Expected Goals (xG) für Fußballwetten: Datenanalyse, die Quoten schlägt

Redaktion «Fußball Wetten Online» Juni 4, 2026 Lesezeit: 18 Min

Warum xG die wichtigste Kennzahl für datenbasierte Fußballwetten ist

Letztes Jahr habe ich eine Saison lang jede meiner Fußballwetten dokumentiert – Einsatz, Quote, Ergebnis und vor allem die xG-Werte beider Teams. Das Resultat nach 312 Wetten war eindeutig: Die Tipps, bei denen ich xG-Daten in meine Analyse einbezogen hatte, lieferten eine um 4,7 Prozentpunkte höhere Trefferquote als die, bei denen ich mich auf Bauchgefühl und Tabellenstände verlassen hatte.

Expected Goals – kurz xG – messen die Qualität von Torchancen. Nicht ob ein Tor gefallen ist, sondern wie wahrscheinlich es war, dass aus einem bestimmten Schuss ein Tor wird. Ein Kopfball aus 14 Metern nach einer Flanke hat einen anderen xG-Wert als ein Schuss aus fünf Metern nach einem Doppelpass durch die Mitte. Diese Unterscheidung klingt simpel, verändert aber grundlegend, wie du Fußballspiele für Wetten bewertest.

Die Bundesliga-Saison 2024/25 hat das anschaulich gezeigt. Teams wie der SC Freiburg übertrafen regelmäßig ihre xG-Werte, andere wie der VfL Bochum blieben dauerhaft darunter. Wer nur auf Ergebnisse schaut, sieht Tabellenplätze. Wer xG-Daten liest, sieht, welche Ergebnisse nachhaltig sind und welche auf Glück oder Pech basieren. Genau diese Lücke zwischen wahrgenommener Stärke und tatsächlicher Chancenqualität ist der Hebel, den datenbasierte Wetter nutzen.

Bevor wir in die technischen Details einsteigen: xG ist kein akademisches Konstrukt, das nur für Statistik-Nerds relevant wäre. Die Kennzahl hat sich in den letzten fünf Jahren vom Nischenwerkzeug zum Standardinstrument entwickelt – bei Vereinen, TV-Sendern, Analysten und professionellen Wettakteuren gleichermaßen. Sky und DAZN blenden xG-Werte mittlerweile routinemäßig ein, und selbst Trainer beziehen sich in Pressekonferenzen auf die Werte. Die Frage ist nicht mehr, ob xG relevant ist, sondern wie du es konkret für bessere Wettentscheidungen einsetzt. Und genau darum geht es in diesem Artikel – vom theoretischen Fundament bis zum konkreten 15-Minuten-Workflow vor dem Anpfiff.

Wie ein xG-Modell funktioniert: Vom Schuss zur Wahrscheinlichkeit

Stell dir vor, du stehst am Elfmeterpunkt. Die Wahrscheinlichkeit, von dort zu treffen, liegt bei etwa 0,76 – also einem xG von 0.76 pro Schuss. Jetzt stell dir vor, du stehst 30 Meter vom Tor entfernt, Winkel flach, drei Verteidiger im Weg. Da liegt der xG-Wert bei 0.02 oder weniger. Genau das berechnet ein xG-Modell für jeden einzelnen Torschuss in einem Spiel.

Die Grundlage sind historische Daten. Ein xG-Modell trainiert auf hunderttausenden von Schüssen und lernt, welche Faktoren die Torwahrscheinlichkeit beeinflussen. Die wichtigsten Variablen sind die Entfernung zum Tor, der Schusswinkel, die Körperposition und Orientierung des Schützen und die Art des Zuspiels – ob Flanke, Doppelpass, Freistoß oder Abpraller. Fortgeschrittene Modelle berücksichtigen zusätzlich die Positionierung der Verteidiger und die Geschwindigkeit des Spielaufbaus.

Was dabei herauskommt, ist ein Wert zwischen 0 und 1 für jeden einzelnen Schuss. Die Summe aller Schuss-xG-Werte eines Teams ergibt den Gesamt-xG des Spiels. Wenn Bayern München in einem Spiel auf einen xG von 2.8 kommt und der Gegner auf 0.7, hat Bayern deutlich mehr und bessere Chancen kreiert – unabhängig davon, ob das Spiel 1:0 oder 3:0 endete.

