Fußball vorhersagen genaue ergebnisse — das ist der Wunsch, der hinter vielen Suchanfragen steckt. Wer den Endstand eines Spiels exakt treffen will, nicht nur den Ausgang. Das ist verständlich: Ein exakter Treffer bringt im Tippspiel vier statt zwei Punkte, und in Sportwetten-Märkten sind Correct-Score-Quoten entsprechend hoch. Das Problem: Exakte Ergebnisse gehören zu den am schwersten prognostizierbaren Outputs im Fußball — und zwar strukturell, nicht wegen mangelnder Algorithmen-Qualität.
Leander Forcher, Data Scientist bei TSG 1899 Hoffenheim und Erstautor einer umfassenden Studie zur Prognosegenauigkeit in der Bundesliga, fasst die Grundproblematik klar zusammen: «Es ist immer noch der Zufall, der die Ergebnisse im Fußball dominiert.» (Forcher et al., Frontiers in Sports and Active Living, 2025). Das ist kein Eingeständnis einer methodischen Schwäche — das ist die wissenschaftlich abgesicherte Grundwahrheit über Fußball als Prognoseobjekt. Selbst das beste Modell erklärt nur einen Teil der Spielausgänge. Den Rest erklärt Zufall.
Dieser Artikel erklärt, warum genaue Ergebnisse strukturell unvorhersehbarer sind als Spielausgänge, wie Correct-Score-Märkte mathematisch funktionieren und was KI-Modelle realistischerweise für Ergebnisprognosen leisten können — und was nicht. Falsche Präzision ist keine Hilfe. Richtige Einordnung schon.
Warum exakte Scores extrem schwer zu treffen sind
Die Schwierigkeit bei exakten Ergebnisprognosen liegt in der Kombinatorik. Ein Spielausgang hat drei mögliche Werte: Heimsieg, Unentschieden, Auswärtssieg. Ein exaktes Ergebnis hat theoretisch hunderte mögliche Kombinationen.
Die Kombinatorik des Correct Score
In einem typischen Bundesliga-Spiel enden über 90 Prozent aller Spiele mit einem Endergebnis zwischen 0:0 und 4:3. Das sind noch immer mehr als 30 verschiedene Möglichkeiten — alle mit unterschiedlicher Wahrscheinlichkeit. Das häufigste Ergebnis in der Bundesliga, 1:0, tritt in etwa 10 bis 12 Prozent aller Spiele auf. Das zweit- und dritthäufigste Ergebnis, 1:1 und 2:1, jeweils in etwa 8 bis 10 Prozent. Wer also systematisch auf das wahrscheinlichste Ergebnis tippt, liegt statistisch in etwa einem von zehn Spielen richtig — im besten Fall. Das ist nicht besser als zufällig bei einem begrenzten Ergebnisraum.
Warum xG das Problem nicht löst
Man könnte annehmen, dass xG-basierte Modelle auch für exakte Ergebnisse hilfreich sind: Wenn ein Team durchschnittlich 1,8 xG pro Heimspiel produziert, sollte 2:1 ein wahrscheinliches Ergebnis sein. Das ist korrekt — aber die Streuung um diesen Erwartungswert ist groß. Ein Team mit 1,8 xG erzielt in verschiedenen Spielen tatsächlich 0, 1, 2, 3 oder 4 Tore — die Poisson-Verteilung der Treffer ist breit. Das bedeutet: Selbst wenn xG den Erwartungswert korrekt schätzt, liefert es für das exakte Ergebnis nur eine Wahrscheinlichkeitsverteilung, keine Punktprognose. Das häufigste Ergebnis dieser Verteilung hat typischerweise eine Wahrscheinlichkeit von 10 bis 15 Prozent — kein Modell kann das substanziell verbessern.
Post-Match-Genauigkeit als Obergrenze
Forcher et al. (Frontiers, 2025) zeigen, dass selbst post-match xG-Modelle — also Modelle, die nach Spielende alle erhobenen Daten nutzen — nur 65,6 Prozent der Spielausgänge (1X2) korrekt erklären. Das ist die Obergrenze für den dreiteiligen Ausgangsmarkt. Für den Correct-Score-Markt mit seinen Dutzenden von Möglichkeiten ist die analoge Zahl zwangsläufig kleiner. Es gibt keine publizierte Forschung, die zeigt, dass irgendein Algorithmus Correct-Score-Ergebnisse mit mehr als 15 bis 18 Prozent Trefferquote konsistent prognostiziert — und das ist nur minimal besser als eine informierte Basisstrategie.
Der Elfmeter und die Latte
Ein besonders klarer Beleg für den Zufallsanteil: Elfmeter und Lattentreffern. Ein verwandelter Strafstoß in der 88. Minute verändert den Correct Score von 1:0 auf 1:1 — und damit auch, ob ein Heimsieg, ein Unentschieden oder eine Auswärtsgoal-Wette gewonnen wird. Ob dieser Elfmeter herausgespielt wurde, war bis zum VAR-Entscheid nicht vorhersehbar. Ob der Schuss ins Tor geht oder an den Pfosten, ist statistisch zufällig verteilt. Dieses Rauschen auf Einzelspielebene ist inhärent und wird durch bessere Algorithmen nicht eliminiert.
