2. Oktober 2026·8 Min. Lesezeit

Expected Threat (xT) im Fußball: ein Wettleitfaden

Was Expected Threat (xT) ist, wie es Pässe und Dribblings vor einem Schuss bewertet, wie es sich von xG unterscheidet und was es Wettenden sagen kann.

xTexpected threatbetting models

Expected Goals beginnt erst zu zählen, wenn jemand schießt. Alles davor, der Pass, der eine Linie überspielt, oder das Dribbling in den Strafraum, bringt nichts, bis der Ball getroffen wird. Schüsse sind ein winziger Teil eines Spiels: StatsBomb beziffert sie auf weniger als 1 % aller Aktionen am Ball.

Expected Threat, kurz xT, misst die anderen 99 %. Es gibt jedem Pass und jedem Dribbling einen Wert, indem es fragt, wie sehr jede Aktion die Torchance eines Teams verändert hat. Dieser Artikel erklärt, was Expected Threat ist, wie es berechnet wird, wie es sich von xG unterscheidet und was es Wettenden sagen kann und was nicht.

Die Kurzfassung

• xT bewertet den Spielaufbau, nicht nur den Schuss. Jede Zone des Spielfelds bekommt einen Wert: die Chance, von dort innerhalb der nächsten Aktionen ein Tor zu erzielen. Ein Pass oder Dribbling ist die Differenz zwischen Start- und Zielzone wert.
• Es ist ein Frühindikator. Ein Team kann viel Gefahr erzeugen, bevor es viele Schüsse hat, daher kann xT zeigen, dass sich Druck aufbaut, bevor xG oder das Ergebnis es zeigen.
• Es ist kein geheimer Edge. Die Eventdaten hinter xT werden an Klubs, Medien und Buchmacher gleichermaßen verkauft, und bessere Modelle (VAEP, Possession Value, On-Ball Value) gehen bereits weiter als xT.
• Gefahr, die nie zu Schüssen wird, ist nicht immer Pech. Manchmal ist es ein Team, das seine Angriffe nicht zu Ende spielen kann. Ehrlich genutzt ist xT ein Faktor unter mehreren, verglichen mit einer margenfreien Quote.

Was ist Expected Threat (xT) im Fußball?

Expected Threat hat der Analyst Karun Singh in einem viel geteilten Beitrag eingeführt, gestützt auf die Eventdaten einer ganzen Premier-League-Saison (2017/18). Die Idee ist einfach genug, um sie ohne Gleichungen zu erklären.

Teil das Spielfeld in ein Raster; Singh nutzte 16 Spalten mal 12 Reihen, also 192 Zonen. Schau dir für jede Zone an, was Spieler taten, wenn sie dort den Ball hatten:

• wie oft sie schossen, und wie oft diese Schüsse drin waren — ein sehr einfaches xG;
• wie oft sie den Ball stattdessen weiterbewegten, mit einem Pass oder einem Dribbling, und wohin der Ball ging.

Der Wert einer Zone ist die Chance, von ihr aus ein Tor zu erzielen: entweder durch einen Schuss jetzt oder indem man den Ball in eine andere Zone bringt und von dort trifft. Weil der Wert jeder Zone von den anderen abhängt, wird die Berechnung wiederholt, bis sie sich einpendelt, was in Singhs Daten vier oder fünf Runden dauerte. Das Ergebnis ist die Wahrscheinlichkeit, von jedem Punkt des Spielfelds innerhalb der nächsten Aktionen zu treffen. Nahe dem eigenen Tor sind die Werte winzig, zum gegnerischen Tor hin steigen sie steil an.

Dann der nützliche Teil: Der Wert einer Aktion ist die Veränderung, die sie bewirkt. Ein Pass aus einer Zone mit 0,077 in eine Zone mit 0,158 bringt 0,081 xT, ob danach jemand schießt oder nicht.

Ein Rechenbeispiel: Wer hat die Chance wirklich herausgespielt?

Singhs ursprüngliches Beispiel ist ein Tor von Arsenal gegen Burnley. Mesut Özil spielte mit einem Pass auf Sead Kolašinac die Abwehr auseinander, und dessen Rückpass verwertete Pierre-Emerick Aubameyang.

Auf dem Spielbericht bekommt Kolašinac die Vorlage und Özil nichts. Mit xT ändert sich das Bild:

Nach diesem Maß war Özil für etwa 86 % der Gefahr verantwortlich, die der Angriff erzeugte, und Kolašinac für 14 %. Der Pass, der die Lage veränderte, war der vor der Vorlage, und xT ist dafür gebaut, ihn zu sehen.

xT vs. xG: Was ist der Unterschied?

xG sagt dir, wie gut die Chancen eines Teams waren. xT sagt dir, wie gut es den Ball in Richtung guter Chancen bewegt hat. Über eine kurze Phase kann ein Team beim zweiten gut sein und beim ersten Pech haben.

Mehr als xT: VAEP, Possession Value und On-Ball Value

xT ist das einfachste Mitglied einer Familie von Modellen, die jede Aktion am Ball bewerten. Seine Einfachheit ist sein Reiz und zugleich seine Grenze.

• VAEP (KU Leuven, 2019) bewertet eine Aktion danach, wie sie die Chancen verändert, ein Tor zu erzielen und eines zu kassieren, und nutzt dafür die ganze Spielsituation statt nur die Position des Balls.
• Optas Possession Value (2019/20) schätzt die Chance, dass ein Ballbesitz mit einem Tor endet, und rechnet Spielern Ballverluste ebenso an, wie es ihnen Raumgewinn gutschreibt.
• StatsBombs On-Ball Value (2021) wägt für jedes Ereignis ebenfalls Torchance gegen Gegentorgefahr ab.

