Available in USWarum eigene Prognosen besser sind als gekaufte Tipps
Im dritten Jahr meiner Wettkarriere habe ich einen Tipster-Service abonniert, 49 Euro im Monat für "exklusive Zweitliga-Prognosen". Nach sechs Monaten lag mein Ertrag aus den gekauften Tipps bei minus 380 Euro, während meine eigenen Einschätzungen im selben Zeitraum ein Plus von 120 Euro erzielten. Das war der Moment, in dem ich verstanden habe: Niemand kennt die 2. Bundesliga besser als jemand, der sie systematisch analysiert, und dieser Jemand kann jeder sein, der bereit ist, die Arbeit zu investieren.
Die 2. Bundesliga bietet ideale Voraussetzungen für eigene Prognosen. Mit 18 Mannschaften und einem Torschnitt von 2,93 Toren pro Spiel in der Saison 2025/26 ist die Datenbasis umfangreich genug für statistische Modelle, aber überschaubar genug, um jeden Verein im Detail zu kennen. Die Gesamterlöse der Liga von 1,21 Milliarden Euro und ein Wachstum von 13,1 Prozent zeigen: Das ist ein professioneller Wettbewerb mit professionellen Strukturen, keine Amateurliga, in der Zufälle überwiegen, aber auch kein Milliardenmarkt wie die Premier League, in dem die Quoten von Hunderten professioneller Modellierern ausoptimiert werden.
Die Konsequenz: In der 2. Bundesliga existieren systematische Ineffizienzen, die ein individueller Analyst mit dem richtigen Ansatz identifizieren kann. Die Frage ist nicht ob, sondern wie.
Schritt für Schritt zum eigenen Prognosemodell
Mein Prognosemodell für die 2. Bundesliga basiert auf vier Säulen, die ich über Jahre verfeinert habe. Jede Säule liefert einen eigenen Wahrscheinlichkeitswert, den ich am Ende zu einer Gesamteinschätzung aggregiere.
Die erste Säule ist die statistische Grundlage. Ich arbeite mit Expected Goals, xG-Werte, die nicht das tatsächliche Ergebnis messen, sondern die Qualität der Torchancen. Eine Mannschaft, die in den letzten fünf Spielen einen xG-Wert von 1,8 pro Spiel hatte, aber nur 0,6 Tore geschossen hat, ist statistisch unterbewerteter als ihre Ergebnisse suggerieren. Umgekehrt gilt: Ein Team mit 2,5 Toren pro Spiel bei einem xG von 1,3 überperformt und wird mittelfristig korrigiert. Diese Regression zum Mittelwert ist einer der zuverlässigsten Effekte im Fußball.
Die zweite Säule sind die Kaderdaten. Verletzte Stammspieler, Sperren, Neuzugänge, die noch nicht integriert sind, all das fließt in die Prognose ein. In der 2. Bundesliga ist der Effekt einzelner Spieler stärker als in der Bundesliga, weil die Kadertiefe geringer ist. Wenn der beste Torschütze von Elversberg ausfällt, ist das ein anderes Gewicht als wenn Bayern einen Stürmer rotiert.
Die dritte Säule ist der Kontextfaktor. Hier fließen Elemente ein, die kein Modell automatisch erfasst: Trainerwechsel, Derbycharakter, Tabellensituation, Druck auf den Vorstand. Ein Verein, der nach zehn Spieltagen auf einem Abstiegsplatz steht, obwohl er mit Aufstiegsambitionen in die Saison gegangen ist, spielt anders als ein Aufsteiger, der die Klasse bereits sicher hat. Diese qualitativen Faktoren lassen sich nicht in eine Formel gießen, aber sie verschieben die Wahrscheinlichkeiten messbar.
Die vierte Säule ist der Marktvergleich. Nachdem ich meine eigene Prognose erstellt habe, vergleiche ich sie mit den aktuellen Buchmacherquoten. Erst wenn meine geschätzte Wahrscheinlichkeit deutlich über der impliziten Wahrscheinlichkeit der Quote liegt, entsteht eine Value-Wette. Die Schwelle liegt bei mindestens fünf Prozentpunkten Differenz, alles darunter ist Rauschen.
Datenquellen und Werkzeuge für die Zweitliga-Analyse
Die gute Nachricht: Die meisten Daten, die du für ein solides Prognosemodell brauchst, sind kostenlos verfügbar. Plattformen wie FBref, Understat und WhoScored liefern xG-Daten, Schussstatistiken und Passnetzwerke. Die offizielle DFL-Seite bietet Tabellen, Ergebnisse und Spielerstatistiken. Für Kaderdaten nutze ich Transfermarkt. Marktwerte, Verletzungslisten und Transferhistorien sind dort vollständig dokumentiert.
