Expected Goals (xG) für Bundesliga-Wetten – Das Datenmodell verstehen und anwenden
Available in US
Bevor ich xG entdeckt habe, war meine Wettanalyse eine Mischung aus Tabellenlesen und Bauchgefühl. Expected Goals haben das fundamental verändert – plötzlich konnte ich sehen, was die Ergebnisse nicht zeigten: welche Teams über ihren Verhältnissen leben und welche besser sind, als es die Tabelle vermuten lässt. Heute ist xG das Fundament meiner gesamten Bundesliga-Analyse. Nicht weil es perfekt ist, sondern weil es die beste verfügbare Annäherung an die tatsächliche Spielleistung liefert.
Was Expected Goals misst und wie der Wert entsteht
Expected Goals quantifizieren die Qualität von Torchancen. Jeder Schuss im Spiel erhält einen xG-Wert zwischen 0 und 1, basierend auf historischen Daten: Wie oft wurde aus einer vergleichbaren Position, mit vergleichbarem Winkel und vergleichbarer Entfernung zum Tor ein Treffer erzielt? Ein Elfmeter hat einen xG-Wert von etwa 0,76 – in 76 Prozent der Fälle ist er drin. Ein Fernschuss von 30 Metern hat vielleicht 0,03 xG – drei Prozent Trefferwahrscheinlichkeit.
Die Summe aller Schuss-xG-Werte eines Teams ergibt die Expected Goals für das gesamte Spiel. Wenn ein Team in einem Spiel auf 2,3 xG kommt, hätte es statistisch 2,3 Tore erzielen sollen. Hat es tatsächlich drei Tore geschossen, war es effizienter als erwartet. Hat es nur ein Tor geschossen, war es ineffizient oder der gegnerische Torwart hatte einen starken Tag.
Die Modelle berücksichtigen mehrere Faktoren: Schussposition, Winkel zum Tor, Spielsituation (offenes Spiel, Konter, Freistoß), Körperteil (Fuß, Kopf) und ob ein Dribbling vorausging. Was die meisten Modelle nicht berücksichtigen: die individuelle Qualität des Schützen und des Torwarts. Das ist eine bewusste Entscheidung, weil individuelle Qualität bereits in der Schussposition steckt – bessere Spieler schaffen sich bessere Chancen.
xG-Tabelle vs. reale Tabelle: Was die Abweichung verrät
Der analytisch wertvollste Vergleich in der Bundesliga ist der zwischen der tatsächlichen Tabelle und der xG-Tabelle. Die Bundesliga hat in der Saison 2024/25 einen Gesamtumsatz von 5,12 Milliarden Euro erwirtschaftet, und diese wirtschaftliche Tiefe spiegelt sich in der sportlichen Intensität wider – kleine Unterschiede in der Chancenverwertung können über Platzierungen und damit über Millionen entscheiden.
Teams, die in der realen Tabelle deutlich besser stehen als in der xG-Tabelle, leben gefährlich. Sie haben entweder einen überragenden Torwart, der die xG-Werte des Gegners systematisch unterbietet, oder sie sind in der Chancenverwertung überdurchschnittlich effizient. Beides lässt sich über eine ganze Saison nur selten aufrechterhalten. Für Wetter bedeutet das: Diese Teams werden in der Rückrunde häufig Punkte verlieren, und ihre Quoten sind noch nicht angepasst.
Umgekehrt sind Teams, die in der xG-Tabelle besser stehen als in der realen Tabelle, Kandidaten für eine Aufholjagd. Sie produzieren die Chancen, aber die Tore fallen nicht. Statistisch gleicht sich das über eine Saison aus – und der Markt unterschätzt diese Regression zum Mittelwert regelmäßig.
