Hoe de 'voetbalsupercomputer' echt werkt: Monte Carlo-simulatie uitgelegd

Een supercomputer voorspelt de titelrace in de Premier League. Een supercomputer spreekt het vonnis uit over de degradatie. Je kent die koppen. Ze verschijnen week in week uit, met een kolom percentages naast elke club, en tegen zaterdag worden ze in de kroeg aangehaald alsof het in steen gebeit is.

Er is echter geen kamergrote machine die in een kelder bromt. De voetbal-supercomputer is een statistisch model, en de methode erachter kan je laptop draaien. De naam is pure branding. Wat eronder zit is slim en verrassend eenvoudig, en we vinden dat elke wedder dit moet begrijpen.

Het seizoen 2026/27 is ongeveer zeven weken oud. Het startte op 21 augustus, Arsenal zijn de titelverdedigers, en Coventry City, Ipswich Town en Hull City zijn gepromoveerd. Dit is precies het moment waarop de projecties in omloop komen, en precies het moment waarop ze het easiestst te mislezen zijn.

Blijf mee en je zult weten hoe een seizoen simulatie wordt opgebouwd, wat een "35% titelkans" echt betekent, waarom het model en de bookmakers het niet met elkaar eens zijn, en aan welke je je moet houden wanneer.

Iedereen die van een gokje houdt, zal het naamgebruik waarderen. Monte Carlo-methoden zijn een familie van berekeningen die gebouwd zijn op herhaald toevallig stalen. De Poolse wiskundige Stanislaw Ulam bedacht het idee, en het is vernoemd naar het Monte Carlo Casino in Monaco, als een knipoog naar de gokkeigenheden van zijn oom.

De truc klinkt contrair: je gebruikt toeval om een vraag te beantwoorden die helemaal niet toevallig is. Sommige problemen zijn te verwarmd voor een nette formule, en een voetbalseizoen is er een van. Twintig teams, 380 wedstrijden, elk resultaat die in elk ander resultaat uitmondt, tie-breaks die op doelpuntdifference worden vastgesteld. Niemand schrijft een nette vergelijking voor "wat zijn de kansen dat Coventry in de competitie blijft?"

Dus doe je het niet. Je speelt het seizoen toevallig uit, maar volgens zinnelijke kansen, en je doet het duizenden keren. Dan tel je.

Dat is de supercomputer. Alles andere gaat over hoe goed de kansen zijn die erin gaan, en daar zit het echte debat.

Elke simulatie begint met een cijfer per team. Sommige modellen gebruiken een enkele sterkte-score, zoals Elo-ratings, maar de meeste voetbalmodellen splitsen dit op in een aanvalssterkte en een verdedigingssterkte. Die komen uit de resultaten van het verleden, steeds vaker uit expected goals, en in sommige modellen uit een mengeling met de koers van de bookmakers.

Expected goals is de moderne ruggengraat. Elke schot krijgt een kans tussen 0 en 1 om in het doel te gaan, gebaseerd op afstand, hoek, het lichaamsdeel dat schiet, het type assist en zo weiter. Tel de schoten op en je hebt de xG van een team voor de wedstrijd of het seizoen. Een kans van 0,3 xG gaat in ongeveer 30% van de tijd over veel herhalingen, wat je niets vertelt over of een enkel schot erin gaat. Omdat het het geluk bij het afsluiten wegneemt, is xG een stabielere richtlijn voor het echte niveau van een team dan alleen doelpunten, dus de meeste ratings steunen er zwaar op. Onze gids voor het opbouwen van een sportsbetting model gaat dieper in op het kiezen van je inputs.

De academische grootvader van het geheel is Dixon en Coles, gepubliceerd in het Journal of the Royal Statistical Society in 1997. Ze pasten een Poisson-regressiemodel toe op het Engelse league- en cupvoetbal van 1992 tot 1995 en testten het tegen de koersen van de bookmakers uit 1995/96. Het paper was openlijk over het vinden van gaten in de voetballettingsmarkt, en rapporteerde een positief rendement in die test. Markten in de jaren 90 waren een zacht doel dan de van vandaag, maar de botten van dat model zitten nog steeds in de meeste openbare forecasts.

