xG Expected Goals für Wetten: Statistische Analyse richtig nutzen

Im Januar 2022 gewann ein Team sein Spiel 3:0. Dominanter Sieg, oder? Die xG-Statistik erzählte eine andere Geschichte: 0.8 xG für den Sieger, 2.1 xG für den Verlierer. Das „überlegene“ Team hatte drei Gelegenheiten von außerhalb des Strafraums verwandelt, der Gegner hatte den Pfosten getroffen, den Keeper überwunden und einen Elfmeter verschossen. Die Wahrheit lag nicht im Ergebnis, sondern in den Expected Goals.

xG – Expected Goals – hat das Sportwetten revolutioniert. Statt zu fragen „Wer hat gewonnen?“, frage ich heute „Wer hätte gewinnen sollen?“. Diese Verschiebung der Perspektive hat meinen ROI von mageren 2 Prozent auf solide 8 Prozent gehoben. Nicht durch Bauchgefühl, sondern durch Daten. Jakub Dobias, Gründer eines führenden Fußball-Analyse-Unternehmens, formuliert es so: Die Methode funktioniere hervorragend, vor allem wenn es darum gehe, zukünftige Ereignisse vorherzusagen. Das sei ihre größte Stärke.

Eine Studie über elf Bundesliga-Saisonen hat gezeigt, dass xG-basierte Wettmodelle einen ROI von 10-15 Prozent erzielen können. Das ist kein Zufall – das ist die Konsequenz aus besserer Information. Expected Goals messen, was auf dem Platz wirklich passiert, nicht das oft zufällige Ergebnis. Für den strategischen Wetter ist das Gold wert.

In diesem Artikel erkläre ich dir, was xG ist, wie du es für Wetten nutzt und wo die Grenzen liegen. Keine Mathematik-Vorlesung, sondern praktische Anwendung – so wie ich sie jeden Tag einsetze. Am Ende wirst du verstehen, warum xG der wichtigste Einzelfaktor in meiner Analyse ist – und wie du es für deine eigenen Wetten nutzen kannst.

Was sind Expected Goals?

Expected Goals – kurz xG – ist eine Metrik, die die Qualität einer Torchance bewertet. Nicht ob ein Tor gefallen ist, sondern wie wahrscheinlich es war, dass eines fällt. Ein Elfmeter hat einen xG-Wert von etwa 0.76 – er wird in 76 Prozent der Fälle verwandelt. Ein Kopfball aus 15 Metern hat vielleicht 0.03 xG – nur in 3 Prozent der Fälle ein Tor.

Die Summe aller xG-Werte in einem Spiel ergibt den Expected Goals eines Teams. Wenn Bayern in einem Spiel Chancen mit 0.2, 0.4, 0.8 und 0.15 xG hatte, liegt ihr Gesamt-xG bei 1.55. Sie hätten im Schnitt 1-2 Tore schießen sollen. Ob sie 0, 1 oder 3 geschossen haben, ist eine andere Frage – das hängt von Abschlussqualität, Torwartleistung und Glück ab.

Der Wert von xG liegt in der Objektivität. Tore sind zufälliger als die meisten glauben. Ein Team kann dominieren und trotzdem verlieren, weil der Stürmer einen schlechten Tag hat. Über ein Spiel hinweg sagt der Spielstand oft wenig. Über eine Saison hinweg korrelieren xG und Punkte stark – aber kurzfristig gibt es massive Abweichungen. Diese Abweichungen nutzen wir als Wetter.

Ein praktisches Beispiel: Ein Aufsteiger hat in den letzten fünf Spielen nur zweimal getroffen, aber einen xG-Wert von 7.5 erzielt. Das Team schießt unter seinem Niveau – statistisch ist eine Trendwende zu erwarten. Ein anderes Team hat viermal getroffen bei nur 2.1 xG – es überperformt, und die Regression zum Mittelwert ist wahrscheinlich. Diese Muster erkennst du nur mit xG.

xG ist nicht perfekt – dazu später mehr. Aber es ist das beste Werkzeug, das wir haben, um Spielqualität zu messen statt Ergebnissen hinterherzulaufen. Für einen strategischen Wetter ist das der entscheidende Unterschied. Während andere auf Tabellenstände schauen, schaust du auf die Chancenqualität – und siehst die Zukunft klarer.