Für die Modellierung selbst reicht eine Tabellenkalkulation. Ich arbeite mit einem Poisson-Modell, das die erwarteten Tore pro Mannschaft auf Basis der historischen Leistungsdaten berechnet und daraus die Wahrscheinlichkeiten für Sieg, Unentschieden und Niederlage ableitet. Das klingt kompliziert, ist aber in einer Stunde aufgesetzt und lässt sich dann Spieltag für Spieltag mit den aktuellen Daten füttern.
Ein Werkzeug, das ich besonders schätze: die Formkurvenanalyse über die letzten sechs Spiele. Nicht die Ergebnisse, sondern die xG-Differenz, also die Differenz zwischen erwarteten Toren und erwarteten Gegentoren. Ein Verein mit einer xG-Differenz von plus 0,7 über sechs Spiele ist in starker Form, auch wenn die Ergebnisse das nicht widerspiegeln. Diese Entkopplung von Ergebnis und Leistung ist die Grundlage für die meisten meiner profitablen Wetten in der zweiten Liga.
Eine Ergänzung, die mein Modell in der dritten Saison deutlich verbessert hat: die Unterscheidung zwischen Heim- und Auswärtsstärke. In der 2. Bundesliga ist der Heimvorteil ausgeprägter als in der ersten Liga, ein Effekt, der durch die enormen Zuschauerzahlen verstärkt wird. Wenn ich die xG-Werte nach Heim und Auswärts trenne, ergibt sich ein differenzierteres Bild als bei einem aggregierten Durchschnitt. Ein Verein wie Schalke kann zu Hause eine xG-Differenz von plus 1,2 haben und auswärts minus 0,3, diese Spreizung geht in einem Gesamtdurchschnitt unter, ist aber für die Wettprognose entscheidend.
Noch ein praktischer Tipp: Führe ein Wetttagebuch. Jede Prognose, jeder Einsatz, jede Quote, jedes Ergebnis. Nach 100 Wetten wirst du Muster erkennen – welche Wettmärkte dein Modell gut abbildet, wo es systematisch danebenliegt, ob du bei Außenseitern oder Favoriten besser triffst. Ohne diese Daten optimierst du blind. Mit diesen Daten kannst du gezielt an den Schwächen deines Modells arbeiten und seine Stärken ausbauen.
Was viele Anfänger übersehen: Die Qualität der Prognose hängt nicht von der Komplexität des Modells ab, sondern von der Konsistenz der Anwendung. Ein einfaches Modell, das du jede Woche diszipliniert anwendest, schlägt ein aufwendiges Modell, das du nur sporadisch nutzt. Beginne mit den Grundlagen – xG, Formkurve, Kaderstatus – und füge Komplexität erst hinzu, wenn du die Grundlagen sicher beherrschst. Nach sechs Monaten wirst du ein Gefühl dafür entwickelt haben, wo dein Modell stark ist und wo es systematisch danebenliegt. Diese Kalibrierung ist der eigentliche Wert eines eigenen Prognosemodells – und sie lässt sich nicht kaufen.
Häufige Fragen zur Prognoseerstellung
Welche Daten brauche ich für ein Prognosemodell der 2. Bundesliga?
Ein solides Grundmodell benötigt Expected-Goals-Daten, Heim- und Auswärtsbilanzen, Formkurven der letzten sechs Spiele und aktuelle Kaderinformationen. Diese Daten sind über kostenlose Plattformen wie FBref, Understat und Transfermarkt verfügbar. Für die Modellierung reicht eine Tabellenkalkulation mit einem einfachen Poisson-Ansatz.
Ab wann liefert ein eigenes Prognosemodell zuverlässige Ergebnisse?
Ein Modell braucht mindestens sechs bis acht Spieltage an aktuellen Daten, um stabile Prognosen zu liefern. In den ersten Wochen einer neuen Saison ist die Datenbasis zu dünn für belastbare Vorhersagen. Die Kalibrierung des Modells verbessert sich mit jedem Spieltag und erreicht typischerweise nach dem zehnten Spieltag eine konsistente Qualität.
Sind eigene Prognosen besser als kostenpflichtige Tipster-Services?
Die verfügbaren Daten zeigen, dass die Mehrheit der kostenpflichtigen Tipster-Services langfristig keine positive Rendite liefert. Ein eigenes Modell hat den Vorteil, dass du die Fehlerquellen kennst, die Methodik kontrollierst und die Ergebnisse systematisch auswerten kannst. Der Zeitaufwand liegt bei zwei bis drei Stunden pro Spieltag.
