Risiko 2+ Tore in 6 Minuten

Strategisches Verlieren beim Fussball Scalping

1. Modell

Wenn sechs Minuten alles verändern

Ein weiteres Risikomodell beschäftigt sich mit einer Situation, die für mein Football-Scalping eine besondere Bedeutung hat:

Wie hoch ist bei einem bevorstehenden Spiel das Risiko, dass innerhalb von maximal sechs Minuten mindestens zwei Tore fallen?

Statistische Risikoauswertung für meine zweimal wöchentlich veröffentlichten Spielprognosen – mit 76.567 gültigen historischen Referenzspielen aus 65 Ligen und inzwischen 40.337 verwertbaren Walk-Forward-Backtests für die Prüfung und Kalibrierung des Modells.

Das Modell auf einen Blick

Warum interessieren mich gerade sechs Minuten?

+
Ich suche mit dieser Berechnung nicht nach besonders torreichen Spielen.

+
Mich interessieren Begegnungen, bei denen schnelle Mehrfachtreffer historisch möglichst selten aufgetreten sind.

+
Die Berechnung soll einen weiteren Risikofaktor vor einem möglichen Scalping-Einsatz sichtbar machen.

Was genau zählt als 6-Minuten-Ereignis?

Die Definition ist bewusst einfach und eindeutig.

Wichtig:
Es spielt keine Rolle, welche Mannschaft trifft. Ein schnelles 1:0 und 1:1 zählt genauso wie zwei Treffer derselben Mannschaft.

Auch die Gesamtzahl der Tore ist nicht entscheidend. Ein 4:0 kann bei dieser speziellen Betrachtung vollkommen unauffällig sein, wenn die Treffer weit auseinanderliegen.

Die zentrale Kennzahl: Risiko 2+ Tore in 6 Min.

Für meine persönliche Vorauswahl gilt zunächst: Je niedriger der berechnete Prozentwert, desto interessanter ist das Spiel unter genau diesem Gesichtspunkt.

40.337 Backtests bestätigen die grundsätzliche Risikostaffelung.
Die vorhandenen Berechnungsformeln bleiben deshalb vorerst unverändert. Neu ist eine zusätzliche historische Kalibrierung: Neben dem Rohwert kann ich nun zeigen, welches Risiko Spiele aus demselben Prognosebereich im großen Walk-Forward-Test tatsächlich hatten.

76.567 historische Spiele aus 65 Ligen als Grundlage

Die historische Referenz wurde für die Saison 2026/27 deutlich erweitert. In der ersten Version standen
58.318 auswertbare Spiele zur Verfügung.
Inzwischen enthält meine Datenbasis auch die Ligen, die ich im Verlauf der Saison 2026/27 beobachten werde,
deren neue Spielzeit zum Zeitpunkt der ersten Auswertung aber noch gar nicht begonnen hatte.

Warum 76.567 und nicht einfach alle vorhandenen Zeilen?

Im Blatt Fd_fest1 liegen 76.628 Historienzeilen. Das Modell übernimmt jedoch nur Spiele,
bei denen Endergebnis und gespeicherte Trefferzeiten konsistent zusammenpassen. 61 Datensätze fallen durch diese
Qualitätsprüfung heraus. Für die Berechnung bleiben deshalb 76.567 gültige historische Spiele.

Für die Prognose eines konkreten Spiels werden die beteiligten Mannschaften und vor allem die
passende Liga dieses Spiels ausgewertet.
Eine Liga, deren Saison aktuell noch nicht begonnen hat, verfälscht deshalb nicht einfach die Ligaquote eines anderen Wettbewerbs.

Zusätzlich verwendet das Modell ein allgemeines Marktniveau der jüngeren Vergangenheit zur vorsichtigen Glättung.
Deshalb halte ich die Datenbasis bewusst auf das Liga-Universum begrenzt, das ich in der Saison 2026/27 tatsächlich beobachten möchte.

Interessanter Nebeneffekt der größeren Referenz:
Die allgemeine Ereignisquote steigt nicht. Sie sinkt sogar leicht:
bei ≤6 Minuten von 27,49 % auf 26,60 %
und bei ≤4 Minuten von 18,98 % auf 18,30 %.

So entsteht die Prognose

Vier Bausteine bilden das aktuelle Modell. Die Mannschaften stehen dabei klar im Mittelpunkt.

Warum ich die Liga nicht einfach bis 2022 zurückrechne

Eine große Datenmenge ist nicht automatisch eine bessere oder aktuellere Datenmenge.

Mannschaften verändern sich, Trainer wechseln, Teams steigen auf und ab und auch der Charakter einer Liga kann sich über mehrere Jahre verändern.

Die Liga dient deshalb hauptsächlich als aktuelles Vergleichsniveau und zur vorsichtigen Glättung kleiner Mannschaftsstichproben.

Gleicher Durchschnitt – völlig anderes Risikoprofil

Ein einfacher Mittelwert würde einen für mich wichtigen Unterschied verschlucken.

Für meinen Ansatz gefällt mir Spiel B deutlich besser.
Ein einzelnes auffälliges Team soll die Gesamtbewertung eines Spiels bewusst verschlechtern.

Warum 0 von 5 nicht automatisch besser als 3 von 40 ist

Gerade bei besonders niedrigen Prozentwerten ist die Größe der Datenbasis entscheidend.

Deshalb werden kleine Stichproben bewusst geglättet.
Je weniger historische Spiele für ein Team vorhanden sind, desto stärker hilft das aktuelle Liga-Niveau dabei, unrealistische Extremwerte abzufangen.

Vier Minuten sind nicht einfach die strengere Version von sechs Minuten

Das identische Grundmodell wird inzwischen zusätzlich auf
2+ Tore innerhalb von maximal vier Minuten
angewendet.

