Expected Goals (xG) in der Praxis: Daten für Wettentscheidungen nutzen
Available in US
xG-Metrik vs. Tabelle: Verborgene Qualitäten der Fußballteams
Die Tabelle lügt – oder zumindest verschweigt sie wesentliche Details. Ein Team, das mit 1:0-Siegen durch die Saison stolpert, kann in der Tabelle genauso viele Punkte haben wie ein Team, das dominant 3:1 gewinnt. Aber ihre Zukunftsaussichten sind grundverschieden. Genau hier setzen Expected Goals an: xG misst nicht, was tatsächlich passiert ist, sondern was basierend auf den Torchancen hätte passieren müssen.
Jeder Torschuss wird bewertet: Wie weit war der Schütze vom Tor entfernt? Aus welchem Winkel kam der Abschluss? Wie wurde der Ball zugespielt? Wie viele Verteidiger standen im Weg? Aus diesen Faktoren ergibt sich eine Wahrscheinlichkeit, dass dieser Schuss ein Tor ergibt. Ein Elfmeter hat einen xG-Wert von etwa 0,76 – in 76 % der Fälle wird er verwandelt. Ein Fernschuss aus 30 Metern liegt bei vielleicht 0,03. Die Summe aller xG-Werte in einem Spiel ergibt den Expected-Goals-Wert des Teams.
Für Wetter ist xG das wichtigste Werkzeug zur Unterscheidung zwischen nachhaltiger Leistung und Glück. Rund 70 % aller Sportwetten in Deutschland entfallen auf Fußball, und der Großteil der erfolgreichen Fußball-Wetter nutzt xG-Daten als Grundlage ihrer Analyse. In der Bundesliga-Saison 2025/26 hat Bayern München mit einem Gesamt-xG von 138,03 die Liga angeführt und dabei 174 Tore erzielt – 36 Treffer über dem Erwartungswert. Diese Überperformance sagt dir zwei Dinge: Bayern hat eine außergewöhnlich gute Chancenverwertung, und ein Teil dieser Überperformance wird sich langfristig dem Mittelwert annähern.
Die Expected Goals Metrik ist besonders wertvoll, wenn Sie Über/Unter Wetten auf Tore präzise vorhersagen möchten.
xG-Datenquellen: Wo du kostenlose Daten findest
Die gute Nachricht: Du brauchst kein teures Daten-Abonnement. FBref bietet kostenlose xG-Daten für alle großen europäischen Ligen, einschließlich der Bundesliga. Die Seite zeigt xG und xGA (Expected Goals Against) pro Team, pro Spieler und pro Spiel. Für die meisten Wetter ist das mehr als ausreichend.
Understat ist eine weitere kostenlose Quelle, die xG-Daten visuell aufbereitet und Shotmaps zeigt – also die Position jedes Torschusses mit dem zugehörigen xG-Wert. Das ist nützlich, um zu verstehen, ob ein Team seine Chancen aus gefährlichen oder aus ungefährlichen Positionen erzeugt. Ein Team mit vielen Fernschüssen hat einen niedrigeren xG pro Schuss als ein Team, das den Ball regelmäßig in den Strafraum bringt.
Für fortgeschrittene Nutzer gibt es xG-Modelle, die zwischen Schüssen und Non-Shot-xG unterscheiden. Non-Shot-xG bewertet Spielsituationen, die zu einem Abschluss hätten führen sollen, aber nicht dazu geführt haben – etwa weil der Pass zu ungenau war. Dieses Modell gibt ein noch vollständigeres Bild der Angriffsqualität, ist aber für die meisten Wettentscheidungen nicht notwendig.
Ein praktischer Tipp: Ich pflege ein einfaches Spreadsheet mit den xG- und xGA-Werten aller Bundesliga-Teams, aktualisiert nach jedem Spieltag. Das dauert zehn Minuten pro Woche und liefert eine sofort abrufbare Übersicht, die mir bei jeder Wettentscheidung als Grundlage dient. Der Vergleich zwischen den aktuellen xG-Werten der letzten fünf Spiele und dem Saisonschnitt zeigt dir auf einen Blick, welche Teams gerade über oder unter ihrem Leistungsniveau spielen.
xG in Wettentscheidungen übersetzen: Drei Methoden
Methode eins: Über/Unter-Wetten mit kombiniertem xG. Addiere den xG-Wert des Heimteams und den xG-Wert des Auswärtsteams. Liegt die Summe über 2.8, ist Over 2.5 ein Kandidat. Liegt sie über 3.3, wird Over 3.5 interessant. Wenn der kombinierte xG über 3.0 liegt, haben Over-2.5-Wetten in der Saison 2025/26 in rund 68 % der Fälle gewonnen – eine Trefferquote, die bei Quoten ab 1.65 profitabel ist.
Methode zwei: Value-Erkennung bei 1X2-Wetten. Berechne die xG-basierte Siegwahrscheinlichkeit eines Teams und vergleiche sie mit der impliziten Wahrscheinlichkeit der Quote. Wenn dein xG-Modell Bayern eine 72 %-ige Siegwahrscheinlichkeit gibt, aber die Quote impliziert nur 65 %, hast du einen Value Bet. Die Schwierigkeit liegt in der Umrechnung: xG-basierte Siegwahrscheinlichkeiten lassen sich mit Poisson-Modellen berechnen, aber auch einfachere Faustregeln funktionieren als Annäherung.