Wie xG berechnet wird

Hinter jedem xG-Wert steckt ein Algorithmus, der auf historischen Daten trainiert wurde. Tausende von Torchancen wurden analysiert: Position auf dem Spielfeld, Winkel zum Tor, Distanz, Spielsituation, Körperteil des Schützen, Verteidigerdruck. Aus diesen Faktoren berechnet das Modell die Trefferwahrscheinlichkeit.

Die Kernfaktoren sind universell. Distanz zum Tor ist der stärkste Prädiktor – je näher, desto höher der xG. Winkel ist der zweitwichtigste – ein zentraler Schuss hat mehr xG als einer aus spitzem Winkel. Kopfbälle haben generell weniger xG als Schüsse mit dem Fuß. Ein Schuss nach einem Dribbling hat weniger xG als einer nach einem Pass, weil der Schütze weniger balanciert ist.

Moderne xG-Modelle gehen weiter. Jakub Dobias, dessen Team eines der führenden xG-Systeme entwickelt hat, erklärt: Sie integrieren zusätzlich den Einfluss der Zeit – wie viel Zeit der Spieler in der gegebenen Situation hatte, um abzuschließen. Das gebe einen weiteren Hinweis auf die Wahrscheinlichkeit, dass ein Tor hätte erzielt werden können. Je mehr Zeit, desto höher der xG – weil der Schütze sich besser positionieren und zielen kann.

Nicht alle xG-Modelle sind gleich. Einfache Modelle berücksichtigen nur Position und Distanz. Komplexe Modelle integrieren Verteidigerpositionen, Torwartposition, vorherige Aktionen im Spielaufbau. Die Unterschiede können signifikant sein – dieselbe Chance kann bei verschiedenen Anbietern zwischen 0.3 und 0.5 xG liegen. Für Wetten ist das relevant: Du solltest wissen, welches Modell du nutzt.

Wichtig zu verstehen: xG misst nicht Spielerqualität. Ein 0.1-xG-Schuss von Messi ist genauso 0.1 xG wie derselbe Schuss von einem Drittligisten. Ob Messi öfter trifft als der Durchschnitt, ist eine separate Frage – und tatsächlich tut er das. Aber das xG-Modell bewertet die Chance, nicht den Spieler.

xG als Wett-Werkzeug einsetzen

xG wird zum Wett-Werkzeug, wenn du es mit Quoten vergleichst. Die Frage ist immer: Spiegelt die Quote die tatsächliche Spielstärke wider, oder ist sie durch zufällige Ergebnisse verzerrt? xG hilft, diese Verzerrungen zu erkennen.

Der einfachste Ansatz: Vergleiche xG-Differenz mit Punkten. Ein Team mit +15 xG-Differenz nach zehn Spielen sollte etwa 18-20 Punkte haben. Hat es nur 12, ist es wahrscheinlich unterbewertet. Hat es 25, ist es überbewertet. Die Quoten werden die Punktzahl reflektieren, nicht die xG-Differenz – und genau dort liegt dein Edge.

Ein praktisches Beispiel aus meiner Erfahrung: Ein Mittelklasseteam hatte nach der Hinrunde 18 Punkte und stand auf Platz 14. Die Quoten für ihre Spiele spiegelten einen Abstiegskandidaten. Aber ihr xG zeigte: Sie hatten eine xG-Differenz von +3.5 – sie spielten wie ein Top-10-Team, hatten aber Pech bei der Verwertung. Ich setzte konsequent auf sie in der Rückrunde. Sie beendeten die Saison auf Platz 8. Die Quoten hatten die Realität nicht erkannt.

xG ist besonders wertvoll für Over/Under-Wetten. Ein Spiel zwischen zwei Teams mit hohen xG-Werten – beide über 1.5 xG pro Spiel im Schnitt – tendiert zu mehr Toren als der Markt oft einpreist. Umgekehrt: Zwei defensive Teams mit niedrigen xG-Werten werden wahrscheinlich ein torarmes Spiel liefern. Die Buchmacher schauen auf Ergebnisse, du schaust auf Chancenqualität.

