Schritt 1: die Daten, 70 % der Arbeit
Du brauchst mehrere Saisons an Spielen mit Endergebnis, Aufstellungen, Spielplan und vor allem den Schlussquoten jeder Begegnung. Ohne historische Quoten kannst du nicht wissen, ob dein Modell den Markt schlägt, die einzige Frage, die zählt.
Bereinige doppelte Teamnamen, abgebrochene Spiele und Daten in verschiedenen Zeitzonen. Bei Gambeta waren die meisten Fehler der ersten Monate Datenfehler, keine Modellfehler.
Jeder Zweikampf ist ein Datenpunkt. Das Modell sieht das Spiel nie: Es sieht die Zeilen, die du vorher speichern wolltest.
Schritt 2: Variablen, die vor dem Spiel existieren
Die klassische Falle ist Leakage: eine Information nutzen, die erst nach dem Spiel bekannt ist, etwa die Torschüsse genau dieser Partie. Im Training wirkt das Modell perfekt; in der Praxis bricht es zusammen.
Gültige Variablen: aktuelle Form, Expected Goals vergangener Spiele, Pause zwischen Spielen, Heimvorteil, bestätigte Ausfälle und die Eröffnungsquote selbst. In Machine Learning für Sportwetten beschreiben wir die unseres Modells.
Schritt 3: das Modell
Für den Anfang braucht es kein neuronales Netz. Eine logistische Regression oder ein gut regularisiertes Gradient Boosting sagt 1X2- oder Über/Unter-Wahrscheinlichkeiten solide vorher. Wichtig ist, dass der Output eine Wahrscheinlichkeit ist, kein Label „gewinnt oder verliert“.
Trainiere ein Modell pro Sportart. Fußball, Tennis, Baseball und Basketball haben verschiedene Strukturen: Im Tennis zählen Aufschlagpunkte, im Baseball der Startpitcher, im Basketball die Ausfälle. Ein einziges Modell für alles lernt alle vier schlecht.
Schritt 4: Kalibrierung
Ein kalibriertes Modell ist eines, das bei „60 %“ ungefähr 6 von 10 Mal recht hat. Man misst es, indem man Vorhersagen nach Bereichen gruppiert und mit dem vergleicht, was passiert ist. Ohne Kalibrierung bedeutet der Vergleich mit der Quote nichts, und der Einsatz ist falsch dimensioniert.
Drin oder nicht. Ein kalibriertes Modell lernt aus Tausenden solcher Würfe; aus ein paar Hundert lernt es nur Rauschen.
Schritt 5: der ehrliche Test
Halte die letzte Saison zurück und schau sie dir erst am Ende an. Simuliere Wetten nur, wenn deine Wahrscheinlichkeit die aus der Schlussquote implizierte übertrifft, mit festem Einsatz. Ist das Ergebnis nicht positiv, funktioniert das Modell nicht, egal wie hoch die Genauigkeit wirkt.
Diese Logik, nur mit Vorteil zu wetten, ist Value Betting, und sie macht aus einem Prädiktor ein Wettwerkzeug.
Schritt 6: alles veröffentlichen
Ein Modell, das seine Bilanz nicht veröffentlicht, ist von einem Tipster nicht zu unterscheiden. Protokolliere jeden Tipp mit Wahrscheinlichkeit, Quote und Ergebnis und lass ihn offen stehen. Es ist unangenehm, wenn er verliert, und es ist der einzige Weg, dass jemand vertraut, wenn er gewinnt.
Wenn dir das nach viel Arbeit klingt, stimmt das: Genau das machen wir jeden Tag bei Gambeta, und wir veröffentlichen es gratis, damit du es nicht von null aufbauen musst.
Die KI heute in Aktion sehen →
Häufige Fragen
Kann man eine KI für Sportwetten ohne Programmieren trainieren?
Mit Tabellenkalkulationen kommst du bis zu einer einfachen Regression. Zum Kalibrieren und Testen gegen historische Quoten brauchst du Python oder R.
Wie viele Spiele braucht man zum Trainieren?
Mehrere Saisons derselben Liga. Mit ein paar Hundert Spielen lernt das Modell Rauschen, keine Muster.
Welche Daten sind unverzichtbar?
Ergebnisse, Aufstellungen, Spielplan und historische Schlussquoten. Ohne Quoten kannst du nicht wissen, ob du den Markt schlägst.
Kann eine generische KI wie ChatGPT das?
Sie kann den Code schreiben und das Design diskutieren, aber nicht als Modell dienen: Sie hat weder Daten noch Kalibrierung.