Wett-Tabelle der Bundesliga 2015/16 (21. Spieltag)

15/2/2016

Platz	real	Verein	Punkte	real
1	1	Bayern München	52.96	56
2	2	Dortmund	46.65	48
3	3	Bayer Leverkusen	37.97	35
4	8	Wolfsburg	35.06	30
5	5	Schalke	31.37	33
6	7	B. Mönchengladbach	30.21	32
7	10	VfB Stuttgart	28.71	27
8	9	1. FC Köln	27.13	29
10	6	Mainz	25.70	33
9	14	Augsburg	25.38	21
11	4	Hertha Berlin	24.72	35
12	15	Eintracht Frankfurt	24.03	21
14	16	Werder Bremen	23.62	20
13	17	Hoffenheim	23.48	15
16	11	Hamburger SV	22.13	26
15	12	Ingolstadt	22.04	26
18	13	Darmstadt	20.26	24
17	18	Hannover	20.21	14

Platz	real	Verein	Punkte	real
11	4	Hertha Berlin	24.72	35
10	6	Mainz	25.70	33
15	12	Ingolstadt	22.04	26
16	11	Hamburger SV	22.13	26
18	13	Darmstadt	20.26	24
1	1	Bayern München	52.96	56
8	9	1. FC Köln	27.13	29
6	7	B. Mönchengladbach	30.21	32
5	5	Schalke	31.37	33
2	2	Dortmund	46.65	48
7	10	VfB Stuttgart	28.71	27
3	3	Bayer Leverkusen	37.97	35
12	15	Eintracht Frankfurt	24.03	21
14	16	Werder Bremen	23.62	20
9	14	Augsburg	25.38	21
4	8	Wolfsburg	35.06	30
17	18	Hannover	20.21	14
13	17	Hoffenheim	23.48	15

Aktuelles Rechenbeispiel des 21. Spieltags

Die Wettquoten für das Spiel Augsburg gegen Bayern sahen direkt vor Beginn so aus:

	Augsburg	Unentschieden	Bayern München	Summe
Wettquoten	13.76	6.34	1.27	-
Wahrscheinlichkeit (1/Quote)	7.27%	15.77%	78.74%	101.78%
Normalisierung (1/Quote/Summe)	7.14%	15.50%	77.36%	100.00%
Punkte	3 * 7.14%	1 * 15.50%	3 * 77.36%	-
Ergebnis	0.21	0.15	2.32	-
Augsburg	0.21	0.16	-	0.37
Bayern München	-	0.16	2.32	2.48

Das Spiel endete 1-3 aus Sicht der Augsburger, weshalb sie etwas unterhalb des statistischen Erwartungswerts landen (-0.37 Punkte), Bayern schneidet entsprechend etwas besser als erwartet ab (+0.52).

15 Comments

Dennis

16/2/2016 08:58:50

Hallo,

Darf ich fragen wie du bei Bayern auf die 0.52 kommst ? Aus deiner Rechnung müsste es dann eigentlich 0.48 sein !? (0.32+0.15) = 0.47

Gruß

Crimson Corporation

18/8/2019 22:55:06

Hi Dennis,

für das Unentschieden ist eine Diskrepanz durch einen Rundungsfehler entstanden - alle Werte sind auf die zweite Stelle gerundet.

Auf die 5. Stelle gerundet liegt der Wert bei 0.15497, was ein etwas unglücklich er Zufall ist. Habe das jetyt auf 0.16 angepasst.

Allerdings stimmt die Rechnung für den Unterschied zum Erwartungswert:

Bayern hat 3 Punkte geholt, schnitt also 3 - 2.48 = +0.52 besser ab als erwartet.

Christopher

19/2/2016 04:09:43

Hallo Joachim,

erst mal Recht vielen Dank für deine Mühe, dein Fachwissen rund ums Sportwetten mit anderen Sportwettinteressenten teilen möchtest. Ich habe jetzt fast jeden deiner Beiträge bei Bettingexpert gelesen und finde deine Beiträge immer sehr interessant und transparent. Also ich befasse mich seit 2012 mit dem Sportwetten. Nach 1 Jahr musste ich leider die Reizleine ziehen, weil ich mehr verloren hatte, als gewonnen, dank den Ratschlägen, das man mit Hilfe von Favoriten wie Bayern München, Real Madrid, Barcelona Gewinn machen kann, nach dem Motto, die gewinnen doch eh immer, die 1,10 Quote gewinne ich mit links.