Warum Poisson-Verteilungen das Beste sind, was wir haben
Das statistisch sauberste Modell für Toranzahl-Prognosen nutzt die Poisson-Verteilung: eine mathematische Beschreibung, wie viele Ereignisse (Tore) in einer Zeiteinheit (90 Minuten) eintreten, wenn der Erwartungswert bekannt ist. Mit dem xG-Durchschnitt eines Teams als Inputwert liefert die Poisson-Verteilung eine Wahrscheinlichkeitsverteilung über alle möglichen Toranzahlen — und aus der Kombination für beide Teams ergibt sich eine Wahrscheinlichkeitsmatrix für alle Correct-Score-Kombinationen. Das ist methodisch solide — und gleichzeitig zeigt es klar, dass kein Ergebnis eine Wahrscheinlichkeit von mehr als 15 Prozent erreicht. Das ist die Grenze des Möglichen.
Correct-Score-Wetten: Quoten und Realität
Correct-Score-Märkte sind bei Buchmachern gut etabliert — und ihre Quotenstruktur spiegelt die tatsächliche Unvorhersehbarkeit korrekt wider.
Warum die Quoten so hoch sind
Eine Quote von 8,00 auf 1:0 entspricht einer impliziten Wahrscheinlichkeit von 12,5 Prozent. Eine Quote von 15,00 auf 2:1 entspricht 6,7 Prozent. Diese Quoten sind in vielen Fällen fair oder sogar leicht übervorteilend für den Spieler — weil Buchmacher beim Correct-Score-Markt weniger Expertise haben als beim 1X2-Markt und die Marge auf einzelnen Ergebnissen manchmal dünner ist. Das klingt nach einer Gelegenheit. Das Problem: Auch wenn die Quote fair ist, bleibt die absolute Trefferwahrscheinlichkeit niedrig. Value auf einem Correct-Score-Markt bedeutet, dass man im Erwartungswert nicht verliert — es bedeutet nicht, dass man oft gewinnt.
Die Martingale-Falle
Ein Verhaltensmuster, das bei Correct-Score-Wetten häufig auftritt: Wer mehrmals hintereinander verliert und die Einsätze erhöht, um Verluste auszugleichen. Das ist das Martingale-System — und es ist eine mathematisch garantierte Insolvenzstrategie, wenn die Ergebnisse zufällig verteilt sind. Bei einer Trefferquote von zehn Prozent und einer Verluststrähne von fünf Spielen in Folge wäre der benötigte Einsatz im sechsten Spiel bereits 32-fach höher als der Ausgangseinsatz. Das ist keine Strategie — das ist ein beschleunigter Weg zum Bankroll-Verlust.
Wann Correct-Score sinnvoll ist
Es gibt Spielkonstellationen, in denen Correct-Score-Prognosen methodisch sinnvoller sind als in anderen. Wenn xG-Werte beider Teams sehr stabile, niedrige Werte zeigen — also ein «Defensivduell» zu erwarten ist — ist die Wahrscheinlichkeit für 0:0 oder 1:0 relativ höher als der Markdurchschnitt suggeriert. Wer solche Situationen identifiziert, hat einen begrenzten statistischen Informationsvorsprung. Aber «begrenzter Vorsprung» bedeutet nicht «sicherer Treffer» — es bedeutet, dass 0:0 vielleicht 12 statt 9 Prozent Wahrscheinlichkeit hat. Das rechtfertigt eine leichte Priorisierung, aber keine hohe Einsatzfestlegung.
Was KI realitätsnah prognostizieren kann
Der nüchterne Befund: KI-Modelle sind für exakte Ergebnisse kein starkes Werkzeug. Für was sie stark sind, ist klar — und das ist der richtige Ausgangspunkt für einen informierten Umgang.
Stärke: Wahrscheinlichkeitsverteilungen
Das, was KI-Modelle für Correct Scores leisten können, ist eine Wahrscheinlichkeitsverteilung über alle plausiblen Ergebnisse. Also nicht «das Ergebnis wird 2:1», sondern «2:1 hat 11 Prozent, 1:0 hat 13 Prozent, 1:1 hat 9 Prozent» und so weiter. Diese Information ist nützlich — nicht um einen exakten Treffer zu garantieren, sondern um das wahrscheinlichste Cluster zu identifizieren und informierte Prioritäten zu setzen.
Was gut prognostiziert werden kann
Auf dem 1X2-Markt erreichen KI-Algorithmen in realen Bedingungen 60 bis 68 Prozent Trefferquote (Performance Odds Research, 2025). Das ist der Markt, auf dem Prognosemodelle ihren klaren Mehrwert entfalten — nicht der Correct-Score-Markt. Auch der Über/Unter-2,5-Tore-Markt ist für Algorithmen zugänglicher als Correct Scores, weil er eine binäre Entscheidung ist und xG-Torerwartungen direkt einbezogen werden können. Wer KI-Prognosen für exakte Ergebnisse nutzt, setzt das Werkzeug an einer Stelle ein, wo sein Vorteil am kleinsten ist.
Hinweis zum verantwortungsvollen Umgang
Correct-Score-Wetten sind unter allen Sportwetten-Märkten strukturell besonders risikoreich — nicht weil die Quoten unfair wären, sondern weil die Trefferquote selbst bei bester Methodik niedrig bleibt. Sportwetten in Deutschland sind ausschließlich bei GGL-lizenzierten Anbietern legal. Setzen Sie Verlustlimits und spielen Sie nur mit Beträgen, die Sie sich leisten können zu verlieren. Bei problematischem Spielverhalten: BZgA-Hotline 0800 1 37 27 00 (kostenlos, Mo–Do 10–22 Uhr, Fr–So 10–18 Uhr).
Datenquelle: Forcher et al. — «xG vs EPV for Match Outcome Prediction in the Bundesliga», Frontiers in Sports and Active Living, 2025. URL: Frontiers in Sports and Active Living (PDF)