So funktionieren KI-Fußballprognosen

Keine Kristallkugel, nur Zählen

Wenn man das Marketing von einem Fußballprognosemodell — unserem eingeschlossen — abzieht, bleibt strukturiertes Zählen: wie oft Teams treffen, wie oft sie Gegentore kassieren, gewichtet nach aktuellen Spielen, angepasst an Gegner und Spielort. Aus diesen Raten folgen Wahrscheinlichkeitsverteilungen über Spielstände mathematisch.

Das Wort 'KI' bringt keine Magie in dieses Modell. Der Wert eines Modells liegt in disziplinierten Schätzungen und ehrlicher Kalibrierung, nicht in der Bezeichnung. Wer behauptet, sein Algorithmus 'kennt' Ergebnisse, verkauft etwas.

Unser Modell konkret

Unser v2-Modell schätzt die Angriffs- und Abwehrstärke jedes Teams mit einem zeitlich abklingenden Poisson-Rahmen: neuere Spiele zählen mehr (Halbwertszeit etwa 240 Tage), kleine Stichproben werden zum Ligadurchschnitt hin verkleinert, um Überreaktionen zu vermeiden, und Teams benötigen eine Mindestanzahl von Spielen, bevor wir ihren Raten trauen.

Diese Raten erzeugen eine Spielstandverteilung pro Partie und damit Wahrscheinlichkeiten für jeden Markt, den wir abdecken. Wir vermischen dann Modellwahrscheinlichkeiten mit marktimplizierten (ungefähr 40/60) — ein in der Arithmetik eingebautes Eingeständnis, dass der Markt Dinge weiß, die unsere Daten nicht kennen: Verletzungen, Motivation, Wetter, Aufstellungen.

Ein Pick wird nur als offiziell veröffentlicht, wenn die vermischte Wahrscheinlichkeit den Preis um eine aussagekräftige Marge mit vernünftigen Quoten-Obergrenzen übertrifft. Die meisten Matches erzeugen keinen offiziellen Pick; die vollständige Methodik, Versionsgeschichte und bekannte Grenzen finden sich auf unserer Modellseite.

Was Modelle nicht können

Ein Modell kann nicht wissen, dass ein Trainer seinen Stürmer geschont hat, eine Mannschaft um 4 Uhr morgens von einem Pokalspiel zurückflog oder Regen den Platz in Suppe verwandelte. Es komprimiert Historie in Raten; alles außerhalb der Historie ist für es unsichtbar.

Noch grundlegender: selbst eine perfekte Wahrscheinlichkeit ist keine Vorhersage für ein einzelnes Spiel. Ein 60%-Pick verliert vier von zehn Mal konstruktionsbedingt. Modelle verdienen oder verlieren ihren Platz über hunderte Wetten, in der Kalibrierung — landen 60%-Calls etwa 60% der Zeit? — nicht in irgendeiner Highlight-Reel.

So beurteilest du jeden Tipster, auch uns

Frage nach der vollständigen abgewickelten Bilanz (jeder Pick, nicht ein kurierter Monat), Ergebnisse in flachen Einheiten, Stichprobenumfang in hunderten und — der schärfste Test — Closing Line Value: ob Picks konsistent den Preis schlagen, bei dem der Markt schloss. CLV trennt Geschick von Glück viel schneller als Gewinnkurven.

Wir veröffentlichen all das, einschließlich Verlustserien, auf unseren Ergebnisseiten — unsere frühe Bilanz beinhaltet eine instruktive Phase, in der Longshot-Picks 0-für-8 gingen und eine Modellrevision erzwangen. Jeder Tipster, der nur Gewinne zeigt, zeigt dir Marketing.

Rechenbeispiel

Das Modell bewertet die Heimmannschaft mit 1,6 erwarteten Toren gegen diese Abwehr, die Auswärtself mit 0,9. Die Poisson-Verteilung ergibt Heimsieg 52%, Unentschieden 24%, Auswärts 24% — faire Quoten 1,92 / 4,17 / 4,17. Der Markt notiert die Heimmannschaft mit 2,10, was 47,6% impliziert. Die Mischung landet bei ~50%, immer noch über der Preisimplikation: positiver Vorteil, offizieller Pick. Sechzig Sekunden später könnte ein durchgesickerter Teamzettel ihn ungültig machen — darum sind Vorteile Schätzungen, keine Fakten.

Das Wichtigste

Prognosemodelle sind gewichtete Torquoten → Spielstandverteilungen → Marktwahrscheinlichkeiten.
Unseres mischt Modell mit Markt (40/60) und veröffentlicht nur klare-Vorteil-Picks — verzichtet auf die meisten Matches.
Modelle sind blind für Nachrichten; Wahrscheinlichkeiten werden über hunderte Spiele hinweg kalibriert, nicht einzelne Matches.
Beurteile jeden Tipster nach vollständigen Flach-Einsatz-Bilanzen und Closing Line Value, niemals nach Highlight-Monaten.

Häufige Fragen

Welche Genauigkeit erreichen Fußballprognosemodelle?

Bei Dreiwege-Matchquoten landen Top-Modelle das richtige Ergebnis grob 50–55% der Zeit — kaum mehr als immer den Favoriten zu spielen. Genauigkeit ist ohnehin die falsche Metrik; Kalibrierung und Wert gegen Quoten sind das, was zahlt, darum berichten wir Einheiten und CLV statt Prozentsätzen.

Warum widerspricht sich das Modell manchmal mit offensichtlicher Form?

Weil 'offensichtliche Form' normalerweise fünf Spiele Rauschen sind, und das Modell zwei Saisons von Raten wiegt. Wenn sie kollidieren, hat die längere Stichprobe öfter recht — nicht immer, nur öfter, das ist alles, was ein Modell behauptet.

Nutzt ihr Machine Learning?

Der Kern ist klassische Statistik: zeitlich abklingende Poisson-Raten mit Shrinkage, gemischt mit Marktpreisen. Das ist transparent, debuggbar und veröffentlicht. Fanciere Architekturen bringen Undurchschaubarkeit schneller als Fußballgenauigkeit in unserem Datenbereich.