Elo-Rating & Wahrscheinlichkeitsmodelle: Tennis-Daten nutzen

Das offizielle ATP-Ranking sagt, wer der beste Tennisspieler der Welt ist. Das Elo-Rating sagt, wer es wirklich ist. Das klingt provokant, trifft aber einen wichtigen Punkt: Das ATP-Ranking basiert auf einem starren Punktesystem, das Turnierresultate der letzten 52 Wochen zusammenzählt. Es reagiert langsam auf Formänderungen, gewichtet alle Turniere einer Kategorie gleich und ignoriert die Stärke der jeweiligen Gegner. Das Elo-Rating macht all das besser – und genau deshalb ist es für Wetter das überlegene Werkzeug.

Wer Tenniswetten auf einer mathematischen Grundlage platzieren will, kommt an Wahrscheinlichkeitsmodellen nicht vorbei. Und das Elo-Rating ist der zugänglichste und am weitesten verbreitete Ansatz. Es liefert nicht nur eine Rangfolge der Spieler, sondern auch eine direkte Siegwahrscheinlichkeit für jedes beliebige Match – und genau diese Zahl ist der Schlüssel zur Value-Bet-Analyse.

Funktionsweise des Elo-Systems für Vorhersagen

Das Elo-Rating wurde ursprünglich für Schach entwickelt und von dem Physiker Arpad Elo in den 1960er Jahren eingeführt. Die Grundidee ist bestechend einfach: Jeder Spieler hat eine Zahl, die seine Stärke repräsentiert. Nach jedem Match wird diese Zahl angepasst – nach oben bei einem Sieg, nach unten bei einer Niederlage. Die Höhe der Anpassung hängt davon ab, wie erwartet oder unerwartet das Ergebnis war.

Wenn ein Spieler mit einem Elo von 2000 gegen einen Spieler mit einem Elo von 1800 gewinnt, ist das ein erwartetes Ergebnis. Die Rating-Anpassung ist minimal – vielleicht fünf bis zehn Punkte. Gewinnt dagegen der Spieler mit 1800, ist das eine Überraschung, und die Anpassung fällt deutlich größer aus – vielleicht 20 bis 30 Punkte. Dieses System sorgt dafür, dass Siege gegen starke Gegner stärker belohnt werden als Siege gegen schwache Gegner.

Die Berechnung der erwarteten Siegwahrscheinlichkeit aus dem Elo-Unterschied folgt einer logistischen Funktion. Vereinfacht gesagt: Ein Unterschied von 100 Elo-Punkten entspricht einer erwarteten Siegwahrscheinlichkeit von etwa 64 Prozent für den höher bewerteten Spieler. Bei 200 Punkten Unterschied steigt die Wahrscheinlichkeit auf etwa 76 Prozent, bei 300 Punkten auf etwa 85 Prozent. Diese Umrechnung ist der Kern der Value-Analyse: Man berechnet die Elo-basierte Siegwahrscheinlichkeit und vergleicht sie mit der implizierten Wahrscheinlichkeit der Buchmacherquote.

Warum Elo besser funktioniert als das ATP-Ranking

Das ATP-Ranking hat mehrere strukturelle Schwächen, die das Elo-System umgeht. Die offensichtlichste: Das Ranking zählt nur die besten Ergebnisse eines Spielers und ignoriert schlechte Resultate weitgehend. Ein Spieler, der bei vier Masters-Turnieren das Viertelfinale erreicht und bei sechs anderen in der ersten Runde ausscheidet, hat im Ranking dieselben Punkte wie ein Spieler, der bei vier Masters das Viertelfinale erreicht und die anderen sechs gar nicht spielt. Elo bestraft dagegen jede Niederlage, was ein realistischeres Bild der aktuellen Stärke ergibt.

Ein weiterer Vorteil: Elo berücksichtigt die Gegnerstärke direkt. Im ATP-Ranking bringt ein Sieg in der ersten Runde eines Masters immer die gleichen Punkte, egal ob der Gegner die Nummer 30 oder die Nummer 130 der Welt war. Im Elo-System wird der Sieg gegen einen stärkeren Gegner stärker belohnt. Dadurch werden Spieler, die regelmäßig gegen starke Gegner bestehen, höher bewertet als Spieler, die ihre Punkte gegen schwächere Konkurrenz sammeln.

