Eigenes Auf-/Abstiegs-Vorhersagemodell erstellen: Schritt-für-Schritt-Anleitung

Warum du ein eigenes Modell brauchst

Prognosen aus der Zeitung, Twitter-Meinungen, Fan-Blogs: Der Informationsmarkt rund um Auf- und Abstiege im deutschen Fußball ist riesig und laut. Und meistens falsch.

Das Problem: Die meisten Meinungen basieren auf dem letzten Spielergebnis, emotionalen Eindrücken oder bestätigenden Erzählungen. Niemand hat wirklich eine Methodik.

Wenn du auf Atlas Markets konsistent profitabel sein willst, brauchst du nicht die perfekte Prognose – du brauchst nur eine bessere als den Markt. Und dafür reicht ein einfaches, diszipliniert angewendetes Modell.

In diesem Guide führen wir dich Schritt für Schritt durch den Aufbau eines eigenen Auf-/Abstiegs-Vorhersagemodells.

Phase 1: Datengrundlage aufbauen

Die drei Datenquellen, die du brauchst

Understat.com – Die beste kostenlose Quelle für xG-Daten in der Bundesliga und 2. Bundesliga. Hier findest du:

• xG und xGA (Expected Goals Against) pro Spiel
• Kumulative xG über die Saison
• xG-Daten nach Heim-/Auswärtsspielen getrennt

FBRef.com – Erweiterte Statistiken mit:

• PSxG (Post-Shot Expected Goals) für Torhüter
• Pressing-Statistiken (PPDA = Passes Allowed Per Defensive Action)
• Set-Piece-Daten
• Passing-Netzwerke und Positionsdaten

Transfermarkt.de – Für Kaderwerte und Verletzungshistorie:

• Gesamtkaderwert (guter Proxy für Teamqualität)
• Verletzungshistorie der Stammspieler
• Kaderbreite (wie viele gleichwertige Alternativen gibt es auf jeder Position?)

Daten strukturieren

Erstelle eine Tabelle (Excel oder Google Sheets) mit folgenden Spalten:

Team | Spieltag | xG | xGA | Tore | Gegentore | 
Punkte | Kumulativer xG-Saldo | Verletzte (Stammspieler)

Aktualisiere diese Tabelle nach jedem Spieltag. Das klingt aufwendig – in der Praxis sind es 15-20 Minuten pro Woche.

Phase 2: Das Basis-Modell

Der einfachste funktionierende Ansatz: xG-basierter Punktestand

Idee: Berechne, wie viele Punkte ein Team auf Basis seiner xG-Daten "verdient" hätte – nicht auf Basis der tatsächlichen Tore.

Methode:

1. Nimm den xG-Wert für jedes Spiel (Heim und Auswärts)
2. Verwende ein Poisson-Modell, um die Wahrscheinlichkeit für Sieg/Unentschieden/Niederlage zu berechnen
3. Berechne die "erwarteten Punkte" (xPoints) für jedes Spiel
4. Summiere die xPoints über die Saison

Das Ergebnis: Ein "xPoints-Tabellenstand", der zeigt, wie die Tabelle aussehen sollte – ohne Glückseinflüsse.

Warum xPoints so wertvoll sind

Teams mit deutlich mehr realen Punkten als xPoints werden sich zur Mitte hin normalisieren. Teams mit weniger realen Punkten als xPoints werden sich erholen.

Diese Reversion-to-Mean ist das Herzstück deines Modells. Du weißt nicht, wann die Normalisierung kommt – aber du weißt, dass sie kommt.

Konkrete Anwendung:

• Team hat 32 reale Punkte, aber nur 26 xPoints → Wahrscheinlich zu hoch in der Tabelle, Abstiegsrisiko wird unterschätzt
• Team hat 26 reale Punkte, aber 32 xPoints → Wahrscheinlich zu tief, Erholung wahrscheinlich

Das Poisson-Modell im Detail

Das Poisson-Modell berechnet die Wahrscheinlichkeit für eine bestimmte Torzahl:

P(k Tore) = (λ^k × e^(-λ)) / k!

Wobei λ die erwartete Torzahl ist (aus xG-Daten).

