Poisson-Modell für Handball Wetten – Wahrscheinlichkeiten berechnen
Mathematik trifft Handball: Das Poisson-Modell ist das Fundament vieler Wett-Modelle im Fußball — aber im Handball funktioniert es anders, weil die Torzahl pro Spiel deutlich höher liegt. Ein Poisson-Modell für Handball Wetten in der DAIKIN Handball Bundesliga muss an die Besonderheiten der Sportart angepasst werden, sonst produziert es Wahrscheinlichkeiten, die von der Realität systematisch abweichen.
Die Poisson-Verteilung beschreibt die Wahrscheinlichkeit, dass ein Ereignis — in unserem Fall: ein Tor — eine bestimmte Anzahl von Malen in einem festen Zeitraum eintritt. Im Fußball, wo Tore selten sind, passt die Verteilung gut. Im Handball, wo 55 bis 60 Tore pro Spiel fallen, nähert sich die Verteilung einer Normalverteilung — und die Anwendung wird anspruchsvoller, aber auch präziser. Dieser Artikel zeigt den Aufbau eines einfachen Poisson-Modells, die Kalibrierung für HBL-Daten und die Grenzen des Ansatzes.
Poisson-Grundlagen für hohe Torzahlen
Die Poisson-Verteilung braucht nur einen Parameter: den Erwartungswert Lambda, also die durchschnittliche Anzahl von Toren, die ein Team in einem Spiel erzielt. Wenn SC Magdeburg zuhause im Schnitt 31,2 Tore pro Spiel erzielt, ist Lambda = 31,2. Die Poisson-Formel berechnet dann die Wahrscheinlichkeit für jedes mögliche Torergebnis: P(k Tore) = (Lambda^k * e^-Lambda) / k!
Im Fußball liegt Lambda typischerweise bei 1,3 bis 1,6 Toren — und die Poisson-Verteilung bildet die Realität gut ab, weil die Verteilung bei so niedrigen Erwartungswerten asymmetrisch ist: Null Tore ist wahrscheinlicher als drei Tore. Im Handball mit Lambda-Werten von 25 bis 32 verschiebt sich die Verteilung: Sie wird symmetrischer und nähert sich einer Normalverteilung (Glockenkurve) an. Das bedeutet, dass die Poisson-Berechnung zwar korrekt ist, aber numerisch aufwendiger wird — Fakultäten von 25 oder 30 sind große Zahlen.
Die praktische Lösung: Statt die Poisson-Formel für jedes einzelne Torergebnis von 0 bis 45 zu berechnen, nutzt man die Normalverteilungs-Approximation. Bei Lambda-Werten über 20 ist die Normalverteilung mit Mittelwert = Lambda und Standardabweichung = Wurzel(Lambda) eine hinreichend genaue Annäherung. Für Lambda = 30 ergibt sich eine Standardabweichung von 5,48 — also erwartet man, dass die Torzahl in 68 Prozent der Spiele zwischen 24,5 und 35,5 liegt.
Für die Wettpraxis heißt das: Statt einzelne Torzahlen zu berechnen, berechnen Sie die Wahrscheinlichkeit, dass die Torsumme über oder unter einer bestimmten Linie liegt. Das ist genau das, was für Über/Unter-Wetten benötigt wird. Die Berechnung: P(Über 55,5) = P(Tore Heim + Tore Gast > 55,5). Wenn Sie die erwarteten Tore beider Teams kennen, können Sie die Gesamtverteilung ableiten und die Wahrscheinlichkeit für Über und Unter bestimmen.
Ein konkretes Beispiel: Heimteam mit Lambda = 30, Gastteam mit Lambda = 26. Erwartete Gesamtsumme: 56. Standardabweichung der Summe: Wurzel(30 + 26) = 7,48. P(Über 55,5) = P(Z > (55,5 – 56) / 7,48) = P(Z > -0,067) = ca. 52,7 %. Die Über-Wette bietet bei einer Linie von 55,5 also eine geschätzte Wahrscheinlichkeit von knapp 53 Prozent — knapp über dem Break-even bei einer Quote von 1,90.
Modell aufbauen: Schritt für Schritt
Der Aufbau eines Poisson-Modells für die HBL erfordert vier Schritte.
Schritt eins: Angriffs- und Verteidigungsstärken berechnen. Für jedes Team ermitteln Sie den durchschnittlichen Torschnitt — getrennt nach Heim und Auswärts, Angriff und Verteidigung. Beispiel: Der Liga-Durchschnitt liegt bei 28 erzielten Toren pro Heimteam. SC Magdeburg erzielt zuhause im Schnitt 31,2 — die Angriffsstärke zuhause beträgt also 31,2 / 28 = 1,114. Magdeburg erzielt 11,4 Prozent mehr Tore als der Liga-Durchschnitt.
