Wahre Wahrscheinlichkeit berechnen und Value-Wetten finden
Eine gewinnende Auswahl ist nicht unbedingt eine gute Wette, und eine verlierende Auswahl ist nicht unbedingt eine schlechte. Die Qualität eines Einsatzes hängt vom Verhältnis zwischen Wahrscheinlichkeit und Preis zum Zeitpunkt der Platzierung ab. Wenn ein Ergebnis zu Quoten angeboten wird, die über den fairen Quoten liegen, kann es einen positiven Erwartungswert haben, auch wenn es trotzdem verlieren kann.
Der schwierige Teil ist nicht das Umrechnen von Quoten. Es ist, Wahrscheinlichkeit ehrlich zu schätzen, Unsicherheit zu messen und keine Präzision zu erfinden, wo die Evidenz schwach ist. Dieser Leitfaden erklärt einen praktischen Rahmen dafür.
Wahre Wahrscheinlichkeit, geschätzte Wahrscheinlichkeit und implizite Wahrscheinlichkeit
Diese Begriffe sollten getrennt werden.
| Konzept | Bedeutung | Kann sie vor dem Ereignis exakt bekannt sein? |
|---|---|---|
| Wahre Wahrscheinlichkeit | Die tatsächliche zugrunde liegende Chance des Ergebnisses | Meist nein |
| Geschätzte Wahrscheinlichkeit | Ihr Modell oder Urteil über diese Chance | Ja, aber mit Fehler |
| Implizite Wahrscheinlichkeit | Die Break-even-Rate, die in den angebotenen Quoten steckt | Ja |
| Markt-Wahrscheinlichkeit ohne Vig | Marktschätzung nach einer Margen-Entfernungsmethode | Ja, aber methodenabhängig |
Den eigenen Wert „die wahre Wahrscheinlichkeit“ zu nennen, ist zu selbstsicher. Die wahre Wahrscheinlichkeit ist unbekannt; Ihre Aufgabe ist eine vertretbare Schätzung und das Verständnis, wie falsch sie sein könnte.
Was ist eine Value-Wette?
Eine Wette hat theoretischen Value, wenn die verfügbaren Quoten höher sind als die fairen Quoten aus einer genauen Wahrscheinlichkeitsschätzung.
Angenommen, Sie schätzen die Siegchance eines Teams auf 50%.
Faire Quoten = 1 ÷ 0.50 = 2.00
- Marktquoten 1.85: unter Ihrem fairen Preis; negativer Value unter Ihrer Schätzung.
- Marktquoten 2.00: theoretischer Break-even-Preis.
- Marktquoten 2.20: über Ihrem fairen Preis; potenziell positiver Value.
„Potenziell“ zählt, weil die Schlussfolgerung nur so zuverlässig ist wie die 50%-Schätzung.
Schritt 1: Das Ereignis präzise definieren
Wahrscheinlichkeit lässt sich erst schätzen, wenn das Ereignis eindeutig ist.
„Team A gewinnt“ kann bedeuten:
- gewinnt in der regulären Spielzeit;
- qualifiziert sich nach Verlängerung oder Elfmeterschießen;
- gewinnt mit Asian Handicap −0.5;
- gewinnt eine der beiden Hälften;
- gewinnt und beide Teams treffen.
Jedes Ereignis hat eine andere Wahrscheinlichkeit. Notieren Sie Markt, Abrechnungszeitraum und Void-Bedingungen, bevor die Analyse beginnt.
Schritt 2: Eine Baseline festlegen
Beginnen Sie mit einer Baserate statt mit einer Geschichte. Nützliche Baselines können sein:
- Markt-Wahrscheinlichkeit ohne Vig;
- ein statistisches Modell;
- Team-Ratings wie Elo-ähnliche Stärke;
- Expected-Goals-Projektionen;
- historische Rate für eine eng definierte Population.
Der Markt ist ein nützlicher Benchmark, weil er Informationen aggregiert; ihn zu kopieren und willkürlich anzupassen ist keine unabhängige Analyse. Ein Modell ist nur nützlich, wenn es auf Daten getestet wurde, die nicht zum Aufbau verwendet wurden.
Marge aus einem Markt entfernen
Angenommen, ein 1X2-Markt bietet:
| Ergebnis | Quoten | Rohe implizite Wahrscheinlichkeit |
|---|---|---|
| Heimsieg | 2.20 | 45.45% |
| Unentschieden | 3.50 | 28.57% |
| Auswärtssieg | 3.40 | 29.41% |
| Summe | 103.44% |
Mit proportionaler Normalisierung:
Wahrscheinlichkeit ohne Vig = Rohe implizite Wahrscheinlichkeit ÷ 103.44%
| Ergebnis | Proportionale Wahrscheinlichkeit ohne Vig |
|---|---|
| Heimsieg | 43.94% |
| Unentschieden | 27.62% |
| Auswärtssieg | 28.44% |
Das ist eine margenfreie Interpretation des Marktes, keine objektive Wahrheit.