Für Wetter ist der entscheidende Vorteil die Reaktionsgeschwindigkeit. Das ATP-Ranking aktualisiert sich einmal pro Woche und reagiert auf Formänderungen mit Verzögerung. Elo aktualisiert sich nach jedem Match. Ein Spieler, der in den letzten vier Wochen fünf Matches gegen Top-20-Gegner gewonnen hat, kann im Elo-Rating bereits deutlich höher stehen als im ATP-Ranking – weil das Ranking die alten Punkte erst in Monaten verliert. Diese Diskrepanz zwischen Elo und Ranking ist eine systematische Quelle von Value: Wenn die Buchmacherquote das ATP-Ranking widerspiegelt, das Elo-Rating aber eine andere Geschichte erzählt, hat man einen analytischen Vorsprung.

Elo-Varianten für Tennis: Belag- und Oberflächen-Elo

Das Standard-Elo-Rating behandelt alle Matches gleich, unabhängig vom Belag. Für Tennis ist das eine erhebliche Einschränkung, weil die Belagstärke eines Spielers stark variieren kann. Deshalb haben Tennisanalysten belagspezifische Elo-Ratings entwickelt: ein separates Rating für Sand, Rasen und Hartplatz.

Die Idee ist simpel, aber wirkungsvoll. Statt eines einzigen Elo-Werts hat jeder Spieler drei Werte – einen für jeden Hauptbelag. Dadurch wird ein Spieler, der auf Sand zur Weltspitze gehört, aber auf Rasen mittelmäßig ist, korrekt abgebildet. Die Standard-Elo-Version würde seinen Rasen-Schwächen weniger Gewicht geben, weil die vielen Sandplatzsiege das Rating nach oben ziehen.

Tennis Abstract bietet belagspezifische Elo-Ratings kostenlos an. Diese Daten sind Gold wert für die Wettanalyse, weil sie genau den Belag-Faktor quantifizieren, den viele Buchmacher nur grob einpreisen.

Monte-Carlo-Simulationen: Wahrscheinlichkeiten auf Matchebene

Während das Elo-Rating eine Gesamtsiegwahrscheinlichkeit liefert, gehen Monte-Carlo-Simulationen einen Schritt weiter. Sie modellieren den Ablauf eines Tennismatches Punkt für Punkt und simulieren das Ergebnis tausende Male. Aus den Simulationsergebnissen lassen sich nicht nur Siegwahrscheinlichkeiten ableiten, sondern auch Wahrscheinlichkeiten für spezifische Satzergebnisse, Game-Zahlen und andere Nebenmärkte.

Die Grundlage einer Monte-Carlo-Simulation im Tennis sind die Service- und Returnstatistiken beider Spieler. Aus diesen Statistiken wird die Punktgewinnwahrscheinlichkeit bei eigenem und gegnerischem Aufschlag berechnet. Dann wird ein Match simuliert: Punkt für Punkt, Game für Game, Satz für Satz. Jeder Punkt wird zufällig entschieden, basierend auf der berechneten Wahrscheinlichkeit. Nach 10.000 oder 100.000 Durchläufen ergibt sich eine Verteilung der möglichen Ergebnisse.

Ein Beispiel: Wenn Spieler A bei eigenem Aufschlag 68 Prozent der Punkte gewinnt und bei Gegner-Aufschlag 38 Prozent, lässt sich daraus berechnen, wie oft er ein Game hält, wie oft er bricht, wie wahrscheinlich ein Tiebreak ist und wie das Match im Schnitt verläuft. Die Simulation zeigt dann etwa: Spieler A gewinnt in 72 Prozent der Simulationen, davon in 45 Prozent mit 2:0 und in 27 Prozent mit 2:1. Das Match hat im Schnitt 22,3 Games, und ein Tiebreak kommt in 58 Prozent der Simulationen vor.

Diese Detailtiefe ist der entscheidende Vorteil gegenüber dem Elo-Rating. Elo liefert eine Siegwahrscheinlichkeit, aber keine Aussage über den erwarteten Matchverlauf. Monte Carlo liefert beides – und ermöglicht damit die Analyse von Handicap-, Over/Under- und Satzwetten auf einer mathematischen Grundlage.

