Unsere Methodik: wie Lukas Brunner Quoten, Tipps und Trefferquoten berechnet

Ladevorgang...

Jedes Medium, das Wett-Tipps veröffentlicht, sollte erklären müssen, wie es zu diesen Tipps kommt. Die meisten tun es nicht. Sie schreiben „Experten-Tipp“, „sichere Wette“ oder „5 von 5 Spielen richtig“ — ohne eine einzige Zeile darüber, was diese Aussagen bedeuten, wie überprüfbar sie sind oder welche Methode dahintersteckt. Das ist das Gegenteil von seriöser Wettanalyse, und es schadet langfristig dem Vertrauen der Leserschaft.

Diese Seite erklärt transparent, was ich tue, welche Daten ich verwende, wie ich faire Quoten berechne, was ich als Erfolg messe und — wichtig — wo mein Modell an seine Grenzen stösst. Wer meine Tipps und Prognosen liest, soll wissen, auf welcher Grundlage sie basieren. Das ist kein akademisches Interesse, sondern praktische Notwendigkeit: Nur wer die Methode versteht, kann sie kritisch beurteilen und entscheiden, ob er ihr vertraut.

Warum Methodik wichtiger ist als Tipps

Ein einzelner Tipp sagt nichts aus. Ich kann morgen dreimal hintereinander richtig liegen und dabei strukturell falsch arbeiten. Ich kann drei falsch liegen und trotzdem die richtige Methode anwenden. Das Einzige, was langfristig zählt, ist nicht die Trefferquote, sondern ob die Quoten zum Zeitpunkt der Wette über dem fairen Wert lagen.

Konkret: Wenn ich auf ein Team mit einer Quote von 2.50 setze, die mein Modell mit 45% Wahrscheinlichkeit bewertet (faire Quote 2.22), dann ist das keine Value-Wette — auch wenn das Team gewinnt. Wenn ich auf ein Team mit einer Quote von 2.50 setze, das mein Modell mit 50% bewertet (faire Quote 2.00), dann ist das eine positive Value-Wette — auch wenn das Team verliert. Die Methode entscheidet, nicht das Einzelresultat.

Deshalb messe ich meinen Erfolg nicht an Trefferquoten, sondern an Closing Line Value (CLV): Habe ich konsequent Quoten erzielt, die über der späteren Marktschlusslinie lagen? Wenn ja, arbeite ich richtig. Wenn nicht, muss ich das Modell überarbeiten — unabhängig davon, ob ich Geld gewonnen oder verloren habe.

Welche Daten ins Modell fliessen

Mein Modell für Nationalmannschafts-Prognosen verwendet fünf Hauptkategorien von Inputs, die ich für jedes relevante Spiel erhebe und gewichte.

Erstens xG-Daten (Expected Goals) aus den letzten 15 bis 20 Spielen der Nationalmannschaft. Ich beziehe die Daten aus mehreren öffentlichen und kommerziellen Quellen und normiere sie auf 90 Minuten. xG für und gegen eine Mannschaft gibt mir ein Bild der tatsächlichen Spielqualität, unabhängig davon, wie viele Tore dabei gefallen sind.

Zweitens Form-Daten aus den letzten sechs Länderspielen, gewichtet nach Gegnerqualität. Ein 3:0 gegen einen FIFA-Rang-150-Gegner gewichtet weniger als ein 1:1 gegen einen Top-20-Gegner. Die Gewichtung erfolgt mit einem modifizierten ELO-System.

Drittens Kader-Qualität, bewertet nach aktuellen Marktwerten (TransferMarkt-Basis) und Spielzeit auf Vereinsebene. Ein Spieler, der bei seinem Klub selten spielt, wird abgewertet — WM-Fitness ist eine Frage der tatsächlichen Spielzeit, nicht des Namens.

Viertens Reise- und Logistikfaktor. Bei einem Turnier in Nordamerika ist die Reisedistanz zwischen den Spielorten für viele Teams erheblich. Teams, die zwischen Ost- und Westküste wechseln müssen (wie die Schweiz von Toronto nach San Francisco), haben einen realen Ermüdungsfaktor, der ins Modell eingeht.

