Wie das „Fußball-Supercomputer“-System wirklich funktioniert: Monte-Carlo-Simulation erklärt

„Supercomputer sagt Premier-League-Titelkampf voraus.“ „Supercomputer spricht Relegationsurteil.“ Kennst du die Schlagzeilen. Sie tauchen Woche für Woche auf, mit einer Spalte voller Prozentwerte neben jedem Verein, und am Samstag werden sie in der Kneipe wie Stein inskribiert zitiert.

Ein raumgroßer, summender Rechner in einem Keller ist das aber nicht. Der Fußball-„Supercomputer“ ist ein statistisches Modell, und die dahinterstehende Methode lässt sich auf deinem Laptop ausführen. Der Name ist reines Branding. Was darunter steckt, ist clever und überraschend einfach, und wir sind der Meinung, dass jeder Tipper das verstehen sollte.

Die Saison 2026/27 ist gerade einmal sieben Wochen alt. Sie startete am 21. August, Arsenal ist Titelverteidiger, und Coventry City, Ipswich Town und Hull City sind aufgestiegen. Genau jetzt fliegen die Prognosen um, und genau jetzt ist es am leichtesten, sie falsch zu lesen.

Bleib bei uns, und du wirst wissen, wie eine Saison-Simulation aufgebaut ist, was eine „Titelchance von 35 %“ wirklich bedeutet, warum das Modell und die Buchmacher sich nicht einig sind und wem man in welchen Momenten mehr trauen sollte.

Wer gerne tippt, wird den Namen zu schätzen wissen. Monte-Carlo-Methoden sind eine Familie von Berechnungen, die auf wiederholtem zufälligen Sampling beruhen. Der polnische Mathematiker Stanislaw Ulam hatte die Idee, und sie wurde nach dem Monte-Carlo-Casino in Monaco benannt – ein Tribut zu den Glücksspiel-Gewohnheiten seines Onkels.

Der Trick klingt kontraintuitiv: Man nutzt Zufall, um eine Frage zu beantworten, die gar nicht zufällig ist. Manche Probleme sind zu verfilzt für eine saubere Formel, und eine Fußball-Saison ist genau so ein Fall. Zwanzig Mannschaften, 380 Spiele, jedes Ergebnis fließt in jedes andere ein, Tie-Breaks werden über die Tordifferenz geklärt. Niemand schreibt eine saubere Gleichung auf für „Was sind die Chancen, dass Coventry drinbleibt?“

Deshalb macht man es nicht. Man spielt die Saison zufällig durch, aber gemäß plausiblen Wahrscheinlichkeiten, und zwar Tausende Male. Dann zählt man.

Das ist der Supercomputer. Alles andere dreht sich darum, wie gut die Wahrscheinlichkeiten sind, die man eingibt, und genau dort liegt der eigentliche Streitpunkt.

Jede Simulation beginnt mit einer Zahl für jedes Team. Einige Modelle nutzen eine einzelne Stärke, wie etwa Elo-Werte, aber die meisten Fußballmodelle teilen sie in eine angriffsstärke und eine defensivstärke auf. Diese basieren auf vergangenen Ergebnissen, zunehmend auf Expected Goals und in manchen Modellen auf einer Mischung mit Marktquoten.

Expected Goals ist das moderne Fundament. Jeder Schuss erhält eine Wahrscheinlichkeit zwischen 0 und 1, zu treffen, basierend auf Distanz, Winkel, Körperpartie, Art der Vorlage und so weiter. Addiert man die Schüsse, erhält man das xG eines Teams für das Spiel oder die Saison. Eine Chance mit 0,3 xG trifft bei vielen Wiederholungen in etwa 30 % der Fälle, was aber nichts darüber sagt, ob ein einzelner Schuss reingehen wird. Weil es das Glück beim Finish herausfiltert, ist xG ein verlässlicherer Indikator für das reale Niveau eines Teams als Tore allein, daher stützen sich die meisten Ratings stark darauf. Unser Leitfaden zum Aufbau eines Sportwettenmodells geht tiefer ein auf die Auswahl der Eingabewerte.

