Was steckt hinter Expected Goals? Wir erklären xG, xGA und xGD von Grund auf – und zeigen, wie du diese Metriken auf Atlas Markets gewinnbringend einsetzen kannst.
Was sind Expected Goals – und warum verändert xG alles?
Seit gut einem Jahrzehnt hat eine einzige Zahl die Art, wie wir Fußball verstehen, revolutioniert: Expected Goals, kurz xG. Kaum eine andere Kennzahl wird so häufig diskutiert, so selten wirklich verstanden – und bietet gleichzeitig so viel Potenzial für datengetriebene Vorhersagen auf Atlas Markets.
In diesem Artikel zerlegen wir xG komplett: Wie wird es berechnet? Warum ist es aussagekräftiger als reine Torzahlen? Und wie nutzen professionelle Prediction-Trader die Metrik, um Marktineffizienzen zu finden?
Die Grundidee hinter Expected Goals
Jede Torchance im Fußball hat eine bestimmte Wahrscheinlichkeit, im Tor zu landen. Ein Elfmeter liegt statistisch bei etwa 77% – ein Kopfball aus 20 Metern dagegen kaum über 2%. Expected Goals summiert diese Wahrscheinlichkeiten über alle Chancen eines Teams in einem Spiel auf.
Beispiel:
- Team A schießt 12 Mal, summt xG = 2,4
- Team B schießt 5 Mal, summt xG = 0,7
- Ergebnis: 1:2 für Team B
Was sagt uns das? Team A hat die klar bessere Leistung gezeigt. Das Ergebnis ist ein statistischer Ausreißer. Langfristig wird Team A mehr Spiele gewinnen – und der Markt wird das irgendwann einpreisen.
Was fließt in die xG-Berechnung ein?
Moderne xG-Modelle berücksichtigen eine Vielzahl von Faktoren:
| Faktor | Einfluss auf xG |
|---|---|
| Schussdistanz | Sehr hoch – je näher, desto höher |
| Schusswinkel | Hoch – zentrale Positionen bevorzugt |
| Spielsituation | Mittel – Freistoß, Einwurf, Konter etc. |
| Körperteil | Mittel – Fuß vs. Kopf |
| Vorangegangene Aktion | Mittel – Dribbling, Flanke, Direktabnahme |
| Gegnerischer Torwart | Niedrig (in Basis-Modellen oft ignoriert) |
| Druck durch Abwehrspieler | Hoch in Post-Shot-Modellen |
xG vs. Tore: Warum Ergebnisse lügen
Der entscheidende Vorteil von xG gegenüber einfachen Torzahlen ist seine Robustheit gegen Varianz. Fußball hat eine enorm hohe Zufallskomponente – Pfosten, Glanzparaden, Schiedsrichterentscheidungen. xG filtert dieses Rauschen heraus.
Ein konkretes Beispiel: Bayer Leverkusen 2023/24
In ihrer ungeschlagenen Meistersaison hatte Bayer Leverkusen eine xG von etwa 71 – und erzielte 89 echte Tore. Das bedeutet: Sie übertrafen ihre xG um +18 Tore. Ein Teil davon ist Qualität (Granit Xhaka, Florian Wirtz), aber ein Teil ist auch pure Effizienz, die statistisch kaum zu wiederholen ist.
Wer diesen Effekt verstand, konnte auf Leverkusen-Märkte mit entsprechend eingepreisten hohen Quoten intelligenter reagieren – denn die Regression zur Mitte kommt früher oder später.
xGA und xGD: Der komplette Blick auf ein Team
xG allein ist nur die halbe Geschichte. Für ein vollständiges Bild brauchst du:
- xGA (Expected Goals Against): Wie viele Tore hätte die Gegner statistisch erzielen sollen? Misst die defensive Qualität – unabhängig davon, wie gut der eigene Torwart gerettet hat.
- xGD (Expected Goal Difference): xG minus xGA. Der wichtigste Einzelwert für die Teamqualität.
Ein Team mit xGD von +1,5 pro Spiel gehört zur absoluten Ligaelite – egal was die Tabelle gerade sagt.
Bundesliga xGD-Orientierungswerte (historische Richtwerte)
| xGD pro Spiel | Liga-Niveau |
|---|---|
| > +1,5 | Meisterkandidaten (Bayern, Leverkusen-Klasse) |
| +0,5 bis +1,5 | Stabiler Top-6-Bereich |
| 0 bis +0,5 | Mittelfeld, Europaplatz möglich |
| -0,5 bis 0 | Abstiegsgefährdet bei schlechter Effizienz |
| < -0,5 | Klarer Abstiegskandidat |
Post-Shot xG: Der nächste Schritt
Standard-xG bewertet nur die Schussposition vor dem Schuss. Post-Shot xG (PSxG) geht einen Schritt weiter und bewertet auch die Güte des Schusses selbst – Platzierung, Schusshärte, Bewegung des Balls.
