Eigenes Wettmodell erstellen: der ehrliche Leitfaden

Was ein Wettmodell leisten muss

Ein Wettmodell sagt nicht „Heimsieg“, sondern „Heimsieg mit 52 %“. Erst der Vergleich mit der Quote entscheidet, ob eine Wette Sinn ergibt: Bei 52 % und einer Quote von 2,05 liegt der Erwartungswert bei 0,52 × 2,05 − 1 = +6,6 %, bei einer Quote von 1,85 bei −3,8 %.

Das klingt einfach, hat aber einen Haken: Die Quoten sind selbst eine sehr gute Prognose. Dein Modell muss also nicht nur gut sein, es muss besser sein als ein Markt, in dem Buchmacher, Datenfirmen und viele Profis dieselben Spiele bewerten. Und zwar um mehr als die Marge.

Schritt 1: Daten

• Ergebnisse und Quoten: Frei verfügbare Datensätze wie football-data.co.uk enthalten für viele Ligen Ergebnisse, Torschüsse und Quoten mehrerer Buchmacher, teils auch die Schlussquoten.
• Expected Goals (xG): beschreiben die Qualität der Chancen und schwanken weniger zufällig als Tore. Dafür gibt es öffentliche Statistikseiten und kostenpflichtige Datenanbieter.
• Zeitpunkt: Für jede Zahl musst du wissen, wann sie bekannt war. Eine Quote vom Freitag ist eine andere als die Schlussquote am Samstag.

Plane mindestens drei bis fünf Saisonen ein. Weniger Daten führen fast immer zu einem Modell, das die Vergangenheit auswendig lernt.

Schritt 2: Merkmale und Modell

Merkmale (englisch „features“) sind die Eingaben: Stärkewerte wie Elo, gleitende Durchschnitte von Toren oder xG, Heimvorteil, Ruhetage. Anfänger bauen oft 50 Merkmale ein. Besser sind wenige, die sich fachlich begründen lassen.

Für das Modell selbst reichen am Anfang drei bewährte Ansätze:

• Poisson-Tormodell: erwartete Tore je Team, daraus alle Ergebnisse. Schritt für Schritt im Ratgeber zur Poisson-Verteilung.
• Elo-Ratings: eine Stärkezahl je Team, die nach jedem Spiel angepasst wird.
• Logistische Regression: berechnet aus mehreren Merkmalen direkt Wahrscheinlichkeiten.

Excel reicht für Poisson und Elo. Für Regressionen und saubere Backtests ist Python mit pandas, statsmodels oder scikit-learn praktischer, weil du Schritte wiederholbar machst.

Schritt 3: Kalibrierung

Ein Modell ist gut kalibriert, wenn seine Prozente stimmen: Von allen Spielen, denen es 60 % gibt, sollten auch ungefähr 60 % so ausgehen. Das ist wichtiger als die Trefferquote, weil du mit Quoten rechnest, nicht mit Tipps. Walsh und Joshi (2024) fanden bei NBA-Daten, dass Modelle, die nach Kalibrierung ausgewählt wurden, beim Wetten deutlich besser abschnitten als Modelle, die nach Genauigkeit ausgewählt wurden.

Zwei gängige Maße:

• Brier-Score: mittlere quadrierte Abweichung. Sagst du 60 % und das Ereignis tritt ein: (0,60 − 1)² = 0,16. Tritt es nicht ein: (0,60 − 0)² = 0,36. Kleiner ist besser.
• Log-Loss: bestraft sehr selbstsichere Fehlprognosen besonders stark.

Der wichtigste Vergleich: Berechne dieselben Maße für die Wahrscheinlichkeiten aus den Quoten (Marge herausgerechnet, siehe faire Quoten berechnen). Ist dein Modell schlechter kalibriert als der Markt, brauchst du nicht weiterzumachen.

Schritt 4: Backtest und seine Fallen

Ein Backtest spielt dein Modell auf vergangenen Spielen durch. Er ist unverzichtbar und gleichzeitig die häufigste Quelle für Selbsttäuschung.

• Look-ahead-Bias: Das Modell nutzt Informationen, die zum Wettzeitpunkt noch nicht bekannt waren. Typisch sind Saison-Durchschnitte, die auch spätere Spiele enthalten, oder Schlussquoten, zu denen du nie hättest wetten können. Regel: Für jedes Spiel nur Daten von davor.
• Overfitting: Je mehr Varianten du testest, desto sicherer findet sich eine, die zufällig gut aussieht. Ein Beispiel: 100 Strategien ohne jeden Vorteil, je 500 Wetten zur Quote 2,00. Die Schwankung pro Strategie liegt bei rund ±4,5 %. Die beste der 100 zeigt allein durch Zufall eine Rendite von rund +11 %. Bailey und Kollegen (2014) beschreiben dieses Problem für Finanzmärkte, es gilt genauso für Wetten.
• Unrealistische Quoten: Die höchste Quote aller Buchmacher war oft nur kurz, nur bei einem nicht verfügbaren Anbieter oder nur für kleine Einsätze zu haben.
• Kosten vergessen: In Österreich verrechnen manche Buchmacher die Wettgebühr von 5 %. Ein Modell mit +3 % im Backtest liegt dann im Minus.

Die beste Abhilfe: Leg vorher fest, was du testest, halte die letzte Saison bis zum Schluss zurück und prüf das fertige Modell genau einmal darauf.

