xG für Champions League Wetten: das Modell hinter der Zahl

xG hat meine Wettpraxis im dritten Jahr endgültig vom Bauchgefühl gelöst

Vor neun Jahren habe ich xG das erste Mal in einem Statistik-Blog gesehen — eine Zahl, die behauptete, „Tor-Wahrscheinlichkeit pro Schuss“ zu messen. Ich war skeptisch. Wie soll man einen Schuss bewerten, der nicht ins Tor ging? Heute weiß ich: xG ist die einzige Zahl, mit der ich die Underlying Performance einer Mannschaft sauber lese — losgelöst von Glück, Pfostentreffern und Tor-Variabilität. Wer xG nicht in seinem Setup hat, wettet mit weniger Information als der Buchmacher.

In diesem Beitrag arbeite ich durch, was xG technisch misst, wie es in der Champions League konkret angewendet wird und wo die Grenzen des Modells liegen. Den methodischen Rahmen für die Wettstrategie findest du im Detailguide zur Champions League Wettstrategie.

Was xG misst

xG (Expected Goals) ist die statistische Tor-Wahrscheinlichkeit eines einzelnen Schusses. Jeder Schuss bekommt einen xG-Wert zwischen 0 und 1 — null bedeutet „praktisch unmöglich“, eins bedeutet „praktisch sicher“. Ein Elfmeter hat typischerweise einen xG-Wert von 0,76 (76 Prozent Trefferwahrscheinlichkeit). Ein Schuss aus 25 Metern ohne Defensivdruck hat einen xG-Wert von rund 0,03 bis 0,05.

Das Opta-xG-Modell, das auch professionelle Buchmacher nutzen, berücksichtigt mehr als 20 Kontextfaktoren pro Schuss — Distanz zum Tor, Schusswinkel, Position des Torwarts, Anzahl und Position der Verteidiger, Schussart (Fuß, Kopf, Volley), Spielsituation (offenes Spiel, Standard, Konter), Ballposition vor dem Schuss. Diese Faktoren werden über Millionen historischer Schüsse trainiert und ergeben für jeden neuen Schuss einen kalibrierten Wahrscheinlichkeitswert.

Aus Wettsicht ist die wichtigste Eigenschaft von xG: Es ist eine vorausschauende Metrik, keine rückwirkende. Ein Klub, der über fünf Spiele hinweg 8 xG produziert hat, aber nur 3 Tore erzielt, ist statistisch unterbewertet im Tor-Markt — die zukünftigen Spiele werden mit hoher Wahrscheinlichkeit „regression to the mean“ zeigen, also mehr Tore aus denselben Schüssen.

xGOT, xGA und xG-Differenz

Drei abgeleitete Metriken sind für die Wettpraxis besonders wichtig. Erstens: xGOT (Expected Goals on Target) misst die Tor-Wahrscheinlichkeit nicht beim Schuss, sondern beim Schuss-aufs-Tor-Moment. xGOT bezieht die Schussplatzierung im Tor mit ein — ein Schuss in den Winkel hat einen höheren xGOT-Wert als ein Schuss in die Mitte des Tores. Wer Anytime-Goalscorer-Wetten platziert, sollte xGOT zusätzlich zu xG prüfen — Spieler mit hohem xGOT-Wert über durchschnittlichem xG sind statistisch besser im Abschluss.

Zweitens: xGA (Expected Goals Against) misst die erwarteten Gegentore einer Mannschaft basierend auf den zugelassenen Schüssen. xGA ist der direkte Spiegel zu xG — eine Mannschaft mit niedrigem xGA hat eine starke Defensive (oder einen guten Torwart). Bei BTTS- und Über/Unter-Wetten ist die Summe der xG einer Mannschaft und der xGA des Gegners die belastbarste Tor-Erwartung.

Drittens: xG-Differenz (xG – xGA) ist die kumulierte Underlying-Bewertung einer Mannschaft. Bayern liegt 2025/26 bei rund 1,4 xG-Differenz pro Spiel — der zweithöchste Wert aller CL-Klubs. Manchester City bei 1,5, Arsenal bei 1,3, Real Madrid bei 1,1. Diese Werte sind aussagekräftiger als reine Tabellenpunkte, weil sie Glück und Tor-Variabilität herausrechnen.

xG für CL-Spiele anwenden

In meinem Workflow ist xG der erste Filter jeder Spieltagsanalyse. Drei Schritte: Erstens, ich lese die letzten fünf xG-Werte beider Mannschaften aus. Zweitens, ich berechne die xG-Erwartung für die anstehende Begegnung als gewichteten Durchschnitt (50 Prozent Heim-xG, 30 Prozent Auswärts-xGA, 20 Prozent Saisondurchschnitt). Drittens, ich vergleiche meine Modellquote mit der Marktquote und prüfe, ob der Aufschlag mindestens 5 Prozent beträgt.