Ratings staan ook niet stil. Een goed model update ze tijdens het seizoen, zodat recente wedstrijden meer tellen dan die van vorig voorjaar.

Zodra de ratings op tafel liggen, wordt elke wedstrijd een verwachte doeltelling voor beide partijen, en daarvan worden via de Poisson-verdeling kansen. Dit is de standaardmethode om te modelleren hoe vaak een zeldzaam voorval zich in een vast tijdsvenster voordoet, en doelpunten in een voetbalwedstrijd passen daar perfect bij.

P(team scoort k doelpunten) = e^(-λ) × λ^k / k!

λ_home = league_avg × home_attack × away_defence × home_advantage
λ_away = league_avg × away_attack × home_defence ÷ home_advantage

De league average bepaalt het basisniveau. De eerste 50 Premier League-wedstrijden van 2026/27 leverden 141 doelpunten op, 2,82 per wedstrijd, of gemiddeld 1,41 per team.

Stel dat het model uitgaat van 1,8 doelpunten voor de thuisclub en 1,0 voor de uitclub. De thuisclub blijft scoreloos met een kans van e^-1,8, ongeveer 16,5%, scoort 29,8% van de tijd één keer en 26,8% van de tijd twee keer. Werk alle uitslagen door van 0-0 tot en met 9-9, tel ze op, en je krijgt:

Thuiswinst ≈ 56%
Gelijkspel ≈ 23%
Uitwinst  ≈ 21%

Die vorm zou je bekend moeten komen voor. Hier is wat het model van Opta publiceerde voor een selectie van wedstrijden op 9 oktober 2026:

Opta win kansen per 9 oktober 2026.

Pure Poisson heeft één bekende zwakte. Het behandelt de doelpunten van de twee teams als onafhankelijk van elkaar, wat de kans op low-scoring gelijke standen zoals 0-0 en 1-1 onderschat. Dixon en Coles voegden een correctie toe voor de vier laagste uitslagen (0-0, 1-0, 0-1 en 1-1), en de meeste serieuze modellen hebben tegenwoordig iets vergelijkbaars aan boord.

Dit is het Monte Carlo-deel. Het is een lus in vijf stappen:

1. Beoordeel elk team op basis van resultaten, xG en andere factoren.
2. Bepaal de koers voor alle resterende wedstrijden met het wedstrijdmodel hierboven.
3. Speel elke wedstrijd één keer willekeurig, trek een score uit die kansen en voeg de punten toe aan de ranglijst. Wedstrijden die al gespeeld zijn, blijven exact zoals ze waren.
4. Herhaal het hele seizoen duizendvoudig. 10.000 simulaties is een veelgebruikte keuze, en elke simulatie is een mogelijke versie van 2026/27.
5. Tellen. De kans op de titel is het aandeel van simulaties waarin een team als eerste eindigde. De kans op degradatie is het aandeel waarin ze op plek 18, 19 of 20 eindigden.

Die bekende percentages zijn gewoon tellingen. Winnen de league in 4.300 van de 10.000 gesimuleerde seizoenen en je staat op 43%. Met 50 van de 380 wedstrijden gespeeld op 20 september, speelt een Premier League-model in elke simulatie ongeveer 330 wedstrijden.

Hieronder is een werkende versie voor een fictief vierpottenkampioenschap dat thuis en uit speelt. Het is in een minuut te lezen:

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)}  # (aanval, verdediging)
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})

Draai het en de Reds, comfortabel het beste team op papier, winnen de titel in alleen ongeveer 53% van de seizoenen. De Blues pakken ruwweg 31%, de Whites rond de 11% en de Greens zo'n 4-5%. De Reds verslaan de Greens thuis 70% van de tijd, en over een kort seizoen mis het beste team nog steeds bijna de helft van de tijd. Zo lawaaiig is voetbal.