Schritt 5: Messen gegen die Schlussquote

Gewinn und Verlust sind ein langsamer Maßstab. Bei Quoten um 2,00 schwankt das Ergebnis pro Wette um etwa ±100 % des Einsatzes. Nach n Wetten liegt die Unsicherheit der Rendite bei rund 1/√n:

• Nach 1.000 Wetten: ±3,2 % (eine Standardabweichung)
• Um einen echten Vorteil von 2 % mit zwei Standardabweichungen zu belegen, brauchst du rund 10.000 Wetten.

Schneller geht es mit dem Closing Line Value: Du vergleichst deine Quote mit der Schlussquote eines scharfen Buchmachers. Bekommst du regelmäßig bessere Quoten als den Schlusskurs, ist das ein frühes Zeichen, dass dein Modell Informationen vor dem Markt hat. Liegst du dauerhaft darunter, ist ein positiver Kontostand wahrscheinlich Glück. Hintergrund: Varianz bei Sportwetten.

Wie realistisch ist Erfolg?

Ehrlich: Es gibt keine verlässliche Statistik, wie viele private Modelle dauerhaft Gewinn bringen. Die Forschung spricht für wenige. Die Quoten großer Ligen gelten als ziemlich effizient. Hubáček, Šourek und Železný (2019) kamen mit maschinellem Lernen vor allem dann auf Gewinn, wenn sie ihr Modell bewusst weniger an den Buchmacher-Quoten ausrichteten. Kaunitz, Zhong und Kreiner (2017) wetteten erfolgreich mit einer Strategie, die Abweichungen vom Quoten-Durchschnitt nutzte, und berichten, dass Buchmacher ihre Konten danach innerhalb weniger Monate einschränkten.

Selbst ein Modell mit echtem Vorteil trifft also auf zwei Grenzen: die Varianz, die Monate an Minus erzeugen kann, und Limits, sobald ein Konto dauerhaft gewinnt. Das Modellbauen lohnt sich trotzdem als Lernprojekt: Du verstehst Quoten danach viel besser.

Die Alternative ohne Modell

Wenn du mit Sportwetten-Mathematik beginnst, gibt es einen einfacheren Einstieg: Surebets. Statt besser zu prognostizieren als der Markt, nutzt du Unterschiede zwischen den Quoten verschiedener Buchmacher und deckst alle Ausgänge ab. Ob deine Rechnung stimmt, siehst du sofort und nicht erst nach 10.000 Wetten. Risikolos ist das nicht: Quoten ändern sich, Wetten werden storniert, und auch hier limitieren Buchmacher erfolgreiche Konten. Aber du brauchst kein Modell, keinen Backtest und keine Prognose.

Häufige Fragen

Kann ich ein Wettmodell in Excel erstellen?

Ja. Ein Poisson-Tormodell oder Elo-Ratings lassen sich gut in Excel bauen. Für Regressionen, viele Daten und saubere Backtests ist Python mit pandas und scikit-learn praktischer, weil sich jeder Schritt wiederholen lässt.

Was ist Look-ahead-Bias im Backtest?

Das Modell nutzt Informationen, die beim Wetten noch nicht bekannt waren, zum Beispiel Saison-Durchschnitte mit späteren Spielen oder Schlussquoten, zu denen du nicht hättest wetten können. Der Backtest sieht dann besser aus, als es in der Praxis möglich wäre.

Wie viele Wetten brauche ich, um mein Modell zu prüfen?

Mehr, als die meisten denken. Bei Quoten um 2,00 liegt die Unsicherheit nach 1.000 Wetten noch bei rund 3 Prozentpunkten. Um einen Vorteil von 2 Prozent sicher zu belegen, braucht es etwa 10.000 Wetten. Der Vergleich mit der Schlussquote zeigt früher, ob ein Modell etwas taugt.

Wie viele private Wettmodelle sind langfristig profitabel?

Dazu gibt es keine verlässliche Statistik. Studien deuten auf wenige hin, weil die Quoten großer Ligen sehr effizient sind. Und wer dauerhaft gewinnt, muss mit Limits der Buchmacher rechnen.

Quellen

• Hubáček, O., Šourek, G. und Železný, F. (2019): Exploiting sports-betting market using machine learning. International Journal of Forecasting 35(2), 783–796.
• Walsh, C. und Joshi, A. (2024): Machine learning for sports betting: should model selection be based on accuracy or calibration? Machine Learning with Applications 16, 100539.
• Kaunitz, L., Zhong, S. und Kreiner, J. (2017): Beating the bookies with their own numbers, and how the online sports betting market is rigged. arXiv:1710.02824.
• Bailey, D. H., Borwein, J. M., López de Prado, M. und Zhu, Q. J. (2014): Pseudo-mathematics and financial charlatanism: the effects of backtest overfitting on out-of-sample performance. Notices of the American Mathematical Society 61(5), 458–471.
• Dixon, M. J. und Coles, S. G. (1997): Modelling association football scores and inefficiencies in the football betting market. Journal of the Royal Statistical Society, Series C 46(2), 265–280.
• football-data.co.uk: Ergebnisse und Quoten

Stand: Oktober 2026. Die Rechenbeispiele sind vereinfachte Illustrationen, keine Aussage über ein bestimmtes Modell.

Information, keine Wettberatung. Ab 18. Wetten ist mit Risiken verbunden, und kein Gewinn ist garantiert. Wenn Wetten keinen Spaß mehr macht, findest du Hilfe auf unserer Seite zum Spielerschutz.