xG: Die Metrik hinter modernen Fußballprognosen
Tore lügen manchmal. Expected Goals nicht. Ein Team gewinnt 1:0 mit einem abgefälschten Schuss aus zwanzig Metern, während der Gegner drei Großchancen aus fünf Metern vergeben hat. Das Ergebnis sagt: klarer Sieg. Die xG-Daten sagen: Das hätte anders ausgehen müssen. Für Wetter ist genau diese Diskrepanz zwischen Ergebnis und zugrundeliegender Leistung der Schlüssel zu profitablen Einschätzungen, denn die Tabelle spiegelt die Vergangenheit wider — xG zeigt, was die Zukunft wahrscheinlich bringt.
Expected Goals haben sich in den letzten Jahren von einer akademischen Kuriosität zum Standardwerkzeug der Sportanalytik entwickelt. Proficlubs, Medien und Wettanbieter nutzen xG-Daten routinemäßig, und wer als Wetter darauf verzichtet, verzichtet auf eine Informationsquelle, die nachweislich bessere Vorhersagen ermöglicht als traditionelle Statistiken wie Torschüsse oder Ballbesitz.
Trotzdem wird xG missverstanden. Dieser Artikel erklärt, was die Metrik tatsächlich misst, wie man sie für Bundesliga-Wetten einsetzt und wo ihre Grenzen liegen.
Was Expected Goals (xG) misst
xG bewertet die Qualität einer Torchance — nicht das Ergebnis. Jeder Schuss in einem Fußballspiel erhält einen xG-Wert zwischen 0 und 1, der die Wahrscheinlichkeit beschreibt, mit der dieser Schuss unter durchschnittlichen Bedingungen im Tor landet. Ein Elfmeter hat einen xG-Wert von etwa 0,76 — in 76 Prozent der Fälle wird ein Elfmeter verwandelt. Ein Kopfball aus dem Strafraum nach einer Flanke liegt bei 0,04 bis 0,08, ein Schuss aus der Distanz bei 0,02 bis 0,05. Die Summe aller xG-Werte eines Teams ergibt die erwartete Torzahl für das Spiel.
Die Berechnung basiert auf historischen Daten: Position des Schusses, Winkel zum Tor, Körperteil, Spielsituation (offenes Spiel, Konter, Freistoß, Eckball), Anzahl der Verteidiger zwischen Schütze und Tor und weitere Variablen. Je mehr Datenpunkte in das Modell einfließen, desto genauer die Vorhersage. Einfache xG-Modelle nutzen fünf bis zehn Variablen, fortgeschrittene Modelle wie die von StatsBomb oder Opta arbeiten mit über fünfzig. Die Unterschiede zwischen den Modellen sind real: Für dasselbe Spiel können verschiedene Anbieter xG-Werte liefern, die um 0,3 bis 0,5 differieren, was bei der Analyse berücksichtigt werden muss. Wer xG nutzt, sollte sich auf eine konsistente Quelle festlegen und nicht zwischen verschiedenen Modellen springen.
Entscheidend ist, was xG nicht berücksichtigt.
Der xG-Wert eines Schusses kennt nicht den Schützen. Er macht keinen Unterschied zwischen Harry Kane und einem Zweitliga-Stürmer — beide erhalten für denselben Schuss aus derselben Position denselben xG-Wert. Das ist eine bewusste Vereinfachung, die für Aggregatanalysen über viele Spiele und Spieler gut funktioniert, aber bei der Bewertung einzelner Spieler oder einzelner Situationen zu Ungenauigkeiten führen kann. Einige erweiterte Modelle — sogenannte xGOT-Modelle (Expected Goals on Target) — berücksichtigen zusätzlich die Platzierung des Schusses, sind aber weniger weit verbreitet.
xG für Wetten nutzen — so geht’s
Wenn ein Team 2,5 xG produziert aber nur 1 Tor schießt, erzählt die Tabelle nicht die Wahrheit. Das ist der Kernnutzen von xG für Wetter: Die Metrik identifiziert Teams, die über oder unter ihrem Leistungsniveau liegen. Ein Team, das systematisch weniger Tore erzielt als seine xG nahelegen, wird — statistisch gesprochen — korrigieren: Die Torquote wird sich dem xG-Wert annähern. Für Wetter bedeutet das: Die aktuellen Quoten, die auf den bisherigen Ergebnissen basieren, sind möglicherweise verzerrt.