Schritt 3: Relevante Evidenz auswählen
Mehr Daten sind nicht automatisch besser. Nutzen Sie Variablen mit plausibler Beziehung zum Ereignis, die vor der Wette verfügbar sind.
Für Fußball-Match-Wahrscheinlichkeiten können nützliche Evidenzen sein:
- langfristige Offensiv- und Defensivstärke;
- Expected Goals für und gegen;
- Heimvorteil;
- erwartete Startelf und Spielerverfügbarkeit;
- Erholung und Termindruck;
- Gegnerqualität;
- taktisches Matchup;
- Wetter oder Stadionbedingungen, wenn relevant.
Vorsicht bei:
- rohen aktuellen Siegesserien;
- Head-to-Head-Bilanzen aus alten Kaders;
- Ballbesitz ohne Chancenqualität;
- selektiv gewählten letzten-fünf-Samples;
- Motivationsnarrativen ohne messbare Evidenz.
Evidenz sollte Ihre Schätzung nur ändern, wenn Sie erklären können, warum sie das definierte Ergebnis beeinflusst.
Schritt 4: Ein Wahrscheinlichkeitsmodell aufbauen
Es gibt kein einziges erforderliches Modell. Das passende Niveau hängt von Sport, Daten und Können ab.
Einfacher Rating-Ansatz
Ein Teamstärke-Rating kann relative Qualität schätzen und den Unterschied in Match-Wahrscheinlichkeiten übersetzen. Heimvorteil und Ausfälle können explizite Anpassungen sein.
Expected-Goals-Ansatz
Schätzen Sie Expected Goals für jedes Team und nutzen Sie ein Poisson- oder verwandtes Modell für Ergebniswahrscheinlichkeiten. Relevante Ergebnisse summieren ergibt Heim, Unentschieden, Auswärts, Totals oder Exact-Score-Schätzungen.
Empirisches Modell
Bei einem Spieler-Prop schätzen Sie die Verteilung von Minuten und Ereignisrate pro 90, angepasst an Rolle und Gegner. Ein einfacher Saisondurchschnitt reicht nicht, wenn sich die Rolle ändert.
Strukturiertes Urteil
Ohne formales Modell beginnen Sie mit einer transparenten Baseline und dokumentieren kleine, begründete Anpassungen. Vermeiden Sie große Änderungen nur aus Intuition.
Welche Methode Sie auch nutzen: frieren Sie den Prozess ein, bevor Sie das Ergebnis sehen. Annahmen nach dem Spiel zu ändern erzeugt Hindsight statt Lernen.
Schritt 5: Kalibrierung prüfen
Ein Wahrscheinlichkeitsmodell sollte danach beurteilt werden, ob seine Wahrscheinlichkeiten kalibriert sind — nicht nur danach, Gewinner zu treffen.
Wenn Selektionen mit 60% Wahrscheinlichkeit in einer ausreichend großen Stichprobe etwa 60% der Zeit gewinnen, ist diese Gruppe gut kalibriert. Gewinnen sie nur 48%, ist das Modell überconfident.
| Prognosegruppe | Anzahl Prognosen | Vorhergesagte Rate | Tatsächliche Rate | Interpretation |
|---|---|---|---|---|
| 40–49% | 220 | 45% Durchschnitt | 44% | Nah |
| 50–59% | 190 | 55% Durchschnitt | 51% | Leicht überconfident |
| 60–69% | 140 | 65% Durchschnitt | 56% | Deutlich überconfident |
Kalibrierung braucht viele unabhängige Beobachtungen. Zehn gewinnende Wetten validieren kein 60%-Modell.
Scoring-Regeln wie Brier-Score oder Log-Loss bewerten Wahrscheinlichkeitsqualität effektiver als die Win-Rate allein.
Schritt 6: Schätzung in faire Quoten umrechnen
Faire Dezimalquoten = 1 ÷ Geschätzte Wahrscheinlichkeit
| Geschätzte Wahrscheinlichkeit | Faire Dezimalquoten |
|---|---|
| 70% | 1.43 |
| 60% | 1.67 |
| 55% | 1.82 |
| 50% | 2.00 |
| 45% | 2.22 |
| 40% | 2.50 |
| 25% | 4.00 |
Behalten Sie genug Dezimalstellen bei der Berechnung, stellen Sie die Schätzung aber nicht präziser dar, als das Modell trägt. „55%“ kann ehrlicher sein als „55.37%“, wenn wichtige Inputs unsicher sind.
Schritt 7: Edge und Expected Value berechnen
Zwei gängige Maße sind Probability Edge und Expected Value.
