Ein Poisson-Modell schätzt für jedes Team eine erwartete durchschnittliche Torzahl und leitet daraus eine Wahrscheinlichkeitsverteilung über alle möglichen Ergebnisse ab — nicht ein einzelnes Ergebnis. Es setzt voraus, dass Tore unabhängig voneinander in einem konstanten Rhythmus fallen — zwei Annahmen, die der Fußball nur annähernd erfüllt. xG (Expected Goals) fließt als Eingangsgröße in solche Modelle ein, nie als Ergebnis. Die resultierende Verteilung bleibt eine Schätzung, die gegen eine Quote geprüft werden muss, welche ihrerseits eine Marge und die Markterwartung enthält.
Das Wichtigste in ein paar Sekunden
Ein Poisson-Modell schätzt eine durchschnittliche Torzahl pro Team und leitet daraus eine Wahrscheinlichkeit für jedes mögliche Ergebnis ab. xG fließt oft vorgelagert als Eingangsgröße in solche Modelle ein. Das Ergebnis ist eine Verteilung — nie ein einzelnes Ergebnis, nie eine Prognose.
Drei Ideen tragen die ganze Seite:
- das Modell setzt voraus, es stellt nicht fest — Unabhängigkeit der Tore und konstantes Tempo sind Näherungen, keine Gesetze des Fußballs;
- xG fließt ins Modell ein, es kommt nicht daraus hervor — es misst die Chancenqualität, keine Vorhersage;
- eine Verteilung ist keine Quote — beide zu vergleichen setzt voraus, die Quote zuerst in eine Wahrscheinlichkeit umzurechnen, Marge eingeschlossen.
„Ein statistisches Modell liefert das genaue Ergebnis des Spiels."
Ein Poisson/xG-Modell weist jedem möglichen Ergebnis eine Wahrscheinlichkeit zu. Im Fußball übersteigt selbst das wahrscheinlichste Ergebnis einer realistischen Verteilung selten 15 bis 20 % Wahrscheinlichkeit: Der Großteil der denkbaren Ergebnisse teilt sich den Rest.
Was ist ein Poisson-Modell im Fußball?
Ein Poisson-Modell weist jedem Team eine erwartete durchschnittliche Torzahl für ein Spiel zu und berechnet daraus allein die Wahrscheinlichkeit für 0, 1, 2, 3 oder mehr Tore. Die Kombination beider Verteilungen, eine pro Team, ergibt eine Wahrscheinlichkeit für jedes genaue Ergebnis — 1:0, 2:1, 0:0 — und, durch Summierung, eine Wahrscheinlichkeit für jeden Ausgang des 1X2- oder Over/Under-Marktes.
Das Prinzip geht auf Maher (1982) zurück, den Ersten, der diesen Ansatz für den Fußball formalisierte und seine statistische Gültigkeit an echten Ligadaten testete. Seine Schlussfolgerung enthielt schon beide Seiten der Geschichte: Ein unabhängiges Poisson-Modell beschreibt die beobachtete Ergebnisverteilung recht gut, mit identifizierbaren systematischen Abweichungen statt bloßem Rauschen.
Das Modell bleibt einfach zu beschreiben, was seine Langlebigkeit erklärt: Zwei Tordurchschnitte genügen, um eine vollständige Verteilung über alle Ausgänge eines Spiels zu erzeugen. Seine Einfachheit ist zugleich seine Grenze — sie beruht auf Annahmen, die man kennen sollte, bevor man ein Ergebnis dieser Art von Modell liest.
Welche Annahmen setzt die Poisson-Verteilung voraus?
Zwei Annahmen tragen das gesamte Modell: die Unabhängigkeit der Tore untereinander und ein konstanter Torrhythmus über das gesamte Spiel. Keine der beiden ist im Fußball strikt wahr — die Frage ist, wie weit sie abweichen und was diese Abweichung ändert.