Die praktische Anwendung folgt einem Dreischritt. Erstens: xG-Werte der letzten zehn Spiele beider Teams abrufen — offensive xG und defensive xG (also xG Against) separat betrachten, heim und auswärts getrennt. Zweitens: Die Differenz zwischen erwarteten und tatsächlichen Toren berechnen. Ein Team mit +0,8 xG-Differenz über zehn Spiele erzielt deutlich weniger Tore als erwartet und ist ein Kandidat für Over-Wetten und Siege in kommenden Partien. Drittens: Diese Einschätzung gegen die aktuelle Buchmacher-Quote halten und prüfen, ob Value vorliegt.
Die Bundesliga bietet dafür ideale Bedingungen. Das Datenangebot ist exzellent — Plattformen wie FBref, Understat oder WhoScored liefern xG-Daten kostenlos und aktuell —, und die Liga ist groß genug, um statistisch relevante Stichproben über eine Saison zu sammeln. Gleichzeitig ist die Bundesliga breit genug aufgefächert, dass Leistungsschwankungen zwischen den Teams deutlich ausfallen und xG-basierte Analysen klare Signale liefern.
Ein häufiger Anwendungsfall: die Over/Under-Wette. Wenn zwei Teams aufeinandertreffen, die beide eine hohe offensive xG-Produktion und eine hohe xG-Against-Zulassung aufweisen, ist Over 2,5 oder sogar Over 3,5 statistisch wahrscheinlicher, als die Quote suggeriert — besonders wenn die bisherigen Ergebnisse unterdurchschnittlich waren und eine Regression zum Mittelwert bevorsteht. Ebenso funktioniert der umgekehrte Fall: Wenn zwei defensivstarke Teams mit niedriger xG-Against aufeinandertreffen, unterschätzt der Markt gelegentlich die Under-Wahrscheinlichkeit, weil er den Ligadurchschnitt statt die spezifische Paarung als Basis nimmt.
Auch für die Dreiweg-Wette liefert xG verwertbare Signale. Ein Team, das über zehn Spiele hinweg eine positive xG-Differenz von +0,5 aufweist, aber fünf dieser Spiele verloren hat, ist wahrscheinlich besser als die Tabelle suggeriert — und die Quoten auf seine Siege bieten möglicherweise Value, den die Buchmacher auf Basis der realen Ergebnisse nicht eingepreist haben.
Grenzen und Missverständnisse bei xG
xG ist ein Werkzeug, kein Orakel. Die Metrik hat reale Grenzen, die man kennen muss, um sie sinnvoll einzusetzen. Erstens: xG ignoriert den Spielkontext. Ein Team, das bei 0:3-Rückstand in der 80. Minute drei Fernschüsse abgibt, produziert xG-Werte, die die tatsächliche Spielbalance verzerren — die Chancen entstanden aus Verzweiflung, nicht aus Überlegenheit. Professionelle Analysten filtern solche Situationen, aber die meisten öffentlich verfügbaren xG-Daten tun es nicht.
Zweitens: xG erfasst keine psychologischen Faktoren. Motivation, Trainerwechsel-Effekte, Derbystimmung — all das beeinflusst die Leistung eines Teams auf Weisen, die kein statistisches Modell abbilden kann. Wer sich ausschließlich auf xG verlässt und den sportlichen Kontext ignoriert, wettet mit einer blinden Stelle.
Drittens: Kleine Stichproben sind unzuverlässig. Nach drei Spieltagen sind xG-Daten statistisch nahezu wertlos — die Varianz ist zu hoch, um daraus belastbare Schlüsse zu ziehen. Ab dem zehnten Spieltag beginnen die Daten verlässlicher zu werden, und ab der Saisonmitte liefern sie robuste Grundlagen für Wettentscheidungen. Wer zu früh in der Saison auf xG-basierte Value-Wetten setzt, arbeitet mit einem Werkzeug, das noch nicht kalibriert ist. Eine pragmatische Lösung: In der Frühphase der Saison die xG-Daten des Vorjahres als Grundlage nehmen und schrittweise durch aktuelle Werte ersetzen, je mehr Spiele verfügbar sind.
Daten sehen, was Augen übersehen
xG macht dich nicht zum Experten. Aber es macht dich besser informiert. Die Metrik zeigt systematische Über- und Unterperformance, identifiziert Teams im Aufschwung bevor die Tabelle es tut, und liefert die Datengrundlage für Value-Einschätzungen, die über Bauchgefühl und Vereinstreue hinausgehen.
Wer xG als eines von mehreren Werkzeugen in seine Bundesliga-Analyse integriert — neben Formkurve, Kaderdaten und taktischer Einordnung —, hat einen Informationsvorsprung, der sich über eine Saison in besseren Wettentscheidungen und letztlich in besseren Ergebnissen niederschlägt. Wer xG als alleinseligmachende Wahrheit behandelt, wird ebenso enttäuscht wie derjenige, der es ignoriert.
Die Wahrheit liegt dazwischen. Wie so oft.