Wettmodelle: So erstellen Sie Analysen

Die meisten Wettenden verlassen sich auf Bauchgefühl, Expertenmeinungen oder bestenfalls auf die Statistiken, die frei verfügbar im Internet stehen. Gegen den Markt lässt sich damit auf Dauer kaum bestehen. Wer langfristig profitabel wetten will, braucht einen systematischen Ansatz, der subjektive Einschätzungen durch nachprüfbare Berechnungen ersetzt. Eigene Wettmodelle sind kein Hexenwerk, das ausschließlich Mathematikern und Programmierern vorbehalten ist. Die Grundlagen lassen sich mit überschaubarem Aufwand erlernen, und bereits einfache Modelle liefern einen messbaren Vorteil gegenüber reinem Raten.

Analysiere die Courts auf der Homepage.

Warum ein eigenes Modell sinnvoll ist

Buchmacher setzen ihre Quoten nicht ausschließlich auf Basis mathematischer Modelle. Ein erheblicher Teil der Quotenbildung wird durch das Wettverhalten der Kunden beeinflusst. Wenn ein prominentes Team spielt, wetten überproportional viele Freizeitwettende auf den bekannten Namen, woraufhin der Buchmacher die Quote für dieses Team senkt. Nicht weil die tatsächliche Gewinnwahrscheinlichkeit gestiegen ist, sondern um sein Risiko auszubalancieren. Genau hier setzt ein eigenes Modell an: Es ermittelt eine eigene Wahrscheinlichkeit für den Spielausgang und vergleicht diese mit der impliziten Wahrscheinlichkeit der angebotenen Quote.

Wenn das eigene Modell einem Team eine Gewinnwahrscheinlichkeit von 60 Prozent zuweist, die Quote beim Buchmacher aber einer impliziten Wahrscheinlichkeit von nur 50 Prozent entspricht, liegt ein potenzieller Value vor. Ohne ein solches Modell bleibt die Frage, ob eine Quote gut oder schlecht ist, letztlich Spekulation. Mit Modell wird sie zu einer kalkulierbaren Entscheidung. Das bedeutet nicht, dass jede einzelne Wette gewinnt. Es bedeutet, dass man über hunderte von Wetten hinweg systematisch auf der richtigen Seite der Wahrscheinlichkeit steht.

Ein weiterer Vorteil: Das Modell zwingt zur Disziplin. Wer seine Wettentscheidungen an ein mathematisches Framework bindet, eliminiert emotionale Verzerrungen. Es ist deutlich schwieriger, einer Lieblingsmannschaft aus sentimentalen Gründen zu vertrauen, wenn die eigenen Zahlen klar dagegen sprechen. Diese Objektivität ist vielleicht der größte Gewinn eines eigenen Modells, noch vor dem rein finanziellen Vorteil.

Das Elo-Rating als Einstieg

Wer noch nie ein Wettmodell gebaut hat, findet im Elo-System den idealen Startpunkt. Ursprünglich für Schach entwickelt, lässt sich das Elo-Rating auf nahezu jede Sportart übertragen, in der zwei Seiten gegeneinander antreten. Das Grundprinzip ist elegant: Jedes Team erhält einen numerischen Ratingwert. Nach jedem Spiel gewinnt der Sieger Punkte hinzu und der Verlierer verliert Punkte. Die Höhe der Punkteverschiebung hängt davon ab, wie erwartet oder überraschend das Ergebnis war.

Konkret funktioniert es so: Man startet alle Teams mit einem identischen Rating, zum Beispiel 1500 Punkte. Vor jedem Spiel berechnet man aus der Differenz der Ratings eine erwartete Gewinnwahrscheinlichkeit. Gewinnt das favorisierte Team, erhält es wenige Punkte. Gewinnt der Außenseiter, ist die Punkteverschiebung deutlich größer. Der K-Faktor bestimmt dabei, wie stark einzelne Ergebnisse das Rating verändern. Ein höherer K-Faktor macht das System reaktiver, ein niedrigerer stabilisiert es.

Für Basketball bietet sich eine Erweiterung an, die nicht nur Sieg oder Niederlage, sondern auch die Punktedifferenz berücksichtigt. Ein Sieg mit 20 Punkten Vorsprung sollte das Rating stärker beeinflussen als ein Sieg mit einem Punkt. Diese Variante wird oft als Margin-of-Victory-Elo bezeichnet und liefert deutlich genauere Vorhersagen als das reine Win-Loss-Elo.

Das Schöne am Elo-System ist seine Einfachheit. Man braucht lediglich eine Tabelle mit Spielergebnissen und eine Handvoll Formeln. Das lässt sich in einer Tabellenkalkulation umsetzen, ohne eine einzige Zeile Code zu schreiben. Nach einer vollen Saison hat man ein Rating für jedes Team, das bereits brauchbare Vorhersagen liefert. Die Genauigkeit ist natürlich begrenzt, weil das Modell weder Verletzungen noch Heimvorteil noch andere Kontextfaktoren berücksichtigt. Aber als Ausgangspunkt und Lernwerkzeug ist es kaum zu übertreffen.

Regressionsmodelle: Der nächste Schritt

Wer das Elo-System verstanden hat und seine Vorhersagen verbessern möchte, stößt unweigerlich auf Regressionsanalysen. Die Grundidee: Anstatt nur vergangene Ergebnisse fortschreiben zu lassen, füttert man ein Modell mit mehreren erklärenden Variablen und lässt es herausfinden, welche davon den Spielausgang am stärksten beeinflussen.