| Modellannahme | Was sie voraussetzt | Was die Daten zeigen |
|---|---|---|
| Unabhängigkeit der Tore | Die Torzahl eines Teams hängt nicht von der des anderen ab | Schwache, aber gemessene Korrelation zwischen beiden — laut Maher (1982) nahe 0,2 |
| Konstantes Tempo | Die Torwahrscheinlichkeit ist in Minute 5 dieselbe wie in Minute 85 | Das Tempo variiert mit dem aktuellen Spielstand (ein zurückliegendes Team greift mehr an, ein führendes kann das Tempo drosseln) |
| Feste Teamstärke | Angriffs-/Abwehrstärke ändert sich während des Spiels nicht | Platzverweise, Verletzungen und taktische Wechsel verändern die reale Stärke im Spielverlauf |
| Kontextunabhängige Ergebnisse | Jedes Spiel wird isoliert betrachtet | Terminkalender, Bedeutung und Ermüdung beeinflussen das reale Tempo, was der Tordurchschnitt allein nicht erfasst |
Die von Maher gemessene Korrelation zwischen den Toren beider Teams ist nicht null, bleibt aber schwach — in der Größenordnung von 0,2. Genau diese Lücke wollten Dixon und Coles (1997) fünfzehn Jahre später korrigieren, indem sie einen Abhängigkeitsparameter hinzufügten, der die Wahrscheinlichkeit enger Ergebnisse (0:0, 1:0, 0:1, 1:1) anpasst — jener, die ein streng unabhängiges Poisson-Modell am schlechtesten abbildet. Ihre Arbeit hat einen zweiten, seltener zitierten Beitrag: Sie testeten sie direkt gegen Buchmacher-Quoten, um zu prüfen, ob das korrigierte Modell auf dem englischen Markt der Mitte der 1990er Jahre ausnutzbare Preislücken identifizierte.
Annahme und Tatsache sind nicht dasselbe. Eine Modellannahme ist eine vereinfachende Entscheidung, getroffen, um die Berechnung möglich zu machen. Eine Tatsache ist das, was die Daten zeigen, sobald das Modell an ihnen geprüft wird. Ein Poisson/xG-Modell sinnvoll zu nutzen beginnt damit, zu wissen, welche seiner Annahmen beim betrachteten Spiel am meisten Abweichung trägt.
xG, eine Eingangsgröße des Modells
Expected Goals (xG) messen die Qualität der erzeugten Torchancen, anhand ihrer Position, ihrer Entstehung und des Kontexts der Aktion. Als Eingangsgröße genutzt, ergeben sie einen stabileren Tordurchschnitt als ein einfacher Durchschnitt erzielter Tore, der von Match zu Match anfällig für Schwankungen der Chancenverwertung ist.
Diese Verwendung ordnet xG präzise in die Kette ein: Es fließt in den Eingangsparameter eines Poisson-Modells ein, es ist nie dessen Ausgabe. Ein Team kann über mehrere aufeinanderfolgende Spiele einen hohen xG-Wert aufweisen, ohne dass das Modell, das ihn nutzt, einen sicheren Sieg liefert — xG informiert einen Durchschnitt, es hebt keine der Annahmen auf, die an das Modell geknüpft sind, das ihn danach verwendet.
Der vollständige Fußball-Blickwinkel — xG, Form, Spielindikatoren und warum sich Fußball der Modellierung besonders widersetzt — wird ausführlich vom Ratgeber zur KI im Fußball behandelt.
xG, Formdaten und Modelle im Fußball →
Die Verteilung mit dem Markt abgleichen
Eine Wahrscheinlichkeitsverteilung aus einem Modell und eine Buchmacher-Quote beantworten zwei unterschiedliche Fragen, und sie zu verwechseln bedeutet, eine Berechnung mit einem Preis zu vergleichen. Die Quote enthält eine Schätzung, aber auch eine Marge und die mit bereits erhaltenen Einsätzen verbundene Exposition — zwei Elemente, die kein Poisson-Modell erfasst.
Um beide auf gemeinsamer Basis zu vergleichen, muss man die Quote in eine implizite Wahrscheinlichkeit umrechnen und dann die Modell-Wahrscheinlichkeit für denselben Ausgang danebenstellen. Übersteigt die Modellschätzung das, was die Quote verlangt, lässt sich die Lücke als eine faire Quote lesen, die vom angezeigten Preis abweicht — ein Signal, das man hinterfragen sollte, nie eine Gewissheit, da die Lücke ebenso gut eine Schwäche des Modells wie eine Ineffizienz des Marktes offenbaren kann.
