Baseball Wettmodell erstellen – Schritt-für-Schritt-Anleitung für Einsteiger
Wer langfristig profitabel auf Baseball wetten möchte, kommt um ein eigenes Wettmodell nicht herum. Statt auf Bauchgefühl oder Tipps aus Foren zu setzen, liefert ein datenbasiertes Prognosemodell objektive Wahrscheinlichkeiten für jedes MLB-Spiel. In dieser Anleitung zeigen wir dir Schritt für Schritt, wie du 2026 dein erstes Baseball Wettmodell erstellen kannst – auch ohne Programmierkenntnisse.
Das Ziel ist klar definiert: Dein Modell muss Edges finden, die sowohl die Buchmacher-Marge von 3,5-5,5 % (gemessen an Pinnacle-Linien) als auch die deutsche 5 % Wettsteuer gemäß §17 RennwLottG übertreffen. Klingt ambitioniert – ist aber mit den richtigen Datenquellen und einer strukturierten Vorgehensweise absolut machbar.
Schritt 1: Die richtigen Datenquellen identifizieren
Bevor du eine einzige Formel aufstellst, brauchst du verlässliche Daten. Die gute Nachricht: Für Baseball existieren die besten frei zugänglichen Datenbanken aller Sportarten.
- MLB Statcast (Baseball Savant): Liefert granulare Pitch-by-Pitch-Daten, Abgangsgeschwindigkeit, Abschusswinkel, Expected Stats (xBA, xSLG, xERA) und Sprintgeschwindigkeiten.
- FanGraphs: Bietet fortgeschrittene Pitcher- und Batter-Metriken wie FIP, wRC+, WAR, Bullpen-Statistiken und Platoon-Splits.
- Baseball Reference: Historische Daten, Saisonstatistiken und grundlegende Spielergebnisse.
- Retrosheet: Play-by-Play-Daten für historische Backtests deines Modells.
Alle genannten Quellen sind kostenlos nutzbar. Für den Einstieg reichen FanGraphs und Baseball Savant vollkommen aus, um ein funktionierendes Baseball Prognosemodell aufzubauen.
Schritt 2: Baseline-Wahrscheinlichkeiten festlegen
Jedes Sportwetten Modell für Baseball beginnt mit einer Baseline – einem Ausgangspunkt, von dem aus du Anpassungen vornimmst. Die wichtigste Baseline-Statistik im Baseball:
Das Heimteam gewinnt 53,9 % aller MLB-Spiele. Dieser Wert ist über Jahrzehnte hinweg bemerkenswert stabil und bildet die Grundlage deines Modells.
In der Praxis bedeutet das: Ohne weitere Informationen startest du jedes Spiel mit einer 53,9/46,1-Verteilung zugunsten des Heimteams. Von hier aus passt du die Wahrscheinlichkeit anhand verschiedener Faktoren nach oben oder unten an.
Schritt 3: Die wichtigsten Einflussfaktoren gewichten
Nun kommt der Kern deines Modells: die Faktoren, die den Spielausgang beeinflussen. Für ein Einsteiger-Modell empfehlen wir folgende Variablen, geordnet nach Erklärungskraft:
Pitcher-Qualität (höchste Gewichtung)
Der Starting Pitcher ist der einzelne wichtigste Faktor im Baseball. Nutze folgende Metriken:
| Metrik | Was sie misst | Empfohlene Quelle |
|---|---|---|
| ERA (Earned Run Average) | Durchschnittliche erlaubte Runs pro 9 Innings | FanGraphs |
| FIP (Fielding Independent Pitching) | Pitcher-Leistung unabhängig von der Defense | FanGraphs |
| xERA (Expected ERA) | Erwartete ERA basierend auf Kontaktqualität | Baseball Savant |
| WHIP | Walks + Hits pro Inning | FanGraphs |
Ein konkreter Datenpunkt: First-5-Innings-Wetten (F5) auf Favoriten mit einem Starting Pitcher mit ERA unter 3.00 erzielen historisch einen ROI von +5,2 %. Das zeigt, wie stark die Pitcher-Qualität den Spielausgang in den frühen Innings dominiert.