Für die Praxis reicht es, eine vereinfachte Tabelle zu verwenden:

xG-Wert	P(0 Tore)	P(1 Tor)	P(2+ Tore)
0,5	61%	30%	9%
1,0	37%	37%	26%
1,5	22%	33%	45%
2,0	14%	27%	59%

Kombiniere die Wahrscheinlichkeiten für beide Teams, um Sieg/Unentschieden/Niederlage zu berechnen.

Phase 3: Das erweiterte Modell

Das Basis-Modell gibt dir einen Vorsprung gegenüber dem Markt. Aber mit einigen Erweiterungen wird es deutlich präziser.

Erweiterung 1: Gewichtung nach Aktualität

Die letzten 8 Spieltage sind relevanter als die ersten 10. Baue eine exponentielle Gewichtung ein:

Gewicht(Spieltag n) = e^(α × (n - aktueller Spieltag))

Wobei α = 0,05-0,1 ein guter Startpunkt ist. Das bedeutet: Das letzte Spiel zählt etwa doppelt so viel wie ein Spiel vor 14 Wochen.

Praktischer Ansatz: Teile die Saison in drei Phasen. Phase 1 (Spieltage 1-12) zählt zu 20%, Phase 2 (13-24) zu 35%, Phase 3 (25-34) zu 45%.

Erweiterung 2: Restprogramm-Schwierigkeit

Dein Modell schaut bisher nur zurück. Für Auf-/Abstiegsprognosen musst du auch vorausschauen.

Methode:

1. Berechne für jedes verbleibende Spiel die Wahrscheinlichkeit für 3 Punkte, 1 Punkt, 0 Punkte (basierend auf dem Modell)
2. Summiere diese "erwarteten zukünftigen Punkte"
3. Addiere aktuelle Punkte + erwartete zukünftige Punkte = Saisonendpunkte-Prognose

Vereinfachung: Nutze die xPoints-Tabellenposition des Gegners als Proxy für seine Stärke. Ein Team auf xPoints-Rang 3 ist ein schwerer Gegner, eines auf Rang 15 ein leichter.

Erweiterung 3: Verletzungs-Adjustment

Verletzungen wichtiger Spieler reduzieren die erwartete Teamleistung messbar. Eine vereinfachte Schätzung:

• Ausfall Stamm-Torhüter: -0,15 xPoints pro Spiel
• Ausfall bester Stürmer: -0,12 xPoints pro Spiel
• Ausfall Stamm-Innenverteidiger: -0,08 xPoints pro Spiel
• Ausfall zentraler Mittelfeldspieler: -0,07 xPoints pro Spiel

Multipliziere mit der Anzahl der betroffenen Spiele und passe deine Saisonendprognose an.

Phase 4: Modell validieren und kalibrieren

Backtesting

Bevor du dein Modell live einsetzt, teste es an historischen Daten. Nimm die letzten 3-5 Bundesliga-Saisons:

1. Berechne die Saisonendpunkte-Prognose nach Spieltag 26 (8 Spieltage vor Ende)
2. Vergleiche mit dem tatsächlichen Ergebnis
3. Berechne den Mean Absolute Error (MAE): Durchschnittliche Abweichung pro Team

Ein gutes Modell hat nach Spieltag 26 einen MAE von 3-4 Punkten. Das klingt nach viel, ist aber im Fußball-Kontext ein gutes Ergebnis.

Kalibrierung

Überprüfe, ob dein Modell systematisch über- oder unterschätzt:

• Wenn dein Modell dauerhaft zu optimistisch für Aufsteiger ist → Adjustiere mit einem Abschlag für "neue Ligaerfahrung"
• Wenn Abstiegsmannschaften systematisch besser abschneiden als prognostiziert → Erhöhe den Koeffizienten für "Abstiegskampf-Motivation"

Kalibrierung ist ein iterativer Prozess. Führe ein Protokoll deiner Prognosen und tatsächlichen Ergebnisse, um Muster zu erkennen.

Phase 5: Modell in Prediction-Market-Trades umsetzen

Ein Modell zu haben ist eine Sache – es profitabel einzusetzen eine andere.