Een titelkans van 25% betekent niet dat een team moet winnen. Het betekent dat ze een seizoen op de vier de titel pakken.

De meeste misverstanden beginnen precies daar. Als je met een kans van 25% bovenaan de lijst staat, word je de 'keuze van de supercomputer', maar in drie op de vier gevallen tilt iemand anders de trofee op. Een team met een degradatiekans van 10% wordt in de koppen 'veilig' genoemd, maar in één seizoen op de tien gaat die exacte elf met die exacte wedstrijdlater neer.

Vroege cijfers zijn grotendeels vorig seizoen

Na zeven weken heeft het echte klassement nauwelijks beweging in de naald. Wat je nu ziet, is grotendeels de voorafgaande opvatting van het model over elk team, met een paar resultaten erbij gemengd. In april keert het om: de werkelijke punten domineren en de ratings bepalen alleen maar de handvol resterende wedstrijden. Daarom schommelen vroege projecties na elke wedstrijdwed.

Kleine ratingveranderingen, grote swings

De puntentotaals liggen dicht op elkaar. Stoot de rating van een team een fractie aan en zijn titelkans kan met enkele procentpunten verschuiven, want een paar extra winsten over een seizoen kunnen het hele verschil uitmaken tussen eerste en derde.

Meer runs reparen geen slecht model

De samplingruis krimpt wel als je simulaties toevoegt, en de wiskunde is simpel genoeg:

standaardfout = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 punten  (ongeveer ±1 punt)
p = 0,5, N = 1,000   →  1,6 punten  (ongeveer ±3 punten)

Maar dat dekt alleen maar ruis van de dobbelstenen. Als je de ratings verkeerd uitrekent, levert een miljoen runs een zeer nauwkeurige foute antwoord. Het is dezelfde valstrik die weddijkmodellen die briljant backtesten en dan echt geld verliezen, raakt.

Zeldzaam is niet onmogelijk

Leicester City begon in 2015/16 als 5000-1 outsiders bij de bookmakers en werden bekrone kampioenen op 2 mei 2016, met Jamie Vardy die onderweg 24 competitiedoele voor Claudio Ranieri score. Een 5000-1 kans impliceert ongeveer 0,02%, ofwel ruwweg twee titels in 10,000 gesimuleerde seizoenen. Als een model "<1%" toont, lees het als 'zeldzaam' en nooit als 'kan niet gebeuren'.

Zet de percentages van een model naast de koers van een bookmaker en ze komen zelden overeen. Drie factoren zorgen voor dit verschil.

De margin

De kansen van een model komen uit op exact 100%. De impliciete kansen van een bookmaker komen uit op meer, en in de grote outright-markten vaak ruim boven de 100%. Dit is de overround. Om eerlijk te vergelijken, moet je de getallen van het model omzetten in eerlijke koersen:

eerlijke decimal koers = 1 ÷ kans

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

De echte koersen zullen op de meeste uitkomsten korter zijn dan deze, omdat de margin ergens vandaan moet komen. Onze gids over het verwijderen van de bookmaker-margin vergelijkt vier manieren om deze uit een koers te halen.

De input

Het model weet alleen wat er in zijn ratings zit. De markt weet wel van de hamstringblessure die in de training op donderdag oplengde, de manager die maar een nederlaag weg is van ontslag, de rotatie voorafgaand aan een Europese avond en de transferperiode in januari die nog niet is begonnen. Bookmakers beheren ook hun risico en reageren op waar het geld naartoe gaat. Sommige openbare modellen draaien dit om en mengen marktkoersen in hun ratings, waardoor ze deels kopiëren van de markt waarmee ze vergeleken worden.