Probability Edge
Probability Edge = Ihre Schätzung − Implizite Wahrscheinlichkeit
Bei Quoten 2.20 ist die implizite Wahrscheinlichkeit 45.45%. Wenn Ihre Schätzung 50% ist:
50.00% − 45.45% = 4.55 Prozentpunkte
Das ist eine Prozentpunkt-Lücke, keine garantierte Rendite.
Expected Value
Für eine eingesetzte Einheit bei Dezimalquoten O mit geschätzter Siegchance p:
EV = (p × O) − 1
Bei Quoten 2.20 und Wahrscheinlichkeit 50%:
EV = (0.50 × 2.20) − 1 = +0.10
Der theoretische erwartete Ertrag ist +0.10 Einheiten pro eingesetzter Einheit, oder +10%, wenn die Schätzung stimmt.
Dieselbe Wette verliert trotzdem 50% der Zeit.
Schritt 8: Sensitivitätsanalyse durchführen
Eine einzelne Schätzung verdeckt Unsicherheit. Prüfen Sie, wie die Schlussfolgerung sich ändert, wenn Ihre Wahrscheinlichkeit leicht falsch ist.
Für Quoten 2.20:
| Geschätzte Wahrscheinlichkeit | EV pro Einheit | Entscheidungsimplikation |
|---|---|---|
| 47% | +0.034 | Dünner scheinbarer Edge |
| 48% | +0.056 | Kleiner Edge |
| 50% | +0.100 | Klarerer Edge |
| 52% | +0.144 | Größerer Edge |
Break-even ist 45.45%. Liegt ein vernünftiger Unsicherheitsbereich bei 43%–51%, ist das Vorzeichen des Edges unklar. Bei 48%–52% ist die Schlussfolgerung robuster.
Deshalb können feste Labels wie „1–3% kleiner Edge“ oder „7% starker Edge“ irreführen. Ein berechneter 7%-Edge aus einem schwachen Modell ist nicht stärker als ein 2%-Edge aus einem gut kalibrierten.
Ausgearbeitetes Beispiel: Fußball-Heimsieg
Angenommen, der Markt bietet Heimsieg zu 2.35.
Baseline
Nach Entfernen der Marge aus mehreren liquiden Marktpreisen ist Ihre Referenzwahrscheinlichkeit 41%.
Unabhängige Analyse
Ihr Modell schätzt 44%, reflektierend:
- stärkere zugrunde liegende Expected-Goals-Leistung als jüngste Ergebnisse nahelegen;
- Startelf in voller Stärke zu Hause;
- Gegner fehlt ein zentraler Mittelfeldspieler mit hohem Impact;
- normale Erholung und keine sinnvolle Wetteranpassung.
Fairer Preis
1 ÷ 0.44 = 2.27
Marktschwelle
1 ÷ 2.35 = 42.55%
Expected Value
EV = (0.44 × 2.35) − 1 = +0.034
Der geschätzte Ertrag ist +3.4% pro Einheit. Das ist ein dünner Edge. Wenn Ihr Modellfehler mehrere Prozentpunkte beträgt, ist der Vorteil möglicherweise nicht real. Eine vernünftige Reaktion kann ein sehr kleiner Einsatz — oder keine Wette — sein, statt jede positive Berechnung als handlungsfähig zu behandeln.
Preisvergleich zählt
Ihre Wahrscheinlichkeitsschätzung kann unverändert bleiben, während der Value sich mit dem Preis ändert.
Bei einer geschätzten Wahrscheinlichkeit von 44%:
| Verfügbare Quoten | Implizite Wahrscheinlichkeit | EV |
|---|---|---|
| 2.20 | 45.45% | −3.2% |
| 2.27 | 44.05% | −0.1% |
| 2.35 | 42.55% | +3.4% |
| 2.45 | 40.82% | +7.8% |
Die Auswahl hat sich nicht geändert. Nur der Kaufpreis. Deshalb ist „Wer gewinnt?“ weniger nützlich als „Welcher Preis ist verfügbar?“
Häufige Wahrscheinlichkeitsfehler
Mit den Quoten beginnen und Zustimmung rückwärts konstruieren
Wenn Ihre Schätzung den Markt nur mit kleiner Anpassung spiegelt, enthält sie möglicherweise keine unabhängige Information.
Information doppelt zählen
Eine Verletzung kann bereits in Team-Ratings stecken und dann manuell erneut abgezogen werden.
Jüngste Ergebnisse übergewichten
Ergebnisse enthalten Abschlussglück, Gegnereffekte und Small-Sample-Rauschen. Underlying Performance ist oft stabiler.
Abhängigkeit ignorieren
Spieler- und Team-Ereignisse können korreliert sein. Marginale Wahrscheinlichkeiten als unabhängig zu multiplizieren erzeugt falsche Präzision.