Der praktische Aufwand für eigene Monte-Carlo-Simulationen ist allerdings höher als für Elo-basierte Analysen. Man braucht Programmierkenntnisse, Zugang zu detaillierten Service- und Returnstatistiken und ein grundlegendes Verständnis von Wahrscheinlichkeitsrechnung. Python-Bibliotheken wie NumPy und SciPy machen die Implementierung relativ unkompliziert, aber es ist dennoch ein Schritt, der über die Möglichkeiten der meisten Gelegenheitswetter hinausgeht.

Logit-Regression und erweiterte Modelle

Neben Elo und Monte Carlo gibt es einen dritten Modellansatz, der in der akademischen Sportwettenforschung verbreitet ist: die logistische Regression. Dieses statistische Verfahren analysiert historische Matchdaten und identifiziert die Faktoren, die den Ausgang am stärksten beeinflussen. Typische Eingabevariablen sind der Elo-Unterschied, die Belagstärke, die aktuelle Form, das Turnierstadium und die physische Belastung.

Der Vorteil der logistischen Regression liegt in ihrer Flexibilität. Man kann beliebig viele Variablen einbeziehen und ihr Gewicht datenbasiert bestimmen lassen. Das Modell „lernt“ aus den historischen Daten, welche Faktoren in welchem Maß relevant sind. Ein gut trainiertes Regressionsmodell berücksichtigt Wechselwirkungen, die ein einfaches Elo-System nicht erfassen kann – etwa die Tatsache, dass der Belagvorteil bei Grand-Slam-Turnieren stärker wirkt als bei Best-of-3-Events.

Die Kehrseite: Logistische Regression erfordert eine solide Datenbasis und statistische Kenntnisse. Die Gefahr des Overfitting – also der Anpassung an historische Muster, die sich in der Zukunft nicht wiederholen – ist real. Ein Modell, das die Vergangenheit perfekt erklärt, ist nicht automatisch ein guter Prognoseersteller. Die Kunst liegt darin, die richtige Balance zwischen Komplexität und Generalisierbarkeit zu finden.

Von der Wahrscheinlichkeit zur fairen Quote

Alle Modelle – Elo, Monte Carlo, Logit-Regression – liefern am Ende eine Zahl: die geschätzte Siegwahrscheinlichkeit. Um diese Zahl für die Wettanalyse nutzbar zu machen, muss sie in eine faire Quote umgerechnet werden. Die Formel ist denkbar einfach: Faire Quote = 1 / Wahrscheinlichkeit.

Wenn das Modell eine Siegwahrscheinlichkeit von 65 Prozent berechnet, ist die faire Quote 1,54. Bietet der Buchmacher eine Quote von 1,70, liegt ein Value von rund 10 Prozent vor – ein deutliches Signal. Liegt die Buchmacherquote dagegen bei 1,45, gibt es keinen Value, und die Wette sollte unterbleiben.

Diese einfache Rechnung ist der Kern jeder modellbasierten Wettstrategie. Sie abstrahiert von der Frage „Wer gewinnt?“ und ersetzt sie durch die präzisere Frage „Ist die Quote besser als meine Einschätzung?“ Das ist ein fundamentaler Perspektivwechsel, der den Unterschied zwischen Freizeit- und strategischem Wetten markiert.

Dein Einstieg in die Welt der Modelle

Wahrscheinlichkeitsmodelle wirken einschüchternd, sind aber in ihrer Grundform überraschend zugänglich. Der Einstieg beginnt nicht mit Monte-Carlo-Simulationen oder logistischer Regression, sondern mit einem simplen Elo-Vergleich. Man nimmt die Elo-Ratings beider Spieler von Tennis Abstract, berechnet die erwartete Siegwahrscheinlichkeit, wandelt sie in eine faire Quote um und vergleicht mit dem Buchmacher. Dieser Prozess dauert zwei Minuten pro Match und liefert bereits einen analytischen Vorsprung, den die meisten Wetter nicht haben. Von dort aus kann man Schritt für Schritt tiefer einsteigen – belagspezifisches Elo, dann Monte Carlo, dann eigene Regressionsmodelle. Jede Stufe macht die Analyse präziser, aber die erste Stufe ist bereits mehr, als die meisten je erreichen.