Genau diese Frage stellten Dixon und Coles 1997: Identifiziert ein besser spezifiziertes Modell Preislücken, die den Kontakt mit einem realen Markt überstehen? Ihre Antwort, positiv auf ihrer ursprünglichen Stichprobe, verallgemeinert sich nicht automatisch — ein Wettmarkt passt sich an, und eine in einer Saison identifizierbare Lücke kann sich in der nächsten schließen, sobald andere Akteure sie ausnutzen.
Der Over/Under-Markt, der sich direkt auf eine Gesamttorzahl bezieht, ist derjenige, bei dem eine Poisson-Verteilung am unmittelbarsten auf einen Preis trifft.
Der Totalmarkt, und wie er abgerechnet wird →
Was ein Poisson/xG-Modell erlaubt — und was nicht
Drei Ebenen, die man nie verwechseln sollte.
- Was es zu tun erlaubt — zwei Tordurchschnitte zu einer vollständigen Verteilung über alle möglichen Ergebnisse kombinieren, und jeden Marktausgang auf dieser Verteilung verorten.
- Was es zu schätzen erlaubt — eine Wahrscheinlichkeit pro Ergebnis oder Ausgang, mit einer Fehlerspanne, die direkt davon abhängt, wie gut die Annahmen der Unabhängigkeit und des konstanten Tempos beim betrachteten Spiel zutreffen.
- Was es nie zu folgern erlaubt — das Ergebnis des Spiels, nicht einmal den wahrscheinlichsten Ausgang als feststehendes Resultat. Die bereits im KI-Fußball-Ratgeber der Seite zitierte Übersicht von Bunker und Susnjak hält fest, dass Fußball wegen seiner niedrigen Torzahl zu den am schwersten zu modellierenden Sportarten zählt.
Eine praktische Folge dieser letzten Grenze: Die Qualität eines Modells an einem einzigen Spiel zu beurteilen, ergibt statistisch keinen Sinn. Es braucht eine Historie, und wie viele Daten nötig sind, damit sie interpretierbar wird, hängt von identifizierbaren Parametern ab.
Wovon die nötige Datenmenge abhängt →
Verantwortungsvolles Spielen — ein Modell beseitigt das Risiko nicht. Sportwetten bergen ein finanzielles Verlustrisiko und stellen laut der Autorité nationale des jeux (der französischen Glücksspielaufsicht) das höchste individuelle Risiko für problematisches Spielverhalten unter den regulierten Glücksspielaktivitäten dar. Eine von einem Modell erzeugte Wahrscheinlichkeitsverteilung macht keine Wette risikofrei. Setz dir ein Budget, versuche nicht, Verluste auszugleichen, und nutze die verfügbaren Limitierungs- oder Selbstausschluss-Tools. Mehr über verantwortungsvolles Spielen erfahren.
Wie sich OddScore zu diesen Modellen verhält
OddScore baut kein Score-Modell und veröffentlicht keine Wahrscheinlichkeitsverteilung. Die Plattform sammelt die Quoten mehrerer Buchmacher, rechnet sie in implizite Wahrscheinlichkeiten um, zieht die in jeden Preis eingebaute Marge ab und verfolgt deren Entwicklung bis zum Anpfiff.
Was das praktisch bedeutet: Ein Poisson/xG-Modell und eine Marktlesart beantworten zwei verwandte, aber unterschiedliche Fragen — das eine schätzt eine Verteilung aus Tordurchschnitten, das andere liest, was mehrere Anbieter gemeinsam über einen Ausgang denken, Preis für Preis. Beide können sich gegenseitig erhellen; keines ersetzt das andere, und keines von beiden ist eine Prognose.
Welche Rolle eine Quote innerhalb einer umfassenderen Analyse spielt — als eine Information unter anderen, nie als Antwort — behandelt ausführlich der Ratgeber, der Quoten und Prognosen verbindet.
Eine Quote in eine Analyse einbauen, ohne sie abzuschreiben →
Den Markt erkunden
Quotenbewegungen sind nur ein Teil der Geschichte. Hier sind die nächsten Themen zum Weiterlesen.
Sportwetten-Prognosen: analysieren, bevor du wettest
Der komplette Ratgeber des Clusters: Daten, Quoten, Verlässlichkeit, Verzerrungen und die Rolle der KI.
Ratgeber lesenFußball-Prognosen und künstliche Intelligenz
xG, Formdaten und Modelle im Fußball.
Zur Fußball-AnwendungImplizite Wahrscheinlichkeit: aus einer Quote berechnen
Die Formel, um von einer Quote zur impliziten Wahrscheinlichkeit zu gelangen.