Für Basketballwetten könnten solche Variablen sein: Offensive Rating, Defensive Rating, Pace, Rebounding-Differenz, Turnover-Rate, Dreierquote und Freiwurfquote der beiden Teams. Dazu kommen Kontextfaktoren wie Heimvorteil, Anzahl der Ruhetage seit dem letzten Spiel und Reisedistanz. Eine lineare Regression setzt diese Faktoren in Beziehung zur Punktedifferenz eines Spiels. Das Ergebnis ist eine Formel, die für jede Begegnung eine erwartete Punktedifferenz berechnet.

Die technische Umsetzung ist anspruchsvoller als beim Elo-System. Man braucht historische Daten, die sich über frei zugängliche Quellen wie Basketball Reference beschaffen lassen, und ein Werkzeug zur Durchführung der Regression. Tabellenkalkulationen stoßen hier an ihre Grenzen, weshalb die meisten Modellierer auf Python oder R zurückgreifen. Beide Sprachen bieten umfangreiche Bibliotheken für statistische Analysen und sind auch für Einsteiger erlernbar, wenn man bereit ist, einige Wochen in die Grundlagen zu investieren.

Ein entscheidender Punkt bei Regressionsmodellen ist die Gefahr der Überanpassung. Wenn man zu viele Variablen ins Modell packt, passt es sich perfekt an die historischen Daten an, versagt aber bei der Vorhersage zukünftiger Spiele. Die Kunst liegt darin, nur jene Variablen zu verwenden, die tatsächlich prädiktive Kraft besitzen. Dafür testet man das Modell idealerweise an Daten, die es während der Erstellung nicht gesehen hat. Wenn es auf diesen unbekannten Daten ähnlich gut funktioniert wie auf den Trainingsdaten, ist die Wahrscheinlichkeit einer Überanpassung gering.

Machine Learning: Lohnt sich der Aufwand?

Der Begriff Machine Learning klingt nach Hightech und Big Data, aber im Kern handelt es sich um eine Erweiterung der statistischen Modellierung. Während eine lineare Regression davon ausgeht, dass die Beziehung zwischen Variablen und Ergebnis linear verläuft, können Machine-Learning-Algorithmen auch nichtlineare Zusammenhänge erfassen. Ein Random Forest oder ein Gradient Boosting Model erkennt beispielsweise, dass Heimvorteil in Kombination mit kurzer Rotation und Back-to-Back-Spielen einen überproportionalen Effekt hat, den eine lineare Regression möglicherweise übersieht.

Allerdings erhöht sich mit der Komplexität des Modells auch die Gefahr der Überanpassung, und zwar erheblich. Machine-Learning-Modelle benötigen große Datenmengen, um stabil zu funktionieren. Für eine einzelne NBA-Saison mit rund 1230 Spielen in der Regular Season mag das ausreichen, aber für kleinere Ligen wie die BBL mit ihren deutlich weniger Spielen pro Saison wird es eng.

Wer sich an Machine Learning heranwagen möchte, sollte mit einem konkreten Anwendungsfall starten, nicht mit der Technik. Ein sinnvolles erstes Projekt wäre die Vorhersage von Over/Under-Ergebnissen auf Basis von Tempo- und Effizienz-Statistiken. Dafür braucht man weniger Features als für eine vollständige Spielausgangsvorhersage, und die Ergebnisse lassen sich leicht mit den Linien der Buchmacher vergleichen.

Python mit den Bibliotheken scikit-learn und pandas bildet das Standardwerkzeug für solche Projekte. Es gibt zahlreiche frei verfügbare Tutorials, die speziell auf Sportvorhersagen ausgerichtet sind. Wichtig ist dabei, realistische Erwartungen zu haben. Ein Machine-Learning-Modell wird keine 70-prozentige Trefferquote liefern. Wenn es konstant 53 bis 55 Prozent erreicht, ist das bereits bemerkenswert gut und reicht bei entsprechendem Volume für einen positiven Erwartungswert.

Vom Modell zur Wette

Der häufigste Fehler beim Erstellen von Wettmodellen ist nicht technischer Natur, sondern ein Missverständnis darüber, was das Modell leisten soll. Ein gutes Modell sagt nicht den Gewinner eines Spiels vorher. Es berechnet eine Wahrscheinlichkeit und vergleicht sie mit der Marktmeinung. Wenn das Modell sagt, Team A gewinnt mit 55-prozentiger Wahrscheinlichkeit und die Quote impliziert nur 48 Prozent, ist das eine Wette. Ob Team A dann tatsächlich gewinnt, ist für die einzelne Partie irrelevant. Was zählt, ist die Frage, ob das Modell über hunderte solcher Entscheidungen hinweg profitabel bleibt.

Wenn du mathematisch sichere Gewinne suchst, schau dir Basketball Arbitrage an.

Wer diesen Weg beschreiten will, sollte klein anfangen. Ein einfaches Elo-Modell in einer Tabellenkalkulation, getestet an einer vergangenen Saison, liefert mehr Erkenntnisse als ein halbfertiges neuronales Netzwerk. Die Modelle lassen sich schrittweise erweitern, verfeinern und anpassen. Das Wichtigste ist der Anfang, nicht die Perfektion. Und vielleicht die wichtigste Regel: Kein Modell der Welt funktioniert, wenn man seinen eigenen Ergebnissen nicht vertraut und trotzdem nach Gefühl wettet.