xG-Analyse für Ligue 1: Erwartete Tore richtig deuten

Warum die Ligue 1 ein xG-Labor ist

Im November 2025 spielte RC Lens auswärts gegen Strasbourg und hatte am Ende ein 1:1 auf dem Papier — Expected Goals 2,42 zu 0,89. Drei Wochen später dasselbe Muster: Lens dominiert spielerisch, kassiert aber den dummen Gegentreffer aus dem einzigen Schuss des Gegners auf das Tor. Wer nur auf Tabellenpunkte schaut, sieht ein durchschnittliches Mid-Table-Team. Wer auf xG schaut, sieht den heimlichen Saisonprimus mit massiver Underperformance — und damit eine der lukrativsten Wett-Konstellationen des Jahres.

RC Lens führt die xG-Tabelle der laufenden Saison mit 51,83 Expected Goals aus 26 Spielen an — 1,99 xG pro 90 Minuten, der höchste Wert der Liga. Tatsächlich erzielt hat das Team aber nur 49 Tore, eine Underperformance von -2,8. PSG dagegen ist defensiv der Maßstab: 23,88 erlaubte Expected Goals, 0,96 pro 90 Minuten, tatsächlich nur 22 Gegentore. Das sind keine zufälligen Zahlen — das sind die Datenpunkte, die ich vor jedem Liga-Spieltag in meinem Notebook prüfe.

In diesem Text gehe ich durch, was xG mathematisch ist, wie die aktuelle Liga-Tabelle nach xG aussieht, was Over- und Underperformance konkret bedeutet — und wie ich xG mit anderen Indikatoren zu einem nutzbaren Wett-Modell verbinde. Es ist die wichtigste Einzelmetrik im modernen Wett-Analytik-Werkzeugkasten. Sie ist auch die am häufigsten missverstandene.

Was Expected Goals wirklich messen

Bei einem Fan-Talk in Hamburg fragte mich ein Zuhörer: Ist xG nicht einfach die Chance, dass ein Schuss reingeht? Im Prinzip ja — aber die Präzision dahinter ist es, was den Unterschied macht. xG ist die berechnete Wahrscheinlichkeit, dass ein konkreter Torschuss zu einem Tor wird, basierend auf einer Reihe situativer Variablen.

Die Kernparameter eines xG-Modells: Position des Schützen zum Tor, Winkel auf den Pfosten, Körperteil des Schusses, Anzahl und Position der Verteidiger zwischen Schütze und Tor, Schuss-Typ (Volley, Direktabnahme, Kopfball), vorausgegangene Aktion (Eckball, Konter, Standardsituation). Aus historischen Datenbanken mit Hunderttausenden Schussversuchen wird ein statistisches Modell trainiert, das jeder Situation eine Wahrscheinlichkeit zwischen 0 und 1 zuweist.

Beispiel aus der Praxis: Ein Schuss aus 18 Metern, halblinks, Innenfuß, zwei Verteidiger im Weg — typischer xG-Wert 0,05 bis 0,08. Ein Elfmeter — 0,76. Ein freier Kopfball aus fünf Metern — 0,40 bis 0,50. Die Summe aller xG-Werte eines Spiels ergibt das Expected-Goals-Total für jede Mannschaft.

Luis Enrique, Trainer bei Paris Saint-Germain, hat die Datennutzung im modernen Fußball wiederholt thematisiert. Wir haben enorme Datenmengen aus Statistiken und Spieleranalysen. Aber die Daten ersetzen das Spielverständnis nicht — sie ergänzen es. Das ist exakt die Position, die ich als Wett-Analyst auch einnehme. xG ist ein Werkzeug, kein Orakel. Wer es als alleinige Wahrheit nimmt, missversteht es. Wer es als zusätzlichen Daten-Layer neben Form, Aufstellung und Taktik nutzt, hat einen messbaren Edge.