Dein Hinweis mit der Erstellung von Wettmodellen fand ich sehr hilfreich, um wichtige Variablen zu finden, was genau in einer Sportart ein Team gewinnen oder verlieren lässt. Ich hatte einmal in letzter Zeit, was von einer Firma in London gehört, die nichts anderes macht, als Variablen von Sportteams zu sammeln, sie auswertet und dann gewichtet und dadurch Value Quoten ermitteln kann. Bei Pferdewetten habe ich mal gehört, hat man mal versucht, mit 85-90(!) Variablen den Sieger eines Pferderennens zu ermitteln. Wird durch zu viele Variablen das Ergebnis eigentlich nicht verwischt? Tja in der NBA soll es nur 4 Variablen geben, was Teams gewinnen oder verlieren lässt. Ob das stimmt weiß ich nicht. Doch wie ist das im Fußball?

Ich habe gestern zum ersten Mal auf der englischen Wikipedia Seite, den Beitrag ''Statistical association football predictions'' gelesen und war sehr überrascht gewesen, weil man ganz unten den Punkt Football Prediction Methods durchliest kann man erkennen, dass bestimmte Vorhersage Modelle nichts bringen.

Joachim könntest du mal auf deiner Seite hier das Markov-Chain-Monte-Carlo-Verfahren einmal erklären und den Punkt Poisson Regression genauer mit einem Beispiel erklären? Diese beiden Punkte haben eine hohe Genauigkeit, was die Voraussage von Sportereignissen betrifft. Warum diese beiden Methoden so gut sind, kann ich mir im Moment noch nicht erklären.

Mit freundlichen Gruß
Christopher

Crimson Corporation

18/8/2019 22:57:16

Hi Christopher,

vielen Dank fuer dein Feedback! Freut mich auf jeden Fall, dass die Blogbeitraege weiterhin gefragt sind.

Was die Firmen in London angeht: davon gibt es nicht nur eine. Die beiden groessten sind (in dieser Reihenfolge) sind Starlizard (Tony Bloom) und Smartodds (Benham). Und dann gibt es noch einen Haufen kleinerer Firmen. Einen interessanten Artikel zum Thema gibt es hier: http://bleacherreport.com/articles/2200795-mugs-and-millionaires-inside-the-murky-world-of-professional-football-gambling

>Wird durch zu viele Variablen das Ergebnis eigentlich nicht verwischt?

Ja, ich denke im Allgemeinen schon. Zunaechst einmal entsteht der klassische Effekt des abnehmenden Grenznutzens... jede weitere Variable addiert immer weniger relativen Nutzen. Und ab einem bestimmten Punkt gelangt man gerne in den Bereich der Ueberanpassung, wenn man zu stark beschreibt, was in der Vergangenheit passiert ist (also im Prinzip beginnt, eigentlich zufaellige Faktoren fuer kausal zu halten).

Und selbst wenn das nicht der Fall waere, kostet jede zusaetzliche Variable Ressourcen aller Art, so dass irgendwann Kosten und Nutzen nicht mehr im richtigen Verhaeltnis stehen.

Auf Monte Carlo, Markow-Kette und Poisson kann ich gerne einmal eingehen, allerdings wird es eine Weile dauern, bis es so weit ist. Aber es wird kommen, vermutlich in mehreren Schritten, muss mich da in manche Sachen auch erst einarbeiten.

Vorschlaege/Ideen fuer Blogposts sind auf jeden Fall sehr willkommen.

Crimson Corporation

18/8/2019 22:58:43

Hey Christopher,

in der Tat denke ich, dass solche Variablen einen sehr guten Ausgangspunkt darstellen, insbesondere wenn man das noch mehr auf Spielerebene runterbricht. Die scheinbar überragende Chancenverwertung gewisser Spieler in einer bestimmten Saison ist ein gutes Beispiel dafür - wer plötzlich 40% seiner Chancen verwertet und das davor nicht im Ansatz geliefert hat, wird wahrscheinlich wieder früher oder später auf dem Boden der Tatsachen ankommen (Regression zur Mitte).

Form wird generell gerne missverstanden (auf individueller Ebene wie auf Teamebene) und ist deswegen ein dankbarer Ansatz für Wettstrategien.

Christopher

23/2/2016 13:42:13

Ich möchte sehr gerne den Punkt Regression zur Mitte, welchen du oben erwähnt hast, einmal fortsetzen mit einem Beispiel, was mir dazu sofort eingefallen ist. Genau Joachim, das denke ich auch, dass solche Variablen wie eine selbst erstellte Wetttabelle ein guter Ansatzpunkt ist, um Value Quoten zu ermitteln.