Situative Faktoren
Neben der reinen Teamstärke spielen situative Variablen eine messbare Rolle:
- Reisebelastung: Teams mit 4 oder mehr aufeinanderfolgenden Auswärtsspielen gewinnen nur noch 46,2 % ihrer Partien – ein Rückgang von 7,7 Prozentpunkten gegenüber dem Durchschnitt.
- DGANG-Faktor (Day Game After Night Game): Teams, die ein Tagesspiel nach einem Nachtspiel bestreiten, verlieren 53,8 % dieser Partien. Dieser Ermüdungseffekt ist statistisch signifikant und leicht in dein Modell integrierbar.
Bullpen-Stärke
Spiele werden oft in den späten Innings entschieden. Ein starkes Bullpen mit einem Leverage Index über 1,5 und einer ERA unter 3,50 deckt die Run Line in 57 % der Fälle ab. Integriere daher die Bullpen-Qualität als eigenen Faktor.
Schritt 4: Das Modell mathematisch aufbauen
Für Einsteiger empfehlen wir ein gewichtetes Faktorenmodell. Die Grundidee: Du berechnest für jeden Faktor einen Anpassungswert und addierst oder subtrahierst diesen von deiner Baseline.
Beispielrechnung
Nehmen wir ein konkretes Szenario: Team A (Heim) gegen Team B (Auswärts).
| Faktor | Situation | Anpassung |
|---|---|---|
| Baseline (Heimvorteil) | Team A spielt zu Hause | 53,9 % |
| Pitcher-Differenz | Team A: FIP 3.10 vs. Team B: FIP 4.40 | +4,5 % |
| Reisebelastung | Team B im 5. Auswärtsspiel in Folge | +2,0 % |
| Bullpen-Qualität | Team A: Bullpen ERA 3.20, LI 1.6 | +1,5 % |
| DGANG | Kein DGANG-Szenario | 0,0 % |
| Modell-Wahrscheinlichkeit | 61,9 % |
Dein Modell sagt also: Team A gewinnt mit 61,9 % Wahrscheinlichkeit. Nun vergleichst du diesen Wert mit der impliziten Wahrscheinlichkeit der angebotenen Quote.
Implizite Wahrscheinlichkeit berechnen
Die Formel ist simpel: Implizite Wahrscheinlichkeit = 1 / Dezimalquote. Bei einer Quote von 1,70 auf Team A ergibt sich: 1 / 1,70 = 58,8 %. Dein Modell sieht 61,9 % – die Differenz von 3,1 Prozentpunkten ist dein potenzieller Edge. Berücksichtige allerdings, dass du nach Abzug der 5 % Wettsteuer einen effektiven Edge von mindestens 2-3 % benötigst, um profitabel zu sein.
Schritt 5: Tools und Umsetzung
Du brauchst keine Programmierkenntnisse, um ein funktionierendes Datenmodell für Baseball Wetten zu erstellen. Folgende Tools eignen sich für Einsteiger:
- Google Sheets oder Excel: Perfekt für den Einstieg. Erstelle ein Tabellenblatt mit allen Faktoren und automatisiere die Berechnung mit einfachen Formeln.
- Python (optional): Wer tiefer einsteigen möchte, kann mit Bibliotheken wie pandas und pybaseball Daten automatisch von FanGraphs und Statcast abrufen.
- Odds-API-Dienste: Zum automatischen Abgleich deiner Modell-Wahrscheinlichkeiten mit aktuellen Buchmacher-Quoten.
Für den Anfang reicht eine gut strukturierte Tabelle vollkommen aus. Wichtiger als das Tool ist die Disziplin, das Modell konsequent vor jedem Spieltag zu aktualisieren.
Schritt 6: Backtesting und Kalibrierung
Bevor du echtes Geld einsetzt, musst du dein Modell an historischen Daten testen. Dieser Schritt ist nicht optional – er ist entscheidend.
- Teste dein Modell an mindestens zwei vollständigen MLB-Saisons (324+ Spieltage).
