xG in der Champions League: Expected Goals als Wettentscheidungsgrundlage
Available in US
Als ich vor sieben Jahren zum ersten Mal eine Wette gegen die Marktquote gespielt habe, weil mein xG-Modell eine andere Geschichte erzählte als der Endstand, fühlte sich das wie ein Glaubenssprung an. Bayern hatte zu Hause 1:1 gespielt, war aber mit 2,6 xG gegen 0,8 xG der klar überlegene Spieler gewesen. Im Rückspiel ging Bayern als leichter Favorit ins Rennen, ich spielte den Sieg, und Bayern gewann 4:0. Diese Erfahrung war kein Glück, sondern Statistik in Reinkultur. xG — Expected Goals — ist heute die wichtigste numerische Größe in meiner Champions-League-Analyse, und 2025/26 ist sie wichtiger denn je, weil die neue Ligaphase mit ihrer Vielfalt an Begegnungen ohne datengetriebene Modelle kaum noch zu durchdringen ist.
Wie ein xG-Wert entsteht
xG ist die mathematische Bewertung der Tornähe eines Schusses. Jeder Torschuss wird auf eine Wahrscheinlichkeit zwischen null und eins skaliert, basierend auf historischen Daten ähnlicher Spielsituationen — Entfernung zum Tor, Schusswinkel, Körperteil des Schützen, Defensivkontext, Spielsituation. Ein Elfmeter hat einen xG-Wert von etwa 0,76. Ein Schuss aus 25 Metern aus zentraler Position hat einen Wert von etwa 0,05. Eine Großchance aus fünf Metern bei freier Schussbahn liegt bei 0,7 oder höher. Die Summe aller xG-Werte einer Mannschaft in einem Spiel ergibt den Mannschafts-xG.
Das Achtelfinal-Hinspiel der Saison 2024/25 zwischen Paris Saint-Germain und Liverpool ist ein lehrreiches Beispiel für die Aussagekraft des xG. PSG erzielte einen xG-Wert von 4,45, Liverpool nur 1,86. Das Spiel endete trotzdem 0:1 für Liverpool — ein Endstand, der die Spielqualität nicht annähernd abbildet. Wer im Rückspiel-Markt nach diesem xG-Verhältnis gehandelt hat, fand bei vielen Anbietern Quoten, die immer noch Liverpool zum Vorteil hatten — und damit eine messbare Edge gegen den Markt.
xG gegen reale Tore: die statistische Konvergenz
Die zentrale These der xG-Analyse: über eine ausreichend große Anzahl von Spielen konvergieren reale Toranzahlen gegen die xG-Summen. Eine Mannschaft, die in fünf aufeinanderfolgenden Spielen 9,2 xG erreicht, aber nur sechs Tore geschossen hat, wird statistisch in den folgenden Spielen überdurchschnittlich viele Tore erzielen. Eine Mannschaft, die in fünf Spielen 4,8 xG hatte, aber acht Tore geschossen hat, wird statistisch in den folgenden Spielen unterdurchschnittlich viele Tore erzielen. Dieser Mean-Reverting-Mechanismus ist das mathematische Rückgrat jeder xG-basierten Wettstrategie.
Mathias Dahms, Präsident des Deutschen Sportwettenverbandes, hat zur Frage, was Sportwetten für den Konsumenten leisten, formuliert: „Es geht um Spiel, Spaß und Spannung — Sportwetten sind ein Unterhaltungsprodukt.“ Genau in dieser Konstellation entfalten xG-Modelle ihren Wert. Sie reduzieren die Wette nicht auf bloßes Bauchgefühl, sondern liefern eine analytische Schicht, die das Unterhaltungselement um eine systematische Komponente ergänzt. 70 Prozent aller CL-Spiele in der Saison 2024/25 endeten mit mindestens drei Toren — ein Wert, der mit xG-Modellen oft schon Tage vor dem Anpfiff erkennbar war, weil die kombinierten Mannschafts-xG der beteiligten Klubs entsprechend hoch waren.
Ein konkretes Anwendungsbeispiel: PSG gegen Liverpool
Zurück zum Hinspiel der Saison 2024/25. Die Marktquote für das Rückspiel im Pre-Match-Markt sah Liverpool leicht im Vorteil — Liverpool zu Hause, Hinspielsieg im Rücken. Wer den xG-Verlauf der Saison ernsthaft verfolgt hatte, sah ein anderes Bild: PSG hatte über die Ligaphase einen kumulierten xG-Vorsprung von etwa 1,2 Punkten pro Spiel gegenüber Liverpool. Die Hinspiel-Dominanz mit 4,45 xG war kein Ausreißer, sondern bestätigte ein Muster.
