Expected Goals (xG) für die Wettanalyse: Datenquellen und Anwendung
Available in US
In der Bundesliga endeten über 55 Prozent aller Spiele mit mehr als 2,5 Toren, in etwa 45 Prozent fielen weniger. Diese Verteilung ist kein Zufall – sie lässt sich mit Expected Goals modellieren und vorhersagen. Seit ich xG-Werte in meine Analyse integriert habe, hat sich mein Verständnis von Fußballwetten fundamental verändert.
Expected Goals messen, was hätte passieren sollen, nicht was passiert ist. Ein Team kann ein Spiel 1:0 gewinnen und trotzdem einen xG-Wert von 0.8 gegen 2.1 haben – das bedeutet, es hatte Glück. Über eine Saison gleicht sich Glück aus. Teams, die konstant unter ihrem xG scoren, werden regredieren. Diese Regression ist vorhersagbar – und damit wettbar.
Die 2. Bundesliga mit ihren durchschnittlich 3,02 Toren pro Spiel produziert genug Daten für sinnvolle xG-Analysen. Die Qualität der verfügbaren Daten ist allerdings geringer als für die Bundesliga, was sowohl Herausforderung als auch Chance ist. Wer die Datenlücken füllen kann, hat einen Informationsvorteil.
xG-Grundlagen: Was die Zahl bedeutet
Expected Goals berechnen die Torwahrscheinlichkeit jedes Schusses basierend auf historischen Daten. Ein Elfmeter hat einen xG von etwa 0.76 – in 76 Prozent aller Fälle geht er rein. Ein Schuss aus zwanzig Metern, zentral, hat vielleicht 0.05 – fünf Prozent Trefferquote. Die Summe aller Schuss-xG eines Spiels ergibt den Erwartungswert für die Toranzahl.
Die Berechnung berücksichtigt mehrere Faktoren: Distanz zum Tor, Winkel, Schussart – Kopf, Fuß, Volley, Direktabnahme – ob ein Verteidiger im Weg steht, wie der Ball kam – Flanke, Dribbling, Konter. Je mehr Faktoren ein Modell einbezieht, desto präziser wird es. Die einfachen öffentlichen Modelle nutzen nur Distanz und Winkel, die ausgefeilten deutlich mehr.
Wichtig ist der Unterschied zwischen xG und tatsächlichen Toren. Ein Team mit zehn Toren aus einem xG von 8.0 performt über Erwartung. Kurzfristig kann das Können sein – ein überragender Stürmer, eine effektive Chancenverwertung. Langfristig ist es fast immer Glück, das zurückschwingt. Diese Regression zur Mitte ist der Kern der xG-basierten Wettanalyse.
Das Gegenstück: Teams mit weniger Toren als erwartet. Sie hatten Pech, ihre Schüsse gingen knapp vorbei oder der Torwart parierte überragend. Diese Teams werden in Zukunft wahrscheinlich mehr Tore schießen – und ihre Quoten reflektieren das oft nicht vollständig.
Datenquellen für die 2. Liga
Die Datenlage für die 2. Bundesliga ist besser als für die meisten Zweitligen weltweit, aber schlechter als für die Bundesliga. Einige Anbieter liefern xG-Werte, aber nicht alle mit derselben Qualität. Mehr als 80 Prozent aller Bundesliga-Spiele enden mit mindestens zwei Toren – für die 2. Liga gibt es vergleichbare Daten, aber weniger Analysen.
Die kostenlosen Quellen bieten Basis-xG basierend auf Distanz und Winkel. Für einen ersten Überblick reicht das, aber die Nuancen fehlen. Ein Schuss nach einem perfekten Dribbling hat denselben xG wie ein Schuss unter Druck von drei Verteidigern – obwohl die tatsächliche Trefferwahrscheinlichkeit unterschiedlich ist.
Premium-Anbieter liefern detailliertere Modelle, aber die Kosten sind erheblich. Für Hobbyanalysten rechnet sich das selten. Mein Kompromiss: Ich nutze kostenlose Daten als Screening-Tool und investiere nur bei wichtigen Wetten Zeit in tiefere Recherche. Die Kombination aus breitem Überblick und selektiver Tiefe funktioniert gut.
Eine unterschätzte Quelle: Die Spielberichte der Vereine selbst. Viele Zweitligisten veröffentlichen nach Spielen xG-Werte oder zumindest Schussstatistiken. Diese offiziellen Daten sind oft zuverlässiger als externe Schätzungen. Ein kurzer Blick auf die Vereinswebsite nach dem Spiel liefert manchmal die besten Informationen.
Anwendung bei Wetten: Von der Zahl zur Entscheidung
Die einfachste Anwendung: Over/Under-Wetten. Ein Spiel zwischen zwei Teams mit jeweils hohem xG-Durchschnitt – über 1.5 pro Spiel – tendiert zu Over 2,5. Wenn beide Teams zudem unter ihrem xG scoren, ist die Regression fällig, und Over wird noch attraktiver. Die Quoten reflektieren solche Konstellationen oft nicht vollständig. Ich habe mit dieser simplen Strategie über mehrere Saisons konstant Gewinn gemacht.