Daten nutzen, die zum Entscheidungszeitpunkt nicht verfügbar waren
Backtests mit zukünftiger Information sind kontaminiert und überschätzen die Performance.
Confidence mit Genauigkeit verwechseln
Eine Vorhersage überzeugend erklären zu können, macht die Zahl nicht kalibriert.
Prozess nach einem Ergebnis beurteilen
Ein 20%-Ergebnis gewinnt im Schnitt einmal in fünf. Sein Eintreten beweist nicht, dass die 20%-Schätzung falsch war — ebenso wenig beweist der Sieg eines Favoriten, dass sein Preis Value bot.
Dokumentation und Modell-Review
Für jede Prognose erfassen:
- Zeitstempel;
- exakter Markt und Regeln;
- Ihre Wahrscheinlichkeit vor dem finalen Ergebnis;
- verfügbare Quoten und Einsatz;
- primäre Modell-Inputs;
- Closing Odds;
- Ergebnis;
- späteres Review der Annahmen.
Bewerten:
- Kalibrierung nach Wahrscheinlichkeits-Bucket;
- Brier-Score oder Log-Loss;
- Return nach Markt und Liga;
- Closing-Line-Performance;
- Stichprobengröße und Unsicherheit;
- ob Ergebnisse nach Entfernen von Ausreißern bestehen.
Profit ist wichtig, aber kurzfristiger Profit allein kann Edge nicht von Varianz unterscheiden.
Ein Mindeststandard, bevor etwas „Value“ heißt
- Ereignis und Abrechnungsregeln sind präzise.
- Die Wahrscheinlichkeitsschätzung erfolgte vor dem Ergebnis.
- Die Methode hat eine aussagekräftige historische Stichprobe.
- Inputs waren zum Entscheidungszeitpunkt verfügbar.
- Die Buchmacher-Marge wurde berücksichtigt.
- Der aktuelle — nicht veraltete — Preis wurde genutzt.
- Sensitivitätsanalyse löscht den Edge nicht sofort.
- Der Einsatz spiegelt Modellunsicherheit wider.
- Die Begründung ist dokumentiert und später prüfbar.
Wenn Sie die meisten Bedingungen nicht erfüllen, nennen Sie es eine Hypothese statt einer Value-Wette.
Häufig gestellte Fragen
Kann die wahre Wahrscheinlichkeit exakt berechnet werden?
Meist nicht vor einem Sportereignis. Sie können eine Modellschätzung berechnen, aber unbekannte Information und Zufall bleiben.
Ist die Markt-Wahrscheinlichkeit ohne Vig eine gute Baseline?
Oft ja, besonders in liquiden Märkten. Sie aggregiert Information, ist aber nicht garantiert korrekt und sollte nicht mit unabhängiger Research verwechselt werden.
Wie groß sollte ein Edge vor dem Wetten sein?
Es gibt keine universelle Schwelle. Die erforderliche Marge sollte Modellfehler, Marktliquidität, Transaktionsgrenzen und Bankroll-Risiko widerspiegeln. Kleine theoretische Edges werden leicht von Schätzfehlern überdeckt.
Garantiert positiver EV langfristigen Profit?
Nur wenn Wahrscheinlichkeitsschätzungen genau genug sind, Preise verfügbar bleiben, die Ausführung konsistent ist und die Stichprobe groß genug ist. Das darf man nicht voraussetzen.
Sollte ich das Kelly-Kriterium nutzen?
Kelly-Staking ist hoch sensibel gegenüber Wahrscheinlichkeitsfehlern. Fractional Kelly kann Volatilität reduzieren, aber Anfänger sollten zuerst Kalibrierung beweisen und konservative Einsätze nutzen.
Abschließende Gedanken
Value zu finden heißt nicht zu behaupten, man kenne die wahre Wahrscheinlichkeit. Es heißt, eine transparente Schätzung zu bauen, sie mit dem Preis zu vergleichen und Unsicherheit als Teil der Berechnung zu behandeln.
Definieren Sie das Ereignis, legen Sie eine Baseline fest, nutzen Sie relevante Evidenz, prüfen Sie Kalibrierung, wandeln Sie Wahrscheinlichkeit in faire Quoten um, berechnen Sie Expected Value und fragen Sie, ob die Schlussfolgerung vernünftigen Fehler übersteht. Manchmal ergibt die Analyse eine Wette. Oft sollte sie ein Pass ergeben. Beides sind Zeichen eines disziplinierten Prozesses.
Nutzen Sie den OddsWave Wettrechner, um Auszahlungsarithmetik zu prüfen — aber denken Sie daran: der schwierigste Input — die Wahrscheinlichkeit — bleibt Ihre Verantwortung.
Last updated: July 2026
Published by OddsWave Betting Academy
