01 Freunde posten täglich Gewinnscheine – ich entscheide mich, mit Daten zu sprechen
Der Auslöser war eine Klassenchat-Gruppe. Seit letztem Monat postet ein alter Mitschüler jeden Tag seine Gewinnscheine bei Sportwetten: zwei Tage gewonnen, einen verloren. An Gewinntagen sehr laut, an Verlusttagen tut er so, als hätte er es nicht gesehen. Ich fragte ihn, ob er insgesamt im Plus sei. Er antwortete: „Rechne nicht nach, Nachrechnen macht keinen Spaß.“ Das kenne ich – bei allen Dingen, bei denen niemand nachrechnen will, sieht die Rechnung meist nicht gut aus.
Ich widersprach nicht sofort. Passte gut: Das war genau das Szenario, das ich bei MuchSci mit der Funktion „Programmieren“ noch nicht ernsthaft getestet hatte: KI ein anständiges Spielprognosemodell schreiben lassen, mit öffentlichen Ergebnissen backtesten, dann ein paar Runden auf Papier mitlaufen lassen und schauen, wie es wirklich um „KI sagt Fußball voraus“ steht. Die Daten sind öffentlich, das Modell ist Lehrbuchniveau, das Fazit muss man nicht raten – einmal laufen lassen, dann weiß man es.
▲ Abb. 1｜Das Problem an MuchSci geben, die Zeit der Forschung zurückgeben – diesmal war mein „Problem“: Kann ein Poisson-Modell tatsächlich besser sein als blindes Raten?
Stellen wir die Haltung gleich vorne klar: Dieser Artikel lehrt niemanden, Wetten zu platzieren; alles ist eine Simulation auf Papier, ich habe keinen Cent ausgegeben. Dieser Artikel beantwortet nur eine Frage – auf welchem Niveau ist ein von KI geschriebenes Prognosemodell tatsächlich? Die Antwort steht im vierten Abschnitt; sie ist nicht besonders schmeichelhaft, aber sehr wertvoll.
02 KI ein Poisson-Modell schreiben lassen: Erste Version in 10 Minuten
Die Daten stammen aus öffentlich zugänglichen Ergebnissen der Premier League 2025-26: eine Zeile pro Spiel, Heimteam, Gastteam, Tore Heimteam, Tore Gastteam. Ich warf die CSV in den Chat und gab klare Vorgaben: Mit den durchschnittlich erzielten und kassierten Toren der letzten 10 Spiele beider Teams Angriffs-/Abwehrstärke berechnen, daraus jeweils die erwarteten Tore λ ableiten, dann mit der Poisson-Verteilung die Wahrscheinlichkeit jedes Spielstands von 0:0 bis 6:6 berechnen und zu Drei-Wege-Wahrscheinlichkeiten für Sieg/Unentschieden/Niederlage zusammenfassen.
Nach 10 Minuten war die erste Skriptversion da, sie lief ziemlich schnell – und dann merkte ich, dass sie falsch war. Sie behandelte „Tore des Heimteams“ und „Gegentore des Gastteams“ als zwei unabhängige Informationen und zählte die Stärke doppelt, λ wurde doppelt eingerechnet, und alle Heimsieg-Wahrscheinlichkeiten lagen über 70 %. Ich schrieb die Definition als Kommentar hinein und ließ sie neu laufen; erst die zweite Version war normal.
▲ Abb. 2｜Kernausgabe des Poisson-Modells: erwartete Tore Heimteam λ=1,8, wahrscheinlichste Torzahl in einem einzelnen Spiel 1 und 2; Gastteam λ=1,1, am wahrscheinlichsten 1. Die Wahrscheinlichkeit jedes Spielstands im gesamten Spiel ergibt sich aus der Multiplikation dieser beiden Verteilungen
Wozu dient diese Verteilung? Multipliziert man die Wahrscheinlichkeit, dass das Heimteam k Tore erzielt, mit der Wahrscheinlichkeit, dass das Gastteam j Tore erzielt, erhält man die Wahrscheinlichkeit jedes Spielstands; addiert man dann alle Spielstände mit mehr Heimtoren, erhält man die Heimsieg-Wahrscheinlichkeit. Klingt grob – es ist grob, Fußball ist kein unabhängiges Urnenziehen –, aber es ist der Ausgangspunkt aller Spielmodelle und reicht als Hauptdarsteller für diesen Praxistest.