Für Handicap-Wetten ist xG Gold wert. Wenn ein Favorit konstant hohe xG-Differenzen produziert – sagen wir +1.5 pro Spiel – ist ein asiatisches Handicap von -1 oft Value. Die Quoten basieren auf Ergebnissen, die xG-Daten zeigen die wahre Dominanz.

Ein weiterer Anwendungsfall: die Identifikation von „Glücks-Teams“ und „Pech-Teams“. Professionelle Wetter starten ihre Analyse oft mit der Frage: Wo liegt der größte Unterschied zwischen xG und tatsächlichen Toren? Diese Teams sind die besten Kandidaten für Value-Wetten, weil der Markt sie falsch einpreist.

Wichtig: xG allein ist nie die Antwort. Es ist ein Werkzeug unter vielen. Ich kombiniere xG mit Formkurve, direktem Vergleich, Heimvorteil und Kontextfaktoren. Aber xG ist das Fundament – alles andere baut darauf auf.

Forschungsergebnis: 11 Saisonen Bundesliga-Daten

Theorie ist gut, Daten sind besser. Eine umfassende Studie hat xG-basierte Wettmodelle über elf Bundesliga-Saisonen getestet. Das Ergebnis: Ein konsistenter ROI von 10-15 Prozent. Das ist keine marginale Verbesserung – das ist professionelles Niveau.

Die Studie, durchgeführt von dem Forscher Wilkens, verglich verschiedene Vorhersagemodelle. xG-basierte Ansätze übertrafen sowohl reine Ergebnis-Modelle als auch die impliziten Wahrscheinlichkeiten der Buchmacher. Der Grund: xG erfasst die tatsächliche Spielqualität, während Ergebnisse von Zufall überlagert sind.

Ein erfahrener Wett-Analyst beschreibt seine eigene Erfahrung so: In den drei Jahren seit seiner xG-Bekehrung habe sich sein ROI von mageren 2 Prozent auf solide 8,6 Prozent verbessert. Nicht durch fancy KI-Tools oder geheime Insider-Infos, sondern einfach dadurch, dass er gelernt habe, xG richtig zu lesen und die Fallen zu vermeiden. Diese persönliche Bestätigung deckt sich mit den akademischen Daten.

Wichtig: Die Studie zeigt auch, dass xG allein nicht reicht. Die besten Modelle kombinierten xG mit anderen Faktoren – Heimvorteil, Formkurve, direkte Vergleiche. xG ist ein Werkzeug, nicht eine Formel. Wer es blind anwendet, ohne Kontext zu berücksichtigen, wird enttäuscht.

Die 10-15 Prozent ROI sind ein Durchschnitt über viele Wetten. In einzelnen Monaten lagen die Ergebnisse zwischen -5 Prozent und +25 Prozent. Varianz bleibt Varianz, auch mit den besten Daten. Aber langfristig – und das ist der entscheidende Punkt – schlägt xG-basiertes Wetten sowohl Zufall als auch den Markt.

xG versus tatsächliche Ergebnisse

Der größte Denkfehler bei xG: zu glauben, dass xG das Ergebnis vorhersagt. Das tut es nicht – zumindest nicht für einzelne Spiele. xG zeigt, was hätte passieren sollen, basierend auf den Chancen. Was tatsächlich passiert, ist eine andere Geschichte.

Jakub Dobias erklärt die Varianz so: Innerhalb eines einzigen Spiels sei die Standardabweichung so groß, dass die Werte der erwarteten Tore und der tatsächlichen Tore erheblich voneinander abweichen könnten. Wenn also eine Mannschaft in einem Spiel 3 xG erreiche, bedeute das, dass sie mit hoher Wahrscheinlichkeit zwischen etwa 1,5 und 4,5 Tore hätte erzielen müssen. Diese Bandbreite ist enorm – und erklärt, warum einzelne Spiele so unvorhersehbar sind.

