Elo-Rating und Prognosemodelle für Tenniswetten
Available in US
Inhaltsverzeichnis
Die meisten Wettenden verlassen sich auf ihr Bauchgefühl, die Weltrangliste oder die Einschätzung von Experten. Das funktioniert — bis es nicht mehr funktioniert. Mathematische Modelle bieten eine Alternative, die frei von emotionalen Verzerrungen ist und sich über Tausende von Matches testen lässt. Das Elo-Rating ist das bekannteste und zugänglichste dieser Modelle, aber es ist bei Weitem nicht das einzige.
Das Elo-System: Grundlagen und Anwendung im Tennis
Das Elo-Rating wurde ursprünglich für Schach entwickelt und von dem Physiker Arpad Elo in den 1960er-Jahren formalisiert. Das Grundprinzip ist elegant: Jeder Spieler hat eine Zahl, die seine Spielstärke repräsentiert. Wenn zwei Spieler gegeneinander antreten, berechnet das System eine erwartete Gewinnwahrscheinlichkeit basierend auf der Differenz ihrer Ratings. Nach dem Match werden beide Ratings angepasst — der Gewinner steigt, der Verlierer fällt. Die Höhe der Anpassung hängt davon ab, wie überraschend das Ergebnis war: Ein Sieg eines niedrig bewerteten Spielers gegen einen hoch bewerteten führt zu einer größeren Anpassung als ein erwarteter Sieg des Favoriten.
Im Tennis wurde das Elo-System insbesondere durch die Arbeit von Jeff Sackmann populär, der auf Tennis Abstract belagspezifische Elo-Ratings veröffentlicht. Das macht das Elo-System für Tennis besonders wertvoll, weil es eine der größten Schwächen der offiziellen ATP/WTA-Rangliste adressiert: Die offizielle Rangliste basiert auf gesammelten Punkten über ein Jahr und differenziert nicht nach Belag. Ein Spieler kann auf Platz 15 der Welt stehen, aber sein Sand-Elo kann dem eines Spielers auf Platz 40 entsprechen. Diese Diskrepanz ist genau die Art von Information, die Wettmärkte oft nicht korrekt einpreisen.
Die Berechnung einer Elo-basierten Gewinnwahrscheinlichkeit folgt einer einfachen Formel: Die erwartete Gewinnwahrscheinlichkeit von Spieler A gegen Spieler B beträgt 1 / (1 + 10^((Elo_B – Elo_A) / 400)). Wenn Spieler A ein Elo von 2200 hat und Spieler B eines von 2000, ergibt sich eine erwartete Gewinnwahrscheinlichkeit von etwa 76 Prozent für Spieler A. Diese Zahl lässt sich direkt mit den Wettquoten vergleichen: Wenn die Buchmacher Spieler A mit einer impliziten Wahrscheinlichkeit von 70 Prozent quotieren, liegt möglicherweise Value auf Spieler A.
Über Elo hinaus: Logit-Modelle und Regressionsanalyse
Das Elo-System ist ein guter Ausgangspunkt, aber es hat Grenzen. Es berücksichtigt nur das Ergebnis eines Matches — Sieg oder Niederlage — nicht die Art des Sieges. Ein 6:0, 6:0 wird genauso behandelt wie ein 7:6, 6:7, 7:6. Für eine differenziertere Prognose bieten sich logistische Regressionsmodelle an, die mehrere Variablen gleichzeitig berücksichtigen können.
Ein logistisches Regressionsmodell — oft kurz Logit-Modell genannt — nimmt eine Reihe von Eingabevariablen und berechnet daraus eine Wahrscheinlichkeit für den Matchausgang. Die Eingabevariablen können alles umfassen, was die Analyse für relevant hält: Elo-Rating, belagspezifische Leistung, Aufschlagstatistiken, Return-Werte, aktuelle Form, Turnierlevel, Head-to-Head-Bilanz, Alter und Fitnessdaten. Das Modell lernt aus historischen Daten, welche Variablen den größten Einfluss auf das Ergebnis haben und wie sie gewichtet werden sollten.
