Poisson-Modell für Fußballwetten: Torwahrscheinlichkeiten berechnen

Vor sechs Jahren saß ich in meinem Büro und starrte auf eine Tabelle mit Bundesliga-Ergebnissen. Ich hatte gerade zum dritten Mal in Folge eine Wette verloren, die „sicher“ erschien – Bayern gegen einen Aufsteiger, klare Sache, dachte ich. Das Problem war nicht mein Bauchgefühl. Das Problem war, dass ich überhaupt auf Bauchgefühl gesetzt hatte.

Ein Kollege aus der Fintech-Abteilung fragte mich damals, ob ich schon mal von der Poisson-Verteilung gehört hätte. Ich kannte sie aus meinem Statistik-Studium, aber die Idee, sie auf Fußball anzuwenden, war mir nie gekommen. Heute ist dieses mathematische Modell eines meiner wichtigsten Werkzeuge – nicht weil es perfekt ist, sondern weil es mir hilft, Wahrscheinlichkeiten zu berechnen statt zu raten. In der Bundesliga enden etwa 25% aller Spiele mit einem Unentschieden, und die häufigste Endstand-Kombination ist 1:1 mit rund 11,7% aller Partien. Zahlen wie diese lassen sich mit Poisson erstaunlich gut modellieren.

Was ist die Poisson-Verteilung?

Stell dir vor, du zählst, wie oft ein seltenes Ereignis in einem bestimmten Zeitraum eintritt – Tore in einem Fußballspiel, Unfälle auf einer Kreuzung pro Monat, oder Anrufe in einem Callcenter pro Stunde. Die Poisson-Verteilung, benannt nach dem französischen Mathematiker Siméon Denis Poisson, beschreibt genau solche Zufallsprozesse.

Der Kern ist einfach: Wenn du den Durchschnittswert kennst, mit dem etwas passiert, kann die Poisson-Formel dir sagen, wie wahrscheinlich es ist, dass genau 0, 1, 2, 3 oder mehr Ereignisse eintreten. Bei Fußball bedeutet das: Wenn ich weiß, dass eine Mannschaft im Schnitt 1,8 Tore pro Spiel erzielt, kann ich berechnen, wie wahrscheinlich 0, 1, 2, 3, 4 oder mehr Tore sind.

Die mathematische Formel lautet: P(k) = (λ^k * e^-λ) / k! – wobei λ der erwartete Durchschnitt ist, k die Anzahl der Ereignisse, und e die Euler’sche Zahl (etwa 2,718). Das klingt komplizierter als es ist. In der Praxis nutze ich einfach eine Tabellenkalkulation oder einen Online-Rechner, der mir die Wahrscheinlichkeiten sofort ausspuckt.

Was die Poisson-Verteilung für Sportwetten so nützlich macht: Sie nimmt an, dass jedes Ereignis unabhängig vom vorherigen passiert. Ein Tor in der 20. Minute beeinflusst nicht direkt, ob in der 40. Minute ein weiteres fällt – zumindest nicht im statistischen Modell. Diese Annahme ist bei Fußball natürlich eine Vereinfachung, aber sie funktioniert überraschend gut.

Anwendung auf Fußballergebnisse

Mein erster ernsthafter Versuch mit Poisson war ein Bundesliga-Wochenende im Herbst 2019. Ich hatte die durchschnittlichen Heim- und Auswärts-Tore aller Mannschaften berechnet und wollte testen, ob meine Modell-Quoten von den Buchmacher-Quoten abwichen. Das Ergebnis: Bei drei von neun Spielen sah ich einen deutlichen Value – und zwei davon gingen tatsächlich auf.

Die Grundidee funktioniert so: Jede Mannschaft hat eine durchschnittliche Offensivstärke und eine durchschnittliche Defensivschwäche. Wenn Mannschaft A zu Hause gegen Mannschaft B spielt, kombiniere ich die Angriffsstärke von A mit der Abwehrschwäche von B, um die erwarteten Tore für A zu berechnen. Dasselbe mache ich umgekehrt für B. Diese zwei Zahlen – sagen wir 1,6 für die Heimmannschaft und 1,1 für die Gäste – stecke ich in die Poisson-Formel.

Aus den einzelnen Torwahrscheinlichkeiten lässt sich dann eine komplette Ergebnismatrix erstellen. Die Wahrscheinlichkeit für ein 2:1 ist einfach: P(Heim = 2 Tore) multipliziert mit P(Gast = 1 Tor). Alle Kombinationen zusammenaddiert ergeben die Wahrscheinlichkeiten für Heimsieg, Unentschieden und Auswärtssieg. In den Top-Ligen liegt der Heimsieg-Anteil bei etwa 46% und die Remis-Quote zwischen 24% und 28% – Werte, die Poisson-Modelle konsistent reproduzieren können.

Der praktische Vorteil: Ich habe plötzlich eigene Quoten, die ich mit den Buchmacher-Quoten vergleichen kann. Wenn mein Modell sagt, ein Unentschieden hat 28% Wahrscheinlichkeit, der Buchmacher aber Quote 4.20 anbietet – was einer impliziten Wahrscheinlichkeit von nur 24% entspricht – habe ich einen potenziellen Value Bet identifiziert.

Schritt-für-Schritt-Berechnung

Ich zeige dir jetzt meinen exakten Workflow, den ich für jedes Bundesliga-Spiel durchlaufe. Keine schwarze Magie, nur systematisches Rechnen.

Schritt eins: Liga-Durchschnitte ermitteln. Ich schaue mir an, wie viele Tore im Schnitt pro Spiel fallen – in der Bundesliga typischerweise etwa 2,8 bis 3,0. Davon fallen im Schnitt etwa 1,5 bis 1,6 Tore für die Heimmannschaft und 1,2 bis 1,3 für die Gäste. Diese Zahlen sind meine Baseline.