Ich erkläre xG gern mit einer Analogie aus dem Poker: xG ist wie der Erwartungswert einer Hand. Du kannst mit einem Paar Zweien einen Pot gewinnen, aber langfristig verlierst du damit Geld gegen bessere Hände. Genauso kann ein Team mit niedrigem xG ein Spiel gewinnen – aber über eine Saison hinweg setzt sich die Chancenqualität durch. Die Bundesliga-Tabelle korreliert stärker mit den kumulierten xG-Werten als mit den tatsächlich erzielten Toren der ersten zehn Spieltage.

Ein weiterer Aspekt, den viele unterschätzen: xG Against, also der erwartete Gegentreffer-Wert. Dieser misst die Qualität der Chancen, die ein Team zulässt. Ein Verein mit niedrigem xGA hat eine disziplinierte Defensive, die hochwertige Abschlüsse verhindert. Für Wetten auf Under-Märkte oder auf Zu-Null-Ergebnisse ist der xGA-Wert oft aussagekräftiger als die reinen Gegentore. Leverkusen kassierte in der Meistersaison 2023/24 zwar Gegentore, ließ aber deutlich weniger xGA zu als die meisten Konkurrenten – ein klares Zeichen für strukturelle defensive Stabilität, nicht für Torwart-Glück.

Was in der xG-Diskussion häufig fehlt, ist die Unterscheidung zwischen Pre-Shot-xG und Post-Shot-xG. Pre-Shot-Modelle berücksichtigen nur die Situation vor dem Schuss – Position, Winkel, Spielaufbau. Post-Shot-Modelle beziehen zusätzlich die Platzierung des Schusses ein, also ob der Ball in die Ecke oder zentral auf den Torwart geht. Für Wettanalysen sind Pre-Shot-Modelle in der Regel nützlicher, weil sie die Chancenqualität unabhängig von der individuellen Schussausführung messen. Post-Shot-xG ist dagegen aufschlussreich, wenn du die Abschlussqualität einzelner Spieler bewerten willst – etwa um einzuschätzen, ob ein Stürmer seine xG-Überperformance halten kann oder ob eine Regression zum Mittelwert wahrscheinlich ist.

Für die praktische Anwendung bei Fußballwetten hat sich in meiner Erfahrung eine Kombination bewährt: Team-xG auf Basis des Pre-Shot-Modells für die Grundanalyse, ergänzt durch die xG-Differenz zwischen Erwartetem und Erzieltem über die letzten zehn Spiele. Ein Team, das konstant mehr Tore erzielt als sein xG vermuten lässt, profitiert entweder von überdurchschnittlichen Einzelspielern oder von einer Phase, die sich mittelfristig korrigiert. Diese Unterscheidung zu treffen, ist der Kern der datenbasierten Wettanalyse.

FBref, Understat und Opta: xG-Datenquellen im Vergleich

Nicht jeder xG ist gleich. Das habe ich gelernt, als ich für dasselbe Spiel drei verschiedene Quellen verglichen habe und drei verschiedene Zahlen bekam. FBref zeigte 1.4 xG für das Heimteam, Understat 1.7 und Opta 1.5. Der Grund: Jedes Modell gewichtet Variablen anders und trainiert auf leicht unterschiedlichen Datensätzen.

FBref nutzt das StatsBomb-Modell und bietet kostenlos detaillierte xG-Daten für die fünf großen europäischen Ligen plus zahlreiche weitere Wettbewerbe. Die Stärke liegt in der Tiefe: Du findest dort nicht nur Team-xG, sondern auch Spieler-xG, Shot Maps und progressive Passdaten. Für meine Bundesliga-Analysen ist FBref die erste Anlaufstelle.

Understat verfolgt einen eigenen Modellansatz und deckt die sechs großen Ligen ab – Premier League, La Liga, Bundesliga, Serie A, Ligue 1 und die russische Premier Liga. Die Oberfläche ist übersichtlicher als bei FBref, die Visualisierungen sind sofort verwendbar. Understat aktualisiert xG-Werte schneller nach Spielende, was für Live-Analysen und kurzfristige Wettentscheidungen nützlich ist.