Der Vorteil von Logit-Modellen gegenüber dem reinen Elo-System liegt in ihrer Flexibilität. Während Elo nur eine Zahl pro Spieler verwendet, kann ein Logit-Modell Dutzende von Faktoren gleichzeitig verarbeiten. Der Nachteil ist die Komplexität: Ein Logit-Modell muss sorgfältig kalibriert werden, um Überanpassung zu vermeiden — das Modell darf nicht zu gut auf vergangene Daten passen, weil es sonst auf neuen Daten schlecht performt. Für Wettende ohne Programmierkenntnisse ist ein Logit-Modell schwieriger umzusetzen als ein Elo-basierter Ansatz, bietet aber bei richtiger Anwendung präzisere Prognosen.
Die praktische Umsetzung eines Logit-Modells erfordert einen Datensatz mit historischen Matchergebnissen und den zugehörigen Statistiken. Sackmanns GitHub-Repository bietet diese Daten kostenlos an. Mit Python und der Bibliothek scikit-learn lässt sich ein grundlegendes Logit-Modell in wenigen Stunden aufbauen. Wer diesen Aufwand scheut, kann auf die Elo-Ratings von Tennis Abstract zurückgreifen, die bereits einen erheblichen Informationsvorsprung gegenüber der bloßen Weltrangliste bieten.
Monte-Carlo-Simulation: Turniere durchspielen
Während Elo und Logit-Modelle einzelne Matches prognostizieren, geht die Monte-Carlo-Simulation einen Schritt weiter: Sie simuliert ganze Turniere. Das Prinzip ist konzeptionell einfach, auch wenn die Umsetzung technisch anspruchsvoll sein kann. Die Simulation berechnet für jedes mögliche Match im Turnierbaum eine Gewinnwahrscheinlichkeit und lässt das Turnier dann tausend- oder zehntausendmal durchlaufen. Aus der Verteilung der Ergebnisse ergeben sich Wahrscheinlichkeiten dafür, dass ein bestimmter Spieler eine bestimmte Runde erreicht oder das Turnier gewinnt.
Für Wettende sind Monte-Carlo-Simulationen besonders bei Langzeitwetten — Turniersieger, Halbfinalisten, Viertelfinalisten — nützlich. Die Buchmacher setzen ihre Langzeitquoten ebenfalls mithilfe von Simulationsmodellen, aber ihre Modelle berücksichtigen nicht immer alle relevanten Faktoren. Eine eigene Simulation, die belagspezifische Elo-Ratings, aktuelle Formkurven und den konkreten Turnierbaum einbezieht, kann systematische Abweichungen von den Buchmacherquoten aufdecken.
Ein praktisches Beispiel: Vor einem Grand Slam wird das Tableau veröffentlicht, und ein Spieler auf Platz 20 der Setzliste landet in einer vergleichsweise schwachen Turnierhälfte. Seine Elo-basierte Gewinnwahrscheinlichkeit für das Turnier liegt bei 3 Prozent, aber die Buchmacher quotieren ihn mit einer impliziten Wahrscheinlichkeit von 1,5 Prozent, weil sie primär seine Setzposition berücksichtigen. Die Monte-Carlo-Simulation zeigt, dass seine Wahrscheinlichkeit, das Halbfinale zu erreichen, bei 12 Prozent liegt — und die Buchmacher bieten eine Quote, die nur 7 Prozent impliziert. Hier liegt Value, und die Simulation hat ihn sichtbar gemacht.
Die Herausforderung bei Monte-Carlo-Simulationen ist die Sensitivität gegenüber den Eingabedaten. Kleine Fehler in den Gewinnwahrscheinlichkeiten einzelner Matches potenzieren sich über mehrere Turnierrunden. Wenn die Basisprognose für ein Erstrundenmatch um 5 Prozent daneben liegt, kann die Turniersiegerwahrscheinlichkeit um 20 oder 30 Prozent abweichen. Deshalb ist die Qualität der Einzelmatch-Prognosen — ob Elo, Logit oder eine andere Methode — die entscheidende Grundlage für jede Turniersimulation.