Methode drei: Über/Unterperformer identifizieren. Teams, die deutlich mehr Tore erzielen als ihr xG vorhersagt, werden wahrscheinlich zurückfallen – das ist keine Spekulation, sondern statistische Gesetzmäßigkeit. Teams, die unter ihrem xG liegen, dürften sich erholen. Bayerns 36 Tore über xG sind ein Extrembeispiel – aber auch kleinere Abweichungen von 5-10 Toren über eine halbe Saison sind statistisch signifikant. Diese Regression zum Mittelwert ist der zuverlässigste Effekt im Fußball und bietet regelmäßig Wettchancen.
Die Grenzen von xG – und was du zusätzlich brauchst
xG ist mächtig, aber nicht allwissend. Das Modell berücksichtigt keine Spielerkontexte – der xG-Wert eines Schusses ist gleich, egal ob Jamal Musiala oder ein Drittliga-Stürmer abschließt. Es ignoriert die Keeper-Qualität beim gegnerischen Team, obwohl der Unterschied zwischen einem Weltklasse-Torwart und einem Durchschnittskeeper die tatsächliche Verwandlungsquote um mehrere Prozent verschieben kann. Und es ist retrospektiv: xG sagt dir, was hätte passieren sollen, aber es berücksichtigt keine Veränderungen wie Transfers, Trainerwechsel oder Formschwankungen innerhalb einer Saison.
Außerdem unterschätzt xG systematisch Teams mit überragenden Individualisten. Ein Spieler, der regelmäßig aus „unmöglichen“ Winkeln trifft, produziert eine nachhaltige Überperformance, die kein Modell erfasst. Bayerns xG-Überperformance von 36 Toren in der Saison 2025/26 ist nicht reine Varianz – sie reflektiert auch individuelle Klasse. Die Herausforderung liegt darin, zu unterscheiden, wie viel der Überperformance nachhaltig ist und wie viel statistischer Zufall.
Deshalb nutze ich xG als Grundlage, nicht als alleinigen Entscheidungsfaktor. Mein Workflow kombiniert xG-Saisondaten mit der Formkurve der letzten fünf Spiele, Verletzungsnachrichten, dem Spielkontext (Derby, Abstiegskampf, Champions-League-Qualifikation) und dem Quotenvergleich. xG liefert das statistische Fundament; die anderen Faktoren liefern den Kontext, der aus einer Zahl eine Wettentscheidung macht.
Ein häufiger Fehler: xG als absolute Wahrheit behandeln. Ein xG von 2.5 bedeutet nicht, dass ein Team 2.5 Tore erzielt. Es bedeutet, dass die Qualität der Torchancen im Durchschnitt zu 2.5 Toren führen würde, wenn man das Spiel hundertmal wiederholt. In einem einzelnen Spiel kann alles passieren – und genau diese Varianz ist der Grund, warum Sportwetten überhaupt existieren. Mehr zur systematischen Bewertung von Quoten anhand von xG-Daten findest du im Artikel zu Bankroll Management für Sportwetten.
Ein weiterer praxisrelevanter Punkt: xG-Daten haben unterschiedliche Qualitätsstufen. Opta, das Datenmodell hinter vielen professionellen Plattformen, berücksichtigt mehr Variablen pro Schuss als die öffentlich verfügbaren Modelle auf FBref oder Understat – etwa die Körperposition des Schützen, die Positionierung des Torwarts und den Spielmodus (Pressing, Konter, ruhender Ball). Die kostenlosen Modelle sind für die meisten Wetter ausreichend, aber du solltest dir bewusst sein, dass sie vereinfachen. Wenn dein xG-basiertes Wettmodell einen Edge von 2 % zeigt, kann die tatsächliche Abweichung im professionelleren Modell anders aussehen. Das ist kein Grund, xG aufzugeben – aber ein Grund, konservativ zu kalkulieren und den vermeintlichen Edge nicht zu überschätzen.
In der Bundesliga-Saison 2025/26 lieferten Spiele mit einem kombinierten xG-Wert über 3.0 in 68 % der Fälle mehr als 2,5 Tore. Diese Korrelation ist stark genug, um xG als Kernelement einer Over/Under-Strategie zu nutzen – aber nicht stark genug, um blind darauf zu wetten. Die verbleibenden 32 % sind die Varianz, die jede einzelne Wette unsicher macht.
Verfeinern Sie Ihre Strategien mit den Experten-Tipps von TORWERT für maximalen Erfolg.
Häufige Fragen zu Expected Goals
Sind xG-Daten für alle Ligen verfügbar?
Für die großen europäischen Ligen – Bundesliga, Premier League, La Liga, Serie A, Ligue 1 – sind xG-Daten kostenlos auf Plattformen wie FBref und Understat verfügbar. Für kleinere Ligen und untere Spielklassen ist die Datenlage dünner. Wenn du dich auf die Bundesliga konzentrierst, hast du Zugang zu hervorragenden xG-Daten ohne Zusatzkosten.
Kann ich xG auch für Live-Wetten nutzen?
Bedingt. In-Game-xG-Daten sind über manche Plattformen in Echtzeit verfügbar, aber die Interpretation ist schwieriger als bei Vor-dem-Spiel-Analysen. Ein Team mit 1.5 xG nach 60 Minuten bei 0:0 ist ein Kandidat für einen späten Treffer – aber die Varianz in einzelnen Spielen ist hoch. Für Live-Wetten empfehle ich, xG als einen von mehreren Faktoren zu nutzen, nicht als alleinige Grundlage.
Geschrieben von der Redaktion „Fußball Wetten Online”.