Ein Beispiel aus meiner eigenen Praxis: In der Hinrunde einer vergangenen Saison stand ein Mittelfeld-Team auf Platz 13, aber in der xG-Tabelle auf Platz 7. Die Quoten für ihre Rückrundenspiele waren auf Basis der realen Tabelle kalkuliert, nicht auf Basis der xG-Werte. Ich habe systematisch auf Heimsiege dieses Teams gewettet – und über acht Rückrunden-Spiele eine positive Rendite erzielt, weil die Regression zum Mittelwert eingetreten ist und die Ergebnisse sich den xG-Werten angeglichen haben.
xG in die Wettanalyse integrieren: Praktische Schritte
Mein Workflow für jede Bundesliga-Wette beginnt mit xG-Daten. Ich schaue mir die letzten fünf Spiele jedes Teams an und bilde den Durchschnitt der erzielten und zugelassenen xG. 90 Prozent aller Sportwetten in Deutschland entfallen auf Fußball, und die Bundesliga ist datenreich genug, um belastbare xG-Analysen zu ermöglichen.
Schritt eins: xG pro Spiel berechnen. Ein Team, das in den letzten fünf Spielen durchschnittlich 1,8 xG erzielt und 1,1 xG zugelassen hat, produziert einen Nettoüberschuss von 0,7 xG – ein starkes Team. Schritt zwei: Die xG-Werte beider Teams kombinieren, um eine erwartete Torverteilung für die kommende Partie zu berechnen. Schritt drei: Die erwartete Torverteilung mit den angebotenen Quoten vergleichen und Value identifizieren.
Der kritische Punkt: xG-Daten allein reichen nicht. Ich ergänze sie durch taktische Analyse (Hat der Trainer das System verändert?), personelle Faktoren (Fehlt der Hauptstürmer?) und kontextuelle Informationen (Ist es ein Derby?). xG liefert das Fundament, aber die Interpretation erfordert Fußballverständnis. Wer sich tiefer mit der Quotenanalyse beschäftigen will, findet bei den Bundesliga-Torwetten weitere praktische Anwendungen.
Grenzen von xG: Wo das Modell an seine Limits stößt
xG ist kein allwissendes Orakel, und wer es als solches behandelt, macht systematische Fehler. Drei Grenzen sollte jeder Nutzer kennen. Erstens: xG ignoriert individuelle Qualität. Ein Schuss von Robert Lewandowski aus 16 Metern hat denselben xG-Wert wie ein Schuss eines Reservisten aus derselben Position. In der Realität trifft Lewandowski häufiger – sein Karriere-xG-Überschuss von über 30 Prozent beweist das. Teams mit überragenden Stürmern können ihre xG-Werte dauerhaft überperformen.
Zweitens: xG erfasst keine Spielkontrolle. Ein Team kann 0,5 xG bei eigenem Ballbesitz erzeugen und 2,0 xG aus Kontern kassieren – die xG-Bilanz ist negativ, aber das Team hat das Spiel kontrolliert. Zusätzliche Metriken wie xPossession oder PPDA (Passes Per Defensive Action) ergänzen das Bild, werden aber selten in xG-Modelle integriert.
Drittens: xG-Modelle basieren auf historischen Durchschnittswerten. In ungewöhnlichen Spielsituationen – etwa einem Platzverweis in der 10. Minute, extremem Wetter oder einer komplett veränderten Aufstellung – liefern sie weniger verlässliche Prognosen. Die Modelle funktionieren am besten unter Standardbedingungen, und genau dort liegt ihr Wert für die Wettanalyse.
Häufige Fragen zu xG
Wo finde ich xG-Daten für Bundesliga-Spiele?
Mehrere frei zugängliche Plattformen veröffentlichen xG-Daten für die Bundesliga, darunter Understat, FBref und WhoScored. Für detailliertere Analysen bieten kostenpflichtige Dienste wie StatsBomb oder Opta erweiterte Datensätze mit zusätzlichen Metriken.
Ist xG allein ausreichend für eine Wettentscheidung?
Nein. xG liefert ein solides Fundament, muss aber durch taktische Analyse, personelle Faktoren und kontextuelle Informationen ergänzt werden. Teams mit überragenden Einzelspielern können ihre xG-Werte dauerhaft überperformen, und Spielsituationen wie Derbys oder Englische Wochen verändern die Dynamik jenseits der xG-Modelle.
Geschrieben von der Redaktion „Sportwetten Bundesliga”.