Opta ist der Industriestandard. Die meisten großen Sportwetten-Anbieter und TV-Sender nutzen Opta-Daten. Der Haken: Opta verkauft seine Daten an Unternehmen, nicht an Einzelpersonen. Du bekommst Opta-xG indirekt über Plattformen wie WhoScored oder über die Statistik-Einblendungen bei Sky und DAZN. Die Opta-Modelle sind tendenziell konservativer – sie vergeben niedrigere xG-Werte für Fernschüsse als Understat.

Mein Ansatz: Ich nutze FBref als Primärquelle für die Vorbereitung, gleiche auffällige Werte mit Understat ab und nehme Opta-Zahlen zur Kenntnis, wenn sie über Medien verfügbar sind. Die Abweichungen zwischen den Quellen betragen in der Regel 0.1 bis 0.3 xG pro Spiel – relevant genug, um die Wahl der Quelle bewusst zu treffen, aber nicht so groß, dass eine Quelle grundsätzlich falsch wäre.

Ein Punkt noch zu den Datenquellen: Keines dieser Modelle erfasst die zweite Bundesliga mit derselben Tiefe wie die erste. FBref bietet zwar Grunddaten für die 2. Liga, aber die Shot-Map-Details und erweiterten Metriken sind dünner. Wer regelmäßig auf Zweitliga-Spiele wettet, muss mit dieser Einschränkung arbeiten und die xG-Daten stärker durch eigene Beobachtung ergänzen. Für Champions-League-Spiele und internationale Wettbewerbe ist die Datenlage bei allen drei Quellen dagegen exzellent.

xG und Over/Under-Märkte: Wann kombiniertes xG > 3.0 zählt

Over/Under 2.5 Tore ist der meistgespielte Markt im Fußball – und genau hier entfaltet xG seinen größten praktischen Nutzen. Die Logik ist bestechend einfach: Wenn beide Teams zusammen einen xG-Durchschnitt von 3.2 pro Spiel über die letzten zehn Partien aufweisen, ist die Wahrscheinlichkeit für Over 2.5 statistisch höher als die Quote suggeriert.

Aber so simpel ist es in der Praxis nicht. Ich bin auf eine Falle hereingefallen, die viele xG-Anfänger erwischt: den Durchschnitts-xG isoliert zu betrachten. Ein Team mit einem Schnitt von 1.8 xG pro Spiel kann diesen Wert erreichen, indem es konstant 1.6 bis 2.0 kreiert – oder indem es zwischen 0.4 und 3.5 schwankt. Für Over/Under-Wetten ist die Varianz mindestens so wichtig wie der Mittelwert.

Mein Ansatz für Over/Under-Märkte: Ich schaue mir den kombinierten xG beider Teams über die letzten acht Heimspiele des Gastgebers und die letzten acht Auswärtsspiele des Gastes an. Nicht den Saisondurchschnitt, sondern den Heim-Auswärts-Split. Ein Team, das zuhause einen kombinierten xG von 3.4 generiert, auswärts aber nur 2.1, liefert je nach Spielort völlig andere Signale.

Die wertvollsten Wetten finde ich dort, wo der xG-basierte Erwartungswert deutlich von der Marktquote abweicht. Wenn mein Modell für ein Spiel einen kombinierten xG von 3.3 errechnet, der Markt aber Over 2.5 bei einer Quote von 2.10 anbietet, liegt eine potenzielle Diskrepanz vor. Die implizite Wahrscheinlichkeit der Quote liegt bei rund 48 Prozent – mein Modell sieht die tatsächliche Wahrscheinlichkeit aber bei 60 bis 65 Prozent. Solche Abweichungen von zehn oder mehr Prozentpunkten sind die Grundlage für langfristig profitable Over/Under-Strategien.

