xG-Modell im Handball – Expected Goals für Sportwetten

Expected Goals im Handball – Was die Fußball-Revolution für Handballwetten bedeutet

Expected Goals haben den Fußball verändert — xG ist dort mittlerweile Standardwerkzeug für Analysten, Trainer und Sportwetter. Im Handball existiert diese Revolution noch nicht. Dabei bietet der Sport die idealen Voraussetzungen für ein datenbasiertes Modell: Rund 45 Prozent aller Tore im professionellen Handball entstehen nach einem Assist, und die Wurfpositionen sind strukturiert genug, um Vorhersagen über die Torwahrscheinlichkeit einzelner Aktionen zu ermöglichen (pensarepallamano/SPAM-Modell).

Das xG-Modell im Handball ist kein fertiges Produkt, das man aus dem Regal nimmt. Es ist ein Konzept in der Entwicklung, das bisher nur in akademischen Arbeiten und spezialisierten Handball-Analyseprojekten existiert. Für Sportwetter bedeutet das: Wer die Grundlogik versteht und die verfügbaren Ansätze kennt, hat einen Informationsvorsprung, der im Handball-Wettmarkt einzigartig ist — denn kein einziger Konkurrent in der deutschsprachigen Wettlandschaft arbeitet mit xG-Daten für Handball.

Dieser Artikel erklärt, was xG ist, wie das SPAM-Modell für Handball funktioniert und wo Sportwetter diese Daten praktisch einsetzen können.

Was ist xG? – Vom Fußball-Konzept zum Handball-Modell

Expected Goals — xG — ist eine Metrik, die jedem Wurf oder Schuss eine Torwahrscheinlichkeit zuweist. Im Fußball berechnet xG, wie wahrscheinlich ein Tor aus einer bestimmten Schussposition, mit einem bestimmten Körperteil und unter bestimmten Defensivbedingungen fällt. Ein Strafstoß hat einen xG-Wert von etwa 0,76, ein Fernschuss aus 30 Metern liegt bei 0,03. Die Summe aller xG-Werte eines Teams in einem Spiel ergibt die erwartete Torzahl — unabhängig davon, wie viele Tore tatsächlich gefallen sind.

Im Handball lässt sich dieses Prinzip direkt übertragen, weil die Angriffsstrukturen noch stärker standardisiert sind als im Fußball. Ein Wurf vom Kreis nach einem Anspiel hat eine andere Torwahrscheinlichkeit als ein Wurf aus dem Rückraum über die Abwehrreihe. Ein Siebenmeter hat eine andere Erfolgsrate als ein Tempogegenstoß. Und ein Wurf gegen einen Torhüter in Bestform hat eine niedrigere Erwartung als derselbe Wurf gegen einen Ersatztorhüter.

Der Mehrwert von xG liegt in der Trennung von Leistung und Ergebnis. Ein Team, das in einem Spiel 35 Würfe abgibt, aber nur 22 Tore erzielt, hat möglicherweise keine schlechte Leistung gezeigt — die Wurfpositionen waren gut, aber der gegnerische Torhüter war überragend. Umgekehrt kann ein Team, das 28 Tore erzielt hat, dabei von schlechter gegnerischer Torwartleistung profitiert haben, während die eigene Angriffsleistung unterdurchschnittlich war. xG entlarvt diese Verzerrungen, indem es die Qualität der Wurfgelegenheiten misst, nicht die Ergebnisse.

Für Sportwetter ist das ein mächtiges Werkzeug. Wenn ein Team in den letzten fünf Spielen 25, 27, 24, 26 und 28 Tore erzielt hat, sieht das nach stabiler Offensivleistung aus. Wenn die xG-Werte für dieselben Spiele aber 30, 29, 28, 31 und 32 betragen, zeigt sich ein anderes Bild: Das Team erzeugt deutlich mehr Torgelegenheiten, als es verwertet. Die wahrscheinliche Konsequenz: Die Torzahl wird in den kommenden Spielen steigen, wenn die Konversionsrate sich dem Durchschnitt annähert. Diese Regression zum Mittelwert ist ein Kernprinzip der xG-Analyse — und ein direkter Indikator für Over/Under-Wetten.

Das SPAM-Modell – Wie xG im Handball berechnet wird

Das SPAM-Modell — Statistical Prediction Analysis Model — ist der bisher elaborierteste Ansatz, xG auf den Handball zu übertragen. Entwickelt als akademisches Projekt, ordnet es jedem Wurfversuch einen erwarteten Torwert zu, basierend auf der Wurfposition, dem Wurftyp und dem Spielkontext. Das Modell unterscheidet zwischen Würfen aus dem Rückraum, vom Kreis, von den Außenpositionen und vom Siebenmeter-Punkt — und weist jeder Kategorie eine historische Konversionsrate zu.