Der akademische Urvater von all dem ist Dixon und Coles, veröffentlicht im Journal of the Royal Statistical Society im Jahr 1997. Sie passten ein Poisson-Regressionsmodell auf englisches Liga- und Pokalfußball von 1992 bis 1995 an und testeten es gegen die Quoten der Buchmacher aus der Saison 1995/96. Das Papier bezweckte offen, Lücken im Fußballwettenmarkt zu finden, und berichtete über eine positive Rendite in diesem Test. Märkte in den 1990ern waren ein softeres Ziel als die heutigen, aber das Grundgerüst dieses Modells sitzt immer noch in den meisten öffentlichen Prognosen.

Ratings stehen auch nicht still. Ein gutes Modell aktualisiert sie im Laufe der Saison, sodass jüngere Spiele mehr Gewicht haben als die vom letzten Frühling.

Wenn die Ratings stehen, wird aus jedem Spiel eine Erwartungswert-Zahl an Toren für beide Mannschaften, und daraus werden Wahrscheinlichkeiten über die Poisson-Verteilung. Das ist der Standard-Weg, um zu modellieren, wie oft ein seltener Einzelfall in einem festen Zeitfenster passiert, und Toren in einem Fußballspiel passen da perfekt.

P(Mannschaft erzielt k Tore) = e^(-λ) × λ^k / k!

λ_heim = liga_avg × heim_atake × auswärts_defense × heim_vorteil
λ_auswärts = liga_avg × auswärts_atake × heim_defense ÷ heim_vorteil

Der Liga-Durchschnitt setzt den Baseline-Wert. Die ersten 50 Premier League Spiele der Saison 2026/27 produzierten 141 Tore, 2,82 pro Spiel, oder etwa 1,41 pro Seite.

Sagen wir, das Modell erwartet, dass die Heimmannschaft 1,8 und die Auswärtsmannschaft 1,0 Tore schießt. Die Heimmannschaft bleibt mit einer Wahrscheinlichkeit von e^-1,8, also etwa 16,5 %, ohne Tor, schießt 29,8 % der Zeit genau ein Tor und 26,8 % der Zeit genau zwei. Man geht jede mögliche Ergebniszeile von 0:0 bis 9:9 durch, summiert sie auf, und man bekommt:

Heimsieg  ≈ 56 %
Unentschieden      ≈ 23 %
Auswärtssieg  ≈ 21 %

Diese Form sollte bekannt vorkommen. Hier ist, was das Opta-Modell für eine Handvoll Spiele am 9. Oktober 2026 veröffentlicht hat:

Opta Sieg-Wahrscheinlichkeiten Stand 9. Oktober 2026.

Einfaches Poisson hat einen berühmten Makel. Es behandelt die Tore der beiden Mannschaften als unabhängig, was unterbewertete, torarme Unentschieden wie 0:0 und 1:1. Dixon und Coles haben eine Korrektur für die vier niedrigsten Ergebniszeilen (0:0, 1:0, 0:1 und 1:1) angehängt, und die meisten seriösen Modelle haben heute etwas ähnliches an Bord.

Hier ist der Monte-Carlo-Teil. Es ist eine fünfteilige Schleife:

1. Bewerte jedes Team anhand der Ergebnisse, xG und allem, was sonst noch einfließt.
2. Bewerte jedes verbleibende Spiel mit dem oben genannten Match-Modell.
3. Spiele jedes Spiel einmal zufällig, ziehe eine Torspiel aus diesen Wahrscheinlichkeiten und füge die Punkte in die Tabelle ein. Bereits gespielte Partien bleiben exakt so, wie sie ausgegangen sind.
4. Wiederhole die ganze Saison tausendfach. 10.000 Durchläufe sind eine gängige Wahl, und jeder Durchlauf ist eine mögliche Version von 2026/27.
5. Zähle. Die Titelchance ist der Anteil der Durchläufe, in denen ein Team auf Platz 1 landete. Die Abstiegschance ist der Anteil, in dem sie auf Platz 18, 19 oder 20 endeten.