- Überprüfe die Kalibrierung: Wenn dein Modell einem Team 60 % gibt, sollte dieses Team in der Stichprobe auch ungefähr 60 % gewinnen.
- Messe den Brier Score – ein Maß für die Genauigkeit von Wahrscheinlichkeitsvorhersagen. Je niedriger, desto besser.
- Vergleiche deinen prognostizierten ROI mit den tatsächlichen Ergebnissen nach Abzug von Marge und Wettsteuer.
Ein Modell, das im Backtest keinen positiven Erwartungswert nach Abzug der Buchmacher-Marge (3,5-5,5 %) und der 5 % Wettsteuer zeigt, sollte nicht mit echtem Geld eingesetzt werden.
Schritt 7: Iterieren und verbessern
Dein erstes Modell wird nicht perfekt sein – und das ist völlig in Ordnung. Die Stärke eines eigenen Baseball Wettmodells liegt in der kontinuierlichen Verbesserung. Folgende Erweiterungen bieten sich an, sobald die Grundversion stabil läuft:
- Wetterfaktoren: Wind, Temperatur und Luftfeuchtigkeit beeinflussen die Flugweite von Bällen und damit die Gesamtpunktzahl.
- Platoon-Splits: Berücksichtige, ob ein Lineup überwiegend linkshändig oder rechtshändig aufgestellt ist und wie der gegnerische Pitcher gegen diese Seite performt.
- Ballpark-Faktoren: Jedes MLB-Stadion hat eigene Charakteristiken, die Runs begünstigen oder unterdrücken.
- Umpire-Tendenzen: Der Hauptschiedsrichter beeinflusst die Strike Zone und damit Strikeout-Raten und Scoring.
Jeder zusätzliche Faktor erhöht die Komplexität, kann aber auch deinen Edge vergrößern. Füge neue Variablen einzeln hinzu und überprüfe jeweils, ob sie die Vorhersagequalität tatsächlich verbessern.
Häufige Fehler beim Erstellen eines Baseball Prognosemodells
Gerade Einsteiger tappen regelmäßig in dieselben Fallen. Vermeide diese typischen Fehler:
- Overfitting: Zu viele Variablen an zu wenigen Daten optimieren. Dein Modell erklärt dann die Vergangenheit perfekt, versagt aber in der Zukunft.
- Recency Bias: Die letzten 10 Spiele überbewerten und saisonale Gesamtdaten ignorieren.
- Wettsteuer vergessen: Ein Edge von 3 % klingt gut – nach Abzug der 5 % Wettsteuer auf den Nettogewinn schrumpft er erheblich.
- Kein Bankroll Management: Selbst das beste Modell produziert Verlustphasen. Ohne strukturiertes Staking-System riskierst du den Ruin.
- Closing Lines ignorieren: Vergleiche deine Modell-Wahrscheinlichkeiten regelmäßig mit den Closing Lines. Wenn du dauerhaft auf der richtigen Seite der Linienbewegung liegst, ist dein Modell auf dem richtigen Weg.
Zusammenfassung: Dein Fahrplan zum eigenen Wettmodell
| Schritt | Aufgabe | Zeitaufwand |
|---|---|---|
| 1 | Datenquellen einrichten (FanGraphs, Statcast) | 1-2 Stunden |
| 2 | Baseline festlegen (53,9 % Heimsieg) | 30 Minuten |
| 3 | Faktoren definieren und gewichten | 3-5 Stunden |
| 4 | Modell in Tabelle aufbauen | 4-6 Stunden |
| 5 | Backtesting mit historischen Daten | 5-10 Stunden |
| 6 | Kalibrierung und erste Anpassungen | Fortlaufend |
| 7 | Live-Tracking mit Paper Bets starten | 2-4 Wochen |
Ein eigenes Baseball Wettmodell zu erstellen erfordert Geduld und analytische Sorgfalt. Doch die MLB-Saison 2026 mit ihren 162 Spielen pro Team bietet genug Volumen, um selbst kleine Edges in signifikante Gewinne umzuwandeln – vorausgesetzt, dein Modell ist sauber kalibriert und du hältst dich an dein System.