xG und Fußball Wetten: Wie Expected Goals die Wettanalyse verändern

Warum xG das wichtigste Werkzeug moderner Wettanalyse ist

Vor fünf Jahren kannte kaum ein Tipper in meinem Umfeld den Begriff Expected Goals. Heute ist xG der Standard, an dem ich jede Wettanalyse messe – und der Grund, warum meine Trefferquote seit Einführung dieses Ansatzes um mehr als fünf Prozentpunkte gestiegen ist.

In der Bundesliga-Saison 2025/26 zeigt sich eine bemerkenswerte Korrelation: Bei einem kombinierten xG beider Teams über 3,0 fallen in 68 Prozent der Fälle mehr als 2,5 Tore. Diese Zahl allein ist ein Argument dafür, warum xG-Daten für jeden Tipper relevant sind, der über den 1X2-Markt hinaus denken will. xG quantifiziert, was das Auge nur unscharf wahrnimmt: die Qualität der Torchancen, die Effizienz vor dem Tor und die Diskrepanz zwischen Ergebnis und tatsächlicher Spielleistung.

In diesem Artikel erkläre ich, was xG misst, wo es für Wetten nützlich ist – und wo es an seine Grenzen stößt.

Was xG misst – und was nicht

Expected Goals basiert auf einer simplen Frage: Wie wahrscheinlich ist es, dass ein bestimmter Schuss zu einem Tor führt? Die Antwort ergibt sich aus der Schussposition, dem Winkel zum Tor, der Distanz, der Spielsituation (Freistoß, Elfmeter, offenes Spiel) und der Art des Zuspiels. Jeder Schuss erhält einen xG-Wert zwischen 0 und 1 – wobei 0 praktisch keine Torchance und 1 ein sicheres Tor bedeutet.

Ein Elfmeter hat einen xG-Wert von etwa 0,76. Ein Kopfball aus 12 Metern nach einer Ecke liegt bei 0,05. Ein Abschluss allein vor dem Torwart aus 6 Metern bei 0,45 bis 0,60. Die Summe aller xG-Werte eines Teams ergibt den xG-Wert für das Spiel – die erwartete Anzahl an Toren basierend auf der Qualität der Chancen.

Was xG nicht misst: die individuelle Qualität des Schützen. Ein xG-Modell behandelt jeden Spieler gleich – ein Schuss aus 18 Metern hat denselben xG-Wert, egal ob der Schütze ein Weltklasse-Stürmer oder ein Innenverteidiger ist. Das ist eine bewusste Vereinfachung, die für die Masse der Schüsse funktioniert, aber bei Ausnahmespielern systematisch daneben liegt. Teams mit überragenden Abschluss-Spezialisten übertreffen ihren xG-Wert regelmäßig – und das über ganze Saisons hinweg.

Ebenfalls nicht erfasst: Spielqualität jenseits der Torchancen. Ballbesitz, Passgenauigkeit, Pressing-Intensität, Zweikampfquote – all das beeinflusst den Spielverlauf, fließt aber nur indirekt über die Schussposition in den xG-Wert ein. xG ist ein Werkzeug, kein Gesamtbild.

Ich sage oft: xG misst die Qualität der Chancen, nicht die Qualität des Spiels. Ein Team kann den Ball 70 Minuten lang hin und her schieben und bei drei Kontern einen xG von 2,5 erreichen – das sagt viel über die Torchancen, aber wenig über die spielerische Dominanz. Umgekehrt kann ein ballbesitz-dominantes Team 65 Prozent Ballbesitz haben und nur auf einen xG von 0,8 kommen, weil die Abschlüsse aus ungünstigen Positionen kamen. Beide Szenarien sind für die Wettanalyse relevant, erfordern aber unterschiedliche Interpretationen.