Diese berühmten Prozentzahlen sind nichts anderes als Zählungen. Gewinne die Liga in 4.300 von 10.000 simulierten Saisons, und du liegst bei 43 %. Mit 50 von 380 gespielten Partien bis zum 20. September spielt ein Premier-League-Modell in jedem Durchlauf rund 330 Spiele.

Unten ist eine funktionierende Version für eine fiktive Vierer-Liga, die zu Hause und auswärts spielt. Es dauert eine Minute, sie zu lesen:

import random, math
random.seed(7)
teams = {"Reds": (1,9, 0,9), "Blues": (1,7, 1,0), "Whites": (1,4, 1,2), "Greens": (1,2, 1,3)}  # (Angriff, Abwehr)
AVG, HOME = 1,35, 1,15

def poisson(lam):
    L, k, p = math.exp(-lam), 0, 1,0
    while True:
        p *= random.random()
        if p <= L:
            return k
        k += 1

def play(h, a):
    lam_h = AVG * (teams[h][0] / AVG) * (teams[a][1] / AVG) * HOME
    lam_a = AVG * (teams[a][0] / AVG) * (teams[h][1] / AVG) / HOME
    return poisson(lam_h), poisson(lam_a)

fixtures = [(h, a) for h in teams for a in teams if h != a]
N, titles = 10_000, dict.fromkeys(teams, 0)
for _ in range(N):
    pts, gd = dict.fromkeys(teams, 0), dict.fromkeys(teams, 0)
    for h, a in fixtures:
        x, y = play(h, a)
        gd[h] += x - y; gd[a] += y - x
        if x > y: pts[h] += 3
        elif x < y: pts[a] += 3
        else: pts[h] += 1; pts[a] += 1
    champion = max(teams, key=lambda t: (pts[t], gd[t], random.random()))
    titles[champion] += 1
print({t: titles[t] / N for t in teams})

Führe es aus und die Reds, die auf dem Papier mit Abstand die beste Mannschaft sind, gewinnen den Titel in nur etwa 53 % der Saisons. Die Blues holen sich rund 31 %, die Whites ungefähr 11 % und die Greens etwa 4-5 %. Die Reds schlagen die Greens zu Hause 70 % der Zeit, und über eine kurze Saison verpasst die beste Mannschaft immer noch fast die Hälfte der Zeit. So laut ist der Fußball.

Eine Titelchance von 25 % bedeutet nicht, dass ein Team gewinnen sollte. Es bedeutet, dass es in vier von vier Saisons den Titel holt.

Die meisten Missinterpretationen beginnen genau dort. Auf 25 % zu stehen macht aus dir „die Wahl des Supercomputers“, doch in drei von vier Fällen hebt jemand anderes die Trophäe. Ein Team mit 10 % Abstiegswahrscheinlichkeit wird in den Schlagzeilen als „sicher“ bezeichnet, aber in einer von zehn Saisons geht genau dieses Team mit genau diesem Spielplan ab.

Frühe Zahlen sind meist die vom letzten Jahr

Nach sieben Spieltagen hat die echte Tabelle kaum eine Bewegung gezeigt. Was du jetzt siehst, ist vor allem die Vorherstellung des Modells über jedes Team mit einigen Ergebnissen vermischt. Im April kehrt sich das um: Die tatsächlichen Punkte dominieren und die Ratings entscheiden nur über die restlichen wenigen Spiele. Deshalb schwanken die frühen Prognosen nach jedem Spieltag stark.

Kleine Rating-Änderungen, große Schwankungen

Die Punktesummen liegen eng beieinander. Wenn man das Rating eines Teams nur um einen Bruchteil verändert, kann sich seine Titelchance um mehrere Prozentpunkte bewegen, denn zwei zusätzliche Siege über eine Saison können den gesamten Abstand zwischen Platz eins und drei ausmachen.

