Expected Goals haben die Sportanalyse revolutioniert. Was im Fußball begann, hat längst auch das Eishockey erreicht. Statt nur zu zählen, ob ein Tor gefallen ist, bewertet xG die Wahrscheinlichkeit jedes Schusses. Ein Schuss aus dem Slot hat höheren xG-Wert als ein Weitschuss von der blauen Linie. Diese Differenzierung ermöglicht präzisere Leistungsbewertungen und deckt Diskrepanzen zwischen Ergebnissen und Spielqualität auf.
Alle Analysen findest du auf unserer Homepage.
Das Konzept Expected Goals
Expected Goals ordnen jedem Schuss eine Wahrscheinlichkeit zu, basierend auf historischen Daten. Ein Schuss aus fünf Metern zentral vor dem Tor wird mit etwa 15 Prozent bewertet, weil ähnliche Schüsse historisch zu 15 Prozent im Tor landeten. Ein Schuss von der blauen Linie erhält vielleicht nur 2 Prozent. Die Summe aller xG-Werte eines Teams ergibt dessen Expected Goals für das Spiel.
Die Berechnung berücksichtigt mehrere Faktoren. Die Distanz zum Tor ist der wichtigste, gefolgt vom Winkel. Ein zentraler Schuss aus fünf Metern hat mehr xG als ein Schuss aus derselben Distanz von der Seite. Weitere Faktoren können einfließen: Schusstyp, vorherige Ereignisse wie Pässe oder Rebounds, Spielsituation und manchmal sogar die Eishockey-IQ des Schützen.
Verschiedene Modelle produzieren unterschiedliche xG-Werte. MoneyPuck, Natural Stat Trick und andere Anbieter verwenden eigene Algorithmen. Die Grundidee bleibt gleich, aber die Details variieren. Für Wetter empfiehlt sich die konsistente Nutzung einer Quelle, um Vergleichbarkeit zu gewährleisten. Die absoluten Zahlen sind weniger wichtig als die relativen Unterschiede zwischen Teams.
xG für Teamanalyse nutzen
Expected Goals For und Expected Goals Against zeigen die Chancenqualität eines Teams. Ein Team mit xGF von 3,2 und xGA von 2,5 kreiert deutlich bessere Chancen als es zulässt. Diese Differenz, auch xG-Differential genannt, korreliert stark mit langfristigem Erfolg. Teams mit positivem xG-Differential gewinnen mehr Spiele, auch wenn kurzfristige Ergebnisse abweichen können.
Der Vergleich von tatsächlichen Toren mit Expected Goals offenbart Über- und Unterperformance. Ein Team mit 40 Toren bei nur 35 xGF hat überperformt, vermutlich durch gutes Finishing oder Glück. Ein Team mit 30 Toren bei 38 xGF hat unterperformt. Beide Abweichungen tendieren langfristig zur Regression, was Wettopportunitäten schafft.
Die Kombination von xG mit PDO verstärkt die Analyse. Ein niedriger PDO bei gleichzeitig starkem xG-Differential deutet auf ein Team hin, das viel Pech hatte. Die Ergebnisse spiegeln nicht die Spielqualität wider. Solche Teams sind klassische Value-Kandidaten, weil die Buchmacher primär auf Ergebnisse reagieren, nicht auf xG-Zahlen.
Torhüterbewertung mit Expected Goals
Goals Saved Above Expected, abgekürzt GSAx, misst die Torhüterleistung relativ zur erwarteten. Ein Torhüter, der 100 Tore kassiert bei 110 xGA, hat zehn Tore mehr gehalten als erwartet. Sein GSAx beträgt plus zehn. Diese Metrik isoliert die individuelle Leistung von der Defensivqualität des Teams.
Die Torhüterbewertung mit xG ist fairer als Save Percentage allein. Ein Torhüter hinter einer schwachen Defensive sieht viele High-Danger Chances und kassiert entsprechend mehr Tore. Seine Save Percentage leidet, obwohl er möglicherweise überdurchschnittlich hält. GSAx berücksichtigt die Qualität der Gegenchancen und zeigt das wahre Leistungsniveau.
Für Wetter bedeutet das: GSAx identifiziert unter- und überbewertete Torhüter. Ein Goalie mit negativem GSAx hält weniger als erwartet und wird seine Zahlen wahrscheinlich verbessern, oder er ist tatsächlich ein Problem. Ein Goalie mit stark positivem GSAx performt möglicherweise über seinem nachhaltigen Level. Beide Erkenntnisse fließen in Matchup-Analysen ein.
Diskrepanzen zwischen xG und Realität
Die spannendsten Wettszenarien entstehen, wenn xG und tatsächliche Ergebnisse divergieren. Ein Team gewinnt Spiele, obwohl es nach xG eigentlich verlieren sollte. Diese Situationen signalisieren unsustainable Performance und zukünftige Korrektur. Die Frage ist nur, wann die Regression einsetzt, nicht ob.