Das führt zu einem wichtigen Konzept: Torwart-Mehrwert (Goals Saved Above Expected, GSAE):
GSAE = PSxGA − tatsächliche Gegentore
Ein Torwart mit GSAE = +8 in einer Saison spart seinem Team fast drei Punkte. Auf Atlas Markets sind Torwart-Injuries und -Wechsel daher regelmäßig preisbewegende Ereignisse – wenn du weißt, wie du sie bewerten sollst.
xG in der Praxis: Ineffizienzen auf Prediction Markets finden
Wie nutzt du xG konkret auf Atlas Markets? Hier ist ein strukturierter Ansatz:
Schritt 1: xG-Divergenz identifizieren
Suche Teams, bei denen Ergebnisse und xG stark auseinanderklaffen:
- Overperformer: Viele Tore, aber niedrige xG → Regression droht
- Underperformer: Wenige Tore, aber hohe xG → Kurskorrektur wahrscheinlich
Schritt 2: Marktpreise prüfen
Reflektiert der aktuelle Marktpreis die tatsächliche Stärke des Teams? Märkte reagieren oft zu langsam auf xG-Divergenzen, weil die meisten Teilnehmer auf Ergebnisse schauen, nicht auf Chancenqualität.
Schritt 3: Sample Size beachten
Nach 3 Spielen ist xG noch statistisches Rauschen. Nach 10+ Spielen beginnt ein echter Trend. Als Faustregel gilt: Erst ab Spieltag 8-10 werden xG-Muster wirklich verlässlich.
Schritt 4: Kontextfaktoren überprüfen
- Hat das Team seinen besten Stürmer verloren? Dann ist hohes xG weniger wert.
- Neuer Trainer mit anderem System? xG-Daten aus der Vorsaison verlieren Relevanz.
- Gegner mit sehr guten Torhütern? PSxG gibt bessere Insights.
Häufige Missverständnisse über xG
"xG ist zu abstrakt – echte Tore zählen"
Ja, auf dem Platz zählen echte Tore. Aber für Prognosen über zukünftige Leistungen ist xG deutlich aussagekräftiger als vergangene Ergebnisse. Das ist durch dutzende statistische Studien belegt.
"Messi hat immer xG übertroffen – ist er also kein guter Spieler?"
Nein. xG unterschätzt systematisch außergewöhnliche Finisher, weil sie Schüsse aus Winkeln und Distanzen treffen, die statistisch selten sind. Der Punkt ist: Solche Spieler sind selten, und wenn du nicht sicher weißt, dass ein Team so jemanden hat, solltest du mit der Masse gehen.
"xG ist zu einfach"
Moderne xG-Modelle von StatsBomb oder Opta sind hochkomplexe Machine-Learning-Systeme mit über 50 Eingangsvariablen. Sie sind alles andere als simpel.
Die besten Quellen für xG-Daten
Für deine eigene Analyse brauchst du zuverlässige Datenquellen:
Kostenlos:
- Understat.com – xG für Bundesliga, Premier League, Champions League
- FBRef.com – erweiterte Metriken, PSxG, GSAE für Torhüter
- Sofascore – xG live und für Einzelspieler
Professionell:
- StatsBomb – Branchenführer, Daten für alle Top-Ligen
- Opta – offizielle Datenlizenz für viele Medien
- Wyscout – beliebt bei Scouts, xG auf Spielerebene
xG und die Zukunft der Fußball-Statistik
xG ist nicht das Ende der Datenrevolution – es ist der Anfang. Aktuell entwickelt sich das Feld rasant weiter:
Expected Assists (xA): Misst die Qualität von Vorlagen unabhängig davon, ob der Schuss getroffen wurde.
Expected Threat (xT): Bewertet nicht nur Schüsse, sondern jede ballbesitzende Aktion nach ihrem Beitrag zur Torwahrscheinlichkeit – Pässe, Dribblings, Läufe.
VAEP (Valuing Actions by Estimating Probabilities): Ein KI-basiertes Modell, das jede Aktion auf dem Feld bewertet.
Diese Metriken werden zunehmend von Vereinen genutzt – und ihr Einfluss auf Marktpreise wird auf Plattformen wie Atlas Markets immer spürbarer.
Fazit: xG ist dein Vorteil
Wer Expected Goals wirklich versteht und konsequent anwendet, hat einen messbaren Informationsvorsprung gegenüber reaktiven Markteilnehmern, die nur auf Ergebnisse schauen.
Das Rezept:
- Identifiziere xG-Divergenzen frühzeitig
- Prüfe, ob der Markt diese bereits eingepreist hat
- Handle konträr – aber diszipliniert und mit passendem Positionsmanagement
- Tracke deine Ergebnisse über mindestens 50+ Entscheidungen
Auf Atlas Markets findest du die liquidesten Bundesliga- und Champions-League-Märkte Deutschlands – der ideale Ort, um dein datengetriebenes Modell in die Praxis umzusetzen.
Bereit, dein Wissen einzusetzen?
Auf Atlas Markets kannst du auf Fußball-Prediction Markets handeln.
Zu Atlas Markets →