Die Stärke von xG liegt in der Aggregation. Ein Team, das über zehn Spiele 15 xG erzielt und 18 Tore geschossen hat, überperformt um 20 Prozent. Die Wahrscheinlichkeit, dass diese Überperformance anhält, ist gering. Regression zum Mittelwert ist fast sicher. Umgekehrt: Ein Team mit 15 xG und nur 10 Toren wird wahrscheinlich mehr treffen – seine Chancen sind gut, nur die Verwertung hinkt hinterher.

xG-Modelle übertreffen tatsächliche Ergebnisse als Prognose-Tool in 60-70 Prozent der Fälle bei größeren Stichproben. Das bedeutet: Wenn du zwischen „Wer hat die letzten Spiele gewonnen?“ und „Wer hatte die besseren xG-Werte?“ wählen musst, ist xG der bessere Indikator für zukünftige Leistung.

Eine praktische Regel: Ignoriere einzelne Ergebnisse, fokussiere auf xG-Trends über fünf bis zehn Spiele. Dort zeigt sich die wahre Spielstärke, bereinigt um Zufälle. Ein Team, das über diesen Zeitraum konstant gute xG-Werte liefert, ist ein besserer Kandidat als eines, das zufällig ein paar Spiele gewonnen hat.

Grenzen des xG-Modells

Ich liebe xG, aber ich bin nicht blind für seine Schwächen. Wer xG als Wundermittel behandelt, wird enttäuscht. Die Metrik hat klare Grenzen – und diese zu kennen ist genauso wichtig wie das Tool selbst.

Die erste Grenze: xG ignoriert Spielerqualität. Ein Elfmeter ist 0.76 xG, egal ob ihn ein Weltklassespieler oder ein Reservist schießt. In der Realität ist die Trefferwahrscheinlichkeit unterschiedlich. Manche Stürmer treffen konstant über ihrem xG – das ist keine Anomalie, das ist Können. Andere liegen immer darunter. Diese individuellen Unterschiede erfasst das Standardmodell nicht.

Die zweite Grenze: xG misst nur abgeschlossene Chancen. Ein Team, das den Ball 30 Mal in den Strafraum bringt, aber nie zum Abschluss kommt, hat null xG. Das sagt nichts über seine offensive Qualität aus – nur dass es im letzten Moment scheitert. Für eine vollständige Analyse brauchst du ergänzende Metriken wie xG-Buildup oder Progressive Passes.

Die dritte Grenze: Kontextfaktoren fehlen. xG weiß nicht, dass ein Team seinen Kapitän durch Verletzung verloren hat. Es weiß nicht, dass ein Trainer gerade gefeuert wurde. Es weiß nicht, dass ein Derby emotional aufgeladen ist. Diese Faktoren beeinflussen das Spiel – aber sie sind in xG unsichtbar.

Die vierte Grenze: Torsituation. xG bewertet Angriffe, nicht Verteidigung. Ein Team mit exzellentem Torhüter hat vielleicht niedrigere „Expected Goals Against“ als seine tatsächlichen Gegentore – weil der Keeper überperformt. Aber das xG-Modell für Gegner bemerkt das nicht. Du musst separat prüfen, ob ein Team über oder unter seinem xGA-Wert kassiert.

Trotz aller Grenzen: xG ist das beste Werkzeug, das wir haben. Die Schwächen zu kennen macht es wertvoller, nicht wertloser. Du weißt, wann du xG vertrauen kannst und wann du zusätzliche Informationen brauchst.

Wo du zuverlässige xG-Daten findest

Nicht alle xG-Quellen sind gleich gut. Die Modelle unterscheiden sich, die Datenqualität variiert, manche Anbieter aktualisieren langsamer als andere. Für seriöses Wetten brauchst du zuverlässige Daten – hier sind meine Empfehlungen.

Die großen Statistikportale bieten xG für alle wichtigen Ligen. Die Bundesliga, Premier League, La Liga, Serie A und Ligue 1 sind gut abgedeckt. Für kleinere Ligen wird die Datenlage dünn – ein wichtiger Faktor, wenn du dort nach Value suchst. Weniger Daten bedeuten weniger zuverlässige xG-Werte.