Konkretes Beispiel: Bayern gegen Arsenal. Bayerns xG-Schnitt der letzten fünf Spiele liegt bei 2,3, Arsenals xGA bei 1,1. Die gewichtete Tor-Erwartung Bayern liegt bei 1,7 (50 Prozent × 2,3 + 30 Prozent × 1,1 + 20 Prozent × Saisondurchschnitt). Über Poisson-Verteilung ergibt das eine Bayern-Sieg-Wahrscheinlichkeit von 49 Prozent. Wenn die Marktquote 1,90 (impliziert 53 Prozent) beträgt, ist die Wette neutral bis leicht negativ.

Ein zweites Beispiel: Real Madrid gegen einen Klub aus Topf 4. Reals xG-Schnitt 2,0, Gegner-xGA 1,5. Tor-Erwartung Real bei 1,9 — über 70 Prozent Sieg-Wahrscheinlichkeit. Die Marktquote von 1,30 (impliziert 77 Prozent) ist leicht zu eng kalibriert — Asian Handicap -1,5 zu Quote 1,90 wäre der bessere Wettmarkt mit klar positivem EV.

Was bei der xG-Anwendung typisch falsch läuft: Modellrechnungen ohne Kontext-Korrektur. Wer den xG-Schnitt eines Klubs unverändert in jede Begegnung einsetzt, übersieht, dass der xG-Wert gegen unterschiedlich starke Gegner stark schwankt. Bayern produziert gegen einen Topf-4-Klub im Schnitt 3,2 xG, gegen einen Top-3-Konkurrenten nur 1,4 xG. Wer beide Werte mittelt, baut einen systematischen Modellfehler ein. Mein Filter dafür: xG immer gegen vergleichbare Gegnerstärke gewichten — das verhindert die häufigste Form der Fehlinterpretation.

Grenzen und Fallen des xG-Modells

xG hat Grenzen, die ich in meinem dritten Wettjahr schmerzhaft gelernt habe. Erstens: Kleine Stichproben sind unzuverlässig. Wer xG-Werte aus drei oder vier Spielen verwendet, baut systematische Modellfehler ein — die Streuung pro Spiel ist hoch. Mein Filter: keine xG-Modellschätzung ohne mindestens fünf Vergleichsspiele.

Zweitens: Konditionsstand und Verletzungslage sind im xG nicht enthalten. Wenn ein Klub seine Stammspieler im Mittelfeld verletzt hat, wird die zukünftige xG-Produktion sinken — aber das xG der letzten fünf Spiele zeigt den Wert mit Stamm-Mittelfeld. Wer xG ohne Aufstellungsfilter verwendet, übersieht systematische Form-Brüche.

Drittens: Spielintensität und Druck. Ein xG-Wert in einem K.o.-Halbfinale ist nicht direkt vergleichbar mit einem xG-Wert in einer Pflichtsieg-Begegnung der Ligaphase. Die Schussqualität sinkt unter Druck — Spieler entscheiden sich häufiger für sichere statt riskante Schüsse, was die Tor-Wahrscheinlichkeit pro Schuss reduziert. In meinem Tracking sinkt die durchschnittliche xG-Effizienz im Halbfinale um rund 8 Prozent gegenüber Ligaphase-Begegnungen. Wer Halbfinal-Wetten mit reinen Ligaphasen-xG-Werten kalkuliert, übersieht diesen Effekt systematisch.

Praxis: xG gegen Marktquote

Die wertvollste xG-Anwendung ist der Vergleich mit der Marktquote. Wenn meine xG-basierte Modellquote über mehrere Anbieter hinweg systematisch günstiger ist als die Marktquote, habe ich einen Edge — vorausgesetzt, mein Modell ist sauber kalibriert. Eine xGenius-Modellanalyse hatte in einem Bayern-Real-Spiel eine Differenz von 5,8 Prozentpunkten zwischen impliziter Marktwahrscheinlichkeit und Modellschätzung ausgewiesen — Bayern lag dort bei 40,28 Prozent xG-Modell-Wahrscheinlichkeit gegenüber 46,08 Prozent impliziter Marktquote bei Bet365.

Diese 5,8 Prozentpunkte sind kein Zufall, sondern ein typisches Beispiel für die Diskrepanz zwischen Modell und Markt in Top-Spielen. Wer xG sauber führt, findet pro Saison rund 30 bis 50 solcher Diskrepanzen — die Mehrheit davon kleiner als 5 Prozent, einige aber bis zu 10 Prozent. Genau diese Diskrepanzen sind die Stellen, an denen systematisches Wetten in der Champions League funktioniert.

Was bei der xG-Marktquote-Vergleichsarbeit wichtig ist: Niemals nur eine Anbieter-Quote vergleichen. Mindestens drei lizenzierte Anbieter, idealerweise mit unterschiedlichen Modell-Schwerpunkten. Wenn alle drei Anbieter die gleiche Quote zeigen, ist die Modell-Kalibrierung typischerweise solide. Wenn die Quoten zwischen Anbietern um mehr als 5 Prozent abweichen, ist das ein Hinweis auf schwankende Modellqualität — und damit auf eine Stelle, an der der eigene Edge entstehen kann.