Die Datenbasis für das SPAM-Modell zeigt, dass rund 45 Prozent aller Tore im professionellen Handball nach einem Assist fallen. Das bedeutet: Fast die Hälfte aller Treffer sind das Ergebnis einer geplanten Angriffssequenz, nicht eines individuellen Soloangriffs. Für das xG-Modell ist das eine zentrale Information, weil Würfe nach Assists eine höhere Konversionsrate aufweisen als unvorbereitete Abschlüsse. Die durchschnittliche Wurfeffizienz im professionellen Handball liegt bei etwa 60 Prozent (Studocu) — sechs von zehn Würfen finden den Weg ins Tor. Aber dieser Durchschnitt verbirgt enorme Unterschiede: Ein Siebenmeter wird zu 75 bis 80 Prozent verwandelt, ein Tempogegenstoß zu 70 bis 75 Prozent, ein Wurf aus dem Rückraum über eine geschlossene 6-0-Deckung nur zu 35 bis 45 Prozent.

Diese Differenzierung macht das xG-Modell im Handball besonders wertvoll. Ein Spieler wie Mathias Gidsel — der die EM 2024 als MVP-Kandidat erlebte und das Turnier als das beste seiner Karriere bezeichnete (Sportschau) — generiert durch seine Position und Spielweise einen hohen persönlichen xG-Wert pro Spiel. Er agiert häufig in Abschlusspositionen mit hoher Konversionsrate: Tempogegenstöße, Durchbrüche am Kreis, Würfe nach Doppelpässen. Ein Modell, das seine Einsatzzeiten und Wurfpositionen analysiert, kann seine erwartete Torzahl pro Spiel deutlich präziser schätzen als der Saisonschnitt allein.

Die Grenzen des Modells liegen in der Datenverfügbarkeit. Im Fußball liefern Anbieter wie Opta oder StatsBomb positionsgenaue Schussdaten für jedes Spiel der Top-Ligen. Im Handball ist dieses Detailniveau öffentlich nicht verfügbar. Die EHF-Statistiken erfassen Wurfzahlen und Konversionsraten pro Spieler und Position, aber nicht die genaue Wurfposition im Raum. Für ein vollständiges xG-Modell bräuchte man Tracking-Daten, die bisher nur intern bei wenigen Clubs und der EHF vorliegen.

Trotz dieser Einschränkung ist ein vereinfachtes xG-Modell für Handball bereits mit den öffentlich verfügbaren Daten konstruierbar: Wurfzahlen pro Position, Konversionsraten nach Wurftyp und Siebenmeter-Statistiken erlauben eine brauchbare Näherung, die für den Wettmarkt informativer ist als der reine Blick auf die Torergebnisse.

xG für Wetten nutzen – Praktische Anwendung

Die praktische Anwendung von xG für Handball-Wetten konzentriert sich auf drei Bereiche, die auch mit einem vereinfachten Modell zugänglich sind.

Der erste Bereich ist die Over/Under-Analyse. Wenn ein Team in den letzten Spielen konsistent weniger Tore erzielt hat als sein xG-Wert erwarten ließe, ist die Wahrscheinlichkeit hoch, dass die Torproduktion in den kommenden Spielen steigt — die Regression zum Mittelwert setzt ein. Buchmacher kalkulieren ihre Over/Under-Linien primär auf Basis der tatsächlichen Torergebnisse, nicht auf Basis der xG-Werte. Ein Team mit einer Unterbilanz zwischen realen Toren und erwarteten Toren wird in den Linien unterschätzt — Over ist in solchen Fällen die informierte Wahl. Umgekehrt gilt: Ein Team, das über dem xG-Wert trifft, wird seine Konversionsrate wahrscheinlich nach unten korrigieren — Under wird attraktiv.

Der zweite Bereich betrifft die Bewertung von Teamstärke jenseits der Tabelle. Ein Team auf Platz 10, dessen xG-Werte auf ein Platz-6-Niveau hindeuten, ist stärker als die Tabelle zeigt. Die schwachen Ergebnisse sind wahrscheinlich das Produkt von Torhüterleistung des Gegners, Pechsträhnen oder individuellen Konversionseinbrüchen — alles Faktoren, die sich über eine größere Stichprobe normalisieren. Buchmacher, die ihre Quoten primär auf die Tabellenposition stützen, unterschätzen solche Teams systematisch.

Der dritte Bereich ist die Analyse einzelner Spieler für Torschützenwetten. Wenn ein Rückraumspieler in den letzten fünf Spielen pro Partie zehn Würfe abgegeben hat, aber nur vier Tore erzielt hat, liegt seine Konversionsrate bei 40 Prozent — deutlich unter dem Ligadurchschnitt für seine Position. Sein xG-Wert liegt aber bei sechs bis sieben Toren pro Spiel. Die Wahrscheinlichkeit, dass seine Torquote in den kommenden Spielen steigt, ist hoch. Wenn die Buchmacher-Quote für seine Torschützenwette auf der aktuellen Unterperformance basiert, bietet die Wette Value.

Das xG-Modell im Handball steht am Anfang seiner Entwicklung. Wer heute damit arbeitet, operiert mit vereinfachten Näherungen statt mit millimetergenauen Tracking-Daten. Aber selbst diese Näherungen bieten einen Informationsvorsprung gegenüber dem restlichen Markt, der xG im Handball noch gar nicht einsetzt. Die Einstiegshürde ist niedrig — die EHF-Statistikseite, die Spielberichte der Bundesliga und ein Tabellenkalkulationsprogramm reichen für ein basales Modell. Der Vorsprung gegenüber der Konkurrenz ist dafür hoch, weil das Feld noch leer ist.