Schritt zwei: Angriffsstärke und Abwehrstärke jeder Mannschaft berechnen. Die Angriffsstärke der Heimmannschaft ist ihr Tore-Durchschnitt zu Hause geteilt durch den Liga-Durchschnitt der Heimtore. Wenn Bayern zu Hause im Schnitt 2,4 Tore schießt und der Liga-Durchschnitt bei 1,55 liegt, hat Bayern eine Angriffsstärke von 2,4 / 1,55 = 1,55. Analog berechne ich die Defensivstärke: Wie viele Tore kassiert die Mannschaft verglichen mit dem Liga-Durchschnitt?

Schritt drei: Erwartete Tore für das konkrete Spiel berechnen. Die erwarteten Heimtore sind: Liga-Durchschnitt Heimtore x Angriffsstärke Heim x Defensivschwäche Gast. Bei Bayern gegen einen schwachen Gegner könnte das 1,55 x 1,55 x 1,3 = 3,1 erwartete Tore ergeben. Für die Gäste rechne ich entsprechend.

Schritt vier: Poisson-Wahrscheinlichkeiten berechnen. Mit einem λ von 3,1 für Bayern und λ von 0,8 für den Gegner berechne ich für jedes mögliche Ergebnis die Wahrscheinlichkeit. P(Bayern 2 Tore) = (3,1² x e^-3,1) / 2! = 0,223 oder 22,3%. Das mache ich für 0 bis 6 Tore für beide Mannschaften.

Schritt fünf: Ergebnismatrix aufstellen. In einer 7×7-Tabelle trage ich alle Kombinationen ein. Die Summe aller Felder, wo die Heimmannschaft mehr Tore hat, ergibt die Heimsieg-Wahrscheinlichkeit. Die Diagonale (0:0, 1:1, 2:2, usw.) ergibt die Unentschieden-Wahrscheinlichkeit.

Schritt sechs: Eigene Quoten berechnen und vergleichen. Wenn meine Remis-Wahrscheinlichkeit bei 18% liegt, ist meine faire Quote 1 / 0,18 = 5,56. Bietet ein Buchmacher 6,00 an, habe ich einen Edge von etwa 8%.

Grenzen des Poisson-Modells

Nach drei Jahren intensiver Nutzung kenne ich die Schwächen von Poisson genau. Das Modell hat mir viel gebracht, aber es ist kein Wunderwerkzeug.

Die erste große Einschränkung: Poisson behandelt die Tore beider Mannschaften als unabhängig voneinander. In der Realität stimmt das nicht ganz. Wenn eine Mannschaft früh in Führung geht, verändert sich die Spieltaktik – der Gegner öffnet sich, es fallen oft mehr Tore. Diesen dynamischen Aspekt fängt das statische Modell nicht ein.

Zweitens: Durchschnittswerte aus der Vergangenheit sind nicht die Zukunft. Verletzungen, Trainerwechsel, Formschwankungen – all das verändert die erwarteten Tore einer Mannschaft. Mein Modell basiert auf den letzten 10-15 Spielen, aber ein Team kann sich innerhalb von zwei Wochen komplett verwandeln. Die Pandemie hat das drastisch gezeigt: Als plötzlich ohne Zuschauer gespielt wurde, fiel der Heimvorteil in der Bundesliga zeitweise unter 17% Siege – ein historischer Tiefstand, den kein Poisson-Modell vorhergesagt hätte.

Drittens unterschätzt Poisson tendenziell Extreme. Sehr hohe Siege wie 5:0 oder 6:0 kommen in der Praxis seltener vor als das Modell vorhersagt, weil Teams nach klarer Führung oft einen Gang zurückschalten. Umgekehrt sind 0:0-Ergebnisse manchmal häufiger als erwartet, besonders bei defensiv eingestellten Mannschaften in wichtigen Spielen.

Was ich daraus gelernt habe: Poisson ist ein Ausgangspunkt, kein Endpunkt. Ich nutze die berechneten Wahrscheinlichkeiten als Basis und passe sie dann manuell an – basierend auf aktuellen Informationen, die das Modell nicht erfasst. Ein Team ohne seinen Torjäger? Die erwarteten Tore gehen um 0,3 bis 0,5 runter. Ein Abstiegsduell am letzten Spieltag? Die Remis-Wahrscheinlichkeit steigt, weil beide Teams auf Sicherheit spielen.

Poisson und xG – eine kraftvolle Kombination

Die spannendste Weiterentwicklung meiner Methode kam, als ich anfing, xG-Werte in meine Poisson-Berechnungen zu integrieren. Statt nur die tatsächlich geschossenen Tore zu verwenden, nehme ich die Expected Goals – also wie viele Tore eine Mannschaft basierend auf ihren Chancen hätte schießen „sollen“.

Der Vorteil ist enorm. xG glättet die Zufallsschwankungen. Eine Mannschaft, die drei Spiele 0:0 gespielt hat, aber dabei jeweils xG von 2,0 produziert hat, ist offensiv viel stärker als die Nullen vermuten lassen. Umgekehrt warnt mich ein Team mit vielen Toren aber niedrigen xG-Werten vor einer bevorstehenden Korrektur.

Mein aktueller Workflow kombiniert beides: Die Grundstruktur bleibt Poisson, aber die Inputdaten – die erwarteten Tore pro Mannschaft – basieren auf xG-Durchschnitten statt auf tatsächlichen Toren. Das Ergebnis ist ein robusteres Modell, das weniger anfällig für zufällige Ausreißer ist.

Häufig gestellte Fragen