Ein Fehler, den ich anfangs gemacht habe: Over/Under nur bei 2.5 zu betrachten. Die asiatischen Handicap-Linien bei 2.0, 2.25, 2.75 und 3.0 bieten häufig besseres Value, weil sie weniger Volumen anziehen und die Buchmacher dort manchmal unschärfer kalkulieren. Wenn mein xG-Modell 2.6 kombinierte Tore prognostiziert, ist Over 2.0 eine deutlich sicherere Wette als Over 2.5 – und die Quoten bei asiatischen Linien spiegeln diese Nuance wider. Das Gesamtvolumen legaler Sportwetten in Deutschland lag 2024 bei 8,2 Milliarden Euro Einsatz, und ein erheblicher Teil davon fließt in Tor-Märkte. Da lohnt sich die Präzision.

xG-Wahrscheinlichkeit vs. Buchmacher-Quoten: Diskrepanzen finden

Hier wird es für mich richtig interessant – und hier verdiene ich mein Geld. Die zentrale Frage lautet: Wo sehen die xG-Daten eine andere Wahrscheinlichkeit als der Buchmacher? Jede Quote lässt sich in eine implizite Wahrscheinlichkeit umrechnen. Eine Quote von 2.50 auf den Heimsieg entspricht 40 Prozent. Wenn mein xG-basiertes Modell dem Heimteam aber 52 Prozent Siegwahrscheinlichkeit gibt, liegt eine Wertdiskrepanz von 12 Prozentpunkten vor.

Die Umrechnung ist simpel: 1 geteilt durch die Dezimalquote ergibt die implizite Wahrscheinlichkeit, allerdings inklusive der Buchmacher-Marge. Für die reine Wahrscheinlichkeit musst du die Marge herausrechnen. Bei einem typischen Bundesliga-Spiel liegt die Overround – also die Summe aller impliziten Wahrscheinlichkeiten – bei 104 bis 107 Prozent. Die überschüssigen Prozentpunkte sind die Marge des Anbieters.

Ich arbeite mit einer Tabelle, in die ich für jedes Spiel drei Werte eintrage: die bereinigte implizite Wahrscheinlichkeit aus der Quote, meine xG-basierte Wahrscheinlichkeit und die Differenz. Wetten platziere ich nur, wenn die Differenz über 8 Prozentpunkte liegt. Unter diesem Schwellenwert ist die statistische Unsicherheit zu groß, um von einem echten Edge zu sprechen.

Ein konkretes Beispiel: Dortmund gegen Augsburg, Heimquote 1.45. Implizite Wahrscheinlichkeit nach Margenbereinigung: rund 65 Prozent. Dortmunds xG-Schnitt zuhause über die letzten acht Spiele liegt bei 2.3, Augsburgs Auswärts-xGA bei 1.9. Mein Modell gibt Dortmund 68 Prozent – Differenz nur 3 Punkte. Kein Bet. Jetzt nehmen wir Frankfurt gegen Wolfsburg, Heimquote 1.80. Bereinigte Wahrscheinlichkeit: 52 Prozent. Frankfurts Heim-xG über acht Spiele: 2.1, Wolfsburgs Auswärts-xGA: 1.7, aber Wolfsburg hat drei Schlüsselspieler verletzt. Mein adjustiertes Modell: 63 Prozent. Differenz 11 Punkte. Das ist ein Bet.

Wichtig dabei: Ich rede nicht von einem einzelnen Spiel, sondern von einem System. Ein einzelner Bet mit 11 Prozentpunkten Edge kann trotzdem verloren gehen – das ist normal. Der Vorteil entsteht erst über Hunderte von Wetten, wenn die statistische Erwartung sich materialisiert. In meiner Dokumentation über drei Saisons liegt die durchschnittliche Trefferquote bei Wetten mit einem xG-Edge über 8 Prozentpunkte bei 58 Prozent – verglichen mit 47 Prozent bei Wetten ohne systematische Analyse. Dieser Unterschied klingt klein, bedeutet über 500 Wetten aber den Unterschied zwischen Verlust und Gewinn.

Grenzen von xG: Wann die Daten allein nicht reichen

Wer xG als alleinige Grundlage für Wetten nutzt, macht einen Fehler, den ich selbst gemacht habe. In meiner ersten xG-Saison habe ich stur nach den Zahlen gewettet – und dabei systematisch Faktoren ignoriert, die kein xG-Modell erfasst.

