Expected-Points-Modell im Rugby — Wahrscheinlichkeitsrechnung als Wett-Werkzeug
Available in US
Als ich 2023 zum ersten Mal ein eigenes Expected-Points-Modell für Rugby baute, war es weniger ausgeklügelt als die Profi-Modelle der Buchmacher — und das war der Punkt. Mein Modell brauchte nicht besser zu sein als das Pinnacle-Modell, es brauchte nur strukturell anders zu sein, damit ich Quoten-Bewegungen aus einer eigenen Perspektive bewerten konnte. Innerhalb von sechs Monaten hatte das simple Modell genug Genauigkeit, um in etwa fünfundsiebzig Prozent der Six-Nations-Spiele die richtige Ergebnis-Seite anzuzeigen.
Expected Points (xPts) sind die mathematische Übersetzung von Spielsituationen in erwartete Punkte-Werte. Statt zu fragen „Wer gewinnt?“ fragt das Modell „Wie viele Punkte wird jede Mannschaft im Schnitt erzielen?“. Aus den erwarteten Punkten lassen sich dann Wahrscheinlichkeiten für Match Results, Handicaps und Total Points ableiten. Dieser Beitrag erklärt die Mechanik, die Inputs, die Gewichtung und die Grenzen des Ansatzes.
Die Grundlagen des xPts-Konzepts
Das Expected-Points-Konzept kommt ursprünglich aus dem American Football und ist im Rugby Union seit etwa 2015 in Verwendung. Die Basis-Idee: Jede Spielsituation hat einen historischen Punkte-Erwartungswert. Wenn eine Mannschaft im gegnerischen 22-Meter-Bereich nach einem Penalty zum Lineout antritt, erzielt sie im Durchschnitt 4,2 Punkte aus dieser Situation — basierend auf historischen Daten aller vergleichbaren Lineout-Möglichkeiten.
Aus diesen Situations-Werten lässt sich für jede Spielminute ein laufender xPts-Wert berechnen. Wenn Mannschaft A nach 30 Minuten mit erwarteten 18 Punkten führt und Mannschaft B mit 11 Punkten, dann läuft das Spiel „über Erwartung“ für A — die tatsächlichen Punkte könnten höher oder niedriger sein, aber die Spielsituationen waren konsistent vorteilhafter für A.
Was das Konzept wettrelevant macht, ist die Trennung zwischen Glück und Struktur. Ein Spiel, in dem Mannschaft A 24 Punkte erzielt und Mannschaft B 21 Punkte, sieht knapp aus. Wenn aber das xPts-Modell A bei 28 und B bei 14 sieht, dann war A strukturell deutlich überlegen und hatte Pech bei der Conversion. Wer dieses Muster über mehrere Spiele beobachtet, erkennt „unterbewertete“ Mannschaften — solche, deren Tabellen-Position ihre tatsächliche Spielqualität nicht reflektiert.
Das simpelste verwendbare xPts-Modell arbeitet mit fünf bis acht Spielsituations-Kategorien: Lineout im 22er, Scrum im 22er, Phase Play im 22er, Field Position-Penalty, Drop Goal-Möglichkeit, Counter-Attack-Position. Für jede Kategorie wird ein historischer Erwartungswert hinterlegt, der aus mindestens fünfzig Spielen kalkuliert ist. Komplexere Modelle haben dreissig bis fünfzig Situations-Kategorien plus Anpassungs-Faktoren.
Inputs und ihre Gewichtung
Die Inputs für ein Rugby-xPts-Modell müssen aus zuverlässigen Datenquellen kommen. Die wichtigsten Eingangsgrössen sind: Mannschafts-Form (Spielresultate der letzten 5 bis 10 Spiele), Try-Production-Rate (Tries pro Spiel der vergangenen Saison), Tries-Conceded-Rate (Tries gegen pro Spiel), Penalty-Goal-Rate (Penalty-Erfolge pro Spiel), und Set-Piece-Effizienz (Lineout-Trefferquote, Scrum-Stabilität).