Modelle gegen den Markt: Was funktioniert und was nicht
Die entscheidende Frage für jeden modellbasierten Wettansatz ist nicht, ob das Modell gute Prognosen liefert, sondern ob es bessere Prognosen liefert als der Wettmarkt. Diese Unterscheidung ist fundamental. Ein Modell, das den Ausgang von 70 Prozent aller Matches korrekt vorhersagt, klingt beeindruckend — aber wenn die Buchmacher 72 Prozent korrekt vorhersagen, ist das Modell nicht profitabel.
Die empirische Forschung zeigt, dass einfache Elo-Modelle den Wettmarkt im Tennis insgesamt nicht schlagen. Die Buchmacher nutzen selbst Elo-basierte Systeme und ergänzen sie mit zusätzlichen Informationen, die in einem reinen Elo-Modell nicht enthalten sind: Verletzungen, Trainerwechsel, Motivationsfaktoren. Wo einfache Elo-Modelle jedoch Stärken zeigen, ist in Nischen, die der breite Markt weniger effizient abdeckt. Belagspezifische Elo-Ratings performen besser als allgemeine Elo-Ratings, und in der Kombination mit aktueller Formanalyse entstehen Modelle, die in bestimmten Turnierphasen und bei bestimmten Spielertypen den Markt tatsächlich schlagen können.
Erweiterte Modelle — Logit-Regressionen mit vielen Variablen oder Machine-Learning-Ansätze — haben das Potenzial für bessere Ergebnisse, aber sie erfordern erheblichen Aufwand in der Entwicklung, Kalibrierung und fortlaufenden Pflege. Ein Modell, das im Januar 2026 gut funktioniert, kann im Juni 2026 veraltet sein, weil neue Spieler aufgetaucht sind, sich Belagsgeschwindigkeiten verändert haben oder die Buchmacher ihre eigenen Modelle verbessert haben. Modellbasiertes Wetten ist kein Set-and-Forget-Geschäft, sondern ein fortlaufender Prozess der Verfeinerung.
Die Modell-Realität: Warum Zahlen nicht alles sind
Es gibt eine Versuchung in der modellbasierten Analyse, die ironischerweise genauso gefährlich ist wie das Bauchgefühl, das die Modelle ersetzen sollen: der blinde Glaube an die Zahl. Ein Modell, das eine Gewinnwahrscheinlichkeit von 62,3 Prozent ausgibt, vermittelt eine Präzision, die die zugrundeliegenden Daten nicht hergeben. Die Zahl sollte als ungefähre Einschätzung verstanden werden, nicht als exakte Messung.
Die besten modellbasierten Wettenden wissen, dass ihr Modell in bestimmten Situationen systematisch falsch liegt. Kein Modell erfasst die volle Komplexität eines Tennismatches — die Tagesform, das Wetter, die Zuschauerstimmung, den Schlaf der letzten Nacht. Was ein gutes Modell tut, ist, den Raum der Unsicherheit einzugrenzen und die Fälle zu identifizieren, in denen der Wettmarkt die Wahrscheinlichkeiten am stärksten verzerrt. Das ist kein bescheidenes Ziel — es reicht aus, um langfristig profitabel zu wetten.
Wer den Einstieg in die modellbasierte Analyse sucht, beginnt am besten mit dem Elo-System: einfach zu verstehen, leicht verfügbar auf Tennis Abstract und gut genug, um die gröbsten Marktineffizienzen sichtbar zu machen. Von dort aus lässt sich schrittweise verfeinern — mehr Variablen, bessere Kalibrierung, belagspezifische Anpassungen. Der Weg vom Elo-Einstieg zum ausgefeilten Prognosemodell ist lang, aber jeder Schritt auf diesem Weg verbessert die Qualität der eigenen Wettentscheidungen. Die Mathematik garantiert keinen Gewinn, aber sie erhöht die Wahrscheinlichkeit — und im Wettgeschäft ist Wahrscheinlichkeit alles.