Fünftens Klimafaktor. Spielorte auf Höhe (Azteca, 2240 m), mit extremer Hitze (New Jersey im Juli, Mexiko-Stadt) oder mit besonderen Bedingungen (Dach/kein Dach, Rasenqualität) erhalten entsprechende Korrekturfaktoren. Dieser Faktor ist klein, aber messbar.

Gewichte: Form, H2H, Reise, Höhe, xG

Gewichtung ist das Kernproblem jedes Wettmodells. Gewichte sind nicht ewig gültig — sie müssen auf Basis historischer Daten kalibriert werden. Meine aktuellen Gewichte für Nationalmannschafts-Modelle sind folgende Verteilung, die ich auf historischen WM-Daten seit 2010 kalibriert habe:

xG-Qualität der letzten Spiele (normiert auf 90 Minuten): 40% Gewicht. Das ist der stärkste Einzelindikator für die tatsächliche Spielstärke, weil er Glück und Zufall herausrechnet.

Form und Ergebnis der letzten sechs Spiele (gewichtet nach Gegnerqualität): 25% Gewicht. Aktuelle Form ist wichtig, aber ohne Qualitäts-Gewichtung irreführend.

Kader-Qualität und aktuelle Spielzeit auf Vereinsebene: 20% Gewicht. Starkes Signal für latente Qualität, aber weniger kurzfristig relevant als Form und xG.

Logistik- und Klimafaktor (Reise, Höhe, Wetter): 10% Gewicht. Kleiner, aber real messbarer Einfluss, besonders für K.-o.-Spiele spät im Turnier.

H2H-Bilanz (direkte Vergleiche): 5% Gewicht. Das ist bewusst sehr niedrig — historische Duelle mit anderen Kadern und Trainern haben geringe Vorhersagekraft für aktuelle Spiele. Ich verwende H2H nur als schwaches Tiebreaker-Signal.

Diese Gewichte sind nicht in Stein gemeisselt. Ich überprüfe sie nach jedem Turnier gegen die tatsächlichen Ergebnisse und passe sie an, wenn die Daten eine Neukalibrierung nahelegen.

Von Wahrscheinlichkeit zu fairer Quote

Sobald mein Modell eine Siegwahrscheinlichkeit für beide Teams und das Unentschieden berechnet hat, ist die faire Quote einfach zu berechnen: faire Quote = 1 / Wahrscheinlichkeit. Wenn ich der Schweiz 50% Sieg-Wahrscheinlichkeit gegen Katar gebe, ist die faire Quote 2.00.

Der nächste Schritt: Vergleich mit der Marktquote. Wenn der Markt 1.90 bietet und ich 2.00 als fair sehe, gibt es keinen Value — der Buchmacher liegt sogar über meiner Schätzung. Wenn der Markt 2.10 bietet und ich 2.00 als fair sehe, liegt der Markt unter meiner Schätzung — das ist positiver Value.

Für die Entscheidung, ob ich eine Wette empfehle, brauche ich mindestens einen positiven Value von 5 bis 8%, um die Buchmachermargin zu kompensieren und einen echten Erwartungswert-Vorteil zu haben. Eine Quote von 2.10 bei einer fairen Quote von 2.00 ergibt 5% Value — das ist die untere Grenze. Eine Quote von 2.40 bei einer fairen Quote von 2.00 ergibt 20% Value — das ist ein klarer, seltener Edge.

Ich publiziere keine Wetten, bei denen der Value unter 5% liegt. Die Ungenauigkeit meines Modells (die immer vorhanden ist) übersetzt sich in Konfidenzintervalle; unter 5% Value kann ich nicht mit Sicherheit sagen, dass die Unsicherheit nicht grösser ist als der Edge.