Die meisten frei verfügbaren xG-Daten kommen aus Modellen von Understat, fbref oder StatsBomb. Sie unterscheiden sich in Details — etwa bei der Behandlung von Standardsituationen oder Counter-Attacks — und können für dasselbe Spiel um 0,3 bis 0,5 xG variieren. Wer mit xG arbeitet, sollte sich auf eine Quelle festlegen und Konsistenz priorisieren.

Die xG-Tabelle der Ligue 1 Saison 2025/26

Hier eine Bestandsaufnahme nach 26 Spieltagen — die Zahlen, die ich Ende April 2026 in meiner Notebook-Datenbank stehen habe. Die Liga sortiert sich nach xG und xGA deutlich anders als nach Punkten — und genau in diesen Verschiebungen liegt das Wett-Potenzial.

RC Lens führt die offensive xG-Tabelle mit 51,83 — der höchste Wert der Liga, 1,99 xG pro 90 Minuten. Das Team erzeugt im Schnitt mehr und höherwertige Torchancen als jeder andere Liga-Klub, ohne dass das in der Tabellen-Position vollständig sichtbar ist. Die tatsächliche Tor-Bilanz beträgt 49 Treffer, eine Underperformance von -2,8. Mit anderen Worten: Lens schießt seit Wochen zu wenige Tore aus seinen Chancen.

PSG ist offensiv erwartbar produktiv, dominiert aber vor allem defensiv. 23,88 erlaubte Expected Goals nach 26 Spielen — 0,96 xGA pro 90 Minuten, deutlich der beste Wert der Liga. Die tatsächlichen 22 Gegentore liegen sogar leicht unter dieser xG-Erwartung. Das bedeutet: Die PSG-Defensive ist nicht nur die zahlenmäßig beste, sondern auch die strukturell sauberste. Wer gegen PSG auf einen Treffer wetten will, muss diese Datenlage einrechnen.

Die spannendsten Outliers sind im Mittelfeld zu finden. Olympique Marseille hat 53 Tore bei 43,2 xG erzielt — eine Overperformance von +9,8. Das ist der höchste Overperformance-Wert der Liga. Auxerre dagegen verzeichnet 19 Tore bei 29,34 xG — eine Underperformance von -10,3, der schlechteste Wert. Diese Differenzen sind nicht zufällig — sie sind aber statistisch oft Vorboten einer Mean-Reversion.

Was bedeutet diese xG-Tabelle für Wett-Strategien? Drei Hinweise. Erstens: Lens-Spiele bieten Value auf Über-Tore und Lens-Sieg-Quoten, weil der Markt das Team unterbewertet. Zweitens: PSG-Gegentor-Quoten und BTTS-Ja-Wetten in PSG-Spielen haben höhere Marge als sie verdienen. Drittens: OM-Quoten könnten in der zweiten Saisonhälfte unter Druck geraten, wenn die Tor-Effizienz auf Normalniveau zurückkehrt.

Over- und Underperformance richtig deuten

Mean-Reversion ist ein statistisches Konzept, das im Sportwetten-Kontext oft falsch interpretiert wird. Es besagt nicht, dass Outliers zurück zur Mitte „müssen“. Es besagt, dass über genügend lange Zeiträume die tatsächliche Tor-Bilanz und die xG-Bilanz konvergieren — weil die xG ein robusteres Maß für Spielqualität ist als das durch Zufall geprägte Ergebnis.

Konkret zur OM-Overperformance von +9,8: Mathematisch unwahrscheinlich, dass das Team in einer 34-Spiele-Saison diesen Vorsprung konstant hält. Olympique Marseille schießt fast 23 Prozent mehr Tore, als die zugrundeliegende Chancenqualität vorgibt. Das kann zwei Ursachen haben — Glück mit Pfostenschüssen, Torwart-Geistesblitze auf der anderen Seite — oder einen genuinen Skill-Effekt wie einen außergewöhnlich kaltblütigen Stürmer.