Intuitiv könnte man vermuten: Wenn das Zeitfenster enger wird und solche extrem schnellen Torfolgen seltener auftreten,
müssten automatisch mehr Spiele als besonders risikoarm eingestuft werden.
Genau das passiert aber nicht.

Gesamtspiel, 1. Halbzeit und 2. Halbzeit bekommen ihre eigene Referenz

Ein Gesamtspiel und eine einzelne Halbzeit dürfen bei dieser Fragestellung nicht mit demselben Normalwert verglichen werden.
Über 90 Minuten gibt es schlicht mehr Gelegenheit für zwei schnelle Treffer als innerhalb einer einzelnen Halbzeit.

Deshalb werte ich die historische Basis inzwischen getrennt für
Gesamtspiel, 1. Halbzeit und 2. Halbzeit aus.

Spalte FC – 1. Halbzeit liegt derzeit in beiden Zeitfenstern rund
5,7 bis 5,9 Prozentpunkte über der passenden historischen Normalbasis.
Das ist für mich wesentlich aussagekräftiger als die hohe Erfolgsquote allein.

Trotzdem bleibt die Stichprobe noch klein. Diese Werte sind deshalb keine neue Regel und keine Garantie.
Die entscheidende Frage lautet: Bleibt dieser Abstand bestehen, wenn aus einigen Dutzend Signalen mehrere hundert werden?

Wichtig zur Einordnung:
Die Werte in Spalte FB, Spalte FC und Spalte FD in diesem Abschnitt stammen aus den bislang tatsächlich gespielten Prognosebegegnungen. Sie sind bewusst getrennt vom großen historischen Walk-Forward-Backtest mit 40.337 verwertbaren Spielen zu betrachten.

Was meine Leser in den Prognosen sehen sollen

Meine interne Excel-Auswertung enthält weiterhin deutlich mehr Kennzahlen, als ich in den zweimal wöchentlich veröffentlichten Prognosen zeigen möchte.
Die 4-Minuten-Berechnung bleibt intern wichtig, weil sie unter anderem in die Schnittmenge
DOPPELT INTERESSANT einfließt.

Nach dem Backtest mit 40.337 verwertbaren Spielen ergänze ich öffentlich jedoch eine zweite Ebene:
die historisch kalibrierten 6-Minuten-Risikowerte.
Damit bleibt die ursprüngliche Modellprognose unangetastet, während gleichzeitig sichtbar wird, welches reale Risiko vergleichbare Prognosebereiche im Backtest tatsächlich zeigten.

Die ursprünglichen Roh-Prognosen sowie Teamhistorie, Heim-/Auswärtswerte, Ligaquote, Datenbasis und Datenqualität bleiben intern vollständig erhalten.

Für die Schnittmenge aus 6- und 4-Minuten-Modell verwende ich weiterhin bewusst die Bezeichnungen
Spalte FB für das Gesamtspiel,
Spalte FC für die 1. Halbzeit und
Spalte FD für die 2. Halbzeit.
Die 4-Minuten-Rohwerte selbst bleiben vorerst eine interne Kontrollgröße.

Die Berechnung ist kein automatisches Einstiegssignal

40.337 historische Walk-Forward-Backtests: Die Formeln haben Bestand

Der Backtest ist inzwischen nicht mehr nur der nächste geplante Schritt. Für
40.337 verwertbare historische Spiele
wurde die damalige Prognosesituation nachgebildet.

Dazu wurden die zu testenden Spiele jeweils aus der historischen Datenbasis herausgenommen und anschließend mit genau den Informationen bewertet, die vor dem damaligen Spiel verfügbar gewesen wären.
So sollen spätere Ergebnisse nicht rückwirkend in frühere Prognosen hineinwirken.

Beim Gesamtspiel-6-Minuten-Modell wurden die Spiele nach ihrer Roh-Prognose in fünf annähernd gleich große Gruppen sortiert.
Die tatsächliche Ereignisquote steigt dabei von
23,1 %
über
26,7 % · 30,4 % · 31,9 %
bis auf
37,0 %
in der höchsten Risikogruppe.

Genau diese stabile Trennung ist für mich wichtiger als einzelne spektakuläre Prozentbereiche aus kleinen Stichproben.

Der 40k-Test liefert keinen Grund, die eigentliche Berechnungslogik umzubauen.
Stattdessen nutze ich zusätzlich eine historische Kalibrierung.

Beispiel: Ein aktuelles Spiel kann eine Roh-Prognose von 17,5 % besitzen.
Im historischen Backtest lagen Spiele aus der entsprechenden niedrigen Prognoseklasse tatsächlich bei rund
22,1 %.
Beide Informationen sind für mich wertvoll: Der Rohwert zeigt die interne Modellberechnung, der kalibrierte Wert zeigt die historische Realität vergleichbarer Prognosen.

Die Kalibrierung basiert inzwischen auf 40.337 verwertbaren Spielen und ersetzt keine Live-Beobachtung. Sie ist eine zusätzliche Risikoeinordnung.

Football-Scalping besteht für mich nicht darin, möglichst viele Wetten zu platzieren. Mich interessieren Situationen, bei denen möglichst viele kleine Faktoren zusammenpassen. Mindestens genauso wichtig ist für mich die Frage, welche Risiken in einer bestimmten Begegnung gerade nicht überdurchschnittlich vorhanden sind. Ich kann nicht verhindern, dass innerhalb von sechs Minuten plötzlich zwei Tore fallen. Ich kann aber versuchen herauszufinden, bei welchen Begegnungen dieses Szenario historisch besonders selten aufgetreten ist.

Hinweis:
Die dargestellten Berechnungen dokumentieren meine persönliche Vorgehensweise beim Football-Scalping. Fred Neumann