Quote umrechnenFaire Quote: von der geschätzten Wahrscheinlichkeit zur Quote
Von einer Modell-Wahrscheinlichkeit zu einer fairen Quote.
Faire Quote berechnenOver/Under: der Totalmarkt
Der Markt, den diese Art von Verteilung am direktesten bewertet.
Zum MarktDie Grenzen von KI-Prognosen
Unvollständige Daten, Blackbox, Übervertrauen in eine präzise Zahl.
Grenzen ansehenWie viele Wetten, bevor man eine Performance beurteilt?
Wovon die nötige Datenmenge abhängt.
Zur MethodeHäufige Fragen
Was ist ein Poisson-Modell im Fußball?
Ein statistisches Modell, das für jedes Team eine erwartete durchschnittliche Torzahl schätzt und daraus die Wahrscheinlichkeit für 0, 1, 2, 3 oder mehr Tore berechnet. Es liefert eine Verteilung von Ergebnissen, kein einzelnes Ergebnis.
Sind xG und die Poisson-Verteilung dasselbe?
Nein. xG misst die Qualität der erzeugten Torchancen während eines bereits gespielten oder laufenden Spiels. Die Poisson-Verteilung ist ein Wahrscheinlichkeitsmodell, das vor einem Spiel einen Tordurchschnitt (aus xG abgeleitet oder nicht) als Eingangsparameter nutzen kann.
Warum folgt der Fußball nicht exakt einer Poisson-Verteilung?
Weil seine zwei zentralen Annahmen — Unabhängigkeit der Tore und konstanter Rhythmus über 90 Minuten — nur näherungsweise gelten. Tore innerhalb eines Spiels sind leicht korreliert, und das Spieltempo ändert sich mit dem aktuellen Spielstand.
Kann ein Poisson/xG-Modell ein genaues Ergebnis vorhersagen?
Nein. Es weist jedem möglichen Ergebnis eine Wahrscheinlichkeit zu, und selbst das wahrscheinlichste Ergebnis bleibt innerhalb der Verteilung eine Minderheit. Ein Modell, das ein einzelnes Ergebnis liefern würde, wäre kein Wahrscheinlichkeitsmodell mehr.
Wie vergleicht man ein statistisches Modell mit einer Buchmacher-Quote?
Indem man die Quote in eine implizite Wahrscheinlichkeit umrechnet und diese mit der vom Modell berechneten Wahrscheinlichkeit für denselben Ausgang vergleicht. Eine Abweichung sollte zuerst das Modell in Frage stellen, bevor sie den Markt in Frage stellt.
Nutzen Buchmacher diese Art von Modell?
Varianten des Poisson-Modells gehören zu den historischen Werkzeugen der Sportquotierung, neben anderen Methoden. Sie erklären allein keinen angezeigten Preis, der auch Marge und Exposition des Betreibers enthält.
Liefert OddScore Prognosen?
Nein. OddScore vergleicht die Quoten mehrerer Buchmacher, zieht die Marge ab und verfolgt ihre Entwicklung. Die Plattform veröffentlicht keine Wettauswahl und gibt keine Einsatzempfehlung.
Quellen & Methodik
Diese Seite stützt sich auf die zwei grundlegenden Arbeiten zur Poisson-basierten Modellierung von Fußballergebnissen, auf die akademische Übersicht zur Vorhersage von Mannschaftssport-Ergebnissen, die bereits im KI-Fußball-Ratgeber der Seite zitiert wird, und auf den französischen Rechtsrahmen, veröffentlicht von der Autorité nationale des jeux (der französischen Glücksspielaufsicht).
- Die Annahmen des unabhängigen Poisson-Modells so übernehmen, wie sie von Maher (1982) formalisiert wurden, ohne sie zu vereinfachen.
- Die von Dixon und Coles (1997) eingeführte Korrelationskorrektur als akademische Antwort auf die Unabhängigkeitsgrenze darstellen, nicht als technisches Detail.
- xG stets als eine Eingangsgröße unter anderen behandeln, nie als Modellausgabe oder Ergebnis für sich.
- Eine vom Modell erzeugte Wahrscheinlichkeitsverteilung ausdrücklich von einer Marktquote unterscheiden, die Marge und kommerzielle Exposition einpreist.