Schritt 1: Wahrscheinlichkeit berechnen

Dein Modell gibt dir eine Saisonendpunkt-Prognose. Wie rechnest du das in Auf-/Abstiegswahrscheinlichkeiten um?

Methode: Monte-Carlo-Simulation

1. Lass dein Modell 1.000 (oder 10.000) Saisonverläufe simulieren, mit realistischer Varianz pro Spiel
2. Zähle, in wie vielen Simulationen jedes Team absteigt oder aufsteigt
3. Diese Rate ist deine Wahrscheinlichkeitsschätzung

Ohne Programmierkenntnisse: Nutze eine vereinfachte Lookup-Table, die du einmalig erstellst und anpasst.

Schritt 2: Edge berechnen

Edge = Deine Wahrscheinlichkeit - Marktwahrscheinlichkeit (von Atlas Markets)

Nur wenn Edge > 8-10 Prozentpunkte → Trade eröffnen.

Schritt 3: Position sizing mit Kelly

f* = (p × b - q) / b

Wobei:

• p = deine Wahrscheinlichkeit
• q = 1 - p
• b = Auszahlung minus 1 (bei Preis von 0,40 = 1,5x Auszahlung, also b = 1,5)

Sicherheitsregel: Verwende nie mehr als die halbe Kelly-Empfehlung. Full Kelly ist theoretisch optimal, führt aber zu extremen Drawdowns.

Schritt 4: Positions-Management

• Aktualisiere dein Modell nach jedem Spieltag
• Wenn dein geschätzter Edge auf unter 5% sinkt → Position schließen
• Wenn neues Edge über 15% entsteht → Position erhöhen (bis zum halben Kelly-Maximum)

Häufige Fehler und wie du sie vermeidest

Fehler 1: Zu viele Variablen Mehr Variablen = mehr Overfitting. Beginne mit 3-4 Variablen (xG, xGA, Restprogramm, Verletzungen) und füge nur dann neue hinzu, wenn du statistisch signifikante Verbesserungen siehst.

Fehler 2: Backtesting-Bias Wenn du dein Modell an denselben Daten testest, mit denen du es entwickelt hast, schaust du in den Rückspiegel. Teste immer an Daten, die nicht für die Modellerstellung verwendet wurden (Out-of-Sample-Test).

Fehler 3: Ignorieren des Marktpreises als Signal Der Marktpreis auf Atlas Markets ist kein Lärm – er ist das aggregierte Wissen tausender Händler. Wenn dein Modell massiv vom Markt abweicht (>20 Prozentpunkte), solltest du zuerst nach Fehlern in deinem Modell suchen.

Fehler 4: Keine Buchführung Führe ein detailliertes Protokoll aller Trades: Einstiegspreis, Ausstiegspreis, deine Modellschätzung, tatsächliches Ergebnis. Nur so kannst du langfristig lernen und verbessern.

Tools für die Umsetzung

Google Sheets – Kostenlos, ausreichend für einfache Modelle, gut für Zusammenarbeit

Python (optional) – Für Monte-Carlo-Simulationen und automatisches Daten-Scraping. Die Libraries pandas, numpy und scipy decken 90% der benötigten Funktionen ab.

Atlas Markets – Als Referenzpreisquelle und Handelsplattform. Die Marktpreise sind öffentlich und können als tägliche Kalibrierung deines Modells dienen.

Fazit: Modellieren ist ein Handwerk

Ein gutes Vorhersagemodell für Auf- und Abstiege im deutschen Fußball ist kein Hexenwerk. Es erfordert Disziplin beim Daten sammeln, Ehrlichkeit beim Backtesting und Geduld beim Warten auf klare Edges.

Das Ziel ist nicht, immer recht zu haben. Das Ziel ist, im Durchschnitt eine bessere Trefferquote als der Markt zu haben – und damit langfristig profitabel zu sein.

Starte noch heute, baue dein Modell Schritt für Schritt auf, und teste es zunächst mit kleinen Positionen auf Atlas Markets – Europas führende Prediction-Market-Plattform für Fußball-Vorhersagen.