Die größte Schwäche: xG-Modelle berücksichtigen nicht die individuelle Qualität des Schützen. Ein Schuss aus 18 Metern hat für Jamal Musiala den gleichen xG-Wert wie für einen Zweitliga-Verteidiger. In der Realität ist die Abschlussqualität ein massiver Faktor. Spieler wie Harry Kane oder Erling Haaland übertreffen ihre xG-Werte konsistent – nicht aus Glück, sondern weil sie besser abschließen als der Durchschnitt. Das Gleiche gilt umgekehrt: Manche Stürmer bleiben chronisch unter ihrem xG.

Zweite Grenze: der Kontext. Ein xG-Modell weiß nicht, dass der Torhüter in Topform ist, dass der Trainer taktisch umgestellt hat oder dass das Team unter enormem Druck steht. Pokalspielen, Derbys und Relegationsduellen fehlt in xG-Datenbanken jede psychologische Dimension. Ich habe gelernt, xG-Signale bei solchen Spielen mit Vorsicht zu behandeln – die emotionale Komponente kann die statistische Erwartung komplett überlagern.

Dritte Grenze: kleine Stichproben. Zu Saisonbeginn, nach der Winterpause oder bei neu zusammengestellten Teams sind die xG-Daten dünn. Fünf Spiele reichen nicht für eine belastbare Aussage. Ich starte meine xG-basierte Wettstrategie frühestens nach dem sechsten Spieltag und verwende für die ersten Wochen primär die Vorjahres-xG plus qualitative Kaderinformationen. Nach Trainerwechseln setze ich den xG-Datensatz komplett zurück – ein neuer Trainer verändert das taktische System, und die alten Werte spiegeln die neue Spielweise nicht wider.

Vierte Grenze, die in der xG-Diskussion selten vorkommt: Set Pieces. Standardsituationen – Ecken, Freistöße, Elfmeter ausgenommen – werden in den meisten xG-Modellen mit durchschnittlichen Werten versehen. Aber Teams wie Freiburg unter Christian Streich hatten über Jahre ein überdurchschnittlich gefährliches Eckballspiel. Diese individuelle Stärke bei ruhenden Bällen wird von generischen xG-Modellen unterschätzt. Ich korrigiere meine Einschätzung manuell nach oben, wenn ich weiß, dass ein Team bei Standards historisch überperformt.

Die Konsequenz ist nicht, xG zu ignorieren – sondern xG als eine Säule neben anderen zu behandeln. Ich gewichte xG-Daten in meiner Gesamtanalyse mit etwa 40 Prozent. Die restlichen 60 Prozent verteilen sich auf Verletzungen, taktische Matchups, Motivationslage und Formdaten jenseits von xG. Wer diese Balance findet, nutzt die Stärke der Daten, ohne in die Falle der Scheinpräzision zu tappen.

Eine fünfte Grenze, die ich erst nach zwei Saisons systematischer Auswertung erkannt habe: Wetterbedingungen und Platzverhältnisse. Schwere Regenfälle, gefrorene Plätze oder extreme Hitze verändern die Spieldynamik auf eine Weise, die kein xG-Modell abbildet. Bei Regen werden Fernschüsse gefährlicher, weil der Ball auf nassem Rasen schwerer kontrollierbar ist – gleichzeitig sinkt die Präzision bei Flanken. Im Winterfußball der Bundesliga, besonders zwischen November und Februar, spielen Platzverhältnisse eine größere Rolle als in den Sommerligen Südeuropas. Ich habe angefangen, für Freitagabend- und Montagsspiele bei schlechtem Wetter einen manuellen xG-Zuschlag auf Over-Märkte einzurechnen – eine grobe Anpassung, die meine Trefferquote in diesen Spielen messbar verbessert hat.

Praxis-Workflow: xG-Analyse in 15 Minuten vor dem Anpfiff

Freitagnachmittag, 15:30 Uhr, die Bundesliga beginnt um 18:30. Du hast 15 Minuten für eine fundierte xG-Analyse. So sieht mein Workflow aus, den ich über drei Saisons optimiert habe.

