten
• ✗ Kann Extreme (5:0, 6:0) unterschätzen

Beste Anwendung: Over/Under Tore, Torhandicaps

Elo-Rating und Spielstärke-Modelle

Das Elo-Rating-System stammt ursprünglich aus dem Schach und wurde später auf Sportwetten angepasst.

Jedes Team hat eine Elo-Zahl (z.B. 1600). Nach jedem Spiel werden die Elo-Zahlen basierend auf dem Ergebnis aktualisiert:

• Wenn ein starkes Team gegen ein schwaches Team gewinnt: kleine Elo-Änderung
• Wenn ein schwaches Team gegen ein starkes Team gewinnt: große Elo-Änderung

Die Differenz zwischen zwei Teams bestimmt die Siegwahrscheinlichkeit.

Vorteile:

• ✓ Dynamisch (passt sich an neue Ergebnisse an)
• ✓ Einfach zu verstehen und zu implementieren
• ✓ Gut für langfristige Trends

Nachteile:

• ✗ Berücksichtigt nicht die Toranzahl
• ✗ Kann sich zu schnell an Überraschungsergebnisse anpassen
• ✗ Braucht viele historische Daten, um gute Elo-Zahlen zu haben

Beste Anwendung: 1X2 Wetten (Sieg/Unentschieden/Niederlage)

Regressionsmodelle und Machine Learning

Lineare Regression: Ein statistisches Modell, das eine lineare Beziehung zwischen Input-Variablen (z.B. Spielerstärke, Form) und Output (z.B. Tore) annimmt.

Beispiel:

Tore = 0,5 + 0,3 × Angriffsstärke – 0,2 × Defensivstärke + 0,1 × Heimvorteil

Machine Learning (Neuronale Netze, Random Forests, XGBoost): Diese Modelle können komplexe, nicht-lineare Muster erkennen. Sie sind sehr flexibel und können theoretisch sehr genau sein.

Vorteile:

• ✓ Höchste theoretische Genauigkeit
• ✓ Können komplexe Wechselwirkungen erfassen

Nachteile:

• ✗ Sehr anfällig für Overfitting
• ✗ Erfordern große Datenmengen (1000+ Spiele)
• ✗ Black Box (du weißt nicht, warum das Modell eine Vorhersage macht)
• ✗ Schwer zu debuggen und zu verbessern

Beste Anwendung: Wenn du viele Daten hast und Zeit für Optimierung

Häufig gestellte Fragen zu Modell-Wetten

F: Was ist ein Wettmodell und wie funktioniert es?

Ein Wettmodell ist ein mathematisches oder statistisches System, das Wahrscheinlichkeiten für Sportergebnisse berechnet. Es funktioniert, indem es historische Daten analysiert, Einflussfaktoren identifiziert und dann diese Faktoren nutzt, um zukünftige Ergebnisse vorherzusagen. Das Modell vergleicht dann seine Vorhersagen mit den Buchmacher-Quoten, um Value-Wetten zu identifizieren – also Wetten, bei denen die Buchmacher die Wahrscheinlichkeit unterschätzt haben.

F: Wie erstelle ich ein eigenes Wettmodell?

Die Schritte sind: (1) Ziel definieren (welcher Wettmarkt?), (2) Daten sammeln (mindestens 100+ Spiele pro Team), (3) Einflussfaktoren identifizieren (Spielerstärke, Heimvorteil, Form), (4) Modell bauen (z.B. Poisson-Verteilung), (5) Backtesting durchführen (auf neuen Daten, nicht den Trainingsdaten). Beginne einfach und füge Komplexität nur hinzu, wenn es messbare Verbesserungen bringt.

F: Wie unterscheidet sich Modell-Wetten von intuitivem Wetten?

Modell-Wetten basiert auf Daten und Mathematik und ist reproduzierbar. Intuitives Wetten basiert auf Gefühl und ist nicht konsistent. Mit Modell-Wetten kannst du Backtesting durchführen und objektiv überprüfen, ob dein Ansatz funktioniert. Mit intuitivem Wetten kannst du das nicht – du weißt nur, dass du manchmal gewinnst und manchmal verlierst.