Mein Beispiel zur Regression zur Mitte

Borussia Dortmund in der Saison 2014/2015, oh ja das liegt mir noch im Gedächtnis, da stand der BVB am 20. Spieltag auf dem 18. Platz. Die Gründe für diese schlechte Form der Mannschaft, könnte der Verkauf von den Leistungsträger Lewandowski sein. Ein Jahr zuvor hatte man Mario Götze auch schon an die Bayern verkauft. Der Verkauf seiner Leistungsträger hat Borussia Dortmund zu diesem Zeitpunkt massiv geschwächt, dann braucht man sich nicht zu wundern, dass die Mannschaft im Angriff und bei der Erspielung von Torchances harmlos wirkt. Geld regiert halt auch den Fußball. Jürgen Klopp ist ein guter Trainer, dass hat er auch bewiesen mit den 2 Meisterschaften und dem Pokalsieg und dem Champions League Finaleinzug von 2013.

1. Bundesliga 2014/2015 Borussia Dortmund

Spieltag / Team-Team / Ergebnis / Quoten / Tabellenplatz BVB-Gegner (vor dem Spiel)

1. Spieltag / BVB – Leverkusen / 0:2 / 1,70 4,07 4,85 / 5. Platz – 3. Platz
2. Spieltag / Augsburg – BVB / 2:3 / 5,27 3,93 1,68 / 17. Platz – 17. Platz
3. Spieltag / BVB – Freiburg / 3:1 / 1,30 5,77 9,78 / 8. Platz – 14. Platz
4. Spieltag / Mainz – BVB / 2:0 / 5,27 4,20 1,65 / 7. Platz – 4. Platz
5. Spieltag / BVB – Stuttgart / 2:2 / 1,38 5,17 8,15 / 10. Platz – 18. Platz
6. Spieltag / Schalke – BVB / 2:1 / 3,96 3,76 1,92 / 13. Platz - 8. Platz
7. Spieltag / BVB – Hamburg / 0:1 / 5,29 / 8.83 / 12. Platz – 18. Platz
8. Spieltag / Köln – BVB / 2:1 / 5,83 4,10 / 1,60 / 14. Platz – 13. Platz
9. Spieltag / BVB – Hannover / 0:1 / 1,23 6,79 13,20 / 14. Platz – 10. Platz
10. Spieltag / Bayern – BVB / 2:1 / 1,50 4,63 6,47 / 1. Platz – 15- Platz
11. Spieltag / BVB – Gladbach / 1:0 / 1,66 4,22 5,03 / 17. Platz – 3. Platz
12. Spieltag / Paderborn – BVB / 2:2 / 7,08 4,86 1,45 / 9. Platz – 15. Platz
13. Spieltag / Frankfurt – BVB / 2:0 / 5,66 4,54 1,55 / 12. Platz – 16. Platz
14. Spieltag / Dortmund – Hoffenheim / 1:0 / 1,47 4,75 6,45 / 18. Platz – 7. Platz
15. Spieltag / Hertha – BVB / 1:0 / 5,44 4,00 1,64 / 15. Platz – 14. Platz
16. Spieltag / BVB – Wolfsburg / 2:2 / 1,86 3,91 3,99 / 16. Platz – 2. Platz
17. Spieltag / Bremen – BVB / 2:1 / 6,35 4,64 1,50 / 18. Platz – 16. Platz
18. Spieltag / Leverkusen – BVB / 0:0 / 2,57 3,44 2,79 / 3. Platz – 17. Platz
19. Spieltag / BVB – Augsburg / 0:1 / 1,39 4,87 8,48 / 18. Platz – 5. Platz
20. Spieltag / Freiburg – BVB / 0:3 / 5,73 4,24 1,59 / 15. Platz – 18. Platz
21. Spieltag / BVB – Mainz / 4:2 / 1,33 5,49 9,35 / 16. Platz – 13. Platz
22. Spieltag / Stuttgart – Dortmund / 2:3 / 5,86 4,09 1,60 / 18. Platz – 15. Platz
23. Spieltag / BVB – Schalke / 3:0 / 1,53 4,46 6,25 / 12. Platz – 4. Platz
24. Spieltag / Hamburg – Dortmund / 0:0 / 6,71 4,33 1,50 / 15. Platz – 10. Platz
25. Spieltag / Dortmund – Köln / 0:0 / 1,33 5,32 10,33 / 10. Platz – 11. Platz
26. Spieltag / Hannover – BVB / 2:3 / 5,03 4,05 1,68 / 13. Platz – 10. Platz
27. Spieltag / BVB – Bayern / 0:1 / 3,34 3,44 2,22 / 10. Platz – 1. Platz
28. Spieltag / Gladbach – BVB / 3:1 / 2,97 3,35 2,47 / 3. Platz – 10. Platz
29. Spieltag / BVB – Paderborn / 3:0 / 1,27 5,99 11,32 / 10. Platz – 16. Platz
30. Spieltag / BVB – Frankfurt / 2:0 / 1,31 5,74 9,54 / 9. Platz – 10. Platz
31. Spieltag / Hoffenheim – BVB / 1:1 / 3,88 3,89 1,90 / 7. Platz – 8. Platz
32. Spieltag / BVB – Hertha / 2:0 / 1,38 4,91 8,86 / 9. Platz – 13. Platz
33. Spieltag / Wolfsburg – BVB / 2:1 / 2,79 3,56 2,48 / 2. Platz – 7. Platz
34. Spieltag / BVB – Bremen / 3:2 / 1,26 6,67 10,19 / 7. Platz – 8. Platz