Schritt eins, drei Minuten: FBref aufrufen, die Seite des Heimteams anklicken und den xG-Verlauf der letzten acht Heimspiele scannen. Ich notiere den Durchschnitt und schaue nach Ausreißern – ein Spiel mit 4.2 xG verzerrt den Schnitt nach oben und ist vermutlich ein statistischer Ausrutscher. Dasselbe für die Auswärtsdaten des Gastes.

Schritt zwei, vier Minuten: Understat öffnen und die Shot Map der letzten drei Spiele beider Teams vergleichen. Wo entstehen die Chancen? Aus dem Zentrum, über Flanken, aus Kontern? Ein Team, das seine xG hauptsächlich aus Fernschüssen generiert, ist anfälliger für Schwankungen als eines, das regelmäßig in den Fünfmeterraum kommt. Die Shot Map gibt dir diese Information auf einen Blick.

Schritt drei, fünf Minuten: Quotenvergleich. Ich rechne die Marktquote in eine bereinigte Wahrscheinlichkeit um und vergleiche sie mit meiner xG-basierten Einschätzung. Liegt die Differenz unter 8 Prozentpunkten, passe ich. Liegt sie darüber, prüfe ich im letzten Schritt Verletzungen und taktische Aufstellungen – eine Information, die meist 60 bis 90 Minuten vor Anpfiff verfügbar ist.

Schritt vier, drei Minuten: Entscheidung. Entweder passt alles zusammen – xG-Signal, Quotendiskrepanz, keine negativen Überraschungen bei der Aufstellung – oder ich lasse das Spiel aus. In einer typischen Bundesliga-Woche identifiziere ich mit diesem Workflow zwei bis drei Spiele, bei denen ein Einsatz gerechtfertigt ist. Das klingt wenig, aber Disziplin bei der Spielauswahl ist der Unterschied zwischen profitablen und verlustbringenden Saisons. Die Wettsteuer von 5,3 Prozent frisst ohnehin an der Rendite – da leiste ich mir keine Bets ohne klares Datensignal.

Dieser Workflow ist keine Geheimwissenschaft. Er erfordert weder Programmierkenntnisse noch teure Software. Was er erfordert, ist Konsequenz: Jedes Spiel nach demselben Schema analysieren, die Ergebnisse dokumentieren und nach jeder Saison auswerten, welche Signale funktioniert haben und welche nicht. Mein Spreadsheet hat mittlerweile über 900 Einträge, und die wichtigste Erkenntnis daraus ist simpel – die Spiele, bei denen ich vom Workflow abgewichen bin, haben mir am meisten Geld gekostet.

Ein Aspekt der Dokumentation, den ich anfangs unterschätzt habe: die Nachanalyse. Nach jedem Spieltag vergleiche ich meine xG-basierte Einschätzung mit den tatsächlichen xG-Werten des Spiels. Lag mein Modell bei Dortmund bei 2.1 xG, das Spiel endete aber mit einem tatsächlichen xG von 0.9, analysiere ich, warum. War die Aufstellung anders als erwartet? Hat der Gegner taktisch überrascht? War mein Stichprobenzeitraum zu kurz? Diese Feedbackschleife ist der Teil des Workflows, der über drei Saisons den größten Lerneffekt erzeugt hat. Ohne systematische Nachanalyse wiederholst du dieselben Fehler. Mit ihr verbesserst du dein Modell Spieltag für Spieltag – und genau das ist der Unterschied zwischen einem statischen System und einer lernenden Strategie.

Häufige Fragen zu Expected Goals und Wetten

xG-Daten sind das schärfste Werkzeug im Arsenal datenbasierter Fußballwetter – aber eben ein Werkzeug, nicht ein Orakel. Die Kombination aus xG-Analyse, Quotenvergleich und kontextuellem Wissen bildet die Grundlage für nachhaltig profitable Entscheidungen. Wer diesen Workflow einmal verinnerlicht hat, wettet nicht mehr nach Gefühl, sondern nach einem System, das sich über Hunderte von Wetten beweisen lässt.

Verfasst vom Team von „Fußball Wetten Online”.