Ein praktischer Punkt, den viele xG-Einsteiger übersehen: xG-Werte werden nach dem Spiel berechnet, nicht vor dem Spiel. Das bedeutet, dass xG für die Vorbereitung einer Wette nur als historischer Durchschnitt nützlich ist – nicht als Vorhersage für ein einzelnes Spiel. Wer den xG-Durchschnitt der letzten acht Spiele als Grundlage nimmt, arbeitet auf solider Basis. Wer das xG eines einzelnen Spiels als Entscheidungsgrundlage nimmt, baut auf Sand.

xG für Wettmärkte: Wo die Daten Wetten verändern

Die 68-Prozent-Korrelation bei xG über 3,0 ist nur eine von vielen Anwendungen. In meiner Wettanalyse nutze ich xG-Daten für drei verschiedene Märkte.

Erstens: Über/Unter-Wetten. Wenn der kombinierte xG zweier Teams konstant über 3,0 liegt – nicht in einem Spiel, sondern im Durchschnitt der letzten sechs bis acht Partien – ist Über 2,5 systematisch die bessere Wahl. Die Quoten reflektieren den xG-Durchschnitt nicht immer korrekt, besonders bei Teams, die in den letzten Spielen unterdurchschnittlich getroffen haben (niedriger Tordurchschnitt trotz hohem xG). Hier liegt Value.

Zweitens: 1X2-Wetten. xG hilft bei der Identifizierung von Teams, die besser oder schlechter sind als ihr Tabellenplatz. Ein Team auf Platz 12 mit einem xG-Profil eines Platz-7-Teams wird langfristig in der Tabelle aufsteigen – die Quoten basieren aber auf dem aktuellen Tabellenplatz, nicht auf der erwarteten Leistung. Diese Diskrepanz ist ein klassisches Value-Signal.

Drittens: BTTS-Wetten. Wenn beide Teams einen hohen xG-Schnitt haben – beide über 1,3 – steigt die Wahrscheinlichkeit, dass beide treffen. BTTS-Quoten basieren stärker auf dem Tordurchschnitt als auf dem xG-Durchschnitt, was bei Teams mit unterdurchschnittlicher Tor-Effizienz zu fehlbewerteten Quoten führen kann.

Die praktische Umsetzung ist unkompliziert. Plattformen wie FBref bieten xG-Daten kostenlos für alle großen europäischen Ligen. Vor jedem Spieltag rufe ich die xG-Tabelle der Bundesliga ab, identifiziere die Teams mit der größten Diskrepanz zwischen xG und tatsächlichen Toren und prüfe, ob die Quoten diese Diskrepanz widerspiegeln.

Grenzen von xG: Warum Daten allein nicht reichen

Fußball macht 35,27 Prozent des globalen Online-Wettmarktes aus, und immer mehr Tipper nutzen xG als Analysegrundlage. Genau das schafft ein neues Problem: Wenn alle dieselben Daten nutzen, verschwindet der Vorteil. Die Buchmacher integrieren xG längst in ihre Quotenmodelle. Der reine xG-Vergleich reicht nicht mehr – man braucht eine zusätzliche Analyseebene.

In meiner Praxis ergänze ich xG um den xG-Trend: Wie hat sich der xG-Wert eines Teams in den letzten vier Wochen verändert? Ein steigender Trend bei stabiler Toreffizienz deutet auf eine Verbesserung hin, die sich noch nicht in den Quoten widerspiegelt. Ein fallender Trend bei gleichbleibenden Ergebnissen ist ein Warnsignal – das Team lebt über seine Verhältnisse.

Verschiedene xG-Modelle liefern leicht unterschiedliche Werte. FBref nutzt ein anderes Modell als Understat, das wiederum von den Modellen der Buchmacher abweicht. Die Unterschiede sind meist gering – 0,1 bis 0,3 xG pro Spiel – aber über eine Saison summieren sie sich. Ich empfehle, sich auf eine Quelle festzulegen und konsequent damit zu arbeiten, statt zwischen Quellen hin und her zu wechseln.

Der wichtigste Grenzen-Aspekt: xG funktioniert am besten über große Stichproben. Ein einzelnes Spiel mit xG 0,8 und drei Toren ist kein Ausreißer – es ist Fußball. Erst über zehn, zwanzig, dreißig Spiele gleicht sich die Diskrepanz aus. Wer Fußball Wetten Strategie auf xG aufbaut, braucht Geduld – und ein Bankroll Management, das die kurzfristige Varianz auffängt.

Verfasst vom Team von „WETTFELD".