▲ Abb. 3｜Ausgabe des Modells für ein Spiel: Heimsieg 53 %, Unentschieden 22 %, Auswärtssieg 25 %. Am meisten trifft die Zeile unten – die aus Marktquote 1,88 implizierte Heimsieg-Wahrscheinlichkeit ist ebenfalls 53 %, Modell und Markt kamen zum selben Ergebnis
Das Modell kann berechnen, „wer wahrscheinlicher gewinnt“, aber nicht, „ob die Quote ausreichend ist“ – und Letzteres entscheidet, ob man Geld verdienen kann.
Das dritte Bild war im gesamten Test das, was mich am meisten überrascht hat. Ich dachte, die vom Modell berechneten Wahrscheinlichkeiten seien exklusive Informationen; tatsächlich deckten sie sich fast mit den Marktquoten. Quoten sind Wahrscheinlichkeiten, in die der gesamte Markt echtes Geld gesteckt hat. Dass ein Poisson-Modell, das aus Durchschnittstoren für und gegen ein Team gebaut ist, in der Grundrichtung damit übereinstimmt, zeigt, dass das Modell „nicht verkehrt“ ist; aber es zeigt auch: Was es weiß, wusste der Markt längst.
03 Backtest über 240 Spiele: Besser als blindes Raten, aber nicht besser als der Markt
Ein einzelnes Spiel zählt nicht. Ich ließ die KI ein Backtest-Skript ergänzen: Die ersten 240 Spiele der Saison 2025-26 wurden dem Modell chronologisch gefüttert – für jedes Spiel wurden λ nur aus den vorherigen historischen Daten berechnet, die Drei-Wege-Wahrscheinlichkeiten ausgegeben, der Eintrag mit der höchsten Wahrscheinlichkeit als Prognose genommen und mit dem tatsächlichen Ergebnis verglichen. Um Glück auszuschließen, ließ ich denselben Ablauf dreimal laufen und nahm den Durchschnitt:
▲ Abb. 4｜Backtest über 240 Spiele: rein zufällige Trefferquote 33 % (79 Spiele), Poisson-Modell 47 % (113 Spiele), aus Marktquoten implizierte Quote 51 % (122 Spiele). Das Modell ist 14 Prozentpunkte besser als blindes Raten – aber bis „damit Geld verdienen“ fehlt noch ein entscheidender Teil
Wie liest man die Zahl 47 %? Gute Nachricht: Sie liegt deutlich über den 33 % von blindem Raten, das Modell hat also tatsächlich etwas aus den Daten gelernt. Schlechte Nachricht in zwei Punkten: Erstens fehlen 4 Prozentpunkte bis zum Markt – in den Quoten stecken Informationen zu Verletzungen, Form und Saisonzielen, die mein Modell nicht hat; zweitens ist eine Trefferquote von 47 % in Kombination mit der Quotenstruktur der Sportwette mit hoher Wahrscheinlichkeit ein Verlust; das wird im vierten Abschnitt mit echten Daten überprüft.
Neben dem Backtest ließ ich es die Prognosen jeder Runde zu einem Bericht zusammenstellen, um die tatsächliche Nutzung zu simulieren. Das sah so aus:
▲ Abb. 5｜Prognosebericht, der in jeder Runde erzeugt wird (Oberfläche schematisch, Fazit nach Backtest- und Simulationsaufzeichnungen zusammengestellt)
An diesem Bericht war mir die kleine Zeile in der Seitenleiste am wichtigsten: Es kann nur Sportergebnisdaten sehen, nicht die Welt. In den Ergebnissen von Fußballspielen steckt eine große Menge an Informationen, die ein Modell nie bekommt – wer verletzt ist, wer gegen den Abstieg kämpft, wer nächste Woche im Europapokal spielt und seine Stammspieler schont. Marktquoten sind deshalb so schwer zu schlagen, weil all das bereits in den Preis eingekauft ist.