De longshots

Bookmakers koersen longshots korter dan hun echte kans. Dit is de welgedocumenteerde favourite-longshot bias, en dit betekent op zichzelf dat outsiders in de book vaak minder waarde lijken te hebben dan het model suggereert.

Bekijk de supercomputer als een saniteitscheck, niet als tipper. Hij is briljant in het tonen van hoeveel waarschijnlijkheid een koers eigenlijk van je vraagt om te geloven. Hij is zwak in het vertellen van iets wat de markt niet al weet.

Begin met de omrekening. Een model dat een team 4% kansen geeft op de titel, impliceert een fair koers van 25,0, of 24/1. Als de beste koers in de markt 20/1 is, impliceert de bookmaker ongeveer 4,8% (1 ÷ 21). Die gap zit goed binnen de foutmargen van het model, dus het is geen weddenschap. Pas als de gap groter is dan je vertrouwen in de ratings achter het model, dan pas mag je acteren.

Vraag je daarna af waarom die gap er is. Modellen en bookmakers eten van dezelfde openbare resultaten, dus een grote discrepantie betekent meestal dat het model iets over het hoofd ziet: een blessure, een nieuwe trainer, een complete omschikking van de selectie. Vind eerst de reden, voordat je je portefeuille opent.

Van week tot week zijn de per-wedstrijl-cijfers het nuttigste instrument. Een thuiswinstkans van 54,1% komt uit op een fair koers van ongeveer 1,85. Als je een koers aangeboden krijgt die ruim boven die fair waarde ligt, verdient het een goede blik; als je een kortere koers aangeboden krijgt, zegt het model dat je beter kunt passen. Voor de titel- en overlevingsmarkten zelf, lopen onze gids voor Premier League titelweddenschappen en de gids voor degradatieweddenschappen in detail over de 2026/27 kandidaten.

Zal je verder gaan? Bouw het zelf. De speelcode hierboven is een werkende start, en ons artikel over of machine learning de bookmakers kan verslaan toont waar serieuze modellen het volgende stapje naartoe nemen.

Ons oordeel: de supercomputer is een uitstekende vertaler, maar een slechte orakel. Gebruik hem om meningen om te zetten in koers, om winnaars voor je te kiezen.

• Zet elk percentage om in een eerlijke koers voordat je naar een bookmaker kijkt. Het is een som van tien seconden, en het voorkomt dat een opvallend getal zich als waarde voor doet uit.
• Negeer titelzwings in het vroege seizoen. In september en oktober zijn de outputs grotendeels de ratings van het vorige seizoen, en de markt heeft de zomerse veranderingen al in de prijs verwerkt.
• Behandel het hoogste percentage nooit als een pick. Een favoriet met 30% misloopt de titel zeven keer op tien, en de koers moet dat weerspiegelen.
• Neem de staart serieus. Een team met "1%" wint nog steeds ongeveer 100 van de 10.000 seizoenen. Leicester met een koers van 5000-1 is de herinnering.
• Vermoedelijke grote kloppen tussen model en markt. Kleine kloppen zijn ruis; grote kloppen betekenen meestal dat het model teamnieuws heeft gemist. Graaf voor je een wed gaat.
• Leun op de per-match-cijfers. Kansen voor een individuele wedstrijd zijn strakker en veel makkelijker te toetsen aan een koers dan kansen voor het hele seizoen.

Wat je ook wedt, zet een vaste, zinnige eenheid in en oordeel jezelf over een lange reeks weddenschappen, niet over één weekend.

• Gids voor titelweddenschappen in de Premier League 2026/27
• Weddenschappen op degradatie in de Premier League 2026/27
• Hoe maak je een sports-weddingenmodel: de complete gids
• AI in sports-weddenschappen: kan machine learning de bookmakers verslaan?
• Elo-ratings uitgelegd: hoe schaakwiskunde voetbalteams rangschikt

18+. Speel verantwoord. Voor gratis, vertrouwelijke ondersteuning ga je naar BeGambleAware.org.