xG im Fußball: Expected Goals für präzise Wettprognosen nutzen
Expected Goals (xG) Modelle: Wichtigste Metrik für moderne Torwetten
xG Statistik Fußball hat in den letzten Jahren den Sprung von der Nischenmetrik zum Mainstream-Indikator geschafft. Sky, DAZN und die ARD-Sportschau blenden Expected-Goals-Werte inzwischen routinemäßig ein, und kein Taktik-Blog kommt ohne xG-Analysen aus. Aber was genau misst diese Zahl, wie wird sie berechnet? Und warum ist sie für Sportwetter so viel nützlicher als die bloße Torstatistik?
Expected Goals quantifizieren die Qualität von Torchancen. Nicht ob ein Tor gefallen ist, sondern wie wahrscheinlich es war, dass aus einem bestimmten Schuss ein Tor entsteht — basierend auf historischen Daten aus Hunderttausenden vergleichbarer Situationen. Ein Kopfball aus fünf Metern nach einer Flanke hat einen xG-Wert von 0,4 bis 0,6 — je nach Modell und Kontext. Ein Fernschuss aus 28 Metern liegt bei 0,02 bis 0,04. Die Summe aller Schüsse eines Teams in einem Spiel ergibt den xG-Wert — und dieser Wert sagt mehr über die tatsächliche Spielstärke aus als das Ergebnis auf der Anzeigetafel.
Tore vorhersagen mit Daten — das ist das Versprechen von xG. Nicht jedes Tor, nicht jedes Spiel, aber über eine Serie von Partien hinweg liefert xG ein genaueres Bild der Offensive und Defensive einer Mannschaft als jede andere öffentlich verfügbare Metrik. Für Wetter ist das Gold wert, weil die Quoten der Buchmacher letztlich auf Wahrscheinlichkeiten basieren — und xG hilft, diese Wahrscheinlichkeiten unabhängig zu überprüfen.
Wie xG berechnet wird — Modell, Daten und Anbieter
Jeder Schuss auf ein Fußballtor lässt sich anhand bestimmter Merkmale bewerten. Die wichtigsten Variablen in einem xG-Modell sind die Entfernung zum Tor, der Winkel zum Tor, der Körperteil des Schützen (Fuß oder Kopf), die Art des vorherigen Zuspiels (Flanke, Steilpass, Dribbling), die Position und Anzahl der Verteidiger zwischen Schütze und Tor, sowie der Spielkontext — offenes Spiel, Konter oder Standardsituation.
Auf Basis historischer Daten — typischerweise Hunderttausende von Schüssen über mehrere Saisons und Ligen — berechnet ein statistisches Modell für jede Kombination dieser Merkmale die Wahrscheinlichkeit eines Tores. Die gängigsten Methoden sind logistische Regression, Random Forest und neuronale Netze. Die Ergebnisse der verschiedenen Anbieter unterscheiden sich leicht, weil jeder andere Variablen gewichtet und andere Trainingsdaten verwendet.
Die drei wichtigsten xG-Datenanbieter für den öffentlichen Gebrauch sind Opta (über FBref), StatsBomb und Understat. Opta liefert die Basisdaten für die meisten professionellen Anwendungen und versorgt auch Buchmacher und Medien mit den Grundlagen ihrer Quotenmodelle. StatsBomb hat ein eigenes, besonders detailliertes Modell entwickelt, das zusätzliche Kontextfaktoren wie den Druck auf den Schützen und die Position der Mitspieler einbezieht. Understat bietet kostenlose xG-Daten für die fünf europäischen Topligen und die russische Premier Liga — für Hobby-Tipper die zugänglichste und praktischste Quelle.
Die Unterschiede zwischen den Anbietern sind für die praktische Anwendung relevant. Bei einem Spiel mit vielen Fernschüssen können die xG-Werte von Opta und StatsBomb um 0,3 bis 0,5 auseinanderliegen — genug, um eine Wettentscheidung zu beeinflussen. Wer xG-Daten nutzt, sollte sich auf einen Anbieter festlegen und dessen Methodik kennen, statt die Werte verschiedener Anbieter zu mischen.