Closing Line Value als Erfolgsmass

Closing Line Value (CLV) ist das einzige langfristig sinnvolle Mass für die Qualität einer Wettanalyse. Die Logik: Wenn Wettmärkte effizient sind (was sie in grossen Teilen sind), nähert sich die Marktquote kurz vor Spielbeginn der tatsächlichen Wahrscheinlichkeit an — weil alle verfügbaren Informationen eingepreist sind. Die Closing Line ist damit die beste öffentlich verfügbare Schätzung der wahren Wahrscheinlichkeit.

Wenn ich konsequent Quoten zum Zeitpunkt meiner Wette erziele, die besser sind als die spätere Closing Line, dann habe ich konsequent bessere Informationen oder bessere Interpretation derselben Informationen als der Markt. Das ist messbarer Kompetenz-Nachweis — unabhängig von kurzfristigen Glücks- und Pechsträhnen.

Ich berechne meinen CLV nach jedem Turnier: Wie viele meiner Wetten hatten einen positiven CLV, und wie gross war dieser CLV im Durchschnitt? Bei positivem Durchschnitts-CLV von mehr als 2% über viele Wetten bin ich zufrieden mit meiner Analyse-Qualität. Darunter überarbeite ich das Modell.

Grenzen unseres Modells — ehrlich

Kein Modell ist perfekt. Das wäre gelogen. Meine konkreten Schwächen sind folgende:

Erstens: Nationalmannschaftsdaten sind dünn. Teams spielen im Jahr 8 bis 12 Mal — das ist viel weniger als Klubteams. Mit weniger Datenpunkten ist die Unsicherheit höher. Ich kompensiere das mit ELO-Gewichtung und Kader-Qualitätsbewertung, aber die Grundunsicherheit bleibt.

Zweitens: Verletzte und suspendierte Spieler kurz vor dem Turnier. Wenn ein Schlüsselspieler eine Woche vor dem ersten WM-Spiel verletzt ausfällt, muss ich das Modell manuell anpassen. Das ist keine Schwäche des Modells per se, aber ein operativer Unsicherheitsfaktor.

Drittens: Psychologische Faktoren. Der Heimvorteil Kanadas in Vancouver, der Druck auf Frankreich als vermeintlichem Favoriten, die Euphorie eines WM-Debütanten — diese Faktoren sind real, aber schwer zu quantifizieren. Mein Modell baut einen kleinen Puffer für nicht-quantifizierbare Faktoren ein, aber er ist keine exakte Messung.

Viertens: Marktineffizienz-Ausnutzung ist begrenzt. In der Schweiz gibt es nur Sporttip als legalen Anbieter. Wenn der Markt eine falsche Quote setzt, ist das eine Chance — aber ich kann nicht zu mehreren Anbietern wechseln, um die beste verfügbare Quote zu finden. Das ist ein strukturelles Handicap des Schweizer Markts.

Fünftens: Das Modell war auf historischen WM-Daten seit 2010 kalibriert. Das sind gerade drei vollständige Turniere (2014, 2018, 2022) — statistisch eine sehr kleine Stichprobe. Ich ergänze mit Qualifikationsdaten, aber die Extrapolation auf ein neues Turnier bringt immer Unsicherheit.

Diese Grenzen bedeuten nicht, dass das Modell wertlos ist. Sie bedeuten, dass ich nie mit 100% Sicherheit sage, was passiert — sondern mit transparenten Wahrscheinlichkeiten und messbaren Konfidenzintervallen arbeite. Wer Sicherheiten sucht, ist beim Wetten falsch. Wer Wahrscheinlichkeiten versteht, sie diszipliniert anwendet und langfristig denkt, hat die richtige Einstellung — unabhängig davon, ob das nächste Spiel gewonnen oder verloren wird.

Mehr zur Anwendung dieser Methodik in der Praxis findet sich in den WM-2026-Prognosen, wo ich für jedes relevante Spielpaar die Outputs meines Modells transparent publiziere.

Transparenz ist der einzige Qualitätsstandard im Wetten, dem ich vertraue. Wer seine Methodik nicht erklären kann oder will, sollte nicht empfehlen. Ich erkläre sie hier, vollständig und ohne Schönfärberei.