Wenn man dieses Beispiel von Borussia Dortmund unter die Lupe nimmt, sollten bei einem Sportwetter 3 Fragen auftauchen:

1. Wann ist der genaue Zeitpunkt, wo sich eine Wette gegen Dortmund lohnt?
2. Wann ist der geneue Zeitpunkt wo sich eine Wette gegen Dortmund nicht mehr lohnt?
3. Was sagt einem die aktuelle Richtung des Punktewertes der Wett Tabelle vor einem Spiel einer Mannschaft? Er könnte vielleicht so langsam mehr ins Gegenteil verlaufen, weil Dortmund weniger vom Pech verfolgt wird, und dadurch lohnt sich eine Wette gegen Dortmund nicht mehr, weil ihre tatsächliche Stärke wieder sich zeigt. (Regression zur Mitte)

Crimson Corporation link

23/2/2016 15:11:44

Hi Christopher,

habe deine letzten beiden Beiträge mal gelöscht, beinahe wie gewünscht - editieren kann ich hier leider noch nicht. Ich schau gerade, ob ich ein anderes Kommentarsystem verwenden kann, das die Verwaltung leichter macht. (nicht Disqus, weil im Internet ohnehin schon zu viele Informationen verknüpft werden)

Ich wollte demnächst ohnehin einen Blogpost mit der Wett-Tabelle für die Saison 2014/15 machen. Und generell kann ich meine verwendeten Daten auch als .csv an die entsprechenden Blogposts anhängen.

Christopher

24/2/2016 23:17:46

Guten Abend Joachim,

also dieses Fixed Odds Rating System kenne ich von jemanden aus einem Wettforum, und er spielt dieses System schon seit Jahren und hat Erfolg dabei.

Kurze Erläuterung auf englisch und grob das mal zu betrachten, um zu sehen, um was geht es denn eigentlich um dieses Fixed Rating System.

http://www.football-data.co.uk/ratings.pdf

Ich werde jetzt einmal dieses System mit eigenen Worten beschreiben, weil ich auch schon mehrere Datenbanken zu diesem Wettsystem erstellt habe. Für dieses System sollte man die Ergebnisse einer Liga der letzen 5 Jahre einbeziehen. Es ist sehr zeitintensiv die Daten erstmal zu sammeln, denn wir brauchen die Daten letzten 5 Jahre einer Liga, das ist sehr wichtig, das es bei den 5 Jahren bleibt. Nicht! zu weit die Daten aus der Vergangenheit die Daten nehmen, weil der Fußball sich auch verändert und dadurch sind die Ergebisse verwischt.

1. Man braucht zu aller Erst einen Ansatzpunkt, bei der Endtabelle vor der Saison vor 5 Jahren einer Liga.

Möchte man für die Saison 2013/2014 dieses System anwenden brauchen wir zu Erst die Endtabelle von der Saison 2007/2008.

Als nächstes werden jetzt die 5 Jahre einer Liga, die man spielen möchte ausgewertet. In dem oben genannten Beispiel haben wir die Saison 13/14 als zeitlichen Rahmen gewählt, um das Fixed Odds Rating System anzuwenden. Unser Wettmodell braucht erst mal die Abschluss Tabelle von der Saison 07/08.