Positive Diskrepanz, also mehr Tore als xG, hat typische Ursachen. Elite-Finisher wie Auston Matthews oder Leon Draisaitl übertreffen regelmäßig ihre xG, weil ihre Schussqualität historische Durchschnitte übertrifft. Torhüterprobleme des Gegners können ebenfalls zu erhöhtem Finishing führen. Unterscheide zwischen nachhaltigen Gründen und reinem Glück.
Negative Diskrepanz erfordert ähnliche Differenzierung. Ein Team mit weniger Toren als xG könnte Pech haben, aber auch strukturelle Finisher-Probleme aufweisen. Wenn die Topspieler aus einer Flaute kommen oder verletzte Scorer zurückkehren, ist die Aufholjagd wahrscheinlich. Wenn das Team generell über schwache Finisher verfügt, könnte die Diskrepanz bestehen bleiben.
Die Zeitspanne der Diskrepanz beeinflusst die Wettentscheidung. Kurzfristige Abweichungen über fünf bis zehn Spiele sind normal und wenig aussagekräftig. Persistente Diskrepanzen über 20 oder mehr Spiele deuten auf strukturelle Faktoren hin. Die Analyse muss beide Szenarien unterscheiden, um profitable Wetten zu identifizieren.
Praktische Anwendung für Over/Under
Expected Goals eignen sich hervorragend für Torwetten. Die Summe von xGF und xGA beider Teams schätzt die erwartete Torzahl eines Spiels. Liegt diese Schätzung deutlich über oder unter der Buchmacher-Linie, entsteht Value. Ein Spiel mit kombiniertem xG von 7,0 bei einer Linie von 6,0 bietet Value auf Over.
Die Berücksichtigung der Torhüter verfeinert die Prognose. Ein durchschnittlicher Torhüter hält etwa so viele Schüsse, wie xG erwarten lässt. Ein Elite-Goalie übertrifft diese Erwartung und reduziert die tatsächliche Torzahl. Die Adjustierung für GSAx der beteiligten Torhüter bringt die xG-Prognose näher an die Realität.
Spielsituationen modifizieren die xG-basierte Erwartung. Back-to-Back-Situationen erhöhen typischerweise die Torzahl, weil Torhüter und Defensivspieler müder agieren. Rivalenspiele können in beide Richtungen ausschlagen, oft aber zu defensiveren Partien führen. Diese Kontextfaktoren ergänzen die xG-Analyse.
Grenzen der Expected Goals
Kein Modell ist perfekt. xG basiert auf historischen Durchschnitten und kann individuelle Fähigkeiten nicht vollständig erfassen. Ein Spieler mit außergewöhnlicher Technik übertrifft systematisch seinen xG, weil das Modell seine Qualität unterschätzt. Diese Ausnahmen verwässern die Vorhersagekraft für spezifische Matchups.
Die Datenqualität beeinflusst die Zuverlässigkeit. xG-Modelle nutzen Tracking-Daten, deren Genauigkeit variiert. Die Position eines Schusses wird manchmal unpräzise erfasst, was den xG-Wert verzerrt. Diese Ungenauigkeiten mitteln sich über große Stichproben aus, beeinflussen aber Einzelspiele.
Die Wechselwirkung zwischen Teams fließt begrenzt ein. Ein offensivstarkes Team gegen eine Elitedefensive produziert möglicherweise weniger xGF als gewöhnlich. Manche Modelle adjustieren für Gegnerqualität, andere nicht. Die Kenntnis der Modellgrenzen verhindert übermäßiges Vertrauen in einzelne Zahlen.
Der xG-Vorteil für aufmerksame Wetter
Expected Goals bieten einen Informationsvorsprung, weil viele Wetter sie ignorieren. Die Buchmacher kennen xG natürlich, aber die Masse der Freizeitwetter reagiert auf Ergebnisse, nicht auf Chancenqualität. Diese Diskrepanz zwischen Marktwahrnehmung und analytischer Realität schafft Value.
Der Vorteil schwindet mit zunehmender Verbreitung. Je mehr Wetter xG nutzen, desto effizienter werden die Märkte. Stand 2026 bleibt jedoch ein Fenster, besonders bei weniger liquiden Märkten wie Periodenwetten oder Teamtotals. Die NHL-Wettmärkte sind weniger effizient als die der NFL, und xG-basierte Strategien funktionieren noch.
Für den maximalen Nutzen kombiniere xG mit anderen Metriken. Corsi zeigt die Schussversuchsbalance, xG die Chancenqualität, PDO die Glückskomponente. Zusammen ergeben sie ein umfassendes Bild, das über jede einzelne Statistik hinausgeht. Der analytische Werkzeugkasten wächst, und xG ist darin ein unverzichtbares Instrument.
Nutze xG-Werte, um langfristig bessere Value Bets in der NHL zu platzieren.