Mehr Runs beheben ein schlechtes Modell nicht

Die Stochastische Rauschen (Sampling Noise) nimmt mit mehr Simulationen zwar ab, und die Mathematik ist einfach genug:

Standardfehler = √( p × (1 − p) ÷ N )

p = 0,5, N = 10.000  →  0,5 Punkte  (ungefähr ±1 Punkt)
p = 0,5, N = 1.000   →  1,6 Punkte  (ungefähr ±3 Punkte)

Aber das deckt nur das Rauschen vom Würfel ab. Wenn man die Ratings falsch setzt, liefert eine Million Runs eine sehr präzise falsche Antwort. Es ist dieselbe Falle, in die Wettmodelle, die beim Backtesting brillieren, fallen und dann echtes Geld verlieren.

Selten heißt nicht unmöglich

Leicester City begann die Saison 2015/16 als 5000:1 Außenseiter bei den Buchmachern und wurde am 2. Mai 2016 zum Meister bestätigt, während Jamie Vardy dabei 24 Liga-Tore für Claudio Ranieri erzielte. Eine 5000:1 Chance impliziert etwa 0,02 %, oder grob zwei Titel in 10.000 simulierten Saisons. Wenn ein Modell „<1 %“ ausgibt, lies es als „selten“ und niemals als „kann nicht passieren“.

Legt man die Prozentwerte eines Modells neben die Quoten eines Buchmachers, passen diese selten zusammen. Drei Faktoren treiben diese Kluft.

Der Margin

Die Wahrscheinlichkeiten eines Modells summieren sich exakt auf 100 %. Die impliziten Wahrscheinlichkeiten eines Buchmachers summieren sich dagegen zu mehr, und in den großen Direktwetten-Märkten oft weit über 100 %. Das ist der Overround. Um Äpfel mit Äpfeln zu vergleichen, muss man die Zahlen des Modells in faire Quoten umrechnen:

faire Dezimalquoten = 1 ÷ Wahrscheinlichkeit

Man Utd 54,1 %  →  1 ÷ 0,541 ≈ 1,85  (etwa 17/20)
Unentschieden    23,6 %  →  1 ÷ 0,236 ≈ 4,24  (etwa 13/4)
Spurs   22,3 %  →  1 ÷ 0,223 ≈ 4,48  (etwa 7/2)

Die realen Quoten werden bei den meisten Ergebnissen kürzer sein als diese, weil der Margin irgendwo herkommen muss. Unser Ratgeber zum Entfernen der Buchmacher-Margin vergleicht vier Methoden, um ihn aus einer Quote zu streifen.

Die Eingaben

Das Modell weiß nur, was in seinen Ratings steckt. Der Markt weiß aber vom Hamstringschaden, der sich beim Training am Donnerstag zugezogen hat, vom Trainer, der nur noch eine Niederlage vom Aus scheidet, vom Rotationsspiel vor dem Europa-Abend und vom Januar-Fenster, das noch gar nicht stattgefunden hat. Buchmacher managen zudem ihr Risiko und reagieren darauf, wohin das Geld fließt. Einige öffentliche Modelle drehen das um und mischen Marktquoten in ihre Ratings ein, sodass sie teilweise den Markt kopieren, mit dem sie verglichen werden.

Die Außenseiter

Buchmacher neigen dazu, Außenseiter-Quoten kürzer zu setzen als deren tatsächliche Chance. Das ist der gut dokumentierte Favourite-Longshot-Bias, und allein dafür wirken Außenseiter oft im Buch als schlechterer Tipp, als das Modell es nahelegt.

Betrachte den Supercomputer als Plausibilitätsprüfung, nicht als Tipper. Er ist hervorragend darin, dir zu zeigen, wie viel Wahrscheinlichkeit eine Quote tatsächlich von dir verlangt. Er ist jedoch schlecht darin, dir etwas zu sagen, das der Markt nicht bereits weiß.