Das Rating einer Mannschaft berechne ich vor der Saison 2008/2009 (1. Saison, wo das System die Ergebnisse auswertet) mit Hilfe der Abschlusstabelle der Saison 2007/2008.

Punkte/Tore so berechne ich das Rating einer Mannschaft. Ein Aufsteiger bekommt das Rating des Absteigers,

Team Rating
Bayern München 2,2
Werder Bremen 1,9
FC Schalke 04 1,9
Hamburger SV 1,6
VfL Wolfsburg 1,6
VfB Stuttgart 1,5
Bayer 04 Leverkusen 1,5
Hannover 96 1,4
Eintracht Frankfurt 1,4
Hertha BSC 1,3
Karlsruher SC 1,3
VfL Bochum 1,2
Borussia Dortmund 1,2
Energie Cottbus 1,1
Arminia Bielefeld 1
1. FC Nürnberg 0,9
Hansa Rostock 0,9
MSV Duisburg 0,9

Wir brauchen jetzt die Spieldaten der Saison 08/09, 09-10, 10/11, 11-12, 12-13.

So sehen die Excel Tabelle bei mir aus.

Spieltag Heimteam Auswärtsteam HP AP Rating Htore Atore Ergebnis

HP und AP sind die Ratings eines Teams aus den Daten der Vorsaison.

HP Rating Heim
AP Rating Gast

Spieltag Heimteam Auswärtsteam HP AP Rating Htore Atore Ergebnis
1 Hoffenheim Bayern 1,6 2 -0,4 1 1 0
1 Hertha Hannover 1,9 1,2 0,7 1 0 1

So in der Form brauchen wir die Daten von allen Spielen einer Saison und davon brauchen wir die Daten von 5 Jahren einer Liga, um eine gutes Abbild zu bekommen.

Und am Ende des Saison die Abschlusstabelle ist unser Grundstein für das Rating der Teams für die nächste Saison.

Wenn man dann alle Ergebnisse der 5 Jahre gesammelt hat müssen wir die Spiele in einer Extra Tabelle eintragen und dann werden die Daten innerhalb eines Rating zusammengezählt, um dadurche eine faire Quote zu ermitteln.

Ranking / Anzahl Spiele / Heimsieg / Unentschieden / Niederlage
0 622 278 187 161

Jetzt muss für jedes Rating die faire Quote berechnen und das ist ganz einfach.
Heimsieg von Anzahl Spiele in % = faire Quote
278 von 622 = 45%

Dieses System ist das Grundgerüst dieser Strategie, jetzt nehmen wir noch die Variablen

1. Punkte der letzten 3 Heim und Gastspiele von beiden Teams
2. Statistik maximal letzte 12 Spiel als Heim oder Gast.
3. Markwert der Mannschaft nach Transfermarkt.de
4. Punkteschlüssel mit Hilfe einer Wett Tabelle

Alle 4 Variablen mit der gleichen Wichtung.

Ein wichtiger Hinweis, beim Anwenden dieser Strategie, man nimmt am besten nur Spiele mit 15% Value, welche man mit Hilfe dieses System berechnet hat, um die Gewinne zu optimieren.

Man kann auch noch weitere Variablen hinzufügen. Eines meiner Favouriten, um die aktuelle Form darzustellen, ist der Punkt.

Win, Draw and Loss Sequences

(Das System finde ich sehr gut, um die aktuelle Form einer Mannschaft abbilden zu können)

Ein Beispiel zu Win, Draw and Loss Sequences

Bayer 04 Leverkusen - 1. FC Köln 1-2

Bayer Leverkusen
letzte 5 Heimspiele
S N S U S

Heim (3x1)+(0x2)+(3x3)+(1x4)+(3x5) = 31

1. FC Köln
letzte 5 Auswärtsspiele
S N N S N

Gast (4x1)+(0x2)+(0x3)+(4x4)+(0x5) = 20

Viel Spaß beim ausprobieren dieser Value Strategie an alle Leser!

Crimson Corporation link

25/2/2016 00:14:48

@Christopher 24/2/2016 22:17:46

okay, alles klar - auch das ist ein interessanter Denkanstoß, vielen Dank. Zur eigentlichen Frage, ob das in Richtung Elo-Rating geht: Nicht so ganz.

Der Unterschied besteht im Wesentlichen darin (korrigiere mich, falls ich mißverstanden habe), dass der von dir beschriebene Fixed Rating Ansatz immer nur auf die letzten x Spiele zurückreicht, und in diesem Sinn eher statisch ist.