Was sie gemeinsam haben, ist der Grund, warum xT allein nicht reicht. Die Grundversion zählt nur erfolgreiche Aktionen, ein riskanter Pass, der abgefangen wird, kostet also nichts. Sie weiß, wo der Ball ist, nicht wo die Verteidiger stehen. Und wie StatsBomb anmerkt, können Eventdaten die Bewegung ohne Ball nicht sehen: Der Laufweg, der den Pass erst möglich machte, bekommt keine eigene Anerkennung.

Kann Expected Threat Value beim Wetten finden?

Das Argument für xT beim Wetten ist leicht gemacht. Wenn ein Team den Ball immer wieder in gefährliche Zonen bringt, aber wenig trifft, hinken seine Ergebnisse vielleicht seiner Leistung hinterher, und Quoten, die auf Ergebnissen beruhen, hinken mit. In der Theorie führt die Gefahr, die Schüsse folgen, und die Tore folgen den Schüssen.

Eine ehrliche Sicht braucht drei Einschränkungen.

1. Nicht jede ungenutzte Gefahr ist Pech. Manche Teams kommen an den Strafraum und schaffen es immer wieder nicht, einen klaren Schuss herauszuspielen. Das ist eine echte Schwäche, keine Varianz, und sie geht vielleicht nicht weg. Gefahr, die nicht zu Schüssen wird, muss erklärt werden, bevor man darauf wettet.

2. Die Belege fürs Wetten sind dünn. xT wurde entwickelt, um Spielern ihren Anteil am Spielaufbau zuzuschreiben, nicht um Spielergebnisse vorherzusagen. Wir kennen keine öffentlichen Belege dafür, dass xT in einem gut gebauten Tormodell die Schlussquoten verlässlich schlägt. Jede Behauptung, dass es das tut, verdient es, an einer Bilanz geprüft zu werden.

3. Die Daten sind nicht exklusiv. Für xT braucht man Eventdaten mit Koordinaten für jede Aktion. Diese Daten kommen von kommerziellen Anbietern, und Buchmacher kaufen sie auch. Eine Kennzahl, die Sharp-Buchmacher und Syndikate berechnen können, ist für sich allein kaum ein Edge zum Nulltarif, aus demselben Grund, aus dem reines xG heute in der Quote steckt; siehe warum xG die Quote nicht mehr schlägt.

Was das Denken in xT tatsächlich bietet, ist eine bessere Frage. Statt „Wer hat gewonnen?“ oder sogar „Wer hatte die besseren Chancen?“ frag: „Wer hat die gefährlichen Zonen des Spielfelds kontrolliert, und hat die Quote das bemerkt?“

Wie du xT-Denken bei deinen eigenen Wetten nutzt

• Vergleiche drei Zahlen, nicht eine. Tore, xG und ein Maß für Gefahr oder Raumgewinn. Ein Team, das bei allen dreien vorn liegt, ist einfach gut. Ein Team, das bei Gefahr und xG vorn, bei den Toren aber hinten liegt, ist der interessante Fall.
• Schau auf lange Phasen, nicht auf einzelne Spiele. Ein dominantes Spiel beweist wenig. Eine Lücke, die über viele Spiele besteht, ist mehr wert und ist mit geringerer Wahrscheinlichkeit Rauschen.
• Denk an den Markt, auf den du wettest. Anhaltender Druck sorgt für Schüsse und Ecken, daher zählt er am meisten für Tormärkte wie Über/Unter und beide Teams treffen.
• Bepreise es, dann vergleiche. Eine Meinung über ein Team ist kein Edge. Mach daraus eine Wahrscheinlichkeit und vergleiche sie mit der margenfreien Quote.
• Beurteile die Methode am Closing Line Value. Wenn deine Einschätzung des Drucks stimmt, sollte sich der Markt vor dem Anstoß in deine Richtung bewegen. Siehe warum der CLV zählt.

Wie Kepler den Druck vor dem Schuss misst

Kepler berechnet kein xT. Unsere Daten liegen auf Spielebene vor, nicht als Aufzeichnung jedes Passes mit seinen Koordinaten, und wir sagen das lieber, als uns den Namen auszuleihen.

Was Keplers Modell tatsächlich misst, ist der Druck, der Toren vorausgeht: unsere eigene Proxy-Kennzahl für Expected Goals, Schüsse aufs Tor, Schüsse aus dem Strafraum, Ecken, Ballbesitz und gefährliche Angriffe. Eine Machine-Learning-Schicht kombiniert sie mit zeitlich gewichteter Form, Form zu Hause und auswärts, Ruhetagen, Ligakontext und der Schwankungsbreite der Spiele jedes Teams und liefert eine Wahrscheinlichkeit pro Markt.

Diese Wahrscheinlichkeit wird mit der Quote des Sharp-Marktes ohne Marge verglichen, und ein Signal wird nur veröffentlicht, wenn die Lücke groß genug ist, um eine Rolle zu spielen. Jeder veröffentlichte Tipp kommt in die öffentliche Bilanz, Gewinne wie Verluste, mit seinem Closing Line Value, damit du die Methode selbst beurteilen kannst.

Häufige Fragen

Wetten ist mit Risiko verbunden. Vergangene Ergebnisse garantieren keine künftigen Erträge. Wette nur, was du dir leisten kannst zu verlieren. 18+.