Die Quote auf PSG im Rückspiel-Sieg lag bei vielen Anbietern um 2,50 — implizite Trefferwahrscheinlichkeit 40 Prozent. Wer den xG-Trend in seine Bewertung einbaute, kalkulierte die echte Trefferwahrscheinlichkeit für ein PSG-Weiterkommen eher bei 55 bis 60 Prozent. Das war ein Edge von etwa 15 Prozentpunkten — einer der größten Quotenfehler, die ich in der Champions League je gesehen habe. Das Rückspiel-Drama bestätigte die statistische Lesart: PSG kam weiter.
Was dieses Beispiel anschaulich macht: der Markt verarbeitet Spielergebnisse, nicht Spielqualitäten. Wenn eine Mannschaft schlecht spielt und gewinnt, wirkt sich das stärker auf die Marktquoten aus als das umgekehrte Szenario. Diese Asymmetrie ist eine der wenigen systematischen Marktineffizienzen, die sich für analytische Wetter ausnutzen lassen. Die xG-Differenz zwischen Marktbild und tatsächlicher Spielqualität ist messbar — und je größer sie ist, desto wahrscheinlicher ist eine Korrektur der Marktquoten im folgenden Spiel.
Wie man xG-Werte richtig liest
Drei Fehlerquellen begegnen mir bei xG-Auswertungen immer wieder. Erstens: xG-Werte aus zu kleinen Stichproben. Ein Spiel mit 0,4 xG ist statistisch praktisch wertlos — über drei Spiele beginnt die Aussagekraft, über fünf bis sieben Spiele entsteht ein verlässliches Bild. Zweitens: xG-Werte ohne Kontext. Eine Mannschaft mit 1,8 xG gegen einen schwachen Gegner und eine Mannschaft mit 1,8 xG gegen einen Topgegner sind statistisch nicht gleichwertig. Drittens: xG-Modelle unterscheiden sich zwischen Anbietern. Die Werte von Opta, Understat und StatsBomb liegen oft um 0,2 bis 0,5 Punkte pro Spiel auseinander, weil sie unterschiedliche Modelle und unterschiedliche Datenfeatures verwenden.
Ich arbeite seit fünf Jahren mit einer Kombination aus zwei xG-Quellen und vergleiche die Werte gegeneinander. Wenn beide Modelle übereinstimmend einen Wert über 2,0 xG für eine Mannschaft ausweisen, halte ich das für ein robustes Signal. Wenn ein Modell 2,5 zeigt und das andere 1,3, prüfe ich, welches Modell die individuelle Spielsituation besser einbezogen hat — etwa Großchancen aus seltenen Winkeln, die manche Modelle systematisch unterbewerten.
Ein weiterer Filter, den ich konsequent anwende, ist die Spielsituation. xG-Werte aus einem Spiel, in dem eine Mannschaft 70 Minuten in Überzahl gespielt hat, sind nicht direkt mit xG-Werten aus einem ausgeglichenen Spiel vergleichbar. Manche analytischen Plattformen weisen daher zusätzlich „non-penalty xG“ und „open-play xG“ aus — die ersten Werte schließen Elfmeter aus, die zweiten beziehen nur Spielsituationen aus dem laufenden Spielfluss ein. Für die K.o.-Phase der Champions League halte ich open-play xG für die belastbarste Größe, weil sie taktische Spielqualität ohne den Elfmeter-Sondereffekt abbildet.
Die Disziplin im Quellenvergleich ist wichtiger als das Vertrauen in eine einzelne Zahl. Wer xG ernsthaft in die Wettentscheidung einbauen will, sollte sich die Wettstrategie-Übersicht für die Champions League als methodischen Rahmen ansehen, denn xG funktioniert nicht isoliert, sondern in Verbindung mit weiteren Spielindikatoren.
Welche xG-Quelle ist für Champions-League-Wetten am verlässlichsten?
Die drei meistgenutzten xG-Quellen sind Opta, Understat und StatsBomb. Opta ist der offizielle Anbieter für die UEFA und liefert die Daten, die in den meisten Statistik-Auswertungen erscheinen. Understat ist kostenlos verfügbar und für Hobbyanalysten eine gute Einstiegsquelle. StatsBomb hat die feinkörnigste Datenbasis, ist aber überwiegend für Profikunden zugänglich. Für die Wettentscheidung empfehle ich, zwei Quellen parallel zu verfolgen und auf Übereinstimmung zu achten.
Wie viele Spiele braucht es für einen aussagekräftigen xG-Wert einer Mannschaft?
Statistisch belastbar wird ein xG-Trend ab etwa fünf bis sieben Spielen mit demselben Spielsystem und derselben Kernformation. Einzelne Spiele schwanken stark, vor allem bei kleinen xG-Werten unter 1,0. Über zehn Spiele konvergieren die Werte deutlich. In der Ligaphase mit acht Spielen pro Mannschaft sind die Werte gegen Ende der Phase belastbar — am Anfang der Saison sollten zusätzlich nationale Liga-Daten herangezogen werden.
Verfasst vom Team von „Wetten Champions League”.
