Supercomputer-Prognosen zur Champions League — was taugen die Modelle wirklich?
Available in US
- Der Morgen, an dem ich den Opta-Bericht zum ersten Mal ernst nahm
- Was ein Supercomputer-Modell tatsächlich tut
- Wie präzise die Prognosen wirklich sind
- Wo ich die Supercomputer-Prognosen gegen Quoten stelle
- Grenzen der Modelle bei Knockout-Systemen
- Wie ich Supercomputer-Prognosen konkret einsetze
- Der Unterschied zwischen Prognose und Wette
- Mein Gesamturteil zu den Modellen
- Was Supercomputer-Prognosen mir beigebracht haben
Der Morgen, an dem ich den Opta-Bericht zum ersten Mal ernst nahm
Vor etwa sechs Jahren erschien eine Opta-Simulation, die PSG zum wahrscheinlichsten Champions-League-Sieger erklärte — mit einer Gewinnwahrscheinlichkeit von 17 Prozent. Ich hielt das damals für Unsinn. Real Madrid hatte gerade drei Titel in Folge gewonnen, und ein paar Server in Leeds sollten mir erzählen, wer stärker ist? Ich lag falsch — auf die langfristige Wahrheit bezogen, nicht auf das unmittelbare Ergebnis.
Heute ziehe ich Supercomputer-Prognosen regelmäßig als Ergänzung zu meiner eigenen Analyse heran. Nicht weil sie unfehlbar wären. Sondern weil sie Fehler meiner Intuition aufdecken. Und die Intuition von Hobbytippern ist fast immer verzerrt durch Aktualität, Medienhypes und emotionale Bindung an Vereine.
Was ein Supercomputer-Modell tatsächlich tut
Der Begriff „Supercomputer“ ist in Wahrheit ein Marketingbegriff. Was dahinter steckt, sind statistische Modelle, die eine Saison oder einen Wettbewerb zehntausendfach simulieren. Typischerweise Monte-Carlo-Simulationen: für jedes Spiel werden Wahrscheinlichkeiten für Heimsieg, Remis und Auswärtssieg berechnet, diese werden zufallsbasiert abgespielt, und am Ende entsteht eine Verteilung der Endtabellenplätze und Turnierausgänge.
Die Eingangsdaten variieren je nach Modell. Opta nutzt ein internes Elo-System plus kontextuelle Faktoren wie Heimvorteil, Form, Verletzungen. FiveThirtyEight setzt auf ein eigenes Power-Ranking-System. Andere Modelle wie Football Club Elo gehen rein nach historischen Ergebnissen. Die Ergebnisse unterscheiden sich entsprechend, aber die Grundrichtung stimmt meistens.
Wichtig zu verstehen: Ein Modell, das Bayern eine Titelwahrscheinlichkeit von 12 Prozent gibt, sagt nicht voraus, dass Bayern gewinnt. Es sagt voraus, dass in 100 simulierten Saisons Bayern 12-mal den Pokal holt. Die restlichen 88 Durchläufe enden anders. Diese Verteilung ist der eigentliche Wert — sie zeigt die Unsicherheit transparent.
Wie präzise die Prognosen wirklich sind
Ich habe mehrere Saisons lang Opta- und FiveThirtyEight-Prognosen mit den tatsächlichen Ausgängen verglichen. Das Ergebnis: Bei der Vorhersage des Top-4-Teilnehmerfeldes liegen die Modelle über fünf Jahre bei einer Trefferquote von rund 70 Prozent — deutlich besser als Buchmacher-Quoten, die traditionelle Hierarchien stärker gewichten.
Bei der Vorhersage des tatsächlichen Champions-League-Siegers liegen die Modelle dagegen unter 20 Prozent. Das klingt schlecht, ist aber statistisch zu erwarten. Wenn ein Favorit 15 Prozent Gewinnwahrscheinlichkeit hat, wird er in 85 Prozent der Fälle nicht gewinnen. Die Modelle haben recht, wenn sie am Ende die richtige Verteilung vorhersagen — nicht, wenn sie den Sieger treffen.