Im Six Nations 2025 wurden 108 Tries erzielt (7,2 pro Spiel), Top-Try-Scorer war Bielle-Biarrey mit 8 Tries. Solche Saison-Werte sind die Roh-Basis für Mannschafts-Inputs. Frankreich produzierte 2025 etwa 4,2 Tries pro Spiel als Mittelwert — das ist der Input-Wert für Frankreich in der Try-Production-Kategorie für die nächste Saison.
Im Six Nations 2026 wurden 111 Tries (7,4 pro Spiel) erzielt — ein neuer Rekord; Gesamt-Zuschauerzahl 995’964. Die Steigerung der Try-Produktion zwischen 2025 und 2026 ist marginal (von 7,2 auf 7,4 pro Spiel), aber sie hat Konsequenzen für die Modell-Kalibrierung — eine xPts-Berechnung mit den 2025-Werten würde 2026 systematisch zu niedrige Punkte-Totals vorhersagen.
Die Gewichtung der Inputs ist die zentrale Herausforderung. Im einfachsten Modell bekommen alle Inputs gleiche Gewichtung — das funktioniert nicht. In der Praxis sollte Try-Production stärker gewichtet werden als Penalty-Goal-Rate, weil Tries die grösste Punkte-Komponente sind. Ein Standard-Gewichtungs-Schema ist: Try-Production 35 Prozent, Tries-Conceded 25 Prozent, Form 20 Prozent, Penalty-Rate 15 Prozent, Set-Piece-Effizienz 5 Prozent.
Eine wichtige Beobachtung: Heim-Auswärts-Faktor sollte separat eingerechnet werden, nicht in die Mannschafts-Inputs gemischt. Ein Standard-Heim-Vorteil im Top-Tier-Rugby liegt bei etwa 4 bis 6 Punkten, in den nationalen Ligen (Premiership, Top 14) eher bei 6 bis 8 Punkten. Dieser Wert ist eine direkte additive Variable für die Heim-Mannschaft im xPts-Modell.
Modell gegen Buchmacher-Quote
Der eigentliche Wett-Wert eines xPts-Modells liegt im Vergleich zur Buchmacher-Quote. Ein gutes Modell liefert für jedes Spiel drei Werte: erwartete Punkte Mannschaft A, erwartete Punkte Mannschaft B, und daraus eine implizite Quoten-Verteilung für Match Result, Handicap und Total Points. Diese impliziten Quoten lassen sich direkt mit den Buchmacher-Quoten vergleichen.
Wenn das eigene Modell für Match Result eine Wahrscheinlichkeit von 65 Prozent für Heim-Sieg ableitet, entspricht das einer fairen Quote von 1,54. Wenn der Buchmacher die Heim-Sieg-Quote bei 1,80 anbietet, gibt es einen rechnerischen Edge — das Modell sieht eine wertvollere Wette, als der Markt einpreist. Rugby-Wetten bei führenden Anbietern weisen Quotenschlüssel zwischen 92 und 95,1 Prozent auf — diese Marge muss in die Edge-Berechnung eingerechnet werden.
Eine kritische Disziplin ist die Modell-Validierung. Wer in einem Backtest seine Modell-Vorhersagen mit den tatsächlichen Ergebnissen vergleicht und systematische Abweichungen sieht, hat ein Kalibrierungs-Problem. Ein gut kalibriertes Modell sollte bei seinen „65-Prozent-Wahrscheinlichkeits“-Vorhersagen über viele Spiele hinweg tatsächlich in etwa 65 Prozent der Fälle Recht haben — keine 80 Prozent (zu konservativ) und keine 50 Prozent (zu aggressiv).