04 Fünf Runden Praxis auf Papier: Trefferquote 48 %, Rendite -7,8 %
Backtest ist Geschichte, Praxis ist der Spiegel, der die Wahrheit zeigt. Regeln vorab: In jeder Runde die 5 Spiele mit der höchsten Konfidenz aus der Modellausgabe auswählen, pro Spiel 10 Yuan auf Papier, nach der jeweiligen Sportwettenquote der Runde verbuchen, fünf Runden lang, insgesamt 25 Spiele. Kein echtes Geld, alles nach echten Quoten berechnet:
▲ Abb. 6｜Kumulative Rendite der fünf Runden Papier-Mitlauf: Runde 1 +12 %, ich wurde übermütig; Runde 3 drei Fehlgriffe in Folge bei hohen Quoten, direkt auf -21 %; am Ende -7,8 %. 25 Spiele, 12 Treffer (48 %), Geld negativ (schematische Aufzeichnung, Quoten nach damaliger offizieller Website)
Der Verlauf war interessanter als das Ergebnis. In Runde 1 wurde aus 3 Treffern und 1 kleinen Verlust ein Plus, auf dem Papier +12 %, und ich war fast so weit, „das Modell ist verlässlich“ in den Titel zu schreiben. Dann Runde 3: Drei „hochwertvolle Spiele“ mit Quoten über 2,3 gingen alle daneben, und ich war wieder auf dem Stand von vorher. Bei der Durchsicht der Aufzeichnungen fiel mir ein besonders ordentliches Muster auf – die Treffer waren alle niedrige Quoten zwischen 1,5 und 1,7, die Verluste alle hohe Quoten über 2,3. Das Modell lag oft bei der Spieleinschätzung richtig, nur bei den Spielen, bei denen es richtig lag, war die Quote nie ausreichend.
Das ist nicht das Modell, das versagt, sondern die Mathematik: In den Sportwettenquoten ist die Auszahlungsquote bereits abgezogen; eine Trefferquote von 48 % ist mit dieser Quotenstruktur langfristig negativ. Mein Mitschüler „wirkt seit zwei Monaten im Plus“; rechnet man die Verlusttage mit, hat sein Konto wahrscheinlich dieselbe Farbe wie mein Buch. Das ist auch der eigentliche Grund, warum ich diesen Artikel schreibe – das Modell verwandelt „Gefühl“ in „Wahrscheinlichkeit“, die Wahrscheinlichkeit verwandelt Illusionen in ein Kassenbuch, und das Kassenbuch ist kalt.
05 Zuerst klarstellen: Hier kann es wirklich nicht helfen
Nach fünf Runden lege ich drei harte Grenzen offen auf den Tisch.
① Es sieht keine Nachrichten, nur Ergebnisse. In der Welt des Modells gibt es nur Spielstände, keine Verletzungen, Rotationen oder Abstiegsmotive. Zwei klare Fehlschläge in fünf Runden beruhten auf Informationen wie „Stammtorwart fehlt“, die in Vorabnachrichten offensichtlich, in Ergebnistabellen aber nie zu finden sind. Will man das ergänzen, muss man selbst Datenquellen hinzufügen – der Aufwand vervielfacht sich.
② Daten muss man selbst finden und selbst bereinigen. Öffentliche Ergebnisse sind leicht zu finden, aber die Definitionen sind chaotisch: Manche Quellen zählen neutrale Plätze als Heimteam, Pokal und Liga werden vermischt, und ob Verlängerung als Unentschieden oder als Sieg/Niederlage zählt, handhabt jede Quelle anders. Die erste Skriptversion scheiterte genau an einer solchen Definitionsfrage wie „Gegentore des Gastteams doppelt eingerechnet“. Für die Datenbereinigung brauchte ich mehr Zeit als für das Modell.