In der Praxis ist beides möglich. Was statistisch konsistent ist: Über die zweite Saisonhälfte tendieren Overperformer dazu, weniger Tore aus gleicher Chancenqualität zu erzielen, während Underperformer mehr Tore schießen. Bei OM erwarte ich für die Restsaison eine Tor-Quote, die näher an den 1,2 xG pro 90 als an den 1,4 tatsächlichen Toren pro Spiel liegt. Das hat direkte Wett-Implikationen: OM-Sieg-Quoten in den letzten acht Liga-Spielen werden statistisch betrachtet ein höheres Marge-Verhältnis haben.

Bei Auxerre wirkt die Mean-Reversion umgekehrt. -10,3 Tore unter xG bedeuten, dass das Team rein rechnerisch in der Restsaison überdurchschnittlich treffen sollte. Hier kommt allerdings eine Komplikation hinzu: Wenn die Underperformance an strukturellen Faktoren liegt — verletzungsanfälliger Stürmer, taktisch schwach aufgestellte Offensiv-Abläufe — kann sie sich auch über mehrere Spiele halten. Die Mean-Reversion ist eine statistische Tendenz, kein Naturgesetz.

Meine pragmatische Faustregel aus neun Jahren Beobachtung: Eine Overperformance von mehr als 8 Toren oder Underperformance von mehr als 8 Toren in einer Saison ist ein robuster Indikator für Reversion-Tendenz. Werte zwischen -4 und +4 sind statistisch unspezifisch und sollten nicht als alleinige Wett-Begründung dienen. Bei Werten zwischen 4 und 8 hilft es, taktische Faktoren wie Kaderqualität und Spielsystem zusätzlich zu prüfen.

xG ins eigene Wett-Modell einbinden

xG allein ist kein Strategie-Werkzeug, sondern ein Daten-Input. Wer es richtig nutzen will, muss es in ein größeres Modell einbinden, das mehrere Faktoren gewichtet. So baue ich solche Modelle für meine eigenen Saison-Wetten auf — Schritt für Schritt nachvollziehbar.

Erste Stufe: xG-Differenz pro 90 Minuten als Basis-Indikator. Sie nehmen die xG-Toranzahl eines Teams und ziehen die xGA-Toranzahl ab. Bei Lens: 1,99 xG minus 0,99 xGA = +1,00 pro 90. Bei PSG: 2,24 minus 0,96 = +1,28. Das ist die rohe Spielstärke nach Chancenqualität — der wichtigste Ausgangswert.

Zweite Stufe: Heim-Auswärts-Differenz. xG-Werte zu Hause sind in der Ligue 1 typischerweise 15 bis 20 Prozent höher als auswärts. Das gilt auch für die xGA-Werte des Gegners. Wer pre-match auf einen Heim- oder Auswärtssieg wetten will, muss die xG-Basiswerte um den entsprechenden Faktor adjustieren.

Dritte Stufe: Form-Filter. Die letzten fünf Spiele zählen statistisch stärker als die Saison-xG. Wenn ein Team in den letzten fünf Spielen +0,5 xG pro 90 über dem Saison-Durchschnitt liegt, ist das ein Form-Signal. Diese Stufe bringt den meisten taktischen Erkenntnisgewinn — gerade nach Trainerwechseln oder Verletzungs-Comebacks.

Vierte Stufe: Marge-Bereinigung. Sie nehmen die fertige Wahrscheinlichkeitsschätzung und vergleichen sie mit der impliziten Marktwahrscheinlichkeit nach Marge-Abzug. Wenn Ihre Schätzung 5 Prozentpunkte oder mehr über dem Marktwert liegt, ist das ein Value-Signal — eine Tipp-Empfehlung für meine eigene Wettstrategie-Sammlung. Wenn die Differenz unter 3 Prozent liegt, ist die Wette nicht profitabel — auch wenn sie statistisch positive Erwartung hätte.