Schritt zwei: Erwartete Tore für ein konkretes Spiel berechnen. Erwartete Tore Heimteam = Angriffsstärke Heim * Verteidigungsschwäche Gast * Liga-Durchschnitt Heim. Erwartete Tore Gastteam = Angriffsstärke Gast (auswärts) * Verteidigungsschwäche Heim * Liga-Durchschnitt Auswärts. Das Ergebnis: Zwei Lambda-Werte, einer pro Team.
Schritt drei: Wahrscheinlichkeiten ableiten. Mit der Normalverteilungs-Approximation berechnen Sie P(Heim gewinnt), P(Gast gewinnt) und P(Unentschieden). Die historische Unentschieden-Quote in der HBL liegt bei 11,45 Prozent in den Daten von Strauß und Bierschwale (Zeitschrift für Sportpsychologie), ist aber in den letzten Saisons auf 5 bis 6 Prozent gesunken. Ihr Modell wird — wie jedes Poisson-Modell — die Remis-Wahrscheinlichkeit systematisch überschätzen, weil es die taktischen Schlussminuten-Dynamiken nicht abbildet. Eine manuelle Korrektur nach unten ist empfehlenswert.
Schritt vier: Vergleich mit dem Markt. Die berechneten Wahrscheinlichkeiten werden mit den impliziten Wahrscheinlichkeiten der Buchmacher-Quoten verglichen. Wo die eigene Schätzung signifikant über der Markterwartung liegt, entsteht potentiell Value. Die Schwelle sollte bei mindestens drei Prozentpunkten Differenz liegen, um den Modellfehler zu kompensieren.
Das gesamte Modell lässt sich in einer Tabellenkalkulation umsetzen — Excel oder Google Sheets reichen aus. Wer programmieren kann, baut es in Python oder R und automatisiert den Datenimport. Aber auch die manuelle Variante liefert brauchbare Ergebnisse, solange die Eingabedaten aktuell sind.
Grenzen des Poisson-Modells im Handball
Das Poisson-Modell ist ein Werkzeug — kein Orakel. Seine Grenzen im Handball sind klar und sollten bei der Anwendung berücksichtigt werden.
Die erste Grenze: Die Poisson-Verteilung nimmt an, dass Tore unabhängig voneinander fallen — jedes Tor hat dieselbe Wahrscheinlichkeit, unabhängig vom Spielstand. In der Realität ist das nicht der Fall. Laut der Forschung von Pic im Journal of Human Kinetics konzentrieren sich die meisten Tore in den letzten fünf Minuten jeder Halbzeit — die Torrate ist also nicht konstant über die Spielzeit verteilt. Dieses Muster führt dazu, dass das Poisson-Modell die Streuung der Torsumme leicht unterschätzt.
Die zweite Grenze: Das Modell berücksichtigt keine taktischen Anpassungen. Ein Team, das zur Halbzeit mit fünf Toren führt, spielt in der zweiten Halbzeit anders als ein Team mit fünf Toren Rückstand. Das Poisson-Modell behandelt beide Hälften gleich — ein Fehler, der bei großen Halbzeit-Differenzen relevant wird.
Die dritte Grenze: Kaderbezogene Faktoren — Verletzungen, Rotation, emotionale Zustände — fließen nicht in das Modell ein. Es basiert auf Saisonstatistiken und bildet die Durchschnittsleistung ab, nicht die Tagesform. Deshalb sollte das Poisson-Ergebnis nie als alleinige Entscheidungsgrundlage dienen, sondern als Ausgangspunkt, der durch Kontextfaktoren korrigiert wird.
Trotz dieser Grenzen: Ein einfaches Poisson-Modell, das regelmäßig mit aktuellen Daten gefüttert wird, übertrifft in den meisten Fällen die reine Intuition. Es zwingt zur systematischen Analyse, macht Annahmen explizit und liefert Wahrscheinlichkeiten, die mit den Buchmacher-Quoten verglichen werden können. Das ist mehr, als die meisten Handball-Wetter tun — und genau deshalb ein Vorteil.
Wer das Modell weiterentwickeln will, hat mehrere Optionen. Die erste: ein bivariates Poisson-Modell, das die Korrelation zwischen den Toren beider Teams berücksichtigt — wenn ein Team offensiv spielt, reagiert der Gegner häufig mit mehr Risiko, was beide Torwerte nach oben treibt. Die zweite: ein zeitgewichtetes Modell, das jüngere Spiele stärker gewichtet als ältere und damit die aktuelle Form besser abbildet. Die dritte: ein separates Modell für erste und zweite Halbzeit, das die unterschiedlichen Tormuster innerhalb eines Spiels berücksichtigt. Jede Erweiterung erhöht die Komplexität, aber auch die Genauigkeit — und damit die Wahrscheinlichkeit, auf dem HBL-Wettmarkt einen nachhaltigen Vorteil zu finden.