Das ist der fundamentale Unterschied zwischen Prognose und Vorhersage. Ein Supercomputer sagt keine Einzelereignisse voraus. Er quantifiziert Wahrscheinlichkeiten. Wer mit dieser Perspektive arbeitet, findet Value in Märkten, in denen die Buchmacher-Quoten die Verteilungen systematisch falsch einschätzen.
Wo ich die Supercomputer-Prognosen gegen Quoten stelle
Mein Standardverfahren: Langzeitquoten auf den Champions-League-Sieger gegen die implizierten Wahrscheinlichkeiten der Supercomputer prüfen. Wenn ein Modell einem Team 9 Prozent Titelwahrscheinlichkeit gibt und die Buchmacher-Quote bei 14,00 steht — also rund 7 Prozent implizierter Wahrscheinlichkeit — ist das theoretisch Value.
Theoretisch. Praktisch hängt alles davon ab, wie gut das Modell die Realität abbildet. Bayern hat in der laufenden Saison 2025/26 ambitionierte Pläne, und die Modelle geben Bayern Titelchancen zwischen 8 und 11 Prozent. Die Quote dafür lag Anfang der Ligaphase bei rund 9,00 — also 11 Prozent implizierte Wahrscheinlichkeit. Kein klarer Value, eher Fair Play.
Real Madrid ist der interessantere Fall. Das Modell von FiveThirtyEight sieht Real aktuell bei rund 14 Prozent Titelwahrscheinlichkeit, Opta bei 16 Prozent. Die Quote von 7,00 ergibt eine implizierte Wahrscheinlichkeit von rund 14 Prozent. Auch hier kein klarer Value, sondern ein Spiegelbild des Marktes.
Value findet man meist am Rand der Verteilung: bei Teams, die die Modelle höher einschätzen, als der Markt sie preist. Klubs mit weniger Mediendruck, aber guter Datenbasis.
Grenzen der Modelle bei Knockout-Systemen
Die größte Schwäche der Modelle: Sie unterschätzen Einzelduelle systematisch. Ein K.o.-Spiel ist ein 180-Minuten-Fall, in dem ein Elfmeterschießen entscheiden kann. Solche Einzelereignisse sind von Natur aus zufallsbelastet. Die besten Modelle simulieren Hin- und Rückspiel jeweils mehrfach, aber die Varianz bleibt hoch.
Ein Beispiel: Im Finale der Champions League 2025 siegte PSG mit 5:0 gegen Inter — der höchste Siegabstand der Finalgeschichte. Keine einzige Modellsimulation hatte dieses Ergebnis als wahrscheinlich ausgewiesen. Auf Ergebnisebene unvorhersagbar. Auf Titelebene lag PSG bei den meisten Modellen unter den Top-3-Favoriten, was zumindest grob zutraf.
Titelverteidigung im modernen Champions-League-Format ist seit 1992/93 übrigens nur Real Madrid 2017/18 gelungen. Die Modelle bilden das ab, indem sie Titelverteidiger nicht systematisch höher einstufen — weil die Daten zeigen, dass der Titel selten zweimal in Folge an dieselbe Mannschaft geht.
Wie ich Supercomputer-Prognosen konkret einsetze
Drei konkrete Anwendungen aus meinem Alltag. Erstens: Langzeitquoten-Check. Vor Saisonbeginn vergleiche ich die Titelquoten der Top-10-Favoriten mit den Modell-Wahrscheinlichkeiten und suche gezielt nach Abweichungen von mehr als 2 Prozentpunkten.
Zweitens: K.o.-Runden-Einzelprognosen. Opta veröffentlicht vor jeder K.o.-Runde eine aktualisierte Weiterkommens-Wahrscheinlichkeit. Wenn diese deutlich von den Buchmacher-Quoten auf „Weiterkommen“ abweicht, lohnt sich ein Blick.
Drittens: Plausibilitätscheck meiner eigenen Tipps. Wenn ich eine starke Meinung zu einem Spiel habe, aber das Modell das Gegenteil ausgibt, frage ich mich: was weiß ich, was das Modell nicht weiß. Meistens lautet die ehrliche Antwort: nichts. Dann fällt der Tipp.