F: Welche Fehler sollte ich beim Wettmodell vermeiden?

Die häufigsten Fehler sind: (1) Overfitting – das Modell passt sich zu gut an historische Daten an, (2) Bestätigungsfehler – du ignorierst Gegenbeweise, (3) Unzureichendes Backtesting – du testest auf zu wenigen Spielen oder auf den gleichen Daten, mit denen du das Modell gebaut hast, (4) Ignorieren von Modell-Limitationen – jedes Modell versagt irgendwann.

F: Wie backteste ich mein Wettmodell?

Teile deine Daten in Training (70%) und Test (30%) auf. Baue dein Modell nur mit Training-Daten. Wende das Modell dann auf Test-Daten an, die es noch nie gesehen hat. Zähle Gewinne und Verluste. Berechne Metriken wie Win Rate, ROI und Profit Factor. Vermeide Look-Ahead-Bias (das Modell kennt Informationen, die zur Wettzeit nicht verfügbar waren) und Cherry-Picking (nur die Spiele auswählen, bei denen das Modell gut war).

F: Welche Daten benötige ich für ein Wettmodell?

Mindestens: (1) Historische Spielergebnisse (100+ Spiele pro Team), (2) Tore pro Spiel, (3) Heimvorteil-Statistiken, (4) Spielerstärke-Indikatoren. Optional aber wertvoll: (5) xG-Werte (Schussqualität), (6) Formkurve, (7) Verletzungsinformationen, (8) Head-to-Head Statistiken.

F: Ist die Poisson-Verteilung das beste Modell?

Nein, es ist nicht das beste, aber es ist ein sehr gutes Anfänger-Modell. Die Poisson-Verteilung funktioniert hervorragend für Over/Under Tore und ist relativ einfach zu implementieren. Für andere Märkte (z.B. 1X2) könnten Elo-Modelle besser sein. Für maximale Genauigkeit könnten Machine Learning Modelle besser sein, aber sie sind komplexer und anfälliger für Overfitting.

F: Wie erkenne ich Value-Wetten mit einem Modell?

Berechne die Wahrscheinlichkeit mit deinem Modell (z.B. 55%). Vergleiche mit der impliziten Wahrscheinlichkeit der Buchmacher-Quote (z.B. 50%). Wenn deine Wahrscheinlichkeit höher ist, ist es eine Value-Wette. Berechne den Erwartungswert: EV = (deine WS × Quote) – 1. Ein positiver EV bedeutet Value.

F: Wie viel sollte ich pro Wette einsetzen?

Nutze das Kelly-Kriterium oder eine vereinfachte Variante davon. Anfänger sollten nicht mehr als 5% ihrer Bankroll pro Wette einsetzen. Professionelle Wetter setzen 2–3% ein. Das Kelly-Kriterium berechnet die optimale Einsatzgröße basierend auf deinem Edge und der Quote.

F: Wie oft sollte ich mein Modell anpassen?

Überprüfe dein Modell monatlich auf Performance und jährlich auf Validität. Wenn sich fundamentale Dinge ändern (Trainer-Wechsel, Spielerstärke-Veränderungen, Ligastruktur-Änderungen), musst du dein Modell möglicherweise schneller anpassen. Dokumentiere alle Änderungen und ihre Auswirkungen auf die Performance.

Fazit: Modell-Wetten als langfristige Strategie

Modell-Wetten ist nicht einfach – es erfordert mathematisches Verständnis, Geduld und Disziplin. Aber es ist eine der wenigen Strategien, die nachweislich langfristig funktioniert.

Der Schlüssel zum Erfolg ist:

1. Konsistenz: Wette nur auf Value-Wetten, auch wenn du verlierst
2. Geduld: Es dauert 100+ Wetten, bis du wirklich weißt, ob dein Modell funktioniert
3. Kontinuierliches Lernen: Überwache dein Modell, lerne von Fehlern, verbessere es kontinuierlich
4. Disziplin: Lass deine Emotionen nicht in deine Wetten einfließen

Wenn du diese Prinzipien befolgst, hast du eine echte Chance, langfristig profitabel zu wetten. Viel Erfolg!