Achte auf die Modellunterschiede. Ein Anbieter mag die gleiche Chance mit 0.3 xG bewerten, ein anderer mit 0.45. Beide können methodisch korrekt sein – sie nutzen nur unterschiedliche Modelle. Für deine Analyse ist das weniger kritisch, solange du konsistent bei einem Anbieter bleibst. Vergleiche zwischen Anbietern sind problematisch.

Kostenlose Quellen reichen für den Einstieg. Sie bieten Spiel-xG, Team-xG über die Saison und oft auch Spieler-xG. Für fortgeschrittene Analyse – etwa Shot Maps, xG-Verlauf innerhalb eines Spiels, oder Pre-Shot-xG – brauchst du kostenpflichtige Dienste. Ob sich diese lohnen, hängt von deinem Wettvolumen ab.

Ein wichtiger Hinweis zur Datenaktualität: Manche Quellen aktualisieren ihre xG-Daten erst Stunden nach Spielende, andere innerhalb von Minuten. Für Pre-Match-Wetten ist das irrelevant. Aber wenn du Quoten für das nächste Spiel analysieren willst und das letzte Spiel gerade zu Ende ist, kann ein schneller Anbieter den Unterschied machen.

Die zweite Bundesliga und andere kleinere Ligen haben oft weniger granulare Daten. Hier sind die xG-Modelle weniger robust, weil weniger historische Daten für Training verfügbar sind. Sei vorsichtig, wenn du xG für Ligen außerhalb der Top-5 nutzt – die Zahlen sind weniger zuverlässig.

Ein praktischer Tipp: Erstelle ein Spreadsheet mit xG-Daten der letzten fünf Spieltage für deine Zielligen. Aktualisiere es wöchentlich. Dieser einfache Aufwand gibt dir einen Informationsvorteil gegenüber Wettern, die nur auf Ergebnisse schauen. Du siehst Trends, bevor sie sich in Punkten niederschlagen.

Praktischer Workflow: Von xG zur Wette

Genug Theorie – hier ist mein konkreter Workflow, den ich jede Woche durchlaufe. Keine komplizierte Software, keine teuren Tools. Nur systematische Arbeit mit frei verfügbaren Daten.

Schritt eins: Ich prüfe die xG-Daten beider Teams über die letzten fünf Heimspiele und fünf Auswärtsspiele. Nicht die Gesamtbilanz – die ist zu verzerrt von Heim/Auswärts-Unterschieden. Ich notiere xG für, xG gegen, und die Differenz zwischen tatsächlichen Toren und xG. Überperformer werden erkannt, Unterperformer auch.

Schritt zwei: Ich berechne eine erwartete xG-Differenz für das Spiel. Heimteam mit +0.8 xG-Differenz pro Heimspiel, Auswärtsteam mit -0.3 xG-Differenz pro Auswärtsspiel? Erwartete xG-Differenz: +1.1 für das Heimteam. Das ist eine grobe Schätzung, aber ein guter Startpunkt.

Schritt drei: Ich vergleiche meine Schätzung mit den Quoten. Wenn der Buchmacher den Heimsieg mit 1.90 anbietet (impliziert etwa 52 Prozent), aber meine xG-Analyse einen klaren Favoriten zeigt, habe ich möglicherweise Value. Ich nutze die xG-Differenz, um eine Wahrscheinlichkeit abzuschätzen – eine xG-Differenz von +1.1 entspricht grob einer 60-65 Prozent Siegwahrscheinlichkeit für das Heimteam.

Schritt vier: Ich prüfe Kontextfaktoren. Verletzungen, Sperren, Motivation, Derbysituation. xG allein reicht nicht – ich brauche das Gesamtbild. Wenn alles zusammenpasst, setze ich. Wenn nicht, warte ich auf das nächste Spiel.

Schritt fünf: Ich dokumentiere jede Wette mit meiner xG-basierten Schätzung und dem Ergebnis. Nach Monaten sehe ich, ob mein Workflow funktioniert – und wo ich mich systematisch täusche. Diese Dokumentation ist entscheidend für langfristigen Erfolg. Für mehr Details zur Integration von xG in dein Gesamtkonzept verweise ich auf meine umfassende Strategie-Anleitung.

Häufig gestellte Fragen