Laut dem DFL Wirtschaftsreport 2024/25 erzielten Bundesliga und 2. Bundesliga einen Gesamtumsatz von 6,33 Milliarden Euro — ein Rekord, der sich auch auf die Dateninfrastruktur auswirkt. Mit steigenden Umsätzen investieren die Ligen mehr in Datenerfassung und -verarbeitung. Die Bundesliga setzt auf das Tracking-System von Sportec Solutions, das Positionsdaten mit 25 Frames pro Sekunde liefert. Diese Daten fließen in die xG-Modelle ein und machen sie genauer als je zuvor. Bereits in der Saison 2022/23 hatte die Bundesliga laut dem damaligen DFL-Wirtschaftsreport Werbeeinnahmen von 1,12 Milliarden Euro erzielt — ein Teil dieser Erlöse finanziert die Datenpartnerschaften, die das xG-Ökosystem antreiben.
xG für Wetten nutzen — Über/Unter, Ergebnis und Torschützen
Die Anwendung von xG auf Sportwetten folgt einer klaren Logik: Wenn die tatsächlichen Ergebnisse einer Mannschaft systematisch von ihren xG-Werten abweichen, ist eine Korrektur wahrscheinlich. Ein Team, das über fünf Spiele hinweg nur drei Tore erzielt hat, aber einen kumulierten xG-Wert von 8,5 aufweist, schießt nicht plötzlich weniger gut — es hatte Pech. Die Quoten auf dieses Team werden den schwachen Ergebnissen folgen und den Torabschluss unterschätzen. Genau hier liegt der potenzielle Value für aufmerksame Tipper.
Für Über/Unter-Wetten ist xG der relevanteste Indikator. Wenn zwei Teams mit hohen xG-Werten aufeinandertreffen, ist die Wahrscheinlichkeit für Über 2.5 Tore höher als die tatsächlichen Ergebnisse der letzten Spiele vermuten lassen — vorausgesetzt, die Abweichung ist dem Zufall geschuldet und nicht einer strukturellen Veränderung im Spielstil.
Bei Ergebniswetten hilft xG ebenfalls, die Wahrscheinlichkeiten zu kalibrieren. Ein Team mit hohem xG-Wert, aber niedrigem Punkteschnitt, wird vom Markt typischerweise unterschätzt — der Buchmacher orientiert sich an den realen Ergebnissen, weil das die Mehrheit der Tipper tut. Die Quote auf seinen Sieg ist höher als sie sein sollte — weil der Markt auf Ergebnisse reagiert, nicht auf die zugrundeliegende Chancenproduktion. Wer xG-Daten nutzt, um solche Diskrepanzen systematisch zu identifizieren, hat einen Informationsvorsprung, der sich über viele Wetten hinweg auszahlt.
Auch bei Torschützenwetten lässt sich xG anwenden. Spieler mit hohem xG pro 90 Minuten, die zuletzt unterdurchschnittlich getroffen haben, sind statistische Kandidaten für eine Torserie. Umgekehrt sind Spieler, deren Torquote deutlich über ihrem xG liegt, Kandidaten für einen Leistungsabfall — die Regression zum Mittelwert greift früher oder später.
Grenzen von xG — was die Zahl nicht verrät
xG ist ein mächtiges Werkzeug, aber es hat blinde Flecken, die man kennen muss.
Erstens: xG misst die Qualität der Chance, nicht die Qualität des Schützen. Ein Schuss aus 16 Metern hat denselben xG-Wert, egal ob Erling Haaland oder ein Drittligaspieler schießt. Manche Anbieter haben deshalb erweiterte Modelle entwickelt — etwa xGOT (Expected Goals on Target), das die Platzierung des Schusses berücksichtigt — aber das Standard-xG-Modell ist blind für individuelle Qualität.
Zweitens: xG erfasst keine taktischen Veränderungen. Wenn eine Mannschaft ab der 70. Minute von offensiv auf destruktiv umschaltet, spiegelt sich das in den xG-Daten der ersten 70 Minuten nicht wider. Wer den Saisonschnitt nutzt, ohne den Kontext zu berücksichtigen, trifft falsche Schlüsse.
Drittens: xG hat ein strukturelles Problem mit Standardsituationen. Freistöße und Eckbälle werden in vielen Modellen als eigene Kategorie behandelt, aber die Modellgenauigkeit ist hier deutlich geringer als im offenen Spiel, weil die Variabilität höher ist, die Stichproben kleiner sind und die individuellen Fähigkeiten der Ausführenden eine überproportionale Rolle spielen.
Wer xG für Wetten nutzt, sollte die Metrik als einen wichtigen Baustein unter mehreren betrachten — nicht als alleinige Entscheidungsgrundlage. Die Kombination aus xG-Daten, taktischer Analyse, Verletzungsinformationen und Kontextwissen liefert die besten Ergebnisse. Die Zahl allein, ohne Verständnis für ihre methodischen Grenzen und Annahmen, führt zu einer Illusion von Präzision, die der Fußball mit seiner inhärenten Unvorhersehbarkeit schlicht nicht hergibt.