Der Unterschied zwischen Prognose und Wette
Supercomputer-Prognosen sind kein Wettsystem. Sie sind Analysewerkzeug. Das Modell berechnet, wie oft ein Ergebnis in 10.000 Simulationen auftritt. Aber es sagt dir nicht, ob die Quote, die dir der Buchmacher anbietet, fair ist — das ist deine Rechnung.
Die Champions League zieht in Deutschland enorme Aufmerksamkeit — das Finale 2024 erreichte beim ZDF 12,35 Millionen Zuschauer mit 47,7 Prozent Marktanteil. Diese Aufmerksamkeit verzerrt die Quoten in Richtung der bekannten Namen. Wer Modelle nutzt, um gegen diese Verzerrung zu wetten, hat einen strukturellen Vorteil. Wer Modelle nutzt, um Trends zu bestätigen, die er ohnehin glaubt, verstärkt seine eigenen Vorurteile.
Mein Gesamturteil zu den Modellen
Supercomputer-Prognosen sind nützlich, wenn man ihre Grenzen kennt. Sie liefern Wahrscheinlichkeiten, keine Garantien. Sie decken Marktverzerrungen auf, aber sie schaffen keine Gewissheit. Wer sie als einen Filter unter mehreren nutzt, profitiert. Wer ihnen blind folgt, tauscht eine Bauchentscheidung gegen eine Algorithmus-Entscheidung — und wundert sich, dass die Ergebnisse nicht besser sind.
Am Ende entscheidet immer die Qualität der Analyse, nicht die Rechenpower. Ich nutze Supercomputer-Modelle als Baustein in einer breiteren Value-Orientierung beim Quotenvergleich. Die Modelle sind schnell, aber sie sehen nicht alles. Was sie nicht sehen, bleibt der Platz, an dem menschliche Urteilskraft ihren Wert behält.
Was Supercomputer-Prognosen mir beigebracht haben
Die wichtigste Lektion: Wahrscheinlichkeit ist nicht dasselbe wie Vorhersage. Wenn ein Modell Real Madrid 15 Prozent Titelchance gibt, hat es nicht „Real Madrid wird gewinnen“ gesagt. Es hat gesagt, dass Real in 15 von 100 vergleichbaren Saisons Titelträger würde. Diese Unterscheidung zu internalisieren ist vielleicht das Wertvollste, was Datenmodelle einem Tipper geben können.
Und es hat meinen Umgang mit Verlusten verändert. Ein verlorener Value-Tipp ist kein Fehler. Er ist der statistische Normalfall. Wer das akzeptiert, spielt Wetten wie ein Marathonläufer, nicht wie ein Sprinter. Und das ist der einzige Weg, über viele Saisons hinweg profitabel zu bleiben.
Wie verlässlich sind Supercomputer-Prognosen zur Champions League?
Die Modelle liegen bei der Vorhersage des Teilnehmerfelds der K.o.-Runde mit einer Trefferquote von etwa 70 Prozent deutlich über Buchmacher-Quoten. Bei der Vorhersage des tatsächlichen Siegers liegen sie naturgemäß unter 20 Prozent, weil die Varianz in K.o.-Runden hoch ist.
Welche Datenquellen liefern seriöse Champions-League-Prognosen?
Opta und FiveThirtyEight sind die bekanntesten Anbieter. Beide aktualisieren ihre Prognosen wöchentlich. Football Club Elo bietet reine Elo-basierte Prognosen ohne qualitative Komponente.
Wie nutze ich Supercomputer-Prognosen für Wetten?
Implizierte Wahrscheinlichkeiten der Quoten mit Modellwahrscheinlichkeiten vergleichen. Bei größeren Abweichungen zugunsten eines Teams kann Value vorliegen. Die Prognosen sind ein Baustein, kein vollständiger Ersatz für eigene Analyse.
Erstellt vom Redaktionsteam „Uefa Champions League Wetten”.