Für 1X2-Wetten nutze ich xG als Gegencheck zur Tabelle. Ein Team auf Platz fünf mit xG-Werten eines Aufsteigers ist besser, als die Position vermuten lässt – und wird sich wahrscheinlich verbessern. Ein Team auf Platz drei, das konstant unter xG liegt, lebt von Glück, das nicht ewig hält. Diese Diskrepanzen zu wetten ist eine meiner erfolgreichsten Strategien.
Die Regression funktioniert in beide Richtungen. Teams mit positivem xG-Differenz – mehr erwartet als erzielt – werden mehr Tore schießen. Teams mit negativem xG-Differenz beim Gegner werden mehr Gegentore kassieren. Diese vier Faktoren – eigene Tore, erwartete Tore, Gegentore, erwartete Gegentore – ergeben zusammen ein Bild der wahren Stärke eines Teams.
Ein konkretes Beispiel aus der Praxis: Ein Team hat nach zehn Spieltagen fünf Tore bei einem xG von 9.5. Das ist eine massive Underperformance. Die Quoten auf dieses Team sind lang, weil die Tabelle schlecht aussieht. Aber die xG-Daten sagen: Dieses Team kreiert Chancen, es verwandelt sie nur nicht. Die Regression wird kommen, und wer vorher wettet, profitiert von den überhöhten Quoten.
Ein Warnhinweis: xG ist keine Kristallkugel. Manche Spieler haben dauerhaft bessere Abschlussqualität als der Durchschnitt – sie performen über xG, ohne zu regredieren. Manche Teams haben ein System, das konstant hochwertige Chancen kreiert. Die Kunst liegt darin, strukturelle Überperformance von Glück zu unterscheiden. Das erfordert zusätzliche Analyse, die über die reinen Zahlen hinausgeht.
xG als Teil des Werkzeugkastens
Expected Goals sind ein mächtiges Werkzeug, aber nur eines von vielen. Sie ersetzen nicht das Anschauen von Spielen, nicht die Analyse von Verletzungen und Sperren, nicht das Verständnis für Trainerphilosophien. Sie ergänzen diese klassischen Methoden um eine datenbasierte Perspektive, die oft überraschende Einsichten liefert.
Mein Workflow: Ich screene die 2. Liga wöchentlich auf xG-Auffälligkeiten. Teams mit großer Differenz zwischen Erwartung und Realität landen auf meiner Watchlist. Dann analysiere ich tiefer – was steckt dahinter? Ist es Pech, Können oder ein Faktor, den das Modell nicht erfasst? Erst wenn ich die Ursache verstehe, wette ich. Dieser disziplinierte Prozess hat meine Trefferquote deutlich verbessert.
Ein praktischer Tipp: Konzentrieren Sie sich auf extreme Abweichungen. Ein Team mit 0.2 xG-Differenz über zehn Spiele könnte Zufall sein. Ein Team mit 1.5 xG-Differenz ist fast sicher ein Kandidat für Regression. Die großen Abweichungen sind leichter zu identifizieren und zu handeln als die subtilen.
Die allgemeinen Wettstrategien für die 2. Liga profitieren von xG-Daten, aber sie ersetzen sie nicht. Der Heimvorteil, den xG-Modelle systematisch unterschätzen, bleibt real. Die Saisonphasen, die Emotionen, die lokalen Faktoren – all das erfasst kein Algorithmus. xG ist ein Werkzeug unter vielen, nicht der heilige Gral.
Expected Goals hat die Art verändert, wie wir über Fußball denken. Für Wetter bietet die Metrik wertvolle Einblicke, die über klassische Statistiken hinausgehen. In der 2. Bundesliga mit ihrer hohen Torquote und Varianz ist xG besonders nützlich, um echte Qualität von Glück zu unterscheiden. Wer xG richtig einsetzt, gewinnt einen analytischen Vorteil gegenüber Wettern, die nur auf Ergebnisse schauen. Die Kombination aus xG-Analyse und traditioneller Beobachtung liefert die besten Ergebnisse für fundierte Wettentscheidungen.
Gibt es kostenlose xG-Daten für die 2. Bundesliga?
Ja, mehrere Websites bieten kostenlose Basis-xG-Werte für die 2. Bundesliga an. Diese basieren meist auf einfachen Modellen mit Distanz und Winkel. Für tiefere Analysen mit mehr Faktoren sind Premium-Abonnements nötig, die für Hobbyanalysten selten rentabel sind.
Wie zuverlässig sind xG-Werte für Wettprognosen?
xG-Werte sind besonders zuverlässig für mittelfristige Prognosen. Über eine Saison gleichen sich Glück und Pech aus, und Teams nähern sich ihren erwarteten Werten an. Für einzelne Spiele ist die Varianz zu hoch, um xG als alleinige Grundlage zu nutzen.
Erstellt vom Redaktionsteam „Zweite Bundesliga Sportwetten”.