Beginne mit der Umrechnung. Ein Modell, das einem Team 4 % für den Titel zuweist, bedeutet faire Quoten von 25,0, oder 24:1. Wenn die beste verfügbare Quote 20:1 ist, impliziert die Buchmacherquote etwa 4,8 % (1 ÷ 21). Diese Lücke liegt gut innerhalb der Fehlermarge des Modells, daher ist es keine Wette. Handle nur, wenn die Lücke größer ist als dein Vertrauen in die Bewertungen, die dahinterstecken.

Dann frag dich, warum die Lücke dort ist. Modelle und Buchmacher speisen sich aus den gleichen öffentlichen Ergebnissen, daher bedeutet eine scharfe Abweichung normalerweise, dass das Modell etwas übersieht: eine Verletzung, einen neuen Trainer, eine Umstrukturierung des Kaders. Finde den Grund, bevor du dein Portmonei hervorholst.

Von Woche zu Woche sind die Zahlen pro Spiel das nützlichere Werkzeug. Ein Heimsieg mit 54,1 % wird zu einer fairen Quote von etwa 1,85. Wenn dir etwas Deutlich Höheres angeboten wird, verdient es eine genauere Betrachtung; wenn dir eine kürzere Quote angeboten wird, sagt dir das Modell, dass du es sein lassen solltest. Für die Titel- und Nichtabstiegs-Märkte selbst führen unser Premier League Titelwetten-Guide und unser Nichtabstiegs-Guide im Detail durch die Kandidaten für die Saison 2026/27.

Möchtest du noch weiter gehen? Baue dir dein eigenes. Der Spielcode oben ist ein funktionierender Startpunkt, und unser Artikel darüber, ob Machine Learning die Buchmacher schlagen kann, zeigt, wohin ernsthafte Modelle es als Nächstes nehmen.

Unser Urteil: Der Supercomputer ist ein exzellenter Übersetzer, aber ein schlechter Orakel. Nutze ihn, um Meinungen in Quoten umzuwandeln, nicht um dir Sieger auszuwählen.

• Wandle jeden Prozentsatz in faire Quoten um, bevor du dich an einen Buchmacher wendest. Es ist eine Summe, die zehn Sekunden dauert, und sie verhindert, dass eine Schlagzeilen-Zahl sich als Wert ausgibt.
• Ignoriere Titel-Schwankungen in der frühen Saison. Im September und Oktober sind die Ergebnisse größtenteils die Ratings der letzten Saison, und der Markt hat die Sommer-Veränderungen bereits einkalkuliert.
• Behandle nie den höchsten Prozentsatz als Tipp. Ein Favorit mit 30 % verfehlt den Titel siebenmal von zehn, und die Quote muss das widerspiegeln.
• Achte auf die Schwachstellen. Ein Team mit „1 %“ gewinnt immer noch etwa 100 von 10.000 Saisons. Leicester mit 5000 zu 1 ist die Erinnerung daran.
• Vertraue großen Lücken zwischen Modell und Markt nicht. Kleine Lücken sind Rauschen; große bedeuten in der Regel, dass das Modell Teamnews übersehen hat. Recherchiere, bevor du wettest.
• Verlasse dich auf die Zahlen pro Spiel. Wahrscheinlichkeiten für einzelne Spiele sind präziser und viel leichter gegen eine Quote zu verteidigen als Saison-Quoten.

Was auch immer du anlegst, setze eine feste, sinnvolle Einheit und bewerte dich über eine lange Serie von Wetten, nicht über ein Wochenende.

• Premier League 2026/27 Titelwetten-Guide
• Premier League Abstiegswetten 2026/27
• Wie man ein Sportwettenmodell aufbaut: Der umfassende Leitfaden
• KI in den Sportwetten: Kann Machine Learning die Buchmacher schlagen?
• Elo-Ratings erklärt: Wie die Schach-Mathematik Fußballteams rankt

18+. Bitte wette verantwortungsvoll. Für kostenlose, vertrauliche Unterstützung besuche BeGambleAware.org.