③ Es liefert Wahrscheinlichkeiten, keine Antworten. 47 % Trefferquote bedeutet, dass das Modell bei mehr als der Hälfte der Spiele falsch liegt. Nach fünf richtigen Tipps folgt mit hoher Wahrscheinlichkeit eine Regression zum Mittelwert, nicht „das Händchen ist da“. Die Ausgabe des Modells als Antwort auf „Was kaufe ich heute Abend?“ zu nehmen, ist der schwerste Missbrauch – es kann nur sagen, mit welcher Häufigkeit etwas passiert, nicht, ob es dieses Mal passiert.
Wann lohnt sich das Ganze also? Das Fazit direkt hier:
✓ Wann es sich lohnt: Für Menschen, die systematisch „Datenanalyse + KI ein Modell schreiben lassen“ üben wollen – Fußballergebnisse sind öffentlich, kostenlos, haben eine große Stichprobe und die Antwort zeigt sich sofort; ein gutes Thema, um Backtest-Methoden zu üben. Die hier verwendeten Poisson-Verfahren, Backtests und Definitionsprüfungen lassen sich genauso auf Absatzprognosen oder Nutzerbindung übertragen.
✗ Wann es nicht passt: Für Menschen, die damit verlässlich Geld verdienen wollen – das Modell ist nicht schlauer als der Markt, Quoten ziehen langfristig Wasser ab, negative Erwartung ist Mathematik, keine Meinung; und für Menschen, die fragen „Was kaufe ich heute Abend?“ – dieser Artikel hat keine Antwort und sollte auch keine haben. Trefferquote und Rendite sind zwei verschiedene Dinge; 48 % gegenüber -7,8 % in diesem Artikel ist der Beweis.
Wenn ich nur einen praktischen Rat geben darf: Behandle die Lotterie als Unterhaltungsbudget und das Modell als Übungsaufgabe. Mein größter Gewinn aus diesen fünf Runden war nicht das Buch mit einem Minus von 7,8 %, sondern dass ich jetzt auf einen Blick erkenne, wo das Problem bei Sätzen wie „KI XY sagt 90 % Siegwahrscheinlichkeit voraus“ liegt – Backtest-Zeitraum nicht genannt, Stichprobengröße nicht genannt, Quotenstruktur nicht genannt. Datenkompetenz: Einmal üben, und es ist den Preis wert.
Compliance- und Grenzziehungserklärung
1. Dieser Artikel ist durchgehend eine Papiersimulation, es wurden keine echten Wetten platziert; die genannten Beträge sind simulierte Buchungen.
2. Die Modelle, Wahrscheinlichkeiten und „Prognosen“ im Artikel stellen keinerlei Wettempfehlung dar; der langfristige Erwartungswert von Lotterien ist negativ, bitte als Unterhaltungsausgabe betrachten.
3. Personen unter 18 Jahren dürfen keine Wetten abschließen. Vernünftig wetten, im Rahmen der eigenen Möglichkeiten.
Ergebnisse und Quoten sind aus öffentlich zugänglichen Informationen zusammengestellt, Backtest- und Mitlaufdaten sind schematisch dargestellt, Modellausgaben richten sich nach der tatsächlichen Skriptausführung. Funktionsbeschreibungen beziehen sich auf die jeweilige Version.
---
Dieser Artikel ist eine Aufzeichnung meines persönlichen Nutzungsablaufs. Das Sportwetten-Prognosemodell basiert auf öffentlichen Sportergebnisdaten und dient ausschließlich der Demonstration der Analysemethode „Daten → Modell → Backtest“; es stellt keine Wettempfehlung oder Ertragszusage dar. Die Backtest- und Praxisdaten im Artikel sind schematisch dargestellt, durchgehend Papiersimulation, keine echten Wetten. Der langfristige Erwartungswert von Lotterien ist negativ; Personen unter 18 Jahren dürfen keine Wetten abschließen. Vernünftig wetten, im Rahmen der eigenen Möglichkeiten. Funktionsbeschreibungen beziehen sich auf die jeweilige Version.