Eine zweite Disziplin ist die Quoten-Bewegung-Analyse. Wenn das eigene Modell konsistent vor der finalen Buchmacher-Quote liegt — also die Marktbewegung in die vom Modell vorhergesagte Richtung ging —, dann ist das ein starkes Validierungs-Signal. Diese Closing-Line-Value-Beobachtung ist mathematisch ein zuverlässigerer Indikator als die einzelnen Wett-Ergebnisse.
Eine zusätzliche Marktbeobachtung: Der europäische Wettmarkt zeigt strukturell wichtige Bewegungen. Maarten Haijer, Secretary General der European Gaming and Betting Association, hat dazu festgehalten: „Europas Glücksspielmarkt zeigte 2024 ein stabiles Wachstum, wobei der Online-Sektor weiterhin schneller wächst als der landbasierte und sich der 40-Prozent-Marktanteilsschwelle nähert.“ Diese Markt-Expansion bedeutet auch mehr Konkurrenz unter Anbietern und damit eher engere Quotenschlüssel — was den Edge für eigene Modelle ebenfalls knapper macht.
Grenzen des Ansatzes
Expected-Points-Modelle sind kein Wett-Allheilmittel. Die wichtigste Grenze ist die Datenqualität. Wer ein Modell mit dünner Datenbasis baut (etwa 20 Spiele Trainingsmenge), bekommt unzuverlässige Erwartungswerte. Verlässliche xPts-Modelle brauchen mindestens 100 Spiele Trainingsdaten und idealerweise 300 oder mehr.
Die zweite Grenze ist die Anpassungs-Geschwindigkeit. Wenn eine Mannschaft einen neuen Cheftrainer bekommt oder einen Schlüsselspieler verliert, ändert sich ihre Spielqualität — aber das Modell läuft mit alten Daten weiter, bis genug neue Spielresultate vorhanden sind, um die Inputs neu zu kalibrieren. In Übergangsphasen sind xPts-Modelle systematisch ungenauer.
Die dritte Grenze ist die unvermeidliche Varianz im Rugby. Selbst ein gut kalibriertes Modell sieht etwa 35 Prozent der Spielergebnisse „falsch“ voraus, weil das Spiel selbst hohe Streuung hat. Wer denkt, ein Modell könne 80 Prozent oder 90 Prozent Trefferquote liefern, übersieht die strukturelle Volatilität der Sportart.
Modelle sind ein Werkzeug, kein Orakel. Sie liefern eine zusätzliche Datenperspektive, die zusammen mit Bankroll-Disziplin und Markt-Verständnis funktioniert. Mehr zur disziplinierten Umsetzung von Modell-Empfehlungen in tatsächliche Einsätze findet sich im Beitrag zum Rugby-Bankroll-Management — das Modell sagt, was zu wetten ist, das Bankroll-Management sagt, wieviel.
Brauche ich Programmierkenntnisse, um ein Rugby-xPts-Modell zu nutzen?
Nicht zwingend. Ein einfaches xPts-Modell lässt sich in Excel oder Google Sheets bauen, mit fünf bis acht Spielsituations-Kategorien und manueller Daten-Eintragung. Programmierkenntnisse (Python, R) sind hilfreich, wenn das Modell automatisierte Daten-Quellen verarbeiten oder Backtests über grosse Datenmengen durchführen soll, aber für Privatanwender nicht notwendig.
Welche öffentlichen Daten reichen für ein Basis-Modell aus?
Saison-Statistiken aus Six Nations Stats Hub, Premiership und Top 14-Webseiten, sowie historische Match-Ergebnisse aus ESPN oder Wikipedia reichen für ein erstes Basis-Modell. Wichtig sind Try-Production-Rate, Tries-Conceded-Rate und Penalty-Goal-Erfolgsquote pro Mannschaft. Mit diesen drei Inputs lässt sich ein verwendbares Erstmodell aufbauen.
Geschrieben von der Redaktion „Rugby Union Wettanbieter Schweiz”.