Elo-Ratings sind dagegen dynamisch lernende Systeme (was es aber nicht notwendigerweise besser macht), bei dem Siege gegen stärkere Gegner proportional mehr gewichtet werden als solche gegen schwache. Wie stark die jüngere Vergangenheit gewichtet wird hängt von einer eigenen Variable ab, dem k-Wert.

Im Kern versucht ein Elo-System mit jedem Spiel neue Erkenntnisse zu gewinnen und verändert die Ratings in Abhängigkeit der Differenz von erwartetem und tatsächlich eingetretenem Ergebnis.

Bayesische Statistik folgt einer sehr ähnlichen Logik. (https://de.wikipedia.org/wiki/Bayessche_Statistik)

Christopher

25/2/2016 06:15:29

Hallo Joachim,

Fixed Odds Rating System

Ich muss eine Korrektur vornehmen, es ist nicht Punkte/Tore, sondern Punkte/Spiele.

Win, Draw and Loss Sequences

Noch erwähnen müsste ich bei diesem Win Draw Lost Sequences ganz wichtig!

Heimteam Sieg 3 Punkte
Heimteam Remis 1 Punkt
Heimteam Niederlage 0 Punkte

Auswärtsteam Sieg 4 Punkte
Auswärtsteam Remis 2 Punkte
Auswärtsteam Niederlage 0 Punkte

Und ich habe noch ein weiteres sehr gutes System, um die Form einer Mannschaft abzubilden. Es gilt für die 1-3 Bundesliga.

Form der einzelnen Spieler mit den Daten der Kicker.de Seite.

Jeder Spieler startet, am 1. Spieltag mit 4 Punkten. Diese Punktzahl wieder spiegelt die Leistung des Spieler, ob er gut spielt oder nicht. Das ist meiner größten Kritikpunkten, bei dem Elo Rating, weil nur das Team als Ganzes bewertet wird. Aber im Wesentlichen ist es die Leistung jedes einzelnen Spielers, was Mannschaften gut spielen lässt. Wenn bei einem Team, mehrere Leistungsträger ausfallen, und sei es auch in der 2. Liga, wird das zwangsläufig sich auch an dem Ergebnis bemerkbar machen. Ich weiß gar nicht, wie man das mit Hilfe eines Elo Ratings in diesem Fall anrechnen muss, denn Verletzungen oder gelbe Karte/rote Karte Sperren haben Einfluss auf das Elo Rating Rating.

Nun noch mal zu diesem System, wo ich gute Erfahrungen mit gemacht haben.

Note 1 : + 1 Punkt
Note 2 : + 1 Punkte
Note 2,5 : + 1 Punkt
Note 3 : + 1 Punkt
Note 3,5 oder 4 : 0 Punkte, keine Änderung
Note 4,5 : - 1 Punkt
Note 5 : -1 Punkt
Note 5,5 oder 6 : -1 Punkt

Ein Spieler kann nicht mehr Punkte als 7 Punkte haben, umgekehrt kann er auch nicht weniger als 1 Punkt haben.

Damit habe ich gute Erfahrung gemacht, und ich habe auch mal die Korrelation dazu berechnet, bei der 2. Liga 15/16. Ich habe einmal die 2. Bundesliga Saison 2015/2016 bis zum 5. Spieltag die Korrelation Form und den Sieger unter die Lupe genommen, der Korrelationskoeffizient beträgt 0,22 bis zum 5. Spieltag, und ich denke er wird noch höher ausfallen.

Mit freundlichen Gruß
Christopher

Crimson Corporation link

25/2/2016 12:24:58

@Christopher 25/2/2016 05:15:29

Klingt nach einem viel versprechendem Ansatz. Und du hast recht - die Schwäche des Elo-Systems (und auch dem einer Reihe anderer Systeme) besteht darin, die Daten nur auf Teamebene zu betrachten.

Allerdings kannst du Elo-Ratings im Prinzip auch auf Spielerebene führen (das ist dann lose verwandt mit dem +/- System im Eishockey), nur für die zeitlichen Aspekte müsste man noch eine Lösung finden.

Generell gilt auch, dass man vermutlich jedes Modell der Welt um gewisse Faktoren manuell anpassen muss - es wird immer Situationen geben, die auch das beste Modell tendenziell über- oder unterschätzt.

Richtig Wetten.

Wett-Tabelle der Bundesliga 2015/16 (21. Spieltag)

Aktuelles Rechenbeispiel des 21. Spieltags

Leave a Reply.

Autor